CN110110943B - 一种基于大数据的船队能效综合智能优化管理系统和优化方法 - Google Patents

一种基于大数据的船队能效综合智能优化管理系统和优化方法 Download PDF

Info

Publication number
CN110110943B
CN110110943B CN201910424168.8A CN201910424168A CN110110943B CN 110110943 B CN110110943 B CN 110110943B CN 201910424168 A CN201910424168 A CN 201910424168A CN 110110943 B CN110110943 B CN 110110943B
Authority
CN
China
Prior art keywords
ship
navigation
fleet
data
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.)
Active
Application number
CN201910424168.8A
Other languages
English (en)
Other versions
CN110110943A (zh
Inventor
王凯
黄连忠
马冉祺
仉大志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910424168.8A priority Critical patent/CN110110943B/zh
Publication of CN110110943A publication Critical patent/CN110110943A/zh
Application granted granted Critical
Publication of CN110110943B publication Critical patent/CN110110943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)

Abstract

本发明公开了一种基于大数据的船队能效综合智能优化管理系统和优化方法，优化方法采用大数据分析算法实现通航环境历史数据和船队船舶能效历史数据的统计分析，实现通航环境和船舶运行工况的预测，并以预测数据为基础，建立船队航线航速联合动态优化模型，并采用群智能决策算法求解船队航线航速联合动态优化模型，最终实现船队船舶航线航速的联合智能决策与滚动优化。优化管理系统采用上述优化方法，可将优化决策结果发送至远端在航船舶，实现船队船舶能效的远程监控。本发明充分考虑通航环境等要素的时空差异性和不确定性，提高了船队船舶能效优化方法的有效性，以及船队能效管理的智能化水平，从而提高船队的整体能效水平，达到节能减排的目的。

Description

一种基于大数据的船队能效综合智能优化管理系统和优化 方法
技术领域
本发明涉及一种船队能效智能优化管理技术，更具体地，涉及一种基于大数据的船队能效综合智能优化管理系统和优化方法。
背景技术
全球气候变暖及CO2等温室气体过量排放等问题一直倍受关注，船舶作为排放大户，面临来自公众和航运界的巨大压力，如何在保证船舶航行安全的前提下，实现营运船舶节能减排的目标，成为航运业必须要解决的现实而重大的课题。
此外，由中国船级社CCS发布的《智能船舶规范》可知，智能能效管理方法的研究将是智能船舶发展的重要一环。智能能效管理通过能效在线智能监控和船舶航行的优化决策与控制，可以实现对船舶能效的自动监测、分析与自主决策。智能能效管理的研究与应用对促进船舶的智能化发展和提升市场竞争力具有重要意义。
目前，航运公司通常经营多艘具有不同经济和技术参数的船舶。由于技术和经济等参数的差异，使得船队船舶的能效管理尤为复杂。此外，船队船舶能效的智能化、精细化管理水平较低，导致能源浪费、运营效率低下、环境污染等现象常有发生，不仅增加了船队的运营成本而且增加了CO2的排放。
因此，寻找一种可以基于不同船舶类型与参数的船队能效综合管理系统，并使用智能化技术实现管理，是非常重要的。
发明内容
本发明的目的在于克服现有技术存在的上述缺陷，提供一种基于大数据的船队能效综合智能优化管理系统和优化方法，实时收集船队船舶的航行数据，并实时统计分析，并使用通航环境历史数据和船队船舶能效历史数据对本次航行的数据进行预测，建立船队航线航速联合动态优化模型，并采用群智能算法求解该模型，从而实现船队航线航速的联合智能决策与滚动优化。
为实现上述目的，本发明的技术方案如下：
一种基于大数据的船队能效综合智能优化管理系统，由数据通信模块、计算处理模块、优化决策模块和人机界面模块组成，其特征在于，
数据通信模块搜集船队船舶的营运数据、通航环境数据和船舶能耗数据并上传至计算处理模块；数据通信模块还将优化决策模块得到的优化决策结果发送至船队船舶；
计算处理模块首先将数据通信模块传送的数据进行清洗与预处理，其次，对通航环境和船队船舶的能效进行统计分析，最后，建立通航环境与船队船舶运行工况变量的在线预测模型；计算处理模块还包括对云端数据仓库的存储读取功能；
优化决策模块依据计算处理模块得到的通航环境和船队船舶的能效统计分析结果，建立并求解船队航线航速联合动态优化模型，得到优化决策结果；
数据通信模块、计算处理模块和优化决策模块所获取和处理后的数据在人机界面模块予以显示。
优选地，所述船舶营运数据至少包括船舶的航次计划、航程、航期、船舶吃水、纵倾；通航环境数据至少包括风速、风向、浪速、浪高；船舶能耗数据至少包括主机油耗、主机转速、轴系功率。
优选地，所述计算处理模块进行清洗与预处理的方法为小波分析、卡尔曼滤波以及聚类分析方法，所述聚类分析方法是通过MapReduce并行分布式模式实现的大数据聚类分析算法。
优选地，所述计算处理模块使用HDFS文件系统将数据存储在网络上的云端数据仓库。
优选地，所述优化决策模块建立的船队航线航速联合动态优化模型为：
Figure BDA0002066950740000031
Figure BDA0002066950740000032
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。
优选地，所述船舶能效优化模型求解方法为改进粒子群优化算法，包括以下步骤：
Sa：随机化初始Ns个2N维粒子，N为船队中船舶数量，每个粒子的前N维为船舶的航速，后N维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为
Figure BDA0002066950740000033
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；
Sb：根据下式更新各粒子的速度和位置
Vk+1＝w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk)
Xk+1＝Xk+Vk+1
式中，k为当前迭代的步数，Pbest为上一步的个体最优值，gbest为上一步的群体最优值，X为粒子的位置，V为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；
Sc：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行Sb，直至算法收敛，约束条件为
Figure BDA0002066950740000041
式中，M是航段数量；i表示第i个航段；Disi表示在第i个航段内的航行距离；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。
优选地，包括以下步骤：
S1：历史数据收集阶段，包括以下步骤：
S11：采集船队船舶的航行历史数据，每一船舶的历史数据包括通航环境数据、船舶运行工况数据和船舶能效数据；收集船队本次航行数据，包括航次计划、航程、航期；
S12：根据船队船舶的航行历史数据，利用小波分析、卡尔曼滤波以及聚类分析方法获得通航环境数据与船舶能效数据的时间分布特征和空间分布特征；
S13：基于S1中采集的船队船舶的航行历史数据，采用神经网络算法，建立通航环境数据与船舶能效数据的预测模型；
S2：船队本次航行数据收集与优化阶段，包括以下步骤：
S21：基于步骤S12中所述的时间和空间分布特征，对船队船舶本次航行的航段进行合理划分，共划分为M个航段，航段标号用i表示，i＝1,2,...,M；
S22：根据步骤S21中的航段划分，实时收集船队船舶本次航行中前i-1个航段的通航环境数据，以及在前i-1个航段内船队船舶的运行工况；
S23：根据步骤S13建立的预测模型，预测第i个航段的通航环境数据及船舶的运行工况；
S24：建立船舶能效优化模型，以船舶航向和航速为优化变量，以船舶能效营运指数最小化为优化目标，以航次计划、航线距离和船舶物理参数为约束条件；
S25：使用优化算法求解船舶能效优化模型，得到优化后的第i个航段的船舶航向和航速，用以指导第i个航段的船舶操控。
优选地，所述步骤S11中，通航环境数据包括但不限于水流速度、风速、风向、浪高；船舶运行工况包括但不限于船舶航行速度、主机油耗、主机转速、轴系功率。
优选地，所述船舶能效优化模型为：
Figure BDA0002066950740000061
Figure BDA0002066950740000062
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。
优选地，所述船舶能效优化模型求解方法为改进粒子群优化算法，包括以下步骤：
S251：随机化初始Ns个2N维粒子，N为船队中船舶数量，每个粒子的前N维为船舶的航速，后N维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为
Figure BDA0002066950740000063
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；
S252：根据下式更新各粒子的速度和位置
Vk+1＝w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk)
Xk+1＝Xk+Vk+1
式中，k为当前迭代的步数，Pbest为上一步的个体最优值，gbest为上一步的群体最优值，X为粒子的位置，V为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；
S253：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行S252，直至算法收敛，约束条件为
Figure BDA0002066950740000071
式中，M是航段数量；i表示第i个航段；Disi表示在第i个航段内的航行距离；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。
从上述技术方案可以看出，本发明通过采用大数据分析算法实现通航环境和船队船舶能效的统计分析，通过建立船队船舶能效动态优化模型及采用群智能决策算法，实现船队船舶航线航速的联合智能决策与滚动优化。因此，本发明充分考虑了通航环境等要素的时空差异性和不确定性，提高了船队船舶能效优化方法的有效性，以及船队能效管理的智能化水平，从而提高船队的整体能效水平，达到节能减排的目的。
附图说明
图1是本发明中综合智能优化管理系统的结构示意图；
图2是本发明中综合智能优化管理系统的人机界面结构示意图；
图3是本发明中综合智能优化方法的流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步的详细说明。
需要说明的是，在下述的具体实施方式中，在详述本发明的实施方式时，为了清楚地表示本发明的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本发明的限定来加以理解。
在以下本发明的具体实施方式中，请参阅图1，图1是综合智能优化管理系统的结构示意图。如图1所示，一种基于大数据的船队能效综合智能优化管理系统，由数据通信模块、计算处理模块、优化决策模块和人机界面模块组成，其特征在于，
数据通信模块搜集船队船舶的营运数据、通航环境数据和船舶能耗数据并上传至计算处理模块；数据通信模块还将优化决策模块得到的优化决策结果发送至船队船舶。
数据通信模块通过无线传输获取船队船舶的营运数据、通航环境数据和船舶能耗等数据，并通过网关上传至计算处理模块。其中，船舶营运数据包括船舶的航次计划、航程、航期、船舶吃水、纵倾等；通航环境数据包括风、浪、流、涌等；船舶能耗数据包括主机油耗、主机转速、轴系功率等。
数据通信模块将优化决策结果远程发送至船舶，为船舶的优化航行提供指导，并实现船队船舶能效的远程监控。
计算处理模块首先将数据通信模块传送的数据进行清洗与预处理，其次，对通航环境和船队船舶的能效进行统计分析，最后，建立通航环境与船队船舶运行工况变量的在线预测模型。计算处理模块还包括对云端数据仓库的存储读取功能。
计算处理模块使用HDFS文件系统将数据存储在网络上的云端数据仓库，并通过客户端实现对云端数据仓库的读取。
计算处理模块首先将所采集的通航环境和船舶能效等数据，利用小波分析、卡尔曼滤波以及聚类分析方法进行数据清洗与预处理，标记并去除异常数据，从而获得有效的数据。
大数据聚类分析算法、神经网络机器学习算法是采用MapReduce并行分布式模式实现的，可以实现船队能效与通航环境等大数据的深度挖掘分析。MapReduce模式具有高性价比和良好的可伸缩性，以及简单、易于理解和使用等优势。所实现的大数据并行分布式算法可以提高算法的运行效率和时效性，适用于大数据的分析与处理。
计算处理模块其次对通航环境历史数据和船队船舶的能效历史数据进行统计分析，实现通航环境与船舶能效的时空分布特征分析，分别从时间和空间两个维度挖掘通航环境、船舶运行工况和船舶能效的分布特征。
计算处理模块最后基于离线学习算法建立通航环境与船舶能效历史数据时序模型，通过设计在线学习算法建立船队船舶航行过程中的通航环境与船队船舶运行工况变量的在线预测模型，实现通航环境与船舶运行工况的实时预测，从而为船队船舶航行智能优化奠定基础。
优化决策模块依据计算处理模块得到的通航环境和船队船舶的能效统计分析结果，建立并求解船队航线航速联合动态优化模型，得到优化决策结果。
结合通航环境和船舶运行工况预测模型，以及通航环境和船队船舶运行工况的时变性和不确定性，船队航线航速联合动态优化模型充分考虑了通航环境、船舶载况、航行姿态等因素，以航线距离、航次计划等为约束条件，以优化船舶能效为目标，确定不同条件下船舶的最佳航速与航行路线，以使船舶在能效最佳状态下运行。
本具体实施例中，船队航线航速联合动态优化模型的数学表达为：
Figure BDA0002066950740000101
Figure BDA0002066950740000102
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。
本具体实施例中，船队航线航速联合动态优化模型的求解方法为改进粒子群优化算法，包括以下步骤：
Sa：随机化初始Ns个2N维粒子，N为船队中船舶数量，每个粒子的前N维为船舶的航速，后N维为船舶的航向；根据目标函数计算各粒子适应度；
Sb：根据下式更新各粒子的速度和位置
Vk+1＝w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk)
Xk+1＝Xk+Vk+1
式中，k为当前迭代的步数，Pbest为上一步的个体最优值，gbest为上一步的群体最优值，X为粒子的位置，V为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；
Sc：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行Sb，直至算法收敛，即粒子群体的最优值在两步之间的误差均小于给定值。
数据通信模块、计算处理模块和优化决策模块所获取和处理后的数据在人机界面模块予以显示。
人机界面模块，作为人机交互的媒介，起到显示数据和发送命令的作用，主要包括与船队船舶智能航行优化决策相关的用户管理界面、船队信息界面、统计分析界面、优化决策界面、优化控制界面，如图2所示。
本具体实施例中，人机界面模块采用B/S架构设计，通过客户端浏览器访问基于Web的云端服务器，可自行从网络读取所采集的数据，如：环境参数、船队信息以及船舶主机运行参数等；部分综合性的参数则通过所述的船队航线航速联合动态优化模型与智能决策算法处理后进行相应显示，如船队船舶当前的能效营运指数(EEOI)、当前运行条件下的船队船舶的最佳航速与最佳航线。
一种基于大数据的船队能效综合智能优化方法，如图3所示，包括以下步骤：
S1：历史数据收集阶段，包括以下步骤：
S11：采集船队船舶的航行历史数据，每一在航船舶的历史数据包括通航环境数据、船舶运行工况数据和船舶能效数据；收集船队本次航行数据，包括航次计划、航程、航期。
本步骤为大数据采集阶段，收集的数据是船队船舶的历史数据。
S12：根据船队船舶的航行历史数据，利用小波分析、卡尔曼滤波以及聚类分析方法获得通航环境数据与船舶能效数据的时间分布特征和空间分布特征。
由于收集的数据为连续的数据，且可能存在异常的数据点，因此，需要采用小波分析、卡尔曼滤波方法消除异常的数据点，并使用聚类分析方法将数据进行分类标签，为下一步做好数据准备。聚类分析方法是通过MapReduce并行分布式模式实现的大数据聚类分析算法。
S13：基于S1中采集的船队船舶的航行历史数据，采用神经网络算法，建立通航环境数据与船舶能效数据的预测模型。
本具体实施例中，通航环境数据包括但不限于水流速度、风速、风向、浪高。船舶能效数据包括但不限于船舶航行速度、主机油耗、主机转速、轴系功率。仅以水流速度为例，上一步骤S12中得到的历史数据为：
Vwater＝{Vwater_1,Vwater_2,...,Vwater_n-2,Vwater_n-1}
采用适当的神经网络算法，建立基于之前历史数据的第n步的预测数据
Vwater_n＝fnetwater(Vwater)
其中，Vwater_n为预测的水流速度，fnetwater为使用历史数据建立的水流速度神经网络预测模型。
S2：船队本次航行数据收集与优化阶段，包括以下步骤：
S21：基于步骤S12中所述的时间和空间分布特征，对船队船舶本次航行的航段进行合理划分，共划分为M个航段，航段标号用i表示，i＝1,2,...,M。
基于既往历史的时间和空间分布特征，可以对船队船舶本次航行进行预先的划分，以充分利用已有数据并减少求解数量和频次，避免过度操控。
S22：根据步骤S21中的航段划分，实时收集船队本次航行中前i个航段的通航环境数据，以及在前i-1个航段内船队船舶的运行工况。
S23：根据步骤S13建立的预测模型，预测第i个航段的通航环境数据及船舶的运行工况。
由于本次航行需要实时的优化求解，而优化模型又需要第i个航段的通航环境数据，因此，需要根据预测模型预测本次航行第i个航段的通航环境数据。而为了进行预测，又需要收集本次航行在第i个航段之前的相关数据。
S24：建立船舶能效综合优化模型，以船舶航向和航速为优化变量，以船舶能效为最小化优化目标，以航次计划、航线距离和船舶物理参数为约束条件，
Figure BDA0002066950740000131
Figure BDA0002066950740000132
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。
S25：使用优化算法求解船舶能效优化模型，得到优化后的第i个航段的船舶航向和航速，用以指导第i个航段的船舶操控。
本具体实施例中，求解算法为改进粒子群优化算法，包括以下步骤：
S251：随机化初始Ns个2N维粒子，N为船队中船舶数量，每个粒子的前NN维为船舶的航速，后N维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为
Figure BDA0002066950740000141
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速。
S252：根据下式更新各粒子的速度和位置
Vk+1＝w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk)
Xk+1＝Xk+Vk+1
式中，k为当前迭代的步数，Pbest为上一步的个体最优值，gbest为上一步的群体最优值，X为粒子的位置，V为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；
S253：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行S252，直至算法收敛，约束条件为
Figure BDA0002066950740000142
式中，M是航段数量；i表示第i个航段；Disi表示在第i个航段内的航行距离；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的水流速度、风速、风向、浪高；Tlimit表示本次航行的总航行时间约束；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于大数据的船队能效综合智能优化管理系统，由数据通信模块、计算处理模块、优化决策模块和人机界面模块组成，其特征在于，
数据通信模块搜集船队船舶的营运数据、通航环境数据和船舶能耗数据并上传至计算处理模块；数据通信模块还将优化决策模块得到的优化决策结果发送至船队船舶；
计算处理模块首先将数据通信模块传送的数据进行清洗与预处理，其次，对通航环境和船队船舶的能效进行统计分析，最后，建立通航环境与船队船舶运行工况变量的在线预测模型；计算处理模块还包括对云端数据仓库的存储读取功能；
优化决策模块依据计算处理模块得到的通航环境和船队船舶的能效统计分析结果，建立并求解船队航线航速联合动态优化模型，得到优化决策结果；
所述优化决策模块建立的船队航线航速联合动态优化模型为
Figure FDA0003963668960000011
Figure FDA0003963668960000012
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值；
所述船舶能效优化模型求解方法为改进粒子群优化算法，包括以下步骤：
Sa：随机化初始Ns个2N维粒子，N为船队中船舶数量，每个粒子的前N维为船舶的航速，后N维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为
Figure FDA0003963668960000021
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；
Sb：根据下式更新各粒子的速度和位置
Vk+1＝w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk)
Xk+1＝Xk+Vk+1
式中，k为当前迭代的步数，Pbest为上一步的个体最优值，gbest为上一步的群体最优值，X为粒子的位置，V为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；
Sc：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行Sb，直至算法收敛，约束条件为
Figure FDA0003963668960000031
式中，M是航段数量；i表示第i个航段；Disi表示在第i个航段内的航行距离；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值；
数据通信模块、计算处理模块和优化决策模块所获取和处理后的数据在人机界面模块予以显示。
2.根据权利要求1所述的系统，其特征在于，所述船舶营运数据至少包括船舶的航次计划、航程、航期、船舶吃水、纵倾；通航环境数据至少包括风速、风向、浪速、浪高；船舶能耗数据至少包括主机油耗、主机转速、轴系功率。
3.根据权利要求1所述的系统，其特征在于，所述计算处理模块进行清洗与预处理的方法为小波分析、卡尔曼滤波以及聚类分析方法；所述聚类分析方法是通过MapReduce并行分布式模式实现的大数据聚类分析算法。
4.根据权利要求1所述的系统，其特征在于，所述计算处理模块使用HDFS文件系统将数据存储在网络上的云端数据仓库。
5.一种基于大数据的船队能效综合智能优化方法，其特征在于，包括以下步骤：
S1：历史数据收集阶段，包括以下步骤：
S11：采集船队船舶的航行历史数据，每一船舶的历史数据包括通航环境数据、船舶运行工况数据和船舶能效数据；收集船队本次航行数据，包括航次计划、航程、航期；
S12：根据船队船舶的航行历史数据，利用小波分析、卡尔曼滤波以及聚类分析方法获得通航环境数据与船舶能效数据的时间分布特征和空间分布特征；
S13：基于S1中采集的船队船舶的航行历史数据，采用神经网络算法，建立通航环境数据与船舶能效数据的预测模型；
S2：船队本次航行数据收集与优化阶段，包括以下步骤：
S21：基于步骤S12中所述的时间和空间分布特征，对船队船舶本次航行的航段进行合理划分，共划分为M个航段，航段标号用i表示，i＝1,2,...,M；
S22：根据步骤S21中的航段划分，实时收集船队船舶本次航行中前i-1个航段的通航环境数据，以及在前i-1个航段内船队船舶的运行工况；
S23：根据步骤S13建立的预测模型，预测第i个航段的通航环境数据及船舶的运行工况；
S24：建立船舶能效优化模型，以船舶航向和航速为优化变量，以船舶能效营运指数最小化为优化目标，以航次计划、航线距离和船舶物理参数为约束条件；
所述船舶能效优化模型为
Figure FDA0003963668960000041
Figure FDA0003963668960000042
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别表示航速、航向和船舶主机转速的最小值和最大值
S25：使用优化算法求解船舶能效优化模型，得到优化后的第i个航段的船舶航向和航速，用以指导第i个航段的船舶操控；
所述船舶能效优化模型求解方法为改进粒子群优化算法，包括以下步骤
S251：随机化初始Ns个2N维粒子，N为船队中船舶数量，每个粒子的前N维为船舶的航速，后N维为船舶的航向；根据目标函数计算各粒子适应度，目标函数为
Figure FDA0003963668960000051
式中，EEOI表示船舶能效营运指数；M是航段数量；i表示第i个航段；ffuel表示船舶单位距离的油耗；Ton表示船舶的载货量；Disi表示在第i个航段内的航行距离；Vsail_i和Dsail_i分别表示船舶在第i个航段内的航速和航向；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的风速、风向、水流速度、浪高；Tlimit表示本次航行的总航行时间约束；n表示船舶主机转速；
S252：根据下式更新各粒子的速度和位置
Vk+1＝w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk)
Xk+1＝Xk+Vk+1
式中，k为当前迭代的步数，Pbest为上一步的个体最优值，gbest为上一步的群体最优值，X为粒子的位置，V为粒子的速度，c1,c2为学习因子，r1,r2为0和1之间的随机数，w为惯性权重；
S253：重新计算满足约束条件的粒子适应度值，然后更新个体和群体的最优值，并重新执行S252，直至算法收敛，约束条件为
Figure FDA0003963668960000061
式中，M是航段数量；i表示第i个航段；Disi表示在第i个航段内的航行距离；Vwind_i,Dwind_i,Vwater_i,hwave_i分别表示第i个航段的水流速度、风速、风向、浪高；Tlimit表示本次航行的总航行时间约束；Vsail_min,Vsail_max,Dsail_min,Dsail_max,nmin,nmax分别是航速、航向和船舶主机转速的最小值和最大值。
6.根据权利要求5所述的一种基于大数据的船队能效综合智能优化方法，其特征在于，所述步骤S11中，通航环境数据包括但不限于水流速度、风速、风向、浪高；船舶运行工况包括但不限于船舶航行速度、主机油耗、主机转速、轴系功率。
CN201910424168.8A 2019-05-21 2019-05-21 一种基于大数据的船队能效综合智能优化管理系统和优化方法 Active CN110110943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910424168.8A CN110110943B (zh) 2019-05-21 2019-05-21 一种基于大数据的船队能效综合智能优化管理系统和优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910424168.8A CN110110943B (zh) 2019-05-21 2019-05-21 一种基于大数据的船队能效综合智能优化管理系统和优化方法

Publications (2)

Publication Number Publication Date
CN110110943A CN110110943A (zh) 2019-08-09
CN110110943B true CN110110943B (zh) 2023-02-10

Family

ID=67491310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910424168.8A Active CN110110943B (zh) 2019-05-21 2019-05-21 一种基于大数据的船队能效综合智能优化管理系统和优化方法

Country Status (1)

Country Link
CN (1) CN110110943B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110608738B (zh) * 2019-08-14 2021-08-03 青岛科技大学 一种无人船全局气象航线动态规划方法和系统
CN110737986B (zh) * 2019-10-15 2023-08-08 大连海事大学 一种无人船能效智能优化仿真系统及方法
CN113053170A (zh) * 2019-12-29 2021-06-29 广东华风海洋信息系统服务有限公司 一种实现智能航行系统的方法
CN111382148B (zh) * 2020-03-06 2024-01-16 深圳市闻迅数码科技有限公司 一种船舶信息管理方法、终端设备及计算机可读介质
CN111552299B (zh) * 2020-05-29 2024-02-23 大连海事大学 一种风翼助航船舶能效智能优化管理系统与优化方法
CN111738500B (zh) * 2020-06-11 2024-01-12 大连海事大学 一种基于深度学习的航行时间预测方法及装置
CN112435505B (zh) * 2020-11-11 2022-08-02 南通中远海运川崎船舶工程有限公司 一种基于最佳航速的自主航行系统及其航行方法
CN112660331B (zh) * 2021-01-15 2024-03-08 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） 航速纵倾联合优化方法、装置及电子设备
CN112906944A (zh) * 2021-01-26 2021-06-04 武汉理工大学 基于船岸协同的船舶能效优化系统、方法、装置和介质
CN113264163B (zh) * 2021-05-31 2022-04-12 江苏远望仪器集团有限公司 一种船舶能效管理方法
CN113361014B (zh) * 2021-06-28 2023-05-23 大连海事大学 一种船舶的智能能效管理方法
CN114063450A (zh) * 2021-10-08 2022-02-18 武汉理工大学 一种基于模型预测控制的拖轮能效优化方法
CN113869783B (zh) * 2021-10-15 2023-05-30 中远海运科技股份有限公司 一种船舶运营效率评估系统及方法
CN115660137B (zh) * 2022-09-07 2023-08-11 中远海运科技股份有限公司 一种船舶风浪航行能耗精准估算方法
CN116702940B (zh) * 2023-04-19 2023-12-05 上海宇佑船舶科技有限公司 一种航速优化方法及系统
CN116910481B (zh) * 2023-07-27 2024-02-02 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法
CN117521947B (zh) * 2023-10-25 2024-04-30 上海交通大学 混合动力船舶能效比率优化方法、系统、介质及设备
CN117910366B (zh) * 2024-03-20 2024-05-28 山东科技大学 一种集装箱班轮航线航速联合优化方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011065848A1 (en) * 2009-11-26 2011-06-03 Akademia Morska W Szczecinie A method and system of navigational decision support in the process of safe vessel navigation
JP4934756B1 (ja) * 2011-11-10 2012-05-16 三井造船株式会社 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法
CN103559367A (zh) * 2013-11-13 2014-02-05 交通运输部天津水运工程科学研究所 一种多线并列船闸联合调度模拟及分析方法
KR20150050036A (ko) * 2013-10-31 2015-05-08 현대중공업 주식회사 선박 에너지 효율 관리 시스템 및 이의 동작 방법
CN104635704A (zh) * 2015-01-30 2015-05-20 武汉理工大学 基于模糊聚类和遗传算法的船舶能效管理控制平台及方法
CN107563576A (zh) * 2017-10-14 2018-01-09 连云港杰瑞深软科技有限公司 一种船舶智能能效管理系统
KR101914770B1 (ko) * 2017-07-20 2018-11-02 에이블맥스(주) 선박의 에너지효율 예측 시스템 및 이를 이용한 에너지효율 예측 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011065848A1 (en) * 2009-11-26 2011-06-03 Akademia Morska W Szczecinie A method and system of navigational decision support in the process of safe vessel navigation
JP4934756B1 (ja) * 2011-11-10 2012-05-16 三井造船株式会社 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法
KR20150050036A (ko) * 2013-10-31 2015-05-08 현대중공업 주식회사 선박 에너지 효율 관리 시스템 및 이의 동작 방법
CN103559367A (zh) * 2013-11-13 2014-02-05 交通运输部天津水运工程科学研究所 一种多线并列船闸联合调度模拟及分析方法
CN104635704A (zh) * 2015-01-30 2015-05-20 武汉理工大学 基于模糊聚类和遗传算法的船舶能效管理控制平台及方法
KR101914770B1 (ko) * 2017-07-20 2018-11-02 에이블맥스(주) 선박의 에너지효율 예측 시스템 및 이를 이용한 에너지효율 예측 방법
CN107563576A (zh) * 2017-10-14 2018-01-09 连云港杰瑞深软科技有限公司 一种船舶智能能效管理系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Advanced Optimized Weather Routing for an OceanGoing;Eiichi Kobayashi等;《2015 International Association of Institutes of Navigation World Congress 》;20151023;第1-8页 *
Design of ship energy efficiency monitoring and control system considering environmental factors;Kai Wang等;《2015 International Conference on Transportation Information and Safety (ICTIS)》;20150628;第451-455页 *
基于差分进化算法的船舶能量管理系统优化策略;杨泽鑫等;《中国舰船研究》;20180531(第04期);第131-138页 *
基于热经济学原理的船舶主机能量系统优化与船舶能效评价方法研究;杨昺崧;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20140515;C036-8 *
船舶智能能效管理系统设计;郑洪燕等;《水运管理》;20181120(第11期);第25-28页 *
船队规划与航线配船决策支持系统的设计与实现;裴光石等;《大连海事大学学报》;20120815(第03期);第47-50页 *

Also Published As

Publication number Publication date
CN110110943A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110110943B (zh) 一种基于大数据的船队能效综合智能优化管理系统和优化方法
CN110737986B (zh) 一种无人船能效智能优化仿真系统及方法
CN112381406A (zh) 一种基于船岸协同的船舶能效管理大数据系统及方法
CN110083983B (zh) 一种船舶分段航速优化方法和智能管理系统
CN111552299B (zh) 一种风翼助航船舶能效智能优化管理系统与优化方法
CN112906830B (zh) 一种基于ais大数据的船舶最优航线自动生成方法
CN113033073A (zh) 一种基于数据驱动的无人船能效数字孪生方法及系统
CN112307688B (zh) 一种电力推进船舶能效监控管理优化系统和方法
CN111414717A (zh) 一种基于XGBoost-LightGBM的机组功率预测方法
CN110555551B (zh) 一种智慧城市的空气质量大数据管理方法及系统
CN104090595A (zh) 基于主机能效与通航环境的船舶航速优化装置及方法
CN103466041A (zh) 船舶实时优化节能航速智能分析系统
CN104635704A (zh) 基于模糊聚类和遗传算法的船舶能效管理控制平台及方法
CN111291520B (zh) 一种优化空间效率的海洋锚定浮标站位智能选址方法
CN115392340A (zh) 一种多能源电力推进船舶的电力负荷预测系统与预测方法
CN114610070B (zh) 一种无人机协同的风电场智能巡检方法
CN106372750A (zh) 一种航行管理方法及系统
CN111002975B (zh) 车辆能量管理方法、系统、电子设备和存储介质
CN115435845A (zh) 一种基于无人船和集成学习的智能广域水质监测分析系统、方法及水质分析方法
CN115187040A (zh) 一种冒泡自学习的水面无人艇群综合性能评估方法
CN113361014B (zh) 一种船舶的智能能效管理方法
CN112215395B (zh) 一种基于海洋大数据的水下装备适应性信息保障系统
Wang et al. Research on multi-interval coupling optimization of vessel speed for energy efficiency
CN117455030A (zh) 无人机机巢仿生规划方法、装置及存储介质
CN113888088B (zh) 基于数字孪生的船舶能效管理系统功能验证平台

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