李東亮,張曉鋒,程 剛,戴余良
(海軍工程大學(xué),湖北 武漢430033)
隨著大批新型水面艦艇執(zhí)行遠(yuǎn)海航行和遠(yuǎn)海作戰(zhàn)任務(wù),作為現(xiàn)代艦船電力系統(tǒng)重要組成部分的能量管理系統(tǒng) (EMS)得到廣泛應(yīng)用,國內(nèi)多所研究機(jī)構(gòu)的文獻(xiàn)中[1-3]指出,在現(xiàn)代艦船能量管理系統(tǒng)中必須考慮歷史功率使用情況和未來功率的需求。同時(shí),由于我國戰(zhàn)斗艦艇在長(zhǎng)時(shí)間的遠(yuǎn)海護(hù)航和遠(yuǎn)海防御中,能量補(bǔ)給十分有限,而未知情況、緊急情況時(shí)有發(fā)生,這些迫使我們必須在艦船執(zhí)行任務(wù)前做好充分的準(zhǔn)備。艦船電力負(fù)荷預(yù)測(cè)系統(tǒng)能夠準(zhǔn)確預(yù)測(cè)未來一段時(shí)間的艦艇電力負(fù)荷,為艦船執(zhí)行遠(yuǎn)海護(hù)航和遠(yuǎn)海防御提供有力保障。然而,國內(nèi)外針對(duì)艦船電力負(fù)荷預(yù)測(cè)的研究才剛剛起步。艦船電力負(fù)荷預(yù)測(cè)的主要問題方法途徑等都有待深入研究。
在艦船電力負(fù)荷預(yù)測(cè)中將各種影響因素考慮其中,結(jié)合常用的電力負(fù)荷預(yù)測(cè)思路,艦船電力負(fù)荷預(yù)測(cè)問題可做如下表達(dá):
依據(jù)艦船執(zhí)行任務(wù)情況,一般1~7 d的任務(wù)居多,1個(gè)月甚至半年以上的任務(wù)較少,這本身限制了數(shù)據(jù)樣本的數(shù)量。然而,即使是艦船在執(zhí)行長(zhǎng)時(shí)間的任務(wù),它和民船又有很大的不同,武器裝備隨時(shí)參與用電也隨時(shí)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(fā)現(xiàn):y(i-h),y(i-2h),y(i-3h),y(i-1d),y(i-2d),y(i-3d)等和i時(shí)刻的電力負(fù)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(fù)荷數(shù)及其影響因素,由于艦船的特殊性,能夠參與預(yù)測(cè)的樣本數(shù)量非常有限??梢娕灤娏ω?fù)荷預(yù)測(cè)問題是一個(gè)小樣本預(yù)測(cè)問題。從式(1)可知,艦船電力負(fù)荷預(yù)測(cè)是一個(gè)典型的非線性預(yù)測(cè)問題。綜上所述,艦船電力負(fù)荷預(yù)測(cè)問題是一個(gè)典型的小樣本非線性預(yù)測(cè)問題。因此,研究能夠在小樣本非線性負(fù)荷特征下,取得較好預(yù)測(cè)效果的電力負(fù)荷的方法將是解決艦船電力負(fù)荷預(yù)測(cè)問題的一個(gè)有效途徑。
參照陸地電網(wǎng)區(qū)域性電力負(fù)荷預(yù)測(cè)的經(jīng)驗(yàn),2個(gè)或多個(gè)不同城市如果其人口數(shù)量、城市組成、商業(yè)結(jié)構(gòu)和天氣情況比較相似的話,電力負(fù)荷預(yù)測(cè)的訓(xùn)練數(shù)據(jù)是可以共享的,即A城市的電力負(fù)荷歷史數(shù)據(jù)是可以拿來預(yù)測(cè)B城市的電力負(fù)荷的。艦船電力負(fù)荷預(yù)測(cè)問題與之相似:同型號(hào)艦船一般包括2艘或者多艘,雖然單艦電力負(fù)荷具有跨海域、跨年度、跨季節(jié),任務(wù)的特殊性,造成可用于電力負(fù)荷預(yù)測(cè)的樣本數(shù)量較少,有時(shí)單艦電力負(fù)荷的某些情況的數(shù)據(jù)樣本極少或沒有,導(dǎo)致無法預(yù)測(cè)的程度:比如同種型號(hào)的2艘艦船A和B,A參加了遠(yuǎn)海護(hù)航任務(wù),而B沒有參加過,那么B在遇到遠(yuǎn)海護(hù)航任務(wù)時(shí),由于缺少歷史數(shù)據(jù)導(dǎo)致無法預(yù)測(cè)。但由于多艘同型號(hào)艦船的電器設(shè)備、武備等用電設(shè)備基本相同,執(zhí)行的任務(wù)基本相似,航行和訓(xùn)練海區(qū)也經(jīng)常重疊,根據(jù)預(yù)測(cè)相似性原理,其電力負(fù)荷預(yù)測(cè)的訓(xùn)練數(shù)據(jù)應(yīng)該是可以共享的。那么,研究在實(shí)際電力負(fù)荷預(yù)測(cè)中如何利用多艘艦船的電力負(fù)荷數(shù)據(jù)進(jìn)行單艘艦船的電力負(fù)荷預(yù)測(cè)將是艦船電力負(fù)荷預(yù)測(cè)的一個(gè)重要內(nèi)容。
無論采用單艦電力負(fù)荷歷史數(shù)據(jù)作為因變量還是采用多艘同型艦的電力負(fù)荷作為因變量進(jìn)行負(fù)荷預(yù)測(cè),都要采集大量的負(fù)荷歷史數(shù)據(jù)和大量的影響因素集。假設(shè)通過人為經(jīng)驗(yàn)?zāi)軌驅(qū)@些數(shù)據(jù)進(jìn)行部分合理分類,在同一類中的負(fù)荷具有高度相似性的前提下是可以進(jìn)行負(fù)荷預(yù)測(cè)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(cè)部分)的維數(shù)特別大。一方面大量無關(guān)因素混雜其中,另一方面各個(gè)影響因素之間還存在著多重共線性,這些嚴(yán)重影響了艦船電力負(fù)荷預(yù)測(cè)的精度和速度。同時(shí)還應(yīng)該看到在這一類中與預(yù)測(cè)負(fù)荷無關(guān)的因素,在另一類中可能是對(duì)預(yù)測(cè)負(fù)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(fù)荷預(yù)測(cè)中影響因素集的數(shù)據(jù)處理方法也是艦船的電力負(fù)荷預(yù)測(cè)的一項(xiàng)重要研究?jī)?nèi)容。
在艦船電力負(fù)荷預(yù)測(cè)前都要采集大量的歷史數(shù)據(jù)和大量的影響因素集,由于預(yù)測(cè)的前提條件是歷史負(fù)荷,和被估計(jì)的負(fù)荷具有相似性,所以要將負(fù)荷按照相似性進(jìn)行歸類。但由于艦船電力負(fù)荷是在復(fù)雜任務(wù)工況、海況等條件下變化的,大部分情況下,僅憑借經(jīng)驗(yàn)無法確定現(xiàn)有的負(fù)荷及其影響因素應(yīng)該歸為幾類和每一類中應(yīng)包含哪些元素,同時(shí)還應(yīng)看到艦船電力負(fù)荷的分類不是一個(gè)簡(jiǎn)單的二分類問題,而是復(fù)雜的多分類問題。而現(xiàn)有的文獻(xiàn)中還沒有用來判斷“艦船電力負(fù)荷及其影響因素集的相似性指標(biāo)”。因此,研究能夠在給定大量負(fù)荷歷史數(shù)據(jù)和大量影響因素集的情況下,不依賴經(jīng)驗(yàn)自動(dòng)優(yōu)選出最優(yōu)的聚類數(shù)目并進(jìn)行聚類 (無監(jiān)督聚類),生成艦船電力負(fù)荷多類分類器的方法也是艦船的電力負(fù)荷預(yù)測(cè)的一項(xiàng)重要研究?jī)?nèi)容。
綜上所述,要解決艦船電力負(fù)荷預(yù)測(cè)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(fù)荷特征下,取得較好預(yù)測(cè)效果的電力負(fù)荷預(yù)測(cè)方法。
2)研究在實(shí)際電力負(fù)荷預(yù)測(cè)中如何利用多艘艦船的電力負(fù)荷數(shù)據(jù)進(jìn)行單艘艦船的電力負(fù)荷預(yù)測(cè)。
3)研究艦船電力負(fù)荷預(yù)測(cè)中影響因素集的數(shù)據(jù)預(yù)處理方法。
4)研究能夠在給定大量負(fù)荷歷史數(shù)據(jù)和大量影響因素集的情況下,不依賴經(jīng)驗(yàn)進(jìn)行無監(jiān)督聚類和生成艦船電力負(fù)荷多類分類器的方法。而綜合同型艦船的電力負(fù)荷歷史數(shù)據(jù)進(jìn)行單艦特定時(shí)間的電力負(fù)荷預(yù)測(cè)是艦船電力負(fù)荷預(yù)測(cè)的主要途徑。
綜合考慮艦船電力負(fù)荷預(yù)測(cè)的主要問題和方法途徑,本文提出多模自適應(yīng)船舶電力負(fù)荷預(yù)測(cè)算法。該算法以SVM算法為主要算法針對(duì)預(yù)測(cè)對(duì)象跨越時(shí)間、地域和任務(wù)的特點(diǎn)采用模糊 c-均值聚類和LSSVM結(jié)合的聚類和分類算法;針對(duì)電力負(fù)荷影響因素的多維數(shù)和多重共線性問題采用粗糙集和主成分分析相結(jié)合的算法[4];針對(duì)傳統(tǒng)參數(shù)固定,不具備自適應(yīng)能力的問題,采用PSO或GA優(yōu)化手段[5-6];針對(duì)電力負(fù)荷的非典型工況采用最優(yōu)組合預(yù)測(cè)算法。然后通過算法流程的設(shè)計(jì)組成一種行之有效的多模自適應(yīng)船舶電力負(fù)荷預(yù)測(cè)算法。
算法流程如圖1所示,主流程又可以分為模型訓(xùn)練流程和預(yù)測(cè)流程。
為了說明算法流程,首先假設(shè)有1 000組數(shù)據(jù),分別來源于A型艦的A1號(hào)艦和A2號(hào)艦,稱每組數(shù)據(jù)為1個(gè)點(diǎn),每個(gè)點(diǎn)包含電力負(fù)荷大小、空氣溫度、海浪高度、風(fēng)速、船舶相對(duì)于海浪的航向及執(zhí)行的任務(wù)工況等信息。取其中的一部分比例 (這里暫定90%)作為訓(xùn)練數(shù)據(jù),則10%作為預(yù)測(cè)驗(yàn)證數(shù)據(jù)。訓(xùn)練流程如下:
1)原始數(shù)據(jù)歸一化。
2)900點(diǎn)作為FCM-LSSVM算法分類和分類器設(shè)計(jì)之用,100點(diǎn)留下來。
3)FCM-LSSVM算法得到C個(gè)聚類和1個(gè)多分類器,每一類都根據(jù)“數(shù)據(jù)中的歐氏距離”進(jìn)行預(yù)測(cè)前的參數(shù)整理,即傳統(tǒng)預(yù)測(cè)是根據(jù)時(shí)間的先后來選取輸入變量,而本文是以歐氏距離的遠(yuǎn)近來選取附加輸入?yún)?shù)。此時(shí)式(1)更改為式(2),即
式中:y(i-1L)為與該點(diǎn)歐氏距離最近的負(fù)荷值;y(i-2L)為歐氏距離第二近的負(fù)荷值;y(i-1L)為歐氏距離第三近的負(fù)荷值。
圖1 多模自適應(yīng)船舶電力負(fù)荷預(yù)測(cè)算法流程圖Fig.1 Multi-mode adaptive warship load forecastin flow chart
4)每一類數(shù)據(jù)都進(jìn)行粗集屬性約簡(jiǎn)和主成分分析。
5)每一類內(nèi)數(shù)據(jù)進(jìn)行GA/PSO優(yōu)化的SVM回歸建模,得出C個(gè)基于聚類的SVM預(yù)測(cè)子模型。
6)訓(xùn)練流程結(jié)束。
預(yù)測(cè)流程如下:
1)留下來的100點(diǎn)歸一化后的數(shù)據(jù),先用多分類器進(jìn)行分類,屬于現(xiàn)有的C個(gè)分類的每個(gè)點(diǎn)要單獨(dú)預(yù)測(cè)。不屬于現(xiàn)有分類的點(diǎn),根據(jù)該點(diǎn)與鄰近聚類中心的距離選擇3個(gè)單類作為其預(yù)測(cè)模型進(jìn)行組合預(yù)測(cè)。
2)以1個(gè)單點(diǎn)為例,假設(shè)點(diǎn)i屬于第i類,則在選擇模型輸入變量的時(shí)候,選取此類中與i點(diǎn)歐氏距離最近的3個(gè)點(diǎn),作為附加輸入變量。
3)采用第i類中的屬性約簡(jiǎn)和主成分分析規(guī)則對(duì)點(diǎn)i的數(shù)據(jù)進(jìn)行處理,得到相應(yīng)主成分。
4)處理后的數(shù)據(jù)輸入第i類模型進(jìn)行預(yù)測(cè),得到預(yù)測(cè)結(jié)果。
5)假設(shè)點(diǎn)j不屬于任何一個(gè)分類,則把j點(diǎn)數(shù)據(jù)分別輸入3個(gè)已選擇的單類中,單類模型的選取,是根據(jù)該點(diǎn)與C類模型輸入數(shù)據(jù)的聚類中心的距離來判斷的,選取3個(gè)距離最近的,作為組合預(yù)測(cè)的子模型。按照每個(gè)單類的規(guī)則進(jìn)行數(shù)據(jù)預(yù)處理,結(jié)果依據(jù)最優(yōu)權(quán)重進(jìn)行組合,得到預(yù)測(cè)結(jié)果。
6)綜合4)和5)的結(jié)果得到最終預(yù)測(cè)結(jié)果。
以某型艦的B艦和A艦60 d的負(fù)荷曲線圖,其中對(duì)停靠碼頭的數(shù)據(jù)進(jìn)行了補(bǔ)全處理。
選取24 h×60 d×2艘艦船,共2 880個(gè)點(diǎn),及相關(guān)的影響因素組成3組實(shí)驗(yàn)。
預(yù)測(cè)1:采用多模自適應(yīng)船舶電力負(fù)荷預(yù)測(cè)算法,用A艦自身60 d中的前53組數(shù)據(jù)建模,來預(yù)測(cè)A艦最后7 d的電力負(fù)荷;
預(yù)測(cè)2:采用多模自適應(yīng)船舶電力負(fù)荷預(yù)測(cè)算法,用A艦前53組數(shù)據(jù)和B艦60 d的電力負(fù)荷數(shù)據(jù)建模,來預(yù)測(cè)A艦最后7 d的電力負(fù)荷;
預(yù)測(cè)3:直接采用PSO-SVM算法,用A艦自身60 d中的前53組數(shù)據(jù)建模,來預(yù)測(cè)A艦最后7 d的電力負(fù)荷。
3種情況的預(yù)測(cè)曲線如圖2~圖4所示。3種情況的均方根誤差和決定系數(shù)如表1所示。
表1 均方根誤差、決定系數(shù)和運(yùn)行時(shí)間表Tab.1 A contrast of load predict errors
由圖2~圖4的預(yù)測(cè)趨勢(shì)圖可知,沒有經(jīng)過聚類分析和分類處理的PSO-SVM算法預(yù)測(cè)的電力負(fù)荷在趨勢(shì)上有明顯的偏離現(xiàn)象,即部分預(yù)測(cè)負(fù)荷在實(shí)際負(fù)荷上升時(shí)反而下降,下降時(shí)反而上升。而經(jīng)過多模自適應(yīng)船舶電力負(fù)荷預(yù)測(cè)算法)預(yù)測(cè)的2組負(fù)荷在預(yù)測(cè)趨勢(shì)上和實(shí)際負(fù)荷保持一致。
由表1可知,預(yù)測(cè)2(基于B艦和A艦數(shù)據(jù)的多模自適應(yīng)船舶電力負(fù)荷預(yù)測(cè)算法預(yù)測(cè)的均方誤差 (mse)比采用單艘艦船相同算法預(yù)測(cè)1,和直接采用PSO-SVM算法的預(yù)測(cè)3小很多,這說明同型號(hào)艦船電力負(fù)荷預(yù)測(cè)比單艦電力負(fù)荷預(yù)測(cè)具有更高的精度;預(yù)測(cè)2的決定系數(shù)達(dá)到0.998,最接近于1,這說明同型號(hào)艦船電力負(fù)荷預(yù)測(cè)比單艦電力負(fù)荷預(yù)測(cè)具有更好的泛化能力。如果直接采用PSO-SVM算法在部分平穩(wěn)負(fù)荷的預(yù)測(cè)中雖然能夠取得一定的精度和泛化能力,但是當(dāng)預(yù)測(cè)時(shí)間長(zhǎng)達(dá)7 d,工況復(fù)雜的情況下該算法的的mse為0.406%,決定系數(shù)為0.350<0.5,說明該算法在復(fù)雜工況的電力負(fù)荷預(yù)測(cè)中誤差較高,泛化能力很差。同時(shí)也證明了在艦船電力負(fù)荷預(yù)測(cè)中進(jìn)行聚類和分類的重要性。
本文通過分析艦船電力負(fù)荷預(yù)測(cè)的特殊性,給出了艦船電力負(fù)荷預(yù)測(cè)的主要問題和方法途徑。本文提出的多模自適應(yīng)艦船電力負(fù)荷預(yù)測(cè)方法,經(jīng)實(shí)驗(yàn)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(fù)荷預(yù)測(cè)方法。
[1]韓旗,黃一民,張紀(jì)元,等.船舶能量管理系統(tǒng)技術(shù)[J].船舶工程,2009,31(S1):102-104.
[2]張凱杰.船舶能量管理系統(tǒng)軟件設(shè)計(jì)[J].上海船舶運(yùn)輸科學(xué)研究所學(xué)報(bào),2008,31(1):31-34.
[3]宋波.船舶能量管理系統(tǒng)設(shè)計(jì)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.