本發(fā)明涉及智能用電管理，具體是基于神經(jīng)網(wǎng)絡(luò)的船舶智能用電方法和系統(tǒng)。

背景技術(shù)：

1、隨著船舶技術(shù)的進步，現(xiàn)代船舶逐漸向自動化和智能化方向發(fā)展，特別是在航行過程中的電力管理系統(tǒng)中，精準(zhǔn)的電力消耗預(yù)測與優(yōu)化成為關(guān)鍵，然而，傳統(tǒng)的電力管理方法在應(yīng)對復(fù)雜的船舶工況數(shù)據(jù)時，尤其是在多季節(jié)、多時段、多地理位置變化的背景下，往往力不從心，由于船舶在不同環(huán)境條件下的電力需求波動較大，現(xiàn)有系統(tǒng)難以捕捉這些變化，導(dǎo)致電力供應(yīng)與需求之間的失衡，造成供電不足或過度充電的情況。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于神經(jīng)網(wǎng)絡(luò)的船舶智能用電方法和系統(tǒng)，解決船舶的電力供應(yīng)與需求之間失衡造成供電不足或過度充電問題，提高能源利用率并降低能源消耗成本。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

3、第一方面，本技術(shù)提供了基于神經(jīng)網(wǎng)絡(luò)的船舶智能用電方法，步驟內(nèi)容包括：

4、從數(shù)據(jù)源接收關(guān)于船用工況數(shù)據(jù)，建立多季節(jié)多時段預(yù)測模型，將所接收的信息作為輸入向量傳輸?shù)蕉嗉竟?jié)多時段預(yù)測模型的神經(jīng)網(wǎng)絡(luò)中；根據(jù)神經(jīng)網(wǎng)絡(luò)輸出船舶電力消耗的預(yù)測值；

5、根據(jù)預(yù)測值通過蒙特卡洛法抽取時空數(shù)據(jù)，模擬船舶在不同時間和地理位置的行為，計算船舶在不同出行和停留時間下的概率密度函數(shù)，再采用牛頓法對不同時間段進行多時間尺度充電概率的劃分，得出船舶在不同時間尺度下的充電概率；

6、具體所述根據(jù)預(yù)測值通過蒙特卡洛法抽取時空數(shù)據(jù)，模擬船舶在不同時間和地理位置的行為計算船舶在不同出行和停留時間下的概率密度函數(shù)，包括：

7、設(shè)定時間變量t?的取值范圍并定義船舶的位置和電力消耗作為時間的函數(shù)，并視為隨機變量；

8、根據(jù)對t、和的概率分布進行隨機抽樣，生成模擬樣本，每個模擬樣本代表一種船舶行為路徑，抽樣的數(shù)量越多模擬結(jié)果越精確；

9、通過對模擬樣本分析，得到船舶在不同時間和位置的概率分布，計算路徑概率作為出現(xiàn)該路徑的頻率；

10、對于連續(xù)數(shù)據(jù)，使用極限定義來計算船舶停留時間和船舶出行時間的概率密度函數(shù)；

11、所述采用牛頓法對不同時間段進行多時間尺度充電概率的劃分，得出船舶在不同時間尺度下的充電概率，內(nèi)容包括：

12、設(shè)定第一目標(biāo)函數(shù)，表示船舶在不同時間尺度下的總電力消耗的期望值，并作為充電概率p的函數(shù)，其中第一目標(biāo)函數(shù)表示為：

13、；

14、其中，是時間段的權(quán)重，)是在時間段下的電力消耗的期望值，是在時間段2下對應(yīng)的充電概率；

15、使用牛頓法來尋找最優(yōu)充電概率，使得第一目標(biāo)函數(shù)最優(yōu)，具體牛頓法迭代表示為：，其中是第k?次迭代的充電概率，是第一目標(biāo)函數(shù)在處的一階導(dǎo)數(shù)，是二階導(dǎo)數(shù)。

16、進一步地，通過融合cnn和rnn模型構(gòu)建多季節(jié)多時段預(yù)測模型，具體包括：

17、將cnn提取的圖像特征向量與rnn輸出的時間序列特征向量進行連接，融合成特征向量；

18、建立全連接層通過非線性變換處理融合后的特征向量，將處理后的特征向量輸入到多季節(jié)多時段預(yù)測模型中；

19、通過計算前向傳播輸出對船舶電力消耗的預(yù)測值。

20、進一步地，通過第一神經(jīng)網(wǎng)絡(luò)計算前向傳播輸出對船舶電力消耗的預(yù)測，具體是將融合特征向量輸入到全連接層中，通過前向傳播計算每個全連接層的輸出，其中前向傳播計算表示為：；

21、其中，是第層的輸出向量，對于第1層；是第層的權(quán)重矩陣，維度表示為；是第層的偏置向量，維度為，是第層的激活函數(shù)，是神經(jīng)網(wǎng)絡(luò)的預(yù)測值。

22、在前向傳播過程中，每一層的輸出都依賴于前一層的輸出，直至最終輸出層生成預(yù)測值。

23、進一步地，還包括，根據(jù)充電概率建立多目標(biāo)模型，通過改進非支配排序遺傳算法對第一目標(biāo)函數(shù)進行求解，得到不同時間段的用電策略；

24、進一步地，通過改進非支配排序遺傳算法對第一目標(biāo)函數(shù)進行求解，得到不同時間段的用電策略，具體包括：

25、隨機生成初始種群，每個個體代表一個潛在的用電策略，包括在不同時間段的充電概率；

26、對當(dāng)前種群進行非支配排序，通過計算每個個體的支配數(shù)和被支配集合區(qū)分出各個非支配層級的個體；

27、通過計算每個個體的擁擠距離維持種群多樣性，根據(jù)個體的非支配等級和擁擠度進行選擇；

28、結(jié)合選擇、交叉和變異操作產(chǎn)生新的子代種群，將父代種群與子代種群合并，再次進行非支配排序和擁擠度計算，根據(jù)精英策略選擇形成新的父代種群；

29、生成一組pareto最優(yōu)解，代表不同時間段的最優(yōu)用電策略。

30、進一步地，還包括，根據(jù)用電策略使用深度確定性策略梯度算法進行船舶電力調(diào)控。

31、進一步地，根據(jù)用電策略使用深度確定性策略梯度算法進行船舶電力調(diào)控，具體包括：

32、根據(jù)預(yù)測值與當(dāng)前船舶的狀態(tài)信息結(jié)合，作為當(dāng)前的狀態(tài)輸入到ddpg算法中；

33、通過用電策略網(wǎng)絡(luò)生成控制指令；

34、通過價值網(wǎng)絡(luò)評估生成的控制指令的有效性，并通過sac調(diào)整策略網(wǎng)絡(luò)的參數(shù)優(yōu)化控制決策；

35、將ddpg算法生成的控制指令發(fā)送至船舶的電力管理系統(tǒng)，執(zhí)行電力調(diào)控操作。

36、進一步地，使用bellman方程計算動作價值用于評估當(dāng)前控制指令的有效性，動作價值表示為：；

37、其中，表示在時間t?的狀態(tài)下采取動作的預(yù)期回報，這個值由價值網(wǎng)絡(luò)參數(shù)化為，表示在當(dāng)前狀態(tài)和動作下的即時獎勵（或獎勵函數(shù)），是智能體執(zhí)行動作后立即獲得的反饋，表示折扣因子，用于衡量未來獎勵相對于即時獎勵的價值，表示在下一個時間點t+1?的狀態(tài)下采取動作的預(yù)期回報；當(dāng)計算的動作價值高于環(huán)境的平均水平時，表示該動作在當(dāng)前狀態(tài)下的控制指令有效；反之，則該動作在當(dāng)前狀態(tài)下的控制指令無效。

38、進一步地，通過sac調(diào)整策略網(wǎng)絡(luò)的參數(shù)，具體表示為：

39、；

40、其中，表示梯度符號，針對策略網(wǎng)絡(luò)參數(shù)的梯度運算符，用于找到第二目標(biāo)函數(shù)在當(dāng)前參數(shù)下的上升方向；表示期望內(nèi)積，是對于狀態(tài)的期望，狀態(tài)是從經(jīng)驗緩沖區(qū)d中采樣得到的，表示熵正則化項，是超參數(shù)，用于控制熵項的權(quán)重，是在狀態(tài)下根據(jù)策略網(wǎng)絡(luò)選擇動作的對數(shù)概率。

41、另一方面，還提供一種基于神經(jīng)網(wǎng)絡(luò)的船舶智能用電系統(tǒng)，應(yīng)用在基于神經(jīng)網(wǎng)絡(luò)的船舶智能用電方法中，包括數(shù)據(jù)接收與預(yù)測模塊、蒙特卡洛模擬與牛頓法優(yōu)化模塊、智能用電策略優(yōu)化模塊和電力調(diào)控與控制指令執(zhí)行模塊，

42、所述數(shù)據(jù)接收與預(yù)測模塊，用于從數(shù)據(jù)源接收船用工況數(shù)據(jù)，建立多季節(jié)多時段預(yù)測模型，接收信息作為輸入向量，利用神經(jīng)網(wǎng)絡(luò)輸出船舶電力消耗的預(yù)測值；

43、所述蒙特卡洛模擬與牛頓法優(yōu)化模塊，運用蒙特卡洛法抽取時空數(shù)據(jù)，模擬船舶行為，計算船舶在不同出行和停留時間下的概率密度函數(shù)，使用牛頓法對不同時間段進行多時間尺度充電概率的劃分；

44、所述智能用電策略優(yōu)化模塊，基于充電概率建立多目標(biāo)模型，通過改進非支配排序遺傳算法對第二目標(biāo)函數(shù)進行求解，生成pareto最優(yōu)解，得到不同時間段的最優(yōu)用電策略；

45、所述電力調(diào)控與控制指令執(zhí)行模塊，結(jié)合用電策略和深度確定性策略梯度算法進行電力調(diào)控，使用sac算法調(diào)整策略網(wǎng)絡(luò)參數(shù)，優(yōu)化控制決策，將生成的控制指令發(fā)送至船舶的電力管理系統(tǒng)執(zhí)行。

46、本發(fā)明的有益效果為：

47、利用神經(jīng)網(wǎng)絡(luò)模型建立多季節(jié)多時段預(yù)測模型對船舶工況數(shù)據(jù)進行學(xué)習(xí)和預(yù)測，并通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（cnn）和循環(huán)神經(jīng)網(wǎng)絡(luò)（rnn）的混合模型來處理和分析數(shù)據(jù)，可以解決傳統(tǒng)的預(yù)測方法難以準(zhǔn)確捕捉這些復(fù)雜的非線性關(guān)系，通過結(jié)合cnn和rnn的混合結(jié)構(gòu)，能夠同時處理時間序列數(shù)據(jù)和圖像數(shù)據(jù)，有效提取船舶工況數(shù)據(jù)中的時空特征，提高了對船舶電力消耗的預(yù)測準(zhǔn)確性，并減少能源浪費并優(yōu)化能源分配；

48、通過采用蒙特卡洛模擬和牛頓法等技術(shù)，可以計算不同時間段的充電概率，并制定具體的充電策略，解決船舶的電力供應(yīng)與需求之間失衡造成供電不足或過度充電問題，通過模擬不同時間和地理位置的行為，并運用牛頓法進行多時間尺度充電概率的劃分，可以有效地預(yù)測和調(diào)度船舶的充電需求，實現(xiàn)對船舶充電行為的優(yōu)化，確保了電力供應(yīng)的穩(wěn)定性和效率，同時也降低了能源成本；

49、通過深度確定性策略梯度（ddpg）算法和軟性行動者-評論家（sac）結(jié)合實施控制策略，能夠根據(jù)實時數(shù)據(jù)調(diào)整電力使用策略，動態(tài)優(yōu)化設(shè)備運行狀態(tài)，解決了船舶在航行中面臨的多變環(huán)境導(dǎo)致的電力需求波動和能源效率低下的問題，同時也增強了船舶電力系統(tǒng)的自適應(yīng)能力和魯棒性，提高能源使用效率和減少了能耗。