阅读说明：本技术 基于机器学习的船舶能量-电力控制管理系统 (Ship energy-power control management system based on machine learning ) 是由 吴珍锡 于 2021-03-01 设计创作，主要内容包括：适用本发明的基于机器学习的船舶能量-电力控制管理系统,通过提供首先利用配备于船舶上的船舶信息采集-管理单元对船舶电力源以及船舶驱动设备的状态信息进行采集,接下来在可访问互联网通信网络的时间段上传送到能量管理系统-电力管理系统用云服务器单元并通过数据库化而生成大数据,然后通过与能量管理系统-电力管理系统用云服务器单元进行通信的陆上管控服务器单元的机器学习回归分析算法执行船舶动力源以及船舶驱动设备的最佳控制、设备异常状态检测以及应对、基于电力使用预测的不同电力源输出值计算的结构,接下来通过在船舶虚拟环境模拟模块中的强化学习最终确定之后传递到船舶装置控制单元并借此针对相应的船舶个性化运行的结构。(The ship energy-power control and management system based on machine learning to which the present invention is applied is configured to acquire state information of a ship power source and a ship driving device by a ship information acquisition-management unit provided on a ship, transmit the state information to an energy management system-cloud server unit for a power management system for an internet communication network, generate big data by databanking the big data, perform optimal control of a ship power source and a ship driving device, device abnormal state detection and handling, calculate different power source output values based on power usage prediction by a machine learning regression analysis algorithm of a land control server unit communicating with the energy management system-cloud server unit for the power management system, transmit the optimal control, device abnormal state detection and handling to a ship device control unit after final determination by reinforcement learning in a ship virtual environment simulation module, and transmit the optimal control, device abnormal state detection and handling to a ship device control unit by means of power usage prediction This is a structure which is individualized for the respective ship.)

具体实施方式

接下来，将参阅所附的图1至图11对适用本发明的实施例进行详细的说明。此外，在附图以及详细的说明内容中，与在一般的船舶、船舶电力管理系统(PMS)、船舶能量管理系统(EMS)、传感器、云服务器、陆上管控服务器、机器学习、机器学习回归分析、大数据等中本领域的从业人员可以轻易地理解的构成和作用相关的图示以及说明将被简化或省略。尤其是，在附图的图示以及详细的说明内容中，对于与本发明的技术特征没有直接关联的要素的具体技术构成以及作用相关的说明以及图示将进行省略，仅对与本发明关联的技术构成进行简要图示和说明。

适用本发明之实施例的基于机器学习的船舶能量-电力控制管理系统如图1所示，包括电力源传感单元100、驱动设备传感单元200、船舶信息采集-管理单元300、船舶信息发送单元400、船舶装置控制单元500、能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600以及陆上管控服务器单元700，可以有效地适用于通过配备燃料电池13而以自主导航方式行驶的自主导航电力推进船舶，但是并不是只能适用于自主导航电力推进船舶，而是可以适用于多种类型以及规模的船舶。

电力源传感单元100由安装在属于船舶的电力管理系统(PMS)1的船舶电力源10中的多个传感器构成，用于对电力源状态信息进行检测。其中，船舶电力源10可以包括如发电机11、电池12以及燃料电池13等，而与其对应地，电力源传感单元100可以将发电机11的瞬间燃料消耗量和瞬间输出电力、电池12的基于充电率(C-rate)的输出电力以及输出电压、燃料电池13的输出电力以及输出电力密度、发电机11的不同构成要素的温度和压力以及燃料油泄漏量作为电力源状态信息进行检测。

用于实现船舶电力源10的最佳控制的船舶电力源控制信号，是以如上所述的电力源状态信息为基础进行计算，其中发电机11是通过如图2所示的方式以相对于燃料消耗量的输出电力为基准计算出电力源控制信号，电池12是以基于充电率(C-rate)的输出电力为基准计算出电力源控制信号，而燃料电池13是以输出电力以及输出电力密度为基准计算出电力源控制信号。

驱动设备传感单元200由安装在属于船舶的能量管理系统(EMS)2的船舶驱动设备20中的多个传感器构成，用于对驱动设备状态信息进行检测。其中，船舶驱动设备20可以包括如引擎21以及电机22等，其中电机22适用于如泵以及风扇等。与其对应地，驱动设备传感单元200可以引擎21的每分钟转速(RPM)以及冷却水温度、电机22的每分钟转速(RPM)以及电力消耗量作为驱动设备状态信息进行检测。使用电机22的泵的最佳运行值，是通过如图3所示的方式以如上所述的所检测到的驱动设备状态信息为基础进行计算。

船舶信息采集-管理单元300用于从电力源传感单元100以及驱动设备传感单元200接收电力源状态信息以及驱动设备状态信息，通过将电力源状态信息以及驱动设备状态信息在设定单位计测时间区间内按照时间顺序累积存储而生成单位计测时间区间船舶状态时间序列累积信息。

船舶信息发送单元400用于以设定时间单位对船舶可否连接到互联网通信网络进行检查，然后在船舶可访问互联网通信网络的时间段上从上述船舶信息采集-管理单元300接收单位计测时间区间船舶状态时间序列累积信息并向外部进行无线传送。

船舶装置控制单元500与能量管理系统2以及电力管理系统1联动，从能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600无线接收船舶电力源控制信号以及船舶驱动设备控制信号。此外，船舶装置控制单元500根据船舶电力源控制信号以及船舶驱动设备控制信号对船舶动力源10以及船舶驱动设备20执行最佳控制或适应性控制。其中，从能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600无线接收的船舶电力源控制信号以及船舶驱动设备控制信号，可以是最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712以及基于电力使用预测的不同电力源输出值计算算法713的形态，船舶装置控制单元500可以通过将当前实时计测出的电力源状态信息以及驱动设备状态信息输入到最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712以及基于电力使用预测的不同电力源输出值计算算法713而计算出船舶电力源控制信号以及船舶驱动设备控制信号的具体的数值或指令。

能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600是由连接到互联网通信网络的服务器构成，可以通过在船舶可访问互联网通信网络的时间段上与船舶信息发送单元400连接而接收单位计测时间区间船舶状态时间序列累积信息。其中，能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600通过对随着时间的推移断续地依次传递过来的单位计测时间区间船舶状态时间序列累积信息进行依次连接而生成船舶状态时间序列累积信息集合体。此外，能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600在从陆上管控服务器单元700接收船舶驱动设备控制信号以及船舶电力源控制信号之后，在船舶可访问互联网通信网络的时间段上传递到船舶的船舶装置控制单元500中。

尤其是，适用本发明的能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600可以通过随着时间的推移对船舶状态时间序列累积信息集合体进行数据库化而生成大数据。

此外，适用本发明之实施例的能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600如图4所示，包括信息删除控制模块610、信息存储控制模块620以及防火墙模块630。

信息删除控制模块610是用于根据陆上管控服务器单元700的管理员账户登录人员的信息删除指令信号对相应的信息进行删除的控制模块，而信息存储控制模块620用于维持不与管理员账户登录人员的信息删除指令信号对应的信息的永久存储状态的控制模块。防火墙模块630通过始终保持运行状态而防止非法访问，可以利用如图5所示的防火墙系统实现。

陆上管控服务器单元700是由船舶的陆上管控中心使用，在从能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600接收船舶状态时间序列累积信息集合体之后，通过对船舶状态时间序列累积信息集合体进行分析而生成用于对能量管理系统2进行最佳控制的船舶驱动设备控制信号以及用于对电力管理系统1进行最佳控制的船舶电力源控制信号。通过如上所述的方式生成的船舶驱动设备控制信号以及船舶动力源控制信号，将被传送到能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600中。

尤其是，适用本发明之实施例的陆上管控服务器单元700通过分别将设定单位分析时间区间内的船舶电力源10的输出电力以及船舶驱动设备20的燃料消耗量作为输入以及输出的机器学习回归分析生成船舶驱动设备控制信号以及船舶电力源控制信号，并以设定单位分析时间区间为周期断续地将船舶驱动设备控制信号以及船舶电力源控制信号传送到能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600中。其中，船舶电力源10的输出电力以及船舶驱动设备20的燃料消耗量是包含于船舶状态时间序列累积信息集合体中的信息。

此外，适用本发明之实施例的陆上管控服务器单元700将按照如图6所示的方式通过基于大数据的机器学习回归分析算法710执行机器学习回归分析。尤其是，适用本发明之实施例的陆上管控服务器单元700可以将通过基于大数据的机器学习回归分析算法710生成的船舶驱动设备控制信号以及船舶电力源控制信号以最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713的形态进行初步计算。其中，适用于船舶驱动设备的最佳控制用输入值计算函数算法711可以按照如图8以及图9所示的方式实现。此外，设备异常状态检测-应对用控制信号生成算法712是用于对因为设备老化等导致的设备异常或设备故障进行诊断的算法，可以采用如图10所示的结构。此外，基于电力使用预测的不同电力源输出值计算算法713可以在船舶电力源10由发电机11、电池12以及燃料电池13的组合构成时有效使用，可以在推导出如图11所示的电力使用预测图表等之后，计算出不同电力源(发电机、电池、燃料电池)输出值。

最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713可以通过能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600传递到船舶装置控制单元500中。

与其对应地，船舶装置控制单元500根据从安装在相应船舶上的各个船舶动力源10以及船舶驱动设备20中所配备的上述传感器实时地接收电力源状态信息以及驱动设备状态信息的最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713实时计算出的最佳控制用输入值、设备异常状态检测-应对用控制信号以及不同电力源输出值对船舶电力源10以及船舶驱动设备20进行控制。

其中，最佳控制用输入值中包括与船舶驱动设备20的燃料消耗量相比船舶电力源10的输出电力达到最大值的船舶电力源10的输出电力运行值、船舶电力源10的输出电力减少率以及船舶驱动设备20的适当运行值一致率达到最大值的船舶驱动设备20的运行值等。

此外，适用本发明之实施例的陆上管控服务器单元700如图6所示，还可以追加配备船舶虚拟环境模拟模块720、最佳控制用输入值计算函数算法强化学习模块730、设备异常状态检测-应对用控制信号生成算法强化学习模块740以及基于电力使用预测的不同电力源输出值计算算法强化学习模块750。

船舶虚拟环境模拟模块720是通过对船舶所航行的水上环境特性信息、船舶特性信息、船舶航行特性信息进行设定而虚拟地对水上的船舶航行进行模拟的模块。

最佳控制用输入值计算函数算法强化学习模块730是当最佳控制用输入值计算函数算法711被初始输入到在船舶虚拟环境模拟模块720中虚拟航行的船舶的船舶装置控制单元500中时通过机器学习强化学习对最佳控制用输入值计算函数算法711进行补正并最终确定的模块。

设备异常状态检测-应对用控制信号生成算法强化学习模块740是当设备异常状态检测-应对用控制信号生成算法712被初始输入到在船舶虚拟环境模拟模块720中虚拟航行的船舶的船舶装置控制单元500中时通过机器学习强化学习对设备异常状态检测-应对用控制信号生成算法712进行补正并最终确定的模块。

基于电力使用预测的不同电力源输出值计算算法强化学习模块750是当基于电力使用预测的不同电力源输出值计算算法713被初始输入到在船舶虚拟环境模拟模块720中虚拟航行的船舶的船舶装置控制单元500中时通过机器学习强化学习对基于电力使用预测的不同电力源输出值计算算法713进行补正并最终确定的模块。

通过如上所述的方法最终确定的最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713如图7所示，可以通过能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600传递到船舶装置控制单元500中。其中，最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713的最终确定只限定于设定单位分析时间区间，根据随着时间的推移输入的不同的船舶状态时间序列累积信息集合体，在设定单位分析时间区间内最终确定的最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713可能会发生变化。因为随着时间的推移对船舶状态时间序列累积信息集合体进行大数据化，因此适用本发明之实施例的基于机器学习的船舶能量-电力控制管理系统可以构建出根据当前状况变化的最佳控制算法。

如上所述构成的适用本发明之实施例的基于机器学习的船舶能量-电力控制管理系统，利用船舶信息采集-管理单元300对船舶的电力源状态信息以及驱动设备状态信息进行采集，接下来在船舶可访问互联网通信网络的时间段上传送到能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600并通过数据库化而生成大数据，然后通过与能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600进行通信的陆上管控服务器单元700的机器学习回归分析算法执行船舶动力源10以及船舶驱动设备20的最佳控制、设备异常状态检测以及应对、基于电力使用预测的不同电力源输出值计算，从而可以根据船舶的自身特性以及当前状态以较高的可靠性以及稳定性在电力管理/能量管理方面进行最佳控制。

此外，适用本发明之实施例的基于机器学习的船舶能量-电力控制管理系统，将通过机器学习回归分析算法生成的船舶驱动设备控制信号以及船舶电力源控制信号以最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713的形态进行初步计算，接下来通过在船舶虚拟环境模拟模块720中的强化学习最终确定之后传递到船舶装置控制单元并借此针对相应的船舶个性化运行的结构，从而可以实现高性能/高效率的船舶最佳控制。

此外，适用本发明之实施例的基于机器学习的船舶能量-电力控制管理系统，借助于通过随着时间的推移断续地依次接收在船舶信息采集-管理单元300中生成的单位计测时间区间船舶状态时间序列累积信息的能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600生成船舶状态时间序列累积信息集合体，接下来由陆上管控服务器单元700以设定单位分析时间区间周期生成船舶驱动设备控制信号以及船舶电力源控制信号并断续地通过能量管理系统-电力管理系统(EMS-PMS)用云服务器单元600传递到船舶的船舶装置控制单元500的结构，从而可以构建出根据当前状况变化的最佳控制算法。

与此同时，适用本发明之实施例的基于机器学习的船舶能量-电力控制管理系统，借助于通过在船舶虚拟环境模拟模块720中的强化学习最终确定最佳控制用输入值计算函数算法711、设备异常状态检测-应对用控制信号生成算法712、基于电力使用预测的不同电力源输出值计算算法713的结构，可以对在动态的水上环境条件下有机地相互关联运行的船舶驱动设备进行适应性控制。

在上述内容中对如上所述的适用本发明之实施例的基于机器学习的船舶能量-电力控制管理系统进行了说明以及图示，但是上述的内容仅为示例性说明，本领域的一般技术人员应该可以理解，本发明可以在不脱离其技术思想的范围内进行各种变化以及变更。