CN107944648A - 一种大型船舶航速油耗率精准预测方法 - Google Patents
一种大型船舶航速油耗率精准预测方法 Download PDFInfo
- Publication number
- CN107944648A CN107944648A CN201810016458.4A CN201810016458A CN107944648A CN 107944648 A CN107944648 A CN 107944648A CN 201810016458 A CN201810016458 A CN 201810016458A CN 107944648 A CN107944648 A CN 107944648A
- Authority
- CN
- China
- Prior art keywords
- fuel consumption
- error
- output
- model
- oil consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012795 verification Methods 0.000 claims abstract description 12
- 239000003921 oil Substances 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000010687 lubricating oil Substances 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 2
- 239000003651 drinking water Substances 0.000 abstract 1
- 235000020188 drinking water Nutrition 0.000 abstract 1
- 230000007935 neutral effect Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种大型船舶航速油耗率精准预测方法，包括：步骤S1、对影响油耗因素的数据进行预处理；步骤S2、对预处理后的数据进行模型验证集和模型训练集的确定，并确定训练模型的输入和目标输出；步骤S3、建立计算航速油耗率模型，对模型参数进行训练，得到训练好的模型；步骤S4、用训练好的模型计算航速油耗率。本发明充分考虑了包括纵倾、吃水、舵角、风速、主机转速、滑失率、温度等等可能影响油耗的各种因素，采用建立单个隐含层神经网络的油耗模型使预测的油耗更加精确。
Description
技术领域
本发明涉及船舶技术领域，尤其涉及一种大型船舶航速油耗率精准预测方法。
背景技术
在船舶设备中，主柴油机是为船舶提供动力的装置，保证船舶能够航行的最主要设备，也是产生油耗的主要设备，然而受到环境变化及设备运行状态等多种因素的影响，主机及机电设备的运行状态是不断变化的。
为了使船舶在各种可能工况下安全的航行，在规定的时间内完成航行计划，采用最经济环保的策略。构建船舶运行的航速油耗模型，就必须获取相关机电设备和环境因子的稳定运行数据，以便为建模分析提供前提。在船舶航行的大部分时间中，机电设备处于频繁变化运行工况的状态，例如靠港及故障期间均处于过度状态，这就增加了对稳定运行数据提取的难度。对于设备和环境的经济性数据的挖掘均需要设备在一段时间内稳定运行数据，才具有建模意义，需要在尽可能保存不断变化的工况信息的同时剔除过度状态数据，然后可根据稳定转速下各项参数的数据进行后续分析，作为模型构建的基础数据。通过剔除异常值和数据归一化的处理方式预处理取出稳定设备和环境的数据，能够提高建模、评估乃至优化决策的准确度和可靠性，对船舶智能化研究有着重要意义。
目前在船舶航速油耗率分析领域通常采用统计学方法进行数据预处理，如统计均值、标准差、变异系数(包括极差变异系数、标准差变异系数)等统计量进行数据的预处理。然而由于船舶航航行实际情况造成的复杂数据，会出现大范围波动异常值。类似船舶遭遇极端天气，设备故障等，仅仅采用上述常规统计方法，很容易造成数据预测不准确，影响油耗预测模型的建立。
发明内容
鉴于上述的分析，本发明旨在提供一种大型船舶航速油耗率精准预测方法，实现在不改变航行天数的大前提下，有效地预测大型游轮油耗。
本发明的目的主要是通过以下技术方案实现的：
一种大型船舶航速油耗率预测方法，包括以下步骤：
步骤S1、对影响油耗因素的数据进行预处理；
步骤S2、对预处理后的数据进行油耗模型验证集和训练集的确定，并确定训练油耗模型的输入和目标输出；
步骤S3、建立航速油耗模型，对模型参数进行训练，得到训练好的油耗模型；
步骤S4、用训练好的油耗模型预测航速油耗率。
进一步地，所述影响油耗因素包括纵倾、载货状态、四面吃水、舵角、风速、主机转速、滑失率、滑油温度、气缸平均温度、主机增压器转速和推力轴承温度。
进一步地，步骤S1包括以下子步骤：
步骤S101、将影响油耗因素的数据进行异常值剔除；
步骤S102、对剔除异常值后的数据进行标准化处理，变为均值为0，标准差为1的数据序列；
步骤S103、对标准化处理后的数据序列进行特征值选择。
进一步地，步骤S2包括以下子步骤：
步骤S201、将预处理后数据随机分散，等间隔选择部分样本点作为验证集；剩余样本点作为油耗模型的训练集；
步骤S202、选取所述训练集中的特征值作为训练油耗模型的特征输入，将原数据中的航速油耗率作为训练油耗模型的目标输出。
进一步地，步骤S3包括以下子步骤：
步骤S301、建立单个隐含层神经网络的油耗模型；
步骤S302、对油耗模型得到的目标值与实际输出进行误差分析；判断误差趋势，如果趋势下降，则重复步骤3，对油耗模型进行进一步训练，直到趋势不再下降；如果误差趋势上升，则停止训练。
进一步地，油耗模型的具体构建方法为：
神经网络中输入层各单元的输入值mi，i＝1～M；
隐含层各单元的输入为输入值mi与权值Aij相乘后求和；
隐含层输出是通过隐含层各单元的输入通过激活函数F映射得到；
输出层各单元的输入为hj通过与权值Bjk相乘；
神经网络输出为输出层各单元的输入通过激活函数G映射得到，H为隐含层节点数；
其中，αj是表示第j个隐含层单元的偏置，βk是表示第k个输出层单元的偏置。
进一步地，根据公式选取最佳隐含层节点数H的范围，确定所述模型参数，其中，M为输入层节点数，N为输出层节点数，C为0-10之间的常数。
进一步地，激活函数F为激活函数G为G(x)＝x，
进一步地，所述误差分析采用误差逆传播算法；具体包括：
1)构造误差函数计算误差值
根据公式对每个训练集中学习样本的误差函数进行构造，其中，表示第t个学习样本期望输出第k维，表示神经网络对于第t个学习样本输出的第k维，t＝1,…,M，t表示学习样本编号，k＝1,…,N，k表示期望输出或网络输出的维度；所述连接权值ω包括输入层与隐藏层之间的权值Aij以及隐藏层与输出层之间的权值Bjk；
2)根据误差值公式求误差值的负梯度，l为迭代次数；
3)使用结合梯度下降法和动量因子的混合算法更新权重提升误差逆传播算法的性能，公式如下：
ω(l+1)＝ω(l)+ρ[(1-η)D(l)+ηD(l-1)]
其中，ρ表示学习率，ρ的起始值指定为0～10，并根据实际油耗模型进行调整，η表示动量因子[0,1)；
4)设定验证标准，对误差进行验证，如果得到的误差趋势是下降趋势，则重复步骤3，对油耗模型进行进一步训练；如果得到的误差趋势是上升趋势，则停止训练。
进一步地，所述验证标准为测试集的数据输入油耗模型后的输出结果与实测数据的均方根误差RMSE和平均相对误差，所述均方根误差所述平均相对误差其中，表示第t个学习样本期望输出第k维，表示网络对于第t个样本输出的第k维，L表示测试集样本个数。
本发明有益效果如下：
本发明充分考虑了包括纵倾、吃水、舵角、风速、主机转速、滑失率、温度等等可能影响油耗的各种因素，预测大型游轮油耗更加精确；
进一步地，采用本发明的油耗率精准预测方法可有效地降低油耗。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为总体映射关系图；
图2为航速油耗率预测方法流程图；
图3为单个隐含层神经网络的油耗模型构建方法图；
图4为对训练后的油耗模型进行评估的结果图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个具体实施例，公开了一种大型船舶航速油耗率预测方法；总体映射关系如附图1所示，具体步骤如图2所示，包括以下步骤：
步骤S1、对采集的影响油耗因素的数据进行预处理；
所述影响油耗因素包括纵倾、载货状态、吃水(四面)、舵角、风速、主机转速、滑失率、滑油温度、气缸平均温度、主机增压器转速和推力轴承温度。所述预处理具体包括以下子步骤：
步骤S101、将采集数据根据普遍经验进行异常值剔除
首先，以每一个影响油耗因素数据为一个维度计算数据的均值；
然后，计算当前维度数据和均值之间的欧式距离；
最后，取欧式距离过大的数据进行剔除，并对其填充均值。
步骤S102、对剔除异常值后的采集数据进行标准化处理；
所述标准化方法根据公式将同一维度的数据进行归一化处理，其中，表示数据点t第i维的标准化数据，表示数据点t第i维的原始数据，σi表示数据点第i维数据的标准差，表示数据点第i维的均值，i＝1～M，M为数据点的最大维度，t表示学习样本编号(t＝1～M)；所述标准化处理后数据将变为均值为0，标准差为1的序列。
步骤S103、对标准化处理后数据进行特征值选择；
所述特征值选择在进行手工选取后采用主成分分析法(PCA)进行降维处理；其中PCA的方差贡献率临界值定为1.0％。
步骤S2、对预处理后的数据进行数据验证集和模型训练集的确定，并确定训练油耗模型的输入和目标输出
步骤S201、为了防止过度拟合，将预处理后数据随机分散，等间隔选择10％样本点作为验证集；剩余90％样本点作为油耗模型的训练集。
步骤S202、在所述训练集中选取的特征值作为训练油耗模型的特征输入，将原数据中的航速油耗率作为训练油耗模型的目标输出。
步骤S3、建立计算航速油耗率的训练模型，并对模型参数进行训练；
步骤S301、建立单个隐含层神经网络的油耗模型；
如图3所示，具体构建方法为：网络中输入层各单元的输入值mi(i＝1～M)通过与权值Aij相乘后求和作为隐含层各单元的输入，并通过激活函数F映射成隐含成输出hj(j＝1～H)，H为隐含层节点数；hj再通过与权值Bjk相乘后作为输出层各单元的输入，再通过激活函数G映射成网络输出nk(k＝1～N)，由此建立了一个从M维数据到N维数据的映射，运算关系可表示为：
其中，αj是表示第j个隐含层单元的偏置，βk是表示第k个输出层单元的偏置。
具体的，根据公式选取最佳隐含层节点数范围，确定模型参数，其中，H为隐含层节点数，M为输入层节点数，N为输出层节点数，C为0-10之间的常数；
具体的，激活函数F为激活函数G为G(x)＝x，
步骤S302、对油耗模型得到的目标值与实际输出进行误差分析；设定验证标准，对误差进行验证，如果得到的误差趋势是下降趋势，则重复步骤3，对油耗模型进行进一步训练；如果得到的误差趋势是上升趋势，则停止训练；
所述误差分析采用误差逆传播算法；具体包括：
1)构造误差函数计算误差值
根据公式对每个训练集中学习样本的误差函数进行构造，其中，表示第t个学习样本期望输出第k维，表示神经网络对于第t个学习样本输出的第k维，t表示学习样本编号(t＝1～M)，k表示期望输出或网络输出的维度(k＝1～N)；网络层级之间的连接权值ω和偏置的初始化采用Nguyen-Widrow方法，所述连接权值ω包括输入层与隐藏层之间的权值Aij以及隐藏层与输出层之间的权值Bjk；
2)根据误差值公式求误差值的负梯度，l为迭代次数；
3)使用结合梯度下降法和动量因子的混合算法更新权重提升误差逆传播算法的性能，公式如下：
ω(l+1)＝ω(l)+ρ[(1-η)D(l)+ηD(l-1)]；
其中，ρ表示学习率，ρ的起始值可以指定为0～10并根据实际油耗模型进行调整，一般会随着模型训练迭代次数的增多而减小，η表示动量因子[0,1)；
4)设定验证标准，对误差进行验证，如果得到的误差趋势是下降趋势，则重复步骤3，对模型进行进一步训练；如果得到的误差趋势是上升趋势，则停止训练；
油耗模型评估以测试集的特征值作为油耗模型输入，进行油耗计算得到的输出结果与实测数据的均方根误差RMSE和平均相对误差作为评估标准，所述均方根误差所述平均相对误差其中，表示第t个学习样本期望输出第k维，表示网络对于第t个学习样本输出的第k维，L表示测试集样本个数。图4为对训练后的油耗模型进行评估的结果图。
步骤S4、用训练好的油耗模型计算航速油耗率。
综上所述，本发明实施例提供的大型船舶航速油耗率精准预测方法充分考虑了包括纵倾、吃水、舵角、风速、主机转速、滑失率、温度等等可能影响油耗的各种因素，预测大型游轮油耗更加精确；进一步地，采用本发明的油耗率精准预测方法可有效地降低油耗。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种大型船舶航速油耗率预测方法，其特征在于，包括以下步骤：
步骤S1、对影响油耗因素的数据进行预处理；
步骤S2、对预处理后的数据进行油耗模型验证集和训练集的确定，并确定训练油耗模型的输入和目标输出；
步骤S3、建立航速油耗模型，对模型参数进行训练，得到训练好的油耗模型；
步骤S4、用训练好的油耗模型预测航速油耗率。
2.根据权利要求1所述的航速油耗率预测方法，其特征在于，
所述影响油耗因素包括纵倾、载货状态、四面吃水、舵角、风速、主机转速、滑失率、滑油温度、气缸平均温度、主机增压器转速和推力轴承温度。
3.根据权利要求1或2所述的航速油耗率预测方法，其特征在于，步骤S1包括以下子步骤：
步骤S101、将影响油耗因素的数据进行异常值剔除；
步骤S102、对剔除异常值后的数据进行标准化处理，变为均值为0，标准差为1的数据序列；
步骤S103、对标准化处理后的数据序列进行特征值选择。
4.根据权利要求1或2所述的航速油耗率预测方法，其特征在于，步骤S2包括以下子步骤：
步骤S201、将预处理后数据随机分散，等间隔选择部分样本点作为验证集；剩余样本点作为油耗模型的训练集；
步骤S202、选取所述训练集中的特征值作为训练油耗模型的特征输入，将原数据中的航速油耗率作为训练油耗模型的目标输出。
5.根据权利要求4所述的航速油耗率预测方法，其特征在于，步骤S3包括以下子步骤：
步骤S301、建立单个隐含层神经网络的油耗模型；
步骤S302、对油耗模型得到的目标值与实际输出进行误差分析；判断误差趋势，如果趋势下降，则重复步骤3，对油耗模型进行进一步训练，直到趋势不再下降；如果误差趋势上升，则停止训练。
6.根据权利要求5所述的航速油耗率预测方法，其特征在于，
油耗模型的具体构建方法为：
神经网络中输入层各单元的输入值mi，i＝1～M；
隐含层各单元的输入为输入值mi与权值Aij相乘后求和；
隐含层输出是通过隐含层各单元的输入通过激活函数F映射得到；
输出层各单元的输入为hj通过与权值Bjk相乘；
神经网络输出为输出层各单元的输入通过激活函数G映射得到，H为隐含层节点数；
其中，αj是表示第j个隐含层单元的偏置，βk是表示第k个输出层单元的偏置。
7.根据权利要求6所述的航速油耗率预测方法，其特征在于，
根据公式选取最佳隐含层节点数H的范围，确定所述模型参数，其中，M为输入层节点数，N为输出层节点数，C为0-10之间的常数。
8.根据权利要求6所述的航速油耗率预测方法，其特征在于，
激活函数F为激活函数G为G(x)＝x，
9.根据权利要求5所述的航速油耗率预测方法，其特征在于，
所述误差分析采用误差逆传播算法；具体包括：
1)构造误差函数计算误差值
根据公式对每个训练集中学习样本的误差函数进行构造，其中，表示第t个学习样本期望输出第k维，表示神经网络对于第t个学习样本输出的第k维，t＝1,…,M，t表示学习样本编号，k＝1,…,N，k表示期望输出或网络输出的维度；所述连接权值ω包括输入层与隐藏层之间的权值Aij以及隐藏层与输出层之间的权值Bjk；
2)根据误差值公式求误差值的负梯度，l为迭代次数；
3)使用结合梯度下降法和动量因子的混合算法更新权重提升误差逆传播算法的性能，公式如下：
ω(l+1)＝ω(l)+ρ[(1-η)D(l)+ηD(l-1)]
其中，ρ表示学习率，ρ的起始值指定为0～10，并根据实际油耗模型进行调整，η表示动量因子[0,1)；
4)设定验证标准，对误差进行验证，如果得到的误差趋势是下降趋势，则重复步骤3，对油耗模型进行进一步训练；如果得到的误差趋势是上升趋势，则停止训练。
10.根据权利要求5所述的航速油耗率预测方法，其特征在于，
所述验证标准为测试集的数据输入油耗模型后的输出结果与实测数据的均方根误差RMSE和平均相对误差，所述均方根误差所述平均相对误差其中，表示第t个学习样本期望输出第k维，表示网络对于第t个样本输出的第k维，L表示测试集样本个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810016458.4A CN107944648B (zh) | 2018-01-08 | 2018-01-08 | 一种大型船舶航速油耗率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810016458.4A CN107944648B (zh) | 2018-01-08 | 2018-01-08 | 一种大型船舶航速油耗率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107944648A true CN107944648A (zh) | 2018-04-20 |
| CN107944648B CN107944648B (zh) | 2021-06-18 |
Family
ID=61937499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810016458.4A Active CN107944648B (zh) | 2018-01-08 | 2018-01-08 | 一种大型船舶航速油耗率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944648B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960421A (zh) * | 2018-06-05 | 2018-12-07 | 哈尔滨工程大学 | 改进基于bp神经网络的水面无人艇航速在线预报方法 |
| CN110095579A (zh) * | 2019-06-12 | 2019-08-06 | 山东农业大学 | 通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 |
| CN110705797A (zh) * | 2019-10-09 | 2020-01-17 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
| CN110778398A (zh) * | 2019-11-04 | 2020-02-11 | 山东交通学院 | 一种船用柴油机燃油管理控制系统 |
| CN110849411A (zh) * | 2018-08-21 | 2020-02-28 | 上海博泰悦臻网络技术服务有限公司 | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 |
| CN111046491A (zh) * | 2019-11-28 | 2020-04-21 | 中国船舶工业系统工程研究院 | 预估大型船舶柴油主机油耗的方法和装置 |
| CN112036076A (zh) * | 2020-08-13 | 2020-12-04 | 重庆瑞尔科技发展有限公司 | 一种长江内河航运船舶复杂运行情况油耗预测方法及系统 |
| CN112149909A (zh) * | 2020-09-28 | 2020-12-29 | 神华中海航运有限公司 | 船舶油耗预测方法、装置、计算机设备和存储介质 |
| CN112836893A (zh) * | 2021-02-26 | 2021-05-25 | 上海海事大学 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
| CN113673815A (zh) * | 2021-07-08 | 2021-11-19 | 三一智矿科技有限公司 | 基于车辆数据处理的矿车调度方法及装置 |
| CN114925886A (zh) * | 2022-04-29 | 2022-08-19 | 南通海舟船舶设备有限公司 | 一种船舶的船底附着物清理预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101168153B1 (ko) * | 2011-12-29 | 2012-08-07 | 지에스네오텍 주식회사 | 건물의 에너지 수요 예측 방법 및 그 시스템 |
| CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
-
2018
- 2018-01-08 CN CN201810016458.4A patent/CN107944648B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101168153B1 (ko) * | 2011-12-29 | 2012-08-07 | 지에스네오텍 주식회사 | 건물의 에너지 수요 예측 방법 및 그 시스템 |
| CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960421B (zh) * | 2018-06-05 | 2022-03-18 | 哈尔滨工程大学 | 改进基于bp神经网络的水面无人艇航速在线预报方法 |
| CN108960421A (zh) * | 2018-06-05 | 2018-12-07 | 哈尔滨工程大学 | 改进基于bp神经网络的水面无人艇航速在线预报方法 |
| CN110849411A (zh) * | 2018-08-21 | 2020-02-28 | 上海博泰悦臻网络技术服务有限公司 | 车联网服务器、车辆及基于行驶油耗数据的车况评估方法 |
| CN110095579A (zh) * | 2019-06-12 | 2019-08-06 | 山东农业大学 | 通过检测发酵罐发酵尾气变化判断物料腐熟程度的方法 |
| CN110705797A (zh) * | 2019-10-09 | 2020-01-17 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
| CN110705797B (zh) * | 2019-10-09 | 2023-09-22 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
| CN110778398A (zh) * | 2019-11-04 | 2020-02-11 | 山东交通学院 | 一种船用柴油机燃油管理控制系统 |
| CN111046491A (zh) * | 2019-11-28 | 2020-04-21 | 中国船舶工业系统工程研究院 | 预估大型船舶柴油主机油耗的方法和装置 |
| CN112036076A (zh) * | 2020-08-13 | 2020-12-04 | 重庆瑞尔科技发展有限公司 | 一种长江内河航运船舶复杂运行情况油耗预测方法及系统 |
| CN112149909A (zh) * | 2020-09-28 | 2020-12-29 | 神华中海航运有限公司 | 船舶油耗预测方法、装置、计算机设备和存储介质 |
| CN112836893A (zh) * | 2021-02-26 | 2021-05-25 | 上海海事大学 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
| CN112836893B (zh) * | 2021-02-26 | 2024-05-14 | 上海海事大学 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
| CN113673815A (zh) * | 2021-07-08 | 2021-11-19 | 三一智矿科技有限公司 | 基于车辆数据处理的矿车调度方法及装置 |
| CN114925886A (zh) * | 2022-04-29 | 2022-08-19 | 南通海舟船舶设备有限公司 | 一种船舶的船底附着物清理预测方法 |
| CN114925886B (zh) * | 2022-04-29 | 2024-04-30 | 南通海舟船舶设备有限公司 | 一种船舶的船底附着物清理预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107944648B (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
| CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
| CN111753461B (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN109344999A (zh) | 一种径流概率预报方法 | |
| CN109460874B (zh) | 一种基于深度学习的有义波高预测方法 | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| Saad et al. | A new kriging–bat algorithm for solving computationally expensive black-box global optimization problems | |
| CN115751441A (zh) | 基于二次侧流量的供热系统热力站热量调节方法及系统 | |
| CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
| CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
| CN117892886A (zh) | 基于置信区间的船舶运动极短期概率预报方法及系统 | |
| CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
| CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN118095570A (zh) | 台区智能负荷预测方法、系统、电子设备、介质及芯片 | |
| CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
| CN118017482A (zh) | 基于预测误差特征提取的灵活性爬坡容量需求分析方法 | |
| CN109614742A (zh) | 一种海面高度持续性预测算法 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |