基于机器学习的船舶能耗智能预测方法分析

发布时间：2021-10-28 15:41

　　船舶能耗智能预测是实现船舶能效智能评估与优化决策的基础和前提,大数据、人工智能和机器学习等新兴技术促进了船舶能耗预测方法的不断发展。为分析不同基于机器学习的船舶能耗预测算法的预测精度和效果,对不同预测算法进行实例验证分析。结合船舶油耗及其影响因素实船采集数据,采用不同机器学习算法对船舶能耗进行预测分析,验证各算法的特点和优势,为选择合适的船舶能耗预测算法提供参考。 

【文章来源】：船舶工程. 2020,42(11)北大核心CSCD

【文章页数】：7 页

【部分图文】：

面向船舶能耗预测的BP神经网络结构图

深度置信神经网络（Deep Belief Networks,DBN）是由受限玻尔兹曼机（Restricted Boltzmann Machines,RBM）单元叠加而成的，一般采用逐层训练的方法学习，分为无监督预训练和有监督微调2个阶段[12-13]。面向船舶能耗预测的DBN神经网络结构见图2,v1、v2、…、vi为网络的输入层参数，分别代表船舶能耗的主要影响因素，包括转速、轴功率、航速、浪高等；h1、h2、…、hi为隐层参数。该网络由k个RBM单元组成，其中，b和c分别表示显层和隐层的偏差。Vi与Hj表示第i个显层和第j个隐层单元的状态，Wl、Wk为网络的权值。所建立的DBN模型通过若干层RBM训练，最后由BP网络接收RBM输出的特征向量作为其输入特征向量，计算得到主机日油耗量。1.3 基于KNN算法的船舶能耗智能预测方法

k-近邻（k-Nearest Neighbor,KNN）算法是一种监督式学习算法，其目标是将没有标签的数据点或样本自动打上标签或预测所属类别。基于KNN的船舶能耗预测模型示意图见图3[14]，对于要预测的点的值，通过求与它距离最近的k个点的值的平均值得到，所采用的距离公式通常为欧式距离，其中，(xi,yi)表示数据点在样本空间中的位置，n为样本数据总量。1.4 基于决策树的船舶能耗智能预测方法

【参考文献】：
期刊论文
[1]基于SVR的船舶航行安全评估模型[J]. 常婧,柳晓鸣,李梦蕊.  上海海事大学学报. 2020(02)
[2]基于深度信念网络的船舶柴油机智能故障诊断[J]. 仲国强,贾宝柱,肖峰,王怀宇.  中国舰船研究. 2020(03)
[3]智能船舶技术发展与趋势简述[J]. 严新平,刘佳仑,范爱龙,马枫,李晨.  船舶工程. 2020(03)
[4]基于AFSA优化的支持向量机柴油机性能预测模型[J]. 牛晓晓,刘文斌,聂志斌,焦会英.  船舶工程. 2019(07)
[5]基于BP神经网络的船舶主机能效状态评估[J]. 陈伟南,黄连忠,张勇,路通.  中国舰船研究. 2018(04)
[6]基于ASAE深度学习预测海洋气象对船舶航速的影响[J]. 王胜正,申心泉,赵建森,冀宝仙,杨平安.  交通运输工程学报. 2018(02)
[7]基于随机森林算法的内河船舶油耗预测模型[J]. 牟小辉,袁裕鹏,严新平,赵光普.  交通信息与安全. 2017(04)
[8]基于AIS信息和BP神经网络的船舶航行行为预测[J]. 甄荣,金永兴,胡勤友,施朝健,王胜正.  中国航海. 2017(02)
[9]绿色船舶的现状和发展趋势分析[J]. 刘继海,肖金超,魏三喜,冯东英.  船舶工程. 2016(S2)



本文编号：3463013