吳 樺 陳 陸 程 雯
(武漢郵電科學(xué)研究院 武漢 430074)
數(shù)據(jù)顯示,在國(guó)際對(duì)外貿(mào)易中,超過90%的貨物量是由水路運(yùn)輸完成。水路運(yùn)輸單位耗能小,運(yùn)輸量大,運(yùn)輸距離遠(yuǎn),運(yùn)輸成本低,對(duì)比于其他運(yùn)輸方式,水路運(yùn)輸優(yōu)勢(shì)明顯。因此,隨著經(jīng)濟(jì)全球化的發(fā)展,航運(yùn)業(yè)的發(fā)展日漸迅猛[1]。
當(dāng)前,污染物排放和運(yùn)輸成本的問題困擾著航運(yùn)業(yè)的可持續(xù)發(fā)展。2020年8月上旬,國(guó)際海事組織(International Maritime Organization,IMO)于第75屆海上環(huán)境保護(hù)委員會(huì)發(fā)布了第四次溫室氣體研究(GHG4)報(bào)告。報(bào)告表明,溫室氣體年排放量從2012 年的9.77 噸增長(zhǎng)到2018 年的10.76 噸,同比增長(zhǎng)了10.13%。根據(jù)預(yù)測(cè),隨著海運(yùn)業(yè)務(wù)的不斷增多,若不采取有效措施以減少二氧化碳的排放量,2050年二氧化碳的年排放量預(yù)估將會(huì)在2018年的基礎(chǔ)上增長(zhǎng)50%,在2008年的基礎(chǔ)上翻一番左右[2]。因此,航運(yùn)業(yè)需要采取有力措施以減少污染物排放。另一方面,現(xiàn)今的大多數(shù)在營(yíng)運(yùn)船舶所用能源提煉自石油,而石油屬于不可再生能源,隨著開采力度的加大,資源緊張導(dǎo)致石油價(jià)格上漲。船舶的燃料成本在其運(yùn)營(yíng)成本中占據(jù)半數(shù)以上的比例,那么石油價(jià)格的上漲必然導(dǎo)致船舶運(yùn)營(yíng)成本的同步增長(zhǎng)[1,3]。由此可見,航運(yùn)業(yè)亟需改善油耗成本占比大的問題,從而降低運(yùn)營(yíng)成本、提高企業(yè)盈利[4]。綜合環(huán)保和運(yùn)營(yíng)成本方面的考慮,節(jié)能減排是水路航運(yùn)的大趨勢(shì),因此如何在保證船舶安全航行的前提下,達(dá)到節(jié)能減排的目的已成為航運(yùn)業(yè)必須要解決的現(xiàn)實(shí)而重大的課題[1]。
為提高燃油的能量利用率,實(shí)現(xiàn)節(jié)能減排,需要綜合考慮影響船舶油耗的因素,并在此基礎(chǔ)上建立合理且有效的船舶油耗預(yù)測(cè)模型?;谏鲜鲈颍疚囊砸贿h(yuǎn)洋船舶的實(shí)船監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ),將深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)引入到船舶油耗預(yù)測(cè)模型的構(gòu)建中,由此建立了平均每海里油耗預(yù)測(cè)模型,并對(duì)可進(jìn)行規(guī)劃的特征進(jìn)行優(yōu)化,檢驗(yàn)減少油耗的效果。
DNN 最早是由Hinton 等在2006 年提出的在無監(jiān)督數(shù)據(jù)上建立的多層神經(jīng)網(wǎng)絡(luò)[5]。DNN 的內(nèi)部神經(jīng)網(wǎng)絡(luò)可以分為三類:輸入層、隱藏層和輸出層。一般情況下第一層是輸入層,最后一層是輸出層,中間層則是隱藏層[6]。上一層的輸出作為下一層的輸入,經(jīng)過多層的特征映射后,樣本映射到另一個(gè)特征空間,使原始的輸入具有更好的特征表達(dá)。
圖1 DNN分層結(jié)構(gòu)圖
深度神經(jīng)網(wǎng)絡(luò)前向傳播算法利用若干個(gè)權(quán)重系數(shù)矩陣W,偏倚向量b來和輸入值向量X進(jìn)行一系列線性運(yùn)算和激活運(yùn)算[1,7],從輸入層開始,逐層向后計(jì)算,直到輸出層,得到輸出結(jié)果為預(yù)測(cè)值[1,8]。
假設(shè)輸入數(shù)據(jù)有nin個(gè),輸出數(shù)據(jù)有nout個(gè),若采用DNN 模型,則模型的輸入層有nin個(gè)神經(jīng)元,輸出層有nout個(gè)神經(jīng)元,除去輸入層、輸出層外,中間還要加上若干隱藏層。此時(shí)需要求解出恰當(dāng)?shù)膶?duì)應(yīng)于所有隱藏層和輸出層的線性系數(shù)矩陣W,偏倚向量b,讓模型對(duì)于所有的訓(xùn)練樣本的輸出值盡可能的等于或接近樣本期望輸出值[9]。
在找出恰當(dāng)?shù)臋?quán)重系數(shù)矩陣W和偏倚向量b之前,需要選擇一個(gè)合適的損失函數(shù),用于度量模型對(duì)于訓(xùn)練樣本的輸出值與樣本期望輸出值之間的偏差[10]。尋找恰當(dāng)?shù)臋?quán)重系數(shù)矩陣W和偏倚向量b也就是在對(duì)這個(gè)損失函數(shù)進(jìn)行優(yōu)化求解,直到找出損失函數(shù)的極小值,在此過程中,將會(huì)對(duì)權(quán)重系數(shù)矩陣W和偏倚向量b反向不斷地進(jìn)行更新,直到達(dá)到期望的效果[11]。
船舶油耗預(yù)測(cè)模型目前有兩種建立方式:一種是根據(jù)物理關(guān)系基礎(chǔ)建立的油耗預(yù)測(cè)模型,另一種是根據(jù)實(shí)船航行數(shù)據(jù)建立油耗預(yù)測(cè)模型。前者需要了解詳盡的船舶設(shè)計(jì)參數(shù),除此之外還需要進(jìn)行大量的實(shí)船水池試驗(yàn),風(fēng)洞試驗(yàn)等,以獲取水流、涌向、風(fēng)速、風(fēng)向等因素對(duì)船體產(chǎn)生的阻力影響[1],這種方式建立模型難度非常大,分析的過程也相對(duì)復(fù)雜,不適合運(yùn)用到實(shí)際生產(chǎn)中[12];后者相較于前者更加簡(jiǎn)單,僅需要研究影響船舶油耗的相關(guān)因子[1],選擇合適的數(shù)學(xué)模型,結(jié)合實(shí)船運(yùn)營(yíng)數(shù)據(jù)訓(xùn)練出模型參數(shù),從而建立油耗預(yù)測(cè)模型,在這種方式下建立的數(shù)學(xué)模型沒有前者的海量數(shù)據(jù)和復(fù)雜分析過程,搭建起來相對(duì)簡(jiǎn)便[1],而且更加有針對(duì)性的全面考慮了船舶油耗的影響因子,而且基于實(shí)船航行數(shù)據(jù)搭建的模型更加貼合實(shí)際,效果更好。綜合考慮模型特點(diǎn),本文選擇DNN 模型并結(jié)合實(shí)船運(yùn)營(yíng)數(shù)據(jù)進(jìn)行訓(xùn)練建立船舶油耗預(yù)測(cè)模型,其框架如圖2所示。
圖2 油耗預(yù)測(cè)模型框架
本文研究對(duì)象為運(yùn)營(yíng)于中國(guó)大連港至巴西航線的一艘40 萬(wàn)噸貨運(yùn)遠(yuǎn)洋船,對(duì)象船單次航程所需時(shí)間為45天至50天。油耗預(yù)測(cè)模型的基本框架如圖2 所示,模型的期望輸出是平均每海里油耗量。表1中列出了模型的輸入特征,其中22個(gè)為船舶機(jī)艙數(shù)據(jù),13 個(gè)特征為氣象數(shù)據(jù)[1],剩余3 個(gè)特征為rpm 三次方關(guān)系、與船舶載貨量相關(guān)的吃水以及船舶縱傾[13]。
表1 油耗預(yù)測(cè)模型輸入特征
模型訓(xùn)練所用的數(shù)據(jù)來源于研究對(duì)象的實(shí)際運(yùn)營(yíng)數(shù)據(jù),采集自安裝于研究對(duì)象各處的傳感器。由于傳感器的采集頻率不同,數(shù)據(jù)返回的間隔也不同,為統(tǒng)一數(shù)據(jù)處理,在本文中將時(shí)間間隔定為600s,特征處理公式為
本文中用于模型訓(xùn)練的氣象數(shù)據(jù)來源于氣象局,其數(shù)據(jù)形式為各整數(shù)經(jīng)緯度位置點(diǎn)處的氣象數(shù)據(jù),預(yù)報(bào)時(shí)間間隔為3h。若需要得到船舶軌跡點(diǎn)上的氣象預(yù)報(bào)數(shù)據(jù),需要對(duì)氣象預(yù)報(bào)數(shù)據(jù)做空間和時(shí)間上的插值,其處理公式如下[1]:
上式中t1,t2為所提供氣象數(shù)據(jù)的時(shí)刻,兩個(gè)時(shí)刻的間隔為3h。xE,xW,xN,xs分別為包含目標(biāo)位置點(diǎn)矩形區(qū)域的四個(gè)頂點(diǎn)處的氣象值[14]。
在本文中DNN 模型運(yùn)用到的激活函數(shù)為Re-LU,具體表達(dá)式為σ(z)=max(0,z),即大于0 則激活后不變,小于0 則激活后為0。在建立DNN 模型時(shí),輸入層為38個(gè)神經(jīng)元,含有3個(gè)隱藏層,各層的神經(jīng)元個(gè)數(shù)分別為800、1000、800,輸出層有1 個(gè)神經(jīng)元,輸出值為平均每海里油耗量。
本文將總計(jì)油耗誤差百分比ε[1]作為度量模型預(yù)測(cè)效果的指標(biāo),其計(jì)算公式如下:
式中yi是模型輸出的預(yù)測(cè)值,ci是實(shí)際值,M 為樣本總數(shù)。
將訓(xùn)練樣本集中的特征作為輸入獲取模型預(yù)測(cè)值,模型預(yù)測(cè)值與實(shí)際值的對(duì)比如圖3 所示。由圖可見,模型在訓(xùn)練完成后,將訓(xùn)練樣本作為輸入輸出的預(yù)測(cè)油耗值與實(shí)際的油耗值之間的誤差較小。這說明訓(xùn)練所得的模型能夠精確地表征出輸入與輸出目標(biāo)值之間隱含的關(guān)系。圖4 為測(cè)試樣本作為模型輸入得出的預(yù)測(cè)值與實(shí)際值的對(duì)比圖。由圖可見,模型預(yù)測(cè)結(jié)果與訓(xùn)練樣本實(shí)測(cè)數(shù)據(jù)的動(dòng)態(tài)變化相同,表明訓(xùn)練所得模型在測(cè)試數(shù)據(jù)集上具有良好的預(yù)測(cè)效果[1]。
圖3 訓(xùn)練結(jié)果對(duì)比
圖4 測(cè)試結(jié)果對(duì)比
表2 中列出了DNN 模型數(shù)據(jù)集上的預(yù)測(cè)誤差對(duì)比。由表可見,DNN 模型的總計(jì)油耗絕對(duì)誤差百分比都在7.7%以下,符合實(shí)際項(xiàng)目需求,此外DNN 模型在各數(shù)據(jù)集上的誤差百分比計(jì)算數(shù)值差距較小,說明DNN 模型在訓(xùn)練過程中并沒有過擬合,模型具有普適性[1]。
表2 DNN模型預(yù)測(cè)誤差
基于DNN 的平均每海里油耗模型所用特征有船舶機(jī)艙數(shù)據(jù)、氣象數(shù)據(jù)、rpm 三次方關(guān)系、船舶吃水以及縱傾,為進(jìn)一步地優(yōu)化航速油耗及其他能效任務(wù)提供基礎(chǔ)建議,基于訓(xùn)練好的平均每海里油耗回歸模型進(jìn)行特征尋優(yōu),即通過尋優(yōu)算法選擇合適的一個(gè)或者多個(gè)工況進(jìn)行調(diào)整,進(jìn)而使平均每海里油耗降低。
模型所用特征中,氣象特征無法進(jìn)行調(diào)整,機(jī)艙數(shù)據(jù)在實(shí)際行船過程中很少會(huì)進(jìn)行調(diào)整,船舶吃水與船舶載貨量相關(guān),亦無法進(jìn)行調(diào)整[15],因而可調(diào)整的特征為縱傾和rpm三次方關(guān)系。
本文采用啟發(fā)式算法-粒子群算法對(duì)特征進(jìn)行尋優(yōu),根據(jù)可進(jìn)行調(diào)整的縱傾和rpm 三次方關(guān)系,設(shè)置三組特征尋優(yōu):縱傾、rpm 三次方關(guān)系、縱傾和rpm 三次方關(guān)系。表3 所列為三組特征尋優(yōu)的結(jié)果。
表3 粒子群尋優(yōu)結(jié)果
從表3 中可以看出對(duì)表中三組特征進(jìn)行調(diào)整可以降低船舶平均每海里油耗,從而達(dá)到船舶節(jié)能減排的目的。其中對(duì)縱傾和rpm 三次方進(jìn)行調(diào)整可以使船舶平均每海里油耗降低5.71%。
本文通過DNN 算法,運(yùn)用遠(yuǎn)洋船的實(shí)際檢測(cè)數(shù)據(jù)搭建了船舶的平均每海里油耗預(yù)測(cè)模型。并結(jié)合實(shí)際狀況,對(duì)縱傾和rpm 三次方進(jìn)行特征尋優(yōu),驗(yàn)證調(diào)整船舶特征可降低船舶平均每海里油耗,根據(jù)實(shí)驗(yàn)數(shù)據(jù)得出結(jié)論如下:
1)DNN 算法結(jié)合實(shí)船數(shù)據(jù)成功建立的船舶油耗模型,并且實(shí)驗(yàn)結(jié)果顯示,模型每海里油耗的預(yù)測(cè)值與實(shí)際檢測(cè)值之間的誤差僅為7.661%,可以作為后續(xù)進(jìn)行船舶油耗優(yōu)化的基礎(chǔ)。
2)通過調(diào)整縱傾和rpm 三次方,降低了船舶油耗,平均每海里節(jié)省油耗率為5.71%,對(duì)于遠(yuǎn)洋船具有一定參考價(jià)值,為后續(xù)船舶油耗優(yōu)化提供了一定的方向。