一种混合动力船舶负载功率预测方法与流程

本发明涉及混合动力船舶技术领域，具体涉及一种混合动力船舶负载功率预测方法。

背景技术：

随着电力推进船舶以及混合动力船舶的不断发展，对其电力系统的要求也越来越高。混合动力船舶负载功率短期预测是其电力系统能量优化管理和各动力源之间最佳负载功率分配的重要基础。特别是具有周期性作业的船舶，如轮渡、港作拖轮和水上巴士等，它们单个工作周期之间的负载功率具有相似的内在特性。充分了解和掌握这些内在特性，取得较高的负载功率预测精度将在很大程度上影响船舶运行的安全性、稳定性和经济性。

周期性作业的混合动力船舶单个周期内的运行工况变化较为复杂，影响其负载功率波动的因素众多。通过对混合动力船舶负载功率时间序列进行相空间重构，以及求取最大Lyapunov指数，确定其为混沌时间序列。

目前，船舶电力负荷预测方法多为支持向量机方法、混沌局部预测方法和神经网络方法等，这些都是比较传统的时间序列预测方法，它们都存在原始数据要求量大、训练速度慢和处理复杂系统非线性关系难度大等不足，而且大多数传统的混沌时间序列预测是建立在相空间重构基础上的，尽管相空间重构方法众多，但实现起来都比较繁琐、效率低。

技术实现要素：

本发明的目的在于提供一种混合动力船舶负载功率预测方法，采用基于多分辨率小波神经网络的混沌时间序列短期预测方法，实现对周期性作业的混合动力船舶单个工作周期负载功率预测，且预测过程简单，效率高，为混合动力船舶电力线系统能量优化管理和各动力源之间最佳负载功率分配奠定基础。

为了达到上述目的，本发明通过以下技术方案实现：

一种混合动力船舶负载功率预测方法，其包含以下步骤：

S1、采集混合动力船舶负载功率数据，得到待预测周期前n个周期的负载功率，并对采集到的负载功率混沌时间序列进行归一化处理，构造成多分辨率小波神经网络预测模型的多维输入向量，并存入数据库中作为训练样本；

S2、选择小波函数和尺度函数共同作为网络隐含层节点中的激励函数；

S3、根据训练样本以及激励函数建立多分辨率小波神经网络预测模型；

S4、对待预测周期前n个周期的混合动力船舶负载功率混沌时间序列进行训练；

S5、预测输出反归一化处理得到待预测周期，即第n+1个周期的负载功率序列。

所述的混合动力船舶负载功率预测方法，其中，所述的步骤S2中：

所述小波函数和尺度函数选用正交基函数。

所述的混合动力船舶负载功率预测方法，其中，所述的步骤S3中：

根据公式i＝1,2,…,N-m建立预测模型，式中，ψ_j,k(X_i)和φ_J,k(X_i)分别是小波函数和尺度函数，N为样本个数，m为输入维数，J为任意设定的尺度，预测值是由最大尺度J对应的尺度函数和细分不同尺度(2^j,j＝1,2,…,J)对应的小波函数组成的神经网络。

所述的混合动力船舶负载功率预测方法，其中，所述的步骤S4具体包含：

S41、进行网络配置，输入节点个数、学习概率、误差ε和迭代次数；权值初始化、节点初始化和权值学习增量初始化；

S42、计算网络预测输出f_J(x)；

S43、计算误差E：

式中，N为样本总数，为预测值，f(n)为实际值，X_n为第n个样本值；

S44、修正网络权值ω_j；

S45、增加小波节点，继续计算；

S46、判断是否满足误差函数绝对值小于预先设定的误差ε的终止条件，若满足，网络训练结束，执行步骤S5输出预测结果；若不满足，返回执行步骤S42。

本发明与现有技术相比具有以下优点：基于多分辨率小波神经网络的混合动力船舶负载功率预测方法对周期序列的整体预测具有较高的精度，特别是在信号突变时，多分辨率小波神经网络可增加分辨尺度来提高逼近精度，满足实际中混合动力船舶复杂的工况变化需求；该方法对原始数据的要求量小，结构设计清晰，能满足在线训练、实时预测的需要，具有较大的工程应用开发潜力。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例中所建立的多分辨率小波神经网络结构图；

图3为本发明实施例中所建立的预测模型结构图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

本实施例中，硬件采用混合动力船舶所配备的数据采集计算机，软件采用数据采集计算机中安装的Matlab软件，下文步骤S1通过数据采集计算机完成，步骤S2～S5通过Matlab软件实现。

图1是本发明所提出的基于多分辨率小波神经网络的混合动力船舶负载功率预测方法的流程图，具体包括以下步骤：

S1、数据采集与处理；通过混合动力船舶所配备的数据采集计算机采集船舶运行待预测周期前n个周期的负载功率时间序列，采样周期为T，采样间隔为Δt，并将采集到的混合动力船舶负载功率混沌时间序列进行归一化处理，构造成多分辨率小波神经网络预测模型的多维输入向量X(i)＝(x(i),x(i+1),…,x(i+m-1))，其中m为输入维数，将预测模型输出值定义为y(i)＝x(i+m)，得到一组网络训练时序对(X(i),y(i))(i＝1,2,…,N-m)(N为样本个数)，将X(i)构造成四维数据，存入数据库中作为训练样本；

具体的，上述提到的归一化方法采用离差标准化方法，使各个点的压力值映射到0-1之间，转换关系如下：

其中，P_i为第i个负载功率样本，P_max为样本数据的最大值，P_min为样本数据的最小值，P^*为归一化后的负载功率序列；

S2、选择合适的小波函数和尺度函数共同作为网络隐含层节点中的激励函数；图2是本发明所建立的多层多分辨率小波神经网络结构图，其中x₁,x₂,…,x_m为输入负载功率序列，a_k,b_k(k为小波基个数)为小波函数的伸缩和平移参数，ω_k为隐含层到输出层之间的网络权值，通过调节小波函数的伸缩、平移参数和网络权值来逼近时间序列，本步骤的效果是首先从较大尺度上逼近时间序列的整体轮廓，然后根据负载功率波动的大小，在不同尺度上逐层加入细节逼近，提高预测精度。

优选的，小波函数和尺度函数应选用一个合适的正交基。本实施例中，小波函数与尺度函数均选取Meyer小波。Meyer小波具有良好的时域和频域局部特性，任意阶正则性，n阶连续可导(n为整数)，并且具有较快的时域收敛速度。

S3、根据训练样本以及激励函数建立多分辨率小波神经网络预测模型；图3是本实施例中所建立的预测模型结构图，其中X(i)为输入的训练样本，为预测值，隐含层单元激励函数根据投影空间不同分别采用φ_J和ψ_J，输入层节点和隐含层节点之间连接权分别是2和2^J，即多分辨分析中的细化尺度，在网络学习过程中保持不变。按下式建立预测模型：

式中，ψ_j,k(X_i)和φ_J,k(X_i)分别是步骤S2中选择的小波函数和尺度函数，J为任意设定的尺度，本实施例中，最大尺度取J＝4；以最大尺度J为界限，J以下各尺度作为细化特征近似，预测值是由尺度J对应的尺度函数和细分不同尺度(2^j,j＝1,2,…,J)对应的小波函数组成的神经网络。

S4、对网络进行训练，即对待预测周期前n个周期的混合动力船舶负载功率混沌时间序列进行训练，此步骤通过Matlab软件编程实现，其具体包含以下步骤：

S41、首先进行网络配置，输入节点个数为2、学习概率为0.01、误差ε为0.001和迭代次数为100；权值初始化、节点初始化和权值学习增量初始化；

S42、计算网络预测输出f_J(x)；

S43、计算误差E，

其中N为样本总数，为预测值，f(n)为实际值，X_n为第n个样本值；

S44、修正网络权值ω_j；

S45、增加小波节点，继续计算；

S46、判断是否满足终止条件，即误差函数绝对值小于预先设定的误差ε，若满足，网络训练结束，执行步骤S5输出预测结果；若不满足，返回S42；

S5、预测结果输出，预测输出反归一化处理得到待预测周期，即第n+1个周期的负载功率序列。

上述基于多分辨率小波神经网络的混合动力船舶负载功率预测方法对周期序列的整体预测具有较高的精度，特别是在信号突变时，多分辨率小波神经网络可增加分辨尺度来提高逼近精度，满足实际中混合动力船舶复杂的工况变化需求；且本方法对原始数据的要求量小，结构设计清晰，能满足在线训练、实时预测的需要，具有较大的工程应用开发潜力。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。