多模自適應艦船電力負荷預測算法

李東亮，張曉鋒，程 剛，戴余良

(海軍工程大學，湖北 武漢430033)

0 引言

隨著大批新型水面艦艇執行遠海航行和遠海作戰任務，作為現代艦船電力系統重要組成部分的能量管理系統 (EMS)得到廣泛應用，國內多所研究機構的文獻中［1-3］指出，在現代艦船能量管理系統中必須考慮歷史功率使用情況和未來功率的需求。同時，由于我國戰斗艦艇在長時間的遠海護航和遠海防御中，能量補給十分有限，而未知情況、緊急情況時有發生，這些迫使我們必須在艦船執行任務前做好充分的準備。艦船電力負荷預測系統能夠準確預測未來一段時間的艦艇電力負荷，為艦船執行遠海護航和遠海防御提供有力保障。然而，國內外針對艦船電力負荷預測的研究才剛剛起步。艦船電力負荷預測的主要問題方法途徑等都有待深入研究。

1 艦船電力負荷預測的主要問題和方法途徑

在艦船電力負荷預測中將各種影響因素考慮其中，結合常用的電力負荷預測思路，艦船電力負荷預測問題可做如下表達:

依據艦船執行任務情況，一般1～7 d的任務居多，1個月甚至半年以上的任務較少，這本身限制了數據樣本的數量。然而，即使是艦船在執行長時間的任務，它和民船又有很大的不同，武器裝備隨時參與用電也隨時停止用電，艦船本身既不是按照固定的航速，也不是按照固定的航向，所處的海域也要不斷變化，假如參照式(1)可以發現:y(i-h)，y(i-2h)，y(i-3h)，y(i-1d)，y(i-2d)，y(i-3d)等和i時刻的電力負荷值yi不一定具備相似性，也就是說，即使采集了大量的電力負荷數及其影響因素，由于艦船的特殊性，能夠參與預測的樣本數量非常有限。可見艦船電力負荷預測問題是一個小樣本預測問題。從式(1)可知，艦船電力負荷預測是一個典型的非線性預測問題。綜上所述，艦船電力負荷預測問題是一個典型的小樣本非線性預測問題。因此，研究能夠在小樣本非線性負荷特征下，取得較好預測效果的電力負荷的方法將是解決艦船電力負荷預測問題的一個有效途徑。

參照陸地電網區域性電力負荷預測的經驗，2個或多個不同城市如果其人口數量、城市組成、商業結構和天氣情況比較相似的話，電力負荷預測的訓練數據是可以共享的，即A城市的電力負荷歷史數據是可以拿來預測B城市的電力負荷的。艦船電力負荷預測問題與之相似:同型號艦船一般包括2艘或者多艘，雖然單艦電力負荷具有跨海域、跨年度、跨季節，任務的特殊性，造成可用于電力負荷預測的樣本數量較少，有時單艦電力負荷的某些情況的數據樣本極少或沒有，導致無法預測的程度:比如同種型號的2艘艦船A和B，A參加了遠海護航任務，而B沒有參加過，那么B在遇到遠海護航任務時，由于缺少歷史數據導致無法預測。但由于多艘同型號艦船的電器設備、武備等用電設備基本相同，執行的任務基本相似，航行和訓練海區也經常重疊，根據預測相似性原理，其電力負荷預測的訓練數據應該是可以共享的。那么，研究在實際電力負荷預測中如何利用多艘艦船的電力負荷數據進行單艘艦船的電力負荷預測將是艦船電力負荷預測的一個重要內容。

無論采用單艦電力負荷歷史數據作為因變量還是采用多艘同型艦的電力負荷作為因變量進行負荷預測，都要采集大量的負荷歷史數據和大量的影響因素集。假設通過人為經驗能夠對這些數據進行部分合理分類，在同一類中的負荷具有高度相似性的前提下是可以進行負荷預測的。然而，由于在信息采集過程中為了獲得最大的信息量，造成影響因素集(即式(1)右側部分)的維數特別大。一方面大量無關因素混雜其中，另一方面各個影響因素之間還存在著多重共線性，這些嚴重影響了艦船電力負荷預測的精度和速度。同時還應該看到在這一類中與預測負荷無關的因素，在另一類中可能是對預測負荷值影響較大的因素。所以，信息采集過程中獲得最大的信息量是必不可少的，正因如此，研究艦船電力負荷預測中影響因素集的數據處理方法也是艦船的電力負荷預測的一項重要研究內容。

在艦船電力負荷預測前都要采集大量的歷史數據和大量的影響因素集，由于預測的前提條件是歷史負荷，和被估計的負荷具有相似性，所以要將負荷按照相似性進行歸類。但由于艦船電力負荷是在復雜任務工況、海況等條件下變化的，大部分情況下，僅憑借經驗無法確定現有的負荷及其影響因素應該歸為幾類和每一類中應包含哪些元素，同時還應看到艦船電力負荷的分類不是一個簡單的二分類問題，而是復雜的多分類問題。而現有的文獻中還沒有用來判斷“艦船電力負荷及其影響因素集的相似性指標”。因此，研究能夠在給定大量負荷歷史數據和大量影響因素集的情況下，不依賴經驗自動優選出最優的聚類數目并進行聚類 (無監督聚類)，生成艦船電力負荷多類分類器的方法也是艦船的電力負荷預測的一項重要研究內容。

綜上所述，要解決艦船電力負荷預測問題需要在以下幾方面展開研究:

1)研究能夠在小樣本非線性負荷特征下，取得較好預測效果的電力負荷預測方法。

2)研究在實際電力負荷預測中如何利用多艘艦船的電力負荷數據進行單艘艦船的電力負荷預測。

3)研究艦船電力負荷預測中影響因素集的數據預處理方法。

4)研究能夠在給定大量負荷歷史數據和大量影響因素集的情況下，不依賴經驗進行無監督聚類和生成艦船電力負荷多類分類器的方法。而綜合同型艦船的電力負荷歷史數據進行單艦特定時間的電力負荷預測是艦船電力負荷預測的主要途徑。

2 多模自適應船舶電力負荷預測算法

綜合考慮艦船電力負荷預測的主要問題和方法途徑，本文提出多模自適應船舶電力負荷預測算法。該算法以SVM算法為主要算法針對預測對象跨越時間、地域和任務的特點采用模糊 c-均值聚類和LSSVM結合的聚類和分類算法;針對電力負荷影響因素的多維數和多重共線性問題采用粗糙集和主成分分析相結合的算法［4］;針對傳統參數固定，不具備自適應能力的問題，采用PSO或GA優化手段［5-6］;針對電力負荷的非典型工況采用最優組合預測算法。然后通過算法流程的設計組成一種行之有效的多模自適應船舶電力負荷預測算法。

算法流程如圖1所示，主流程又可以分為模型訓練流程和預測流程。

為了說明算法流程，首先假設有1 000組數據，分別來源于A型艦的A1號艦和A2號艦，稱每組數據為1個點，每個點包含電力負荷大小、空氣溫度、海浪高度、風速、船舶相對于海浪的航向及執行的任務工況等信息。取其中的一部分比例 (這里暫定90%)作為訓練數據，則10%作為預測驗證數據。訓練流程如下:

1)原始數據歸一化。

2)900點作為FCM-LSSVM算法分類和分類器設計之用，100點留下來。

3)FCM-LSSVM算法得到C個聚類和1個多分類器，每一類都根據“數據中的歐氏距離”進行預測前的參數整理，即傳統預測是根據時間的先后來選取輸入變量，而本文是以歐氏距離的遠近來選取附加輸入參數。此時式(1)更改為式(2)，即

式中:y(i-1L)為與該點歐氏距離最近的負荷值;y(i-2L)為歐氏距離第二近的負荷值;y(i-1L)為歐氏距離第三近的負荷值。

圖1 多模自適應船舶電力負荷預測算法流程圖Fig.1 Multi-mode adaptive warship load forecastin flow chart

4)每一類數據都進行粗集屬性約簡和主成分分析。

5)每一類內數據進行GA/PSO優化的SVM回歸建模，得出C個基于聚類的SVM預測子模型。

6)訓練流程結束。

預測流程如下:

1)留下來的100點歸一化后的數據，先用多分類器進行分類，屬于現有的C個分類的每個點要單獨預測。不屬于現有分類的點，根據該點與鄰近聚類中心的距離選擇3個單類作為其預測模型進行組合預測。

2)以1個單點為例，假設點i屬于第i類，則在選擇模型輸入變量的時候，選取此類中與i點歐氏距離最近的3個點，作為附加輸入變量。

3)采用第i類中的屬性約簡和主成分分析規則對點i的數據進行處理，得到相應主成分。

4)處理后的數據輸入第i類模型進行預測，得到預測結果。

5)假設點j不屬于任何一個分類，則把j點數據分別輸入3個已選擇的單類中，單類模型的選取，是根據該點與C類模型輸入數據的聚類中心的距離來判斷的，選取3個距離最近的，作為組合預測的子模型。按照每個單類的規則進行數據預處理，結果依據最優權重進行組合，得到預測結果。

6)綜合4)和5)的結果得到最終預測結果。

3 實例分析

以某型艦的B艦和A艦60 d的負荷曲線圖，其中對停靠碼頭的數據進行了補全處理。

選取24 h×60 d×2艘艦船，共2 880個點，及相關的影響因素組成3組實驗。

預測1:采用多模自適應船舶電力負荷預測算法，用A艦自身60 d中的前53組數據建模，來預測A艦最后7 d的電力負荷;

預測2:采用多模自適應船舶電力負荷預測算法，用A艦前53組數據和B艦60 d的電力負荷數據建模，來預測A艦最后7 d的電力負荷;

預測3:直接采用PSO-SVM算法，用A艦自身60 d中的前53組數據建模，來預測A艦最后7 d的電力負荷。

3種情況的預測曲線如圖2～圖4所示。3種情況的均方根誤差和決定系數如表1所示。

表1 均方根誤差、決定系數和運行時間表Tab.1 A contrast of load predict errors

由圖2～圖4的預測趨勢圖可知，沒有經過聚類分析和分類處理的PSO-SVM算法預測的電力負荷在趨勢上有明顯的偏離現象，即部分預測負荷在實際負荷上升時反而下降，下降時反而上升。而經過多模自適應船舶電力負荷預測算法)預測的2組負荷在預測趨勢上和實際負荷保持一致。

由表1可知，預測2(基于B艦和A艦數據的多模自適應船舶電力負荷預測算法預測的均方誤差 (mse)比采用單艘艦船相同算法預測1，和直接采用PSO-SVM算法的預測3小很多，這說明同型號艦船電力負荷預測比單艦電力負荷預測具有更高的精度;預測2的決定系數達到0.998，最接近于1，這說明同型號艦船電力負荷預測比單艦電力負荷預測具有更好的泛化能力。如果直接采用PSO-SVM算法在部分平穩負荷的預測中雖然能夠取得一定的精度和泛化能力，但是當預測時間長達7 d，工況復雜的情況下該算法的的mse為0.406%，決定系數為0.350＜0.5，說明該算法在復雜工況的電力負荷預測中誤差較高，泛化能力很差。同時也證明了在艦船電力負荷預測中進行聚類和分類的重要性。

4 結語

本文通過分析艦船電力負荷預測的特殊性，給出了艦船電力負荷預測的主要問題和方法途徑。本文提出的多模自適應艦船電力負荷預測方法，經實驗證明具有較好的精度和泛化能力，是一種有效的艦船電力負荷預測方法。

［1］韓旗，黃一民，張紀元，等.船舶能量管理系統技術［J］.船舶工程，2009，31(S1):102-104.

［2］張凱杰.船舶能量管理系統軟件設計［J］.上海船舶運輸科學研究所學報，2008，31(1):31-34.

［3］宋波.船舶能量管理系統設計研究［J］.中國艦船研究，2011，6(2):93-97.

［4］LI D L，ZHANG X F，QIAO M Z，et al.A short-term load forecasting method of warship based on PSO-SVM method［J］.Applied Mechanics and Materials，2011(127):569-574.

［5］LI D L，ZHANG X F，QIAO M Z，et al.An improved load forecasting method of warship based on GA-SVR［A］.2011 International Conference on Transportation and Mechanical＆ Electrical Engineering.Piscataway［C］，N.J.:IEEE Press，2011:2285-2288.

［6］LI D L，ZHANG X F，QIAO M Z，et al.An improved shortterm load forecasting method of warship based on rough set［A］.Proceeding of the 2011 national Conference on Electronic Information Technology and Application［C］.USA:Scientific Research publishing，Inc.，2011.652-656.