[發明專利]一種多能源電力推進船舶的電力負荷預測系統與預測方法

在審

• 申請號: 202210812354.0
• 申請日: 2022-07-11
• 公開（公告）號: CN115392340A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 舒方舟;戴曉強;丁建軍;陸震;劉維亭
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04;G06Q50/06;H02J3/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐澍

1.一種多能源電力推進船舶的電力負荷預測系統，其特征在于，包括：負荷信息采集模塊、氣候信息采集模塊、能量管理全局優化策略制定模塊、船舶控制中心顯示設備、無線局域網模塊與大數據云平臺；

所述負荷信息采集模塊、氣候信息采集模塊將多能源電力推進船舶運行時的歷史負荷數據以及行駛過海域的海洋氣候數據通過所述無線局域網模塊傳輸至所述大數據云平臺中；

所述能量管理全局優化策略制定模塊通過所述無線局域網模塊與所述大數據云平臺連接，用于為多能源電力推進船舶制定未來航行過程中每小時航行任務以及該航行任務下的平均航速；

所述大數據云平臺與所述無線局域網模塊相連，用于接收通過無線局域網上傳的數據信息，完成訓練樣本集的構建與預測模型的回歸建模，最終輸出待預測時刻電力負荷預測值。

2.如權利要求1所述的多能源電力推進船舶的電力負荷預測系統，其特征在于，所述大數據云平臺包括：數據存儲與云數據庫交匯模塊、訓練樣本集構建模塊、數據處理模塊與負荷預測模型建立模塊。

所述數據存儲與云數據庫交匯模塊將接收的船舶數據進行存儲并上傳至云數據中；

所述訓練樣本集構建模塊對接收到的船舶數據進行選取，選擇影響電力負荷預測結果的參數在每小時下的平均值與能量管理全局優化策略制定的每小時平均航速作為特征向量構建訓練樣本集；

所述數據處理模塊以歐式距離作為評判標準，將相似航行場景下的每小時平均電力負荷值加入特征向量中，完成對整個訓練樣本集特征向量的維數擴充；

所述負荷預測模型建立模塊通過維數擴充后的訓練樣本集構建負荷預測模型。

3.一種多能源電力推進船舶的電力負荷預測系統的預測方法，適用于如權利要求1或2所述的多能源電力推進船舶的電力負荷預測系統，其特征在于，所述多能源電力推進船舶的電力負荷預測系統的預測方法，包括如下步驟：

步驟1：以最低成本為目的獲取船舶當前總航程中各小時的平均航速；

步驟2：通過船舶航行的歷史數據構建訓練樣本集的數據集，數據集包括：

對電力負荷預測結果有影響的每小時電力負荷值、對電力負荷預測結果有影響的每小時各氣候信息數據，以及每小時的平均航速；

步驟3：對數據集中的每個特征向量進行維度擴充，具體為：通過歐式距離獲取與當前特征向量相似的若干特征向量的輸出值，將若干個輸出值加入至當前特征向量中對當前特征向量的維度進行擴充；

步驟4：對維度擴充后的數據集進行預處理；

步驟5：對預處理后的數據集進行聚類分析，獲得若干類的數據集；

步驟6：對若干類的數據集逐類通過改進的最小二乘支持向量機算法進行模型訓練，獲得若干個負荷預測模型，其中改進的最小二乘支持向量機算法為：通過具有動態切換概率的蝴蝶算法對最小二乘支持向量機算法進行改進；

步驟7：將下一時刻的氣候信息數據、下一時刻的平均航速、當前時刻的電力負荷值、前一時刻的電力負荷值、前一天中與下一時刻相同時刻所對應的電力負荷值構成特征向量，對特征向量進行維度擴充與預處理；

步驟8：選取與步驟7中獲取的特征向量類型相似度最高的訓練集所對應的負荷預測模型，將特征向量輸入進獲得的負荷預測模型對下一時刻電力負荷值進行預測。

4.如權利要求3所述的多能源電力推進船舶的電力負荷預測系統的預測方法，其特征在于，所述步驟6中，通過具有動態切換概率的蝴蝶算法對最小二乘支持向量機算法中的正則化參數C、標準化參數σ與變種卡方核函數權重系數δ進行優化。

5.如權利要求4所述的多能源電力推進船舶的電力負荷預測系統的預測方法，其特征在于，所述動態切換概率的蝴蝶算法中的動態切換概率的計算公式如下：

其中，p_d為動態變化切換概率，p_max為最大切換概率，b為常數系數，Curcount為當前迭代次數，Loopcount為算法迭代總次數。