[发明专利]一种无人船能效智能优化仿真系统及方法

权利要求书

1.一种无人船能效智能优化仿真系统，其特征在于，包括：

船端数据采集单元，该单元能够实时采集在航船舶的船端数据，并在本地备份存储的同时传输至岸基能效监控单元，其中，所述船端数据至少包括在航船舶的通航环境数据、航行姿态数据和船舶能效数据；

岸基能效监控单元，该单元能够存储船端数据，同时进行数据分析与评估处理以获取与所述船端数据相对应的评估结果并显示，所述的评估结果包括船端数据的时序与趋势预测结果、船端数据的数据关联分析结果以及船端数据的能效状态水平评估结果，其中，所述的船端数据的数据关联分析结果包括船舶通航环境、船舶主机转速和船舶油耗的关联关系分析结果；

和岸基能效智能决策仿真单元，该单元能够存储所接收到的数据，并获取不同航行环境和运输需求条件下的船舶航行自主智能决策结果，以确定智能决策结果，即船舶的最佳航速和航向；同时还能够实现船舶航速和航向的优化控制仿真并进行实时显示；

所述岸基能效监控单元包括第一数据通信模块、第一数据存储模块、数据分析模块和第一数据可视化模块；所述第一数据通信模块能够接收船端数据并发送至所述第一数据存储模块；所述第一数据存储模块能够存储所述船端数据；所述数据分析模块能够对所述船端数据进行分析与评估处理，以获取与所述船端数据相对应的评估结果并显示，所述的评估结果包括船端数据的时序与趋势预测结果、船端数据的数据关联分析结果以及船端数据的能效状态水平评估结果，所述第一数据可视化模块能够对所述数据分析模块输出的分析与评估处理结果进行显示；其中，所述数据分析模块包括时序与趋势预测分析子模块、数据关联分析子模块和能效状态水平评估分析子模块，所述时序与趋势预测分析子模块能够对所述船端数据进行时序与趋势预测分析，以获取船端所对应的通航环境与船舶运行工况的实时预测数据即时序与趋势预测结果，所述数据关联分析子模块能够对所述船端数据进行数据关联分析以获取通航环境、船舶主机转速和船舶油耗的关联关系，所述能效状态水平评估分析子模块能够对所述船端数据进行能效状态水平评估分析，获得不同航行状态下的船舶能效状态评估结果；所述时序与趋势预测分析子模块对所述船端数据进行时序与趋势预测分析的过程即为通过建立通航环境与船舶能效历史数据时序模型和船舶航行过程中的通航环境与船舶运行工况变量的在线预测模型来实现通航环境与船舶运行工况的实时预测的过程；

其中，建立通航环境与船舶能效历史数据时序模型具体包括：A1、建立通航环境数据和运行工况数据的时间序列，各自对应的公式如下式(1)～式(5)所示：

V_water＝{V_{water_1},V_{water_2},...,V_{water_n-2},V_{water_n-1}}       (1)

V_wind＝{V_{wind_1},V_{wind_2},...,V_{wind_n-2},V_{wind_n-1}}       (2)

D_wind＝{D_{wind_1},D_{wind_2},...,D_{wind_n-2},D_{wind_n-1}}       (3)

h_wave＝{h_{wave_1},h_{wave_2},...,h_{wave_n-2},h_{wave_n-1}}       (4)

V_sail＝{V_{sail_1},V_{sail_2},...,V_{sail_n-2},V_{sail_n-1}}         (5)

式中，V_water表示水流速度，V_wind表示风速，D_wind表示风向，h_wave表示浪高，V_sail表示船舶航行速度，n表示第n个时间步长；V_{water_1}表示第1个时间步长所对应的水流速度数据，V_{water_n-1}表示第n-1个时间步长所对应的水流速度数据；V_{wind_1}表示第1个时间步长所对应的风速数据，V_{wind_n-1}表示第n-1个时间步长所对应的风速数据，D_{wind_1}表示第1个时间步长所对应的风向数据，D_{wind_n-1}表示第n-1个时间步长所对应的风向数据，h_{wave_1}表示第1个时间步长所对应的浪高数据；h_{wave_n-1}表示第n-1个时间步长所对应的浪高数据；V_{sail_1}表示第1个时间步长所对应的船舶航行速度数据，V_{sail_n-1}表示第n-1个时间步长所对应的船舶航行速度数据；

A2、建立船舶航行过程中的通航环境与船舶运行工况变量的在线预测模型，其具体包括：建立与各所述通航环境数据和运行工况数据的时间序列相对应的神经网络预测模型，基于通航环境数据和运行工况数据历史数据分别建立多个神经网络预测模型，基于所述神经网络预测模型获取通航环境和船舶运行工况预测模型，其中，所述神经网络预测模型包括水流速度神经网络预测模型、风速神经网络预测模型、风向神经网络预测模型、浪高神经网络预测模型和船舶航速神经网络预测模型；

A3、基于所述通航环境和船舶航速预测模型，确定当前所采集到的数据对应的预测结果，即若采集到水流速度数据，则其在第n个时间步长的预测结果为：

式中，为A2中经训练后的水流速度神经网络预测模型；

即若采集到风速数据，则其在第n个时间步长的预测结果为：

式中，为A2中经训练后的风速神经网络预测模型；

即若采集到风速数据，则其第n个时间步长的预测结果为：

式中，为A2中经训练后的风向神经网络预测模型；

即若采集到浪高数据，则其在第n个时间步长的预测结果为：

式中，为A2中经训练后的浪高神经网络预测模型；

即若采集到船舶航速数据，则其在第n个时间步长的预测结果为：

式中，为A2中经训练后的船舶航速神经网络预测模型。