基于BOA-LSSVM的电力推进船舶负荷预测.pdf
《基于BOA-LSSVM的电力推进船舶负荷预测.pdf》由会员分享,可在线阅读,更多相关《基于BOA-LSSVM的电力推进船舶负荷预测.pdf(8页珍藏版)》请在咨信网上搜索。
1、第45卷第2 0 期2023年10 月舰船科学技术SHIP SCIENCEANDTECHNOLOGYVol.45,No.20Oct.,2023基于 BOA-LSSVM 的电力推进船舶负荷预测舒方舟1,王莹,戴晓强13,刘维亭1(1.江苏科技大学自动化学院,江苏镇江2 12 10 0;2.江苏科技大学计算机学院,江苏镇江2 12 10 0;3.舟山市江科船舶与海洋工程装备研发中心,浙江舟山2 12 316)摘要:船舶电力系统容量小,负荷波动性强,船舶电力负荷预测对于船舶电力系统的稳定性和安全性意义重大。本文提出一种能够对船舶电力负荷进行有效且准确的负荷预测方法,在传统的以最小二乘支持向量机作为船
2、舶电力负荷预测方法的基础上,将变种卡方核函数与RBF核函数相结合,同时支持向量机的正则化参数C和标准化参数的取值对预测精度影响较大,故使用改进的蝴蝶优化算法对预测模型中的参数以及变种卡方核函数的权重系数进行寻优。仿真结果表明,本文提出的预测方法将负荷预测精度提升至97.5119%,因变种卡方核函数的引入,算法能够对特征向量分量权重进行自动调节,并且经蝴蝶优化算法进行参数寻优后的预测模型更为准确,船舶电力负荷预测精度得到进一步提升。关键词:电力推进船舶;负荷预测;支持向量机;组合核函数;蝴蝶优化算法中图分类号:U664.3文章编号:16 7 2-7 6 49(2 0 2 3)2 0-0 159-
3、0 8Load forecasting of electric propulsion ship based on BOA-LSSVMSHU Fang-zhou,WANG Ying,DAI Xiao-qiangs,LIU Wei-ting(1.College of Automation,Jiangsu University of Science and Technology,Zhenjiang 212100,China;2.College of Computer Science,Jiangsu University of Science and Technology,Zhenjiang 2121
4、00,China;3.Zhoushan Jiangke Ship and MarineAbstract:Ship power system has small capacity and strong load fluctuation.Ship power load forecasting is of greatsignificance to the stability and security of ship power system.This paper presents an effective and accurate load forecastingmethod for ship po
5、wer load.Based on the traditional least square support vector machine algorithm as the ship power loadforecasting method,the variant chi square kernel function and RBF kernel function are combined,and the regularizationparameter C and the normalization parameter of the support vector machine algorit
6、hm have great influence on the predic-tion accuracy.Therefore,the improved butterfly optimization algorithm is used to optimize the parameters in the predictionmodel and the weight coefficient of the variant chi square kernel function.The simulation results show that the forecastingmethod proposed i
7、n this paper improves the load forecasting accuracy to 97.5119%.Due to the introduction of the variantchi square kernel function,the algorithm can automatically adjust the weight of the eigenvector component,and the forecast-ing model optimized by the butterfly optimization algorithm is more accurat
8、e,and the forecasting accuracy of the ship powerload is further improved.Key words:electrical propulsion ship;load forecasting;support vector machine;combined kernel function;but-terflyoptimization algorithm0引言随着智能船舶的推进,船舶自动化程度越来越高,船舶的推进方式由主机推进改成电力推进,在现收稿日期:2 0 2 2-0 8-2 9基金项目:舟山科技项目(2 0 2 2 C13034)
9、;江苏省产业前瞻与共性关键技术重点项目(BE2018007-2)作者简介:舒方舟(1998),男,硕士研究生,研究方向为船舶电力系统。文献标识码:AEngineering Equipment Research and Development Center,Zhoushan 212316,China)doi:10.3404/j.issn.1672-7649.2023.20.030代大型电力推进船舶中,推进系统的容量达到发电总容量的7 0%8 0%,并且现代电力推进船舶上用电设备种类繁多,电力负荷系统十分复杂,负荷随机性160 强。因此船舶电力负荷预测成为了船舶电力系统能量优化管理和各动力源之间最
10、佳负载功率分配的重要基础,准确的电力负荷预测能够帮助调控发电机组合理供电,应对推进负荷大幅波动对电网造成的冲击。根据预测结果还能够进一步优化能量管理策略,对船舶电网整体高效、经济、稳定运行起到至关重要的作用。随着科学技术的进步和理论研究的深入,电力负荷预测的技术得到了很大的发展。目前在负荷预测领域中常用的预测方式有如下几种:时间序列法、回归分析法、灰色模型法、神经网络法、支持向量机。A.FarahatM等!采用曲线拟合预测和时间序列模型对周日小时负荷进行预测,将曲线拟合预测(CFP)技术与遗传算法(GAs)相结合,获得高斯模型的最优参数。李钜等2 1用了主成分回归法对将影响负荷预测结果的几个主
11、要因素进行提取,得出模型的解析形式。魏明奎等3 利用BFGS-FA寻优算法对分数阶灰色预测模型的阶数进行寻优,得到最优阶数的分数阶灰色预测模型,提升了负荷预测的精度。但上述文献中所建立的预测模型在面对负荷数据出现损坏、缺失、异常值,负荷数据呈非指数性变化时,无法进行准确的负荷预测。支持向量机算法(SupportVectorMa-chine,SV M)能够将预测问题转换为一个凸二次理论寻优问题,从而避免出现如神经网络算法中的局部极值收敛现象,能够解决小样本、非线性、高维数等实际预测问题,在船舶电力系统中的应用较为成熟。刘静4 对电力推进船舶中的各电气设备进行分析,以试验的方式验证了支持向量机在船
12、舶电力负荷预测中的准确性。侯文君等5 通过粒子群算法对支持向量机中的参数进行优化,建立能够反映船舶短期电力负荷变化的预测模型。李东亮等6 将最小二乘支持向量机(Le a s t Sq u a r e s Su p p o r t Ve c t o r M a c h i n e,LSSVM)与模糊c-均值聚类算法相结合,设计了一种行之有效的多模自适应船舶电力负荷预测算法。但上述文献建立的负荷预测模型,在面对船舶电力系统工况复杂,负荷随机性强时,因其预测模型中的RBF核函数无法对训练样本特征向量分量的权重进行自动调节以及粒子群算法在搜素过程中的同质化倾向使模型中待优化参数准确度降低,最终导致所取
13、得的负荷预测结果精度不高。因此,本文在传统的最小二乘支持向量机算法的基础上,将变种卡方核函数与RBF核函数相结合,并且针对蝴蝶优化算法(ButterflyOptimizationAlgorithm,BO A)以固定切换概率结合局部搜索与全局搜索、算法寻优速度较慢、算法后期因收敛于极值点而导致算力浪费这三方面缺陷,使用动舰船科学技术态化切换概率、引入自适应惯性权重与佳点集策略对其进行改进。最后使用改进后全局搜索能力更强的蝴蝶优化算法进行参数寻优,通过新型的BOA-LSS-VM预测模型对电力推进船舶的负载功率进行预测。1支持向量机算法Vapnik和Corinna Cortes等在1995年首次提出
14、了支持向量机算法,支持向量机算法在解决小样本、非线性、高维数问题时具有很强的优势,起初被广泛应用于模式识别等分类问题中。随着支持向量机算法理论的发展,Vapnik引入了不敏感损失参数,支持向量机算法被推广至函数拟合等其他机器学习问题中。其基本思想为在结构风险最小化的基础上,寻求一种在模型复杂度与算法学习能力之间的最佳折中7 ,以求能够获得最好的泛化能力。1.1支持向量机的回归算法设支持向量机回归算法的训练样本为T,T=(x1,y1),.,(xi,yi),.,(xL,yL).其中,xiERn,x i 为n维的船舶负荷预测样本的输入特征向量,yiER为输人特征向量所对应的输出值,L为训练样本的总数
15、。由输入特征向量到输出值满足映射f:Rn R,该映射可写为如下的函数形式:y=f(x)=(w(x)+bp(x)eS。d(x)为一个非线性映射,将输入特征向量映射至一个特征空间S中,然后在该高维空间中完成对变换后输人特征向量的线性回归。为权重系数,b为阈值。由支持向量机算法的超平面思想与推广性界理论可知,回归预测的真实误差主要由在高维空间中平坦的w I2 与经验风险的总和决定,则有:(3)=1其中,R(w)为预测总误差,eO为损失函数。选择s为不敏感损失函数,可表示为:(f(xi)-yi)=根据结构风险最小化准则,最小化真实风险可表示为:(5)=1第45卷(1)(2)(0,If(xi)-yil0
16、。在上述目标函数的基础上建立拉格朗日方程可得:1i(e+si)-yi+(w (x)+b)-舒方舟,等:基于BOA-LSSVM的电力推进船舶负荷预测对一个线性模型进行求解。LSSVM的优化问题为:(7)minJ(o,b,e)=mins.t.Tp(xi)+b+ei=yi,i=1,.,lo其中,ei为回归值与真实值之间的偏差,C为惩罚因子。同样的,对式(13)建立拉格朗日方程可得:161 f(x)=(12)i11.2最小二乘支持向量机的回归算法最小二乘支持向量机算法为支持向量机算法的扩展,LSSVM算法将SVM算法中的不等式约束转化为等式约束8 ,将SVM算法中的求二次规划问题转化为(13)e220
17、122Ce=1之it(e+sit)+yi-(w(x)+b)-i=1=1若式(8)要取最小值,则L对w,s,$*,b的偏导数都应为0,即8L8Li=18L=C-i-;=0,8L=C-i-;*=0。将式(9)代人式(8)后可得:min1(ai-a)(aj-a/)(e(x),(x)+ij=1i1其中,i与*为式(10)最小化后的解。将式(11)代人式(2)后可得回归模型表达式:11(8)同样的,为求L的最小值,求L对,*,b的偏导数,并消去其中的w与e;这两个变量,最终可得:0EbET K+C-I JAZ(ai-i)d(x)=0,其中,E=1,1.,1T,A=M1,2,.,i,Y=y1,i-1y2,
18、yilI为单位矩阵。(i-i*)=0,由Mercer条件可得核函数:(9)K(xi,x)=9(x)T.g(x)。因此,LSSVM的回归算法的函数最终为:.j-1RBF核函数因其表达形式简单、径向对称、解析性好等优点在短期电力负荷预测方面所取得的效果十分显著。虽然RBF核函数通过计算输入特征向量与训(10)练样本特征向量间的欧式距离,使得与输入特征向量相似程度最高的样本特征向量所对应的y值能够对最终预测结果产生最强程度的影响,进而达到最小化预=Z(ai-i)s(xi)。i=1(14)0Y(15)(16)(17)(11)测误差的目的。但当新样本加人训练学习时,由于欧式距离计算方式的特性,使得特征向
19、量每一维分量的权重都是相同的。对预测结果影响程度较低的特征向量分量及对预测结果会产生重要影响的特征向量分量162将获得相对的权重,会干扰最终预测结果的精确性。因此,将变种卡方核函数(Variant Chi-square KernelFunction)与RBF核函数相结合,通过变种卡方核函数中对输入特征向量与训练样本特征向量的L1范数的计算,使得当新样本加入训练学习时,LSSVM算法能够根据每个特征向量分量对预测结果贡献程度的不同,完成对特征向量分量权重的自动选择。即同时考虑样本间绝对距离与相对距离这两种距离度量方式对预测结果产生的影响,以提升模型的预测性能。XiXK(xi,xi)=8式中:xi
20、为输人向量,x;为训练样本,为标准化的参数,决定了高斯函数所围绕的中心点宽度,8 为融合变种卡方核函数的权重系数。2蝴蝶优化算法由文献5 可知,PSO为解决船舶负荷预测支持向量机模型参数优化的常用方法。但因其迭代方式的特性,除在迭代过程开始前各粒子的初始随机飞行速度外,后续各粒子的飞行姿态皆受个体历史最优解和全局历史最优解的影响,导致各粒子集中地向全局历史最优解方向靠拢。即粒子群在优化过程中具有同质化倾向,所以该算法有着“易早熟”的缺陷。因此本文使用全局搜素能力更强的蝴蝶优化算法对LSSVM模型中的惩罚因子C,标准化参数与权重系数S进行优化。蝴蝶优化算法受大自然界中蝴蝶的觅食与求偶行为的启发9
21、,蝴蝶通过感知空气中的气味浓度确定食物源与配偶的潜在位置,蝴蝶群中每只蝴蝶的适应度值决定了蝴蝶所散发的香味强度,BOA算法将蝴蝶种群搜索模式分为全局搜索与局部搜素两种模式。全局搜索为蝶群向散发香味的个体目标飞行,局部搜素为蝴蝶无法感知周围个体目标所散发的香味时,将进行随机移动。BOA算法将全局搜索与局部搜索相结合,提高了算法中种群的多样性,使算法的全局寻优与局部寻优能力得到了提升。BOA算法的具体流程如下:1)算法参数进行初始化。蝴蝶个数设置为N,蝴蝶维数dim,算法迭代次数Niter,蝴蝶初始位置x=(x1,x 2,Xd i m),幂指数与感知形态c,切换概率为p。2)计算蝶群中每只蝴蝶的当
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 BOA LSSVM 电力 推进 船舶 负荷 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。