一种基于深度学习的电动船电池能耗预测方法

摘要: 本发明涉及电池能耗预测,尤其涉及一种基于深度学习的电动船电池能耗预测方法。背景技术:1、现有电动船电池能耗预测通常采集船舶航速、航向、推进功率、电池状态以及水文...
一种基于深度学习的电动船电池能耗预测方法

本发明涉及电池能耗预测,尤其涉及一种基于深度学习的电动船电池能耗预测方法。

背景技术:

1、现有电动船电池能耗预测通常采集船舶航速、航向、推进功率、电池状态以及水文气象数据,经缺失值填补、异常值修正和时间同步后,采用回归模型、集成学习模型或长短期记忆网络预测航行能耗。为提高时序预测精度,部分方案引入注意力机制,对不同采样时刻或输入特征赋予权重。然而,该类方案多按固定时间窗口组织历史数据,未区分加速、稳态和减速工况,也未使历史实际航行数据与待预测航段规划数据建立统一的工况表征,导致水流、航速或载重发生变化时,异类历史信息仍可能参与预测并形成干扰。

2、为克服上述问题,现有方案还采用增加网络层数、扩大训练数据量、融合多种预测模型或引入电池物理模型误差的方式,但增加模型复杂度不能消除历史工况与目标工况之间的错配,多模型融合也难以确定待预测航段应当调用的历史片段;单独引入电池物理误差,仍不能保证分航段能耗与荷电状态在递推过程中的连续性。现有技术缺少依据相对水速状态转换同步确定历史工况锚点和目标工况锚点,并以目标工况驱动特征组注意力及工况匹配时间注意力的处理机制,因而难以兼顾变工况能耗预测精度、能量一致性和剩余续航评估可靠性。

3、因此,如何提供一种基于深度学习的电动船电池能耗预测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的电动船电池能耗预测方法,本发明采用工况锚点双注意力lstm,联合预测电动船能耗与荷电状态,具备变工况适应性强、能量一致性高和续航评估可靠的优点。

2、根据本发明实施例的一种基于深度学习的电动船电池能耗预测方法,包括如下步骤:

3、采集电动船历史航行及航线规划数据,时间对齐后生成带能耗及荷电状态标签的历史-目标配对训练样本;

4、由历史-目标配对训练样本生成相对水速状态,以状态转换确定历史工况锚点和目标工况锚点,划分得到两类工况片段序列;

5、构建工况匹配双注意力lstm能耗预测模型,对两类工况片段序列进行编码得到历史状态编码序列和目标工况查询结果,经特征组注意力和工况锚点约束时间注意力生成历史参考状态;

6、对历史参考状态进行递推解码生成分航段能耗和荷电状态,以标签误差和能量闭合误差训练所述模型;

7、按状态转换处理当前航行及待预测航段规划数据,生成两类待预测工况片段序列并输入训练后的模型,生成分航段能耗预测序列和荷电状态预测序列;

8、根据两项预测序列生成总能耗和剩余续航里程,以已完成航段实际能耗和结束荷电状态更新下一周期航行数据。

9、可选的,所述工况匹配双注意力lstm能耗预测模型包括历史状态lstm编码器、目标航段lstm编码器、特征组注意力层、工况锚点约束时间注意力层、航段递推解码器、能耗输出层、荷电状态输出层和能量闭合校核层。

10、可选的,所述历史-目标配对训练样本的生成具体包括:

11、按航次采集电动船历史航行数据和对应的航线规划数据;

12、对电动船历史航行数据和航线规划数据执行异常值剔除、缺失值填补和时间对齐,生成时间对齐数据;

13、在时间对齐数据中确定预测起始位置,生成历史参考序列和目标航段规划序列;

14、根据预测起始位置之后的实际航行数据,生成与目标航段规划序列对应的能耗标签和荷电状态标签;

15、将历史参考序列、目标航段规划序列、能耗标签和荷电状态标签绑定,生成历史-目标配对训练样本。

16、可选的,所述两类工况片段序列的生成具体包括:

17、根据历史参考序列计算船舶实际速度矢量与水流速度矢量之差,根据目标航段规划序列计算船舶规划速度矢量与预测水流速度矢量之差,生成历史相对水速序列和目标相对水速序列;

18、对两项相对水速序列进行平滑并计算相对水速变化率,依据具有滞回区间的状态转换方式,生成历史相对水速状态和目标相对水速状态;

19、检测历史相对水速状态和目标相对水速状态中的持续状态转换,回溯状态转换起点并合并邻近状态转换,确定历史工况锚点和目标工况锚点;

20、根据每一工况锚点两侧的相对水速状态和航行工况变化量生成工况锚点特征,使历史工况锚点和目标工况锚点采用相同的特征次序;

21、以相邻工况锚点划分历史参考序列和目标航段规划序列,提取片段特征并汇总对应标签,生成两类工况片段序列、分航段能耗标签和分航段荷电状态标签。

22、可选的,所述历史参考状态的生成具体包括:

23、构建工况匹配双注意力lstm能耗预测模型,将两类工况片段序列中的片段特征及工况锚点特征映射为历史片段输入向量和目标片段输入向量;

24、利用历史状态lstm编码器处理历史片段输入向量,利用目标航段lstm编码器处理目标片段输入向量,得到历史状态编码序列和目标工况查询结果;

25、由特征组注意力层利用目标工况查询结果中每个目标查询向量对各历史工况片段的三个特征组嵌入分配权重,生成与目标工况片段对应的特征增强历史状态编码序列;

26、由工况锚点约束时间注意力层比较目标工况片段与历史工况片段两端的工况锚点特征,筛选工况匹配片段并分配时间注意力权重,生成工况匹配历史上下文;

27、将工况匹配历史上下文、目标查询向量和目标工况片段的工况锚点嵌入融合,按照目标工况片段的先后次序生成历史参考状态。

28、可选的,所述模型的训练具体包括:

29、按照目标工况片段的先后次序,将历史参考状态、前一目标工况片段的分航段能耗和荷电状态输入航段递推解码器,生成当前目标工况片段的解码隐藏状态和解码记忆状态;

30、利用能耗输出层和荷电状态输出层处理解码隐藏状态,生成当前目标工况片段的分航段能耗和荷电状态,并用于下一目标工况片段的递推解码;

31、将各分航段能耗和荷电状态分别与对应的分航段能耗标签和分航段荷电状态标签比较,生成能耗标签误差和荷电状态标签误差;

32、根据电池额定能量和电池健康状态生成电池等效可用能量,利用电池等效可用能量及递推生成的荷电状态计算分航段等效能量,生成能量闭合误差;

33、按照航次将历史-目标配对训练样本划分为训练集和验证集,根据能耗标签误差、荷电状态标签误差和能量闭合误差更新所述模型,保存验证集误差最低时的模型参数,得到训练后的模型。

34、可选的,所述分航段能耗预测序列和荷电状态预测序列的生成具体包括:

35、以预测时刻为分界,对当前航行数据和待预测航段规划数据进行时间对齐,生成当前历史参考序列和待预测航段规划序列;

36、分别由当前历史参考序列和待预测航段规划序列生成相对水速状态,依据状态转换确定当前历史工况锚点和待预测目标工况锚点;

37、以相邻工况锚点划分当前历史参考序列和待预测航段规划序列,按照训练阶段的特征次序和标准化数值生成两类待预测工况片段序列;

38、将两类待预测工况片段序列输入训练后的模型,生成与各待预测目标工况片段对应的历史参考状态,以当前历史参考序列末端的荷电状态作为递推起点,由航段递推解码器依次处理各历史参考状态,生成分航段能耗预测序列和荷电状态预测序列。

39、可选的,所述更新具体包括:

40、累加分航段能耗预测序列中的分航段能耗生成总能耗,并从荷电状态预测序列提取末端荷电状态,生成预测结束荷电状态;

41、根据总能耗和待预测航程生成能耗预测单位航程能耗,根据当前荷电状态、预测结束荷电状态和当前电池等效可用能量生成荷电状态预测单位航程能耗;

42、选取能耗预测单位航程能耗和荷电状态预测单位航程能耗中的较大值作为续航单位航程能耗,根据剩余可用能量和续航单位航程能耗生成剩余续航里程;

43、在待预测目标工况片段完成后计算已完成航段实际能耗并获取结束荷电状态,更新当前航行数据和待预测航段规划数据,生成下一周期航行数据。

44、本发明的有益效果是:

45、本发明通过分别计算历史航行过程和待预测航段的相对水速状态,以加速状态、稳态状态和减速状态之间的转换确定历史工况锚点和目标工况锚点,并据此划分工况片段,使历史实际航行数据与未来航线规划数据具有统一的工况语义。相较于固定时间窗口处理方式,本发明能够减少水流、航速、航向及载重不同的历史片段对预测结果的干扰,为待预测航段检索具有相近推进负荷变化过程的历史信息,提高变水流和变航速条件下能耗预测的适应性。

46、本发明利用目标查询向量驱动特征组注意力,对航行特征组、电池特征组和水文气象特征组动态赋权,并通过工况锚点约束时间注意力筛选与目标航段状态转换相匹配的历史工况片段,实现目标工况对历史有效信息的定向调用。该双级注意力处理既能突出不同目标航段下影响能耗的主要特征,又能抑制工况语义不一致的历史信息,从而增强历史参考状态对目标航段实际能耗变化的表征能力。

47、本发明采用航段递推解码方式联合生成分航段能耗和荷电状态,使前一航段的预测结果参与后一航段预测,并利用电池等效可用能量构建能量闭合误差,降低能耗预测与荷电状态变化相互矛盾的情况。在续航计算中,分别根据能耗预测结果和荷电状态预测结果得到单位航程能耗,并采用较大值计算剩余续航里程,可降低单一预测分支低估能耗造成的续航高估风险;同时利用已完成航段实际能耗和结束荷电状态滚动更新下一周期航行数据,提高连续航行过程中的预测可靠性和续航评估安全性。