[发明专利]一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法

权利要求书

1.一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，该方法包括：

采集原始数据训练集：所述原始数据训练集包括海况条件数据、气象数据以及航行状态数据；

数据筛选以及处理：筛选出船舶航行状态为在航、有载货以及船舶的航速不低于预设值的数据；

选定输入特征参数：采用集成学习的方法对特征参数进行相关性分析，筛选出与船舶油耗以及海况参数相关性高的特征参数；

建立恶劣海况下的油耗预测模型：设置隐藏层以及隐藏节点个数，设置激活函数；

模型训练以及参数优化：将数据输入神经网络中，随机初始化权重和偏置，采用监督学习算法不断调整优化模型参数，得到最终优化的油耗预测模型；

模型应用：将现有海况以及航行状态数据输入油耗预测模型，得到预测油耗结果。

2.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，所述海况条件数据由船舶上的传感器测量得到，所述海况条件数据包括船舶纵倾角、横倾角、平均吃水、风速、风向、浪高以及对水速度。

3.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，所述气象数据来自气象局发布的信息。

4.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，所述航行状态数据包括船舶的地理位置、航行里程、螺旋桨平均每分钟转速、主机转速、船舶航速、燃油消耗量、总载货量以及甲板货物量。

5.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，用浪高对海况进行分级，其中当浪高范围为2.5～4.0m时，海面状况为大浪、海况等级为5，符合恶劣海况的要求，因此在筛选中加入浪高大于等于2.5m这一项，得到具有代表性的数据组。

6.如权利要求5所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，对不相关的数据进行清洗，从原始数据中选出与油耗建模相关的特征参数，对筛选后的数据进行异常值以及缺失值处理；由于输入特征参数的量纲不同并处于不同的数量级，为了保证特征参数指标之间的可比性，对处理后的数据进行归一化，使得各特征参数处于同一数量级，便于综合对比，使得寻优的过程变得平缓，提高寻优的速度。

7.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，数据中的特征参数对船舶油耗影响的权重是不同的，因此在选定输入的参数过程中，要分析输入的特征参数与船舶油耗以及海况参数的相关性，选用相关性高的参数输入会更好的体现数据特征，选用相关性低的特征参数会增加数据的复杂程度，故采用基于基尼指数标准的随机森林算法对输入特征参数与船舶油耗以及海况参数进行相关性分析，对特征参数进行筛选，降低数据维度，使得到的模型具有更好的鲁棒性。

8.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法，其特征在于，将筛选出的特征参数作为模型输入层的输入节点，该实例中筛选的特征参数为主机转速、船舶航速、主机负载、船舶载货量、船舶平均吃水差、船舶纵倾角、船舶横倾角、风速、浪高以及对水速度；选择深度多层感知器神经网络进行神经网络模型搭建，每个隐藏层的输出通过激活函数进行变换设置神经网络的隐藏层以及隐藏点的个数；由于每一层的输出都是一种线性组合，无法逼近任意函数，所以需要使用激活函数加入非线性因素，提高神经网络模型的表达能力。