【技术实现步骤摘要】
本专利技术属于液化气体罐箱日均漏热量的预测，更具体地，涉及一种基于机器学习液化气体罐箱日均漏热量的预测方法及系统。
技术介绍
1、液化气体罐箱的日均漏热量是指在每天的时间段内，罐箱内液化气体由于热传导和热辐射等途径而散失的热能量。液化气体罐箱通常用于存储和运输液化气体，如液化石油气(lpg)或液化天然气(lng)。
2、罐箱内的液化气体具有较低的温度，而周围环境的温度较高。由于温度差异，热能将通过罐箱的壁面逃逸到环境中。这种热能的散失称为漏热。
3、日均漏热量是指在一天内，液化气体罐箱平均每天散失的热能量。它通常以能量单位(例如焦耳或千瓦时)来衡量。
4、对于液化气体储罐和容器的设计和运营来说，了解日均漏热量很重要。它可以帮助评估罐箱的绝热性能，确定保温措施是否足够，以及估计燃料成本和能源效率。此外，对于安全考虑，了解漏热量也有助于预防罐箱过度加热和潜在的爆炸危险。
5、现有技术中，并没有能够准确预测液化气体罐箱的日均漏热量的技术，因此亟需一种技术能够准确预测液化气体罐箱的日均漏热量。
技术实现思路
1、为解决以上技术问题，本专利技术提出一种基于机器学习液化气体罐箱日均漏热量的预测方法，包括：
2、步骤101，获取所述液化气体罐箱的历史罐箱数据和历史所处环境数据，其中，所述历史罐箱数据包括：液化气体罐箱的箱壁厚度、液化气体的热导率、液化气体的热容量和液化气体罐箱的表面积，所述历史所处环境数据包括：液化气体罐箱内外的温度差；
3、步骤102，设置所述液化气体罐箱的第一日均漏热量预测模型和第二日均漏热量预测模型，将所述第一日均漏热量预测模型作为第一生成器，将所述第二日均漏热量预测模型作为第二生成器；
4、步骤103，将所述历史罐箱数据和历史所处环境数据作为训练数据输入到所述第一生成器和所述第二生成器，将所述第一生成器生成的液化气体罐箱日均漏热量的预测值，输入到辨别器中，生成第一辨别结果，将所述第二生成器生成的液化气体罐箱日均漏热量，输入到所述辨别器中，生成第二辨别结果；
5、步骤104，迭代步骤103，直到迭代次数达到迭代阈值，从所有所述第一辨别结果和所述第二辨别结果中，找到与液化气体罐箱日均漏热量的真实值最接近的液化气体罐箱日均漏热量的预测值相对应的所述第一日均漏热量预测模型或所述第二日均漏热量预测模型作为最终日均漏热量预测模型，从而完成液化气体罐箱日均漏热量预测。
6、进一步的，所述第一日均漏热量预测模型为：
7、q＝k*dm*λn*cpp*aq*δtr
8、其中，q为液化气体罐箱日均漏热量的预测值，k为调整因子，d为液化气体罐箱的箱壁厚度，λ为液化气体的热导率，cp为液化气体的热容量，a为液化气体罐箱的表面积，δt为液化气体罐箱内外的温度差，m为箱壁厚度权重，n为热导率权重，p为热容量权重，q为表面积权重，r为温度差权重；
9、通过最小二乘法对调整因子k、箱壁厚度权重m、热导率权重n、热容量权重p、表面积权重q和温度差权重r，进行拟合。
10、进一步的，所述第二日均漏热量预测模型为：
11、
12、q为液化气体罐箱日均漏热量的预测值，k为调整因子，d为液化气体罐箱的箱壁厚度，λ为液化气体的热导率，cp为液化气体的热容量，a为液化气体罐箱的表面积，δt为液化气体罐箱内外的温度差，β0、β1、β2、β3、β4和β5为回归系数，ε为误差项。
13、进一步的，设置所述历史罐箱数据和所述历史所处环境数据的高次项和交互项，及相对应的回归系数，拟合液化气体罐箱日均漏热量的预测值和所述历史罐箱数据及所述历史所处环境数据的非线性关系，并形成优化后的所述第二日均漏热量预测模型：
14、
15、其中，β6、β7、β8、…、β20为高次项和交互项的回归系数。
16、进一步的，还包括：
17、通过最小二乘法对回归系数β0、β1、β2、β3、β4、…、β20，进行拟合。
18、本专利技术还提出一种基于机器学习液化气体罐箱日均漏热量的预测系统，包括：
19、获取数据模块，用于获取所述液化气体罐箱的历史罐箱数据和历史所处环境数据，其中，所述历史罐箱数据包括：液化气体罐箱的箱壁厚度、液化气体的热导率、液化气体的热容量和液化气体罐箱的表面积，所述历史所处环境数据包括：液化气体罐箱内外的温度差；
20、设置生成器模块，用于设置所述液化气体罐箱的第一日均漏热量预测模型和第二日均漏热量预测模型，将所述第一日均漏热量预测模型作为第一生成器，将所述第二日均漏热量预测模型作为第二生成器；
21、辨别模块，用于将所述历史罐箱数据和历史所处环境数据作为训练数据输入到所述第一生成器和所述第二生成器，将所述第一生成器生成的液化气体罐箱日均漏热量的预测值，输入到辨别器中，生成第一辨别结果，将所述第二生成器生成的液化气体罐箱日均漏热量，输入到所述辨别器中，生成第二辨别结果；
22、迭代预测模块，用于迭代辨别模块，直到迭代次数达到迭代阈值，从所有所述第一辨别结果和所述第二辨别结果中，找到与液化气体罐箱日均漏热量的真实值最接近的液化气体罐箱日均漏热量的预测值相对应的所述第一日均漏热量预测模型或所述第二日均漏热量预测模型作为最终日均漏热量预测模型，从而完成液化气体罐箱日均漏热量预测。
23、进一步的，所述第一日均漏热量预测模型为：
24、q＝k*dm*λn*cpp*aq*δtr
25、其中，q为液化气体罐箱日均漏热量的预测值，k为调整因子，d为液化气体罐箱的箱壁厚度，λ为液化气体的热导率，cp为液化气体的热容量，a为液化气体罐箱的表面积，δt为液化气体罐箱内外的温度差，m为箱壁厚度权重，n为热导率权重，p为热容量权重，q为表面积权重，r为温度差权重；
26、通过最小二乘法对调整因子k、箱壁厚度权重m、热导率权重n、热容量权重p、表面积权重q和温度差权重r，进行拟合。
27、进一步的，所述第二日均漏热量预测模型为：
28、
29、q为液化气体罐箱日均漏热量的预测值，k为调整因子，d为液化气体罐箱的箱壁厚度，λ为液化气体的热导率，cp为液化气体的热容量，a为液化气体罐箱的表面积，δt为液化气体罐箱内外的温度差，β0、β1、β2、β3、β4和β5为回归系数，ε为误差项。
30、进一步的，设置所述历史罐箱数据和所述历史所处环境数据的高次项和交互项，及相对应的回归系数，拟合液化气体罐箱日均漏热量的预测值和所述历史罐箱数据及所述历史所处环境数据的非线性关系，并形成优化后的所述第二日均漏热量预测模型：
31、
32、其中，β6、β7、β8、…、β20为高次项和交互项的回归系数。
33、进一步的，还包括：
34、通过最小二乘法对回归系数β0、β1、β2、β3、β4本文档来自技高网...
【技术保护点】
1.一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，所述第一日均漏热量预测模型为：
3.如权利要求1所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，所述第二日均漏热量预测模型为：
4.如权利要求3所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，设置所述历史罐箱数据和所述历史所处环境数据的高次项和交互项，及相对应的回归系数，拟合液化气体罐箱日均漏热量的预测值和所述历史罐箱数据及所述历史所处环境数据的非线性关系，并形成优化后的所述第二日均漏热量预测模型：
5.如权利要求4所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，还包括：
6.一种基于机器学习液化气体罐箱日均漏热量的预测系统，其特征在于，包括：
7.如权利要求6所述的一种基于机器学习液化气体罐箱日均漏热量的预测系统，其特征在于，所述第一日均漏热量预测模型为：
8.如权利要求6所述的一
9.如权利要求8所述的一种基于机器学习液化气体罐箱日均漏热量的预测系统，其特征在于，设置所述历史罐箱数据和所述历史所处环境数据的高次项和交互项，及相对应的回归系数，拟合液化气体罐箱日均漏热量的预测值和所述历史罐箱数据及所述历史所处环境数据的非线性关系，并形成优化后的所述第二日均漏热量预测模型：
10.如权利要求9所述的一种基于机器学习液化气体罐箱日均漏热量的预测系统，其特征在于，还包括：
...【技术特征摘要】
1.一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，所述第一日均漏热量预测模型为：
3.如权利要求1所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，所述第二日均漏热量预测模型为：
4.如权利要求3所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，设置所述历史罐箱数据和所述历史所处环境数据的高次项和交互项，及相对应的回归系数，拟合液化气体罐箱日均漏热量的预测值和所述历史罐箱数据及所述历史所处环境数据的非线性关系，并形成优化后的所述第二日均漏热量预测模型：
5.如权利要求4所述的一种基于机器学习液化气体罐箱日均漏热量的预测方法，其特征在于，还包括：
...【专利技术属性】
技术研发人员：金正伟，田宇忠，周国强，金鼎，曹蛟龙，陈庆任，陈志飚，
申请(专利权)人：中国船级社，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。