基于模糊逻辑的电力推进船舶电力负荷预测

郑 高，陈思良

（1.武警海警学院 机电管理系，浙江宁波 315801；2.广东海警支队 阳江大队，广东阳江 529600）

0 引言

船舶电力推进是指以电力为动力，通过电动机驱动螺旋桨，从而推进船舶运行的一种推进形式。电力推进装置具有占用空间少、易于布置、机动性好、噪声低、振动小、经济性高等优点，具有良好的应用前景[1]。在船舶电力推进系统中，控制技术是重点和难点，电力负荷预测是其基础工作之一。电力负荷预测是否准确，极大地影响着电力推进船舶的稳定性和经济性，而电力负荷的波动具有强随机性和非线性，对其进行准确预测的难度很大。

与传统技术不同，模糊逻辑在控制或处理对象时，无需精确的数学模型，而是依赖于现场工作人员长期累积的经验，或是领域专家基于可靠知识所提出的模糊规则，适用于复杂非线性对象[2]。基于模糊集合建立的模糊系统，具有模仿人类思维进行模糊推理的功能，是理想的万能逼近器，可以无限逼近任一非线性函数[3]。模糊逻辑是处理电力推进船舶电力负荷数据随机性和非线性的有效方法。本文设计了一个非单值Mamdani模糊模型，用于某型电力推进船舶实际电力负荷时间序列的预测，并通过MATLAB仿真来检验其预测性能。

1 船舶电力推进系统

船舶电力推进系统主要由原动机、发电机、配电装置、变压器、变频装置、控制系统、电动机、螺旋桨等部分组成[4]。原动机消耗燃料而产生原动力，为发电机提供机械能。目前，在船舶电力推进系统中，原动机一般选用中、高速柴油机；当需要更大的电力或输出功率时，则采用燃气轮机。发电机将原动机提供的机械能转换为电能，与原动机、配电板共同组成船舶发电机组，向全船用电设备供电。配电装置集中控制、分配发电机所发出的电能，供给每台用电设备。变压器一般由初级线圈、次级线圈以及铁芯组成；当初级线圈接入交流电时，根据电磁感应原理，在次级线圈中会感应出同频但不同电压的交流电。

在船舶电力推进系统当中，交流推进电动机转速的变化需要通过改变频率来实现，因此变频装置在船舶电力推进系统中起着至关重要的作用。控制系统则负责监测各机电设备的运行状态，采集其运行数据，分析故障趋势，并根据传感器所测的参数，完成执行机构的正确操作。推进电动机与螺旋桨直接连接，带动螺旋桨转动，为船舶提供运行动力。螺旋桨俗称“车叶”，将电动机产生的机械能转变为推进力，推进船舶前进或后退。

2 船舶电力负荷预测方法

准确的电力负荷预测是保证船舶电力推进系统有效、可靠运行的基础。短期船舶电力负荷预测是指相对短时间段内（一般是1 h或1 h以内）的电力负荷预测，得出的预测值更加接近船舶电力系统运行的实时数据[5]。目前用于电力推进船舶电力负荷预测的方法有2类，一类是传统预测方法，时间序列预测法是其中常用的一种[5]；另一类是人工智能预测方法，模糊逻辑是其中具有代表性的一种方法。

2.1 时间序列预测法

时间序列预测法将电力负荷数据按照时间先后顺序排列成数列进行研究和分析，根据其发展过程、方向和趋势，进行延伸或类推，用当前若干个数据预测下一段时间可能达到的水平[6]。

2.2 模糊逻辑预测法

上个世纪60年代，毕业于美国哥伦比亚大学的自动控制专家Zadeh教授创立了模糊集合理论，开启了模糊逻辑理论研究的先河[2]。经过几十年的发展，模糊逻辑理论日趋成熟，其应用也日益广泛。在电力推进船舶中，许多影响电力负荷波动的因素无法用确切的数学模型进行表达。基于推理逻辑与语言规则的模糊系统，可以表达一个复杂的非线性函数，适用于电负荷预测[7]。

设计电力推进船舶电力负荷模糊预测模型通常有以下2种途径[8]：

1）利用人们长时间学习、实验所积累的大量经验，或通过大量输入/输出数据建立模糊规则库，选择合适的模糊器、解模糊器和模糊推理机，构造出一个完整的模糊系统。但由于人们所得出的经验具有一定的局限性，可能会导致所建立的模糊规则不够完备，隶属度函数不够准确，不能很好地应对被预测对象的不确定性与非线性性，从而影响了预测精度。

2）确定模糊系统的结构，允许模糊系统中的参数变化，再根据所获取的输入/输出数据，通过自学习方法来确定这些参数，这也是本文所采用的方法。

3 非单值Mamdani模糊预测模型

3.1 模型设计

一个完备的模糊系统由规则库、模糊器、推理机以及解模糊器4部分组成[8]。本文设计的电力推进船舶电力负荷模糊预测模型为Mamdani型，模糊规则形式如式(1)。模型有3个输入、1个输出，每个输入论域含有3个模糊集合，则模糊规则库共含有27（3×3×3）条模糊规则。

式中：l为模糊规则序数，l=1,2,...,27；i为输入序数，i=1,2,3；为模糊规则前件模糊集合；Bl为模糊规则后件模糊集合。

采用高斯模糊器，输入精确量被模糊化，如式(2)，如图1所示。

利用反向传播算法来训练待定参数。

3.2 预测结果

以某型电力推进船舶的实际电力负荷数据为研究对象。取其以1 h为间隔的用电量，共12天含288个数据。前10天的数据共有240个，用于训练参数；后2天的数据共有48个，用于检验模型的预测性能。

模型的预测精度用式(6)所示的平均相对误差绝对值来衡量。

图1 输入模糊集合

模糊规则前件集合的隶属度函数如式(3)，如图2所示。

式中：yot为电力负荷模糊预测模型的预测值；st为电力负荷的实际值。

预测结果如图3所示。

图2 模糊规则前件模糊集合

图3 预测结果

模糊规则后件集合的隶属度函数为高斯函数，由于采用中心平均解模糊器，故可将其用中心yl来代替。

采用乘积模糊推理机，系统输出如式(4)。

式中：M表示模糊规则的个数，M＝27；为模糊规则后件集合的隶属度函数的中心；ωl为模糊规则的激活度，如式(5)。

式中：μXi(xi)为输入模糊集合的隶属度函数；

从预测结果可以看出，在区间[2,8]内电力负荷的波动较大、非线性较强，因而预测误差稍大；在其它区间内，预测曲线能够较好的跟踪实际曲线的趋势与走向。预测误差为5.8%，说明模型具有良好的预测性能。

4 结论

随着智能化、信息化、自动化时代的到来，电力负荷预测技术也逐步完善。与其它人工智能方法相结合，能够大大提高模糊系统的逼近精度。本文简单回顾了船舶电力推进系统与船舶电力负荷预测方法的基本理论，并以某型电力推进船舶（1 h）的实际电力负荷时间序列为研究对象，建立了一个非单值Mamdani模糊预测模型，以提高预测精度。

MATLAB仿真结果表明，该模型的预测误差较低，具有良好的预测性能。将本文所述的综合算法应用于电力推进船舶电力负荷的预测，定能取得更好的预测效果。