一种电力推进船舶电力负荷预测管理方法技术

本发明专利技术公开了一种电力推进船舶电力负荷预测管理方法：步骤1：获取船舶历史电力负荷数据的负荷特征；步骤2：通过缎蓝园丁鸟算法对RBF神经网络模型的超参数进行优化；步骤3：将负荷特征作为RBF神经网络模型的输入量，船舶工况状态作为RBF神经网络模型的输出量，训练RBF神经网络模型，得到船舶工况状态分类器；步骤4：通过船舶工况状态分类器获取船舶实时电力负荷数据对应的实时船舶工况状态；步骤5：根据实时船舶工况状态选择对应的预测方法进行下一时刻电力负荷预测；步骤6：根据电力负荷预测结果进行实时管理控制。本发明专利技术预测更精确，且在此基础上对船舶能量管理策略所实施的优化控制，能够进一步提升船舶航行过程中的经济与环保效益。与环保效益。与环保效益。

【技术实现步骤摘要】
一种电力推进船舶电力负荷预测管理方法


[0001]本专利技术涉及船舶电力管理
，具体涉及一种电力推进船舶电力负荷预测管理方法。

技术介绍

[0002]在现代大型电力推进船舶中，电力推进系统的能量消耗占总发电容量的70％～80％，当船舶电网出现功率缺额时，将对船上部分电力设备进行功率限制，同时启动新的发电机组或提升储能装置的输出功率，以保障电力供应；在船舶电网中功率供给较为充足时，关闭部分柴油发电机组，以减少燃油消耗与设备损耗。然而频繁的启、停柴油发电机组或使柴油发电机组反复的进行功率爬坡，会极大程度的损害柴油发电机与其他设备的使用寿命，对运行过程中船舶性能的发挥与经济效益都是不利的。
[0003]在保证船舶电网稳定工作的基础上尽可能的使用太阳能与蓄电池组电能，需要对船舶进行高效可靠的能量管理，需要解决在能量调度中处于约束条件下的大规模、非线性优化问题。船舶能量管理系统的核心是能量管理策略，能量管理策略的目标是在船舶安全运行的前提下综合考虑船舶实际航行状态、储能系统荷电状态以及各发电单元的最优化功率，从而进行能量流的合理分配，以满足混合动力系统的输出与船舶的期望响应相一致。而在制定可行且高效的船舶能量管理策略前必须要解决的就是船舶电力负荷预测的问题，高精度的负荷预测可以预知下一时刻的电力负荷值，在设备提出能量需求时，提前通过能量管理策略对各能量源出力情况进行优化，提高多能源电力推进船舶能量供给的主动性。
[0004]现阶段针对电力推进船舶负荷预测与能量管理结合控制的研究较少，传统的电力负荷预测技术，在面对电力推进船舶跨海域执行任务，海洋气候情况的改变与航行状态的切换导致船舶电力负荷不断变化时，预测精度较低。并且由于国家节能环保等政策的不断推出，部分港口城市周边的污染气体排放限值也更加严格，因此，传统的船舶能量管理控制方式需根据船舶具体航行状态与离港距离，调整燃油消耗与污染气体的排放，提升船舶运行的环保性与经济性。

技术实现思路

[0005]本专利技术提供了一种电力推进船舶电力负荷预测管理方法，以解决现有技术中电力负荷预测精度低、环保性低、经济性低的问题。
[0006]本专利技术提供了一种电力推进船舶电力负荷预测管理方法，包括如下步骤：
[0007]步骤1：获取船舶历史电力负荷数据，并提取历史电力负荷数据的负荷特征；
[0008]步骤2：构建RBF神经网络模型，通过缎蓝园丁鸟算法对RBF神经网络模型的超参数进行优化；
[0009]步骤3：将所述步骤1获得的负荷特征作为优化后的RBF神经网络模型的输入量，船舶工况状态作为优化后的RBF神经网络模型的输出量对优化后的RBF神经网络模型进行训练，得到训练后的船舶工况状态分类器；
[0010]步骤4：通过船舶工况状态分类器获取船舶实时电力负荷数据对应的实时船舶工况状态；
[0011]步骤5：根据实时船舶工况状态选择对应的预测方法进行下一时刻电力负荷预测；
[0012]步骤6：根据电力负荷预测结果对船舶供电设备进行实时管理控制。
[0013]进一步地，所述步骤1中，通过小波分解算法提取船舶历史电力负荷数据的负荷特征。
[0014]进一步地，小波分解算法对船舶历史电力负荷数据进行三层小波分解，将三级低频分量作为负荷特征。
[0015]进一步地，所述步骤2中，先对缎蓝园丁鸟算法进行优化，再通过优化后的缎蓝园丁鸟算法对RBF神经网络模型的超参数进行优化。
[0016]进一步地，所述缎蓝园丁鸟算法的优化包括：对缎蓝园丁鸟算法的位置更新机制进行优化，具体为：
[0017][0018]式中，是第t代迭代中第i个求偶亭的第k维分量的速度，是第t
‑
1代迭代中第i个求偶亭的第k维速度分量，ω是惯性权重系数，c1、c1是加速常数，r1、r1为[0，1]区间内的常数，第t
‑
1代迭代中第i个求偶亭的第k维位置分量，为第i个求偶亭截止第t
‑
1代迭代过程中所找到过的历史最优求偶亭的第k维位置分量，为种群中全部求偶亭截止第t
‑
1代迭代过程中所找到过的历史最优求偶亭的第k维位置分量；
[0019]优化后的位置更新操作为：
[0020][0021]式中，λ
k
为步长因子。
[0022]进一步地，所述缎蓝园丁鸟算法的优化包括：对缎蓝园丁鸟算法的动态化变异概率进行优化，具体为：
[0023][0024]式中，p
mutation
为动态化变异概率，p
min
为动态变异概率最小值，p
max
为动态变异概率最大值，Curcount为当前迭代次数，Loopcount为算法迭代总次数。
[0025]进一步地，所述步骤4中，船舶工况状态分类器输出的船舶工况状态包括：装卸货或停泊状态、进出港状态、航行状态；
[0026]所述步骤5中，当船舶工况状态为装卸货或停泊状态时，使用缎蓝园丁鸟算法化后的最小二乘支持向量机算法进行下一时刻电力负荷预测；
[0027]当船舶工况状态为航行状态时，使用马尔科夫链预测算法进行下一时刻电力负荷预测。
[0028]进一步地，所述步骤5中，进出港状态还包括：正常进出港状态、非正常进出港状态；
[0029]当船舶工况状态为正常进出港状态时，使用马尔科夫链预测算法进行下一时刻电
力负荷预测；
[0030]当船舶工况状态为非正常进出港状态时，使用缎蓝园丁鸟算法化后的最小二乘支持向量机算法进行下一时刻电力负荷预测。
[0031]本专利技术的有益效果：
[0032]本专利技术根据不同航行状态采用不同的预测算法进行预测，相较于传统的单一模型预测方式，本专利技术的负荷预测方法更为精确，且在此基础上对船舶能量管理策略所实施的优化控制，能够进一步提升船舶航行过程中的经济效益与环保效益。
[0033]本专利技术利用小波分解提取负荷特征的方法能够对船舶电力系统运行数据进行降维，仅将与航行状态具有强相关性的特征数据作为基于RBF神经网络模型的航行状态分类器的输入量，能够有效减小其运算负担。
[0034]本专利技术使用优化后的缎蓝园丁鸟算法对RBF神经网络模型的超参数进行优化，能够提高神经网络模型的分类能力，从而更准确地识别船舶所处于的航行状态类型。
[0035]本专利技术对缎蓝园丁鸟算法的优化行为，能够提高算法候选在解空间中的搜索能力，进一步加快优化后的缎蓝园丁鸟算法对RBF神经网络的超参数的优化能力。
[0036]本专利技术对船舶航行状态的分类，有助于为具有不同负荷波动特性的航行状态，匹配具有适宜特性的负荷预测方法，从而提高最终预测结果的精度。
附图说明
[0037]通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：
[0038]图1是本专利技术具体实施例中能量管理架构的控制过程示意图。
具体实施方式<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力推进船舶电力负荷预测管理方法，其特征在于，包括如下步骤：步骤1：获取船舶历史电力负荷数据，并提取历史电力负荷数据的负荷特征；步骤2：构建RBF神经网络模型，通过缎蓝园丁鸟算法对RBF神经网络模型的超参数进行优化；步骤3：将所述步骤1获得的负荷特征作为优化后的RBF神经网络模型的输入量，船舶工况状态作为优化后的RBF神经网络模型的输出量对优化后的RBF神经网络模型进行训练，得到训练后的船舶工况状态分类器；步骤4：通过船舶工况状态分类器获取船舶实时电力负荷数据对应的实时船舶工况状态；步骤5：根据实时船舶工况状态选择对应的预测方法进行下一时刻电力负荷预测；步骤6：根据电力负荷预测结果对船舶供电设备进行实时管理控制。2.如权利要求1所述的电力推进船舶电力负荷预测管理方法，其特征在于，所述步骤1中，通过小波分解算法提取船舶历史电力负荷数据的负荷特征。3.如权利要求2所述的电力推进船舶电力负荷预测管理方法，其特征在于，小波分解算法对船舶历史电力负荷数据进行三层小波分解，将三级低频分量作为负荷特征。4.如权利要求1所述的电力推进船舶电力负荷预测管理方法，其特征在于，所述步骤2中，先对缎蓝园丁鸟算法进行优化，再通过优化后的缎蓝园丁鸟算法对RBF神经网络模型的超参数进行优化。5.如权利要求4所述的电力推进船舶电力负荷预测管理方法，其特征在于，所述缎蓝园丁鸟算法的优化包括：对缎蓝园丁鸟算法的位置更新机制进行优化，具体为：式中，是第t代迭代中第i个求偶亭的第k维分量的速度，是第t
‑
1代迭代中第i个求偶亭的第k维速度分量，ω是惯性权重系数，c1、c1是加速常数，r1、r1为[0,1]区间内的常数，第t
‑

【专利技术属性】
技术研发人员：戴晓强，赵杨，舒方舟，刘维亭，管义锋，韦泽仁，
申请(专利权)人：舟山市江科船舶与海洋工程装备研发中心，
类型：发明
国别省市：