本技術涉及電動船舶，具體而言，涉及一種電動船舶電池能耗預測方法及裝置。

背景技術：

1、在當今社會，環境保護意識的日益增強促使電動船舶作為新興的低碳、環保交通工具，在航運領域內展現出蓬勃的發展勢頭。然而，電動船舶的續航性能仍是制約其廣泛應用的關鍵因素，主要受限于電池儲能容量及動力系統的轉換效率。準確預測電動船舶的續航里程，對于科學規劃航行路線和高效管理能源分配具有不可或缺的作用。當前，針對電動船舶電池能耗的預測手段，主流方法多依賴于鋰電池的荷電狀態(soc)進行估算。盡管這種方法在一定程度上提供了能耗預測的可能性，但其預測結果的精確度和穩定性仍有待提升，特別是在面對多變的航行環境和復雜的操作條件時，其預測性能的優化成效往往難以令人滿意。

技術實現思路

1、本技術實施例的目的在于提供一種電動船舶電池能耗預測方法及裝置，能夠提高電動船舶續航預測精度，能夠適應多變的航行環境和復雜的操作條件，有利于優化能源管理，助力環保航行。

2、本技術第一方面提供了一種電動船舶電池能耗預測方法，包括：

3、獲取用于訓練模型的標準數據集；其中，所述標準數據集包括河流水文數據、船舶自身狀態數據和船舶能耗序列數據；

4、構建基于回聲狀態網絡的初始預測模型；

5、基于粒子群算法和所述標準數據集對所述初始預測模型進行訓練，得到訓練好的電池能耗預測模型；

6、將硬件傳感器和所述電池能耗預測模型部署到待預測電動船舶上；

7、通過所述硬件傳感器獲取實時船舶數據；

8、根據所述實時船舶數據和所述電池能耗預測模型進行能耗預測，得到能耗預測結果。

9、實施上述實施方式，該方法能夠通過結合河流水文、船舶狀態及能耗數據，利用回聲狀態網絡與粒子群算法訓練預測模型，實現電動船舶電池能耗的精準預測，從而提升能耗管理的效率與精確度。

10、進一步地，所述獲取用于訓練模型的標準數據集，包括：

11、在電動船舶實際行駛時，根據預設采樣間隔和預設采樣時間，通過傳感器采集河流水文數據；其中，所述河流水文數據至少包括河流流速序列數據和河流方向序列數據；

12、根據所述預設采樣間隔和所述預設采樣時間獲取所述河流水文數據對應的船舶自身狀態數據和船舶能耗序列數據；其中，所述船舶自身狀態數據至少包括船舶電池實時電量序列數據、船舶航行速度序列數據和船舶吃水深度序列數據；

13、根據所述河流水文數據和所述船舶自身狀態數據，構建輸入數據；

14、根據所述輸入數據和所述船舶能耗序列數據，構建完整數據集；

15、對所述完整數據集進行局域均值分解處理，得到標準數據集。

16、進一步地，所述對所述完整數據集進行局域均值分解處理，得到標準數據集，包括：

17、將所述完整數據集確定為待分解數據集；

18、提取所述待分解數據集的局部極值點；

19、根據所述局部極值點計算相鄰局部極值點平均值和相鄰極值點的包絡函數值；

20、根據所述相鄰局部極值點平均值獲取局部均值函數，并根據所述包絡函數值獲取包絡估計函數；

21、根據所述局部均值函數、所述待分解數據集和所述包絡估計函數，計算調頻函數；

22、當所述調頻函數的包絡估計函數恒為1時，根據所述包絡估計函數計算包絡信號；

23、根據所述包絡信號和所述調頻函數，對所述待分解數據集進行分解，得到pf分量集合；

24、對所述pf分量集合進行拼接處理，得到標準數據集。

25、進一步地，所述初始預測模型包括輸入層、基于時間的序列劃分塊、儲備池時間差分處理結構、sigmoid激活函數、時間注意力機制模塊以及輸出層；

26、所述輸出層包括softmax激活函數和第一全連接層；

27、所述儲備池時間差分處理結構是基于儲備池單元結構生成的；

28、所述儲備池單元結構包括多個神經元；

29、所述儲備池時間差分處理結構包括早期數據處理儲備池單元、中期數據處理儲備池單元、中近期數據處理儲備池單元以及近期數據處理儲備池單元；

30、所述輸出層包括relu激活函數和第二全連接層。

31、進一步地，所述基于粒子群算法和所述標準數據集對所述初始預測模型進行訓練，得到訓練好的電池能耗預測模型，包括：

32、基于平均絕對誤差和均方誤差構建損失函數；

33、初始化目標粒子群；

34、確定所述目標粒子群對應的參數組合方案；其中，所述參數組合方案包括每個目標粒子群對應的儲備池神經元個數以及稀疏連接程度；

35、根據所述目標粒子群、所述損失函數、所述標準數據集以及所述參數組合方案對所述初始預測模型進行參數優化，得到待訓練預測模型；

36、通過所述標準數據集對所述待訓練預測模型進行模型訓練，得到訓練好的電池能耗預測模型。

37、進一步地，所述根據所述目標粒子群、所述損失函數、所述標準數據集以及所述參數組合方案對所述初始預測模型進行參數優化，得到待訓練預測模型，包括：

38、根據所述目標粒子群、所述損失函數、所述標準數據集以及所述參數組合方案對所述初始預測模型進行訓練，得到每個所述參數組合方案對應的損失值；

39、根據所述損失值確定每個所述目標粒子群的粒子群適應度；

40、根據所述粒子群適應度從所述目標粒子群中確定最佳粒子群；

41、根據所述最佳粒子群對所述目標粒子群進行更新，得到更新后的目標粒子群；

42、當達到訓練迭代次數時，獲取最后一次迭代訓練得到的最佳粒子群；

43、將所述最佳粒子群確定為訓練過程中的目標最佳粒子；

44、將所述目標最佳粒子對應的參數組合方案確定為最佳組合方案；

45、根據所述最佳組合方案獲取各個儲備池單元中所對應的最佳神經元個數以及最佳稀疏程度值；

46、根據所述最佳神經元個數和所述最佳稀疏程度值對所述初始預測模型的模型參數進行調整，得到待訓練預測模型。

47、進一步地，所述硬件傳感器包括在所述待預測電動船舶側面部署的電磁流速傳感器以及在所述待預測電動船舶底部部署的壓力式水位計；

48、其中，所述通過所述硬件傳感器獲取實時船舶數據，包括：

49、通過所述電磁流速傳感器采集河流的實時流速和實時流向；

50、通過所述壓力式水位計采集所述待預測電動船舶的實時吃水深度；

51、通過所述待預測電動船舶的數據操控臺采集剩余電量數據和船舶實時運行速度。

52、本技術第二方面提供了一種電動船舶電池能耗預測裝置，所述電動船舶電池能耗預測裝置包括：

53、第一獲取單元，用于獲取用于訓練模型的標準數據集；其中，所述標準數據集包括河流水文數據、船舶自身狀態數據和船舶能耗序列數據；

54、構建單元，用于構建基于回聲狀態網絡的初始預測模型；

55、訓練單元，用于基于粒子群算法和所述標準數據集對所述初始預測模型進行訓練，得到訓練好的電池能耗預測模型；

56、部署單元，用于將硬件傳感器和所述電池能耗預測模型部署到待預測電動船舶上；

57、第二獲取單元，用于通過所述硬件傳感器獲取實時船舶數據；

58、預測單元，用于根據所述實時船舶數據和所述電池能耗預測模型進行能耗預測，得到能耗預測結果。

59、進一步地，所述第一獲取單元包括：

60、第一采集子單元，用于在電動船舶實際行駛時，根據預設采樣間隔和預設采樣時間，通過傳感器采集河流水文數據；其中，所述河流水文數據至少包括河流流速序列數據和河流方向序列數據；

61、第一獲取子單元，用于根據所述預設采樣間隔和所述預設采樣時間獲取所述河流水文數據對應的船舶自身狀態數據和船舶能耗序列數據；其中，所述船舶自身狀態數據至少包括船舶電池實時電量序列數據、船舶航行速度序列數據和船舶吃水深度序列數據；

62、第一構建子單元，用于根據所述河流水文數據和所述船舶自身狀態數據，構建輸入數據；

63、所述第一構建子單元，還用于根據所述輸入數據和所述船舶能耗序列數據，構建完整數據集；

64、分解子單元，用于對所述完整數據集進行局域均值分解處理，得到標準數據集。

65、進一步地，所述分解子單元，具體用于將所述完整數據集確定為待分解數據集；提取所述待分解數據集的局部極值點；根據所述局部極值點計算相鄰局部極值點平均值和相鄰極值點的包絡函數值；根據所述相鄰局部極值點平均值獲取局部均值函數，并根據所述包絡函數值獲取包絡估計函數；根據所述局部均值函數、所述待分解數據集和所述包絡估計函數，計算調頻函數；當所述調頻函數的包絡估計函數恒為1時，根據所述包絡估計函數計算包絡信號；根據所述包絡信號和所述調頻函數，對所述待分解數據集進行分解，得到pf分量集合；對所述pf分量集合進行拼接處理，得到標準數據集。

66、進一步地，所述初始預測模型包括輸入層、基于時間的序列劃分塊、儲備池時間差分處理結構、sigmoid激活函數、時間注意力機制模塊以及輸出層；

67、所述輸出層包括softmax激活函數和第一全連接層；

68、所述儲備池時間差分處理結構是基于儲備池單元結構生成的；

69、所述儲備池單元結構包括多個神經元；

70、所述儲備池時間差分處理結構包括早期數據處理儲備池單元、中期數據處理儲備池單元、中近期數據處理儲備池單元以及近期數據處理儲備池單元；

71、所述輸出層包括relu激活函數和第二全連接層。

72、進一步地，所述訓練單元包括：

73、第二構建子單元，用于基于平均絕對誤差和均方誤差構建損失函數；

74、初始化子單元，用于初始化目標粒子群；

75、確定子單元，用于確定所述目標粒子群對應的參數組合方案；其中，所述參數組合方案包括每個目標粒子群對應的儲備池神經元個數以及稀疏連接程度；

76、優化子單元，用于根據所述目標粒子群、所述損失函數、所述標準數據集以及所述參數組合方案對所述初始預測模型進行參數優化，得到待訓練預測模型；

77、訓練子單元，用于通過所述標準數據集對所述待訓練預測模型進行模型訓練，得到訓練好的電池能耗預測模型。

78、進一步地，所述優化子單元，具體用于根據所述目標粒子群、所述損失函數、所述標準數據集以及所述參數組合方案對所述初始預測模型進行訓練，得到每個所述參數組合方案對應的損失值；根據所述損失值確定每個所述目標粒子群的粒子群適應度；根據所述粒子群適應度從所述目標粒子群中確定最佳粒子群；根據所述最佳粒子群對所述目標粒子群進行更新，得到更新后的目標粒子群；當達到訓練迭代次數時，獲取最后一次迭代訓練得到的最佳粒子群；將所述最佳粒子群確定為訓練過程中的目標最佳粒子；將所述目標最佳粒子對應的參數組合方案確定為最佳組合方案；根據所述最佳組合方案獲取各個儲備池單元中所對應的最佳神經元個數以及最佳稀疏程度值；根據所述最佳神經元個數和所述最佳稀疏程度值對所述初始預測模型的模型參數進行調整，得到待訓練預測模型。

79、進一步地，所述硬件傳感器包括在所述待預測電動船舶側面部署的電磁流速傳感器以及在所述待預測電動船舶底部部署的壓力式水位計；

80、其中，所述第二獲取單元包括：

81、第二采集子單元，用于通過所述電磁流速傳感器采集河流的實時流速和實時流向；

82、所述第二采集子單元，還用于通過所述壓力式水位計采集所述待預測電動船舶的實時吃水深度；

83、第二獲取子單元，用于通過所述待預測電動船舶的數據操控臺采集剩余電量數據和船舶實時運行速度。

84、本技術第三方面提供了一種電子設備，包括存儲器以及處理器，所述存儲器用于存儲計算機程序，所述處理器運行所述計算機程序以使所述電子設備執行本技術第一方面中任一項所述的電動船舶電池能耗預測方法。

85、本技術第四方面提供了一種計算機可讀存儲介質，其存儲有計算機程序指令，所述計算機程序指令被一處理器讀取并運行時，執行本技術第一方面中任一項所述的電動船舶電池能耗預測方法。

86、本技術的有益效果為：

87、(1)該方法提出的基于局部均值分解(lmd)操作的數據處理模塊，能夠對采集到的初始數據進行處理，從而消除初始數據集中的噪聲因素，為后續電動船舶能耗預測提供質量更高的訓練數據集。從而，能夠提高電動船舶能耗預測的精度，減少了預測過程所耗費的時間，還顯著增強了能耗預測的魯棒性和適用性。無論是在內河航運還是遠洋航行，不同類型的電動船舶都能從該數據處理模塊中受益，實現更準確的電池能耗預測。

88、(2)該方法構建了包含儲備池時間差分處理結構的回聲狀態網絡，該結構能夠在更加精細的時間尺度下對數據進行特征提取。相比于利用單個儲備池對輸入數據進行處理，時間差分處理的儲備池結構能夠捕捉復雜變化，如船舶不同航行階段的能耗特征差異，為預測提供更豐富、更精準的特征。此外，時間注意力機制模塊能夠自適應地融合不同時間尺度下的特征。由于船舶運行中不同時刻能耗相關特征的重要性動態變化，時間注意力機制能夠調整對不同時間段數據的依賴程度，從而進一步提高預測的準確性。

89、(3)在訓練階段，該方法構建了基于粒子群算法的模型優化訓練策略。該策略分別對模型儲備池時間差分處理結構中各個儲備池單元的神經元個數以及稀疏連接程度進行優化，以提高各個儲備池單元在相應時間尺度下的特征提取能力。通過尋找模型性能最佳時所對應的模型參數，將其作為最終模型結構，顯著增強了模型的整體性能。這使得模型在處理電動船舶能耗相關數據時，能夠更精準地捕捉數據特征并適應復雜多變的工況，如不同航速、負載變化、航行環境等情況。因此，該模型在電動船舶電池能耗預測中表現出更高的準確性，為船舶能源管理、航程規劃、電池壽命延長等提供了更可靠的依據，保障了船舶航行的高效性和安全性。