一种港口负荷预测方法及算法与流程

1.本发明涉及水路交通管理领域，具体而言，涉及一种港口负荷预测方法及算法。


背景技术：

2.随着港口电气化的不断推进以及航运业对碳排放的要求越来越高，采用太阳能、风能、氢能等清洁能源发电为港口供电受到越来越多的关注。然而，港口的能源消耗存在较大的不确定性，给用能侧的管理带来一定挑战。为了更好地协调港口用能和供能，需要对港口的耗用能量进行预测。


技术实现要素：

3.本发明的目的在于克服能源消耗评估难题，且提供了一种港口负荷预测方法及算法。
4.本发明提供的一种获取港口负荷合格预测神经网络的算法，其技术方案如下：
5.一种获取港口负荷合格预测神经网络的算法，其特征是：包括如下步骤：
6.步骤一、选定初始时刻to和结束时刻te，并将时间区间[to，te]进行m等分，得到区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]，其中，to＝t0＜t1＜t2＜......＜tm＝te；
[0007]
步骤二、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率；
[0008]
步骤三、将由区间[t
i-1
，ti]内的所述气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率组成的列向量作为第i个输入向量，形成输入数据集a，其中，1≤i≤m，
[0009]
a＝{x1，x2，
…
，xm}；
[0010]
步骤四、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的用电量、用氢量和用柴油量数据，随后将由区间[t
i-1
，ti]内的所述用电量、用氢量和用柴油量数据组成的列向量作为第i个输出向量，形成输出数据集b，其中，1≤i≤m，
[0011]
b＝{y1，y1，
…
，ym}；
[0012]
步骤五、建立以所述第i个输入向量与所述第i个输出向量的笛卡尔积(xi，yi)为元素的集合u，其中1≤i≤m，即令
[0013]
u＝＝{(x1，y1)，
…
，(xm，ym)}
[0014]
，将所述集合u作为数据集，并将所述数据集分为训练集c和测试集d，其中，
[0015]
c＝{x1，y1)，...，xs，ys)}
[0016]
d＝{x
s+1
，y
s+1
)，...，(xm，ym)}；
[0017]
步骤六、将所述数据集进行预处理后，选用卷积神经网络，将所述训练集c中的每一个元素(xi，yi)的第一个分量xi作为所述卷积神经网络的输入向量，所述数据集中的每一个元素(xi，yi)的第二个分量yi作为所述卷积神经网络的输出向量，对所述卷积神经网络进行训练，获得经过训练的卷积神经网络；
[0018]
步骤七，采用测试集d对所述经过训练的卷积神经网络进行测试，获取合格卷积神经网络。
[0019]
采用上述技术方案，与现有技术相比，本发明申请所提供的技术方案至少可以带来的有益效果有：该技术方案考虑到了影响港口负荷的多种复杂因素，进而训练合格的卷积神经网络可以实现对港口负荷更加准确地预测。由于港口负荷的影响因素与对应的港口负荷之间难以建立精确的数学模型，采用卷积神经网络可以通过采集港口负荷影响因素的历史值，以及对应的历史负荷数据，学习预测模型，无需建立精确的数学模型；所采用的卷积神经网络能够很好地捕捉各个影响因素之间的特征，提高预测准确率，池化过程能够提高学习效率。
[0020]
作为优选，所述步骤二中的气候数据包括能见度数据、风数据、雨数据和雷数据；这样详细考虑到了影响港口负荷的气候因素。
[0021]
作为优选，所述步骤二中，获取所述气候数据的能见度数据包括如下步骤：
[0022]
步骤a1、采用模糊逻辑，将能见度划分为无影响、弱影响和强影响三种类别；
[0023]
步骤a2，选择三个数据α
11
、α
12
、α
13
，其中α
11
＜α
12
＜α
13
，令α
11
代表所述能见度隶属的无影响，α
12
代表所述能见度隶属的弱影响，α
13
代表所述能见度隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、....、[t
m-1
，tm]中每一个区间的能见度隶属，若某个区间隶属于无影响，则将代表能见度是无影响的数据α
11
作为相应区间的能见度数据，若某个区间隶属于弱影响，则将代表能见度是弱影响的数据α
12
作为相应区间的能见度数据，若某个区间隶属于强影响，则将代表能见度是强影响的数据α
13
作为相应区间的能见度数据；
[0024]
所述步骤二中，获取所述气候数据的风数据包括如下步骤：
[0025]
步骤b1、采用模糊逻辑，将风划分为无影响、弱影响和强影响三种类别；
[0026]
步骤b2、选择三个数据α
21
、α
22
、α
23
，其中α
21
＜α
22
＜α
23
，令α
21
代表所述风隶属的无影响，令α
22
代表所述风隶属的弱影响，令α
23
代表所述风隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的风隶属，若某个区间隶属于无影响，则将代表风是无影响的数据α
21
作为相应区间的风数据，若某个区间隶属于弱影响，则将代表风是弱影响的数据α
22
作为相应区间的风数据，若某个区间隶属于强影响，则将代表风是强影响的数据α
23
作为相应区间的风数据；
[0027]
所述步骤二中，获取所述气候数据的雨数据包括如下步骤：
[0028]
步骤c1、采用模糊逻辑，将雨划分为无影响、弱影响和强影响三种类别；
[0029]
步骤c2、选择三个数据α
31
、α
32
、α
33
，其中α
31
＜α
32
＜α
33
，令α
31
代表所述雨隶属的无影响，α
32
表所述雨隶属的弱影响，α
33
表所述雨隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的雨隶属，若某个区间隶属于无影响，则将代表雨是无影响的数据α
31
作为相应区间的雨数据，若某个区间隶属于弱影响，则将代
表雨是弱影响的数据α
32
作为相应区间的雨数据，若某个区间隶属于强影响，则将代表雨是强影响的数据α
33
作为相应区间的雨数据；
[0030]
所述步骤二中，获取所述气候数据的雷数据包括如下步骤：
[0031]
步骤d1、采用模糊逻辑，将雷划分为无影响、弱影响和强影响三种类别；
[0032]
步骤d2、选择三个数据α
41
、α
42
、α
43
，其中α
41
＜α
42
＜α
43
，令α
41
代表所述雷隶属的无影响，α
42
代表所述雷隶属的弱影响，α
43
代表所述雷隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的雨隶属，若某个区间隶属于无影响，则将代表雷是无影响的数据α
41
作为相应区间的雷数据，若某个区间隶属于弱影响，则将代表雷是弱影响的数据α
42
作为相应区间的雷数据，若某个区间隶属于强影响，则将代表雷是强影响的数据α
43
作为相应区间的雷数据；
[0033]
模糊逻辑能够将定性的模糊的影响因素量化和具体化，这样有利于构建神经网络的数据输入。
[0034]
作为优选，所述步骤二中，获取所述日类型数据包括如下步骤：
[0035]
步骤e1、将日划分为节假日、双休日和工作日，选择三个数据α
51
、α
52
、α
53
，其中α
51
＜α
52
＜α
53
，令α
51
代表所述日隶属的节假日，α
52
代表所述日隶属的双休日，α
53
代表所述日隶属的工作日；
[0036]
步骤e2、判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的日隶属，若某个区间隶属于节假日，则将代表日是节假日的数据α
51
作为相应区间的日数据，若某个区间隶属于双休日，则将代表日是双休日的数据α
52
作为相应区间的日数据，若某个区间隶属于工作日，则将代表日是工作日的数据α
53
作为相应区间的日数据；
[0037]
这样将日类型实现了量化，而且充分考虑了节假日、工作日和双休日的差异。
[0038]
作为优选，所述步骤二中，获取季节类型数据包括如下步骤：
[0039]
步骤f1、将季节划分为春夏秋冬四个季节，选择四个数据β1、β2、β3、β4，其中β1＜β2＜β3＜β4，β1代表季节是春季，β2代表季节是夏季，β3代表季节是秋季，β4代表季节是冬季；
[0040]
步骤f2、判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的季节隶属，若某个区间隶属于春季，则将代表季节是春季的数据β1作为相应区间的季节数据，若某个区间隶属于夏季，则将代表季节是夏季的数据β2作为相应区间的季节数据，若某个区间隶属于秋季，则将代表季节是秋季的数据β3作为相应区间的季节数据，若某个区间隶属于冬季，则将代表季节是冬季的数据β4作为相应区间的季节数据；
[0041]
这样在考虑到季节因素影响的同时，实现了季节的量化。
[0042]
作为优选，所述步骤二中获取的作业量数据包括获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的作业总量；在这里考虑到了作业量的影响。
[0043]
作为优选，所述步骤二中，靠港船舶数据包括类型数据、岸电连接状态数据、靠港船舶辅机最大可持续功率和靠港时间数据；
[0044]
所述步骤二中，获取靠港船舶数据包括如下步骤：
[0045]
步骤g1、将所述靠港船舶类型划分为散货船、集装箱船、油轮和其他，用数据a代表所述靠港船舶类型为散货船，数据b代表所述靠港船舶类型为集装箱船，数据c代表所述靠港船舶类型为油轮，数据d代表所述靠港船舶类型为其他，与此同时，若某个区间中没有出现靠港船舶岸电连接，则将0作为相应区间的所述岸电连接状态数据，若某个区间中有出现
靠港船舶岸电连接，则将1作为相应区间的所述岸电连接状态数据；
[0046]
步骤g2、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的靠港船舶岸电连接状态数据以及所述靠港船舶的类型数据，靠港船舶辅机最大可持续功率，靠港时间数据；
[0047]
这样的评估方式，在提供输入数据的同时，为节约能源做好了预备。
[0048]
作为优选，所述训练集c的数据量与所述测试集的数据量的比是7：3；这样体现了测试与训练的科学性。
[0049]
作为优选，所述卷积神经网络包括输入层、卷积层c1、池化层s1、卷积层c2、池化层s2、全连接层和输出层，按照运行顺序依次设置所述输入层、所述积层c1、所述池化层s1、所述卷积层c2、所述池化层s2、所述全连接层、所述输出层；卷积神经网络可以通过采集港口负荷影响因素的历史值，以及对应的历史负荷数据，学习预测模型，从而无需建立精确的数学模型。
[0050]
本发明提供的一种港口负荷预测方法，其技术方案如下；
[0051]
一种港口负荷预测方法，采用基于如上获取港口负荷合格预测神经网络算法获取的港口负荷合格预测神经网络，包括如下步骤：
[0052]
步骤10.1、选择一个时间段作为预测时间段；
[0053]
步骤10.2、获取所述预测时间段的所述气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率，并将这些数据作为预测输入数据；
[0054]
步骤10.3、将所述预测输入数据输入至所述获取港口负荷合格预测神经网络，获取输出的电量、用氢量和用柴油量数据。
[0055]
采用上述技术方案，与现有技术相比，本发明申请所提供的技术方案至少可以带来的有益效果有：采用经过训练合格的获取港口负荷合格预测神经网络，只需要将收集到的相关数据输入，就可以预测到了耗电量、用氢量和用柴油量数据，从而用简单的方法，解决了港口负荷精确预测的问题。
附图说明
[0056]
图1为本发明的实施例中的程序结构图；
[0057]
图2为本发明的卷积神经网络结构图。
具体实施方式
[0058]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0059]
结合图1-2，本实施例先对一种获取港口负荷合格预测神经网络的算法的技术方案做一个详细介绍。
[0060]
本发明实施例提供的一种获取港口负荷合格预测神经网络的算法，其特征是：包括如下步骤：
[0061]
步骤一、选定初始时刻to和结束时刻te，并将时间区间[to，te]进行m等分，得到区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]，其中，to＝t0＜t1＜t2＜......＜tm＝te；
[0062]
步骤二、获取区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率。
[0063]
具体来说，本实施例中气候数据包括能见度数据、风数据、雨数据和雷数据。
[0064]
获取气候数据的能见度数据包括如下步骤：
[0065]
步骤a1、采用模糊逻辑，将能见度划分为无影响、弱影响和强影响三种类别；
[0066]
步骤a2，选择三个数据，α
11
、α
12
、α
13
，其中α
11
＜α
12
＜α
13
，令α
11
代表能见度隶属的无影响，α
12
代表能见度隶属的弱影响，α
13
代表能见度隶属的强影响，并根据模糊逻辑判断区间序列[t0，t1]、[t1，t2]、......、[t
m-1
tm]中每一个区间的能见度隶属，若某个区间隶属于无影响，则将代表能见度是无影响的数据α
11
作为相应区间的能见度数据，若某个区间隶属于弱影响，则将代表能见度是弱影响的数据α
12
作为相应区间的能见度数据，若某个区间隶属于强影响，则将代表能见度是强影响的数据α
13
作为相应区间的能见度数据；
[0067]
获取气候数据的风数据包括如下步骤：
[0068]
步骤b1、采用模糊逻辑，将风划分为无影响、弱影响和强影响三种类别；
[0069]
步骤b2、选择三个数据α
21
、α
22
、α
23
，其中α
21
＜α
22
＜α
23
，令α
21
代表风隶属的无影响，令α
22
代表风隶属的弱影响，令α
23
代表风隶属的强影响，并根据模糊逻辑判断区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的风隶属，若某个区间隶属于无影响，则将代表风是无影响的数据α
21
作为相应区间的风数据，若某个区间隶属于弱影响，则将代表风是弱影响的数据α
22
作为相应区间的风数据，若某个区间隶属于强影响，则将代表风是强影响的数据α
23
作为相应区间的风数据；
[0070]
获取气候数据的雨数据包括如下步骤：
[0071]
步骤c1、采用模糊逻辑，将雨划分为无影响、弱影响和强影响三种类别；
[0072]
步骤c2、选择三个数据α
31
、α
32
、α
33
，其中α
31
＜α
32
＜α
33
，令α
31
代表所述雨隶属的无影响，α
32
表所述雨隶属的弱影响，α
33
表所述雨隶属的强影响，并根据模糊逻辑判断区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的雨隶属，若某个区间隶属于无影响，则将代表雨是无影响的数据α
31
作为相应区间的雨数据，若某个区间隶属于弱影响，则将代表雨是弱影响的数据α
32
作为相应区间的雨数据，若某个区间隶属于强影响，则将代表雨是强影响的数据α
33
作为相应区间的雨数据；
[0073]
获取气候数据的风数据包括如下步骤：
[0074]
步骤d1、采用模糊逻辑，将风划分为无影响、弱影响和强影响三种类别；
[0075]
步骤d2、选择三个数据α
41
、α
42
、α
43
，其中α
41
＜α
42
＜α
43
，令α
41
代表雷隶属的无影响，α
42
代表雷隶属的弱影响，α
43
代表雷隶属的强影响，并根据模糊逻辑判断区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的雨隶属，若某个区间隶属于无影响，则将代表雷是无影响的数据α
41
作为相应区间的雷数据，若某个区间隶属于弱影响，则将代表雷是弱影响的数据α
42
作为相应区间的雷数据，若某个区间隶属于强影响，则将代表雷是强影响的数据α
43
作为相应区间的雷数据。
[0076]
例如，可以采用如下表格，描述气候信息对应的数据。
[0077] 无影响弱影响强影响能见度111213
风212223雨313233雷414243
[0078]
在上表中，代表能见度是无影响的数据是11，代表能见度是弱影响的数据是12，代表能见度是强影响的数据是13，以此类推。
[0079]
步骤二中，获取所述日类型数据包括如下步骤：
[0080]
步骤e1、将日划分为节假日、双休日和工作日，选择三个数据α
51
、α
52
、α
53
，其中α
51
＜α
52
＜α
53
，令α
51
代表日隶属的节假日，α
52
代表日隶属的双休日，α
53
代表日隶属的工作日；
[0081]
步骤e2、判断区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的日隶属，若某个区间隶属于节假日，则将代表日是节假日的数据α
51
作为相应区间的日数据，若某个区间隶属于双休日，则将代表日是双休日的数据α
52
作为相应区间的日数据，若某个区间隶属于工作日，则将代表日是工作日的数据α
53
作为相应区间的日数据。
[0082]
例如，可以采用下表数据表示不同日的隶属情况。
[0083]
日类型工作日双休日节假日数据量321
[0084]
步骤二中，获取季节类型数据包括如下步骤：
[0085]
步骤f1、将季节划分为春夏秋冬四个季节，选择β1、β2、β3、β4，其中β1＜β2＜β3＜β4，β1代表季节是春季，β2代表季节是夏季，β3代表季节是秋季，β4代表季节是冬季；
[0086]
步骤f2、判断区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的季节隶属，若某个区间隶属于春季，则将代表季节是春季的数据β1作为相应区间的季节数据，若某个区间隶属于夏季，则将代表季节是夏季的数据β2作为相应区间的季节数据，若某个区间隶属于秋季，则将代表季节是秋季的数据β3作为相应区间的季节数据，若某个区间隶属于冬季，则将代表季节是冬季的数据β4作为相应区间的季节数据。
[0087]
例如，春夏秋冬可以用4、5、6、7表示。
[0088]
本实施例中，获取的作业量数据包括获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的作业总量。
[0089]
对于散货码头，作业量为货物质量；对于集装箱码头，作业量为标准箱量。
[0090]
步骤二中，靠港船舶数据包括类型数据、岸电连接状态数据、靠港船舶辅机最大可持续功率和靠港时间数据；
[0091]
步骤二中，获取靠港船舶数据包括如下步骤：
[0092]
步骤g1、将靠港船舶类型划分为散货船、集装箱船、油轮和其他，用数据a代表靠港船舶类型为散货船，数据b代表靠港船舶类型为集装箱船，数据c代表靠港船舶类型为油轮，数据d代表靠港船舶类型为其他，与此同时，若某个区间中没有出现靠港船舶岸电连接，则将0作为相应区间的岸电连接状态数据，若某个区间中有出现靠港船舶岸电连接，则将1作为相应区间的岸电连接状态数据；
[0093]
步骤g2、获取区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的靠港船舶岸电连接状态数据以及靠港船舶的类型数据，靠港船舶辅机最大可持续功率，靠港时间数据。
[0094]
可以令a、b、c和d数值等于1、2、3、4，至于所用的每台氢能设备功率和所用的每台
柴油设备功率可以通过数据库中调取。
[0095]
步骤三、将由区间[t
i-1
，ti]内的气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率组成的列向量作为第i个输入向量，形成输入数据集a，其中，1≤i≤m，
[0096]
a＝{x1，x2，...，xm}。
[0097]
步骤四、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，tm]中每一个区间的用电量、用氢量和用柴油量数据，随后将由区间[t
i-1
，ti]内的用电量、用氢量和用柴油量数据组成的列向量作为第i个输出向量，形成输出数据集b，其中，1≤i≤m，
[0098]
b＝{y1，y1，
…
，ym}
[0099]
步骤五、建立以第i个输入向量与第i个输出向量的笛卡尔积(xi，yi)为元素的集合u，其中1≤i≤m，即令
[0100]
u＝＝{(x1，y1)，
…
，(xm，ym)}
[0101]
，将集合u作为数据集，并将该数据集分为训练集c和测试集d，其中，
[0102]
c＝{(x1，y1)，...，(xs，ys)}
[0103]
d＝{(x
s+1
，y
s+1
)，...，(xm，ym)}。
[0104]
步骤六、将所述数据集进行预处理后，选用卷积神经网络，将训练集c中的每一个元素(xi，yi)的第一个分量xi作为卷积神经网络的输入向量，数据集中的每一个元素(xi，yi)的第二个分量yi作为卷积神经网络的理想输出向量，对卷积神经网络进行训练，获得经过训练的卷积神经网络。
[0105]
步骤七，采用测试集d对所述经过训练的卷积神经网络进行测试，获取合格卷积神经网络。
[0106]
本实施例中训练集c的数据量与测试集的的数据量的比是7：3。卷积神经网络包括输入层、卷积层c1、池化层s1、卷积层c2、池化层s2、具有三个隐含层的全连接层和输出层，沿该卷积神经网络运行方向依次设置输入层、卷积层c1、池化层s1、卷积层c2、池化层s2、全连接层与输出层。
[0107]
本实施例中卷积层c1和卷积层c2的卷积核均为3
×
1矩阵，运算步长均为1、数量均为8，池化层s1与池化层s2滤波区域均为2
×
1的滤波单位，步长均为2，均采用最大池化进行池化运算。全连接层的激活函数采用对数损失函数、对数似然代价目标函数和归一化指数函数。
[0108]
本实施例还提供一种港口负荷预测方法，采用基于获取港口负荷合格预测神经网络算法获取的港口负荷合格预测神经网络，包括如下步骤：
[0109]
步骤10.1、选择一个时间段作为预测时间段；
[0110]
步骤10.2、获取预测时间段的所述气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率，并将这些数据作为预测输入数据；
[0111]
步骤10.3、将预测输入数据输入至所述获取港口负荷合格预测神经网络，获取输出的电量、用氢量和用柴油量数据。
[0112]
当然，在进入神经网络训练之前，可以先进行一个预处理，具体可以通过归一化的方式进行，与此同时，也需要除掉一些无效数据或者不可靠数据。总之，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对本实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种获取港口负荷合格预测神经网络的算法，其特征是：包括如下步骤：步骤一、选定初始时刻t
o
和结束时刻t
e
，并将时间区间[t
o
，t
e
]进行m等分，得到区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]，其中，t
o
＝t0<t1<t2<......<t
m
＝t
e
；步骤二、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率；步骤三、将由区间[t
i-1
，t
i
]内的所述气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率组成的列向量作为第i个输入向量，形成输入数据集a，其中，1≤i≤m，a＝{x1，x2，...，x
m
}；步骤四、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的用电量、用氢量和用柴油量数据，随后将由区间[t
i-1
，t
i
]内的所述用电量、用氢量和用柴油量数据组成的列向量作为第i个输出向量，形成输出数据集b，其中，1≤i≤m，b＝{y1，y1，
…
，y
m
}；步骤五、建立以所述第i个输入向量与所述第i个输出向量的笛卡尔积(x
i
，y
i
)为元素的集合u，其中1≤i≤m，即令u＝{(x1，y1)，...，(x
m
，y
m
)}，将所述集合u作为数据集，并将所述数据集分为训练集c和测试集d，其中，c＝{(x1，y1)，...，(x
s
，y
s
)}d＝{(x
s+1
，y
s+1
，)，...，(x
m
，y
m
)}；步骤六、将所述数据集进行预处理后，选用卷积神经网络，将所述训练集c中的每一个元素(x
i
，y
i
)的第一个分量x
i
作为所述卷积神经网络的输入向量，所述数据集中的每一个元素(x
i
，y
i
)的第二个分量y
i
作为所述卷积神经网络的理想输出向量，对所述卷积神经网络进行训练，获得经过训练的卷积神经网络；步骤七、采用测试集d对所述经过训练的卷积神经网络进行测试，获取合格卷积神经网络。2.根据权利要求1所述的获取港口负荷合格预测神经网络的算法，其特征是：所述步骤二中的气候数据包括能见度数据、风数据、雨数据和雷数据。3.根所述据权利要求2所述的获取港口负荷合格预测神经网络的算法，其特征是：所述步骤二中，获取所述气候数据的能见度数据包括如下步骤：步骤a1、采用模糊逻辑，将能见度划分为无影响、弱影响和强影响三种类别；步骤a2，选择三个数据α
11
、α
12
、α
13
，其中α
11
<α
12
<α
13
，令α
11
代表所述能见度隶属的无影响，α
12
代表所述能见度隶属的弱影响，α
13
代表所述能见度隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的能见度隶属，若某个区间隶属于无影响，则将代表能见度是无影响的数据α
11
作为相应区间的能见度数据，若某
个区间隶属于弱影响，则将代表能见度是弱影响的数据α
12
作为相应区间的能见度数据，若某个区间隶属于强影响，则将代表能见度是强影响的数据α
13
作为相应区间的能见度数据；所述步骤二中，获取所述气候数据的风数据包括如下步骤：步骤b1、采用模糊逻辑，将风划分为无影响、弱影响和强影响三种类别；步骤b2、选择三个数据α
21
、α
22
、α
23
，其中α
21
<α
22
<α
23
，令α
21
代表所述风隶属的无影响，令α
22
代表所述风隶属的弱影响，令α
23
代表所述风隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的风隶属，若某个区间隶属于无影响，则将代表风是无影响的数据α
21
作为相应区间的风数据，若某个区间隶属于弱影响，则将代表风是弱影响的数据α
22
作为相应区间的风数据，若某个区间隶属于强影响，则将代表风是强影响的数据α
23
作为相应区间的风数据；所述步骤二中，获取所述气候数据的雨数据包括如下步骤：步骤c1、采用模糊逻辑，将雨划分为无影响、弱影响和强影响三种类别；步骤c2、选择三个数据α
31
、α
32
、α
33
，其中α
31
<α
32
<α
33
，令α
31
代表所述雨隶属的无影响，α
32
表所述雨隶属的弱影响，α
33
表所述雨隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的雨隶属，若某个区间隶属于无影响，则将代表雨是无影响的数据α
31
作为相应区间的雨数据，若某个区间隶属干弱影响，则将代表雨是弱影响的数据α
32
作为相应区间的雨数据，若某个区间隶属于强影响，则将代表雨是强影响的数据α
33
作为相应区间的雨数据；所述步骤二中，获取所述气候数据的雷数据包括如下步骤：步骤d1、采用模糊逻辑，将雷划分为无影响、弱影响和强影响三种类别；步骤d2、选择三个数据α
41
、α
42
、α
43
，其中α
41
<α
42
<α
43
，令α
41
代表所述雷隶属的无影响，α
42
代表所述雷隶属的弱影响，α
43
代表所述雷隶属的强影响，并根据模糊逻辑判断所述区间序列[t0，t1]、[t1，t2]、....、[t
m-1
，t
m
]中每一个区间的雨隶属，若某个区间隶属于无影响，则将代表雷是无影响的数据α
41
作为相应区间的雷数据，若某个区间隶属于弱影响，则将代表雷是弱影响的数据α
42
作为相应区间的雷数据，若某个区间隶属于强影响，则将代表雷是强影响的数据α
43
作为相应区间的雷数据。4.根据权利要求3所述的获取港口负荷合格预测神经网络的算法，其特征是；所述步骤二中，获取所述日类型数据包括如下步骤：步骤e1、将日划分为节假日、双休日和工作日，选择三个数据α
51
、α
52
、α
53
，其中α
51
<α
52
<α
53
，令α
51
代表所述日隶属的节假日，α
52
代表所述日隶属的双休日，α
53
代表所述日隶属的工作日；步骤e2、判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的日隶属，若某个区间隶属于节假日，则将代表日是节假日的数据α
51
作为相应区间的日数据，若某个区间隶属于双休日，则将代表日是双休日的数据α
52
作为相应区间的日数据，若某个区间隶属于工作日，则将代表日是工作日的数据α
53
作为相应区间的日数据。5.根据权利要求4所述的获取港口负荷合格预测神经网络的算法，其特征是：所述步骤二中，获取季节类型数据包括如下步骤：步骤f1、将季节划分为春夏秋冬四个季节，选择四个数据β1、β2、β3、β4，其中β1<β2＜β3＜β4，β1代表季节是春季，β2代表季节是夏季，β3代表季节是秋季，β4代表季节是冬季；
步骤f2、判断所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的季节隶属，若某个区间隶属于春季，则将代表季节是春季的数据β1作为相应区间的季节数据，若某个区间隶属于夏季，则将代表季节是夏季的数据β2作为相应区间的季节数据，若某个区间隶属于秋季，则将代表季节是秋季的数据β3作为相应区间的季节数据，若某个区间隶属于冬季，则将代表季节是冬季的数据β4作为相应区间的季节数据。6.根据权利要求5所述的获取港口负荷合格预测神经网络的算法，其特征是：所述步骤二中获取的作业量数据包括获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的作业总量。7.根据权利要求6所述的获取港口负荷合格预测神经网络的算法，其特征是：所述步骤二中，靠港船舶数据包括类型数据、岸电连接状态数据、靠港船舶辅机最大可持续功率和靠港时间数据；所述步骤二中，获取靠港船舶数据包括如下步骤：步骤g1、将所述靠港船舶类型划分为散货船、集装箱船、油轮和其他，用数据a代表所述靠港船舶类型为散货船，数据b代表所述靠港船舶类型为集装箱船，数据c代表所述靠港船舶类型为油轮，数据d代表所述靠港船舶类型为其他，与此同时，若某个区间中没有出现靠港船舶岸电连接，则将0作为相应区间的所述岸电连接状态数据，若某个区间中有出现靠港船舶岸电连接，则将1作为相应区间的所述岸电连接状态数据；步骤g2、获取所述区间序列[t0，t1]、[t1，t2]、......、[t
m-1
，t
m
]中每一个区间的靠港船舶岸电连接状态数据以及所述靠港船舶的类型数据，靠港船舶辅机最大可持续功率，靠港时间数据。8.根据权利要求7所述的获取港口负荷合格预测神经网络的算法，其特征是：所述训练集c数据量与所述测试集数据量的比是7：3。9.根据权利要求8所述的获取港口负荷合格预测神经网络的算法，其特征是：所述卷积神经网络包括输入层、卷积层c1、池化层s1、卷积层c2、池化层s2、全连接层和输出层，按照运行顺序依次设置所述输入层、所述卷积层c1、所述池化层s1、所述卷积层c2、所述池化层s2、所述全连接层、所述输出层连接。10.一种港口负荷预测方法，其特征是：采用基于权利要求1—9任意一项所述的获取港口负荷合格预测神经网络算法获取的港口负荷合格预测神经网络，包括如下步骤：步骤10.1、选择一个时间段作为预测时间段；步骤10.2、获取所述预测时间段的所述气候数据、日类型数据、季节类型数据、作业量数据、靠港船舶数据、所用的每台氢能设备功率和所用的每台柴油设备功率，并将这些数据作为预测输入数据；步骤10.3、将所述预测输入数据输入至所述获取港口负荷合格预测神经网络，获取输出的电量、用氢量和用柴油量数据。

技术总结
本发明涉及一种港口负荷预测方法及算法，包括算法部分和实际预测方法部分，算法部分包括选择并划分时间区间、采集数据、数据处理、卷积神经网络的训练和测试，最终获得合格的卷积神经网络，由此运用到实际中：通过本发明可以达到精确预测港口负荷的有益效果。达到精确预测港口负荷的有益效果。达到精确预测港口负荷的有益效果。


技术研发人员：唐道贵 钟晓晖 许朝远 陈哲 张乾能 杨盛祥 李将渊 徐鹏
受保护的技术使用者：宁波舟山港集团有限公司
技术研发日：2023.03.14
技术公布日：2023/7/18