一种船舶风浪航行能耗精准估算方法技术

一种借助大数据挖掘技术，以散货船、集装箱船、油轮姐妹船实测数据集为基础，依据不同船型载货量及气象条件分类，建立各分类下转速与航速、转速与燃油消耗率两阶段回归模型，在海量的航运历史数据集上建模分析，总结运营船舶能耗规律来进行船舶运营能耗数据的管理和监控的船舶风浪航行能耗精准估算方法，可估算不同船型的不同船舶的能耗基线，从而对船舶实际填报能耗进行检验，对航运企业目前的能耗管理方法进行补充及优化，同时为船舶排放指标估算与航线规划提供基础。技术方案是：包括下列步骤：S1.数据采集；S2.数据预处理；S3.离群点剔除；S4.两阶段算法模型搭建；S5.油耗估算模型形成。型形成。型形成。

【技术实现步骤摘要】
一种船舶风浪航行能耗精准估算方法


[0001]本专利技术涉及能耗管理方法，特别是公开了一种针对未经智能化改造的运营船舶风浪航行能耗精准估算方法。

技术介绍

[0002]作为船舶运营最主要的成本项，能耗监管对于航运企业取得市场竞争力至关重要。目前对船舶能耗估算的研究更多利用智能化改造后的船舶精细化数据，使用黑盒算法，对既定航线、单一船舶或既定船型进行建模分析。这些方法解释性较差，不能推广到其他船型，且目前广泛未经智能化改造的运营船舶不能满足建模数据精度要求。故而不适用于非智能船舶在风浪中航行行为的能耗估算。

技术实现思路

[0003]本专利技术解决目前广泛未进行智能化改造的运营船舶在风浪中航行能耗估算难题，考虑船舶实际航行气象环境对能耗水平的影响，建立具有一定可解释性的转速与航速、转速与燃油消耗率两阶段估算模型，进而可对人工填报采燃油消耗量数据进行校验。本专利技术提供一种借助大数据挖掘技术，以散货船、集装箱船、油轮姐妹船实测数据集为基础，依据不同船型载货量及气象条件分类，建立各分类下转速与航速、转速与燃油消耗率两阶段回归模型，在海量的航运历史数据集上建模分析，总结运营船舶能耗规律来进行船舶运营能耗数据的管理和监控的船舶风浪航行能耗精准估算方法，可估算不同船型的不同船舶的能耗基线，从而对船舶实际填报能耗进行检验，对航运企业目前的能耗管理方法进行补充及优化，同时为船舶排放指标估算与航线规划提供基础。
[0004]本专利技术的技术方案是：
[0005]一种船舶风浪航行能耗精准估算方法，其特征是包括下列步骤：
[0006]S1.数据采集：需要采集的数据包括：船舶AIS数据、WNI气象数据、IHS船舶登记资料等航运行业公共数据，以及目标船舶的船舶报文数据，分别形成数据集，并利用多个数据集进行字段内容的相互补充，并以此进行算法研究；
[0007]S2.数据预处理：是指结合船舶运营领域知识，根据数据物理意义对空值与异常值进行补充或剔除，并进行数据分类和航行段处理；
[0008]S3.离群点剔除：即剔除与总体随机样本中的其他值处于异常距离的异常值点，包括位于数据序列两端的极端值，也称为极值，或位于整体数据序列分布模式之外的值；为找到定转速下船舶对水航速可信的分布范围，采用一系列离群点及高杠杆点处理算法模型，来在建模前及建模中反复对数据进行筛选，以去除异常值点，还原数据实际分布状态，并帮助模型提升拟合效果；
[0009]S4.两阶段算法模型搭建：以对未进行智能化改造的运营船舶在风浪下的能耗估算为目标，对不同分类下清洗后的数据，进行用于转速估算的转速与对水航速、用于油耗估算的转速与燃油小时能耗率的两阶段模型回归；
[0010]S5.油耗估算模型形成：基于上述两阶段模型对航行态船舶油耗进行估算，得到航行油耗数值，基于报文数据得到船舶锚靠泊燃油消耗率，对船舶锚靠泊油耗进行估算，得到停泊油耗数据，输出最终油耗估算值为航行油耗数值与停泊油耗数值的总和。
[0011]所述S1的所述船舶报文数据为船员通过报文的形式对船舶各项动态进行记录，以动态监控船舶船位及运营详情，包含到港报、离港报、正午报、航次报、加油报等，报文内容含有上报时间、船舶航行状态、目的港、装卸信息、船舶存油信息。
[0012]所述S2包括如下步骤：
[0013]S21检查船舶风浪航行中缺失数据并进行插值补全，完善特定航行点的识别和将对地航速SOG修正为对水航速；
[0014]S22对所需字段进行增加；
[0015]S23数据分类；
[0016]S24提取机动航行段。
[0017]所述S21包括如下步骤：
[0018](1)缺失数据处理
[0019]主要处理的缺失数据包括气象数据缺失、船艏向数据缺失；使用克里金法(Kriging)对气象数据的缺失进行插值，普通克里金问题和克里金方差为：
[0020][0021][0022]其中，普通克里金问题表示为克里金方差表示为 C(S
i
，S
j
)为位置i与位置j之间的距离、C(S
i
，S0)为位置i与位置0之间的距离、C(0)为常数项，Z(S
i
)为位置i处的测量值，λ
i
为位置i处的测量值的未知权重，S0为预测位置，n为测量值数，在反距离权重法中，权重λ
i
仅取决于预测位置之间的距离；在普通克里金法中，权重λ
i
取决于测量点、预测位置的距离和预测位置周围的测量值之间空间关系的拟合模型；
[0023]船艏向变化与所在时间序列轨迹有关，船艏向数据缺失的插值依赖于缺失值前后船艏向数据进行线性插值，以表示船艏向的逐渐变化过程，线性插值(Linear Interpolation)是一种曲线拟合方法，它使用线性多项式在一组离散的已知数据点的范围内构造新的数据点：
[0024][0025]其中，(x1，y1)为空值前第一个点，(x2，y2)为空值后第一个点，(x，y)为空值点，x为定位值，y为插值值；设船舶船艏向空值点为P
k
＝(t
k
，hdg
k
)，首先以第一个遇到的空值点为初始基准点，找到时间序列前一非空点 P
k
‑1＝(t
k
‑1，hdg
k
‑1)，沿时间序列向后，直到遇到n个空值组成的序列后第一个非空点P
k+n
＝(t
k+n
，hdg
k+n
)，组成长度为n+2的时间序列；
[0026]其次，考虑到实际航行中船舶很少会出现大于180
°
的转向角，对两个非船艏向求差值，并取小于180
°
的角为转角，然后，将该时间序列作为线性插值算法的输入，由时间戳为索引定位值，对空值进行插值；
[0027](2)内河航行点识别
[0028]对船舶在内河航行状态进行识别，并在建模时进行特殊处理；
[0029](3)计算对水航速
[0030]将对地航速SOG修正为对水航速SOW(Speed Over the Water， SOW)；
[0031]设有船舶AIS轨迹点P
i
＝(sog
i
，hdg
i
，stream_direction
i
，stream_val
i
，sow
i
)，其中流速stream_val
i
单位为米/秒，需要转换为海里/小时：
[0032][0033]所述S23包括如下步骤：
[0034]对数据依据船舶载货量、风向作用、风级与浪级大小进行分类，在不同分类下借助机器学习算法，分别建立风浪条件下转速估算模型以及能耗估算模型；
[0035]将散货船载货状态分为两类，即以航次报开始时间为节点，以航次报填报载货量cargo_volume本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶风浪航行能耗精准估算方法，其特征是包括下列步骤：S1.数据采集：需要采集的数据包括：船舶AIS数据、WNI气象数据、IHS船舶登记资料等航运行业公共数据，以及目标船舶的船舶报文数据，分别形成数据集，并利用多个数据集进行字段内容的相互补充，并以此进行算法研究；S2.数据预处理：是指结合船舶运营领域知识，根据数据物理意义对空值与异常值进行补充或剔除，并进行数据分类和航行段处理；S3.离群点剔除：即剔除与总体随机样本中的其他值处于异常距离的异常值点，包括位于数据序列两端的极端值，也称为极值，或位于整体数据序列分布模式之外的值；为找到定转速下船舶对水航速可信的分布范围，采用一系列离群点及高杠杆点处理算法模型，来在建模前及建模中反复对数据进行筛选，以去除异常值点，还原数据实际分布状态，并帮助模型提升拟合效果；S4.两阶段算法模型搭建：以对未进行智能化改造的运营船舶在风浪下的能耗估算为目标，对不同分类下清洗后的数据，进行用于转速估算的转速与对水航速、用于油耗估算的转速与燃油小时能耗率的两阶段模型回归；S5.油耗估算模型形成：基于上述两阶段模型对航行态船舶油耗进行估算，得到航行油耗数值，基于报文数据得到船舶锚靠泊燃油消耗率，对船舶锚靠泊油耗进行估算，得到停泊油耗数据，输出最终油耗估算值为航行油耗数值与停泊油耗数值的总和。2.根据权利要求1所述的船舶风浪航行能耗精准估算方法，其特征是所述S1的所述船舶报文数据为船员通过报文的形式对船舶各项动态进行记录，以动态监控船舶船位及运营详情，包含到港报、离港报、正午报、航次报、加油报等，报文内容含有上报时间、船舶航行状态、目的港、装卸信息、船舶存油信息。3.根据权利要求1或2所述的船舶风浪航行能耗精准估算方法，其特征是所述S2包括如下步骤：S21检查船舶风浪航行中缺失数据并进行插值补全，完善特定航行点的识别和将对地航速SOG修正为对水航速；S22对所需字段进行增加；S23数据分类；S24提取机动航行段。4.根据权利要求3所述的船舶风浪航行能耗精准估算方法，其特征是所述S21包括如下步骤：(1)缺失数据处理主要处理的缺失数据包括气象数据缺失、船艏向数据缺失；使用克里金法(Kriging)对气象数据的缺失进行插值，普通克里金问题和克里金方差为：气象数据的缺失进行插值，普通克里金问题和克里金方差为：其中，普通克里金问题表示为克里金方差表示为C(S
i
，S
j
)为位置i与位置j之间的距离、C(S
i
，S0)为位置i与位置0之间的距离、C(0)为常数项，Z(S
i
)为位置i处的测量
值，λ
i
为位置i处的测量值的未知权重，S0为预测位置，n为测量值数，在反距离权重法中，权重λ
i
仅取决于预测位置之间的距离；在普通克里金法中，权重λ
i
取决于测量点、预测位置的距离和预测位置周围的测量值之间空间关系的拟合模型；船艏向变化与所在时间序列轨迹有关，船艏向数据缺失的插值依赖于缺失值前后船艏向数据进行线性插值，以表示船艏向的逐渐变化过程，线性插值(Linear Ihterpolation)是一种曲线拟合方法，它使用线性多项式在一组离散的已知数据点的范围内构造新的数据点：其中，(x1，y1)为空值前第一个点，(x2，y2)为空值后第一个点，(x，y)为空值点，x为定位值，y为插值值；设船舶船艏向空值点为P
k
＝(t
k
，hdg
k
)，首先以第一个遇到的空值点为初始基准点，找到时间序列前一非空点P
k
‑1＝(t
k
‑1，hdg
k
‑1)，沿时间序列向后，直到遇到n个空值组成的序列后第一个非空点P
k+n
＝(t
k+n
，hdg
k+n
)，组成长度为n+2的时间序列；其次，考虑到实际航行中船舶很少会出现大于180
°
的转向角，对两个非船艏向求差值，并取小于180
°
的角为转角，然后，将该时间序列作为线性插值算法的输入，由时间戳为索引定位值，对空值进行插值；(2)内河航行点识别对船舶在内河航行状态进行识别，并在建模时进行特殊处理；(3)计算对水航速将对地航速SOG修正为对水航速SOW(Speed Over the Water，SOW)；设有船舶AIS轨迹点P
i
＝(sog
i
，hdg
i
，stream_direction
i
，stream_val
i
，sow
i
)，其中流速stream_val
i
单位为米/秒，需要转换为海里/小时：。5.根据权利要求3所述的船舶风浪航行能耗精准估算方法，其特征是所述S23包括如下步骤：对数据依据船舶载货量、风向作用、风级与浪级大小进行分类，在不同分类下借助机器学习算法，分别建立风浪条件下转速估算模型以及能耗估算模型；将散货船载货状态分为两类，即以航次报开始时间为节点，以航次报填报载货量cargo_volume
i
为准，对AIS点增加load
i
字段，若cargo_volume
i
＝0则此航段空载，令load
i
＝0，若cargo_volume
i
＞0则认为此航段满载，令load
i
＝1；将集装箱姐妹船数据按照载货量分为三类，以航次报开始时间为节点，以航次报填报载货量cargo_volume
i
为准，对AIS点增加load
i
字段，若cargo_volume
i
≤45000，则此航段分为一类轻载，令load
i
＝0，若cargo_volume
i
＞45000且cargo_volume
i
≤80000，则此航段分为二类中载，令load
i
＝1，若cargo_volume
i
＞80000则此航段分为三类重载，令load
i
＝2；在不同载货量下，依据风对船舶作用夹角进行风向分区来对数据二级分类，计算风与船艏向夹角为风遇角，以[0，30
°
]，(30
°
，150
°
]，(150
°
，180
°
]把风遇角分为三区，即顺风、侧风、逆风：首先，风向数据表示风的来向，需要对风向进行调转180
°
；其次，风对船体两侧的作用相同，对处理后的风向角取绝对值；然后，将处理后的风向角与船艏向相减，并取360
°
中的相对小角作为风遇角；设有船舶AIS轨迹点P
i
＝(hdg
i
，wind_direction
i
)，其中hdg
i
为船艏向，wind_direction
i
为风的来向。增加新字段风遇角wind_a
i
和类别标签风遇角分区wind_section
i
，按照上述过程计算风遇角并以30
°
，150
°
为界值对其进行分区：wind_a
i
′
＝|((win...

【专利技术属性】
技术研发人员：刘渊哲，王新波，
申请(专利权)人：中远海运科技股份有限公司，
类型：发明
国别省市：