CN112389607B - 一种用于电力推进船的综合电力负荷预测方法 - Google Patents

Abstract

本发明提供一种用于电力推进船的综合电力负荷预测方法，包括电力推进负荷预测和船舶基本设备、生活用电预测，所述船舶基本设备、生活用电预测利用深度学习算法计算，所述电力推进负荷预测包括外力引起的船舶运动和维持船舶推进所需推力；所述外力引起的船舶运动包括波浪模型建立、风能模型建立和海洋模型建立；所述维持船舶推进所需推力包括主推进器和船首推进器，本发明可以充分考虑到电推船的特点，达到准确的负荷预测。

Description

一种用于电力推进船的综合电力负荷预测方法

技术领域

本发明涉及一种综合电力负荷预测方法，尤其涉及一种用于电力推进船的综合电力负荷预测方法。

背景技术

目前，随着船舶向大型化和多功能化发展，远洋运输中大型和超大型船舶的需求越来越多，对船舶电力系统提出的要求也越来越高。准确的负荷预测可以降低电力系统运行的成本。船舶电力系统处于动态变化的运行情况比较多，系统的动态变化范围也比较大，这些直接影响了电网的稳定，需要我们及时的对船舶电力负荷的变化做出预测，据此进行电网的电力调度，这样就能把负荷变化对电网的影响控制在合理的范围内，保证船舶电力系统的经济稳定的运行。

电力推进船负荷主要可以分为两部分：电力推进部分和船舶基本设备、生活用电。随着人工神经网络再到深度学习方法的产生使得负荷预测精确度逐步增高。LSTM、CNN、DBN、RNN等深度学习方法也不断被验证效果明显优于传统的预测方法。目前在船舶电力负荷预测上均采用的是这种人工智能方法进行预测。这就需要用大量的历史数据去进行训练和测试以达到预测的准确性。同时这也存在这许多问题，由于海上环境的多变以及航线的变化使得对同一组数据进行预测的结果可能准确性不是很强。如果对每种可能的情况下的数据都进行训练显然是不可行的。同时得到不同工况下多年数据信息也比较困难。

电力推进船电力负荷中推进负荷占比比较大，推进负荷预测的准确程度直接可以降低船舶电力系统运行成本。电力推进船由推进电机旋转的螺旋桨驱动，螺旋桨的功耗因海洋环境而变化。风、波浪为影响负荷的主要外界因素，在这样不同海洋环境，船的不同航行速度和航行位置的负荷采用先前的单一的方法会面临很多不确定因素。进而给负荷预测带来很多问题。

发明内容

本发明的目的是为了提供一种适用于不同海洋环境下电力消耗预测的用于电力推进船的综合电力负荷预测方法。

本发明的目的是这样实现的：

一种用于电力推进船的综合电力负荷预测方法，包括电力推进负荷预测和船舶基本设备、生活用电预测，所述船舶基本设备、生活用电预测利用深度学习算法计算，所述电力推进负荷预测包括外力引起的船舶运动和维持船舶推进所需推力；所述外力引起的船舶运动包括波浪模型建立、风能模型建立和海洋模型建立；所述维持船舶推进所需推力包括主推进器和船首推进器，具体步骤如下：

步骤一：计算由于海洋环境引起的外力：

1.1、波浪模型建立：从海浪谱中获得；

式中：H_1/3为显著有效波高；T_p为峰值频率周期；γ为谱峰提升因子，平均值为3.3；γ^A为峰值频率：

式中：ω为波频率；

为峰值频率；

1.2：风模型建立：用船舶速度用方程式来描述；

式中：ρ_A为空气密度；C_AX为x分量风系数；C_AY为y分量风系数；C_H为倾斜效应系数；

为相对风向；为相对风速；A_T为前投射面积；A_L为横向投射面积；

1.3：洋流模型建立：

式中：ρ_C为水密度；C_CX为X分量系数；C_CY为Y分量系数；

为相对洋流方向；U_CX为X分量相对速度；U_CY为Y分量相对速度；A_T为正面投影面积；A_L为横向投影面积；L_PP为垂线间长；

步骤二：分析外力引起的船舶运动；

使用波浪，风和洋流的输入和船舶数据使用六个自由度计算船舶运动，Ansys工具计算，利用船舶数据转换为船舶运动模型中可用的变量；

步骤三：计算推进和姿势维护所需的推力；

海洋环境外力和推力之间的关系如下：

式中：i、j为状态标号1：波动、2：摆动、3：波荡、4：簸荡、5：定点、6：偏航；x为运动的平移和旋转位移；

为平移和旋转速度；

为平移和旋转加速度；M_ij为船舶刚体质量和惯性矩阵；m_ij为船舶增加质量和增加惯性矩阵；B_ij为阻尼系数矩阵；C_ij为恢复系数矩阵；Fw_j为波浪载荷矩阵；Fwd_j为风载荷矩阵；Fc_j为洋流载荷矩阵；Fm_j为主推进器负载；Fb_j为船首推进器负载；

步骤四：由推进电动机产生的推力计算电动机消耗的功率；

推进器的总推力为F_p并且它们消耗的电功率为P_c，其之间的关系可以近似为：

F_P＝F_m+F_b

p_c＝F_b/c_p

式中：P_c为推进器的总功耗；F_p为推进器的总推力；F_m为主推进器推力；F_b为船首推进器推力；C_p为描述船舶推进器产生推力的功率消耗的使用系数。

本发明还包括这样一些特征：

利用螺旋桨转矩特性计算推进电机的输出转矩：

F_m＝K_pρn²D⁵

T_L＝K_mρn²D⁵

式中：ρ为海水密度；n为螺旋桨转速；D为螺旋桨直径；K_p为螺旋桨推力系数；K_m为阻转矩系数；T_m为推进电机输出转矩；T_L为螺旋桨阻转矩。

与现有技术相比，本发明的有益效果是：

目前针对电力推进船的负荷预测研究还很少，一般均采用与陆上负荷预测相似的方式进行预测，由于电推船的主要特点是将推进动力与电站动力合二为一，同时航行过程中受到风、浪、流的影响，因此像陆上负荷仅采用深度学习算法会存在较大的误差。本发明考虑将电力推进船负荷分为两部分，包括推进功率的负荷，以及船舶基本设备、生活用电负荷。推进负荷采用波浪，风和洋流模型计算船舶运动状态产生的推力，估算电力船舶运动，海洋环境外力和推力之间的关系。船舶基本设备、生活用电负荷与陆上负荷相似采用深度学习算法进行预测。该方法可以充分考虑到电推船的特点，达到准确的负荷预测。

附图说明

图1是船舶电力负荷流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

对于综上所述船舶负荷预测面临的问题。将船舶负荷分为两部分。在船的基本设备，生活用电上仍然采用机器学习的预测方法进行预测。由于这部分的电力损耗几乎不受外部海洋环境的影响。在电力推进负荷上通过将电力消耗模型与船舶运动模型相结合并考虑海洋环境负荷，建立用于估计电力消耗的模型。

为了实现上述目标，本发明采用如下的技术方案:

1)根据实际船舶的航行状态，通过统计并且整合船舶基本设备、生活用电负荷历史数据。对于游轮来说，温度、湿度也是间接影响负荷消耗的重要因素。

2)由于数据类型较多，为了建立准确的电力负荷预测模型，定义一组适当的输入变量。列出了考虑到的输入变量和目标变量。

3)通过现阶段深度学习算法进行此部分用电负荷预测。

4)电力推进负荷由于所受海洋、天气等条件的影响，建立不同海洋环境下的电力消耗模型。

5)波浪模型建立

使用具有规则波的傅立叶级数来表示不规则波。每个规则波具有不同的幅度，频率，相位和方向。

6)风模型建立

风对物体的影响因风高而不同，因为风速随高度而变化。此外，尽管风速是一种3D现象，但在本发明中它被认为是具有(x，y)分量的2D现象(即风速仅考虑在水平面上，这表明风速被考虑在每个高度都相等)。

7)洋流模型建立

考虑平均洋流，并将其限制为2D(x，y)分量。仅描述表面洋流。与波方向类似。洋流通过平均速度和方向进行参数化。

8)考虑了以下两种类型的推进器：产生向前运动推力的主推进器和产生维持航向角所需的推力的船首推进器。

9)功耗估计过程：(1)计算由于海洋环境引起的外力；(2)分析外力引起的船舶运动；(3)计算推进和姿势(动作)维护所需的推力；(4)由推进电动机产生的推力计算电动机消耗的功率。

10)螺旋桨转矩影响较大时候，对这部分功率的损耗进行计算。利用螺旋桨转矩特性计算推进电机的输出转矩。

11)利用电力推进部分与基本设备、生活用电负荷求得综合电力总负荷。

对船舶电力消耗尤其是相对游轮或者大型客轮来说，推进功率消耗的同时，船舶基本设备、生活用电也会占大部分。因此对船舶电力负荷总损耗分开预测处理：

步骤1)首先，采用目前预测精度较高的深度学习算法对于船舶基本设备、生活用电负荷历史数据进行训练，得到准确度较高的预测模型。

步骤2)数据的预处理在深度学习中是重要的一环，时间序列数据指示电力负荷的趋势，所以考虑所有可以表示时间数据的变量，例如月，日，小时，分钟，和节假日。因为月，日，小时和分钟数据显示周期性的属性，所以它们不应由顺序值表示。例如，尽管23点和0点是相邻的，但是它们在序列格式上的差是23。为了反映时间数据的周期性我们使用了式(1)-(7)最终将一维空间中的序列数据增为二维空间中的连续数据。在分钟的情况下，只有两种情况(0、30)。因此，小时和分钟数据可以反映在相应的时间中。

hourmin＝hour+(minute/60) (1)

hour_x＝sin((360/24)×hourmin) (2)

hour_y＝cox((360/24)×hourmin) (3)

day_x＝sin((360/end_month)×day) (4)

day_y＝cos((360/end_month)×day) (5)

month_x＝sin((360/12)×month) (6)

month_y＝cos((360/12)×month) (7)

式中：end_month为每个月最后一天；

步骤3)在历史负荷的基础上考虑温度信息。耗电量与温度之间存在很高的相关性温度的变化会影响到大量使用空调和暖气设备。

步骤4)由于气候和社会活动的影响，用电负荷数据显示三大窝周期：每日，每周和每年。为了鉴定在负荷需求的时间序列数据的周期和模式，将自相关函数(ACF)作为引导被应用于信息的特征子集选择。假设一个时间序列数据组被给定为x＝{x_t：t∈T}，其中T是指数组。自相关系数r_k可以通过式(8)得到：

式中:其中

是x的全部在给定的时间序列的平均值；r_k为时间序列在t和t-k的线性相关；

步骤5)时间序列负荷数据集，所有的训练和测试值线性缩放到[0,1]，标准化采用了min-max标准化法，对于数据集中每一个值x，其标准化计算公式为：

式中：

为标准化后的值；x_min为数据中最小值，x_max为数据中最大值；

步骤6)网络模型上选择CNN和RNN结合的神经网络模型。其在计算机视觉，时间序列预测上面都表现出了优于其他单一网络的性能。

步骤7)采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)来检测预测模型的精确度：

电力推进在船舶电力消耗占比较大，预测精度的准确程度直接影响船舶电网的稳定运行与电力系统的经济行。推力直接决定电力的消耗，而推进电动机的推力取决于船舶运动和海洋环境中的耐波性。对波浪、风和洋流建立模型，来预测电力推进的功耗。

步骤8)波浪模型包括幅度，频率，相位和方向，波浪能量的计算其可以从海浪谱中获得。

式中：H_1/3为显著有效波高；T_p为峰值频率周期；γ为谱峰提升因子，平均值为3.3；γ^A为峰值频率：

式中：ω为波频率；

为峰值频率；

ω_P可以使用公式(2)计算波频谱的形状是由ω_P确定，因此，它是直接影响不规则波数据的关键因素。

步骤9)风模型的建立上，风具有平均方向和平均速度以及在一定范围内的方向和速度变化。风荷载可以用船舶速度用方程式来描述。

式中：ρ_A为空气密度；C_AX为x分量风系数；C_AY为y分量风系数；C_H为倾斜效应系数；

为相对风向；为相对风速；A_T为前投射面积；A_L为横向投射面积；

步骤10)洋流只考虑平均洋流，考虑2D(x，y)分量。通过平均速度和方向的参数化可以表示洋流负载：

式中：ρ_C为水密度；C_CX为X分量系数；C_CY为Y分量系数；

为相对洋流方向；U_CX为X分量相对速度；U_CY为Y分量相对速度；A_T为正面投影面积；A_L为横向投影面积；L_PP为垂线间长；

步骤11)风和风荷载计算模型添加到海洋系统模拟器(MSS)模型来构建船舶运动模型。MSS可用于计算船舶运动和波浪和洋流的耐波性，风荷载计算模型可用于计算风荷载对船舶的影响，推进电动机的推力取决于船舶运动和海洋环境中的耐波性。使用波浪，风和洋流的输入和船舶数据使用六个自由度(DOF)计算船舶运动(Ansys工具计算)。利用船舶数据转换为船舶运动模型中可用的变量。

步骤12)波浪，风和洋流模型可以描述海洋环境，以及可以计算船舶运动状态产生的推力。估算电力船舶运动，海洋环境外力和推力之间的关系如下：

式中：i、j为状态标号1：波动、2：摆动、3：波荡、4：簸荡、5：定点、6：偏航；x为运动的平移和旋转位移；

为平移和旋转速度；

为平移和旋转加速度；M_ij为船舶刚体质量和惯性矩阵；m_ij为船舶增加质量和增加惯性矩阵；B_ij为阻尼系数矩阵；C_ij为恢复系数矩阵；Fw_j为波浪载荷矩阵；Fwd_j为风载荷矩阵；Fc_j为洋流载荷矩阵；Fm_j为主推进器负载；Fb_j为船首推进器负载；

步骤13)使用因子C_p表示海洋环境负荷与在船上产生推力所消耗的电力之比，用于预测船舶的电力消耗。C_p的值可以通过考虑推进电动机的推力规格，螺旋桨特性和船速来确定。(通过参考之前的论文(Bortnowska，2007)使用了0.2的C_p值。)很难得到C_p的准确值，因为它受螺旋桨直径，RPM，螺距以及电动机和螺旋桨之间的相互作用的影响。因此采用近似值。推进器的总推力为F_p并且它们消耗的电功率为P_c，其之间的关系可以近似为：

式中：P_c为推进器的总功耗；F_p为推进器的总推力；F_m为主推进器推力；F_b为船首推进器推力；C_p为描述船舶推进器产生推力的功率消耗的使用系数；

步骤14)在(16)中得到推力预测估算的结果利用(17)进行转速与推进电机输出转矩的计算，最后利用转矩与功率的关系求得消耗的功率。

式中：ρ为海水密度；n为螺旋桨转速；D为螺旋桨直径；K_p为螺旋桨推力系数；K_m为阻转矩系数；T_m为推进电机输出转矩；T_L为螺旋桨阻转矩；

步骤15)最后将电力推进部分与基本设备、生活用电负荷两部分预测结果作为船舶电力总负荷预测。

目前针对电力推进船的负荷预测研究还很少，一般均采用与陆上负荷预测相似的方式进行预测，由于电推船的主要特点是将推进动力与电站动力合二为一，同时航行过程中受到风、浪、流的影响，因此像陆上负荷仅采用深度学习算法会存在较大的误差。本发明考虑将电力推进船负荷分为两部分，包括推进功率的负荷，以及船舶基本设备、生活用电负荷。推进负荷采用波浪，风和洋流模型计算船舶运动状态产生的推力，估算电力船舶运动，海洋环境外力和推力之间的关系。船舶基本设备、生活用电负荷与陆上负荷相似采用深度学习算法进行预测。该方法可以充分考虑到电推船的特点，达到准确的负荷预测。

Claims (1)

1.一种用于电力推进船的综合电力负荷预测方法，其特征是，包括电力推进负荷预测和船舶基本设备、生活用电预测，所述船舶基本设备、生活用电预测利用深度学习算法计算，所述电力推进负荷预测包括外力引起的船舶运动和维持船舶推进所需推力；所述外力引起的船舶运动包括波浪模型建立、风能模型建立；所述维持船舶推进所需推力包括主推进器和船首推进器，具体步骤如下：

步骤一：计算由于海洋环境引起的外力：

1.1、波浪模型建立：从海浪谱中获得；

式中：H_1/3为显著有效波高；T_p为峰值频率周期；γ为谱峰提升因子，平均值为3.3；γ^A为峰值频率：

式中：ω为波频率；

为峰值频率；

1.2：风模型建立：用船舶速度用方程式来描述；

式中：ρ_A为空气密度；C_AX为x分量风系数；C_AY为y分量风系数；C_H为倾斜效应系数；

为相对风向；U_A为相对风速；A_T为前投射面积；A_L为横向投射面积；X_A为x分量风载荷；Y_A为y分量风载荷；

1.3：洋流模型建立：

式中：ρ_C为水密度；C_CX为X分量系数；C_CY为Y分量系数；

为相对洋流方向；U_CX为X分量相对速度；U_CY为Y分量相对速度；A_T为正面投影面积；A_L为横向投影面积；L_PP为垂线间长；X_c为x分量洋流载荷；Y_C为y分量洋流载荷；

步骤二：分析外力引起的船舶运动；

使用波浪，风和洋流的输入和船舶数据使用六个自由度计算船舶运动，Ansys工具计算，利用船舶数据转换为船舶运动模型中可用的变量；

步骤三：计算推进和姿势维护所需的推力；

海洋环境外力和推力之间的关系如下：

式中：i、j为状态标号1：波动、2：摆动、3：波荡、4：簸荡、5：定点、6：偏航；x为运动的平移和旋转位移；

为平移和旋转速度；

为平移和旋转加速度；M_ij为船舶刚体质量和惯性矩阵；m_ij为船舶增加质量和增加惯性矩阵；B_ij为阻尼系数矩阵；C_ij为恢复系数矩阵；Fw_j为波浪载荷矩阵；Fwd_j为风载荷矩阵；Fc_j为洋流载荷矩阵；Fm_j为主推进器负载；Fb_j为船首推进器负载；

步骤四：由推进电动机产生的推力计算电动机消耗的功率；

推进器的总推力为F_p并且它们消耗的电功率为P_c，其之间的关系可以近似为：

F_P＝F_m+F_b

p_c＝F_P/c_p

式中：P_c为推进器的总功耗；F_p为推进器的总推力；F_m为主推进器推力；F_b为船首推进器推力；C_p为描述船舶推进器产生推力的功率消耗的使用系数。

Images