1.一种多传感器数据融合的船舶能源消耗追踪方法，其特征在于，所述方法包括：

通过多传感器，实时获取船舶发动机状态、负荷、能源消耗数据；若多传感器数据显示系统稳定性低于预定阈值或能源消耗异常，调整船舶发动机和相关设备的负荷；运用船舶上的多传感器合并数据，对获取到的能效数据和能源消耗数据进行分析，生成能效和能源消耗的排序列表；根据多传感器数据显示，若存在紧急航行任务和时间敏感航行任务，获取航行任务所依赖设备的性能和能源消耗数据，并将负荷优先分配给能效最高且能源消耗最低的设备；通过船舶多传感器数据融合，生成一个短期内负荷和能源消耗的调整方案；实时监控船舶系统状态和多传感器数据，以捕捉任何紧急响应需求和能源消耗异常；根据多传感器数据、当前的数据获取频率和计算资源状态，判断是否需要进行船舶负荷和能源消耗的重新分配；若需要进行负荷和能源消耗的重新分配，立即执行负荷调整，并利用多传感器数据和实时监控来验证新方案对系统稳定性和能源消耗的影响；

其中，所述根据多传感器数据显示，若存在紧急航行任务和时间敏感航行任务，获取航行任务所依赖设备的性能和能源消耗数据，并将负荷优先分配给能效最高且能源消耗最低的设备，包括：

从船舶的各个传感器获取任务数据，包括任务类型、预定完成时间和任务的优先级别，并对数据进行剔除异常值和数据标准化处理；使用决策树算法对任务类型、预定完成时间和任务的优先级别数据进行训练，筛选出紧急航行任务，并提取紧急航行任务的时间敏感性属性；根据筛选出的紧急航行任务，通过数据库获取每个任务所依赖的设备及其性能参数，并获取每个设备的历史和当前能源消耗数据；基于设备性能数据和能源消耗数据，计算每个设备的综合性能指数，综合性能指数＝k1×性能参数/最大性能参数-k2×能源消耗/最大能源消耗，其中，k1和k2是权重系数，代表性能参数和能源消耗在综合性能指数中的重要性，综合性能指数高表示能效高且能源消耗低；根据设备的综合性能指数，为综合性能指数最高的设备优先分配负荷；还包括：根据船舶的动态环境因素对设备性能的影响，确定负荷优先分配策略；

所述根据船舶的动态环境因素对设备性能的影响，确定负荷优先分配策略，具体包括：使用传感器监测船舶的当前环境因素，包括海浪高度、风速、海流速度；为每一个动态环境因素定义一个影响系数，对于海浪高度影响系数Cwave定义为Cwave＝δ×X，对于风速影响系数Cwind定义为Cwind＝λ×Y，对于海流速度影响系数Ccurrent定义为Ccurrent＝ε×Z，其中，δ，λ，ε是经验系数，通过历史数据确定，X是当前海浪高度，Y是当前风速，Z是当前海流速度；根据所有的环境影响系数，计算一个综合影响因子Ctotal；

Ctotal＝w1×Cwave+w2×Cwind+w3×Ccurrent，其中，w1为海浪高度的权重、w2为风速的权重，w3为海流速度的权重，由历史数据确定；根据综合影响因子Ctotal，修正设备的性能参数和能源消耗数据，得到设备在当前环境下的实际性能数据；使用修正后的设备性能数据重新执行负荷优先分配策略，确保在当前的动态环境条件下，负荷被优先分配给真正的最优设备；

其中，所述通过船舶多传感器数据融合，生成一个短期内负荷和能源消耗的调整方案，包括：

采用从船舶不同的传感器获取的位置、速度、风速和油量数据；将来自不同传感器的数据输入到卡尔曼滤波器中，得到数据融合的结果；根据所得到的滤波结果，获得一个完整的船舶状态数据集；采用决策树回归算法对所述船舶状态数据集进行模型训练，确定船舶负荷预测模型；通过所述船舶负荷预测模型和当前的船舶状态数据，判断船舶短期内负荷的预测值，并根据所判断的预测值调整船舶的速度和航线；再次将所调整后的数据输入到卡尔曼滤波器中，获取数据融合的结果；并通过决策树回归算法，确定船舶能源消耗预测模型。

2.根据权利要求1所述的方法，其中，所述通过多传感器，实时获取船舶发动机状态、负荷、能源消耗数据，包括：

获取所述船舶的关键部位传感器的输出数据；建立数据管理平台，并将来自不同传感器的数据同步到所述平台；对所述同步数据进行质量检查、异常值剔除和标准化处理；采用K-means聚类算法对数据进行分类，得到标记后的数据；在所述数据管理平台中关联所述标记后的数据；使用线性回归模型进行训练，确定能效预测模型；通过所述预测模型对发动机状态、负荷和能源消耗数据进行预测，得到预测结果；对关联设备的实时操作状态进行监控；若预测能效偏差超出阈值，则触发异常预警；查询最优操作参数库，得到并自动调整船舶发动机和关联设备的操作参数。

3.根据权利要求1所述的方法，其中，所述若多传感器数据显示系统稳定性低于预定阈值或能源消耗异常，调整船舶发动机和相关设备的负荷，包括：

获取船舶的关键部位传感器的实时数据，进行异常值剔除和数据标准化处理；采用孤立森林算法构建系统稳定性检测模型，并通过该模型进行系统稳定性检测；对所述能源消耗进行异常检测，得到异常检测结果；使用孤立森林算法构建异常检测模型，并对当前的能源消耗数据进行检测；获取所述船舶发动机与相关设备的实时负荷数据，确定决策树回归模型，通过该模型对负荷参数进行预测和调整；获取调整后的系统状态数据，再次评估系统稳定性；还包括：根据船舶的实时能源消耗数据，判断异常能源消耗；

所述根据船舶的实时能源消耗数据，判断异常能源消耗，具体包括：根据历史记录或数据库，获取每个时间点的能源消耗数据，包括电力消耗、燃气消耗；根据时间属性，将能源消耗数据按照时间维度进行分组，得到能源消耗的时间序列数据；根据周期属性，将能源消耗数据按照1天的时间段进行分组；获取相关天气数据，包括气温、湿度、风速；对获取的数据进行预处理，包括缺失值处理、异常值处理、数据标准化；将经过预处理的数据输入到孤立森林算法中进行模型训练，通过构建随机的二叉搜索树来划分数据集，确定正常的能源消耗模式；利用训练好的孤立森林模型，对新的能源消耗数据进行预测和异常检测，判断与历史数据有差异的能源消耗点，则认为是异常的能源消耗；通过对异常能源消耗的判断，得到异常检测结果。

4.根据权利要求1所述的方法，其中，所述运用船舶上的多传感器合并数据，对获取到的能效数据和能源消耗数据进行分析，生成能效和能源消耗的排序列表，包括：

从所述船舶上的各个传感器中获取数据，并通过时间戳对所述数据进行合并；对所述合并后的数据进行异常值剔除、缺失值填充和标准化处理；选取与能效和能源消耗有关的数据列，确定移动平均法，得到各设备的平均能效和能源消耗值；根据能效数据和能源消耗数据计算其均值和标准差；通过数据确定能效与能源消耗之间的关系；采用快速排序方法对设备或系统部分生成排序列表。

5.根据权利要求1所述的方法，其中，所述通过船舶多传感器数据融合，生成一个短期内负荷和能源消耗的调整方案，还包括：根据海水的盐分浓度和温度变化对船舶推进效率的影响，对负荷和能源消耗预测结果进行修正；

所述根据海水的盐分浓度和温度变化对船舶推进效率的影响，对负荷和能源消耗预测结果进行修正，具体包括：通过盐度传感器和温度传感器，实时获取海水的盐分浓度和温度；根据海水的盐分浓度S和温度T计算推进系统效率的影响系数k，k＝α×S+β×T+γ其中，α、β和γ是根据历史数据和实验获得的系数；将影响系数k纳入船舶负荷预测模型和船舶能源消耗预测模型中，对预测结果进行修正；修正后的负荷预测值＝原预测值×k，修正后的能源消耗预测值＝原预测值×k；根据修正后的预测，重新评估并调整船舶的运行策略，包括速度、航线。

6.根据权利要求1所述的方法，其中，所述实时监控船舶系统状态和多传感器数据，以捕捉任何紧急响应需求和能源消耗异常，包括：

通过卫星导航系统获取船舶的实时位置信息，判断船舶是否偏离预设航线；采用传感器获取船舶的航向和航速，确定船舶是否正常行驶；通过所获取的船舶发动机的工作状态，得到如转速、温度和油压的信息；监测所述船舶电力系统的工作状态，获得电压、电流和电池容量的数据；通过所述船舶燃油的消耗情况，预测燃油的剩余使用时间；并通过船舶通信系统的工作状态，确认与陆地或其他船舶的通信是否稳定。

7.根据权利要求1所述的方法，其中，所述根据多传感器数据、当前的数据获取频率和计算资源状态，判断是否需要进行船舶负荷和能源消耗的重新分配，包括：

通过所述多传感器实时获取数据，得到两次数据获取的时间差，进而确定数据的实际获取频率；若所得到的数据获取频率超过预定的标准值，则采用移动平均法对数据点计算平均值，以所计算得到的平均值替换当前的数据点；实时获取计算资源的状态，得到CPU使用率和内存使用情况；若所得到的计算资源使用率超过预设的阈值，则暂停或延迟非关键任务，为关键任务释放计算资源；采用最小剩余时间优先的方法，列出所有待执行任务，得到按剩余执行时间排序的任务列表；通过所述任务列表评估当前的能源消耗；获取数据存储容量，并判断其与上限的差值；若所述差值小于预设阈值，则采用ZIP算法对数据进行压缩处理，得到压缩后的数据，通过调整传感器的工作频率和数据的采样量进行船舶负荷和能源的重新分配。

8.根据权利要求1所述的方法，其中，所述若需要进行负荷和能源消耗的重新分配，立即执行负荷调整，并利用多传感器数据和实时监控来验证新方案对系统稳定性和能源消耗的影响，包括：

将来自传感器的数据输入到卡尔曼滤波器中进行数据融合，得到完整的船舶状态数据集；将所得到的船舶状态数据集输入到One-Class SVM中，确定是否存在异常数据；若存在异常数据，则激活负荷调整模块，得到重新分配后的能源消耗数据；再次将所得到的数据输入到卡尔曼滤波器中进行数据融合，得到第二次融合后的数据；通过传感器获取船舶数据，包括电流、电压、转速和温度，并得到系统稳定性指数；使用所得到的第二次融合后的数据和所述系统稳定性指数进行对比，判断二者的差值；若所述差值超过预设阈值，则执行负荷调整模块的回滚机制，恢复到之前的负荷设置；若所述差值未超过预设阈值，则通过实时监控持续获取新的系统稳定性指数，再次获取多传感器数据，判断是否存在新的船舶负荷和能源消耗问题。