當(dāng)前，各國對港口的投入增加，目的是構(gòu)建現(xiàn)代化國際物流港口，助推經(jīng)濟(jì)發(fā)展[1]。港口電力設(shè)備作為港口運行的關(guān)鍵所在，在港口快速、高效運行中起著重要的作用。目前港口供電大多采用傳統(tǒng)模式的調(diào)度管理指令，依靠值班員巡邏、安檢，工作效率不高且耗費人力、物力，專注于無人化、高效的調(diào)度模式是大勢所趨，因此，針對供電系統(tǒng)的智能化故障預(yù)測極為重要[2]。

1.基于神經(jīng)網(wǎng)絡(luò)的供電系統(tǒng)預(yù)測模型

1.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種具有強大學(xué)習(xí)能力的多層前饋神經(jīng)網(wǎng)絡(luò)，具有正向傳播和反向誤差修復(fù)的特點。在正向傳播過程中，信號按照層級依次通過輸入層、隱藏層和輸出層，當(dāng)輸出層的輸出結(jié)果與實際數(shù)值存在較大誤差時，BP神經(jīng)網(wǎng)絡(luò)會啟動反向誤差修復(fù)機制[3]。反向誤差修復(fù)表現(xiàn)為誤差信號逆向?qū)蛹墏鬟f，從輸出層開始逐層修正神經(jīng)元的表達(dá)式，直至迭代出正向的結(jié)果。

當(dāng)信號源正向輸入時，第K個輸入層的神經(jīng)元信號公式為：

第K個輸出層的神經(jīng)元信號公式為：

各節(jié)點層中的輸出結(jié)果與實際數(shù)值不相符時，啟動反向修正，對神經(jīng)系統(tǒng)模型中的節(jié)點參數(shù)進(jìn)行調(diào)整，調(diào)整好的參數(shù)重新進(jìn)行正向傳播，重復(fù)此過程直至輸出結(jié)果正確。假設(shè)樣本有P個，模型的誤差目標(biāo)函數(shù)公式為：

輸出層閾值修正公式為：

權(quán)值修正公式為：

隱藏層閾值修正公式為：

權(quán)值修正公式為：

式中： ΔW_ij 是輸入層中j到i的權(quán)重值，i=1，2，3....q，j=1，2，3...q； θ_i 是隱藏層中i神經(jīng)元的閾值； O_k 是輸出層第K個神經(jīng)元的輸出信號； ? 是隱藏層中的激活函數(shù)； ω 是輸出層中的激活函數(shù)。

1.2支持向量機

支持向量機（SVM）是機器學(xué)習(xí)領(lǐng)域中一種基于數(shù)理統(tǒng)計理論的強大框架算法，其核心優(yōu)勢在于結(jié)構(gòu)風(fēng)險最小化，這一特性使其在處理復(fù)雜數(shù)據(jù)時，能有效避免過擬合問題，提升模型的泛化能力[4。在解決實際問題時，如港口供電系統(tǒng)故障預(yù)測等方面，SVM會先對樣本進(jìn)行處理。由于實際收集到的港口供電數(shù)據(jù)往往較為復(fù)雜，存在各種干擾因素，如何從這些數(shù)據(jù)中準(zhǔn)確提取特征并進(jìn)行分類是關(guān)鍵。SVM通過尋找一個合適的分類線，將不同類別的樣本精準(zhǔn)分割開來。BP神經(jīng)網(wǎng)絡(luò)運算流程如圖1所示。

假設(shè)構(gòu)建的預(yù)測模型函數(shù)公式為：y（x）=ωφ（x）+b

ω 是權(quán)重向量； Φ（x） 是將輸入數(shù)據(jù)Δx 映射到高維空間的函數(shù)；b是偏置項。為了求解這個模型的最佳參數(shù)，即找到最優(yōu)的@和b，對公式引入拉格朗日乘子 a_k 后，得到公式： 在這個公式中，eki表示某種誤差度量；N是樣本數(shù)量；xk是第k個樣本數(shù)據(jù)；yk是對應(yīng)的真實標(biāo)簽。通過拉格朗日乘子法，將原有的約束優(yōu)化問題轉(zhuǎn)化為無約束的優(yōu)化問題，大大簡化了求解過程。

通過修正后的模型公式為： （2

2.故障診斷預(yù)測檢測

預(yù)測模型是整個智能化故障診斷與預(yù)測體系的核心部分，其準(zhǔn)確性直接關(guān)系到能否提前發(fā)現(xiàn)供電系統(tǒng)潛在故障，通過將預(yù)測模型的輸出結(jié)果與實際檢測得到的真實數(shù)據(jù)進(jìn)行對比分析，可以量化模型的誤差，判斷模型是否能夠準(zhǔn)確捕捉供電系統(tǒng)運行狀態(tài)的變化趨勢。

為保證測試的準(zhǔn)確性，排除系統(tǒng)偶然故障的可能性，本研究劃分7天為一周期，共有9個周期（如表1）。通過測量供電智能化故障的預(yù)測數(shù)據(jù)，可看出實際值與預(yù)測值的大體趨勢相同。通過觀察實際數(shù)據(jù)發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)與支持向量機雖都與實際值的趨勢相符，但BP神經(jīng)網(wǎng)絡(luò)預(yù)測最大誤差為 8.66% 出現(xiàn)在第二周期中；支持向量機預(yù)測最大誤差為 14.48% ，也出現(xiàn)在第二周期。因此得出BP神經(jīng)網(wǎng)絡(luò)比支持向量機預(yù)測誤差小，選用BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果較佳的結(jié)論[5]。

3.結(jié)束語

港口的貨物轉(zhuǎn)運需要依靠大型機械設(shè)備，而大型機械設(shè)備需要電力來完成工作，因此，港口的電力保障工作尤為重要。本文從現(xiàn)實因素出發(fā)，設(shè)計港口的電力系統(tǒng)，根據(jù)大數(shù)據(jù)的特點，結(jié)合智能算法的優(yōu)勢，研究大數(shù)據(jù)模式的供

gt;gt;圖片來源于網(wǎng)絡(luò)。

電系統(tǒng)智能化故障診斷，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率更高，此研究對預(yù)測港口供電系統(tǒng)的故障率具有重要意義。

[3]齊永志、詹維標(biāo)、梁焰培等。港口快速電力保障系統(tǒng)研發(fā)與應(yīng)用[J]集裝箱化，2024，35（10）：19-22.

參考文獻(xiàn)：

[1]俞奏。新時代供電服務(wù)管控體系的構(gòu)建研究[J]燈與照明，2025，49（02）：114-117.

[2]王偉。港口行業(yè)資源整合的成效和待解決的問題[J]中國港□，2025，（03）：8-10.

[4]張舜、程曉通、李瓊。基于BP神經(jīng)網(wǎng)絡(luò)算法的物聯(lián)網(wǎng)電力設(shè)備故障定位方法[J].無線互聯(lián)科技，2024，21（19）：86-89.

[5]楊亞東、耿麗清、楊耿煌等。改進(jìn)PSO-BP算法的短期電力負(fù)荷預(yù)測方法[J].天津職業(yè)技術(shù)師范大學(xué)學(xué)報，2024，34（03）：15-20.作者單位：北部灣港防城港碼頭有限公司