[发明专利]基于蚁群和支持向量机算法的船舶电力负荷分配方法

说明书

技术领域

本发明涉及船舶工程技术领域，具体涉及基于蚁群和支持向量机算法的船舶电力负荷分配方法。

背景技术

船舶全电力推进是将船舶的推进用电和作业用电等负载用电集中生产，统一分配的新兴技术。全电力推进系统能产生几十甚至上百兆级容量的电能，在满足船舶推进用电的同时，为其他大功率负载设备的使用奠定基础。与陆地电网不同，船舶全电力推进系统容量有限，众多大功率负载设备的使用可能导致系统过载而崩溃，为了防止出现此类问题，并在负载之间灵活调度电能，需要对船舶电力系统统一管理负载。

发明内容

本发明的目的在于提供一种基于蚁群和支持向量机算法的船舶电力负荷分配方法，使船舶电力系统能自适应作业变化、装载变化和海况变化，提高船舶电力系统的运行效率和可靠性。

本发明是通过以下技术方案实现的，本发明包括：数据库、蚁群算法和支持向量机算法。本发明所述的数据库，用于采集包括船舶航行时的环境数据、电力系统的发电机组配备数据、各种电力设备的用电负荷级别和相关负荷启动及卸载操作情况的数据。本发明所述的蚁群算法，用于对数据库采集和存储的大量数据进行筛选和优化。本发明所述的支持向量机算法采用v-支持向量机和混合核函数法，用于建立电力负荷分配模型，构成电力负荷管理系统。船舶操纵人员在船舶作业变化、装载变化和海况变化时，将各种变化数据作为条件输入给分配模型，分配模型则向操控人员提供辅助决策，同时将操纵人员最终抉择的负荷启动及卸载数据记录到数据库中，再采用蚁群算法和支持向量机算法对数据进行处理，旨在不断完善船舶电力负荷分配模型。

附图说明

图1是数据存储及其优化框图；

图2是支持向量机建模框图；

图3是船舶航行电力负荷分配实施框图。

具体实施方式

如图1所示，数据存储及其优化框图，用于存储和优化大量数据；如图2所示，支持向量机建模框图，用于建立电力负荷分配模型；如图3所示，船舶航行电力负荷分配实施框图，用于为船舶操纵员提供电力负荷分配的辅助决策。

具体实施步骤如下：

设数据集为{(x_i，y_i)，i＝1，2，…l}，其中x_i∈R^N为输入值，包含环境数据、电力系统的发电机组配备情况和各种用电设备的电力负荷级别；y_i∈R为对应的目标值，为负荷启动和卸载情况；l为样本数。

1、根据图1所示，采用蚁群算法进行数据筛选优化

以方均误差来描述各个用电设备的负荷使用情况，其中：n为用电设备个数，λ_i为用电设备级别加权系数(一级负荷为0.6，二级负荷为0.3，三级负荷为0.1)，y为用电设备实际分配的负荷，y′为额定的负荷。蚁群优化算法首先建立目标函数，然后采用蚁群的一般算法进行数据筛选优化，旨在筛选出负荷功率使用情况较小、整体运行较经济的数据，剔除负荷功率使用情况较大、整体运行较浪费的数据，以此作为支持向量机学习的样本集。

2、根据图2所示，采用支持向量机算法建立电力负荷分配模型

采用收敛速度较快和泛化能力较好的v-支持向量机和混合核函数的方法对船舶电力负荷进行建模。设从图1得出的样本集为{(x_i，y_i)，i＝1，2，…l}，其中x_i∈R^N为输入值，y_i∈R为对应的目标值，l为样本数。所要求拟合模型形式为：

f(x)＝w·φ(x)+b    w，φ(x)∈R^N，b ∈R           (1)

其中：w是参数列矢量，φ(·)是一个函数列矢量，它把输入样本从输入空间映射到特征空间，b是常值偏差。

将具有代表性的全局核函数(Polynomial核函数)和局部核函数(RBF核函数)组合构成一种混合核函数支持向量机，不仅具有良好的模型拟合精度，而且能有效抑制局部核函数所引起的预测输出波动，解决了系统建模的问题。即：

Polynomial核函数：K(x，x_i)＝[(xx_i)+1]^q；

RBF核函数：

混合函数：K_mix＝ρK_Poly+(1-ρ)K_RBF                                (2)