CN110737986A - 一种无人船能效智能优化仿真系统及方法 - Google Patents

Abstract

本发明公开了一种无人船能效智能优化仿真系统及方法，其包括：船端数据采集单元，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；岸基能效监控单元能够存储船端数据，同时获取与所述船端数据相对应的评估结果并显示；和岸基能效智能决策仿真单元，其能够存储所接收到的数据，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。本发明可以实现不同运行场景、不同控制决策下的船舶运行状态与能效状态的动态仿真，通过仿真结果可以验证不同条件下所制定的智能决策方法的有效性和可行性，从而为无人船智能能效优化管理技术的研究与应用奠定基础。

Description

一种无人船能效智能优化仿真系统及方法

技术领域

本发明涉及无人船能效智能优化管理技术领域，尤其涉及一种无人船能效智能优化仿真系统及方法。

背景技术

随着人工智能、大数据、物联网等技术的快速发展，推动了船舶智能化水平的不断提升，无人船的研发与应用将是大势所趋。智能能效管理作为智能船舶发展的重要组成部分，是以实现船舶能效实时监控、智能评估及优化，提高船舶能效管理水平为目的，其通过大数据分析技术、数值分析及优化技术，为船舶提供数据评估分析结果和辅助决策建议。

因此，无人船能效的远程监控与智能优化决策是无人船得以安全高效航行的基础。但是，目前尚缺乏面向无人船能效远程监控与智能决策技术，即缺少面向无人船的船舶能效优化管理仿真系统与智能决策验证方法，难以评估智能决策方法在实际应用中的可行性与适用性。

发明内容

基于此，为解决现有技术所存在的不足，特提出了一种无人船能效智能优化仿真系统与方法。

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。

可选的，在其中一个实施例中，所述船端数据采集单元包括：

所述船端数据采集单元包括数据采集模块和无线通信模块，所述数据采集模块能够实时采集在航船舶的船端数据并将所采集到的船端数据在本地备份存储；所述无线通信模块能够将船端数据传输至岸基能效监控单元。

可选的，在其中一个实施例中，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。

可选的，在其中一个实施例中，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。

可选的，在其中一个实施例中，所述数据关联分析子模块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的过程包括：

B1、对所述通航环境数据、船舶主机转速数据和船舶油耗数据进行归一化处理，并对各所述数据分别进行聚类分析以获取各自对应的M个数据类别；

B2、对聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据进行频繁模式挖掘分析以获得各自对应的频繁项集，进而确定不同类别下，通航环境、船舶主机转速和船舶油耗的关联关系。

可选的，在其中一个实施例中，所述对聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据进行频繁模式挖掘分析以获得各自对应的频繁项集，进而确定不同类别下，通航环境数据、船舶主机转速数据、船舶油耗数据的关联关系的过程包括：

B21、分别统计出聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据中，大于频繁项集阀值的每一类别出现的次数后，按照降序排序确定出一维频繁项集；

B22、过滤出每个通航环境数据、船舶主机转速数据、船舶油耗数据中所对应的一维频繁项集中的不频繁项集后，并将未被滤除的一维频繁项集按降序顺序排序，从而获得过滤后的一维频繁项集；

B23、将过滤后的每个通航环境数据、船舶主机转速数据、船舶油耗数据中所对应的一维频繁项集分别插入到预设的频繁模式树中，同时将所述频繁模式树中相同的一维频繁项集连接起来，并进行降序排序；

B24、从排序后的最后一个一维频繁项集开始，依次寻找该一维频繁项集在频繁模式树中的同名节点，并在此节点往上遍历至根节点以确定出对应的路径，下一个同名节点重复前述步骤，直至不存在同名节点；

B25、基于步骤B24中的同名节点确定出对应的原始事务集，并基于步骤B21至B23的数据重新建立频繁模式树从而获得不同通航环境数据、船舶主机转速数据、船舶油耗数据中的频繁项集。

可选的，在其中一个实施例中，对所述船端数据进行能效状态水平评估分析，其包括：

C1、根据实船采集的船舶航速数据特征，判断船舶的航行状态；

C2、基于的船舶能效历史数据确定出船舶的能效基线及能效评估准则，其具体包括：

C21、将所述船舶能效历史数据即船舶油耗数据从小到大进行增序排列；

C22、确定出排序后的数据中所对应的中位数、下四分位数、上四分位数、上边界、下边界，其中，所述中位数为总数据数量的50％处的值，下四分位数为总数据数量的25％处的值，用Q1表示；上四分位数为总数据数量的75％处的值，用Q3表示；上下四分位数的差值称为上下四分位差，用IQR表示；则上边界用Q3+1.5X IQR表示；下边界用LL＝Q1-1.5X IQR表示；

C23、划分能效区分区间，即由中位数、下四分位数、上四分位数、上边界、下边界形成6个区间范围，其中第一个区间为下边界至下四分位数，表示能效状态优秀；第二个区间为下四分位数至中位数，表示能效状态良好；第三个区间为中位数至上四分位数，表示能效状态一般；第四个区间为上四分位数至上边界，表示能效状态较差；大于上边界、小于下边界则分别为第五和第六个区间，表示能效状态异常；

C24、基于所划分的能效区分区间，确定实船的监测数据所对应的船舶能效状态即进行船舶能效状态的评估并给出对应的评估结果。

可选的，在其中一个实施例中，所述岸基能效智能决策仿真单元包括第二数据通信模块、第二数据存储模块、智能决策模块、建模仿真模块和第二数据可视化模块；第二数据通信模块能够接收船端数据；所述第二数据存储模块能够存储各通信数据帧以供单元内各个模块调用，同时能够根据实际需要将自行在网络下载船舶运动状态数据、推进系统运行状态数据、船舶相关操作参数数据并存储于内部的数据库中；所述智能决策模块能够基于群智能启发式算法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，以确定船舶的最佳航速和航向的决策；所述建模仿真模块能够将智能决策结果施加于所建立的船舶运动模型以实现船舶航速和航向的优化控制仿真，所述第二数据可视化模块能够对仿真结果进行实时显示。

可选的，在其中一个实施例中，所述智能决策模块能够基于群智能启发式算及船舶能效模型，法获取不同航行通航环境和运输需求条件下的船舶航行自主智能决策结果，以确定实现船舶的最佳航速和航向的决策，具体如下：

D1、初始化初始状态值T₀，以及航速和航向角矩阵值X₀，并确定每个状态值下需要进行的迭代次数L；

D2、基于k＝1,2,...,L，执行步骤D3至D6；

D3、根据当前的状态值T产生一个航速和航向角矩阵值新解X′；

D4、基于预设的船舶运动模型和船舶能效模型计算评价函数增量ΔE＝E(X′)-E(X)，其中E(X)为船舶的能耗的评价函数；

D5、判断是否ΔE＜0，是则当前解改变为X′，否则当前解变为X′的概率为exp(-ΔE/T)；

D6、判断是否满足当前状态值T下所对应的终止条件，满足，则执行步骤D7，不满足，返回步骤D2；

D7、逐渐减小状态值T至趋近于0，实时判断是否满足终止条件，满足，根据当前解可以获得船舶不同航段的最佳航速和航向角，不满足，返回步骤D2。

可选的，在其中一个实施例中，所述建模仿真模块中的船舶运动模型对应的模型公式为：

各式中，m为船舶质量；m_x为船舶在G_X方向上的附加质量；m_y为船舶在G_Y方向上的附加质量；u为船舶在G_X方向上的速度；v为船舶在G_Y方向上的速度；n为螺旋桨的转速；r为船舶转首角速度；I_pp为螺旋桨和轴系的转动惯量；J_pp为螺旋桨的附加转动惯量；I_zz为惯性力矩；J_zz为附加惯性力矩；X为船舶在G_X方向上的力；Y为船舶在G_Y方向上的力；N为船舶所受力矩；下标中的H、P和R分别表示船、桨和舵的作用力或作用力矩；Q_E为主机转矩；Q_P为螺旋桨吸收转矩；Q_f为轴系摩擦消耗的转矩；

表示对各自对应的参数进行求导，如

即对参数u进行求导。

可选的，在其中一个实施例中，所述船舶能效模型对应的模型公式为：

式中：q_main为船舶主机单位距离的燃油消耗量，其是船舶对地航速和通航环境参数的函数；R为船舶航行方向上的总阻力；V_g为船舶对地航速，V_g＝V_s±V_w，其中，V_s为船舶对水航速，V_w、V_wind、H和h分别为水流速度、风速、水深和浪高；g_main为船舶主机的油耗率，其具体值从船舶主机的特性曲线获得。

可选的，在其中一个实施例中，所述船端数据采集单元还包括：船端控制模块，该模块能够接收所述岸基能效监控单元传输的智能决策结果并执行，以实现远端在航船舶的实时优化控制。

此外，为解决传统技术在所存在的不足，还提出了一种无人船能效智能优化仿真方法，其特征在于，包括：

步骤1、在船端设置船端数据采集单元，通过该单元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；

步骤2、在岸基的控制系统中设置岸基能效监控单元来存储船端数据，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；

步骤3、同时通过设置于所述岸基的控制系统中岸基能效智能决策仿真单元，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，进而实现船舶航速和航向的优化控制仿真，并进行实时显示。

实施本发明实施例，将具有如下有益效果：

本发明实现了无人船能效的大数据分析、智能决策、优化控制仿真与验证的功能即本发明可以实现不同运行场景、不同控制决策下的船舶运行状态与能效状态的动态仿真，通过仿真结果可以验证不同条件下所制定的智能决策方法的有效性和可行性，从而为无人船智能能效优化管理技术的研究与应用奠定基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中所述系统的结构框架图；

图2为一个实施例中所述岸基能效监控单元的结构框架图；

图3为一个实施例中所述岸基能效智能决策仿真单元的结构框架图；

图4为一个实施例中所述核心步骤流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一元件称为第二元件，且类似地，可将第二元件为第一元件。第一元件和第二元件两者都是元件，但其不是同一元件。

为了解决在面对现有技术存在的不足，在本实施例中，特提出了一种无人船能效智能优化仿真系统的结构，如图1至图4所示，一种无人船能效智能优化仿真系统，由无人船能效数据采集单元即船端数据采集单元、岸基能效监控单元、岸基能效智能决策仿真单元组成，其特征在于，船端数据采集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；岸基能效智能决策仿真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。

在其中一个具体实施例中，所述船端数据采集单元包括数据采集模块和无线通信模块，所述数据采集模块能够实时采集在航船舶的船端数据并将所采集到的船端数据在本地备份存储；所述无线通信模块能够将船端数据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；在更进一步的实施例中，所述数据采集模块包括：风速风向仪，其能够实时采集通航环境数据中的风速风向数据；GPS定位模块，其能够实时采集航行姿态数据中的船舶对地航速数据；测深仪，其能够实时采集通航环境数据中的水深数据；计程仪，其能够实时采集航行姿态数据中的船舶对水航速数据；油耗仪，其能够实时采集船舶能效数据中的油耗数据；扭矩仪，其能够实时采集船舶能效数据中的船舶轴系的功率与转速；倾斜仪，其能够实时采集航行姿态数据中的船舶的纵倾角；在更进一步的实施例中，所述数据采集模块在将船端数据存储在船端本地数据库的同时，还能够对所采集的船端数据进行压缩处理并将压缩处理后的数据进行打包，以便于无线通信模块以数据包的形式传输至岸基能效监控单元，以减少数据传输量；所述的压缩处理采用完全可逆的LZW压缩技术，以通过所述LZW压缩技术对通航环境、航行姿态、船舶能效等数据进行编码；建立所采集的数据与编码数据的映射关系，以将所述数据与编码数据一一对应起来；将编码后的数据压缩及打包处理后以数据包的形式将数据通过无线通信模块传输至岸端；其中，LZW压缩技术中又叫“串表压缩算法”，就是通过建立一个字符串表，用较短的代码来表示较长的字符串来实现压缩。在更进一步的实施例中，所述无线通信模块包括船端通讯电脑、船端卫通设备、海事卫星、卫星地面接收站和因特网。在其中一个具体实施例中，所述船端数据采集单元还包括：船端控制模块，该模块能够接收所述岸基能效监控单元传输的智能决策结果并执行，以实现远端在航船舶的实时优化控制，其还能够将控制作用反馈至岸基能效智能决策仿真单元，进行实时动态显示。

在其中一个具体实施例中，如图2所示，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。更进一步的，所述第一数据通信模块主要由无线路由器、服务器，以及交换机组成，其通信形式采用串行通信和工业以太网通信相结合的数字通信形式进行，从而确保数据传输的准确度、实时性和可靠性。其中，交换机将网络划分为若干网段，具有数据存储、转发的功能，缓冲各端口之间输入和输出的数据帧。所述第一数据存储模块还能根据实际需要将网络上各类型数据存储于数据库；所述数据分析模块能够在实际使用中，若需要调用或查询相关数据可通过该模块间接完成，且数据的记录以数据库方式存储于平台的服务器，对应的信息管理采取循环归档方式并指定信息归档数量，旧的信息可被新信息自动替代。所述第一数据可视化模块能够实时显示起止港口、通航环境、航行里程、船舶能效、船舶油耗、CO₂排放、船舶航速、螺旋桨转速、推进功率数据，通过点击相应参数的热键，可以展现各数据参数的时序分析图、发展趋势预测图；此外，通过点击船舶能效热键，可以实现船舶能效状态评估结果的动态展示。

在其中一个具体实施例中，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。

在其中一个具体实施例中，所述数据关联分析子模块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的过程包括：

B1、对所述通航环境数据、船舶主机转速数据和船舶油耗数据进行归一化处理，并对各所述数据分别进行聚类分析以获取各自对应的M个数据类别，数据类别划分可由经验值或者专家库直接确定；聚类分析优选采用k-means聚类分析算法；

B2、对聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据进行频繁模式挖掘分析以获得各自对应的频繁项集，进而确定不同类别下，通航环境、船舶主机转速和船舶油耗的关联关系；其中，频繁模式是频繁地出现在数据集中的模式(如项集、子序列或者子结构)。

在其中一个具体实施例中，所述对聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据进行频繁模式挖掘分析以获得各自对应的频繁项集，进而确定不同类别下，通航环境数据、船舶主机转速数据、船舶油耗数据的关联关系的过程包括：

B21、分别统计出聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据中，大于频繁项集阀值的每一类别出现的次数后，按照降序排序确定出一维频繁项集；

B22、过滤出每个通航环境数据、船舶主机转速数据、船舶油耗数据中所对应的一维频繁项集中的不频繁项集后(过滤规则为判断是否超过设定阈值)，并将未被滤除的一维频繁项集按降序顺序排序，从而获得过滤后的一维频繁项集；

B23、将过滤后的每个通航环境数据、船舶主机转速数据、船舶油耗数据中所对应的一维频繁项集分别插入到预设的频繁模式树中，同时将所述频繁模式树中相同的一维频繁项集连接起来，并进行降序排序；

B24、从排序后的最后一个类别的一维频繁项集开始，依次寻找该类别对应的一维频繁项集在频繁模式树中的同名节点，并在此节点往上遍历至根节点以确定出对应的一条路径，下一个同名节点重复前述步骤，直至不存在同名节点；

B25、基于步骤B24中的同名节点确定出对应的原始事务集，并基于步骤B21至B23的数据重新建立频繁模式树从而获得不同通航环境数据、船舶主机转速数据、船舶油耗数据中的频繁项集；其中以频繁项集的元素作为根节点，且每次递归调用建树时根节点项目叠加，当遍历完所有项目后，频繁模式挖掘完毕，从而可以获得不同通航环境要素、主机转速、船舶油耗数组的频繁项集。

在其中一个具体实施例中，对所述船端数据进行能效状态水平评估分析，其包括：

C1、根据实船采集的船舶航速数据特征，判断船舶的航行状态；即基于预先所采集的不同航行状态船舶航速历史数据的时序特征分析结果，再结合实船采集的船舶航速数据特征，判断船舶的航行状态

C2、基于船舶能效历史数据确定出船舶的能效基线及能效评估准则，其具体包括：

C21、将所述船舶能效历史数据即船舶油耗数据从小到大进行增序排列；

C22、确定出排序后的数据中所对应的中位数、下四分位数、上四分位数、上边界、下边界，其中，所述中位数为总数据数量的50％处的值，下四分位数为总数据数量的25％处的值，用Q1表示；上四分位数为总数据数量的75％处的值，用Q3表示；上下四分位数的差值称为上下四分位差，用IQR表示；则上边界用Q3+1.5X IQR表示；下边界用LL＝Q1-1.5X IQR表示；上述中位数、下四分位数、上四分位数、上边界、下边界的统计并不是绝对按照总数据数量的百分比统计，可按照实际情况适当调整，即总数据数量为133，则所述中位数可以是第66个数值，也可以是第67个数值。

C23、划分能效区分区间，即由中位数、下四分位数、上四分位数、上边界、下边界形成6个区间范围，其中第一个区间为下边界至下四分位数，表示能效状态优秀；第二个区间为下四分位数至中位数，表示能效状态良好；第三个区间为中位数至上四分位数，表示能效状态一般；第四个区间为上四分位数至上边界，表示能效状态较差；大于上边界、小于下边界则分别为第五和第六个区间，表示能效状态异常；

C24、基于所划分的能效区分区间，确定实船的监测数据所对应的船舶能效状态即进行船舶能效状态的评估并给出对应的评估结果。

在其中一个具体实施例中，所述岸基能效智能决策仿真单元包括第二数据通信模块、第二数据存储模块、智能决策模块、建模仿真模块和第二数据可视化模块；第二数据通信模块能够接收船端数据；所述第二数据存储模块能够存储各通信数据帧以供单元内各个模块调用，同时能够根据实际需要将自行在网络下载船舶运动状态数据、推进系统运行状态数据、船舶相关操作参数数据并存储于内部的数据库中；所述智能决策模块能够基于群智能启发式算法及船舶能效模型，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，以确定船舶的最佳航速和航向的决策；所述建模仿真模块能够将智能决策结果施加于所建立的船舶运动模型以实现船舶航速和航向的优化控制仿真，所述第二数据可视化模块能够对仿真结果进行实时显示。更进一步的，所述第二数据通信模块主要由无线路由器、服务器，以及交换机组成，其通信形式采用串行通信和工业以太网通信相结合的数字通信形式进行，从而确保数据传输的准确度、实时性和可靠性；所述第二数据存储模块根据实际需要将网络上各类型数据存储于数据库。所述智能决策模块能够基于实船采集的营运数据和船舶的基本技术参数，在大数据分析的基础上，采用启发式群智能算法及船舶能效模型实现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，包括船舶的最佳航速和航向的决策，在保证船舶航行安全性的条件下，提高船舶的经济性和能效水平；此外，智能决策模块一方面可将智能决策结果施加于所建立的船舶运动，实现船舶航速和航向的优化控制仿真，从而可以验证智能决策方法的有效性。当智能决策方法有效时，还可以将决策结果发送至远端在航船舶，控制船舶的航速和航向。进一步的，所述建模仿真模块是基于数据驱动的建模仿真模块，其可通过利用3dMax建模软件，实现船舶运营场景与船体的三维视景建模，并建立船舶推进系统三维模型，如在Virtools虚拟现实引擎中实现场景的自动漫游与手动漫游；其中的船舶运动数学模型和船舶能效数学模型在VS.net2010中采用C#语言编写，二者通过网络通信实现进程的数据交互；相关模型和场景建模基于实时采集的数据进行驱动，并通过采用三维视景技术及实测与仿真数据交互技术相结合，将后台运行的数学模型和决策算法与视景中的虚拟船舶和设备相结合，可以实现无人船能效智能优化的模拟操控。第二数据可视化模块可以进行船舶运行场景的实时展现，以及船舶运动状态(包括环境参数、航速、航向)和推进系统运行状态(主机转速、主机功率、油耗)，以及船舶相关操作参数(包括航行时间、航行里程、能效、CO₂排放等)的实时展示(包括、主机参数等)。其优点在于采用虚拟现实技术进行轮机人员培训除可以节省培训中必须的设备、场地、经费等硬件成本外，还可以打破时间、空间的限制，规避实验操作带来的各种风险，并且可以无限制重复试验，系统维护成本较为低廉。因此，在本具体实施例中，用户通过输入船舶的基本参数和运行信息后，通过启动智能决策仿真系统后，系统基于嵌入式仿真技术，可以自动地实现三维场景中的船舶速度及航线的实时控制。如图4所示，系统通过智能决策模块所获得的最佳航速和航向，自动将操作指令发送到所建立的数学模型，驱动模型进行仿真计算，并将计算结果反馈到三维场景，通过仪表、指示灯等实时更新显示，实现在线的实时仿真。仿真系统的软件基于船舶运动数学模型和船舶能效数学模型及三维图形引擎，通过虚拟操作，达到和实船一致的运行效果。

在其中一个具体实施例中，所述智能决策模块能够基于群智能启发式算法获取不同航行通航环境和运输需求条件下的船舶航行自主智能决策结果，以确定实现船舶的最佳航速和航向的决策，具体如下：

D1、初始化初始状态值T₀，以及航速和航向角矩阵值X₀，并确定每个状态值下需要进行的迭代次数L；

D2、基于k＝1,2,...,L，执行步骤D3-D6；

D3、根据当前的状态值T产生一个航速和航向角矩阵值新解X′；

D4、基于预设的船舶运动模型和船舶能效模型计算评价函数增量ΔE＝E(X′)-E(X)，其中E(X)为预设的船舶的能耗的评价函数；

D5、判断是否ΔE＜0，是则当前解改变为X′，否则当前解变为X′的概率为exp(-ΔE/T)；

D6、判断是否满足当前状态值T下所对应的终止条件，满足，则执行步骤D7，不满足，返回步骤D2；

D7、逐渐减小状态值T至趋近于0，实时判断是否满足终止条件，满足，根据当前解可以获得船舶不同航段的最佳航速和航向角，不满足，返回步骤D2。

在其中一个具体实施例中，所述建模仿真模块中的船舶运动模型对应的模型公式为：

各式中，m为船舶质量；m_x为船舶在G_X方向上的附加质量；m_y为船舶在G_Y方向上的附加质量；u为船舶在G_X方向上的速度；v为船舶在G_Y方向上的速度；n为螺旋桨的转速；r为船舶转首角速度；I_pp为螺旋桨和轴系的转动惯量；J_pp为螺旋桨的附加转动惯量；I_zz为惯性力矩；J_zz为附加惯性力矩；X为船舶在G_X方向上的力；Y为船舶在G_Y方向上的力；N为船舶所受力矩；下标中的H、P和R分别表示船、桨和舵的作用力或作用力矩；Q_E为主机转矩；Q_P为螺旋桨吸收转矩；Q_f为轴系摩擦消耗的转矩；

表示对各自对应的参数进行求导，如

即对参数u进行求导。

所述的船舶能效模型对应的模型公式为：

式中：q_main为船舶主机单位距离的燃油消耗量，其是船舶对地航速和通航环境参数的函数；R为船舶航行方向上的总阻力；V_g为船舶对地航速，V_g＝V_s±V_w，其中，V_s为船舶对水航速，V_w、V_wind、H和h分别为水流速度、风速、水深和浪高；g_main为船舶主机的油耗率，其具体值从船舶主机的特性曲线获得；更进一步的，所述船舶能效模型的创建过程包括：

1)首先，计算船舶阻力，即根据船舶运动模型及船舶的技术参数计算船舶阻力；

2)其次，计算主机功率。当船舶以静水航速V_S匀速航行时，螺旋桨的有效推力T_E及螺旋桨有效功率与船体阻力的关系可分别通过下式获得：

T_E＝R＝(1-t)T (16)

P_E＝k·R·V_S (17)

式中，t为推力减额系数；船体受到的阻力R；P_E为螺旋桨有效功率；k为螺旋桨个数；产生推动船舶前进的推力T。

则船舶主机发出的功率P_B可由下式获得：

P_B＝P_D/η_Sη_G (18)

P_D＝P_E/η_Oη_Hη_R (19)

式中，η_S为轴系传递效率；η_G为齿轮箱效率；η_O为螺旋桨敞水效率；η_R为相对旋转效率；η_H为船身效率，

w为伴流系数；P_D为螺旋桨收到的功率。

根据船舶原理可知，螺旋桨推力T为：

T＝K_T×ρn²D⁴ (20)

式中，K_T为推力系数；ρ为水的密度；n为螺旋桨转速；D为螺旋桨直径。

此外，螺旋桨进速系数J和敞水效率η_O可以表示为：

式中，V_A为航速；K_Q为转矩系数。

综上可知：

3)最后，计算船舶主机油耗，如下式所示。

此外，为解决传统技术在所存在的不足，还提出了一种无人船能效智能优化仿真方法，其特征在于，包括：

步骤1、通过船端数据采集单元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；

步骤2、通过岸基能效监控单元存储船端数据，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；

步骤3、同时通过岸基能效智能决策仿真单元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；同时实现船舶航速和航向的优化控制仿真，并进行实时显示。由于上述核心技术方案与所述系统部分一致，本部分不再赘述。

综上所述，本发明通过采用大数据分析、数字孪生技术、三维视景及虚拟现实技术，实现了无人船能效的大数据分析、智能决策、优化控制仿真与验证的功能。因此，本发明可以实现不同运行场景、不同控制决策下的船舶运行状态与能效状态的动态仿真，通过仿真结果可以验证不同条件下所制定的智能决策方法的有效性和可行性，从而为无人船智能能效优化管理技术的研究与应用奠定基础。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

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。

2.根据权利要求1所述的无人船能效智能优化仿真系统，其特征在于，所述船端数据采集单元包括：

所述船端数据采集单元包括数据采集模块和无线通信模块，所述数据采集模块能够实时采集在航船舶的船端数据并将所采集到的船端数据在本地备份存储；所述无线通信模块能够将船端数据传输至岸基能效监控单元。

3.根据权利要求1所述的无人船能效智能优化仿真系统，其特征在于，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。

4.根据权利要求3所述的无人船能效智能优化仿真系统，其特征在于，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。

5.根据权利要求3所述的无人船能效智能优化仿真系统，其特征在于，所述数据关联分析子模块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的过程包括：

B1、对所述通航环境数据、船舶主机转速数据和船舶油耗数据进行归一化处理，并对各所述数据分别进行聚类分析以获取各自对应的M个数据类别；

B2、对聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据进行频繁模式挖掘分析以获得各自对应的频繁项集，进而确定不同类别下，通航环境、主机转速和船舶油耗的关联关系。

6.根据权利要求5所述的无人船能效智能优化仿真系统，其特征在于，所述对聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据进行频繁模式挖掘分析以获得各自对应的频繁项集，进而确定不同类别下，通航环境数据、船舶主机转速数据、船舶油耗数据的关联关系的过程包括：

B21、分别统计出聚类分析后的通航环境数据、船舶主机转速数据、船舶油耗数据中，大于频繁项集阀值的每一类别出现的次数后，按照降序排序确定出一维频繁项集；

B22、过滤出每个通航环境数据、船舶主机转速数据、船舶油耗数据中所对应的一维频繁项集中的不频繁项集后，并将未被滤除的一维频繁项集按降序顺序排序，从而获得过滤后的一维频繁项集；

B23、将过滤后的每个通航环境数据、船舶主机转速数据、船舶油耗数据中所对应的一维频繁项集分别插入到预设的频繁模式树中，同时将所述频繁模式树中相同的一维频繁项集连接起来，并进行降序排序；

B24、从排序后的最后一个一维频繁项集开始，依次寻找该一维频繁项集在频繁模式树中的同名节点，并在此节点往上遍历至根节点以确定出对应的路径，下一个同名节点重复前述步骤，直至不存在同名节点；

B25、基于步骤B24中的同名节点确定出对应的原始事务集，并基于步骤B21至B23的数据重新建立频繁模式树从而获得不同通航环境数据、船舶主机转速数据、船舶油耗数据中的频繁项集。

7.根据权利要求3所述的无人船能效智能优化仿真系统，其特征在于，所述岸基能效智能决策仿真单元包括第二数据通信模块、第二数据存储模块、智能决策模块、建模仿真模块和第二数据可视化模块；第二数据通信模块能够接收船端数据；所述第二数据存储模块能够存储各通信数据帧以供单元内各个模块调用，同时能够根据实际需要将自行在网络下载船舶运动状态数据、推进系统运行状态数据、船舶相关操作参数数据并存储于内部的数据库中；所述智能决策模块能够基于群智能启发式算法及船舶能效模型，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，以确定船舶的最佳航速和航向的决策；所述建模仿真模块能够将智能决策结果施加于所建立的船舶运动模型以实现船舶航速和航向的优化控制仿真，所述第二数据可视化模块能够对仿真结果进行实时显示。

8.根据权利要求7所述的无人船能效智能优化仿真系统，其特征在于，所述智能决策模块能够基于群智能启发式算法及船舶能效模型，获取不同航行通航环境和运输需求条件下的船舶航行自主智能决策结果，以确定实现船舶的最佳航速和航向的决策，具体如下：

C1、初始化初始状态值T₀，以及航速和航向角矩阵值X₀，并确定每个状态值下需要进行的迭代次数L；

C2、基于k＝1,2,...,L，执行步骤C3至C6；

C3、根据当前的状态值T产生一个航速和航向角矩阵值新解X′；

C4、基于预设的船舶运动模型和船舶能效模型计算评价函数增量ΔE＝E(X′)-E(X)，其中E(X)为船舶的能耗的评价函数；

C5、判断是否ΔE＜0，是则当前解改变为X′，否则当前解变为X′的概率为exp(-ΔE/T)；

C6、判断是否满足当前状态值T下所对应的终止条件，满足，则执行步骤C7，不满足，返回步骤C2；

C7、逐渐减小状态值T至趋近于0，实时判断是否满足终止条件，满足，根据当前解可以获得船舶不同航段的最佳航速和航向角，不满足，返回步骤C2。

9.根据权利要求3所述的无人船能效智能优化仿真系统，其特征在于，所述建模仿真模块中的船舶运动模型对应的模型公式为：

各式中，m为船舶质量；m_x为船舶在G_X方向上的附加质量；m_y为船舶在G_Y方向上的附加质量；u为船舶在G_X方向上的速度；v为船舶在G_Y方向上的速度；n为螺旋桨的转速；r为船舶转首角速度；I_pp为螺旋桨和轴系的转动惯量；J_pp为螺旋桨的附加转动惯量；I_zz为惯性力矩；J_zz为附加惯性力矩；X为船舶在G_X方向上的力；Y为船舶在G_Y方向上的力；N为船舶所受力矩；下标中的H、P和R分别表示船、桨和舵的作用力或作用力矩；Q_E为主机转矩；Q_P为螺旋桨吸收转矩；Q_f为轴系摩擦消耗的转矩；

表示对各自对应的参数进行求导；

所述船舶能效模型对应的模型公式为：

式中：q_main为船舶主机单位距离的燃油消耗量，其是船舶对地航速和通航环境参数的函数；R为船舶航行方向上的总阻力；V_g为船舶对地航速，V_g＝V_s±V_w，其中，V_s为船舶对水航速，V_w、V_wind、H和h分别为水流速度、风速、水深和浪高；g_main为船舶主机的油耗率，其具体值从船舶主机的特性曲线获得。

10.一种无人船能效智能优化仿真方法，其特征在于，包括：

步骤1、在船端设置船端数据采集单元，通过该单元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；

步骤2、在岸基的控制系统中设置岸基能效监控单元来存储船端数据，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；

步骤3、同时通过设置于所述岸基的控制系统中岸基能效智能决策仿真单元，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，进而实现船舶航速和航向的优化控制仿真，并进行实时显示。

Images