一种基于大数据的船队能效综合智能优化管理系统和优化方法与流程

本发明涉及一种船队能效智能优化管理技术，更具体地，涉及一种基于大数据的船队能效综合智能优化管理系统和优化方法。

背景技术：

全球气候变暖及co2等温室气体过量排放等问题一直倍受关注，船舶作为排放大户，面临来自公众和航运界的巨大压力，如何在保证船舶航行安全的前提下，实现营运船舶节能减排的目标，成为航运业必须要解决的现实而重大的课题。

此外，由中国船级社ccs发布的《智能船舶规范》可知，智能能效管理方法的研究将是智能船舶发展的重要一环。智能能效管理通过能效在线智能监控和船舶航行的优化决策与控制，可以实现对船舶能效的自动监测、分析与自主决策。智能能效管理的研究与应用对促进船舶的智能化发展和提升市场竞争力具有重要意义。

目前，航运公司通常经营多艘具有不同经济和技术参数的船舶。由于技术和经济等参数的差异，使得船队船舶的能效管理尤为复杂。此外，船队船舶能效的智能化、精细化管理水平较低，导致能源浪费、运营效率低下、环境污染等现象常有发生，不仅增加了船队的运营成本而且增加了co2的排放。

因此，寻找一种可以基于不同船舶类型与参数的船队能效综合管理系统，并使用智能化技术实现管理，是非常重要的。

技术实现要素：

本发明的目的在于克服现有技术存在的上述缺陷，提供一种基于大数据的船队能效综合智能优化管理系统和优化方法，实时收集船队船舶的航行数据，并实时统计分析，并使用通航环境历史数据和船队船舶能效历史数据对本次航行的数据进行预测，建立船队航线航速联合动态优化模型，并采用群智能算法求解该模型，从而实现船队航线航速的联合智能决策与滚动优化。

为实现上述目的，本发明的技术方案如下：

一种基于大数据的船队能效综合智能优化管理系统，由数据通信模块、计算处理模块、优化决策模块和人机界面模块组成，其特征在于，

数据通信模块搜集船队船舶的营运数据、通航环境数据和船舶能耗数据并上传至计算处理模块；数据通信模块还将优化决策模块得到的优化决策结果发送至船队船舶；

计算处理模块首先将数据通信模块传送的数据进行清洗与预处理，其次，对通航环境和船队船舶的能效进行统计分析，最后，建立通航环境与船队船舶运行工况变量的在线预测模型；计算处理模块还包括对云端数据仓库的存储读取功能；

优化决策模块依据计算处理模块得到的通航环境和船队船舶的能效统计分析结果，建立并求解船队航线航速联合动态优化模型，得到优化决策结果；

数据通信模块、计算处理模块和优化决策模块所获取和处理后的数据在人机界面模块予以显示。

优选地，所述船舶营运数据至少包括船舶的航次计划、航程、航期、船舶吃水、纵倾；通航环境数据至少包括风速、风向、浪速、浪高；船舶能耗数据至少包括主机油耗、主机转速、轴系功率。

优选地，所述计算处理模块进行清洗与预处理的方法为小波分析、卡尔曼滤波以及聚类分析方法，所述聚类分析方法是通过mapreduce并行分布式模式实现的大数据聚类分析算法。

优选地，所述计算处理模块使用hdfs文件系统将数据存储在网络上的云端数据仓库。

优选地，所述优化决策模块建立的船队航线航速联合动态优化模型为：

式中，eeoi表示船舶能效营运指数；m是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；ton表示船舶的载货量；disi表示在第i个航段内的航行距离；vsail_i和dsail_i分别表示船舶在第i个航段内的航速和航向；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；vsail_min,vsail_max,dsail_min,dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。

优选地，所述船舶能效优化模型求解方法为改进粒子群优化算法，包括以下步骤：

sa：随机化初始ns个2n维粒子，n为船队中船舶数量，每个粒子的前n维为船舶的航速，后n维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为

式中，eeoi表示船舶能效营运指数；m是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；ton表示船舶的载货量；disi表示在第i个航段内的航行距离；vsail_i和dsail_i分别表示船舶在第i个航段内的航速和航向；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；

sb：根据下式更新各粒子的速度和位置

v^k+1＝w·v^k+c1·r1(pbest^k-x^k)+c2·r2(gbest^k-x^k)

x^k+1＝x^k+v^k+1

式中，k为当前迭代的步数，pbest为上一步的个体最优值，gbest为上一步的群体最优值，x为粒子的位置，v为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；

sc：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行sb，直至算法收敛，约束条件为

式中，m是航段数量；i表示第i个航段；disi表示在第i个航段内的航行距离；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；vsail_min,vsail_max,dsail_min,dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。

优选地，包括以下步骤：

s1：历史数据收集阶段，包括以下步骤：

s11：采集船队船舶的航行历史数据，每一船舶的历史数据包括通航环境数据、船舶运行工况数据和船舶能效数据；收集船队本次航行数据，包括航次计划、航程、航期；

s12：根据船队船舶的航行历史数据，利用小波分析、卡尔曼滤波以及聚类分析方法获得通航环境数据与船舶能效数据的时间分布特征和空间分布特征；

s13：基于s1中采集的船队船舶的航行历史数据，采用神经网络算法，建立通航环境数据与船舶能效数据的预测模型；

s2：船队本次航行数据收集与优化阶段，包括以下步骤：

s21：基于步骤s12中所述的时间和空间分布特征，对船队船舶本次航行的航段进行合理划分，共划分为m个航段，航段标号用i表示，i＝1,2,...,m；

s22：根据步骤s21中的航段划分，实时收集船队船舶本次航行中前i-1个航段的通航环境数据，以及在前i-1个航段内船队船舶的运行工况；

s23：根据步骤s13建立的预测模型，预测第i个航段的通航环境数据及船舶的运行工况；

s24：建立船舶能效优化模型，以船舶航向和航速为优化变量，以船舶能效营运指数最小化为优化目标，以航次计划、航线距离和船舶物理参数为约束条件；

s25：使用优化算法求解船舶能效优化模型，得到优化后的第i个航段的船舶航向和航速，用以指导第i个航段的船舶操控。

优选地，所述步骤s11中，通航环境数据包括但不限于水流速度、风速、风向、浪高；船舶运行工况包括但不限于船舶航行速度、主机油耗、主机转速、轴系功率。

优选地，所述船舶能效优化模型为：

式中，eeoi表示船舶能效营运指数；m是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；ton表示船舶的载货量；disi表示在第i个航段内的航行距离；vsail_i和dsail_i分别表示船舶在第i个航段内的航速和航向；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；vsail_min,vsail_max,dsail_min,dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。

优选地，所述船舶能效优化模型求解方法为改进粒子群优化算法，包括以下步骤：

s251：随机化初始ns个2n维粒子，n为船队中船舶数量，每个粒子的前n维为船舶的航速，后n维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为

式中，eeoi表示船舶能效营运指数；m是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；ton表示船舶的载货量；disi表示在第i个航段内的航行距离；vsail_i和dsail_i分别表示船舶在第i个航段内的航速和航向；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；

s252：根据下式更新各粒子的速度和位置

v^k+1＝w·v^k+c1·r1(pbest^k-x^k)+c2·r2(gbest^k-x^k)

x^k+1＝x^k+v^k+1

式中，k为当前迭代的步数，pbest为上一步的个体最优值，gbest为上一步的群体最优值，x为粒子的位置，v为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；

s253：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行s252，直至算法收敛，约束条件为

式中，m是航段数量；i表示第i个航段；disi表示在第i个航段内的航行距离；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；vsail_min,vsail_max,dsail_min,dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。

从上述技术方案可以看出，本发明通过采用大数据分析算法实现通航环境和船队船舶能效的统计分析，通过建立船队船舶能效动态优化模型及采用群智能决策算法，实现船队船舶航线航速的联合智能决策与滚动优化。因此，本发明充分考虑了通航环境等要素的时空差异性和不确定性，提高了船队船舶能效优化方法的有效性，以及船队能效管理的智能化水平，从而提高船队的整体能效水平，达到节能减排的目的。

附图说明

图1是本发明中综合智能优化管理系统的结构示意图；

图2是本发明中综合智能优化管理系统的人机界面结构示意图；

图3是本发明中综合智能优化方法的流程图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步的详细说明。

需要说明的是，在下述的具体实施方式中，在详述本发明的实施方式时，为了清楚地表示本发明的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本发明的限定来加以理解。

在以下本发明的具体实施方式中，请参阅图1，图1是综合智能优化管理系统的结构示意图。如图1所示，一种基于大数据的船队能效综合智能优化管理系统，由数据通信模块、计算处理模块、优化决策模块和人机界面模块组成，其特征在于，

数据通信模块搜集船队船舶的营运数据、通航环境数据和船舶能耗数据并上传至计算处理模块；数据通信模块还将优化决策模块得到的优化决策结果发送至船队船舶。

数据通信模块通过无线传输获取船队船舶的营运数据、通航环境数据和船舶能耗等数据，并通过网关上传至计算处理模块。其中，船舶营运数据包括船舶的航次计划、航程、航期、船舶吃水、纵倾等；通航环境数据包括风、浪、流、涌等；船舶能耗数据包括主机油耗、主机转速、轴系功率等。

数据通信模块将优化决策结果远程发送至船舶，为船舶的优化航行提供指导，并实现船队船舶能效的远程监控。

计算处理模块首先将数据通信模块传送的数据进行清洗与预处理，其次，对通航环境和船队船舶的能效进行统计分析，最后，建立通航环境与船队船舶运行工况变量的在线预测模型。计算处理模块还包括对云端数据仓库的存储读取功能。

计算处理模块使用hdfs文件系统将数据存储在网络上的云端数据仓库，并通过客户端实现对云端数据仓库的读取。

计算处理模块首先将所采集的通航环境和船舶能效等数据，利用小波分析、卡尔曼滤波以及聚类分析方法进行数据清洗与预处理，标记并去除异常数据，从而获得有效的数据。

大数据聚类分析算法、神经网络机器学习算法是采用mapreduce并行分布式模式实现的，可以实现船队能效与通航环境等大数据的深度挖掘分析。mapreduce模式具有高性价比和良好的可伸缩性，以及简单、易于理解和使用等优势。所实现的大数据并行分布式算法可以提高算法的运行效率和时效性，适用于大数据的分析与处理。

计算处理模块其次对通航环境历史数据和船队船舶的能效历史数据进行统计分析，实现通航环境与船舶能效的时空分布特征分析，分别从时间和空间两个维度挖掘通航环境、船舶运行工况和船舶能效的分布特征。

计算处理模块最后基于离线学习算法建立通航环境与船舶能效历史数据时序模型，通过设计在线学习算法建立船队船舶航行过程中的通航环境与船队船舶运行工况变量的在线预测模型，实现通航环境与船舶运行工况的实时预测，从而为船队船舶航行智能优化奠定基础。

优化决策模块依据计算处理模块得到的通航环境和船队船舶的能效统计分析结果，建立并求解船队航线航速联合动态优化模型，得到优化决策结果。

结合通航环境和船舶运行工况预测模型，以及通航环境和船队船舶运行工况的时变性和不确定性，船队航线航速联合动态优化模型充分考虑了通航环境、船舶载况、航行姿态等因素，以航线距离、航次计划等为约束条件，以优化船舶能效为目标，确定不同条件下船舶的最佳航速与航行路线，以使船舶在能效最佳状态下运行。

本具体实施例中，船队航线航速联合动态优化模型的数学表达为：

式中，eeoi表示船舶能效营运指数；m是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；ton表示船舶的载货量；disi表示在第i个航段内的航行距离；vsail_i和dsail_i分别表示船舶在第i个航段内的航速和航向；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；vsail_min,vsail_max,dsail_min,dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。

本具体实施例中，船队航线航速联合动态优化模型的求解方法为改进粒子群优化算法，包括以下步骤：

sa：随机化初始ns个2n维粒子，n为船队中船舶数量，每个粒子的前n维为船舶的航速，后n维为船舶的航向；根据目标函数计算各粒子适应度；

sb：根据下式更新各粒子的速度和位置

v^k+1＝w·v^k+c1·r1(pbest^k-x^k)+c2·r2(gbest^k-x^k)

x^k+1＝x^k+v^k+1

式中，k为当前迭代的步数，pbest为上一步的个体最优值，gbest为上一步的群体最优值，x为粒子的位置，v为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；

sc：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行sb，直至算法收敛，即粒子群体的最优值在两步之间的误差均小于给定值。

数据通信模块、计算处理模块和优化决策模块所获取和处理后的数据在人机界面模块予以显示。

人机界面模块，作为人机交互的媒介，起到显示数据和发送命令的作用，主要包括与船队船舶智能航行优化决策相关的用户管理界面、船队信息界面、统计分析界面、优化决策界面、优化控制界面，如图2所示。

本具体实施例中，人机界面模块采用b/s架构设计，通过客户端浏览器访问基于web的云端服务器，可自行从网络读取所采集的数据，如：环境参数、船队信息以及船舶主机运行参数等；部分综合性的参数则通过所述的船队航线航速联合动态优化模型与智能决策算法处理后进行相应显示，如船队船舶当前的能效营运指数(eeoi)、当前运行条件下的船队船舶的最佳航速与最佳航线。

一种基于大数据的船队能效综合智能优化方法，如图3所示，包括以下步骤：

s1：历史数据收集阶段，包括以下步骤：

s11：采集船队船舶的航行历史数据，每一在航船舶的历史数据包括通航环境数据、船舶运行工况数据和船舶能效数据；收集船队本次航行数据，包括航次计划、航程、航期。

本步骤为大数据采集阶段，收集的数据是船队船舶的历史数据。

s12：根据船队船舶的航行历史数据，利用小波分析、卡尔曼滤波以及聚类分析方法获得通航环境数据与船舶能效数据的时间分布特征和空间分布特征。

由于收集的数据为连续的数据，且可能存在异常的数据点，因此，需要采用小波分析、卡尔曼滤波方法消除异常的数据点，并使用聚类分析方法将数据进行分类标签，为下一步做好数据准备。聚类分析方法是通过mapreduce并行分布式模式实现的大数据聚类分析算法。

s13：基于s1中采集的船队船舶的航行历史数据，采用神经网络算法，建立通航环境数据与船舶能效数据的预测模型。

本具体实施例中，通航环境数据包括但不限于水流速度、风速、风向、浪高。船舶能效数据包括但不限于船舶航行速度、主机油耗、主机转速、轴系功率。仅以水流速度为例，上一步骤s12中得到的历史数据为：

vwater＝{vwater_1,vwater_2,...,vwater_n-2,vwater_n-1}

采用适当的神经网络算法，建立基于之前历史数据的第n步的预测数据

vwater_n＝fnetwater(vwater)

其中，vwater_n为预测的水流速度，fnetwater为使用历史数据建立的水流速度神经网络预测模型。

s2：船队本次航行数据收集与优化阶段，包括以下步骤：

s21：基于步骤s12中所述的时间和空间分布特征，对船队船舶本次航行的航段进行合理划分，共划分为m个航段，航段标号用i表示，i＝1,2,...,m。

基于既往历史的时间和空间分布特征，可以对船队船舶本次航行进行预先的划分，以充分利用已有数据并减少求解数量和频次，避免过度操控。

s22：根据步骤s21中的航段划分，实时收集船队本次航行中前i个航段的通航环境数据，以及在前i-1个航段内船队船舶的运行工况。

s23：根据步骤s13建立的预测模型，预测第i个航段的通航环境数据及船舶的运行工况。

由于本次航行需要实时的优化求解，而优化模型又需要第i个航段的通航环境数据，因此，需要根据预测模型预测本次航行第i个航段的通航环境数据。而为了进行预测，又需要收集本次航行在第i个航段之前的相关数据。

s24：建立船舶能效综合优化模型，以船舶航向和航速为优化变量，以船舶能效为最小化优化目标，以航次计划、航线距离和船舶物理参数为约束条件，

式中，eeoi表示船舶能效营运指数；m是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；ton表示船舶的载货量；disi表示在第i个航段内的航行距离；vsail_i和dsail_i分别表示船舶在第i个航段内的航速和航向；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；vsail_min,vsail_max,dsail_min,dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。

s25：使用优化算法求解船舶能效优化模型，得到优化后的第i个航段的船舶航向和航速，用以指导第i个航段的船舶操控。

本具体实施例中，求解算法为改进粒子群优化算法，包括以下步骤：

s251：随机化初始ns个2n维粒子，n为船队中船舶数量，每个粒子的前nn维为船舶的航速，后n维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为

式中，eeoi表示船舶能效营运指数；m是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；ton表示船舶的载货量；disi表示在第i个航段内的航行距离；vsail_i和dsail_i分别表示船舶在第i个航段内的航速和航向；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；tlimit表示本次航行的总航行时间约束；n表示船舶主机转速。

s252：根据下式更新各粒子的速度和位置

v^k+1＝w·v^k+c1·r1(pbest^k-x^k)+c2·r2(gbest^k-x^k)

x^k+1＝x^k+v^k+1

式中，k为当前迭代的步数，pbest为上一步的个体最优值，gbest为上一步的群体最优值，x为粒子的位置，v为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；

s253：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行s252，直至算法收敛，约束条件为

式中，m是航段数量；i表示第i个航段；disi表示在第i个航段内的航行距离；vwind_i,dwind_i,vwater_i,hwave_i分别表示第i个航段的水流速度、风速、风向、浪高；tlimit表示本次航行的总航行时间约束；vsail_min,vsail_max,dsail_min,dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。