CN111199103B - 全电力推进船舶的全流程自动计算的航速优化方法及系统 - Google Patents

Abstract

本发明提供了一种全电力推进船舶的全流程自动计算的航速优化方法及系统，包括：获取数据步骤：获取船舶数据；划分步骤：对航线进行划分；建模步骤：根据船舶数据，建立船舶阻力计算模型、船舶推力计算模型、船舶功率分配计算模型和柴油机总燃油消耗总量模型；模型优化步骤：增加条件约束，建立航速优化模型；计算步骤：对各模型进行计算，得出优化结果，并运用到船舶航行中。本发明对航线聚类算法到航速优化算法及其他计算进行了整合，全流程自动计算，可实现一键优化操作，并将与船舶相关的参数放置于配置文件，便于算法迁移应用到其他船舶。

Description

全电力推进船舶的全流程自动计算的航速优化方法及系统

技术领域

本发明涉及船舶智能能效优化领域，具体地，涉及一种全电力推进船舶的全流程自动计算的航速优化方法及系统。

背景技术

船舶航速优化是船舶智能能效优化技术的重要组成部分，能提供关于提高船舶能效、降低燃油消耗的航速智能决策。对于纯电力推进船舶，影响最优航速的因素错综复杂，包括船舶航线、航行计划、海洋风浪等气象条件、主柴油机燃油消耗特性、船舶电力负载等，如何综合考虑以上因素，并为船舶提供以燃油消耗最低为目标的航速优化决策，对于智能船舶能效意义重大。

遗传算法属于启发式算法的一种，提供了解决最优化问题的有效手段。遗传算法并不是在单一解上运算，而是使用群体搜索技术，使用类似于生物进化式的方法逐步使种群进化到包含近似最优解的状态。相对于传统的搜索和优化算法，遗传算法具有与生俱来的并行性，它可以并行搜索一组数据点，且遗传算法鲁棒性强。

经调研，目前行业内学者提出的航速优化方法基本上只适用于传统推进船舶，无法应用于纯电力推进船舶，且大多数航速优化算法采用matlab平台，需要人为分步骤开展航线分段和航速优化算法函数编写，算法集成度不高，且应用于其他同类动力系统船舶的可迁移性差。

鉴于上述问题，本方法提供了一种python语言编写的基于遗传算法的航速优化方法，该方法适用于纯电力推进船舶，算法集成度高，用户通过修改配置文件即可完成算法参数修改，整个算法可完成全流程自动计算，且能较好地迁移到其他电力推进船舶的航速优化问题。计算完成后，算法自动输出各分段航程推荐航速及各台主机最优功率分配。

专利文献CN108287489A(申请号：201810070205.5)公开了一种船舶航速控制方法及系统，该方法包括：获取船只运行参数和环境状态数据；根据所述船只运行参数和环境状态数据计算最佳航速范围；根据所述最佳航速范围控制船舶航行速度。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种全电力推进船舶的全流程自动计算的航速优化方法及系统。

根据本发明提供的全电力推进船舶的全流程自动计算的航速优化方法，包括：

获取数据步骤：获取船舶数据；

划分步骤：对航线进行划分；

建模步骤：根据船舶数据，建立船舶阻力计算模型、船舶推力计算模型、船舶功率分配计算模型和柴油机总燃油消耗总量模型；

模型优化步骤：增加条件约束，建立航速优化模型；

计算步骤：对各模型进行计算，得出优化结果，并运用到船舶航行中。

优选地，所述船舶数据包括：船舶的固定参数数据、船舶历史航行数据或试航数据、当前航次航行计划数据、主柴油机燃油消耗率特性曲线数据、螺旋桨特性曲线数据、综合电力系统原理图和全船电力负载值。

优选地，所述划分步骤包括：根据航线气象预报数据，对航线进行聚类，采用DBSCAN算法，找出航线分段点，并获取航线分段总数。

优选地，所述聚类包括：通过邻域的距离阈值和类内最少样本数量调整算法参数，获得聚类结果；

根据半正矢公式计算航行距离，得到总航行距离和各分段航行距离。

优选地，所述模型优化步骤包括：以各分航段航速和各台主机功率为自变量，以总燃油消耗率为目标函数，以总航行时间、航速值范围及主机功率值范围作为约束范围，建立航速优化数学模型。

优选地，所述计算步骤包括：使用python遗传算法，根据航线分段数量，定义自变量数量；

使用目标函数矩阵ObjV存储种群的目标函数值；

使用种群表现型矩阵Phen存储种群个体；

使用列向量FitnV存储种群个体适应度；

优化结果包括优化后的分段航程航速、各台主机功率分配、航行时间及可视化图形；

用户根据需求选择输出方式。

优选地，所述计算步骤包括：使用遗传算法进行模型优化，根据个体的适应度，从第m代群体P(m)中选择个体遗传到下一代群体P(m+1)中，每一代迭代计算，将具有最大适应度的个体作为最优解输出。

优选地，所述获取数据步骤包括：将固定参数写入配置文件中，随航行过程变化的参数通过传感器读入，用户只需输入本航次计划航线的数据。

根据本发明提供的全电力推进船舶的全流程自动计算的航速优化系统，包括：

获取数据模块：获取船舶数据；

划分模块：对航线进行划分；

建模模块：根据船舶数据，建立船舶阻力计算模型、船舶推力计算模型、船舶功率分配计算模型和柴油机总燃油消耗总量模型；

模型优化模块：增加条件约束，建立航速优化模型；

计算模块：对各模型进行计算，得出优化结果，并运用到船舶航行中。

与现有技术相比，本发明具有如下的有益效果：

1、本发明采用python语言编程，对航线聚类算法到航速优化算法及其他计算进行了整合，全流程自动计算，可实现一键优化操作，并将与船舶相关的参数放置于配置文件，便于算法迁移应用到其他船舶；

2、本发明采用的算法适用于纯电力推进船舶，填补了目前航速优化算法在此方面的空白，算法输出不仅包括各航段优化航速，还包括各航段主机最优功率分配。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明航速优化方法的原理示意图；

图2是本发明算法的输入输出示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

图1是本发明的方法原理图，依照图1，本方案的具体实施方式如下：

步骤S1，收集算法所需必要数据，即船舶的固定参数数据、船舶历史航行数据或试航数据以及当前航次航行计划数据，具体包括船舶主尺寸数据、主柴油发电机额定数据、主柴油机燃油消耗率特性曲线数据、主推进系统额定数据、螺旋桨特性曲线数据、综合电力系统原理图；推进系统功率与航速、螺旋桨进速系数与螺旋桨推力系数数据、船舶电力负载数据；航线航路点经纬度数据、航线气象预报数据。

步骤S2，采用python DBSCAN算法对船舶航线进行聚类，聚类依据为气象条件相似，根据收集的气象条件进行聚类算法输入，通常为风速、风向、波高、波浪方向等。算法调参参数为ε-邻域的距离阈值eps和类内最少样本数量min_samples，聚类结束后得到航线分段点，根据航线分段点计算航线分段数n。再依照步骤S3，计算各分段航程的距离Si以及航线总距离S。计算方法采用python geopy工具包geodesic计算方法，此方法可根据地球上点的经纬度计算其距离。

步骤S4，依据船舶主尺寸数据和经验参数数据，建立船舶阻力计算模型。具体而言包括船长、船宽、水线长度、方形系数、螺旋桨直径、吃水、排水量、船体水线以上的部分在中横剖面的投影面积，以及粗糙度补偿系数、附体阻力系数、空气阻力系数、平均风速、平均浪高，计算推导包括空气阻力、波浪增阻、静水阻力和航行阻力R，其中R_i＝f(v_i)，其中v_i为各分段航速。

步骤S5，建立船舶推力模型，其中最重要的是建立螺旋桨推力系数关系模型，此关系模型必须依据螺旋桨推力特性曲线或者船舶水池试验，通过拟合得到，本例拟合得到的船舶相对推力系数Kt'与相对进速系数λ'的关系模型为Kt'＝g(λ')，其相关系数R2>0.999。船舶推力T_i＝h(v_i,n_i)，其中v_i为各分段航速，n_i为各分段螺旋桨转速。依据船舶定速航行原理，设定船舶在各分航段采取定速航行，即R_i＝T_i。

步骤S6和S7，建立船舶电力分配计算模型和总燃油消耗模型，对于纯电力推进船舶而言，需要获取全船电力负载值PL，再根据输入总功率PM和推进系统总功率PT，建立定速航行阶段功率分配模型。依据柴油机燃油消耗特性数据，柴油机在不同负载时具有不同的燃油消耗率，以此建立柴油机功率与燃油消耗率关系模型。

步骤S8，建立航速优化数学模型，目标函数f最小化，约束条件分别为总航行时间不大于航行时间上限，各分段航速满足航速约束范围，各分段主机功率满足主机功率约束范围，其数学模型如下：

v_imin≤v_i≤v_imax

P_jmin≤P_ij≤P_jmax

其中，n为分航段总数，i为航段编号。k为主发电机数量，j为主柴油机编号。S_i为各分段航程，v_i为各分段航速，t₀为航行时间上限。P_ij为航段i第j台柴油机功率。

步骤S9，求解由步骤S8建立的数学模型，在算法模型中设定ObjV矩阵、Phen矩阵、FitnV矩阵及罚函数等，并设置遗传算法参数包括最大遗传代数、种群规模、交叉概率、重组概率、低级算子等开始算法优化计算。根据个体的适应度，按照一定的规则或方法，从第m代群体P(m)中选择出一些优良的个体遗传到下一代群体P(m+1)中，通过每一代迭代计算，输出具有最大适应度的个体作为最优解输出，即各航段优化航速和各航段主机最优功率分配。

图2是本发明的算法输入输出示意图，在步骤S1所示数据全部备齐后，固定参数将在配置文件中写入，随航行过程变化的参数通过传感器读入，对用户而言，需要输入的参数为本航次计划航线的数据，即各航路点经纬度数据，或直接传入历史航行数据。在算法封装完成后，直接输入算法，即可完成全流程算法自动计算，并给出算法输出结果，即各航段优化航速和各航段主机最优功率分配。

本发明适用于全电力推进船舶，可以很方便地集成到自主开发能效软件中，对于一般用户而言，在完成参数配置和采集后，可完成一键全流程自动计算。且本发明方法具有较好的可迁移性，对于其他纯电力推进船舶具有很好的适应性。算法输出的航速优化建议，对于提高船舶能效、降低航行过程中的燃油消耗具有重要参考意义及实用价值。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种全电力推进船舶的全流程自动计算的航速优化方法，其特征在于，包括：

获取数据步骤：获取船舶数据；

划分步骤：对航线进行划分；

建模步骤：根据船舶数据，建立船舶阻力计算模型、船舶推力计算模型、船舶功率分配计算模型和柴油机总燃油消耗总量模型；

模型优化步骤：增加条件约束，建立航速优化模型；

计算步骤：对各模型进行计算，得出优化结果，并运用到船舶航行中；

所述计算步骤包括：使用python遗传算法，根据航线分段数量，定义自变量数量；

使用目标函数矩阵ObjV存储种群的目标函数值；

使用种群表现型矩阵Phen存储种群个体；

使用列向量FitnV存储种群个体适应度；

优化结果包括优化后的分段航程航速、各台主机功率分配、航行时间及可视化图形；

用户根据需求选择输出方式。

2.根据权利要求1所述的全电力推进船舶的全流程自动计算的航速优化方法，其特征在于，所述船舶数据包括：船舶的固定参数数据、船舶历史航行数据或试航数据、当前航次航行计划数据、主柴油机燃油消耗率特性曲线数据、螺旋桨特性曲线数据、综合电力系统原理图和全船电力负载值。

3.根据权利要求1所述的全电力推进船舶的全流程自动计算的航速优化方法，其特征在于，所述划分步骤包括：根据航线气象预报数据，对航线进行聚类，采用DBSCAN算法，找出航线分段点，并获取航线分段总数。

4.根据权利要求3所述的全电力推进船舶的全流程自动计算的航速优化方法，其特征在于，所述聚类包括：通过邻域的距离阈值和类内最少样本数量调整算法参数，获得聚类结果；

根据半正矢公式计算航行距离，得到总航行距离和各分段航行距离。

5.根据权利要求1所述的全电力推进船舶的全流程自动计算的航速优化方法，其特征在于，所述模型优化步骤包括：以各分航段航速和各台主机功率为自变量，以总燃油消耗率为目标函数，以总航行时间、航速值范围及主机功率值范围作为约束范围，建立航速优化数学模型。

6.根据权利要求1所述的全电力推进船舶的全流程自动计算的航速优化方法，其特征在于，所述计算步骤包括：使用遗传算法进行模型优化，根据个体的适应度，从第m代群体P(m)中选择个体遗传到下一代群体P(m+1)中，每一代迭代计算，将具有最大适应度的个体作为最优解输出。

7.根据权利要求1所述的全电力推进船舶的全流程自动计算的航速优化方法，其特征在于，所述获取数据步骤包括：将固定参数写入配置文件中，随航行过程变化的参数通过传感器读入，用户只需输入本航次计划航线的数据。

8.一种全电力推进船舶的全流程自动计算的航速优化系统，其特征在于，包括：

获取数据模块：获取船舶数据；

划分模块：对航线进行划分；

建模模块：根据船舶数据，建立船舶阻力计算模型、船舶推力计算模型、船舶功率分配计算模型和柴油机总燃油消耗总量模型；

模型优化模块：增加条件约束，建立航速优化模型；

计算模块：对各模型进行计算，得出优化结果，并运用到船舶航行中；

所述计算模块包括：使用python遗传算法，根据航线分段数量，定义自变量数量；

使用目标函数矩阵ObjV存储种群的目标函数值；

使用种群表现型矩阵Phen存储种群个体；

使用列向量FitnV存储种群个体适应度；

优化结果包括优化后的分段航程航速、各台主机功率分配、航行时间及可视化图形；

用户根据需求选择输出方式。