本发明涉及铺排船智能化管理，具体为铺排船pms功率管理系统。
背景技术：
1、铺排船是一种在建筑或维修大型结构物时使用的船只，通常设计为平板船，可以承载大量的混凝土或其他建筑材料，再将其卸载到附近的工作区域。铺排船可以是单体设计，也可以是模块化设计，以便于组成更大的工作平台，满足不同的需求。此外，铺排船通常具有高度可调节的甲板，这使得能够在不同类型的水域和环境条件下操作；pms是铺排船动力管理系统的一种，主要对铺排船的动力系统进行集中监控和智能优化，以达到节能减排、提高动力系统可靠性的目的。
2、在现有技术中，铺排船pms动力管理系统是非常复杂的，在使用的过程中偶尔会发生错误，从而导致船舶无法正常运行，或者在运行过程中产生不良影响。
3、因此，不满足现有的需求，对此我们提出了铺排船pms功率管理系统。
技术实现思路
1、本发明的目的在于提供铺排船pms功率管理系统，通过采用神经网络模型对铺排船动力系统中各项历史数据进行训练与测试，得到一个能够对动力系统运行状态进行预测的模型；进而将其嵌入至pms功率管理系统中，使其对铺排船动力系统的各项数据进行实时监控和预测，从而得到动力系统中各项能耗和功率的预测结果，以此帮助船舶操作员更好地管理船舶的动力系统；同时根据预测结果对动力系统的各项能耗和功率进行调整，由此实现对铺排船进行智能化监测，达到优化能源管理，节能减排，降低运行成本，提高铺排船运行安全的目的，解决了上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、铺排船pms功率管理系统，包括：
4、数据收集单元，通过pms功率管理系统对铺排船的动力系统进行检测和测试，并收集动力系统中发动机数据、发电机数据、辅机数据以及能耗数据、环境数据、故障报警数据和维护保养数据，作为数据样本；
5、目标明确单元，根据铺排船的使用要求、规定标准和环保要求，确定动力系统的目标工况，目标工况包括：怠速点、经济点以及最大连续工作时间，作为后续管理的依据；
6、模型组建单元，根据动力系统中的多项数据和目标工况建立神经网络模型，利用神经网络模型从动力系统的多项数据中提取出特征信息，并描述动力系统在不同工况下的运行特性；
7、模型实践单元，将神经网络模型嵌入在pms功率管理系统中，利用神经网络模型在铺排船运行中，对动力系统中的各项能耗和功率进行实时预测；
8、功率管理单元，在神经网络模型输出的预测能耗与实际能耗之间存在差异时，则立即采取功率管理行动；并将各管理方案进行汇总存储，形成策略库。
9、进一步的，所述数据收集单元，包括：
10、数据处理模块，对发动机数据、发电机数据、辅机数据以及能耗数据、环境数据、故障报警数据和维护保养数据进行清洗处理、数据源融合以及去噪处理；
11、数据划分模块，通过七分法则将处理后的各项数据划分为训练集和测试集，训练集训练神经网络模型，测试集评估神经网络模型性能。
12、进一步的，所述模型组建单元，包括：
13、模型构建模块，定义输入层、隐藏层、输出层以及激活函数和损失函数，输入层输入数据样本，隐藏层对数据样本进行分析，并提取数据样本中的特征信息，输出层输出预测结果，激活函数和损失函数防止神经网络模型出现过度拟合现象；
14、模型训练模块，将处理后的数据样本依次导入神经网络模型中进行训练与测试，模拟铺排船的动力系统在不同工况下的预测结果；并将预测结果与实际结果进行比对，验证神经网络模型的性能；
15、模型优化模块，整理铺排船动力系统中新的各项数据，并纳入神经网络模型中进行优化更新。
16、进一步的，所述模型优化模块，包括：
17、划分模块，确定铺排船动力系统中新的各项数据的数据量，基于数据聚集情况将数据全局分布划分为多个局部分布组，并确定新的各项数据在局部分布组的分布比例；
18、数据量确定模块，基于新的各项数据在局部分布组的分布比例，以及历史数据在局部分布组的分布比例，结合新的各项数据的数据量，根据如下公式确定参与优化的历史数据的历史数据量；
19、
20、其中，h表示参与优化的历史数据的历史数据量，n表示新的各项数据的数据量，n表示局部分布组的数量， ki表示新的各项数据在第i个局部分布组的比例， li表示历史数据在第i个局部分布组的比例，δd表示预设差异比例，τi表示第i个局部分布组的影响权重， c表示自定义常数。
21、进一步的，所述模型优化模块，还包括：
22、层级数量确定模块，确定神经网络模型的层级数量，基于新的各项数据与历史各项数据的数据差异信息，根据如下公式确定层级的优化数量；
23、
24、其中，s表示层级的优化数量， r表示神经网络模型的层级数量，m表示各项数据的项数，δej表示第i项新数据与历史数据的数据差异值，βj表示第i项新数据的影响权重,表示平均参考总差异；
25、优化模块，基于从历史数据中随机选取历史数据量的历史参与数据，将历史参与数据与新的各项数据组成新的优化数据组，从神经网络模型获取按照从顶层向下的次序的优化数量的待优化层，基于优化数据组对待优化层进行优化，实现对神经网络模型的优化更新。
26、进一步的，所述模型实践单元，包括：
27、模型集成模块，将验证通过的神经网络模型嵌入铺排船pms功率管理系统中，利用神经网络模型在铺排船运行中实时进行预测能耗和功率；
28、实时处理模块，将动力系统的各项数据实时传输至铺排船pms功率管理系统中，通过神经网络模型对实时动力数据进行分析预测，得到动力系统中各项能耗和功率的预测结果。
29、进一步的，所述模型实践单元，还包括：
30、异常报警模块，在神经网络模型预测到某种异常情况时，使pms功率管理系统立即向船舶操作员所持有的终端发出警报，并提供相应的建议。
31、进一步的，所述功率管理单元，包括：
32、策略存储模块，将每次的实际能耗、预测能耗以及所选择的策略信息进行记录，形成策略库，并定期更新和优化策略库中的策略；
33、自动管理模块，根据预测能耗与实际能耗之间的差异，以及当前的船舶运行状态，从预先定义好的策略库中选择合适的策略进行执行，并将调整结果实时反馈至船舶操作员所持有的终端。
34、进一步的，所述策略存储模块，定期更新和优化策略库中的策略包括:
35、获取策略库对于铺排船pms功率管理的历史管理数据，以及获取关于铺排船pms功率管理的新增变化数据；
36、基于所述历史管理数据确定当前策略对当前铺排船情况的功率管理效果，并确定功率管理效果不满足预设效果的第一当前策略及其对应的功率管理情况；
37、获取所述新增变化数据的属性关键词，获取策略库中关于属性的相关关键词，将所述属性关键词和相关关键词进行匹配，根据匹配结果从策略库中调取匹配度大于预设匹配度的第二当前策略；
38、基于第一当前策略的全部功率管理情况与目标管理效果之间的差异建立差异序列，基于全部功率管理情况建立差异序列对应的功率数值管理序列，将差异序列与功率数值管理序列进行匹配，根据序列匹配结果确定差异与功率数值之间的对应关系；
39、基于所述对应关系对功率数值下的第一当前策略进行优化的第一优化策略；
40、将新增变化数据的变化幅度输入神经网络模型中得到对应的功率预测结果，并基于功率预测结果与标准功率结果之间的差异，确定第二当前策略的优化值得到第二优化策略；
41、获取第一优化策略在铺排船pms功率管理的第一分布，以及第二优化策略在铺排船pms功率管理的第二分布，基于第一分布和第二分布之间的分布关联特征，对所述第一优化策略和第二优化策略进行整合验证调整，得到目标优化策略；
42、基于目标优化策略对策略库中的第一当前策略和第二当前策略进行更新。
43、进一步的，所述数据收集单元，还包括：
44、数据存储模块，将处理好的各项数据存储到数据库中，并采用向图结构进行展示；
45、数据更新模块，定期更新实时收集的发动机数据、发电机数据、辅机数据以及能耗数据、环境数据、故障报警数据和维护保养数据。
46、与现有技术相比，本发明的有益效果是：
47、本发明通过采用神经网络模型对铺排船动力系统中各项历史数据进行训练与测试，得到一个能够对动力系统运行状态进行预测的模型；进而将其嵌入至pms功率管理系统中，使其对铺排船动力系统的各项数据进行实时监控和预测，从而得到动力系统中各项能耗和功率的预测结果，以此帮助船舶操作员更好地管理船舶的动力系统；同时根据预测结果对动力系统的各项能耗和功率进行调整，由此实现对铺排船进行智能化监测，达到优化能源管理，节能减排，降低运行成本，提高铺排船运行安全的目的。