基于人工智能的船舶燃气功率动态预测方法及系统技术方案

本发明专利技术公开了一种基于人工智能的船舶燃气功率动态预测方法及系统，属于数据处理技术领域，所述方法包括：按照预设采样周期和频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；计算出各影响因素时间序列与燃气功率的关联度；基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列对应的船舶燃气功率受迫因子；基于此，设定EMA算法中的平滑因子，以对EMA算法进行改进；基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。本发明专利技术可自适应地选择对数据的敏感程度，提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
基于人工智能的船舶燃气功率动态预测方法及系统


[0001]本专利技术涉及数据处理
，特别涉及一种基于人工智能的船舶燃气功率动态预测方法及系统。

技术介绍

[0002]船舶燃气功率是指船舶使用燃气发动机或燃气涡轮发动机时所产生的功率，通过准确的计算船舶燃气功率，可进一步评估船舶在不同负荷情况下的动力输出情况、还可预测不同工况的燃料消耗，为船舶的运营成本以及船舶经济性评估提供重要参考。此外，燃气功率是计算船舶在不同负荷和航行条件下的最大速度、巡航速度等关键性能参数的重要指标，因此，对船舶燃气功率进行动态预测，得到船舶燃气功率在不同时刻的预测值，具有极其重要的现实意义。
[0003]船舶在海面航行过程中，海况以及风力都会影响船舶燃气功率的变化，当海上因风产生海浪时，船舶在海浪区域行驶的这段时间内，燃气消耗率会产生较大的跃升，进而导致船舶燃气功率跃升。而海况以及风力等因素的变化是不规律的，这也导致船舶的燃气功率无法一概而论。
[0004]目前，一般采用时间序列算法实现船舶燃气功率预测，但由于船舶燃气功率的影响因素的变化是不规律的，因此造成了预测算法复杂繁琐，且无法适应新数据中出现的异常值，从而无法满足船舶燃气功率的动态精准预测需求。

技术实现思路

[0005]本专利技术提供了一种基于人工智能的船舶燃气功率动态预测方法及系统，以解决现有的船舶燃气功率预测算法复杂繁琐，且无法适应新数据中出现的异常值，从而无法满足船舶燃气功率的动态精准预测需求的技术问题。
[0006]为解决上述技术问题，本专利技术提供了如下技术方案：一方面，本专利技术提供了一种基于人工智能的船舶燃气功率动态预测方法，所述基于人工智能的船舶燃气功率动态预测方法包括：按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；计算出各影响因素时间序列与燃气功率的关联度；基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子；基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进；基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。
[0007]进一步地，所述按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列，包
括：按照预设采样周期和频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值；对采集到的船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值进行数据清洗，以去除异常值、噪声和缺失值；利用清洗后的数据，构建燃气功率时间序列以及各影响因素时间序列。
[0008]进一步地，所述计算出各影响因素时间序列与燃气功率的关联度，包括：基于燃气功率时间序列和各影响因素时间序列，使用基于灰色关联度理论的灰色关联度法，计算出各影响因素时间序列与燃气功率的关联度。
[0009]进一步地，所述基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子，包括：针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数；针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度；针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的突变情况，计算出序列对应的Hurst指数；基于待计算船舶燃气功率受迫因子的影响因素时间序列的Hurst值与偏差激变度，获得序列对应的船舶燃气功率受迫因子。
[0010]进一步地，所述针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数，包括：针对待计算船舶燃气功率受迫因子的第i个影响因素时间序列，计算出序列中的每一时刻的偏差幅度，以及所有时刻的数据均值；其中，i=1,2,
…
,n；n表示影响因素时间序列的个数；针对第i个影响因素时间序列中第j个时刻，计算其前时刻的所有时刻的偏差幅度均值，以及后时刻的所有时刻的偏差幅度均值；其中，为预设值；j=3,4,5,
…
,；为第i个影响因素时间序列中的数据个数；计算出时的数据与之间的差的绝对值；计算出时的数据所对应的偏差激变指数，公式为：；式中，表示时的数据所对应的偏差激变指数。
[0011]进一步地，所述偏差幅度的计算方式为：针对第i个影响因素时间序列中第j个时刻，计算出对应的数据与第j
‑
1个时
刻的数据之差的绝对值，以及第j
‑
1个时刻的数据与第j
‑
2个时刻的数据之差的绝对值；然后计算出与的均值，作为对应的偏差幅度。
[0012]进一步地，所述针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度，包括：将待计算船舶燃气功率受迫因子的影响因素时间序列分为三个周期；基于序列中各时刻的偏差激变指数获得各个周期对应的偏差激变均值，以及序列中各周期中包含的各偏差激变指数的熵；根据待计算船舶燃气功率受迫因子的影响因素时间序列中各周期的偏差激变均值以及各偏差激变指数的熵，获得序列的偏差激变度，公式为：其中，表示第i个影响因素时间序列的偏差激变度；、以及分别表示第i个影响因素时间序列中的第一个周期、第二个周期和第三个周期的偏差激变均值；、以及分别表示第i个影响因素时间序列中的第一个周期、第二个周期和第三个周期中包含的各偏差激变指数的熵。
[0013]进一步地，所述船舶燃气功率受迫因子的计算公式为：；式中，表示第i个影响因素时间序列对应的船舶燃气功率受迫因子；表示第i个影响因素时间序列的指数；表示第i个影响因素时间序列的偏差激变度；(.)表示归一化函数。
[0014]进一步地，所述基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，包括：计算出各影响因素序列的船舶燃气功率受迫因子之和；基于，结合各影响因素时间序列与燃气功率的关联度，计算EMA算法中的平滑因子的值，公式为：；式中，表示第i个影响因素时间序列与燃气功率的关联度；均为预设的常数系数；n表示影响因素时间序列的个数，(.)表示归一化函数。
[0015]另一方面，本专利技术还提供了一种基于人工智能的船舶燃气功率动态预测系统，所述基于人工智能的船舶燃气功率动态预测系统包括：数据采集模块，用于按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；
关联度计算模块，用于计算出各影响因素时间序列与燃气功率的关联度；燃气功率受迫因子计算模块，用于基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的船舶燃气功率动态预测方法，其特征在于，包括：按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；计算出各影响因素时间序列与燃气功率的关联度；基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子；基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进；基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。2.如权利要求1所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列，包括：按照预设采样周期和频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值；对采集到的船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值进行数据清洗，以去除异常值、噪声和缺失值；利用清洗后的数据，构建燃气功率时间序列以及各影响因素时间序列。3.如权利要求1所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述计算出各影响因素时间序列与燃气功率的关联度，包括：基于燃气功率时间序列和各影响因素时间序列，使用基于灰色关联度理论的灰色关联度法，计算出各影响因素时间序列与燃气功率的关联度。4.如权利要求1所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子，包括：针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数；针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度；针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的突变情况，计算出序列对应的Hurst指数；基于待计算船舶燃气功率受迫因子的影响因素时间序列的Hurst值与偏差激变度，获得序列对应的船舶燃气功率受迫因子。5.如权利要求4所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数，包括：针对待计算船舶燃气功率受迫因子的第i个影响因素时间序列，计算出序列中的每一时刻的偏差幅度，以及所有时刻的数据均值；其中，i=1,2,
…
,n；n表示影响因素时间序列的个数；
针对第i个影响因素时间序列中第j个时刻，计算其前时刻的所有时刻的偏差幅度均值，以及后时刻的所有时刻的偏差幅度均值；其中，为预设值；j=3,4,5,
…
,；为第i个影响因素时间序列中的数据个数；计算出时的数据与之间的差的绝对值；计算出时的数据所对应...

【专利技术属性】
技术研发人员：史业浩，尚靖，刘安平，丁行，
申请(专利权)人：山东航宇游艇发展有限公司，
类型：发明
国别省市：