本发明涉及船舶运输领域，特别涉及一种基于低秩表示的船舶能耗预测与状态估计方法。
背景技术：
：近年来，生态环境保护的严峻性和必要性，促使了对能源，特别是化石能源的利用和消耗的研究。在各个领域，都急需对能源利用与消耗进行有效的预测与估计。在船舶能耗方面，对能源消耗的预测与船舶状态的估计的研究依然处于起步状态。目前，在相关行业的能耗与状态模型的相关研究上，主要采取的技术有：1、基于人工神经网络的建模技术。这种技术通过构建人工神经网络，拟合出系统的模型，从而对状态进行估计，预测能源消耗趋势。2、基于知识融合的决策系统技术。该方法主要通过决策系统策略，对船舶能耗的模型进行评价和决策支持，最终实现能耗预测与估计。在船舶能耗评估研究中，通过分析各个影响能耗的状态因素，建立状态与能耗的数学模型，以对其进行进一步的分析与预估，是一种可行的方法。技术实现要素：本发明的目的在于克服现有技术的缺点与不足以及在船舶能耗方面研究的空白，提供一种基于低秩表示的船舶能耗预测与状态估计方法，该方法利用信号处理技术和低秩矩阵恢复方法对船舶的能耗与状态进行建模，并实现预测与估计。本发明的目的通过以下的技术方案实现：一种基于低秩表示的船舶能耗预测与状态估计方法，包含以下步骤：对已有的船舶运行的状态及能耗的数据集进行处理，建立船舶运行状态的特征表示，通过各个特征表示构建待恢复的低秩矩阵，将船舶能耗预测与状态估计问题转化为低秩矩阵恢复问题，并使用凸优化技术解决低秩矩阵恢复问题，最终实现船舶能耗预测与状态估计。所述基于低秩表示的船舶能耗预测与状态估计方法，具体包含以下步骤：步骤1，从已有的船舶运行的状态及能耗的数据集中，读取船舶运行数据与相关技术参数；步骤2，建立特征表示：对已有的读取到的数据进行处理，将每一条船舶技术参数与运行状态和能耗特征化，使它们构成一个特征集；步骤3，建立特征矩阵：将上一步所得的特征向量化，并将所有特征向量依次作为矩阵的一列从而建立特征矩阵；步骤4，建立低秩表示模型：将含有未知状态与待估计能耗的特征向量输入到特征矩阵中，使用低秩矩阵模型对含有未知数据的新特征矩阵建模；步骤5，使用凸优化技术对矩阵进行恢复与重建，得到未知的状态与能耗的估计。所述步骤2，具体为：按照预先设定的规则，对读取到的有用的数据进行处理，得到特征。首先应该读取已有的数据库中，对船舶本身技术参数与运行状态的记录，主要读取影响船舶能源消耗的技术参数，包括船舶动力装置情况，船体情况，以及船速水速等条件及状态，以及在这些状态下的能耗情况；对能耗进行标准化处理，将耗能等级量化为一至五级，或者根据需要更加细分；将每个能耗对应的船舶参数及状态记录与该能耗等级一起，形成一个特征，所有这些记录就形成一个初步的特征集。所述步骤3具体为：对步骤2的特征集中的每个特征进行标准化归一化处理，并将每一个特征拉直成一个列向量；将这些特征列向量排列起来，构成一个特征矩阵。所述步骤4具体为：对于某些状态参数或能耗已知，而部分参数或者能耗未知的待评估任务，将其按步骤2和3的规则形成特征向量，未知参数以0表示，输入到特征矩阵中，作为新的特征矩阵的一列；使用低秩表示对该矩阵进行建模，将新的特征矩阵表示成由低秩矩阵和稀疏误差矩阵的叠加。所述步骤5具体为：利用凸优化技术恢复和重建步骤4的矩阵中未知或错误的元素，得到待评估的船舶状态或能耗预测。本发明与现有技术相比，具有如下优点和有益效果：本发明使用低秩表示的模型对船舶状态与能耗评估的任务建模，与传统方法相比，具有更高的鲁棒性与准确性。附图说明图1为本发明所述一种基于低秩表示的船舶能耗预测与状态估计方法的流程图。具体实施方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。如图1，一种基于低秩表示的船舶能耗预测与状态估计方法，包含以下步骤：具体步骤如下：步骤1，从已有的数据集中，读取有的船舶运行数据与相关技术参数；步骤2，建立特征表示。对已有的读取到的数据进行处理，将每一条船舶技术参数与运行状态和能耗特征化，使它们构成一个特征集；步骤3，建立特征矩阵。将上一步所得的特征向量化，并将所有特征向量依次作为矩阵的一列从而建立特征矩阵；步骤4，建立低秩表示模型。将含有未知状态与待估计能耗的特征向量输入到特征矩阵中，使用低秩矩阵模型对含有未知数据的新特征矩阵建模。步骤5，使用凸优化技术对矩阵进行恢复与重建，得到未知的状态与能耗的估计。上述步骤2中，按照预先设定的规则，对读取到的有用的数据进行处理，得到特征。在该步骤中，首先应该读取已有的数据库中，对船舶本身技术参数与运行状态的记录。主要读取影响船舶能源消耗的技术参数，包括船舶动力装置情况，船体情况，以及船速水速等条件及状态，以及在这些状态下的能耗情况。将这些参数归一化，使得所以数据都属于[0,1]。对能耗进行标准化处理，将耗能等级量化为一至五级，同样归一化到[0,1],使用{0.2,0.4,0.6,0.8,1.0}五个量化数据进行标记，越小表示能耗等级越低，能耗越少。将每个能耗对应的船舶参数及状态记录与该能耗等级一起，形成一个特征，所有这些记录就形成一个初步的特征集。在上述步骤3中，对步骤2的特征集中的每个特征进行标准化归一化处理，并将每一个特征拉直成一个m维列向量将这些特征列向量排列起来，假设有k个，就构成一个特征矩阵D＝[v1|...|vk]。在上述步骤4中，对于某些状态参数或能耗已知，而部分参数或者能耗未知的待评估任务，将其按步骤2和3的规则形成特征向量，未知参数以0表示，输入到特征矩阵中，作为新的特征矩阵的一列。假设最终有n个特征向量构成特征矩阵D＝[v1|...|vn]。使用低秩表示对该矩阵进行建模，将新的特征矩阵表示成由低秩矩阵和稀疏误差矩阵的叠加：其中，A是待恢复的低秩矩阵，E是稀疏误差矩阵。即将特征矩阵D分解成低秩成分与稀疏误差的叠加。利用各个特征向量之间的关联性，可导出A是低秩的。考虑D中，即原始数据中可能有系统误差或者其他不可预测的干扰存在，使用稀疏误差矩阵E对这些干扰建模，进而可将其从D中剔除，得到准确的A。于是，预测评估未知能耗与状态参数的问题，转变为下面的优化问题：minA,E||A||*+λ||E||1,s.t.D=A+E]]>其数学意义在于，求得使矩阵A核范数与矩阵E的L1范数最小的解。在上述步骤5中，利用凸优化技术求解步骤4的优化问题，求得核范数最小的矩阵A，也就近似求得了D的低秩成分，求得L1范数最小的矩阵E，也就近似得到了最稀疏的误差。求解该优化问题后，即重建了矩阵A，原来矩阵D中未知或错误的元素，就可以在A中相应的位置上得到，从而得到待评估的船舶状态或能耗预测。本实施例中可完成对船舶能耗预测与其他状态参数的估计，同时排除了系统稀疏误差的干扰，在实际应用中具有良好的鲁棒性与准确性。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页1 2 3