Volume 16 Issue 1
Feb.  2021
Turn off MathJax
Article Contents

WANG K, HU W W, HUANG L Z, et al. Research progress and prospects of ship intelligent energy efficiency optimization key technologies[J]. Chinese Journal of Ship Research, 2021, 16(1): 180–192 doi:  10.19693/j.issn.1673-3185.01942
Citation: WANG K, HU W W, HUANG L Z, et al. Research progress and prospects of ship intelligent energy efficiency optimization key technologies[J]. Chinese Journal of Ship Research, 2021, 16(1): 180–192 doi:  10.19693/j.issn.1673-3185.01942

Research progress and prospects of ship intelligent energy efficiency optimization key technologies

doi: 10.19693/j.issn.1673-3185.01942
  • Received Date: 2020-04-29
  • Rev Recd Date: 2020-07-29
  • Available Online: 2020-11-16
  • Publish Date: 2021-02-28
  • Intelligent energy efficiency management, as an important part of the development of intelligent ships, can realize the automatic monitoring, analysis and autonomous decision-making of ship energy efficiency. Therefore, improving the level of ship energy efficiency and intelligence is of great significance. Based on the analysis of the rules and inspection guidelines of ship intelligent energy efficiency management, the current research status of ship energy efficiency optimization methods is systematically analyzed by focusing on the core issues of ship intelligent energy efficiency, including intelligent monitoring and system design, the application of big data on ship intelligent energy efficiency, intelligent optimization algorithms and models of ship energy efficiency. The shortcomings and challenges in the development of ship intelligent energy efficiency are proposed based on the research status, and the future development and research contents of intelligent energy efficiency optimization are prospected to provide reference for the development of the energy efficiency management of intelligent ships.
  • [1] WANG K, YAN X P, YUAN Y P, et al. Real-time optimization of ship energy efficiency based on the prediction technology of working condition[J]. Transportation Research Part D: Transport and Environment, 2016, 46: 81–93. doi:  10.1016/j.trd.2016.03.014
    [2] 胡琼, 陈凯, 孙权. 新船能效设计指数及应对策略分析[J]. 中国造船, 2011, 52(增刊 1): 27–32.

    HU Q, CHEN K, SUN Q. Energy efficiency design index (EEDI) for new ships and coping strategies analysis[J]. Shipbuilding of China, 2011, 52(Supp 1): 27–32 (in Chinese).
    [3] WANG K, LI J Y, YAN X P, et al. A novel bi-level distributed dynamic optimization method of ship fleets energy consumption[J]. Ocean Engineering, 2020, 197: 106802. doi:  10.1016/j.oceaneng.2019.106802
    [4] 王凯, 严新平, 袁裕鹏. 基于改进粒子群算法的船舶发电机选型优化研究[J]. 中国造船, 2016, 57(1): 201–209. doi:  10.3969/j.issn.1000-4882.2016.01.022

    WANG K, YAN X P, YUAN Y P. Optimal selection of marine generator based on improved particle swarm algorithm[J]. Shipbuilding of China, 2016, 57(1): 201–209 (in Chinese). doi:  10.3969/j.issn.1000-4882.2016.01.022
    [5] 中国船级社. 智能船舶规范[S/OL]. (2020-03-01)[2020-03-12]. http://www.ccs.org.cn.

    Chinese Classification Society. Smart ship specifications[S/OL]. (2020-03-01)[2020-03-12]. http://www.ccs.org.cn (in Chinese).
    [6] 刘伊凡, 黄连忠, 孙培廷, 等. 实船数据环境下船舶主柴油机性能评估方法[J]. 内燃机学报, 2018, 36(2): 182–191.

    LIU Y F, HUANG L Z, SUN P T, et al. A performance estimation method for main diesel engine in shipping data environment[J]. Transactions of CSICE, 2018, 36(2): 182–191 (in Chinese).
    [7] 中国船级社. 船舶智能能效管理检验指南[S/OL]. (2018-09-01)[2020-03-12]. http://www.ccs.org.cn.

    Chinese Classification Society. Ship intelligent energy efficiency management inspection guidelines [S/OL]. (2020-03-01)[2020-03-12]. http://www.ccs.org.cn (in Chinese).
    [8] WANG K, YAN X P, YUAN Y P, et al. Design of ship energy efficiency monitoring and control system considering environmental factors[C]//Proceedings of 2015 International Conference on Transportation Information and Safety (ICTIS). Wuhan, China: IEEE, 2015.
    [9] HANSEN H, FREUND M. Assistance tools for operational fuel efficiency[C]//Proceedings of the 9th International Conference on Computer and IT Applications in the Maritime Industries. Gubio, Italy: [s. n. ], 2010.
    [10] ABB赢得STX芬兰船舶自动化系统订单[J]. 自动化应用, 2012(10): 8.

    ABB wins order for STX Finland ship automation system[J]. Automation Application, 2012(10): 8 (in Chinese).
    [11] FAN A L, YAN X P, YIN Q Z. A multisource information system for monitoring and improving ship energy efficiency[J]. Journal of Coastal Research, 2016, 32(5): 1235–1245.
    [12] WANG K, YAN X P, YUAN Y P, et al. Dynamic optimization of ship energy efficiency considering time-varying environmental factors[J]. Transportation Research Part D: Transport and Environment, 2018, 62: 685–698. doi:  10.1016/j.trd.2018.04.005
    [13] 蔡德清, 张燃, 郑士君, 等. 中远集运船舶燃油监控系统[J]. 航海技术, 2008(5): 57–59.

    CAI D Q, ZHANG R, ZHENG S J, et al. COSCO ship's fuel monitoring system[J]. Marine Technology, 2008(5): 57–59 (in Chinese).
    [14] 郑士君, 黄爱平, 岳跃申, 等. 海运企业能效管理信息系统研发[J]. 中国航海, 2010, 33(4): 53–56. doi:  10.3969/j.issn.1000-4653.2010.04.013

    ZHENG S J, HUANG A P, YUE Y S, et al. Research and development on energy efficiency management information system for shipping companies[J]. Navigation of China, 2010, 33(4): 53–56 (in Chinese). doi:  10.3969/j.issn.1000-4653.2010.04.013
    [15] 熊林. 基于北斗卫星通讯的船舶油耗管理系统设计[D]. 厦门: 集美大学, 2015.

    XIONG L. Design of marine fuel management system based on BeiDou satellite communication[D]. Xiamen: Jimei University, 2015 (in Chinese).
    [16] 苏一, 张倩墨. 基于能效管理的船舶航速系统优化设计[J]. 上海船舶运输科学研究所学报, 2014, 37(2): 43–49. doi:  10.3969/j.issn.1674-5949.2014.02.009

    SU Y, ZHANG Q M. Design of energy efficiency oriented sailing speed optimization system[J]. Journal of Shanghai Ship and Shipping Research Institute, 2014, 37(2): 43–49 (in Chinese). doi:  10.3969/j.issn.1674-5949.2014.02.009
    [17] 阳世荣. 船舶辅机节能控制与管理技术研究[J]. 中国造船, 2012, 53(增刊 1): 226–232.

    YANG S R. Research on energy saving control and management technology of marine auxiliary machine[J]. Shipbuilding of China, 2012, 53(Supp 1): 226–232 (in Chinese).
    [18] WANG K, YAN X P, YUAN Y P. Fuzzy logic method for ship energy efficiency decision-making model to determine optimal engine speed[J]. Sea Technology, 2015, 56(11): 45–46.
    [19] 吴军, 万晓跃, 孙永刚, 等. 在船舶“智能能效”设计时应关注的几个要点[J]. 船舶, 2018, 29(增刊 1): 42–51.

    WU J, WAN X Y, SUN Y G, et al. Several points to be concerned in the design of ship's "intelligent energy efficiency"[J]. Ship & Boat, 2018, 29(Supp 1): 42–51 (in Chinese).
    [20] 郑洪燕, 王跃, 朱军. 船舶智能能效管理系统设计[J]. 水运管理, 2018, 40(11): 25–28. doi:  10.3969/j.issn.1000-8799.2018.11.008

    ZHENG H Y, WANG Y, ZHU J. Design of ship intelligent energy efficiency management system[J]. Shipping Management, 2018, 40(11): 25–28 (in Chinese). doi:  10.3969/j.issn.1000-8799.2018.11.008
    [21] KAMBATLA K, KOLLIAS G, KUMAR V, et al. Trends in big data analytics[J]. Journal of Parallel and Distributed Computing, 2014, 74(7): 2561–2573. doi:  10.1016/j.jpdc.2014.01.003
    [22] XIE H L, HE Y F, XIE X. Exploring the factors influencing ecological land change for China's Beijing-Tianjin-Hebei Region using big data[J]. Journal of Cleaner Production, 2017, 142: 677–687. doi:  10.1016/j.jclepro.2016.03.064
    [23] 韩丽莎. 浅谈大数据与数据挖掘技术[J]. 计算机产品与流通, 2018(8): 112–131.

    HAN L S. Talking about big data and data mining technology[J]. Computer Products and Circulation, 2018(8): 112–131 (in Chinese).
    [24] 万辉, 张建雄, 高嵩, 等. 内河船舶大数据关键技术研究[J]. 中国水运, 2017, 38(11): 47–50.

    WAN H, ZHANG J X, GAO S, et al. Research on key technologies of inland ship big data[J]. China Water Transport, 2017, 38(11): 47–50 (in Chinese).
    [25] Klaveness Digital Company. A big data platform[EB/OL]. (2018-08-24) [2020-03-12]. http://www.Klavenessdigital.com.
    [26] PERERA L P, MO B. Machine intelligence for energy efficient ships: a big data solution[C]//Proceedings of the 3rd International Conference on Maritime Technology and Engineering (MARTECH 2016). Lisbon, Portugal: [s. n. ], 2016.
    [27] BOCCHETTI D, LEPORE A, PALUMBO B, et al. A statistical approach to ship fuel consumption monitoring[J]. Journal of Ship Research, 2015, 59(3): 162–171. doi:  10.5957/JOSR.59.3.150012
    [28] 林俊, 葛海龙, 李晓陆, 等. 江海直达绿色船舶能效大数据监控平台[J]. 船舶, 2018, 29(增刊 1): 111–126.

    LIN J, GE H L, LI X L, et al. Jianghai direct green ship energy efficiency big data monitoring platform[J]. Ship & Boat, 2018, 29(Supp 1): 111–126 (in Chinese).
    [29] 谢云鹏, 董良雄, 施怡然, 等. 基于大数据技术的船舶油耗监测系统设计[J]. 水运管理, 2018, 40(9): 34–36. doi:  10.3969/j.issn.1000-8799.2018.09.010

    XIE Y P, DONG L X, SHI Y R, et al. Design of ship fuel consumption monitoring system based on big data technology[J]. Shipping Management, 2018, 40(9): 34–36 (in Chinese). doi:  10.3969/j.issn.1000-8799.2018.09.010
    [30] 孙峰, 黄连忠, 刘伊凡, 等. 一种应用数据挖掘技术评估柴油机性能的方法[J]. 大连海事大学学报, 2017, 43(3): 83–88.

    SUN F, HUANG L Z, LIU Y F, et al. A method of evaluating diesel engine performance by using data mining technology[J]. Journal of Dalian Maritime University, 2017, 43(3): 83–88 (in Chinese).
    [31] ADLAND R O, JIA H. Vessel speed analytics using satellite-based ship position data[C]//Proceedings of 2016 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM). Bali, Indonesia: IEEE, 2016: 1299–1303.
    [32] CORADDU A, FIGARI M, SAVIO S. Numerical investigation on ship energy efficiency by Monte Carlo simulation[J]. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment, 2014, 228(3): 220–234. doi:  10.1177/1475090214524184
    [33] LEE H, AYDIN N, CHOI Y, et al. A decision support system for vessel speed decision in maritime logistics using weather archive big data[J]. Computers & Operations Research, 2018, 98: 330–342.
    [34] 韩佳彤. 基于大数据分析的海上智能航线设计[J]. 珠江水运, 2016(1): 78–79. doi:  10.3969/j.issn.1672-8912.2016.01.037

    HAN J T. Design of intelligent routes at sea based on big data analysis[J]. Pearl River Water Transport, 2016(1): 78–79 (in Chinese). doi:  10.3969/j.issn.1672-8912.2016.01.037
    [35] YAN X P, WANG K, YUAN Y P, et al. Energy-efficient shipping: an application of big data analysis for optimizing engine speed of inland ships considering multiple environmental factors[J]. Ocean Engineering, 2018, 169: 457–468. doi:  10.1016/j.oceaneng.2018.08.050
    [36] 陈伟南, 黄连忠, 张勇, 等. 基于BP神经网络的船舶主机能效状态评估[J]. 中国舰船研究, 2018, 13(4): 127–133, 160.

    CHEN W N, HUANG L Z, ZHANG Y, et al. Evaluation of main engine energy efficiency based on BP neural network[J]. Chinese Journal of Ship Research, 2018, 13(4): 127–133, 160 (in Chinese).
    [37] YAN X P, SUN X, YIN Q Z. Multiparameter sensitivity analysis of operational energy efficiency for inland river ships based on backpropagation neural network method[J]. Marine Technology Society Journal, 2015, 49(1): 148–153. doi:  10.4031/MTSJ.49.1.5
    [38] YUAN J, WEI S M. Comparison of using artificial neural network and Gaussian process in ship energy consumption evaluation[C]//Proceedings of 2018 Joint International Conference on Energy, Ecology and Environment (ICEEE 2018) and International Conference on Electric and Intelligent Vehicles (ICEIV 2018). Melbourne, Australia: [s. n. ], 2018.
    [39] BAL BEŞIKÇI E B, ARSLAN O, TURAN O, et al. An artificial neural network based decision support system for energy efficient ship operations[J]. Computers & Operations Research, 2016, 66: 393–401.
    [40] PAGOROPOULOS A, MØLLER A H, MCALOONE T C. Applying multi-class support vector machines for performance assessment of shipping operations: the case of tanker vessels[J]. Ocean Engineering, 2017, 140: 1–6. doi:  10.1016/j.oceaneng.2017.05.001
    [41] LU R H, TURAN Q, BOULOUGOURIS E. Voyage optimisation: prediction of ship specific fuel consumption for energy efficient shipping[C]//Proceedings of the 3rd International Conference onTechnologies, Operations, Logistics and Modelling for Low Carbon Shipping. London: [s. n. ], 2013.
    [42] WICKRAMANAYAKE S, DILUM BANDARA H M N. Fuel consumption prediction of fleet vehicles using machine learning: a comparative study[C]//Proceedings of 2016 Moratuwa Engineering Research Conference. Sri Lanka: IEEE, 2016.
    [43] ALONSO J M, ALVARRUIZ F, DESANTES J M, et al. Combining neural networks and genetic algorithms to predict and reduce diesel engine emissions[J]. IEEE Transactions on Evolutionary Computation, 2007, 11(1): 46–55. doi:  10.1109/TEVC.2006.876364
    [44] TILLIG F, RINGSBERG J W, MAO W G, et al. Analysis of uncertainties in the prediction of ships' fuel consumption-from early design to operation conditions[J]. Ships and Offshore Structures, 2018, 13(1): 13–24.
    [45] YANG L Q, CHEN G, RYTTER N G M, et al. A genetic algorithm-based grey-box model for ship fuel consumption prediction towards sustainable shipping[J/OL]. An-nals of Operations Research, 2019. https://link.springer.com/article/10.1007/s10479-019-03183-5#citeas
    [46] 王胜正, 申心泉, 赵建森, 等. 基于ASAE深度学习预测海洋气象对船舶航速的影响[J]. 交通运输工程学报, 2018, 18(2): 139–147. doi:  10.3969/j.issn.1671-1637.2018.02.015

    WANG S Z, SHEN X Q, ZHAO J S, et al. Prediction of marine meteorological effect on ship speed based on ASAE deep learning[J]. Journal of Traffic and Transportation Engineering, 2018, 18(2): 139–147 (in Chinese). doi:  10.3969/j.issn.1671-1637.2018.02.015
    [47] 王寰宇. 远洋船舶分段航速优化及其智能算法研究[D]. 大连: 大连海事大学, 2018.

    WANG H Y. Ocean ship segmentation speed optimization and intelligent algorithms[D]. Dalian: Dalian Maritime University, 2018 (in Chinese).
    [48] MARIE S, COURTEILLE E. Sail-assisted motor vessels weather routing using a fuzzy logic model[J]. Journal of Marine Science and Technology, 2013, 19(3): 265–279.
    [49] WANG K, LI J Y, HUANG L Z, et al. A novel joint optimization method of sailing route and speed considering environmental conditions towards energy efficient shipping[J]. Ocean Engineering, 2020, 216: 107591. doi:  10.1016/j.oceaneng.2020.107591
    [50] LAZAROWSKA A. Ant colony optimization based navigational decision support system[J]. Procedia Computer Science, 2014, 35: 1013–1022. doi:  10.1016/j.procs.2014.08.187
    [51] MENG Q, WANG T S. A scenario-based dynamic programming model for multi-period liner ship fleet planning[J]. Transportation Research Part E: Logistics and Transportation Review, 2011, 47(4): 401–413. doi:  10.1016/j.tre.2010.12.005
    [52] SEN D, PADHY C P. An approach for development of a ship routing algorithm for application in the North Indian Ocean region[J]. Applied Ocean Research, 2015, 50: 173–191. doi:  10.1016/j.apor.2015.01.019
    [53] 刘浩, 刘维亭, 吴将. 一种新型的船舶航线规划设计[J]. 电子测试, 2014(1): 49–50.

    LIU H, LIU W T, WU J. A new design of ship routes planning[J]. Electronic Test, 2014(1): 49–50 (in Chinese).
    [54] ZHANG S K, SHI G Y, LIU Z J, et al. Data-driven based automatic maritime routing from massive AIS trajectories in the face of disparity[J]. Ocean Engineering, 2018, 155: 240–250. doi:  10.1016/j.oceaneng.2018.02.060
    [55] ZACCONE R, OTTAVIANI E, FIGARI M, et al. Ship voyage optimization for safe and energy-efficient navigation: a dynamic programming approach[J]. Ocean Engineering, 2018, 153: 215–224. doi:  10.1016/j.oceaneng.2018.01.100
    [56] WANG H L, MAO W G, ERIKSSON L. A three-dimensional Dijkstra's algorithm for multi-objective ship voyage optimization[J]. Ocean Engineering, 2019, 186: 106131. doi:  10.1016/j.oceaneng.2019.106131
    [57] MA D F, MA W H, JIN S, et al. Method for simultaneously optimizing ship route and speed with emission control areas[J]. Ocean Engineering, 2020, 202: 107170. doi:  10.1016/j.oceaneng.2020.107170
    [58] SHAO W, ZHOU P L, THONG S K. Development of a novel forward dynamic programming method for weather routing[J]. Journal of Marine Science and Technology, 2012, 17(2): 239–251. doi:  10.1007/s00773-011-0152-z
    [59] 黄连忠, 万晓跃, 孙永刚, 等. 基于模拟退火算法的船舶航速优化研究[J]. 船舶, 2018, 29(增刊 1): 8–17.

    HUANG L Z, WAN X Y, SUN Y G, et al. Research on ship speed optimization based on simulated annealing algorithm[J]. Ship & Boat, 2018, 29(Supp 1): 8–17 (in Chinese).
    [60] SONG Y J, YUE Y X. Optimization model of fleet deployment plan of liners[J]. Procedia Engineering, 2016, 137: 391–398. doi:  10.1016/j.proeng.2016.01.273
    [61] QI X T, SONG D P. Minimizing fuel emissions by optimizing vessel schedules in liner shipping with uncertain port times[J]. Transportation Research Part E: Logistics and Transportation Review, 2012, 48(4): 863–880. doi:  10.1016/j.tre.2012.02.001
    [62] WANG K, YAN X P, YUAN Y P, et al. Optimizing ship energy efficiency: application of particle swarm optimization algorithm[J]. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment, 2018, 232(4): 379–391. doi:  10.1177/1475090216638879
    [63] 马冉祺, 黄连忠, 魏茂苏, 等. 基于实船监测数据的定航线船舶智能航速优化[J]. 大连海事大学学报, 2018, 44(1): 31–35.

    MA R Q, HUANG L Z, WEI M S, et al. Intelligent speed optimization of fixed route ship based on real ship monitoring data[J]. Journal of Dalian Maritime University, 2018, 44(1): 31–35 (in Chinese).
    [64] 刘伊凡, 张剑, 张跃文. 纵倾优化下的船舶能效数值模型[J]. 船舶工程, 2015, 37(12): 31–34, 91.

    LIU Y F, ZHANG J, ZHANG Y W. Numerical model of ship energy efficiency with trim optimization[J]. Ship Engineering, 2015, 37(12): 31–34, 91 (in Chinese).
    [65] 王绪明, 刘维勤, 吴昊, 等. 船舶智能纵倾控制系统[J]. 中国航海, 2018, 41(3): 59–62, 75. doi:  10.3969/j.issn.1000-4653.2018.03.012

    WANG X M, LIU W Q, WU H, et al. Intelligent control system of ship trim[J]. Navigation of China, 2018, 41(3): 59–62, 75 (in Chinese). doi:  10.3969/j.issn.1000-4653.2018.03.012
    [66] 段菲, 张利军, 陈鸽, 等. 基于多目标优化算法NSGA Ⅱ的极地穿梭油轮型线设计[J]. 中国舰船研究, 2017, 12(6): 66–72. doi:  10.3969/j.issn.1673-3185.2017.06.010

    DUAN F, ZHANG L J, CHEN G, et al. Polar vessel hullform design based on the multi-objective optimization NSGA II[J]. Chinese Journal of Ship Research, 2017, 12(6): 66–72 (in Chinese). doi:  10.3969/j.issn.1673-3185.2017.06.010
    [67] 路通. 基于主机油耗模型的船体阻力变化研究[D]. 大连: 大连海事大学, 2018.

    LU T. Study on the change of hull resistance based on oil consumption model of ship's main engine[D]. Dalian: Dalian Maritime University, 2018 (in Chinese).
    [68] 缪爱琴, 万德成. 基于MOPSO算法的船舶兴波阻力多目标优化[J]. 水动力学研究与进展(A辑), 2019, 34(3): 291–298.

    MIAO A Q, WAN D C. Multi-objective optimization of ship wave-making resistance based on MOPSO[J]. Chinese Journal of Hydrodynamics (Ser. A), 2019, 34(3): 291–298 (in Chinese).
    [69] WANG Y Y, CHAI S H, KHAN F, et al. Unscented Kalman filter trained neural networks based rudder roll stabilization system for ship in waves[J]. Applied Ocean Research, 2017, 68: 26–38. doi:  10.1016/j.apor.2017.08.007
  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(5)  / Tables(3)

Article Metrics

Article views(37) PDF downloads(19) Cited by()

Proportional views
Related

Research progress and prospects of ship intelligent energy efficiency optimization key technologies

doi: 10.19693/j.issn.1673-3185.01942

Abstract: Intelligent energy efficiency management, as an important part of the development of intelligent ships, can realize the automatic monitoring, analysis and autonomous decision-making of ship energy efficiency. Therefore, improving the level of ship energy efficiency and intelligence is of great significance. Based on the analysis of the rules and inspection guidelines of ship intelligent energy efficiency management, the current research status of ship energy efficiency optimization methods is systematically analyzed by focusing on the core issues of ship intelligent energy efficiency, including intelligent monitoring and system design, the application of big data on ship intelligent energy efficiency, intelligent optimization algorithms and models of ship energy efficiency. The shortcomings and challenges in the development of ship intelligent energy efficiency are proposed based on the research status, and the future development and research contents of intelligent energy efficiency optimization are prospected to provide reference for the development of the energy efficiency management of intelligent ships.

WANG K, HU W W, HUANG L Z, et al. Research progress and prospects of ship intelligent energy efficiency optimization key technologies[J]. Chinese Journal of Ship Research, 2021, 16(1): 180–192 doi:  10.19693/j.issn.1673-3185.01942
Citation: WANG K, HU W W, HUANG L Z, et al. Research progress and prospects of ship intelligent energy efficiency optimization key technologies[J]. Chinese Journal of Ship Research, 2021, 16(1): 180–192 doi:  10.19693/j.issn.1673-3185.01942
    • 水路运输具有运量大、成本低、环境友好等优势,对国民经济的发展起着重要的支撑作用。随着“交通强国”、“海洋强国”、“一带一路”以及“长江经济带”等国家战略的提出,航运业迎来了新的发展机遇。然而,不断增高的燃料成本以及日益严格的污染气体排放法规给船舶的营运与优化管理带来了诸多挑战[1-2]。船舶的优化管理,需在降本增效的同时实现与环境协调的可持续发展。燃料的消耗既是船舶营运的主要成本,也是污染气体排放的主要来源,而船舶能效优化方法与技术的研究及应用则是降低船舶能源消耗的有效途径[3-4]。此外,随着大数据、人工智能、机器学习等技术的不断发展,以及“E航海”战略的实施,面向智能船舶的智能能效管理技术的研究与应用将是大势所趋。中国船级社于2020年发布了新版《智能船舶规范》,该规范体系主要包括自主操作、远程控制、智能航行、智能船体、智能机舱、智能能效管理、智能货物管理和智能集成平台等几个方面[5]。其中,智能能效管理作为《智能船舶规范》体系的组成部分之一,是以实现船舶能效实时监控、智能评估及优化,进而提高船舶能效管理水平为目的,通过大数据挖掘技术、数值分析及智能优化等技术,来为船舶提供数据评估分析结果与辅助决策建议。智能能效管理的研究与应用对促进船舶的智能化与绿色化发展,以及对市场竞争力的提升具有重要意义[6]。船舶能效智能优化技术与方法的研究及应用,不仅是我国履行国际减排公约的必然要求,也是落实船舶绿色智能发展战略的有效措施,同时,也是航运企业实现降本增效、提升市场竞争力的有效方法。

      本文拟针对船舶智能能效优化方法的核心内容,系统地分析船舶智能能效管理的国内外发展现状,具体包括船舶智能能效管理规范与检验指南、船舶能效智能监控与系统开发、船舶智能能效大数据应用技术研究、船舶智能能效优化模型与智能算法等关键技术,然后在此基础上,提出船舶智能能效发展存在的不足与面临的挑战,并对智能能效优化的未来发展与研究方向做出展望,以期为船舶智能能效优化方法的研究与发展提供参考。

    • 中国船级社发布的《智能船舶规范》明确提出了智能能效管理的相关要求[5],此外,《船舶智能能效管理检验指南》针对智能能效优化的一般要求、能效智能在线监控、航速优化、基于纵倾化的最佳配载等几方面也做了相关要求[7],如图1所示。

      Figure 1.  The inspection guidelines of intelligent energy efficiency management

      “智能能效优化的一般要求”规定,船舶应具有智能能效管理功能标志,包括基于航速优化和纵倾优化的船舶智能能效管理2部分[5]

      所开发的“船舶能效智能在线监控系统”需要实现船舶能效数据的监测、采集、传输、存取,采用数据分析技术对船舶能耗/能效及排放水平进行分析,对能效、能耗进行评估,并在此基础上进行辅助决策,从而优化船舶的能效水平[5]

      此外,针对基于航次计划和经济效益的“航速优化”也分别提出了具体要求。其中,前者根据天气、海况和船舶效率等因素评估其对船舶航速的影响,并在此基础上提出航速优化方法;后者根据船舶的各项营运费用对整个航次的经济效益予以评估,进而进行航行优化决策[5]

      “基于纵倾化的最佳配载系统”需包括数据采集单元、纵倾性能分析基础数据库以及纵倾优化分析功能[5]

    • 随着信息传感及无线通信等技术的不断发展,船舶能效在线监控技术也得到了快速发展。国内外在船舶能效在线监控技术方面开展了大量研究,并相继推出了多种船舶能效监控系统[8],如表1所示。其中,Marorka公司研发的船舶能效监控系统可以对船舶的性能参数进行监控,并能根据船舶营运数据,结合船舶的航次计划、航线特征、能耗评估及航次成本分析等,形成船舶航线、航速和纵倾的优化方案。德国劳氏船级社通过分析船舶吃水及其他因素对油耗的影响,开发了ECO-Assistant软件系统,使船舶操作者能够对主、辅机的能耗状况进行实时监控[9]。Jeppesen Marine公司研发的航行与船舶优化系统软件能够计算CO2的排放量,通过优化航线、选择最佳航速等优化方法,可有效降低船舶油耗。NAPA公司研发的船舶能效管理模块,可以根据所采集的风、浪、流等数据信息,规划最佳航线与最优航速,并制定优化的装载方案。ABB公司推出的船舶能效综合监控系统具有船舶能效监测与优化功能[10]。此外,Devex Mechatronics公司也推出了大型船舶燃油优化控制系统,其通过对螺旋桨、主机转速、不同水域和气象条件下的航行路径进行优化,最终达到了优化船舶能效的目的。在能效管理系统开发方面,国外起步较早,市场占有率相对较高。然而,因船舶能效模型的复杂性以及船舶航行环境的复杂性,使得能效管理系统的应用还处于不断的技术更新和完善升级阶段。

      系统名称研发机构功能与特点
      船舶能效监控系统Marorka公司提出航线、航速、纵倾的优化方案
      ECO-Assistant软件系统德国劳氏船级社监控主、辅机油耗
      航行与船舶优化系统Jeppesen Marine计算CO2减排量,优化航线航速
      船舶能效管理模块NAPA公司可根据风、浪、流信息规划船舶航线与航速,并制定最佳装载方案
      船舶能效综合监控系统ABB公司能效监测与优化
      大型船舶燃油优化控制系统Devex Mechatronics公司优化控制螺旋桨、主机转速及航行路径
      营运船舶能效管理和计算软件系统中国船级社、大连海事大学等对能效进行管理和计算
      船舶能效与通航环境数据监测系统武汉理工大学实时采集船舶航行过程中的通航环境数据
      船舶燃油监控系统中远集装箱运输有限公司辅助管理者及时发现燃油消耗异常并做出反应
      中远集运能效管理系统上海海事大学[14]从海运企业能效管理角度出发进行系统架构和功能设计
      基于北斗导航的船舶油耗监测系统集美大学[15]实现渔船的油耗监测
      面向能效优化的船舶航速管理系统中海网络科技股份有限公司[16]结合航行状态及气象水文信息,对航速进行迭代优化
      基于辅机节能的能耗综合管理系统中国舰船研究设计中心[17]实时优化辅机运行状态

      Table 1.  Developed energy efficiency monitoring system

      在国内,中国船级社与大连海事大学等单位合作开发了营运船舶能效管理和计算软件系统,包括船舶能效数据库、应用系统软件、船载数据采集与管理软件等。武汉理工大学在内河旅游船“凯娅”轮上搭建了船舶能效与通航环境数据监测系统,此系统可以对船舶的主机油耗、轴功率、船舶对水航速,以及相对风速、航道水深等通航环境数据进行实时的采集与监控[11-12]。此外,中远集装箱运输有限公司也推出了船舶燃油监控系统[13],该监控系统通过应用多种信息技术,可使船舶管理人员及时接收燃油消耗异常信息并能对此进行定量分析,然后通过制定科学的调整方案,减少船舶能源消耗。郑士君等[14]设计了一款中远集运能效管理系统,用以实现航运企业能效的优化管理,主要包括能效数据的采集与计算等。熊林[15]基于北斗导航技术,研发了船舶油耗监测系统。苏一等[16]提出了面向能效优化的船舶航速管理系统,该系统能够决策船舶的经济航速,并能基于航线、航速及气象水文等信息实现船舶航速模型的不断迭代优化,从而达到节能减排的目的。阳世荣[17]围绕辅机节能问题研发了能耗综合管理系统,实现了船舶辅机能耗的实时管理与优化控制。

      然而,上述能效监控系统大多只具有对能耗设备和航行状态等参数的监控功能,尚未建立船舶能效与航行数据之间复杂的逻辑关系,以及基于实时数据的能耗指标分析、评估与预测。因此,有必要研发基于大数据分析和智能优化算法的船舶能效智能监控系统,提高船舶能效优化管理的智能化水平,从而降低船舶能耗与污染气体的排放量[18]。能效智能监控旨在通过对船舶航行状态、能耗状况的在线监测,以及数据的自动采集,对船舶能效状况、航行及装载状态等进行自主评估,并通过大数据分析及优化技术,给出评估分析结果和辅助决策建议,包括船舶最佳航速、最佳航线与基于最佳纵倾的船舶优化装载方案等。

      近年来,国内外又相继研发出了具有不同功能特点的船舶智能能效管理系统,如表2所示。其中,Rolls Royce公司研发的智能能效管理系统通过运用智能算法,可降低船舶的能耗与营运成本,并通过运用大数据技术对机舱设备进行分析,可向船东提供维修和更换的辅助决策建议,进一步降低了船舶能耗,使得船舶的能效监测、设备寿命预测的智能化水平得到了较大提升。SeaTechnik公司推出的船舶能效监控系统可对船舶性能和航行数据进行实时的监控和在线分析,并根据所得到的分析结果优化船舶航行性能。

      系统名称研发机构系统特点
      智能能效管理系统 Rolls Royce公司 运用智能算法和船舶大数据技术,可进一步降低船舶油耗
      船舶能效监控系统 SeaTechnik公司 实时监测船舶性能及航行数据,在线分析关键性能指标和趋势
      船舶能效在线智能管理系统 中国船级社、大连海事大学 提供面向船舶航行能效的综合智能优化方案
      船舶能效智能管理系统 沪东中华有限公司 可针对耗能设备计算单位距离的燃油消耗量、碳排放量,并提供相关的辅助决策
      船舶智能能效管理系统 江苏杰瑞深软科技有限公司 分为低级功能和高级功能,强化了系统的软、硬件及功能模块,具有较好的性能

      Table 2.  The intelligent energy efficiency monitoring systems

      在国内,中国船级社与大连海事大学等单位联合开发了船舶能效在线智能管理系统,该系统旨在提供面向船舶航行能效的综合智能优化方案。此外,由沪东中华有限公司自主设计并建造的中远海运“乞力马扎罗”号,是中远海运集团获得的首艘经中国船级社(CCS)认证的智能能效管理船舶,其通过对船舶能效进行监测,一方面可以得到主要能耗设备的能耗水平,另一方面可以为船舶能效优化提供辅助决策[19]。江苏杰瑞深软科技有限公司研发的船舶智能能效管理系统具有低、高两级功能,其通过采用数据关联分析、数据模型与算法等技术,实现了船舶能效和CO2排放等数据的分析、评估及预测[20]

      目前,船舶能效智能控制系统的研发尚处于发展阶段,有待开发出更为成熟的产品,并进行产业化推广使用。此外,所开发的能效智能控制系统只实现了部分智能能效管理功能,尚未形成集数据挖掘分析、模型参数自学习、动态智能决策于一体的船舶能效智能优化管理系统,在大数据挖掘分析与可视化、自学习、自修正,以及自主决策等方面还有待进一步的深入研究,船舶能效监控系统的智能化水平还有待进一步提升。作为船舶智能化发展的重要组成部分之一,搭载先进智能算法的船舶能效综合管理系统研发是船舶智能能效管理发展的重要方向。

    • 大数据技术是通过对大量的各种类型数据进行分析与挖掘来获得更多的潜在知识,以辅助信息获取和决策的技术[21]。大数据技术主要包括大数据采集、大数据处理、大数据存储、大数据分析与挖掘,以及大数据展示与可视化等[22]。通过实时监测对象在运行过程中产生的海量数据,采用大数据分析技术对所获取的数据进行深入的挖掘和分析,可揭示出事物的发展规律以及关联关系,从而给出分析结论与辅助决策。大数据技术的意义在于通过对大量数据进行分析与挖掘,揭示事物之间的复杂关系或预测事物的发展趋势,从而得出研究结论并进行辅助决策。与传统的数据挖掘方法相比,大数据可以更加全面、准确、客观地揭示事物之间的关联关系[23]

    • 随着航运界对船舶智能能效优化技术研究的逐步深入,大数据技术在船舶能效优化管理方面的应用已是大势所趋。在基于大数据分析的船舶智能能效优化管理方面,国内外学者已探讨了大数据的采集与处理,以及其在船舶营运状态监测与分析、船队船舶优化管理决策等方面的应用。

      在船舶能效大数据处理方面,万辉等[24]针对内河船舶大数据的关键技术进行了探讨,其通过分析船舶各数据间的关联关系,确定了内河船舶大数据的建设内容,提出了大数据的处理方法,为内河船舶大数据的获取与分析奠定了基础。Klaveness Digital公司开发了基于云计算的数字化平台,主要用于存储和处理船舶营运大数据。该平台能够将多个数据源的船舶营运数据存储于一个中心平台,便于数据的共享及新数字化解决方案的开发[25]。该平台还可实现船队性能的实时展示,具备分析船舶性能发展趋势、检测船舶性能异常等功能。马士基航运基于该大数据分析平台,采用大数据技术对获得的大量数据进行处理与分析,推出了新的服务模式和管理理念,获得了客户的普遍认可,有效提升了其经济效益和市场竞争力。

      在基于大数据的船舶能效监测与分析方面,Perera等[26]构建了以船舶引擎为中心的数据流程,如图2所示(图中,x(t)为采集的时间序列信号;y(t)为处理后的时间序列信号),可以方便地处理大规模数据集。其通过收集船舶性能和导航数据,采用大数据技术对不同优化控制措施下的船舶能效水平进行了分析。Bocchetti等[27]基于实船监测数据建立了多元线性回归模型,能有效预测船舶能耗。林俊等[28]在分析船舶能效监控需求的基础上,设计了面向船舶能效优化管理的大数据监控平台,提出了相应的技术指标及实验验证方案,并对船舶能效大数据监控平台的实施进行了论证分析。谢云鹏等[29]建立了基于大数据技术的船舶油耗监测系统,为船舶营运的优化管理提供依据,从而可以有效提高船舶的能效管理水平。孙峰等[30]采用k-means聚类算法,对大量船舶航行数据进行聚类分析,得到了船舶主机在不同转速时其负荷和油耗率的变化规律。此外,充分考虑主机转速、航行环境、船舶装载、航行时间约束,以及港口运行效率等因素对船舶能效的影响,基于获取的航行环境、船队船舶营运状态和能耗等数据,通过采用大数据关联规则算法、主成分分析法等,可以挖掘影响船舶能效的主导要素,分析各主要影响要素与船舶能效间的动态响应关系,可为考虑多影响因素的船队船舶能效模型与经济效益模型研究奠定基础,从而提高船队船舶的能效水平和经济效益。

      Figure 2.  The big data flow of the ship energy efficiency[26]

      在基于大数据分析的船队船舶能效优化管理方面,Adland等[31]以超大型原油运输船队为对象,分析船队营运数据,提出了一种面向船队优化管理的航速优化方法。Coraddu等[32]基于大量的实船营运数据,通过将船舶的排水量、航速,以及风、浪等参数视为随机变量,采用蒙特卡罗方法计算了船舶的能效营运指数。Lee等[33]基于通航环境大数据分析,通过引用燃油消耗理论计算公式,提出了可有效降低船舶能耗的航速优化方法。韩佳彤[34]通过采用大数据分析技术,提出了一种船舶航线智能优化方法,其通过地理信息数据的获取及船舶航行知识数据库的建设,通过对典型航线上的历史大数据进行挖掘分析,提出了港口到港口、任意点到港口、任意点到任意点的最优航线决策方法,从而优化了船舶的能耗水平。Yan等[35]采用适用于大数据分析的并行分布式k-means聚类算法,实现了对航线上航段的划分,其基于自主开发的大数据分析平台,分析了长江航线通航环境的分布特征,并提出了基于通航环境大数据航段划分的船舶能效优化方法,提高了船舶的能效水平。

      虽然大数据技术在船舶智能能效优化应用方面已有探索性研究,但尚存在问题和挑战:首先,目前还没有形成系统的船舶能效大数据使用标准与应用体系;其次,基于大数据分析的船舶智能能效优化相关研究理论和技术体系尚不成熟,在船舶能效与通航环境时空特征分析、船舶能效与通航环境数据关联关系挖掘,以及基于在线学习的通航环境和船舶运行工况预测模型等方面,还有待进一步深入研究。

    • 智能优化模型与智能算法在船舶能效优化管理中的应用主要体现在船舶能效评估与预测、航线智能优化、航速智能优化,以及面向能效提升的船体与纵倾优化几个方面[36]

      在船舶能效评估与预测方面,Yan等[37]基于实船采集的能效数据,建立了用于评估船舶能效水平的神经网络模型,可以实现船舶能效的预测与评估。Yuan等[38]将人工神经网络和高斯过程应用于船舶能耗评价并进行了实验,结果表明速度优化可以有效减少船舶能耗,考虑天气的路径优化和纵倾优化也可以降低船舶能耗。Bal Beşikçi等[39]以油船为对象,基于船舶的正午报告数据,建立了基于人工神经网络的能效预测模型与决策系统。Pagoropoulos等[40]提出采用支持向量机的方法实现船舶能效评估,验证结果显示所提方法有效。Lu等[41]通过建立不同载荷、速度和浪向的船舶运行性能模型,对SuezMax油轮的燃料消耗进行了智能化预测,其通过预测结果来指导船舶优化航行,达到了降低船舶能耗的目的。Wickramanayake等[42]系统地分析了基于机器学习方法的船舶能耗预测,其针对多变量时间序列的舰队能耗预测问题,比较了基于随机森林、梯度增强及神经网络方法的有效性,结果表明,采用随机森林技术可以获得更为准确的预测结果。Alonso等[43]采用人工神经网络与遗传算法相结合的方法,对船舶柴油机的性能予以了优化,试图找出满足最严格排放法规的参数配置,以减少船舶的燃料消耗。Tillig等[44]使用蒙特卡罗方法和通用船舶能源系统模型,在船舶全生命周期的各个阶段对船舶燃料消耗预测的不确定性进行分析,结果显示能降低油耗预测的不确定性,提高了船舶油耗监测和预测的智能化水平,对减少船舶能源消耗具有重要的促进作用。在船舶能效预测方面,Yang等[45]提出了基于遗传算法的灰箱模型,解决了天气因素的限制,并与基于时序参数估计的灰箱模型进行了比较,结果表明,该算法具有更高的船舶能效预测准确性,可有效减少污染气体的排放。王胜正等[46]建立了交替稀疏自编码网络模型,其训练过程如图3所示,通过采用关联规则算法对航行数据进行特征选择,预测了海洋环境对船舶航行的影响,所提出的网络模型不仅可以减少训练时间,而且能提高预测精度。图3中,xim为第ii=1, 2, ···, n)个样本的第m个属性;hl, j为第l层的第jj=1, 2, ···, sl)个神经元输入,其中sl为第ll=k−1, k−2, ···, 2)层的神经元总数,k为网络总层数;am为训练隐藏层1的第m个神经元输出;csl为训练隐藏层2的第sl个神经元输出;${\hat y_i}$为第i个样本的预测输出。

      Figure 3.  Training process of alternating sparse self-coding network model[46]

      在船舶航线智能优化方面,定期对船舶营运能效和经济效益进行综合评估,并根据评估结果对船舶航线和航线上船队的配置进行优化调整,是提高船队船舶能效的有效途径。王寰宇[47]基于船舶在风浪中失速值的时间序列,通过采用聚类分析算法,实现了船舶航段的合理划分,并在此基础上提出了基于模拟退火算法的船舶航速分段智能优化算法,通过此算法,实现了目标船的航速优化。Marie等[48]采用模糊逻辑方法建立了船舶能耗模型,并采用多目标遗传算法决策出了船舶的优化航线。Wang等[49]建立了考虑多环境因素的船舶能效模型,并采用粒子群优化算法实现了船舶航线优化以及不同航段的航速优化,通过航线和航速的联合优化取得了较好的能效优化效果。Lazarowska[50]将蚁群算法应用于船舶导航决策支持系统,实现了公海及限制水域船舶航行路径的科学规划。Meng等[51]通过采用非循环网络上的最短路径算法,建立了基于场景的动态编程模型,有效解决了班轮集装箱运输公司的多期船舶规划问题。Sen等[52]基于Dijkstra最短路径算法建立了船舶航线优化模型,并验证了该算法和模型的有效性。刘浩等[53]提出了一种新型的船舶航线规划方法,其采用遗传算法实现了船舶航线的有效规划。Zhang等[54]提出了一种基于大数据驱动的自动航线优化方法,其在航线数据分析的基础上,通过采用具有噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法和蚁群算法,实现了船舶最优航线的自动规划。Zaccone等[55]提出了一种考虑气象因素的船舶航行三维动态规划方法,可有效提高船舶航行安全性,降低船舶能耗水平。Wang等[56]和Ma等[57]通过采用Dijkstra算法,实现了考虑多因素、面向多优化目标的船舶航行优化决策,不仅可以提高船舶的安全性和能效水平,还满足排放法规要求。Shao等[58]提出了一种新的应用于气象定线的动态规划方法,如图4所示,与传统方法相比,该方法不仅能优化船舶航向,而且对船舶功率也进行了优化;分析结果表明,此方法降低了船舶约3%的油耗,还减少了船舶航行时间。

      Figure 4.  The dynamic programming method for weather routing[58]

      在船舶航速智能优化方面,黄连忠等[59]通过建立船舶主机能耗模型,采用模拟退火算法决策出了所划分不同航段的船舶最佳航速与主机转速,降低了船舶能耗水平。Song等[60]建立了一个双目标的船队优化部署模型,通过采用遗传算法模型,获得了最终的优化方案,并通过实例验证了模型的有效性。Qi等[61]建立了基于船舶能耗和服务水平的多目标优化模型,其通过不同港口操作时间来决策船队的最佳运行方案,最终使船队总能耗达到最少。Wang等[62]研究了基于粒子群优化算法的船舶能效优化方法,其以LNG双燃料船舶为研究对象,建立了船舶能效与运行安全性多目标优化模型,分析了不同运行工况下的船舶能效水平与安全性,通过采用群智能粒子群优化算法,实现了不同运行工况下的船舶主机转速优化,从而在保证船舶营运安全的条件下提高了船舶能效水平。马冉祺等[63]提出了定航线船舶的航速智能优化方法,其基于实船监测数据,采用离散化思想建立了船舶航速优化模型,并通过遗传算法实现了航速的优化决策,有效降低了船舶能耗水平,如图5所示。图中,L0为所划分的第1个航段的起始点;Lii=1, 2, ···, 12)为所划分的第i个航段的终点,同时也是第i+1个航段的起始点;ni为第i个航段的船舶主机转速;Qi为第i个航段的船舶油耗量。

      Figure 5.  The intelligent speed optimization for given route ship[63]

      在最佳纵倾与船体优化方面,刘伊凡等[64]基于Fluent数值计算和Simulink建模仿真方法,建立了船舶数值仿真模型和基于“转速−航速−能效营运指数”的船舶能效准稳态仿真模型,分析了不同条件下船舶纵倾变化对其营运能效的影响。王绪明等[65]研制了一套船舶智能纵倾控制系统,其通过设计控制算法来调节船舶前、后舱压载水量,以此对船舶纵倾角进行智能控制,达到了优化船舶能效的目的。段菲等[66]采用非支配排序遗传算法对船体型线进行优化,并针对极地船舶提出了一种多目标优化方法,该方法将船舶无冰静水阻力和冰区航行阻力作为优化目标,根据极地船舶排水量指标和船舶能效设计指数对船型进行了智能优化。路通[67]依据船舶航行历史数据,通过采用粒子群算法优化摩擦增量系数等参数,提高了主机能耗模型的准确性,并在此基础上建立了船体污损退化模型,可以为船舶坞修时间提供辅助决策。繆爱琴等[68]基于多目标粒子群优化算法(multi objective particle swarm optimization,MOPSO)对船型的阻力性能予以了优化,其以船型变换参数为优化变量,以兴波阻力为优化目标,通过采用MOPSO算法对多目标优化模型进行求解,获得了系列优化船型,最终提高了船舶能效水平。Wang等[69]设计了一种基于径向基函数神经网络控制算法的舵侧倾稳定系统,该系统搭载了包含机动特性和波浪扰动的非线性数学模型,船舶动态响应分析结果显示,所设计的控制系统在减少波浪中船舶的侧倾运动方面与基于反向传播神经网络的控制系统和比例微分控制系统相比具有明显优势。

      智能优化算法及其在船舶能效智能优化中的应用如表3所示。其中,遗传算法、粒子群优化算法、蚁群算法及模拟退火算法等属于群智能算法,是一种基于群体叠代的寻优算法,适于求解非线性的优化问题,因此在解决船舶航速优化、航线优化、船型优化以及船体阻力优化等船舶智能能效优化问题方面有着广泛的应用。然而,对于不同的优化问题,各算法的优化效果及应用效果还有待进一步的对比分析,通过开展各优化算法对不同优化问题的适用性分析,可以选择最佳的智能优化算法。人工神经网络、随机森林算法、支持向量机等算法可以实现船舶能耗及能效的预测与评估,作为船舶能效优化的重要基础,可以实现船舶能效的智能优化。同样地,有关不同智能算法实现船舶能耗及能效预测的效果还有待进一步的对比验证分析,以便确定最佳的能耗预测智能算法。此外,采用蒙特卡罗算法可以实现能耗预测的不稳定性分析。采用动态规划算法可以实现基于实时信息的船舶能效的动态优化,从而提高船舶能效的优化精度和优化效果,规避静态优化信息更新不及时的缺点。关联规则算法可以发现数据项集之间的关联关系或相关关系,在海洋环境对船舶航行的影响研究中,使用关联规则可以挖掘环境数据与航行数据之间的相关性,从而分析航行环境对船舶能效的影响,为考虑航行环境的能效模型建立与优化奠定基础。聚类算法作为一种无监督学习算法,可以将具有相似特征的样本划分为同一类,进而实现基于相似性样本的划分。对于船舶航速的智能优化,采用聚类算法可以将航线进行合理划分,使不同航段具有不同航行环境特征,从而为基于航段划分的船舶航速智能优化研究奠定基础。

      算法名称智能能效优化应用算法名称智能能效优化应用
      遗传算法 船舶能效优化[43] 人工神经网络 船舶能效预测[36-37, 39]
      提高能效预测准确性[45] 船队能耗预测[42]
      航速优化[63] 船舶能效优化[43]
      航线优化[48, 53] 船舶能耗评估[38]
      船型优化[66] 船舶航行稳性优化[69]
      粒子群优化算法 航速优化[62] 随机森林算法 舰队能耗预测[42]
      提高能耗模型准确性[67]
      多目标粒子群优化算法 航线优化[49] 支持向量机 船舶能效评估[40]
      船体阻力优化[68]
      蚁群算法 航行路径优化[50]
      船舶航线优化[54]
      动态规划算法 航行路径优化[51-52, 58]
      船舶能耗优化[55]
      船舶多目标优化[56-57]
      模拟退火算法 航速分段优化[47] 蒙特卡罗仿真 能耗预测不稳定性分析[44]
      航速与主机转速决策[59]
      聚类分析算法 航段划分[47] 关联规则算法 环境对船舶航行的影响[46]
      船舶航线优化[54]

      Table 3.  The intelligent optimization algorithms and their application

      虽然国内外学者已对智能优化算法及优化模型在船舶智能能效管理中的应用予以了探索,但尚未形成集数据挖掘分析、模型参数自学习、动态智能决策于一体的船舶能效智能优化方法体系,缺少集数据分析、自学习、自更新、自决策、滚动优化于一体的船舶能效智能优化集成算法,因此,需要开展基于大数据分析与机器学习技术的船舶能效动态智能优化算法的开发。所开发的算法应具有自学习、自改进和持续优化的功能,从而不断提高船舶智能化水平。此外,对于已有的群智能启发式求解算法,如遗传算法、蚁群算法等,还需进一步优化改进,并需结合船舶航行优化的实际问题,与神经网络、决策树等机器学习算法进行深度融合,从而实现集数据分析、自学习、自更新、自决策、滚动优化于一体的船舶智能能效优化方法体系,促进船舶智能能效优化管理方法与策略的不断发展和成熟。

    • 在船舶绿色化、高效化、智能化发展的大背景下,船舶智能能效优化方法研究引起了业界的广泛关注。目前,船舶智能能效优化管理研究主要是在智能能效管理规范与检验指南的大框架下研发船舶能效智能监控系统,实现船舶航行状态、能效状态数据的自动采集和在线监测;通过大数据分析技术评估船舶能效状态水平,分析船舶能效的主要影响因素和内在关联关系;并在此基础上,运用大数据分析和人工智能等先进的技术与方法,实现船舶能效的自学习、自评估与自预测,通过建立基于智能优化算法的船舶营运优化模型及决策算法,实现船舶航速优化、航线优化、纵倾优化等自主决策,达到能效使用最大化和能效管理智能化的目的。虽然国内外对船舶智能能效优化管理的相关核心内容已进行了相关的探索性研究,但仍存在如下问题与挑战:

      1) 在能效大数据分析与应用方面,当前围绕船舶能效的研究仍偏重于数据采集,且对采集的数据缺少充分的特征分析以及不确定性评估;此外,当前研究大多还是基于数据的简单清洗与预处理,对采集数据的特征规律未能进行有效、深入的挖掘分析,在基于实测数据的船舶航行状态辨识、能效状态评估、能效数据关联关系分析,以及时空分布特征挖掘分析等方面还有待进一步深入研究。

      2) 在智能优化算法与优化模型方面,现有模型所考虑的影响因素不够全面,所建立的模型没有综合考虑多要素的综合影响,对多环境要素与“船体阻力-螺旋桨-主机”的动态响应机理缺乏深入研究;此外,在当前研究中,船体阻力、功率与油耗等模型大多是基于经验公式计算得到,且参数是固定的,而不同环境条件下船-机-桨动态特性的差异会导致不同条件下船舶能效模型参数有所不同,但目前的研究并未采用有效方法对模型参数进行基于实时信息的在线辨识与滚动优化,模型精度有待进一步提高;另外,当前研究大多是基于历史数据进行船舶能效建模与静态优化方法的研究,没有考虑多影响要素的时变性和空间差异性,对基于实时信息的船舶能效动态优化方法研究,特别是智能优化算法的开发还有待进一步深入。

      3) 在智能能效系统开发方面,国内外关于能效综合管理智能控制系统的研究尚处于发展阶段,未形成成熟的智能化产品及产业化推广应用;此外,所研发的系统大多只具备主要耗能设备、航行状态等参数的监测功能,尚未建立船舶能效与航行数据之间的动态响应关系,在基于实时数据的船舶能效指标分析、评估与预测,以及船舶航行优化自主决策等功能方面还有待进一步提升和完善。

      基于船舶智能能效规范要求,以及当前船舶智能能效管理面临的问题与挑战,对船舶智能能效优化的核心内容进行了如下展望:

      1) 在能效大数据分析与应用方面,需加强大数据分析与挖掘技术在船舶智能能效应用方面的广度与深度,进一步探索和分析基于大数据的船舶能效优化方法与优化潜力,采用先进的大数据分析理论与方法不断推进船舶智能能效优化管理技术的发展。在分析船队船舶能效主要影响因素的基础上,通过获取航行环境信息、船队船舶营运状态和能耗等大量数据,采用大数据挖掘、数值仿真与智能优化相结合的方法分析船舶主机转速、航行环境、船舶装载、航行时间,以及港口运行效率等多因素对船队船舶能效的影响,并在此基础上构建考虑多因素影响的船队船舶能效动态智能优化决策算法,实现船队船舶能效的智能优化管理,包括最优航速、航线、最佳装载等的智能决策,从而提高船队船舶的能效水平和智能化水平。

      2) 在智能优化算法与优化模型方面,需综合考虑风、浪、流、船舶装载等多影响因素的时空差异性和复杂多变性,对多影响要素和船舶能效数据进行深入的挖掘分析,探究船舶能效数据的分布规律和数据之间的关联关系;此外,通航环境的复杂多样性使得不同通航环境下的船舶运行状态以及船舶推进系统的工作特性具有较大差异,因此,有必要建立基于实时数据驱动的多环境要素耦合作用下的船舶能效在线模型,实现基于大数据在线学习的船舶能效模型参数的自更新与自优化;另外,船舶在航行过程中风、浪、流等随机环境因素的不断变化使得不同时刻船舶的运行工况也在不断变化,船舶能效的智能优化应根据实时的多源信息及动态优化模型实现自动求解与决策,通过设计高效智能优化算法,对优化模型进行动态寻优求解,可以充分考虑多环境要素的时变性,实现船舶能效的动态智能决策。

      3) 在智能能效系统开发方面,需开发集船载能效数据采集系统与岸基能效数据分析平台于一体的船舶能效综合智能优化管理系统。所开发的系统需能实现船载能效数据采集系统与岸基能效数据分析平台的无缝连接,其中,船载能效数据采集与监控系统通过安装在船舶上的相应传感器来获得通航环境、船舶能效等数据,并通过远程传输模块传送至岸基能效数据分析平台,从而为更深入的数据分析和优化方案研究奠定数据基础。所开发的船舶智能能效管理系统需搭载先进的大数据分析及智能优化模型与算法,从而实现船舶能效多源异构数据信息的在线监测和存储、船舶能效状态评估,以及基于智能优化算法的船舶航行优化决策。通过开发集数据分析、自学习、自更新、自决策、滚动优化于一体的船舶能效智能优化管理系统,最终实现船舶能效的智能优化管理,达到船舶节能减排的目标。

Reference (69)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return