一种港口负荷预测方法及算法技术

本发明专利技术涉及一种港口负荷预测方法及算法，包括算法部分和实际预测方法部分，算法部分包括选择并划分时间区间、采集数据、数据处理、卷积神经网络的训练和测试，最终获得合格的卷积神经网络，由此运用到实际中：通过本发明专利技术可以达到精确预测港口负荷的有益效果。达到精确预测港口负荷的有益效果。达到精确预测港口负荷的有益效果。

【技术实现步骤摘要】
一种港口负荷预测方法及算法


[0001]本专利技术涉及水路交通管理领域，具体而言，涉及一种港口负荷预测方法及算法。

技术介绍

[0002]随着港口电气化的不断推进以及航运业对碳排放的要求越来越高，采用太阳能、风能、氢能等清洁能源发电为港口供电受到越来越多的关注。然而，港口的能源消耗存在较大的不确定性，给用能侧的管理带来一定挑战。为了更好地协调港口用能和供能，需要对港口的耗用能量进行预测。

技术实现思路

[0003]本专利技术的目的在于克服能源消耗评估难题，且提供了一种港口负荷预测方法及算法。
[0004]本专利技术提供的一种获取港口负荷合格预测神经网络的算法，其技术方案如下：
[0005]一种获取港口负荷合格预测神经网络的算法，其特征是：包括如下步骤：
[0006]步骤一、选定初始时刻t
o
和结束时刻t
e
，并将时间区间[t
o
，t
e
]进行m等分，得到区间序列[t0，t1]、[t1，t2]、......、[tr/>m
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种获取港口负荷合格预测神经网络的算法，其特征是：包括如下步骤：步骤一、选定初始时刻t
o
和结束时刻t
e
，并将时间区间[t
o
，t
e
]进行m等分，得到区间序列[t0，t1]、[t1，t2]、......、[t
m
‑1，t
m
]，其中，t
o
＝t0<t1<t2<......<t
m
＝t
e
；步骤二、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m
‑1，t
m
]中每一个区间的气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率；步骤三、将由区间[t
i
‑1，t
i
]内的所述气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率组成的列向量作为第i个输入向量，形成输入数据集A，其中，1≤i≤m，A＝{X1，X2，...，X
m
}；步骤四、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m
‑1，t
m
]中每一个区间的用电量、用氢量和用柴油量数据，随后将由区间[t
i
‑1，t
i
]内的所述用电量、用氢量和用柴油量数据组成的列向量作为第i个输出向量，形成输出数据集B，其中，1≤i≤m，B＝{Y1，Y1，
…
，Y
m
}；步骤五、建立以所述第i个输入向量与所述第i个输出向量的笛卡尔积(X
i
，Y
i
)为元素的集合U，其中1≤i≤m，即令U＝{(X1，Y1)，...，(X
m
，Y
m
)}，将所述集合U作为数据集，并将所述数据集分为训练集C和测试集D，其中，C＝{(X1，Y1)，...，(X
s
，Y
s
)}D＝{(X
s+1
，Y
s+1
，)，...，(X
m
，Y
m
)}；步骤六、将所述数据集进行预处理后，选用卷积神经网络，将所述训练集C中的每一个元素(X
i
，Y
i
)的第一个分量X
i
作为所述卷积神经网络的输入向量，所述数据集中的每一个元素(X
i
，Y
i
)的第二个分量Y
i
作为所述卷积神经网络的理想输出向量，对所述卷积神经网络进行训练，获得经过训练的卷积神经网络；步骤七、采用测试集D对所述经过训练的卷积神经网络进行测试，获取合格卷积神经网络。2.根据权利要求1所述的获取港口负荷合格预测神经网络的算法，其特征是：所述步骤二中的气候数据包括能见度数据、风数据、雨数据和雷数据。3.根所述据权利要求2所述的获取港口负荷合格预测神经网络的算法，其特征是：所述步骤二中，获取所述气候数据的能见度数据包括如下步骤：步骤A1、采用模糊逻辑，将能见度划分为无影响、弱影响和强影响三种类别；步骤A2，选择三个数据α
11
、α
12
、α
13
，其中α
11
<α
12
<α
13
，令α
11
代表所述能见度隶属的无影响，α
12
代表所述能见度隶属的弱影响，α
13
代表所述能见度隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m
‑1，t
m
]中每一个区间的能见度隶属，若某个区间隶属于无影响，则将代表能见度是无影响的数据α
11
作为相应区间的能见度数据，若某
个区间隶属于弱影响，则将代表能见度是弱影响的数据α
12
作为相应区间的能见度数据，若某个区间隶属于强影响，则将代表能见度是强影响的数据α
13
作为相应区间的能见度数据；所述步骤二中，获取所述气候数据的风数据包括如下步骤：步骤B1、采用模糊逻辑，将风划分为无影响、弱影响和强影响三种类别；步骤B2、选择三个数据α
21
、α
22
、α
23
，其中α
21
<α
22
<α
23
，令α
21
代表所述风隶属的无影响，令α
22
代表所述风隶属的弱影响，令α
23
代表所述风隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m
‑1，t
m
]中每一个区间的风隶属，若某个区间隶属于无影响，则将代表风是无影响的数据α
21
作为相应区间的风数据，若某个区间隶属于弱影响，则将代表风是弱影响的数据α
22
作为相应区间的风数据，若某个区间隶属于强影响，则将代表风是强影响的数据α
23
作为相应区间的风数据；所述步骤二中，获取所述气候数据的雨数据包括如下步骤：步骤C1、采用模糊逻辑，将雨划分为无影响、弱影响和强影响三种类别；步骤C2、选择三个数据α
31
、α
32
、α
33
，其中α
31
<α
32
<α
33
，令α

【专利技术属性】
技术研发人员：唐道贵，钟晓晖，许朝远，陈哲，张乾能，杨盛祥，李将渊，徐鹏，
申请(专利权)人：宁波舟山港集团有限公司，
类型：发明
国别省市：