[发明专利]理论模型加自动采集数据的船舶营运油耗模型建立方法

说明书

本发明理论模型加自动采集数据的船舶营运油耗模型建立方法，包括如下步骤：S1：船舶营运油耗理论模型建立：分三个模型部分建立油耗理论模型：船舶的静水航速功率曲线；风浪中航速功率对应关系；船舶的主机油耗率曲线。S2：自动采集数据及数据处理。S3：数据筛选：预处理后的数据分成小风浪稳定航行数据、一般风浪稳定航行数据和主机稳定运行数据三个数据部分，进行针对性的筛选。S4：根据筛选的数据调整油耗理论模型，根据S3筛选的三个数据部分，分别对对应的三个模型部分进行针对性调整，得到最终的油耗理论模型。本发明能够反映船舶的当前实际营运油耗情况，提高模型预报准确性和稳定性。

技术领域

本发明涉及船舶技术领域，具体涉及理论模型加自动采集数据的船舶营运油耗模型建立方法。

背景技术

船舶运输因其运量大、成本低等优点而发展成为国际贸易中最重要的运输方式之一，80％以上的国际货物通过海运完成，其中船舶的燃油量在船舶的整个营运成本中所占的比例非常高。因此，船舶油耗的预测是船舶日常营运中的一个关键问题，是船舶进行经济性评估、航线优化、航速优化、油耗异常预警等的基础。但是，由于船舶的实际营运条件复杂，要实现船舶油耗的准确预报较为困难；同时实际营运中船舶性能是在不断变化的，比如船体会积累污底造成性能下降，主机等主要设备的老化造成油耗上升，船舶定期进坞维修又会使得性能得到改善油耗降低。所以需要对船舶的实际营运数据进行分析，建立船舶油耗预测模型，实现船舶油耗准确预测。目前许多船舶装备了数据自动采集监测系统，利用监测的船舶状态和外部环境的主要参数，使得更准确的船舶营运油耗模型的建立成为可能。

目前有利用营运监测数据、运用各种机器学习方法建立油耗模型的技术方案，然而这种方案建立的模型存在如下问题：如果使用少量特征参数进行学习，则模型不够准确；如果使用大量特征参数进行学习，会出现过拟合现象，模型的泛化能力不强，不能实现此前未遭遇的风浪条件的准确预测；此外，该方案由于采用纯数据学习方法，往往模型结果不稳定可控，可能出现风浪更大油耗反而降低等物理上存在矛盾的结果，可解释性差，且难以进行针对性的调整。

发明内容

本发明解决现有技术方案存在的运用少量特征参数进行学习模型不够准确大量特征参数进行学习模型过拟合的问题，提供理论模型加自动采集船舶营运数据分析建立船舶营运油耗模型，使得油耗的预测更加准确、稳定。

本发明要求保护的技术方案如下：

理论模型加自动采集数据的船舶营运油耗模型建立方法，包括如下步骤：

S1：船舶营运油耗理论模型建立：分三个模型部分建立油耗理论模型：模型部分1是船舶的静水航速功率曲线，反映船舶风浪极小时各吃水下航速功率对应关系；模型部分2是风浪中航速功率对应关系，即根据船舶风浪中功率增加计算方法，得到风浪造成的主机功率增加，结合模型部分1静水航速功率曲线，获得船舶在实际风浪中航速功率对应关系；模型部分3是船舶的主机油耗率曲线，即主机不同功率下的单位时间发出单位功率的油耗，结合模型部分2船舶风浪中航速功率对应关系，得到船舶风浪中航速油耗对应关系，即油耗理论模型。

S2：自动采集数据及数据处理：自动监测船舶状态和外部环境，自动采集船舶状态和外部环境的主要参数的实时数据，并对数据进行预处理。

S3：数据筛选：预处理后的数据分成小风浪稳定航行数据、一般风浪稳定航行数据和主机稳定运行数据三个数据部分，进行针对性的筛选。

S4：根据筛选的数据调整油耗理论模型：根据S3筛选的三个数据部分，分别对对应的三个模型部分进行针对性调整，得到最终的油耗理论模型。

优选地，S2所述的对数据进行预处理，指对自动采集的数据进行清洗和修补，通过插值、前填充、后填充等方法解决数据采集频率造成的缺失，去除难以修补的部分信号缺失数据；并对数据进行平均化处理，所述主要参数包括船舶吃水、对水航速、主机功率、主机转速、主机油耗、水深、风速、风向、浪高、浪向等。