1、第45卷第17 期2023年9月舰船科学技术SHIP SCIENCE AND TECHNOLOGYVol.45,No.17Sep.,2023复杂工况下基于RBF神经网络的全电推进船舶负荷预测钱宇轩,俞鑫,柴婷逸,严文博,黄云辉,熊松2(1.国网江苏省电力有限公司常州供电分公司,江苏常州2 130 0 0;2.武汉理工大学自动化学院,湖北武汉430 0 0 0)摘要:全电力推进船舶的复杂工况使其负荷情况难以预测,无法确立精确的数学模型刻画,而应用RBF神经网络建立船舶电力系统负荷预测模型具有可靠性和准确性。通过对全电力推进船舶负荷特点的分析和对RBF神经网络负荷预测的基本原理研究,提出一种基于R
2、BF神经网络的全电力推进船舶的负荷预测方法,选取合理的历史负荷数据,将其归一化处理后输入至RBF神经网络预测模型,再将模型输出反归一化后得到负荷预测结果。在Mat-lab/Simulink中对某全电力推进船舶在恶劣复杂工况下实际短期运行的负荷情况进行预测,预测准确率高达96.4%。预测结果表明,该方法实现了对复杂工况下全电力推进船舶短期负荷的精准预测,模型拟合程度很高。关键词:复杂工况;全电力推进船舶;RBF神经网络;负荷预测中图分类号:U661文章编号:16 7 2-7 6 49(2 0 2 3)17-0 0 97-0 5Research on ship load forecasting o
3、f electric propulsion based on rbfneural network under complex working conditionsQIAN Yu-xuan,YU Xin,CHAI Ting-yi,YAN Wen-bo,HUANG Yun-hui,XIONG Song?(1.Changzhou Power Supply Branch of State Grid Jiangsu Electric Power Co.,Ltd.,Changzhou 213000,China;Abstract:It is difficult to predict the load of
4、all-electric propulsion ship because of its complex working conditions,and it is difficult to establish an accurate mathematical model.Based on the analysis of the characteristics of the load of theall-electric propulsion ship and the study of the basic principle of the load forecasting by RBF neura
5、l network,a load fore-casting method of the all-electric propulsion ship based on RBF neural network is proposed,the reasonable historical loaddata are selected and input into RBF neural network forecasting model after normalization,and then the output of the modelis normalized to get the load forec
6、asting result.In Matlab/Simulink,the short-term load of an all-electric propulsion ship un-der severe and complex conditions is predicted,and the accuracy of the prediction is as high as 96.4%.The prediction res-ults show that the method can accurately predict the short-term load of full-electric pr
7、opulsion ship,and the fitting degree ofthe model is very high.Key words:complicated conditions;fully electric propulsion vessel;RBF neural network;load forecasting0引言随着“双碳”目标的提出,我国全电力推进船舶的研究发展极为迅速,其中全电力推进船舶的负荷预测成为热点问题。由于船舶水上作业的特殊性,为保收稿日期:2 0 2 2-0 9-0 2基金项目:国网江苏省电力有限公司研发服务资助项目(6 410 40 2 0 0 0 N6);国
8、家自然科学基金资助项目(52 17 7 2 2 1)作者简介:钱宇轩(1991-),男,工程师,从事电力系统及自动化方面的研究。文献标识码:A2.Wuhan University of Technology,Wuhan 430000,China)doi:10.3404/j.issn.1672-7649.2023.17.020证其功能运行的可靠性和经济性,全电力推进船舶负荷预测的准确性显得尤为重要。全电力推进船舶作业时的复杂工况导致其电力系统负荷具有很强的随机性,无法找到精确的数学模型刻画 。目前针对电力推进船舶负荷预测多用人工神98经网络方法,包括BP、RBF、El ma n 等 2-4,也有
9、采用SVM模型对短期负荷进行预测 5-6 。上述研究多为一般工况下的负荷预测,而针对全电力推进船舶在复杂恶劣工况下的短期负荷预测少有涉及。本文针对在复杂恶劣工况下的全电力推进船舶负荷特点,采取RBF神经网络算法对短期负荷情况进行预测。综合考虑水流速度、吃水深度、载重量、电力负荷4个维度,提高了短期负荷预测的准确性。1全电力推进船舶负荷特点分析全电力推进船舶是指采用电力推进技术,用以变频器和推进电机为核心组成的新型动力系统代替以柴油机和机械转动装置为核心的传统动力系统的船舶,船舶正常运行的全部动力都来自于船舶电力系统所提供的电力 7 。由于船舶水上作业时存在多种工况,包括巡航、加减速、倒车制动等
10、,各种工况所对应的推进电机的功率有很大差别,导致全电力推进船舶的负荷波动很大。按照负荷情况分类,全电力推进船舶的负荷总体上可分为2 大类,一类是功率波动很小的负荷,包括日常生活所需负荷、通信负荷和照明负荷等;另一类是功率波动较大的负荷,主要是推进电机为主的动力系统负荷。此负荷特性使得船舶运行时的电力系统负荷具有连续性的特点 8 。基于全电力推进船舶负荷的大波动性和连续性,本文选择RBF神经网络算法进行短期负荷预测。相较于BP、Elm a n 等网络结构,RBF神经网络的结构简单、收敛速度快、预测误差小,能够逼近任何非线性函数,很大程度上避免因负荷波动过大而导致的预测网络不收敛的情况。同时,RB
11、F网络有很好的全局逼近能力,可解决BP等网络可能出现的陷入局部最优解的问题。因此对于全电力推进船舶短期负荷预测问题,RBF神经网络结构预测结果更加可靠。2基于RBF神经网络预测的基本原理基于RBF神经网络预测的基本思想为:用RBF神经元构成的隐藏层空间对输入变量进行空间变换,将低维空间内非线性不可分的数据变换为高维空间内线性可分数据。所谓预测,本质上为拟合多维非线性函数求解对应函数值的过程。图1为RBF神经元模型结构图。其中x1,x2xn为输入向量,为权值向量;b为网络阈值,n为输人激活函数的自变量,为输出向量 9。RBF神经网络的舰船科学技术激活函数可以是任意函数,本文采用高斯径向基函数作为
12、激活函数,具有径向对称、形式简单、光滑性好的优点,而且对于多输入变量的网络其复杂性不会太高。XW1X2W2:XW,Fig.1RBF Neuron model structure由图1可知,由输入向量x和权值向量w之间的欧几里得范数ldl再乘以网络阈值b作为输入激活函数的自变量n,激活函数表达式如下:(1)随着自变量n的减少,整个网络的输出是增加的,意味着当输人向量x的值越靠近中心点时,激活函数值越大,参与训练的程度也就越高。RBF神经网络是单隐层的3层静态前向网络,结构如图2 所示。第1层为输入层,此层不做任何变换,仅传递输入的数据信息;第2 层为隐含层,具体隐含层神经元个数根据实际预测情况而
13、定,此层对输人的数据信息做空映射的变换,采用非线性优化策略对激活函数参数进行调整;第3层为输出层,此层对隐含层神经元输出的数据信息通过线性加权后作为整个网络的输出结果 10 输入层水流速度一吃水深度一载重量电力负荷图2 RBF神经网络结构Fig.2 Structure of RBF neural network3短期负荷预测方法3.1数据预处理全电力推进船舶的实际运行数据不能直接当作RBF神经网络的输人进行负荷预测,要对运行数据从历史数据选取和归一化两方面进行预处理,以防止收敛网络发散和神经元饱和的问题。3.1.1历史数据选取选取船舶实际运行的历史数据作为样本输人至第45卷激活函数db图1RB
14、F神经元模型结构隐含层输出层?输出功率第45卷RBF神经网络中训练要综合样本数量和样本大小两方面考虑。显然,大量的训练样本可以提高网络的拟合效果从而增加预测的准确性,但是如果训练样本过多会使得训练时间太长,出现网络过拟合问题;训练样本太少会导致预测网络不完善,甚至出现预测网络发散的情况。因此,本文选取训练集和测试集比例为5:1。由于全电力推进船舶运行时工作状态的不确定性,在某些时刻船舶的电力负荷可能出现极大或极小的情况,这会导致预测网络无法收敛,预测结果发散,此类异常数据不可加入样本集实施预测。一般来说,船舶的电力系统负荷在前后一两个时刻内不会有太大差别。因此,对此类极端情况设置最大临界值和最
15、小临界值,即Pmin Psel Pmaxo式中:Psel为所选的样本负荷值;Pmin为最小临界值;Pmax为最大临界值。当船舶实际运行时的负荷值满足式(2)时,直接可以取做预测样本;当其负荷值超过此范围时,取最大或最小临界值当做预测样本。3.1.2归一化处理将输人数据通过简化计算,变换到一定范围之内,此过程称为归一化。归一化处理可加快网络收敛速度,提高预测精度,关键是避免出现神经元饱和的问题。本文采用缩放法实施归一化处理,公式如下:Go-GminG=Gmax-Gmin式中:G为实施归一化处理后的数值;Go为实施归一化处理前的初始值;Gmin为样本最小值;Gmax为样本最大值。将船舶实际运行时的
16、水流速度、吃水深度、载重量、电力负荷数据代人式(3)进行归一化处理再输人至RBF神经网络中,将预测数据再实施反归一化处理,得到的原始数值作为最终的预测结果。对应反归一化公式如下:Go=(Gmax-Gmin)G+Gmin o3.2预测模型构建构建基于RBF神经网络全电力推进船舶负荷预测模型首先要确定输人输出变量维数,选择水流速度、吃水深度、载重量、电力负荷四维变量输入,对应的输出变量定义为船舶单次航程的短期负荷预测结果,钱宇轩,等:复杂工况下基于RBF神经网络的全电推进船舶负荷预测开始选择船舶负荷历史数据数据是否异常(2)样本数据归一化处理立构建船舶负荷预测模型水流速度、吃水深度、载重量、电力负
17、荷样本输入立RBF神经网络负荷预测输出预测输出反归一化处理船舶负荷预测最终结果立结束图3RBF神经网络预测流程图(3)Fig.3RBF Neural Network prediction flowchart4短期负荷预测仿真确定上海某公司研发的全电力推动船舶为研究对象,对其在急水流的恶劣环境下复杂工况进行短期负荷预测。分别选取空载、轻载、重载和满载下船舶具有代表性的工况为预测样本,如停泊、启航、巡航、加减速、二次加速、倒车制动等。4.1仿真模型参数由于预测模型采用水流速度、吃水深度、载重(4)量、电力负荷四维输入,负荷预测结果一维输出;故对应的输入层神经元数为4,输出层神经元数为1。而对于隐藏
18、层神经元数,一般采用经验公式和试凑法相结合来确定,经验公式如下:N=VX+Y+M。99其具体表达式为:y(t)=v(t),h(t),w(t),x(t-1),:,x(t-0)。式中:y(t)为t时刻输出变量结果;为RBF网络函数;v(t)为t时刻水流速度;h(t)为t时刻吃水深度;w(t)为t时刻载重量;x(t-S)为t时刻的前s次负荷预测结果。预测步骤如图3所示。将所选数据输人,判断是否为异常数据;若是则返回重新选择,若不是则进行归一化处理;归一化后的四维样本输入至RBF预测模型中,模型输出结果反归一化后作为最终负荷预测结果。(6)(5)是100式中:N为隐藏层神经元数;X为输入层神经元数;Y
19、为输出层神经元数;M为110 中任意数。由试凑法确定,即比较不同M值下的预测结果,选取最优预测结果所对应的M值。通过该方法确定隐藏层神经元数为9,设定隐含层一输出层的权值、节点基宽、基函数中心的学习率分别为0.0 9 0、0.0 15、0.0 15,最大送代次数为2 0 0 0 0,误差精度要求为1E-4,其他参数均为默认值。具体参数设置如表1所示。表1预测模型参数Tab.1 Predicting model parameters模型参数数值输入层神经元数/个4隐藏层神经元数/个9输出层神经元数/个1学习率0.090,0.015,0.015动量因子0.1变步长调整系数0.1最大选代次数/次20
20、000误差精度要求1E-44.2仿真结果分析在Matlab仿真环境中对全电力推进船舶在水流速度为2 km/h、吃水深度为2.7 m、载重量为8 0 0 t的情况下,进行单次航行的电力系统负荷预测。仿真结果与实际航行负荷值相对比表明,预测准确率达到93.4%,但出现个别时间点差异值过大问题,特别是初始值预测误差过大。通过分析,训练样本中有一组航行数据在试航过程中存在浅水效应问题。由于试航地点京杭运河航道常年水位较浅,全年水深约35m,此组训练样本试航时,水深约4.1m,船舶吃水深度3.1m,螺旋桨工作时距离河底小于1m,此时浅水效应十分明显,对螺旋桨产生极大阻力,阻力值可达到长江航道等深水航道的
21、3倍以上,极大影响船舶航行速度,导致船舶电力系统负荷出现异常值,进而使得个别时间点预测偏差过大。对训练样本进行优化,去除异常训练样本再次进行负荷预测仿真,仿真预测效果对比如图4所示。从对比图看出,优化样本后的仿真效果明显高于优化前,预测准确率高达96.4%,基本可以完全拟合实际负荷值。舰船科学技术500一日-实际负荷情况400一0 异常样本加入优化样本数据3002000.5Fig.4Comparison of load forecasting effect根据图4预测结果计算对应预测点的相对误差,结果如图5所示。可知,样本优化后各时间点相对误差大大减小并且初始值误差过大问题得以解决。9%/53
22、一0.5Fig.5Relative error of prediction results对于神经网络预测来说,衡量网络预测效果一般采取3种评价指标:平均相对误差、均方根误差和决定系数。其对应公式如下:平均相对误差eMAP=(n)均方根误差eRMS=决定系数R?=-n=1式中:n为预测样本数;xi为RBF网络预测值;yi为实际负荷值;为实际负荷平均值。计算网络预测效果各评价指标如表2 所示。可知,优化样本数据后预测效果的各项评价指标均优于异常样本加入时的情况。优化后的决定系数高达0.945,说明模型拟合度很好,基于RBF神经网络进行负荷预测的效果显著。第45卷1.01.5时间/h图4负荷预测效
23、果对比一0 一优化样本数据一*一异常样本加入1.01.5时间/h图5预测结果相对误差Ixi-yil 100%,yi1)Z(ai-y/2,i=1(xi-J)22.02.02.52.53.03.0(7)(8)(9)第45卷Tab.2Evaluation Index of prediction effect评价指标异常样本加入平均相对误差/%6.57均方根误差/kw20.54决定系数0.807最大相对误差/%8.98最小相对误差/%7.255结语本文首先分析了复杂工况下全电力推进船舶的负荷特点,然后基于RBF神经网络的原理构建了全电力推进船舶的负荷预测模型,提出一种完整的负荷预测方法,最后在Matl
24、ab/Simulink中对船舶实际运行的负荷情况进行短期预测,预测精度高达96.4%,决定系数高达0.945,很好提高了模型拟合程度,实现了复杂工况下全电力推进船舶综合电力系统负荷的短期精准预测。参考文献:1】张宇涵,高海波,商蕾,等.基于神经网络模型的船舶电网短期电力负荷预测 .应用科技,2 0 2 1,48(5):12-15+2 2.ZHANG Yuhan,GAO Haibo,SHANG Lei,et al.Short-termload forecasting for marine electric network based on neuralnetwork modelsJ.Applie
25、d Science and Technology,2021,48(5):1215+22.【2 刘银波,吕越.RBF神经网络在船舶电力负荷预测中的应用1.舰船科学技术,2 0 2 1,43(18):12 1-12 3.LIU Yin-Bo,LV Yue.Application of RBF neural network inship power load forecastingJ.Ship Science And Techology,2021,43(18):121-123.钱宇轩,等:复杂工况下基于RBF神经网络的全电推进船舶负荷预测表2 预测效果评价指标优化样本数据3.6513.430.945
26、3.470.95101 3】周旭,来庭煜,饶佳黎.基于RBF神经网络模型的电力系统短期负荷预测 J.通信电源技术,2 0 18,35(11):152-154.ZHOU Xu,LAI Ting-yu,RAO Jia-li.Short term load forecast-ing of power system based on RBF neural network modelJ.Telecom Power Technology,2018,35(11):152-154.4】宋明达.基于改进遗传算法优化Elman神经网络的短期负荷预测 D.衡阳:南华大学,2 0 2 0.【5】侯文君,汪英英,姚艺新
27、,等.支持向量机的船舶短期电力负荷预测方法 .舰船科学技术,2 0 18,40(18):7 9-8 1.HOU Wen-jun,WANG Ying-ying,YAO Yi-xin,et al.Shortterm load forecasting method based on support vectormachine.Ship Science and Techology,2018,40(18):79-81.【6】赵登福,王蒙,张讲社,等.基于支撑向量机方法的短期负荷预测 J.中国电机工程学报,2 0 0 2(4):2 7-31.ZHAO Deng-fu,WANG Meng,ZHANG Jia
28、ng-she,et al,Asupport vector machine approach for short term load forecast-ingJ.Proceedings of the CSEE,2002(4):27-31.【7 王嘉钰.全电力推进船舶短期电力负荷预测研究 D.哈尔滨:哈尔滨工程大学,2 0 10.8刘静.最小二乘SVM在电力推进船舶电力负荷短期预测的应用 .舰船科学技术,2 0 2 1,43(2 4):6 1-6 3.LIU Jing.Application of least square SVM in short-term fore-casting of ele
29、ctric load of electric propulsion shipJ.Ship Sci-ence and Technology,2021,43(24):61-63.9朱诗卉,代焕利,王讽,等.RBF神经网络电力负荷预测模型研究 J.三峡大学学报(自然科学版),2 0 13,35(5):46-49.Zhu Shihui,Dai Huanli,Wang Sa,et al.Research on RBF neu-ral network models of power load forecastingJ.Journal ofChina Three Gorges Univercity(Natural Sciences),2013,35(5):4649.10王成,代祥,刘飞,等.基于RBF神经网络的电力系统负荷预测 .电力学报,2 0 18,33(5):399-40 7.WANG Cheng,DAI Xiang,LIU Fei,et al.Power system loadforecasting based on RBF neural networkJ.Journal of Elec-tric Power,2018,33(5):399407.