[發明專利]一種基于船舶傳感網的船舶油耗數據預測方法

有效

• 申請號: 201910955446.2
• 申請日: 2019-10-09
• 公開（公告）號: CN110705797B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 江有福;顧沈明;董良雄
• 申請（專利權）人: 浙江海洋大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/084;G06N3/02
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

1.一種基于船舶傳感網的船舶油耗數據預測方法，其特征在于，包括以下步驟：

步驟s1：在船舶上安裝船舶自動識別系統和油位傳感器，采集船舶航行靜態數據、動態數據和油耗數據；

步驟s2：將船舶航行動態數據和油耗數據作為有效樣本數據，進行第一次神經網絡模型訓練；

步驟s3：結合神經網絡模型和油耗數據，設定油耗閾值，若實際油耗超過油耗閾值，則判斷船舶油耗異常，反之，則重復本步驟；

步驟s4：結合油耗數據和油耗異常數據，進行第二次神經網絡模型訓練，對船舶航行油耗進行有效預測；

將步驟s2的第一個神經網絡模型和步驟s4的第二個神經網絡模型結合，若兩個神經網絡模型存在差異，則取兩個值的平均值作為新的值，創建新的神經網絡模型，根據新的神經網絡模型預測航行油耗數據；

所述步驟s4中，在進行第二次神經網絡模型訓練前，對油耗異常數據進行數據修復或剔除，比較油耗異常數據和第一次神經網絡的輸出值油耗預測值大小，若油耗異常數據大于第一次神經網絡的輸出值油耗預測值，則將該數據進行剔除，否則對該油耗異常數據進行修復；

對油耗異常數據進行修復時，其修復方法為：判斷異常數據相鄰數據是否為正常數據，若相鄰數據為正常數據，則將異常數據用相鄰數據的均值代替；若相鄰數據存在異常數據，則判斷下一相鄰數據，直到相鄰數據為正常數據，取前后正常數據的平方差值作為中間異常數據的值，其后取該平方差值與前后正常數據的均值作為其他異常數據的值。

2.根據權利要求1所述的一種基于船舶傳感網的船舶油耗數據預測方法，其特征在于，所述步驟s1中，采集的船舶航行動態數據包括天氣、氣壓、溫度、風級和浪級，對天氣、氣壓、溫度、風級和浪級進行等級分級，結合油耗數據建立船舶油耗二維決策表，根據船舶油耗二維決策表計算影響船舶油耗的因素重要程度。

3.根據權利要求1或2所述的一種基于船舶傳感網的船舶油耗數據預測方法，其特征在于，所述船舶航行動態數據的采集方法包括以下步驟：

A）采集并上傳船舶航行動態信息和船舶每日的油耗量；

B）根據影響船舶油耗的因素重要程度進行船舶耗油量關聯度計算；

C）設定油耗關聯度閾值，剔除低于油耗關聯度閾值的航行動態信息，將剩余的航行動態信息作為后續船舶航行動態數據采集。

4.根據權利要求1所述的一種基于船舶傳感網的船舶油耗數據預測方法，其特征在于，所述步驟s2中，采樣s型激勵函數的BP神經網絡進行第一次神經網絡模型訓練，用BP神經網絡進行第一次神經網絡模型訓練時執行以下步驟：

a）輸入有效樣本數據和目標輸出值；

b）設定隱含層數目和輸出層數目；

c）計算目標值以及偏移量Y，判斷Y是否在允許范圍內，若在允許范圍內，則訓練結束，輸出權值和油耗預測值；否則計算隱含層誤差值，根據梯度下降法，進行權值更新，重復本步驟。

5.根據權利要求3所述的一種基于船舶傳感網的船舶油耗數據預測方法，其特征在于，所述步驟B）中的關聯度計算采用灰色關聯度算法，采用灰色關聯度算法計算關聯度時執行以下步驟：

A1）通過初值化法對影響船舶油耗的因素重要程度數據進行無量綱化處理；

B1）將處理后的數據進行歸一化處理；

C1）將歸一化后的數據進行差值運算；

D1）根據差值計算關聯系數。

6.根據權利要求1所述的一種基于船舶傳感網的船舶油耗數據預測方法，其特征在于，所述步驟s4中，采用Hopfield人工神經網絡進行第二次神經網絡模型訓練，Hopfield人工神經網絡進行第二次神經網絡模型訓練時執行以下步驟：

步驟s41：搭建神經網絡模型；

步驟s42：計算能量函數；

步驟s43：設定神經網絡輸入層、隱含層和輸出層數目，設定神經網絡迭代上限；

步驟s44：根據能量函數進行神經網絡迭代訓練，若達到迭代上限或者已經找到全局收斂最小值，則輸出收斂系數和油耗預測走勢圖，否則，重復本步驟。