CN107292451A - 一种船舶航速优化方法及设备 - Google Patents
一种船舶航速优化方法及设备 Download PDFInfo
- Publication number
- CN107292451A CN107292451A CN201710587628.XA CN201710587628A CN107292451A CN 107292451 A CN107292451 A CN 107292451A CN 201710587628 A CN201710587628 A CN 201710587628A CN 107292451 A CN107292451 A CN 107292451A
- Authority
- CN
- China
- Prior art keywords
- ship
- msub
- mrow
- mtd
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 239000003921 oil Substances 0.000 claims description 92
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 21
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000010705 motor oil Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请的目的是提供一种船舶航速优化方法及设备，本申请通过根据船舶自身性能数据，对船舶航行原始数据进行预处理，建立船舶航行数据库；基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型；基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于遭遇角对应的船舶油耗模型建立每个航段对应的船舶分段航速优化模型；基于船舶分段航速优化模型，得到对应的航段的平均航速，满足船舶安全与效率的前提下，整体的油耗最低，提高了船舶能效，降低了航行成本。
Description
技术领域
本申请涉及船舶航运领域，尤其涉及一种船舶航速优化方法及设备。
背景技术
当今，海上运输同陆路运输相比，具有运量大、发展成熟和费用低廉的优势，在全球经济中扮演着重要的角色。由于2008年国际金融危机的影响，导致世界经济增长乏力，与此同时，海运贸易需求量相对金融危机前大为降低，再加上全球海运运力严重过剩，运费已下降到令人吃惊的程度，导致航运市场上供给大于需求的矛盾日益加剧，也在一定程度上影响着全球航运业的正常秩序。在整个航运过程中，相对航运企业其他的运营成本，燃油耗费已超过整个航运成本的40％，若不能够积极采取增效减排的有效措施，这将严重影响整个航运业的良性发展。自本世纪初，油价持续上涨，整体上呈现上升的趋势，尽管2011年以来其有所下降，但从长远发展角度上分析，目前新能源仍未取代燃油在机动动力方面的主导地位，国内内燃机约消耗中国进口石油的60％，而且其开发成本也不断增加，以及燃油的不可再生性、中东局势的不稳定性等因素的影响，这将致使油价不可能总是保持低位。今后油价的上升，必将给整个航运市场带来负面的影响，进一步加大航运成本的增加以及航运企业间的恶性竞争。
针对营运中的船舶，通过航速优化可以达到节能减排的目的，通过系统归纳与分析航速优化的研究成果，发现目前的研究成果有的仅从数学的角度进行理论分析，模型复杂，求解困难，而有的仅停留在经验推理，很少考虑海况等因素的影响，难以运用到船舶实际运营中。
因此，如何在船舶航运的过程中减少航运成本成为业界主要研究课题。
发明内容
本申请的一个目的是提供一种船舶航速优化方法及设备，以解决现有航运过程中由于耗油过多导致的成本过高的问题。
根据本申请的一个方面，提供了一种船舶航速优化方法，该方法包括：
对获取的船舶航行原始数据进行预处理，得到船舶航行数据库；
基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型；
基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，建立每个所述航段对应的船舶分段航速优化模型；
基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速。
进一步地，上述方法中，所述对获取的船舶航行原始数据进行预处理，得到船舶航行数据库，包括：
获取船舶航行原始数据；
对所述船舶航行原始数据进行过滤处理，和/或同步处理，和/或归一化处理，得到船舶航行数据库。
进一步地，上述方法中，所述基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型，包括：
基于船舶的遭遇角对所述船舶航行数据库进行划分，得到每个遭遇角对应的船舶航行数据库；
基于航行中的风力和浪高建立每个遭遇角对应的对地航速与对水航速之间的第一关系模型，并统计分析船舶主机油耗与所述对水航速和排水量之间的第二关系模型；
根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型。
进一步地，上述方法中根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型，包括：
根据非线性最小二乘算法和船舶航行数据库，求解所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型。
进一步地，上述方法中，所述第一关系模型为：
其中，v为对地航速，vs为对水航速，B为风力，W为浪高，j为遭遇角编号，pj、ej、qj、fj为第一关系模型参数；
所述第二关系模型为：
g(v,Δ)＝a·vs b·Δc+δ
其中，g为船舶主机油耗，vs为对水航速，Δ为排水量，a、b、c、δ为第二关系模型参数；
所述根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型，包括：
根据每个遭遇角对应的船舶航行数据库对对应的所述第一关系模型进行求解，得到所述第一关系模型参数和所述第二关系模型参数；和所述第二关系模型参数及其对应的第二关系模型，结合船舶辅机油耗，建立船舶油耗模型。
进一步地，上述方法中，所述船舶油耗模型为：
G(vs,Δ,C)＝a·vs b·Δc+δ+C
其中，G为船舶航行一天的船舶油耗量，vs为对水航速，Δ为排水量，a、b、c、δ为第二关系模型参数，C为船舶辅机油耗。
进一步地，上述方法中，所述基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于所述遭遇角对应的船舶油耗模型建立每个所述航段对应的船舶分段航速优化模型，包括：
基于途经区域预测气象和航次计划需求将船舶的航程划分为n段，其中，n为正整数；
基于船舶油耗模型对每个所述航段的航速进行优化，得到每个所述航段对应的船舶分段航速优化模型；
其中，所述船舶分段航速优化模型为：
其中,为所要求解的一个航程总油耗目标函数，di为第i个航段对应的航程，为第i个航段对应的对水航速，B为风力，W为浪高，pj、ej、qj、fj为第一关系模型参数，j为遭遇角编号，vmin为最小航速，vmax为最大航速，ti为在第i个航段的预计航行时间，timin为第i个航段的最小航行时间，timax为第i个航段的最大航行时间，T为航次计划要求的总航行时间，若在所述航次计划需求存在中途港，则Δti为停留时间，若存在航段间航速大小的切换，则Δti＝0。
进一步地，上述方法中，所述基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速，包括：
采用外罚函数法对所述船舶分段航速优化模型进行转化，得到对应的所述航段的转化后的船舶分段航速优化模型；
采用预设的改进的粒子群算法对所述航段的转化后的船舶分段航速优化模型进行求解，得到对应的所述航段的平均航速。
进一步地，上述方法中，所述航段的转化后的船舶分段航速优化模型为：
其中，
其中，k为迭代次数，为运用外罚函数法转化后的一个航程总油耗目标函数，r(k)为根据迭代次数k取不同罚值权重，为惩罚函数，为等式约束条件的惩罚项，为不等式约束条件的惩罚项。
进一步地，上述方法中，所述船舶航行原始数据包括：
船舶自身性能数据和船舶航行历史日志。
根据本申请的另一方面，还提供了一种船舶航速优化的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如上述方法的操作。
与现有技术相比，本申请通过对获取的船舶航行原始数据进行预处理，得到船舶航行数据库；基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型；基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于所述遭遇角对应的船舶油耗模型建立每个所述航段对应的船舶分段航速优化模型；基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速，实现了在满足航次计划需求的情况下，建立起航程中的每个航段对应的船舶分段航速优化模型，进而得到基于每个遭遇角对应的航程中的每个航段的平均航速，实现在整个航程过程中的耗油量最低，减少航程中的成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种船舶航速优化方法的流程示意图；
图2示出根据本申请一个方面的一种船舶航速优化方法中的船舶遭遇角划分示意图；
图3示出根据本申请一个方面的一种船舶航速优化方法中的航段划分示意图；
图4示出根据本申请一个方面的一种船舶航速优化方法中的利用改进的粒子群算法求解优化模型流程图；
图5示出根据本申请一个方面的一种利用船舶分段航速优化模型计算优化船舶航速的方法的组成框图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
图1示出根据本申请一个方面的一种船舶航速优化方法的流程示意图；应用于船舶航行过程中的对航速进行控制的后台服务器，该方法包括步骤S11、步骤S12、步骤S13和步骤S14，具体步骤如下：
所述步骤S11，对获取的船舶航行原始数据进行预处理，得到船舶航行数据库；所述步骤S12，基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型；所述步骤S13基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于所述遭遇角对应的船舶油耗模型建立每个所述航段对应的船舶分段航速优化模型；所述步骤S14，基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速，实现了在满足航次计划需求的情况下，建立起航程中的每个航段对应的船舶分段航速优化模型，进而得到基于每个遭遇角对应的航程中的每个航段的平均航速，实现在整个航程过程中的耗油量最低，减少航程中的成本。
在此，所述步骤S11对获取的船舶航行原始数据进行预处理之前，还包括收集该船舶航行原始数据。通过查阅船舶资料得到船舶自身性能数据和船舶航行历史日志，其中，所述船舶自身性能数据可以包括船舶类型、船长、船宽、型深、吃水、总吨位、静吨、设计航速、主机总功率、主机速率。根据船舶自身性能数据的不同，得到对应船舶的船舶油耗模型参数也不同，以便后续在航行优化过程中，根据船舶自身性能数据确定对应的船舶油耗模型参数；通过所述船舶航行历史日志可以得到船舶航行、能耗以及海洋气象的历史记录数据，包括始发港、目的港、首吃水、尾吃水、排水量、初稳性高度、对地航速、对水航速、航行时间、航程、主机油耗、辅机油耗、风向、风力、风浪高、波向，以便后续利用实际的船舶航行、能耗以及海洋气象的历史记录数据进行统计分析，更能够提高船舶油耗模型的精度与有效性。
进一步地，所述步骤S11对获取的船舶航行原始数据进行预处理，得到船舶航行数据库，包括：获取船舶航行原始数据；对所述船舶航行原始数据进行过滤处理，和/或同步处理，和/或归一化处理，得到船舶航行数据库。
例如，根据船舶自身性能数据，对收集到的船舶航行原始数据进行预处理，具体包括以下几个方面的预处理：一、对收集到的船舶航行原始数据中的一些严重损坏或长时间不变化的数据进行过滤处理，以减少对后续预测模型建立的精度影响；二、对收集到的船舶航行原始数据中的序列长度上不等的数据进行同步处理；三、对收集到的船舶航行原始数据中的整合后的多元数据进行归一化处理，通过以上三个方面建立起有效地船舶航行数据库。在利用船舶航行原始数据进行分析问题的过程中，由于严重损坏、长时间不变化以及序列长度上不等的数据将严重影响后续预测模型参数的精度，增加预测的误差，对数据进行修剪、同步以归一化后，减小预测误差。
进一步地，所述步骤S12基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型，包括：
基于船舶的遭遇角对所述船舶航行数据库进行划分，得到每个遭遇角对应的船舶航行数据库；由于船舶在不同的遭遇角下，海况对其影响的程度也不同，所导致的航速损失也不同。因此利用建立的船舶航行数据库，针对船舶航行中遭遇角的不同对所述船舶航行数据库进行划分，将船舶航行数据库划分为5部分，划分方法如图2所示，其中，图2中的j表示遭遇角编号，以便建立每个遭遇角对应的对地航速与对水航速之间的第一关系模型。
基于航行中的风力和浪高建立每个遭遇角对应的对地航速与对水航速之间的第一关系模型，并统计分析船舶主机油耗与所述对水航速和排水量之间的第二关系模型；在每个遭遇角对应的船舶航行数据库中，在风力与浪高的影响下建立对地航速与对水航速间的第一关系模型：
其中，v为对地航速，vs为对水航速，B为风力，W为浪高，j为遭遇角编号，pj、ej、qj、fj为第一关系模型参数；
其次，考虑对水航速与排水量对主机油耗的影响，建立船舶主机油耗与所述对航速和排水量之间的第二关系模型：
g(v,Δ)＝a·vs b·Δc+δ，
其中，g为船舶主机油耗，vs为对水航速，Δ为排水量，a、b、c、δ为第二关系模型参数；
接着，根据每个遭遇角对应的船舶航行数据库求解对应所述第一关系模型，得到每个遭遇角对应的对水航速与对地航速间的关系模型，再根据船舶航行数据库求解所述第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型。
所述步骤S12中的根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型，包括：
根据非线性最小二乘算法和船舶航行数据库，求解所述第二关系模型，得到船舶主机油耗模型。在此，所述非线性最小二乘算法可以包括列文伯格-马夸尔特算法(Levenberg-Marquardt算法)等，在本申请的优选实施例中，优选所述非线性最小二乘算法为Levenberg-Marquardt算法，根据该Levenberg-Marquardt算法和船舶航行数据库对所述第二关系模型进行拟合求解，得到船舶主机油耗模型，其中，该Levenberg-Marquardt算法是一种非线性最小二乘优化算法，同时具有牛顿法与梯度法的优点，其本质上是在迭代过程中，将原问题划分为多个最小二乘问题。接着根据所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型。
进一步地，所述根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型，包括：
根据每个遭遇角对应的船舶航行数据库对对应的所述第一关系模型进行求解，得到所述第一关系模型参数和所述第二关系模型参数；根据求解得到的所述第一关系模型参数及其对应的第一关系模型和所述第二关系模型参数及其对应的第二关系模型，结合船舶辅机油耗，建立每个遭遇角对应的船舶油耗模型。即在得到每个遭遇角对应的对水航速与对地航速间的第一关系模型参数；根据船舶航行数据库对所述第二关系模型进行求解，得到所述第二关系模型参数，结合船舶辅机油耗，可以建立每个遭遇角对应的船舶油耗模型。在此，根据该Levenberg-Marquardt算法和船舶航行数据库对所述第一关系模型和第二关系模型进行拟合求解，分别得到所述第一关系模型参数pj、ej、qj、fj和所述第二关系模型参数a、b、c、δ；接着根据求解得到的所述第一关系模型参数及其对应的第一关系模型，建立每个遭遇角对应的对水航速与对地航速间的第一关系模型，根据所述第二关系模型参数及其对应的第二关系模型，结合船舶辅机油耗，建立船舶油耗模型。。
接着本申请的上述实施例，综合考虑对地航速、对水航速、排水量、风力、浪高对船舶主机油耗的影响，结合船舶辅机油耗，建立每个遭遇角对应的船舶油耗模型G，并运用Levenberg-Marquardt算法求解模型中的参数。其中，所述船舶油耗模型为：
G(vs,Δ,C)＝a·vs b·Δc+δ+C
其中，G为船舶航行一天的船舶油耗量，vs为对水航速，Δ为排水量，a、b、c、δ为第二关系模型参数，C为船舶辅机油耗。根据第二关系模型与船舶辅机油耗，得到改进优化的船舶油耗模型。
本申请的实施例中，上述步骤S12依据船舶航行中遭遇角的不同，将数据库划分为如图2所示的5部分，统计分析每个遭遇角对应的船舶航行数据库中在风浪影响下对地航速与对水航速间的第一关系模型，再统计分析船舶航行数据中船舶主机油耗同对地航速、排水量的第二关系模型，并结合船舶辅机油耗，建立相应的船舶油耗模型，能够方便运用实际的航行中，提高了预测的预测船舶耗油量的精度，有利于进行深层次的航行优化。
目前大多数船舶在进行航行计划时，一般是根据港口之间的航行距离与到港时间要求来制定航次计划，制定过程中，船长为了确保准时到达，避免航行中受天气的影响，总是设计富裕的计划航速，导致大多数情况下不仅提前一天甚至更多时间到港，另外在航行过程中，无论天气好坏，总是保持恒定的航速航行。对于这种航行模式，虽然能保证准时到港完成航次计划，但是由于平均航速较高，导致油耗较高，另外由于在天气较差的环境下，依然使用恒定平均航速，由气象所产生航速损耗较大，同样航速条件下，主机功率相对较大，因此总体油耗大量提高。
事实上，合理的航次计划需求应该是在确保准时到港的前提下，尽量降低平均航速，另外在天气较差的情况下尽量降低航速，而天气较好的情况下保持相对较高的航速航行。考虑到上述原因，所述步骤S13基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于所述遭遇角对应的船舶油耗模型建立每个所述航段对应的船舶分段航速优化模型，包括：
基于途经区域预测气象和航次计划需求将船舶的航程划分为n段，其中，n为正整数；在此，船舶从始发港到达目的港需要经历不同的气象、海况区域，根据途经区域预测气象及海况的不同以及航次计划要求，将船舶的整个航程划分为n个不同的航段如图3所示。
接着，所述步骤S13基于遭遇角对应的船舶油耗模型对每个所述航段的航速进行优化，得到每个所述航段对应的船舶分段航速优化模型；其中，所述船舶分段航速优化模型为：
其中,为所要求解的一个航程总油耗目标函数，di为第i个航段对应的航程，为第i个航段对应的对水航速，B为风力，W为浪高，pj、ej、qj、fj为第一关系模型参数，j为遭遇角编号，vmin为最小航速，vmax为最大航速，ti为在第i个航段的预计航行时间，timin为第i个航段的最小航行时间，timax为第i个航段的最大航行时间，T为航次计划要求的总航行时间，若在所述航次计划需求存在中途港，则Δti为停留时间，若存在航段间航速大小的切换，则Δti＝0。
为了考虑航速范围、每航段航行时间、航次航行时间、中途停靠时间等因素的影响，建立全局最优化模型计算船舶在每个航段的平均航速，使得满足船舶安全与效率的前提下，在航行过程中的整体的耗油量最低。所述步骤S14基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速，包括：
采用外罚函数法对所述船舶分段航速优化模型进行转化，得到对应的所述航段的转化后的船舶分段航速优化模型；在此通过外罚函数法将船舶分段航速优化模型的约束优化问题转化无约束优化问题，并运用改进的粒子群算法求解优化模型，求解简单，涉及的参数少，精度高。
采用预设的改进的粒子群算法对所述航段的转化后的船舶分段航速优化模型进行求解，得到对应的所述航段的平均航速。在此运用外法函数法将上述约束问题转化成无约束问题来求解，并利用改进的粒子群算法求解转化后的优化模型。
进一步地，采用外罚函数法进行对每个航段的船舶分段航速优化模型进行转化后，得到的每个航段的转化后的船舶分段航速优化模型为：
其中，
其中，k为迭代次数，为运用外罚函数法转化后的一个航程总油耗目标函数，r(k)为根据迭代次数k取不同罚值权重，为惩罚函数，为等式约束条件的惩罚项，为不等式约束条件的惩罚项。利用预设的改进的粒子群算法求解上述转化后的船舶分段航速优化模型。将航段划分为N段后，可假定N维空间中寻优求解，设置粒子的数量为m，将其位置看作为船舶目标航速序列，即当更新第k次时，粒子位置为：粒子运动速度为：n≤N,个体最优位置为：全局最优位置为：利用如图4所示的求解方法流程图，求解每个航段的船舶分段航速优化模型。其中，wmin、wmax分别为惯性权重w的最大值与最小值，分别为学习因子c1与c2的初始值，一般设置分别对应为2.5与0.5，分别为学习因子c1与c2的终止值，一般亦分别对应设置为0.5与2.5，kmax为预设的最大迭代次数。
接着本申请的上述实施例，分别对C、D、E、F 4艘不同吨位船舶各选择一个航次进行每个航段的平均航速的预测。将本申请优化的船舶分段航速优化模型对航速与耗油量的预测值同航行实测值、传统典型定速(保持对地航速不变)航行模型下的仿真值进行对比，另外为了保证3种方式下的气象条件的一致性，在选择用于评估的航次时，选择了气象预测数据与实际气象情况基本相同或相似的情况下的航次，评估结果如下表1所示。
表1评估数据比较
由上述表1可以看出，通过分段航速优化，不仅比传统定速航行模式平均节省了燃油4％左右，另外与实际航行过程中的耗油量相比，其预测误差通常可以控制在2％以内，且各航段预测航速的平均绝对误差低于0.5kn。通过上述分析充分说明本申请提供的一种船舶航速优化方法能够为船舶航行提供较好的航行策略，降低航次能耗。
综上所述，本发明提供了如图5所示的一种节能减排的船舶航速优化方法的组成框图，综合考虑对地航速、对水航速、排水量、风力、浪高、遭遇角对船舶航行的影响，利用船舶历史记录数据，统计分析主机油耗与对水航速、排水量的第二关系模型，以及在风浪影响下对地航速与对水航速间的第一关系模型，再结合船舶辅机油耗，建立改进的船舶油耗模型；基于船舶油耗模型，依据海洋气象预报数据与航次计划要求，划分航线，提出节能减排的船舶分段航速优化模型，最终能够运用改进的粒子算法得出优化航速，使得满足航次要求的情况下，整个航次的耗油量最低。
另外，本申请实施例还提供了一种船舶航速优化的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：对获取的船舶航行原始数据进行预处理，得到船舶航行数据库；基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型；基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于所述对水航速与对地航速的第一关系模型、每个遭遇角对应的船舶油耗模型，建立每个所述航段对应的船舶分段航速优化模型；基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速，实现了在满足航次计划需求的情况下，建立起航程中的每个航段对应的船舶分段航速优化模型，进而得到基于每个遭遇角对应的航程中的每个航段的平均航速，实现在整个航程过程中的耗油量最低，减少航程中的成本。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (11)
1.一种船舶航速优化方法，其中，所述方法包括：
对获取的船舶航行原始数据进行预处理，得到船舶航行数据库；
基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型；
基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于所述遭遇角对应的船舶油耗模型建立每个所述航段对应的船舶分段航速优化模型；
基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速。
2.根据权利要求1所述的方法，其中，所述对获取的船舶航行原始数据进行预处理，得到船舶航行数据库，包括：
获取船舶航行原始数据；
对所述船舶航行原始数据进行过滤处理，和/或同步处理，和/或归一化处理，得到船舶航行数据库。
3.根据权利要求1所述的方法，其中，所述基于船舶的遭遇角对所述船舶航行数据库进行划分，并基于划分后的船舶航行数据库建立每个遭遇角对应的船舶油耗模型，包括：
基于船舶的遭遇角对所述船舶航行数据库进行划分，得到每个遭遇角对应的船舶航行数据库；
基于航行中的风力和浪高建立每个遭遇角对应的对地航速与对水航速之间的第一关系模型，并统计分析船舶主机油耗与所述对水航速和排水量之间的第二关系模型；
根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型。
4.根据权利要求3所述的方法，其中，所述根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型，包括：
根据非线性最小二乘算法和船舶航行数据库，求解所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型。
5.根据权利要求3所述的方法，其中，所述第一关系模型为：
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>,</mo>
<mi>W</mi>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>B</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msup>
<mo>+</mo>
<msub>
<mi>e</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msup>
<mi>W</mi>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
</msup>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mn>2</mn>
</mrow>
其中，v为对地航速，vs为对水航速，B为风力，W为浪高，j为遭遇角编号，pj、ej、qj、fj为第一关系模型参数；
所述第二关系模型为：
g(v,Δ)＝a·vs b·Δc+δ
其中，g为船舶主机油耗，vs为对水航速，Δ为排水量，a、b、c、δ为第二关系模型参数；
所述根据每个遭遇角对应的船舶航行数据库求解对应的所述第一关系模型和第二关系模型，结合船舶辅机油耗，得到每个遭遇角对应的船舶油耗模型，包括：
根据每个遭遇角对应的船舶航行数据库对对应的所述第一关系模型进行求解，得到所述第一关系模型参数和所述第二关系模型参数；根据求解得到的所述第一关系模型参数及其对应的第一关系模型和所述第二关系模型参数及其对应的第二关系模型，结合船舶辅机油耗，建立每个遭遇角对应的船舶油耗模型。
6.根据权利要求5所述的方法，其中，所述船舶油耗模型为：
G(vs,Δ,C)＝a·vs b·Δc+δ+C
其中，其中，G为船舶航行一天的船舶油耗量，vs为对水航速，Δ为排水量，a、b、c、δ为第二关系模型参数，C为船舶辅机油耗。
7.根据权利要求6所述的方法，其中，所述基于途经区域预测气象和航次计划需求将船舶的航程划分为至少一个航段，并基于所述遭遇角对应的船舶油耗模型建立每个所述航段对应的船舶分段航速优化模型，包括：
基于途经区域预测气象和航次计划需求将船舶的航程划分为n段，其中，n为正整数；
基于遭遇角对应的船舶油耗模型对每个所述航段的航速进行优化，得到每个所述航段对应的船舶分段航速优化模型；
其中，所述船舶分段航速优化模型为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>min</mi>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mo>,</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</msub>
<mo>,</mo>
<mi>&Delta;</mi>
<mo>,</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<mn>24</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>min</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>B</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msup>
<mo>+</mo>
<msub>
<mi>e</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msup>
<mi>W</mi>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
</msup>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>min</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&Delta;t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&Delta;t</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
<mo>,</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</msub>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mi>n</mi>
</msup>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mi>n</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，为所要求解的一个航程总油耗目标函数，di为第i个航段对应的航程，为第i个航段对应的对水航速，B为风力，W为浪高，pj、ej、qj、fj为第一关系模型参数，j为遭遇角编号，vmin为最小航速，vmax为最大航速，ti为在第i个航段的预计航行时间，timin为第i个航段的最小航行时间，timax为第i个航段的最大航行时间，T为航次计划要求的总航行时间，若在所述航次计划需求存在中途港，则Δti为停留时间，若存在航段间航速大小的切换，则Δti＝0。
8.根据权利要求7所述的方法，其中，所述基于所述船舶分段航速优化模型，得到对应的所述航段的平均航速，包括：
采用外罚函数法对所述船舶分段航速优化模型进行转化，得到对应的所述航段的转化后的船舶分段航速优化模型；
采用预设的改进的粒子群算法对所述航段的转化后的船舶分段航速优化模型进行求解，得到对应的所述航段的平均航速。
9.根据权利要求8所述的方法，其中，所述航段的转化后的船舶分段航速优化模型为：
其中，
其中，k为迭代次数，为运用外罚函数法转化后的一个航程总油耗目标函数，r(k)为根据迭代次数k取不同罚值权重，为惩罚函数，为等式约束条件的惩罚项，为不等式约束条件的惩罚项。
10.根据权利要求1至9任一项所述的方法，其中，所述船舶航行原始数据包括：
船舶自身性能数据和船舶航行历史日志。
11.一种船舶航速优化的设备，其中，该设备包括：
一个或多个处理器；以及存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至11中任一项所述方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710587628.XA CN107292451B (zh) | 2017-07-18 | 2017-07-18 | 一种船舶航速优化方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710587628.XA CN107292451B (zh) | 2017-07-18 | 2017-07-18 | 一种船舶航速优化方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292451A true CN107292451A (zh) | 2017-10-24 |
| CN107292451B CN107292451B (zh) | 2020-11-03 |
Family
ID=60101742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710587628.XA Active CN107292451B (zh) | 2017-07-18 | 2017-07-18 | 一种船舶航速优化方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292451B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108759952A (zh) * | 2018-03-09 | 2018-11-06 | 程奇 | 一种分段式基于汽车发动机转速和扭矩的油耗估计方法 |
| CN109145519A (zh) * | 2018-10-11 | 2019-01-04 | 哈尔滨工程大学 | 一种船舶敞水航行辅助决策方法 |
| CN109543936A (zh) * | 2018-10-10 | 2019-03-29 | 上海大学 | 船舶部署管理方法、系统、电子设备和存储介质 |
| CN109829582A (zh) * | 2019-01-29 | 2019-05-31 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 航线航速优化方法及系统 |
| CN110083983A (zh) * | 2019-05-17 | 2019-08-02 | 大连海事大学 | 一种船舶分段航速优化方法和智能管理系统 |
| CN110096734A (zh) * | 2019-03-20 | 2019-08-06 | 浙江海洋大学 | 一种浅水中大型船舶阻力和流场特性的分析方法及系统 |
| CN110398248A (zh) * | 2019-07-22 | 2019-11-01 | 广东华风海洋信息系统服务有限公司 | 一种基于网格优化的航海避障算法 |
| CN110543961A (zh) * | 2018-05-28 | 2019-12-06 | 深圳市行健自动化股份有限公司 | 海洋作业平台和船舶整体能效管理方法 |
| CN111026116A (zh) * | 2019-12-16 | 2020-04-17 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 船舶操纵控制方法、装置及电子设备 |
| CN111090911A (zh) * | 2019-12-11 | 2020-05-01 | 上海船舶运输科学研究所 | 一种船舶航速节能优化辅助方法 |
| CN111220813A (zh) * | 2020-01-13 | 2020-06-02 | 广州船舶及海洋工程设计研究院（中国船舶工业集团公司第六0五研究院） | 船舶的航速确定方法、续航里程确定方法、装置和系统 |
| CN112612282A (zh) * | 2020-12-24 | 2021-04-06 | 武汉理工大学 | 基于船舶主机优化的内河航行控制方法、系统和存储介质 |
| CN113705090A (zh) * | 2021-08-20 | 2021-11-26 | 中国船舶科学研究中心 | 一种长江航道内河船舶航速实时优化方法 |
| CN115907172A (zh) * | 2022-11-29 | 2023-04-04 | 中远海运散货运输有限公司 | 船舶油耗量预测方法、装置、设备及介质 |
| CN118643277A (zh) * | 2024-08-15 | 2024-09-13 | 大连海事大学 | 一种基于stacking集成学习的船舶油耗预测与速度优化方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105807610A (zh) * | 2016-03-04 | 2016-07-27 | 武汉理工大学 | 面向船舶动力定位系统的自适应权值矩阵加权伪逆推力分配和饱和处理方法 |
| US20160229500A1 (en) * | 2013-09-27 | 2016-08-11 | Nippon Yusen Kabushiki Kaisha | Data-processing device, program, recording medium and data-processing method for generation of data that indicates navigation performance of ship |
| US20160236758A1 (en) * | 2013-10-07 | 2016-08-18 | Nippon Yusen Kabushiki Kaisha | Device, program and recording medium for supporting analysis of fuel consumption in voyage of ship |
| WO2016166812A1 (ja) * | 2015-04-14 | 2016-10-20 | 日本郵船株式会社 | 舶用機器の保守を支援する装置、プログラムおよび記録媒体 |
| CN106383940A (zh) * | 2016-09-08 | 2017-02-08 | 大连理工大学 | 船用lng独立c型舱危险晃荡工况的计算方法 |
| CN106599995A (zh) * | 2016-12-09 | 2017-04-26 | 上海海事大学 | 一种根据海洋气象信息预测船舶航行气象因子的方法 |
| CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
-
2017
- 2017-07-18 CN CN201710587628.XA patent/CN107292451B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160229500A1 (en) * | 2013-09-27 | 2016-08-11 | Nippon Yusen Kabushiki Kaisha | Data-processing device, program, recording medium and data-processing method for generation of data that indicates navigation performance of ship |
| US20160236758A1 (en) * | 2013-10-07 | 2016-08-18 | Nippon Yusen Kabushiki Kaisha | Device, program and recording medium for supporting analysis of fuel consumption in voyage of ship |
| WO2016166812A1 (ja) * | 2015-04-14 | 2016-10-20 | 日本郵船株式会社 | 舶用機器の保守を支援する装置、プログラムおよび記録媒体 |
| CN105807610A (zh) * | 2016-03-04 | 2016-07-27 | 武汉理工大学 | 面向船舶动力定位系统的自适应权值矩阵加权伪逆推力分配和饱和处理方法 |
| CN106383940A (zh) * | 2016-09-08 | 2017-02-08 | 大连理工大学 | 船用lng独立c型舱危险晃荡工况的计算方法 |
| CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
| CN106599995A (zh) * | 2016-12-09 | 2017-04-26 | 上海海事大学 | 一种根据海洋气象信息预测船舶航行气象因子的方法 |
Non-Patent Citations (3)
| Title |
|---|
| RUIHUALU等: "《A semi-empiricalshipoperationalperformancepredictionmodel》", 《OCEAN ENGINEERING》 * |
| 孟晓东等: "考虑不规则风浪影响的最小油耗航速模型", 《上海海事大学学报》 * |
| 王广雨: "《基于不同遭遇角的船体运动控制研究》", 《万方数据库》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108759952A (zh) * | 2018-03-09 | 2018-11-06 | 程奇 | 一种分段式基于汽车发动机转速和扭矩的油耗估计方法 |
| CN110543961A (zh) * | 2018-05-28 | 2019-12-06 | 深圳市行健自动化股份有限公司 | 海洋作业平台和船舶整体能效管理方法 |
| CN110543961B (zh) * | 2018-05-28 | 2023-04-14 | 深圳市行健自动化股份有限公司 | 海洋作业平台和船舶整体能效管理方法 |
| CN109543936A (zh) * | 2018-10-10 | 2019-03-29 | 上海大学 | 船舶部署管理方法、系统、电子设备和存储介质 |
| CN109145519B (zh) * | 2018-10-11 | 2022-08-02 | 哈尔滨工程大学 | 一种船舶敞水航行辅助决策方法 |
| CN109145519A (zh) * | 2018-10-11 | 2019-01-04 | 哈尔滨工程大学 | 一种船舶敞水航行辅助决策方法 |
| CN109829582A (zh) * | 2019-01-29 | 2019-05-31 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 航线航速优化方法及系统 |
| CN110096734A (zh) * | 2019-03-20 | 2019-08-06 | 浙江海洋大学 | 一种浅水中大型船舶阻力和流场特性的分析方法及系统 |
| CN110096734B (zh) * | 2019-03-20 | 2023-06-27 | 浙江海洋大学 | 一种浅水中大型船舶阻力和流场特性的分析方法及系统 |
| CN110083983A (zh) * | 2019-05-17 | 2019-08-02 | 大连海事大学 | 一种船舶分段航速优化方法和智能管理系统 |
| CN110083983B (zh) * | 2019-05-17 | 2022-10-04 | 大连海事大学 | 一种船舶分段航速优化方法和智能管理系统 |
| CN110398248A (zh) * | 2019-07-22 | 2019-11-01 | 广东华风海洋信息系统服务有限公司 | 一种基于网格优化的航海避障算法 |
| CN110398248B (zh) * | 2019-07-22 | 2023-02-28 | 广东华风海洋信息系统服务有限公司 | 一种基于网格优化的航海避障算法 |
| CN111090911A (zh) * | 2019-12-11 | 2020-05-01 | 上海船舶运输科学研究所 | 一种船舶航速节能优化辅助方法 |
| CN111026116B (zh) * | 2019-12-16 | 2023-05-26 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 船舶操纵控制方法、装置及电子设备 |
| CN111026116A (zh) * | 2019-12-16 | 2020-04-17 | 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） | 船舶操纵控制方法、装置及电子设备 |
| CN111220813B (zh) * | 2020-01-13 | 2022-01-11 | 广州船舶及海洋工程设计研究院（中国船舶工业集团公司第六0五研究院） | 船舶的航速确定方法、续航里程确定方法、装置和系统 |
| CN111220813A (zh) * | 2020-01-13 | 2020-06-02 | 广州船舶及海洋工程设计研究院（中国船舶工业集团公司第六0五研究院） | 船舶的航速确定方法、续航里程确定方法、装置和系统 |
| CN112612282A (zh) * | 2020-12-24 | 2021-04-06 | 武汉理工大学 | 基于船舶主机优化的内河航行控制方法、系统和存储介质 |
| CN113705090A (zh) * | 2021-08-20 | 2021-11-26 | 中国船舶科学研究中心 | 一种长江航道内河船舶航速实时优化方法 |
| CN115907172A (zh) * | 2022-11-29 | 2023-04-04 | 中远海运散货运输有限公司 | 船舶油耗量预测方法、装置、设备及介质 |
| CN115907172B (zh) * | 2022-11-29 | 2024-01-30 | 中远海运散货运输有限公司 | 船舶油耗量预测方法、装置、设备及介质 |
| CN118643277A (zh) * | 2024-08-15 | 2024-09-13 | 大连海事大学 | 一种基于stacking集成学习的船舶油耗预测与速度优化方法 |
| CN118643277B (zh) * | 2024-08-15 | 2024-11-01 | 大连海事大学 | 一种基于stacking集成学习的船舶油耗预测与速度优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292451B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292451B (zh) | 一种船舶航速优化方法及设备 | |
| Lu et al. | Ship energy performance study of three wind-assisted ship propulsion technologies including a parametric study of the Flettner rotor technology | |
| Tillig et al. | Reduced environmental impact of marine transport through speed reduction and wind assisted propulsion | |
| Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
| Tsujimoto et al. | Performance prediction of full-scale ship and analysis by means of on-board monitoring (Part 1 ship performance prediction in actual seas) | |
| Ma et al. | Hard sail optimization and energy efficiency enhancement for sail-assisted vessel | |
| Smith et al. | Analysis techniques for evaluating the fuel savings associated with wind assistance | |
| Wang et al. | An integrated collaborative decision-making method for optimizing energy consumption of sail-assisted ships towards low-carbon shipping | |
| Tillig | Simulation model of a ship’s energy performance and transportation costs | |
| Zaccone et al. | ENERGY EFFICIENT SHIP VOYAGE PLANNING BY 3D DYNAMIC PROGRAMMING. | |
| Mason et al. | Quantifying voyage optimisation with wind propulsion for short-term CO2 mitigation in shipping | |
| Jing et al. | Analysis of ship maneuvering difficulties under severe weather based on onboard measurements and realistic simulation of ocean environment | |
| Liu et al. | On the resistance and speed loss of full type ships in a seaway | |
| Fujii et al. | Statistical validation of a voyage simulation model for ocean-going ships using satellite AIS data | |
| Kim et al. | Study on prediction of ship’s power using light GBM and XGBoost | |
| Zaccone et al. | An optimization tool for ship route planning in real weather scenarios | |
| Vettor et al. | Impact of wind loads on long-term fuel consumption and emissions in trans-oceanic shipping | |
| Ruan et al. | A novel prediction method of fuel consumption for wing-diesel hybrid vessels based on feature construction | |
| Bowker et al. | A probabilistic method to evaluate bow foils for realistic seas and shipping routes | |
| dos Santos Ferreira et al. | Comparative analysis of machine learning prediction models of container ships propulsion power | |
| Sandvik et al. | Operational sea passage scenario generation for virtual testing of ships using an optimization for simulation approach | |
| Park et al. | Estimation model of energy efficiency operational indicator using public data based on big data technology | |
| CN113919549A (zh) | 一种船舶滑失率预测系统 | |
| Ilias et al. | A Multitask Learning Framework for Predicting Ship Fuel Oil Consumption | |
| CN118643277B (zh) | 一种基于stacking集成学习的船舶油耗预测与速度优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |