【技术实现步骤摘要】
一种船舶冷热电联供系统的冷热电负荷预测方法及系统
本公开涉及船舶能源
，尤其涉及一种船舶冷热电联供系统的冷热电负荷预测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。二十一世纪，全球经济依然朝着稳步快速的方向发展，以煤炭、石油以及天然气为主的能源资源消耗急剧增加，能源过度开采利用带来的能源危机、能源价格上涨以及环境污染日益凸显。其中世界航运业作为一种石油消耗量巨大的交通运输业，在国际油价不断上涨居高不下，燃油费用在船舶运输成本中所占比重越来越高，国际海事组织(IMO)最新的研究报告数据表明，全球航运业是能源消耗和温室气体排放大户。如何实现船舶的高效节能减排，综合利用船舶的各类能源，提高船舶能源的综合利用效率，减少二氧化碳排放量，降低船舶运营成本是当前国内外所有的船舶制造商、航运公司和海事组织关心的重大问题。而船舶冷热电负荷准确预测是实现船舶冷热电系统优化设计、运行调度和能量管理的重要前提，具有重要的实用价值，然而，船舶冷热电负荷是典型的混沌时间序列，表现出复杂性、不确定性和非线性等特点，冷热电负荷不仅与自身历史负...
【技术保护点】
1.一种船舶冷热电联供系统的冷热电负荷预测方法，其特征在于，步骤如下：(1)实时采集多个时间尺度的船舶冷热电负荷数据、船舶环境数据和船舶冷热电联供系统数据，对采集到的多时间尺度船舶数据进行存储和预处理；(2)通过深度置信神经网络建立船舶冷热电联供系统的冷热电负荷多时间尺度预测模型，所述冷热电负荷多时间尺度预测模型读取采集到多个时间尺度的船舶数据，并输出未来多时间尺度的冷热电负荷预测数据；(3)船舶冷热电联供系统根据未来多时间尺度的冷热电负荷预测数据设定机组的运行功率。
【技术特征摘要】
1.一种船舶冷热电联供系统的冷热电负荷预测方法，其特征在于，步骤如下：(1)实时采集多个时间尺度的船舶冷热电负荷数据、船舶环境数据和船舶冷热电联供系统数据，对采集到的多时间尺度船舶数据进行存储和预处理；(2)通过深度置信神经网络建立船舶冷热电联供系统的冷热电负荷多时间尺度预测模型，所述冷热电负荷多时间尺度预测模型读取采集到多个时间尺度的船舶数据，并输出未来多时间尺度的冷热电负荷预测数据；(3)船舶冷热电联供系统根据未来多时间尺度的冷热电负荷预测数据设定机组的运行功率。2.如权利要求1所述的船舶冷热电联供系统的冷热电负荷预测方法，其特征在于，所述步骤(1)中，所述船舶冷热电负荷数据包括冷负荷功率、热负荷功率和电负荷功率；所述船舶环境数据包括环境温度、环境湿度、风速、气压、光照、海水温度和波浪纹；所述船舶冷风电联供系统数据包括船舶冷热电联供系统的发电功率、制热功率和制冷功率。3.如权利要求1所述的船舶冷热电联供系统的冷热电负荷预测方法，其特征在于，所述步骤(1)中，采用去噪自编码器进行数据预处理，所述去噪自编码器的构建步骤如下:301初始化DAE网络参数；302训练第一层DAE，将其隐含层作为第2个DAE的输入，并进行同样的训练，直到第3层DAE训练完成；303将训练好的3层DAE进行堆叠形成DAE，向DAE网络顶层添加输出层；304利用样本数据和标签对整个网络进行有监督的微调。4.如权利要求1所述的船舶冷热电联供系统的冷热电负荷预测方法，其特征在于，所述步骤(2)中，船舶冷热电联供系统的冷热电负荷多时间尺度预测模型的构建步骤如下：401构造基于RBM的5层DBN，包括1个输入层，3个隐藏层和1个决策层；402指定DBN的输入层节点数为13，第一个隐藏层节点数为500，第二个隐藏层节点数为500，第三个隐藏层节点数为500，决策层的节点数为3；403所述训练DBN，使用对比散度CD算法对DBN的5层进行逐层训练，计算3个隐藏层和1个决策层的输出值和各层之间的权值及偏置值；使用BP算法对整个DBN进行调整，优化DBN参数，完成DBN全局训练；404得出预测系统的最优权值和偏置值得到最优的冷热电联供系统的冷热电负荷多时间尺度预测系统，根据多时间尺度船舶数据预测未来多时间尺度的冷热电负荷数据。5.如权利要求1所述的船舶冷热电联供系统的冷热电负荷预测方法，其特征在于，所述步骤(2)中，预测系统的时间尺度为i，预测系统的输入为Xi-1，Xi-1为时间尺度i的前一时刻运行数据；预测系统的输出为Yi，Yi为时间尺度i的当前时刻预测数据；其中，为船舶前一时刻冷负荷功率(kW)；船舶前一时刻热负荷功率(kW)；船舶前一时刻电负荷功率(kW)；为前一时刻的船舶周边海水的波浪高值(m)；前一时...
【专利技术属性】
技术研发人员：赵峰，张广渊，王国锋，谢振华，王朋，顾仁涛，靳华磊，
申请(专利权)人：山东交通学院，
类型：发明
国别省市：山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。