鄭 高，陳思良

（1.武警海警學院 機電管理系，浙江寧波 315801；2.廣東海警支隊 陽江大隊，廣東陽江 529600）

0 引言

船舶電力推進是指以電力為動力，通過電動機驅(qū)動螺旋槳，從而推進船舶運行的一種推進形式。電力推進裝置具有占用空間少、易于布置、機動性好、噪聲低、振動小、經(jīng)濟性高等優(yōu)點，具有良好的應用前景[1]。在船舶電力推進系統(tǒng)中，控制技術是重點和難點，電力負荷預測是其基礎工作之一。電力負荷預測是否準確，極大地影響著電力推進船舶的穩(wěn)定性和經(jīng)濟性，而電力負荷的波動具有強隨機性和非線性，對其進行準確預測的難度很大。

與傳統(tǒng)技術不同，模糊邏輯在控制或處理對象時，無需精確的數(shù)學模型，而是依賴于現(xiàn)場工作人員長期累積的經(jīng)驗，或是領域?qū)＜一诳煽恐R所提出的模糊規(guī)則，適用于復雜非線性對象[2]?；谀：辖⒌哪：到y(tǒng)，具有模仿人類思維進行模糊推理的功能，是理想的萬能逼近器，可以無限逼近任一非線性函數(shù)[3]。模糊邏輯是處理電力推進船舶電力負荷數(shù)據(jù)隨機性和非線性的有效方法。本文設計了一個非單值Mamdani模糊模型，用于某型電力推進船舶實際電力負荷時間序列的預測，并通過MATLAB仿真來檢驗其預測性能。

1 船舶電力推進系統(tǒng)

船舶電力推進系統(tǒng)主要由原動機、發(fā)電機、配電裝置、變壓器、變頻裝置、控制系統(tǒng)、電動機、螺旋槳等部分組成[4]。原動機消耗燃料而產(chǎn)生原動力，為發(fā)電機提供機械能。目前，在船舶電力推進系統(tǒng)中，原動機一般選用中、高速柴油機；當需要更大的電力或輸出功率時，則采用燃氣輪機。發(fā)電機將原動機提供的機械能轉(zhuǎn)換為電能，與原動機、配電板共同組成船舶發(fā)電機組，向全船用電設備供電。配電裝置集中控制、分配發(fā)電機所發(fā)出的電能，供給每臺用電設備。變壓器一般由初級線圈、次級線圈以及鐵芯組成；當初級線圈接入交流電時，根據(jù)電磁感應原理，在次級線圈中會感應出同頻但不同電壓的交流電。

在船舶電力推進系統(tǒng)當中，交流推進電動機轉(zhuǎn)速的變化需要通過改變頻率來實現(xiàn)，因此變頻裝置在船舶電力推進系統(tǒng)中起著至關重要的作用。控制系統(tǒng)則負責監(jiān)測各機電設備的運行狀態(tài)，采集其運行數(shù)據(jù)，分析故障趨勢，并根據(jù)傳感器所測的參數(shù)，完成執(zhí)行機構的正確操作。推進電動機與螺旋槳直接連接，帶動螺旋槳轉(zhuǎn)動，為船舶提供運行動力。螺旋槳俗稱“車葉”，將電動機產(chǎn)生的機械能轉(zhuǎn)變?yōu)橥七M力，推進船舶前進或后退。

2 船舶電力負荷預測方法

準確的電力負荷預測是保證船舶電力推進系統(tǒng)有效、可靠運行的基礎。短期船舶電力負荷預測是指相對短時間段內(nèi)（一般是1 h或1 h以內(nèi)）的電力負荷預測，得出的預測值更加接近船舶電力系統(tǒng)運行的實時數(shù)據(jù)[5]。目前用于電力推進船舶電力負荷預測的方法有2類，一類是傳統(tǒng)預測方法，時間序列預測法是其中常用的一種[5]；另一類是人工智能預測方法，模糊邏輯是其中具有代表性的一種方法。

2.1 時間序列預測法

時間序列預測法將電力負荷數(shù)據(jù)按照時間先后順序排列成數(shù)列進行研究和分析，根據(jù)其發(fā)展過程、方向和趨勢，進行延伸或類推，用當前若干個數(shù)據(jù)預測下一段時間可能達到的水平[6]。

2.2 模糊邏輯預測法

上個世紀60年代，畢業(yè)于美國哥倫比亞大學的自動控制專家Zadeh教授創(chuàng)立了模糊集合理論，開啟了模糊邏輯理論研究的先河[2]。經(jīng)過幾十年的發(fā)展，模糊邏輯理論日趨成熟，其應用也日益廣泛。在電力推進船舶中，許多影響電力負荷波動的因素無法用確切的數(shù)學模型進行表達?；谕评磉壿嬇c語言規(guī)則的模糊系統(tǒng)，可以表達一個復雜的非線性函數(shù)，適用于電負荷預測[7]。

設計電力推進船舶電力負荷模糊預測模型通常有以下2種途徑[8]：

1）利用人們長時間學習、實驗所積累的大量經(jīng)驗，或通過大量輸入/輸出數(shù)據(jù)建立模糊規(guī)則庫，選擇合適的模糊器、解模糊器和模糊推理機，構造出一個完整的模糊系統(tǒng)。但由于人們所得出的經(jīng)驗具有一定的局限性，可能會導致所建立的模糊規(guī)則不夠完備，隸屬度函數(shù)不夠準確，不能很好地應對被預測對象的不確定性與非線性性，從而影響了預測精度。

2）確定模糊系統(tǒng)的結構，允許模糊系統(tǒng)中的參數(shù)變化，再根據(jù)所獲取的輸入/輸出數(shù)據(jù)，通過自學習方法來確定這些參數(shù)，這也是本文所采用的方法。

3 非單值Mamdani模糊預測模型

3.1 模型設計

一個完備的模糊系統(tǒng)由規(guī)則庫、模糊器、推理機以及解模糊器4部分組成[8]。本文設計的電力推進船舶電力負荷模糊預測模型為Mamdani型，模糊規(guī)則形式如式(1)。模型有3個輸入、1個輸出，每個輸入論域含有3個模糊集合，則模糊規(guī)則庫共含有27（3×3×3）條模糊規(guī)則。

式中：l為模糊規(guī)則序數(shù)，l=1,2,...,27；i為輸入序數(shù)，i=1,2,3；為模糊規(guī)則前件模糊集合；Bl為模糊規(guī)則后件模糊集合。

采用高斯模糊器，輸入精確量被模糊化，如式(2)，如圖1所示。

利用反向傳播算法來訓練待定參數(shù)。

3.2 預測結果

以某型電力推進船舶的實際電力負荷數(shù)據(jù)為研究對象。取其以1 h為間隔的用電量，共12天含288個數(shù)據(jù)。前10天的數(shù)據(jù)共有240個，用于訓練參數(shù)；后2天的數(shù)據(jù)共有48個，用于檢驗模型的預測性能。

模型的預測精度用式(6)所示的平均相對誤差絕對值來衡量。

圖1 輸入模糊集合

模糊規(guī)則前件集合的隸屬度函數(shù)如式(3)，如圖2所示。

式中：yot為電力負荷模糊預測模型的預測值；st為電力負荷的實際值。

預測結果如圖3所示。

圖2 模糊規(guī)則前件模糊集合

圖3 預測結果

模糊規(guī)則后件集合的隸屬度函數(shù)為高斯函數(shù)，由于采用中心平均解模糊器，故可將其用中心yl來代替。

采用乘積模糊推理機，系統(tǒng)輸出如式(4)。

式中：M表示模糊規(guī)則的個數(shù)，M＝27；為模糊規(guī)則后件集合的隸屬度函數(shù)的中心；ωl為模糊規(guī)則的激活度，如式(5)。

式中：μXi(xi)為輸入模糊集合的隸屬度函數(shù)；

從預測結果可以看出，在區(qū)間[2,8]內(nèi)電力負荷的波動較大、非線性較強，因而預測誤差稍大；在其它區(qū)間內(nèi)，預測曲線能夠較好的跟蹤實際曲線的趨勢與走向。預測誤差為5.8%，說明模型具有良好的預測性能。

4 結論

隨著智能化、信息化、自動化時代的到來，電力負荷預測技術也逐步完善。與其它人工智能方法相結合，能夠大大提高模糊系統(tǒng)的逼近精度。本文簡單回顧了船舶電力推進系統(tǒng)與船舶電力負荷預測方法的基本理論，并以某型電力推進船舶（1 h）的實際電力負荷時間序列為研究對象，建立了一個非單值Mamdani模糊預測模型，以提高預測精度。

MATLAB仿真結果表明，該模型的預測誤差較低，具有良好的預測性能。將本文所述的綜合算法應用于電力推進船舶電力負荷的預測，定能取得更好的預測效果。