一种船舶气-电混合动力系统的转速预测方法技术方案

本发明专利技术属于船舶工况预测技术领域，公开了船舶气

【技术实现步骤摘要】
一种船舶气
‑
电混合动力系统的转速预测方法


[0001]本专利技术属于船舶工况预测
，尤其涉及船舶气
‑
电混合动力系统的转速预测方法。

技术介绍

[0002]新型动力形式的船舶，如氨气、氢气动力船舶的研发仍处于起步阶段，天然气发动机相较于柴油机具有更好的氮氧化物排放特性，因此气
‑
电混合动力船舶能够有效的满足发展过渡时期的需求；气
‑
电混合动力船舶包含多种推动形式，需要解决能量分配优化调度问题；针对以上问题，能量管理策略常采用模型预测控制(MPC)，但是需要提前获知一段时间的工况负载；若预测不及时就会导致MPC求解结果不能满足船舶运行要求；基于以上分析进行船舶工况预测是十分必要的。
[0003]通过上述分析，现有技术存在的问题及缺陷为：现有技术基于ANFIS的一般转速预测方法往往需要多组参数实现多对一的预测，实际工况下存在航行参数获取困难的问题，且部分参数对转速预测的作用不大；仅有转速信息情况下的转速预测多采用神经网络的需求转速预测方法，精度要求难以满足。

技术实现思路

[0004]为克服相关技术中存在的问题，本专利技术公开实施例提供了船舶气
‑
电混合动力系统的转速预测方法。本专利技术目的在于提出一种新的基于ANFIS的气
‑
电混合动力船舶螺旋桨转速预测方法，能够实现超前的优化调度，极大的提高响应速度以应对复杂多变的实际工况。提高了转速预测的精度，做到在依据实际情况给定预测区间内实现实时提供转速预测信息。
[0005]所述技术方案如下：一种船舶气
‑
电混合动力系统的转速预测方法，包括以下步骤：
[0006]S1，基于自适应神经模糊预测系统ANFIS工具箱构建船舶气电混合动力螺旋桨转速预测模型，预测气电混合动力系统螺旋桨转速；
[0007]S2，根据步骤S1所预测的转速与船舶气电混合动力系统实际转速作差值；
[0008]S3，根据步骤S2所得的转速差值以及步骤S1船舶气电混合动力螺旋桨转速预测模型所获得的转速信息构建改进的ANFIS转速预测模型；
[0009]S4，通过步骤S3所构建的改进的ANFIS转速预测模型进行未来转速预测。
[0010]在一个实施例中，在步骤S1中构建船舶气电混合动力螺旋桨转速预测模型包括：
[0011](a)由船舶气电混合动力系统提供两次相同工作情况下的典型转速信息，分别作为自适应神经模糊预测系统ANFIS的输入信息与实际信息；
[0012](b)利用步骤(a)中所得的转速信息，借助自适应神经模糊预测系统ANFIS工具箱构建船舶气电混合动力系统转速预测模型。
[0013]在一个实施例中，步骤(b)中构建的船舶气电混合动力螺旋桨转速预测模型为单
输入转速预测模型，输入到自适应神经模糊预测系统ANFIS中参与训练的转速信息为船舶两次相同情况下实际工况所得螺旋桨转速情况，分别作为输入转速与实际转速参与训练。
[0014]在一个实施例中，在步骤S1中，自适应神经模糊预测系统ANFIS包括五层结构：
[0015]所需一阶Sugeno模型包括一个输入和一个输出，使用Takagi
‑
Sugeno的IF
‑
THEN规则：
[0016]If x is A then f1＝p1x+r1(1)
[0017]第一层结构由输入变量成员函数MFs和一个输入组成，输入为船舶典型工况下的转速信息；
[0018]第二层结构检查每个输入变量成员函数MFs的权重，接收来自第一层的输入值并作为成员函数代表输入变量的模糊集，节点的输出代表规则的强度；
[0019]第三层为规则层，每个节点执行模糊规则的前置条件匹配，具体为计算每个规则的激活水平，并且每个节点都计算出归一化的权重；
[0020]第四层为去模糊化层提供规则推理后的输出值，每个节点均为一个自适应节点；
[0021]第五层为输出层，将所有传入信号的总和计算为总输出，输出转速预测结果。
[0022]在一个实施例中，在步骤S2中，得到的预测转速与实际转速的差值为步骤S1中输入转速与建立船舶气电混合动力螺旋桨转速预测模型得到的预测转速的差值；
[0023]利用建立船舶气电混合动力螺旋桨转速预测模型获取的转速预测值V
*
以及的输入转速V
in
计算二者的差值：
[0024]ΔV＝V
in
‑
V
*
ꢀꢀ
(2)
[0025]在一个实施例中，在步骤S3中，建立的改进的转速预测模型，参与训练的输入量为步骤S1得到的转速预测结果与输入转速的差值和与步骤S1相同的输入转速，参与训练的实际转速与步骤S1相同；
[0026]所述改进转速预测模型为双输入转速预测模型，具体包括：
[0027]所需一阶Sugeno模型包括两个输入一个输出组成，使用Takagi
‑
Sugeno的IF
‑
THEN规则：
[0028]If x is A and y is C then f1＝p1x+r1ꢀꢀ
(3)
[0029]第一层结构由输入变量成员函数、输入1和输入2组成，输入1为与步骤1相同的船舶典型工况下的转速信息，输入2为由步骤2所得预测转速与实际转速的差值；第一层的每个节点均为一个自适应节点，节点函数为：
[0030]O＝μ
AB
(x)
ꢀꢀ
(4)
[0031]O＝μ
CD
(x)
ꢀꢀ
(5)
[0032]其中，μ
AB
(x)和μ
CD
(x)为MFs；
[0033]第二层为成员层检查每个MFs的权重，接收来自第一层的输入值作为成员函数代表输入变量的模糊集；每个节点均为非适应性，该层将由第一层传入的信号相乘并将乘积送入下一层，见公式(6)，每个节点的输出代表一个规则的强度；
[0034]ω
i
＝μ
AB
(x)*μ
CD
(y)(6)
[0035]第三层为规则层，这一层的每个节点执行模糊规则的前置条件匹配，该层为非适应性，计算规则的适应强度与所有规则的激活强度的比率如式(7)所示。
[0036][0037]第四层为去模糊化层提供规则推理后的输出值，每个节点都是自适应节点，节点函数为：
[0038][0039]其中，{p
i
,q
i
,r
i
}为结果参数集；
[0040]第五层为输出层，输出改进后的转速预测结果。
[0041]在一个实施例中，在步骤S4中，通过步骤S3所构建的改进的ANFIS转速预测模型进行未来转速预测包括：
[0042](1)给入初始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶气
‑
电混合动力系统的转速预测方法，其特征在于，该方法包括以下步骤：S1，基于自适应神经模糊预测系统ANFIS工具箱构建船舶气电混合动力螺旋桨转速预测模型，预测气电混合动力系统螺旋桨转速；S2，根据步骤S1所预测的转速与船舶气电混合动力系统实际转速作差值；S3，根据步骤S2所得的转速差值以及步骤S1船舶气电混合动力螺旋桨转速预测模型所获得的转速信息构建改进的ANFIS转速预测模型；S4，通过步骤S3所构建的改进的ANFIS转速预测模型进行未来转速预测。2.根据权利要求1所述的船舶气
‑
电混合动力系统的转速预测方法，其特征在于，在步骤S1中构建船舶气电混合动力螺旋桨转速预测模型包括：(a)由船舶气电混合动力系统提供两次相同工作情况下的典型转速信息，分别作为自适应神经模糊预测系统ANFIS的输入信息与实际信息；(b)利用步骤(a)中所得的转速信息，借助自适应神经模糊预测系统ANFIS工具箱构建船舶气电混合动力系统转速预测模型。3.根据权利要求2所述的船舶气
‑
电混合动力系统的转速预测方法，其特征在于，步骤(b)中构建的船舶气电混合动力螺旋桨转速预测模型为单输入转速预测模型，输入到自适应神经模糊预测系统ANFIS中参与训练的转速信息为船舶两次相同情况下实际工况所得螺旋桨转速情况，分别作为输入转速与实际转速参与训练。4.根据权利要求1所述的船舶气
‑
电混合动力系统的转速预测方法，其特征在于，在步骤S1中，自适应神经模糊预测系统ANFIS包括五层结构：所需一阶Sugeno模型包括一个输入和一个输出，使用Takagi
‑
Sugeno的IF
‑
THEN规则：If x is A then f1＝p1x+r1ꢀꢀ
(1)第一层结构由输入变量成员函数MFs和一个输入组成，输入为船舶典型工况下的转速信息；第二层结构检查每个输入变量成员函数MFs的权重，接收来自第一层的输入值并作为成员函数代表输入变量的模糊集，节点的输出代表规则的强度；第三层为规则层，每个节点执行模糊规则的前置条件匹配，具体为计算每个规则的激活水平，并且每个节点都计算出归一化的权重；第四层为去模糊化层提供规则推理后的输出值，每个节点均为一个自适应节点；第五层为输出层，将所有传入信号的总和计算为总输出，输出转速预测结果。5.根据权利要求1所述的船舶气
‑
电混合动力系统的转速预测方法，其特征在于，在步骤S2中，得到的预测转速与实际转速的差值为步骤S1中输入转速与建立船舶气电混合动力螺旋桨转速预测模型得到的预测转速的差值；利用建立船舶气电混合动力螺旋桨转速预测模型获取的转速预测值V
*
以及的输入转速V
in
计算二者的差值：ΔV＝V
in
‑
V
*
ꢀꢀꢀꢀ
(2)。6.根据权利要求1所述的船舶气
‑
电混合动力系统的转速预测方法，其特征在于，在步骤S3中，建立的改进的转速预测模型，参与训练的输入量为步骤S1得到的转速预测结果与输入转速的差值和与步骤S1相同的输入转速，参与训...

【专利技术属性】
技术研发人员：徐志刚，王志芳，潘文欢，姚崇，杨启栋，喻露，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：