本發(fā)明涉及混合動(dòng)力船舶技術(shù)領(lǐng)域，具體涉及一種混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法。

背景技術(shù)：

隨著電力推進(jìn)船舶以及混合動(dòng)力船舶的不斷發(fā)展，對(duì)其電力系統(tǒng)的要求也越來(lái)越高?；旌蟿?dòng)力船舶負(fù)載功率短期預(yù)測(cè)是其電力系統(tǒng)能量?jī)?yōu)化管理和各動(dòng)力源之間最佳負(fù)載功率分配的重要基礎(chǔ)。特別是具有周期性作業(yè)的船舶，如輪渡、港作拖輪和水上巴士等，它們單個(gè)工作周期之間的負(fù)載功率具有相似的內(nèi)在特性。充分了解和掌握這些內(nèi)在特性，取得較高的負(fù)載功率預(yù)測(cè)精度將在很大程度上影響船舶運(yùn)行的安全性、穩(wěn)定性和經(jīng)濟(jì)性。

周期性作業(yè)的混合動(dòng)力船舶單個(gè)周期內(nèi)的運(yùn)行工況變化較為復(fù)雜，影響其負(fù)載功率波動(dòng)的因素眾多。通過(guò)對(duì)混合動(dòng)力船舶負(fù)載功率時(shí)間序列進(jìn)行相空間重構(gòu)，以及求取最大Lyapunov指數(shù)，確定其為混沌時(shí)間序列。

目前，船舶電力負(fù)荷預(yù)測(cè)方法多為支持向量機(jī)方法、混沌局部預(yù)測(cè)方法和神經(jīng)網(wǎng)絡(luò)方法等，這些都是比較傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法，它們都存在原始數(shù)據(jù)要求量大、訓(xùn)練速度慢和處理復(fù)雜系統(tǒng)非線性關(guān)系難度大等不足，而且大多數(shù)傳統(tǒng)的混沌時(shí)間序列預(yù)測(cè)是建立在相空間重構(gòu)基礎(chǔ)上的，盡管相空間重構(gòu)方法眾多，但實(shí)現(xiàn)起來(lái)都比較繁瑣、效率低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法，采用基于多分辨率小波神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列短期預(yù)測(cè)方法，實(shí)現(xiàn)對(duì)周期性作業(yè)的混合動(dòng)力船舶單個(gè)工作周期負(fù)載功率預(yù)測(cè)，且預(yù)測(cè)過(guò)程簡(jiǎn)單，效率高，為混合動(dòng)力船舶電力線系統(tǒng)能量?jī)?yōu)化管理和各動(dòng)力源之間最佳負(fù)載功率分配奠定基礎(chǔ)。

為了達(dá)到上述目的，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

一種混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法，其包含以下步驟：

S1、采集混合動(dòng)力船舶負(fù)載功率數(shù)據(jù)，得到待預(yù)測(cè)周期前n個(gè)周期的負(fù)載功率，并對(duì)采集到的負(fù)載功率混沌時(shí)間序列進(jìn)行歸一化處理，構(gòu)造成多分辨率小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的多維輸入向量，并存入數(shù)據(jù)庫(kù)中作為訓(xùn)練樣本；

S2、選擇小波函數(shù)和尺度函數(shù)共同作為網(wǎng)絡(luò)隱含層節(jié)點(diǎn)中的激勵(lì)函數(shù)；

S3、根據(jù)訓(xùn)練樣本以及激勵(lì)函數(shù)建立多分辨率小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；

S4、對(duì)待預(yù)測(cè)周期前n個(gè)周期的混合動(dòng)力船舶負(fù)載功率混沌時(shí)間序列進(jìn)行訓(xùn)練；

S5、預(yù)測(cè)輸出反歸一化處理得到待預(yù)測(cè)周期，即第n+1個(gè)周期的負(fù)載功率序列。

所述的混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法，其中，所述的步驟S2中：

所述小波函數(shù)和尺度函數(shù)選用正交基函數(shù)。

所述的混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法，其中，所述的步驟S3中：

根據(jù)公式i＝1,2,…,N-m建立預(yù)測(cè)模型，式中，ψ_j,k(X_i)和φ_J,k(X_i)分別是小波函數(shù)和尺度函數(shù)，N為樣本個(gè)數(shù)，m為輸入維數(shù)，J為任意設(shè)定的尺度，預(yù)測(cè)值是由最大尺度J對(duì)應(yīng)的尺度函數(shù)和細(xì)分不同尺度(2^j,j＝1,2,…,J)對(duì)應(yīng)的小波函數(shù)組成的神經(jīng)網(wǎng)絡(luò)。

所述的混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法，其中，所述的步驟S4具體包含：

S41、進(jìn)行網(wǎng)絡(luò)配置，輸入節(jié)點(diǎn)個(gè)數(shù)、學(xué)習(xí)概率、誤差ε和迭代次數(shù)；權(quán)值初始化、節(jié)點(diǎn)初始化和權(quán)值學(xué)習(xí)增量初始化；

S42、計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出f_J(x)；

S43、計(jì)算誤差E：

式中，N為樣本總數(shù)，為預(yù)測(cè)值，f(n)為實(shí)際值，X_n為第n個(gè)樣本值；

S44、修正網(wǎng)絡(luò)權(quán)值ω_j；

S45、增加小波節(jié)點(diǎn)，繼續(xù)計(jì)算；

S46、判斷是否滿足誤差函數(shù)絕對(duì)值小于預(yù)先設(shè)定的誤差ε的終止條件，若滿足，網(wǎng)絡(luò)訓(xùn)練結(jié)束，執(zhí)行步驟S5輸出預(yù)測(cè)結(jié)果；若不滿足，返回執(zhí)行步驟S42。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：基于多分辨率小波神經(jīng)網(wǎng)絡(luò)的混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法對(duì)周期序列的整體預(yù)測(cè)具有較高的精度，特別是在信號(hào)突變時(shí)，多分辨率小波神經(jīng)網(wǎng)絡(luò)可增加分辨尺度來(lái)提高逼近精度，滿足實(shí)際中混合動(dòng)力船舶復(fù)雜的工況變化需求；該方法對(duì)原始數(shù)據(jù)的要求量小，結(jié)構(gòu)設(shè)計(jì)清晰，能滿足在線訓(xùn)練、實(shí)時(shí)預(yù)測(cè)的需要，具有較大的工程應(yīng)用開(kāi)發(fā)潛力。

附圖說(shuō)明

圖1為本發(fā)明的方法流程圖；

圖2為本發(fā)明實(shí)施例中所建立的多分辨率小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖3為本發(fā)明實(shí)施例中所建立的預(yù)測(cè)模型結(jié)構(gòu)圖。

具體實(shí)施方式

以下結(jié)合附圖，通過(guò)詳細(xì)說(shuō)明一個(gè)較佳的具體實(shí)施例，對(duì)本發(fā)明做進(jìn)一步闡述。

本實(shí)施例中，硬件采用混合動(dòng)力船舶所配備的數(shù)據(jù)采集計(jì)算機(jī)，軟件采用數(shù)據(jù)采集計(jì)算機(jī)中安裝的Matlab軟件，下文步驟S1通過(guò)數(shù)據(jù)采集計(jì)算機(jī)完成，步驟S2～S5通過(guò)Matlab軟件實(shí)現(xiàn)。

圖1是本發(fā)明所提出的基于多分辨率小波神經(jīng)網(wǎng)絡(luò)的混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法的流程圖，具體包括以下步驟：

S1、數(shù)據(jù)采集與處理；通過(guò)混合動(dòng)力船舶所配備的數(shù)據(jù)采集計(jì)算機(jī)采集船舶運(yùn)行待預(yù)測(cè)周期前n個(gè)周期的負(fù)載功率時(shí)間序列，采樣周期為T，采樣間隔為Δt，并將采集到的混合動(dòng)力船舶負(fù)載功率混沌時(shí)間序列進(jìn)行歸一化處理，構(gòu)造成多分辨率小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的多維輸入向量X(i)＝(x(i),x(i+1),…,x(i+m-1))，其中m為輸入維數(shù)，將預(yù)測(cè)模型輸出值定義為y(i)＝x(i+m)，得到一組網(wǎng)絡(luò)訓(xùn)練時(shí)序?qū)?X(i),y(i))(i＝1,2,…,N-m)(N為樣本個(gè)數(shù))，將X(i)構(gòu)造成四維數(shù)據(jù)，存入數(shù)據(jù)庫(kù)中作為訓(xùn)練樣本；

具體的，上述提到的歸一化方法采用離差標(biāo)準(zhǔn)化方法，使各個(gè)點(diǎn)的壓力值映射到0-1之間，轉(zhuǎn)換關(guān)系如下：

其中，P_i為第i個(gè)負(fù)載功率樣本，P_max為樣本數(shù)據(jù)的最大值，P_min為樣本數(shù)據(jù)的最小值，P^*為歸一化后的負(fù)載功率序列；

S2、選擇合適的小波函數(shù)和尺度函數(shù)共同作為網(wǎng)絡(luò)隱含層節(jié)點(diǎn)中的激勵(lì)函數(shù)；圖2是本發(fā)明所建立的多層多分辨率小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，其中x₁,x₂,…,x_m為輸入負(fù)載功率序列，a_k,b_k(k為小波基個(gè)數(shù))為小波函數(shù)的伸縮和平移參數(shù)，ω_k為隱含層到輸出層之間的網(wǎng)絡(luò)權(quán)值，通過(guò)調(diào)節(jié)小波函數(shù)的伸縮、平移參數(shù)和網(wǎng)絡(luò)權(quán)值來(lái)逼近時(shí)間序列，本步驟的效果是首先從較大尺度上逼近時(shí)間序列的整體輪廓，然后根據(jù)負(fù)載功率波動(dòng)的大小，在不同尺度上逐層加入細(xì)節(jié)逼近，提高預(yù)測(cè)精度。

優(yōu)選的，小波函數(shù)和尺度函數(shù)應(yīng)選用一個(gè)合適的正交基。本實(shí)施例中，小波函數(shù)與尺度函數(shù)均選取Meyer小波。Meyer小波具有良好的時(shí)域和頻域局部特性，任意階正則性，n階連續(xù)可導(dǎo)(n為整數(shù))，并且具有較快的時(shí)域收斂速度。

S3、根據(jù)訓(xùn)練樣本以及激勵(lì)函數(shù)建立多分辨率小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；圖3是本實(shí)施例中所建立的預(yù)測(cè)模型結(jié)構(gòu)圖，其中X(i)為輸入的訓(xùn)練樣本，為預(yù)測(cè)值，隱含層單元激勵(lì)函數(shù)根據(jù)投影空間不同分別采用φ_J和ψ_J，輸入層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)之間連接權(quán)分別是2和2^J，即多分辨分析中的細(xì)化尺度，在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中保持不變。按下式建立預(yù)測(cè)模型：

式中，ψ_j,k(X_i)和φ_J,k(X_i)分別是步驟S2中選擇的小波函數(shù)和尺度函數(shù)，J為任意設(shè)定的尺度，本實(shí)施例中，最大尺度取J＝4；以最大尺度J為界限，J以下各尺度作為細(xì)化特征近似，預(yù)測(cè)值是由尺度J對(duì)應(yīng)的尺度函數(shù)和細(xì)分不同尺度(2^j,j＝1,2,…,J)對(duì)應(yīng)的小波函數(shù)組成的神經(jīng)網(wǎng)絡(luò)。

S4、對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即對(duì)待預(yù)測(cè)周期前n個(gè)周期的混合動(dòng)力船舶負(fù)載功率混沌時(shí)間序列進(jìn)行訓(xùn)練，此步驟通過(guò)Matlab軟件編程實(shí)現(xiàn)，其具體包含以下步驟：

S41、首先進(jìn)行網(wǎng)絡(luò)配置，輸入節(jié)點(diǎn)個(gè)數(shù)為2、學(xué)習(xí)概率為0.01、誤差ε為0.001和迭代次數(shù)為100；權(quán)值初始化、節(jié)點(diǎn)初始化和權(quán)值學(xué)習(xí)增量初始化；

S42、計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出f_J(x)；

S43、計(jì)算誤差E，

其中N為樣本總數(shù)，為預(yù)測(cè)值，f(n)為實(shí)際值，X_n為第n個(gè)樣本值；

S44、修正網(wǎng)絡(luò)權(quán)值ω_j；

S45、增加小波節(jié)點(diǎn)，繼續(xù)計(jì)算；

S46、判斷是否滿足終止條件，即誤差函數(shù)絕對(duì)值小于預(yù)先設(shè)定的誤差ε，若滿足，網(wǎng)絡(luò)訓(xùn)練結(jié)束，執(zhí)行步驟S5輸出預(yù)測(cè)結(jié)果；若不滿足，返回S42；

S5、預(yù)測(cè)結(jié)果輸出，預(yù)測(cè)輸出反歸一化處理得到待預(yù)測(cè)周期，即第n+1個(gè)周期的負(fù)載功率序列。

上述基于多分辨率小波神經(jīng)網(wǎng)絡(luò)的混合動(dòng)力船舶負(fù)載功率預(yù)測(cè)方法對(duì)周期序列的整體預(yù)測(cè)具有較高的精度，特別是在信號(hào)突變時(shí)，多分辨率小波神經(jīng)網(wǎng)絡(luò)可增加分辨尺度來(lái)提高逼近精度，滿足實(shí)際中混合動(dòng)力船舶復(fù)雜的工況變化需求；且本方法對(duì)原始數(shù)據(jù)的要求量小，結(jié)構(gòu)設(shè)計(jì)清晰，能滿足在線訓(xùn)練、實(shí)時(shí)預(yù)測(cè)的需要，具有較大的工程應(yīng)用開(kāi)發(fā)潛力。

盡管本發(fā)明的內(nèi)容已經(jīng)通過(guò)上述優(yōu)選實(shí)施例作了詳細(xì)介紹，但應(yīng)當(dāng)認(rèn)識(shí)到上述的描述不應(yīng)被認(rèn)為是對(duì)本發(fā)明的限制。在本領(lǐng)域技術(shù)人員閱讀了上述內(nèi)容后，對(duì)于本發(fā)明的多種修改和替代都將是顯而易見(jiàn)的。因此，本發(fā)明的保護(hù)范圍應(yīng)由所附的權(quán)利要求來(lái)限定。