英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
电动RTG起重机日前工业负荷预测研究
摘要
鉴于国际贸易的增加，世界各大港口面临的能源和环境方面的挑战日益突出，需要更好地了解港口的电力需求。随着柴油发电的集装箱门式起重机（简称RTG）逐步转向电力驱动的RTG，相对而言，在大幅减少气体排放和能源消耗同时，也增加了电力方面的需求。对于有强规则性的地区和季节性特点的用电，做好电气负荷预估是非常重要的，而RTG又因其极不稳定和随机作业行为，为RTG吊车电力预测形成巨大的潜在挑战。本篇论文是第一次广泛调查短期基础上，预测用于电动RTG吊车用电负荷需求的研究，依赖于大量数据和相关性分析，形成不同认识观点，同时，基于外生变量精度变化，其预测效果也在于影响其精度。在英国的费利克斯托港，我们选择两种不同RTG进行数据收集、测试，验证了这些设备用电预测模型，结果表明当对于一定数量作业的RTG和集装箱箱重量来说，采用这种模型得出的结果是准确且可以接受的。
关键字：轮胎式集装箱门式起重机，相关分析，外生变量估计，人工神经网络，时间序列预测建模
第1章 介绍
在过去十年，随着世界各地的国际贸易数量迅速增加，各国港口面临着突出的环境和能源挑战问题，包括不断攀升的柴油价格和温室排放等。通常情况下，柴油RTG在环境污染严重，经济效率低下，不但是因为它们使用更多的燃料情形下，导致燃料成本波动增长，同时也会带来有害气体排放，如二氧化碳和氮氧化物等。人们减少碳气体排放和降低运营成本采用的一种有效方法是将RTG从柴油发电直接改为电气驱动[1，2]。同时，随着这种调整，电力消耗增加不说，港口变电站低压电网受到大量电力RTG集中作业影响较大。与柴油RTG吊车相比，使用电动RTG吊车可将维护和维修部件成本降低30%左右，绿色气体排放降低25%至70%[1,3]。然而，从柴油转向电动RTG吊车将导致港口变电站的峰值需求和功耗增加。在这种情况下，港口可能需要升级电气基础设施，以满足这种需求的增加[3]。此外，对港口和RTG起重机的能源需求行为也有差距和缺乏了解。这种理解对于制定发电战略以减少气体排放和峰值需求问题的环境影响至关重要[4]。负荷预测是估计未来由于需求不一致而可能发生的任何财务或技术风险的重要工具。准确的预测是解决能源管理系统问题的有效方法，如负荷下降、高峰需求和电力基础设施发展[5]。在电力系统应用中，短期负荷预测在运行调度、电力系统稳定性和经济运行等方面得到了广泛的应用[6，7]。为实现准确的短期负荷预测，将采用大量的方法和模型。这些模式主要分为三类：
1）传统的或统计学的方法：例如，自回归移动平均与外生变量（ARIMAX）和自回归与外生变量（ARX）[8]。
2）人工智能方法：如人工神经网络（ANN）[9]和支持向量机（SVM）[10]。
3）混合预测系统：例如，ARMAX-SVM[11]和制度转换模型[12]。
预测模型在许多电力系统应用中起着至关重要的作用，如规划、运营和能源市场。ARIMAX和ANN预测概念在建筑、工业负荷和可再生能源等不同能源应用中得到了广泛的应用[13，14]。将这些技术应用于RTG吊车需求预测也应该是有益的，以提高对负荷行为的理解，从而有助于减少峰值需求和气体排放。文献中有许多文献讨论和开发了负荷预测模型，成功地预测了风速[15]、太阳辐射[16]、微电网系统和利用ANN和ARIMA X技术建立需求等高度波动的目标。然而，与RTG吊车需求相比，文献中的这些系统与外生变量有着明确的物理解释关系。例如，[17]为具有季节性数据点的高频和低频数据集开发了两种不同的ANN模型，该模型是通过小波分解捕获的，以便预测伊朗国家电网24小时的高峰需求。此外，时间序列方法被广泛用于预测电价。文献[18]提出了一个ARIMAX模型来预测诺德池的电力价格，该模型包括温度、风速和储层水平等外生变量，主要反映了每周现货价格的季节性趋势，有助于减少预测误差。
值得注意的是，文献中给出的建筑物、工业负荷和智能电网的预测模型是利用季节性相关性和与预测目标有明确关系的外生变量来预测负荷需求。与以往的研究不同，电气化RTG吊车的要求是：1高度波动性和随机性；2不包括明确的季节性或模式，有助于提高预测质量；3由于人（起重机司机）对起重机移动和载荷的影响，高度不可预测的行为。
此外，据作者所知，虽然只有一项研究讨论了RTG吊车预测问题[4]，但没有发现专门考虑通过估计移动次数和集装箱毛重来预测电气化RTG吊车负荷的研究，并检查不同的输入变量。参考文献[4]使用带有一个隐藏层的ARIMAX和ANN模型来预测24小时内RTG吊车需求。然而，他们假设外生变量是预先已知的，而不考虑输入误差对预测精度的影响。此外，RTG吊车预测模型没有研究外生输入变量对预测性能的影响[4]。
为了填补文献中的空白，解决港口应用中对能源需求行为缺乏理解的问题，本文试图建立短期预测模型来预测未来一天的电气化RTG吊车负荷。本文采用两个隐层的预测模型（ANN，ARIMAX，ARX，ARIMA，AR）与估计技术一起选择起重机移动次数和容器总重，并考察输入变量误差对预测模型的影响。本文利用两台RTG吊车在三个不同的时间段内采集的数据对预测模型进行了测试。本文件的主要贡献概述如下：
1）本文采用两种新的预测模型，与文献相比显示出更准确的结果。首先，一个具有两个隐藏层的ANN系统有助于提高预测模型的性能。其次，ARX模型具有与ARIMAX模型相似的性能，但具有计算AR系数速度较高的优点。
2）本工作考察了外生变量的准确性对预测模型性能的影响，以建立准确的预测模型。
3）推出一种估计外生变量（起重机移动次数和集装箱总重）的方法。这种估计有助于检查预测模型在预测模型输入（外生变量）上的误差范围的预测模型性能。
4）在这项工作中，预测模型已经测试了三个不同的时间周期。此外，所有预测模型都使用一个RTG吊车测试数据集进行了训练，并用两个不同的RTG吊车数据集进行了测试。
本文的其余部分结构如下。第2节介绍了推荐模型的方法。第3节详细讨论了所提出的模型方法。第4节给出并讨论了预测模型的结果。最后，结论见第5节。
第2章 模型方法
电气化RTG吊车用于港口集装箱装卸的多式联运作业。在需求时间序列中，RTG需求行为主要是非光滑的、波动的、没有明显的模式或季节性的，这增加了预测起重机负荷的挑战。在本研究中，开发了ANN和ARIMAX模型来预测每小时通电RTG吊车在t n时段的需求，其中t是小时时间，n是1，2，hellip;，24。此外，我们还研究了一些外生变量（XT，YT）对预测模型性能的影响。负荷预测过程的一般原理图如图1所示。本节介绍了我们为电气化RTG吊车负荷预测而实施的方法。
2.1 ANN
ANN是由多层人工神经元构建的数学模型，它们通过突触权重相互连接，从一层的每个单个神经元Xn到下一层的每个神经元[10]。
图1 本文所实现的负荷预测程序的一般原理图
其中yi是突触权重Win的总和（输入神经元n和隐藏神经元i之间）乘以每个神经元Xn的输出，m是神经元数。在典型的个体人工神经元的结构中，来自多个突触的输入信号yi的总和是通过（2）描述的激活函数F来传递的，用于选择的Sigmoid激活。
通过计算（3）和（4）在整个隐藏层中的第i个神经元（gamma;i）的误差，修正ANN来修改权重。
其中和an分别是输出层第n个神经元的预测值和实际目标值。在（4）中，错误信息gamma;i用于更新突触权重Win：
其中omega;是训练速率，Oi是第i个神经元的输出。接下来，重量校正△Win用于修改旧突触重量Win,old：
其中Win,new是神经元n和隐藏神经元i之间的更新权重。最后，在ANN模型被修正后，该模型可以在类似的集合上进行推广和测试。
2.2 ARIMAX
阿里马技术是一种时间或统计序列方法，它将历史数据作为时间的函数来预测未来的价值。用（6）和（7）[19]描述了时间序列的 ARIMAX（p，d，q）模型。
2.3外生变量估计
基于不同分布方法的估计技术被广泛应用于预测模型的外生变量估计[5，20]。在本研究中，小时t（Xt）的外生变量是小时集装箱毛重Zt和起重机移动Yt数，这是由于这些变量与RTG起重机需求之间的高度相关性 （在t小时处）。然而，t n（n=1，2，hellip;，24）的外生变量是未知的。为了改进预测模型和考察外生变量的影响，我们在这里建立了以下模型：1)估计外生变量Zt和Yt；2)只估计一个外生变量，例如Zt并假设第二个变量Yt是预先已知的。
当我们预先假定知道外生变量Xt的确切值时，我们将这些估计方法与情况进行了比较。我们将通过从适当的分布函数中随机抽样来估计变量。正如我们将要表明的那样，外生变量是高度相关的，因此当一个变量已知时，我们必须使用条件概率进行采样。
为了估计两个外生变量，本文采用了联合概率分布。由于重量Zt是一个连续变量，起重机移动的数量Yt是离散值，所以联合分布的混合情况是：
其中f(Zt,Yt)是（Zt|Yt）的概率密度函数；f(Zt|Yt)是Zt与给定Yt的概率密度函数；P(Zt)是Zt的概率；P(Zt|Yt)是zt与给定Yt相对于边缘分布的条件概率分布。另一方面，在已知变量之一（例如Yt）的情况下，用于估计另一个外生变量（Zt）的条件概率描述如下：
其中P(Yt)是Yt的概率；P(Ztcap;Yt)是Zt和Yt联合的概率。为了估计联合分布和条件分布，并对外生变量（Zt，Yt）进行抽样，本文使用的经验分布描述如下：
其中fxt,x是指示函数（如果是Xtlt;=X，则为零）；M是样本大小。
2.4负荷预测模型评价
为了评估预测模型的性能或比较特定时间序列或特定应用的不同预测技术，定义性能评估方法是非常重要的。预测精度或预测误差可以用不同的技术来测量[21]。文献[21]表明，有四种主要的性能评价技术被用来评价负荷预测模型的准确性。本文采用平均绝对百分比误差（MAPE）、均方根误差（RMSE）和平均绝对误差（MAE）对模型进行了性能评价。然而，MAPE是最常见的负荷预测评估方法之一。这种技术使用百分比术语来方便解释[21]。
其中ai是带电RTG吊车的负荷；是预测负荷；i是时间阶段；n是观测数。
第3章 数据分析和模型预测
由于起重机操作人员的行为因素，电气化RTG吊车的功率需求很难预测。此外，通常用于配电预测的因素，如温度和季节性变量，不涉及起重机的需求。电气化RT G吊车负载表现出挥发性行为（见图.2）。为了实现对RTG吊车载荷的满意预测，预测模型必须能够捕捉时间序列、起重机移动次数和集装箱总重之间的相关性，因为这些因素对预测模型的准确性是最有效的[4]。如图2所示，外生变量事先未知，表现出高度波动和不可预测的行为。世界各地的港口正在从柴油转向电气化RTG吊车，采用完全自动化的工作解决方案，以实现海上公约（SOLAS）的气体排放和生命安全要求。从2016年7月1日起，世界各地的所有托运人、货运代理和港口都必须遵循新的SOLAS要求。这要求在离开和到达任何港口时记录每个集装箱的毛重[22,23]。这些新的国际要求和规则将帮助世界各地的港口提前知道集装箱的确切重量。此外，这使得预先了解集装箱毛重和起重机移动次数的假设在未来是可以实现和现实的，特别是在完全自动化的港口。为了检验估计集装箱重量和移动次数对预测精度的影响，我们建立了不同的预测模型，利用输入变量的变化，提前24小时预测RTG吊车负荷。总之，我们测试了四个变化，我们如何使用外生变量，如下所述：
1）估计外生变量（起重机移动次数和集装箱毛重），如第2.3节所述。
2）估计一个外生变量并假设另一个变量是预先已知的。
3）假设两个外生变量都是预先已知的。
4）生成没有外生变量的预测模型。
图2 2016年4月15日至5月10日每小时三相电气化RTG起重机电力需求
3.1数据收集和分析
测量数据是在英国费利克斯托港从两台带电RTG吊车在正常运行日的三个不同时期收集的。第一组数据收集于2016年4月15日至5月10日，2016年9月7日至10月10日，第二组数据来自同一台起重机。第三个数据集是在2016年12月7日至13日的7天内从另一台RT G吊车收集的，第一个数据集分为21天的训练数据和5天的测试数据。第二和第三数据集作为测试数据集。由于RTG吊车载荷的非光滑行为，以及在时间序列中缺乏季节性或趋势（如下一节所述），并且受到文献[2,4]的激励，我们假设时间序列中的差距对预测结果的影响可以忽略不计。在本文中，46天数据集的测试周期允许我们在三个不同的时间周期内评估预测模型，并测试在一台起重机上训练的模型到其他相同规格的起重机的可转移性。
我们分析了RTG吊车需求系列中的不同模式。图3中按每日每小时计算的起重机需求细目表明，需求具有随机性、非光滑性和波动性，每小时模式不明显。此外，还计算了线性模型的R^2，以求出1600次观测的当前和历史需求之间的相关强度。计算结果表明，R^2值低于0.29。换句话说，线性模型只解释了29%的负载变异性。为了在时间序列中找到任何相关或模式，计算了偏自相关函数（PACF）超过500个时间间隔，如图4所示。对具有大量时间间隔的PACF的分析可以在数据集中找到趋势和季节性，以防具有特定模式的显著滞后重复。在PACF中的显著滞后没有显示出清晰的模式或季节性。这表明自回归模型可能具有有限的准确预测能力。然而，图4中显示，滞后450和滞后500之间的显著滞后。它是随机分布的，没有一个主要的大尖峰，在几次滞后后减小，或者跟随一个阻尼波，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237810]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
