基于支持向量機(jī)的碼頭節(jié)能減排預(yù)警

，

(交通運輸部水運科學(xué)研究院， 北京 100088)

基于支持向量機(jī)的碼頭節(jié)能減排預(yù)警

侯玨，李慶祥

(交通運輸部水運科學(xué)研究院，北京100088)

針對碼頭節(jié)能減排績效考核和精細(xì)化管理要求，提出碼頭節(jié)能減排指數(shù)的概念，通過預(yù)警機(jī)制使碼頭生產(chǎn)企業(yè)及時掌握節(jié)能減排情況，提前做好應(yīng)對準(zhǔn)備。以多分類支持向量機(jī)(M-SVM)建立碼頭節(jié)能減排指數(shù)預(yù)警模型，綜合考慮碼頭能耗和污染物排放情況，將專家經(jīng)驗融入到預(yù)警模型中，實現(xiàn)模型預(yù)警方法與專家經(jīng)驗的結(jié)合。對4個碼頭進(jìn)行實證分析及精確度驗證，結(jié)果表明建立的預(yù)警模型能有效進(jìn)行預(yù)警分類。

水路運輸； 預(yù)警； 節(jié)能減排； 多分類支持向量機(jī)； 綠色港口； 碼頭； 機(jī)器學(xué)習(xí)

Abstract: To evaluate the state of terminals in energy saving and emission reduction, the terminal energy saving and emission reduction index and the pre-warning mechanism is introduced, which could help the enterprises to control the situation. A pre-warning model dealing with terminal energy consumption and pollutant emission is built based on specialist experience. Multi-class SVM is used to solve the model. A numerical case regarding 4 container intermodal transport terminals is taken to test the model. The test result proves that the model is effective and practical for terminals.

Keywords: waterway transportation; pre-warning; energy saving and emission reduction; M-SVM; green port; terminal; machine learning

水路運輸既是綜合交通運輸體系的重要組成部分，也是節(jié)能減排領(lǐng)域關(guān)注的重點之一。我國目前正全面推進(jìn)水路運輸業(yè)的節(jié)能減排工作，研究節(jié)能減排預(yù)警方法不僅是建立健全節(jié)能減排績效考核制度和能源管理制度的一個重要環(huán)節(jié)，也是評價綠色港口建設(shè)成效的一項關(guān)鍵內(nèi)容，對提升水路運輸業(yè)的能源利用效益、降低污染物排放和建設(shè)綠色港口具有重要意義。隨著綠色港口建設(shè)不斷推進(jìn)，碼頭生產(chǎn)企業(yè)逐步配備能耗統(tǒng)計和污染物監(jiān)測設(shè)備及分析系統(tǒng)，為節(jié)能減排預(yù)警提供技術(shù)與數(shù)據(jù)支持。

目前，相關(guān)學(xué)者[1-2]十分重視水路運輸預(yù)警和節(jié)能減排領(lǐng)域的研究：在水路運輸預(yù)警方面，主要針對危險貨物水路運輸預(yù)警管理、經(jīng)濟(jì)效益預(yù)警問題和溢油預(yù)警應(yīng)急等內(nèi)容進(jìn)行研究；在水路運輸節(jié)能減排方面，主要圍繞我國港口節(jié)能減排評價指標(biāo)體系建立、用能工藝優(yōu)化、裝卸設(shè)備節(jié)能減排技術(shù)升級改造、能源管理水平和能效管理制度提升等內(nèi)容開展研究。但是，目前還未涉及水路運輸節(jié)能減排預(yù)警方面的研究。

對此，提出碼頭節(jié)能減排指數(shù)的概念和預(yù)警方法，基于多分類支持向量機(jī)(Multi-class Support Vector Machine, M-SVM)建立預(yù)警模型，引入專家經(jīng)驗對預(yù)警模型進(jìn)行分析[3-5]，并基于實例對模型的精確性進(jìn)行驗證，為水路運輸業(yè)能耗及排放研究提供新的思路和可行的節(jié)能減排預(yù)警方法。

1 碼頭節(jié)能減排指數(shù)

提出碼頭節(jié)能減排指數(shù)IEE-Em的概念，評價碼頭生產(chǎn)企業(yè)的能效和污染物、CO2排放水平，包括碼頭生產(chǎn)能效指數(shù)IEE和碼頭生產(chǎn)排放強(qiáng)度指數(shù)IEm。

1.1 碼頭生產(chǎn)能效指數(shù)

碼頭生產(chǎn)能效指數(shù)IEE用來評價碼頭能源消耗水平，其值越小表明生產(chǎn)能效水平越高。

(1)

式(1)中：k為碼頭生產(chǎn)用能環(huán)節(jié)修正系數(shù)；R為碼頭生產(chǎn)能耗強(qiáng)度，tce/萬TEU(萬t)；R0為基準(zhǔn)碼頭生產(chǎn)能耗強(qiáng)度，tce/萬TEU(萬t)，不同類型碼頭的取值見表1；fR為碼頭生產(chǎn)能效指數(shù)綜合修正系數(shù)。

(2)

式(2)中：fa為采暖能效指數(shù)修正系數(shù)，取0.95～1.00；fb為水位落差能效指數(shù)修正系數(shù)，取0.80～1.00；fc為作業(yè)貨種能效指數(shù)修正系數(shù)，取1.00～1.05；fd為吞吐量能效指數(shù)修正系數(shù)，取0.50～1.00；n為生產(chǎn)用能環(huán)節(jié)總數(shù)，針對碼頭實際情況取1～8(岸邊裝卸、堆場作業(yè)、水平運輸、室外照明、建筑物、環(huán)保和給排水、機(jī)修及港作車輛)；qi為第i個生產(chǎn)用能環(huán)節(jié)能源消耗量占碼頭生產(chǎn)用能環(huán)節(jié)能源消耗總量的比例，%；fi為第i個生產(chǎn)用能環(huán)節(jié)能效指數(shù)修正系數(shù)，取0.50～1.00。

1.2 碼頭生產(chǎn)排放強(qiáng)度指數(shù)

碼頭生產(chǎn)排放強(qiáng)度指數(shù)IEm用來評價碼頭溫室氣體和污染物排放強(qiáng)度水平，其值越小表明碼頭CO2和污染物排放越低。

(3)

式(3)中：k和fR與式(1)及式(2)一致；Pi為碼頭生產(chǎn)排放強(qiáng)度，包括CO2和污染物(COD，SO2)排放強(qiáng)度；P0i為《綠色港口等級評價標(biāo)準(zhǔn)》中CO2，COD和SO2排放強(qiáng)度標(biāo)準(zhǔn)最優(yōu)值。

2 碼頭節(jié)能減排指數(shù)預(yù)警模型

2.1 預(yù)警意義

綠色港口建設(shè)企業(yè)已將節(jié)能減排目標(biāo)納入到其全年考核中，該措施對保證按期完成綠色港口建設(shè)和綠色發(fā)展具有重要意義，但存在以下問題：

1) 有時為完成考核任務(wù)，碼頭生產(chǎn)企業(yè)不得不在年底前調(diào)整生產(chǎn)模式以減少能源消耗及污染物、CO2排放量，這會對碼頭乃至整個港口的正常生產(chǎn)造成不利影響；

2) 考核工作一般半年或一年進(jìn)行一次，缺乏以月度為周期的較為精確的評價，不利于節(jié)能減排工作的精細(xì)化管理。

因此，對碼頭節(jié)能減排預(yù)警問題進(jìn)行研究十分重要，通過預(yù)警制度，能使碼頭生產(chǎn)企業(yè)及時掌握節(jié)能減排情況，以提前做好應(yīng)對準(zhǔn)備。

2.2 M-SVM方法

2.2.1多分類支持向量機(jī)M-SVM

支持向量機(jī)(Support Vector Machine, SVM)[6]是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種通用機(jī)器學(xué)習(xí)方法，兼顧訓(xùn)練誤差和泛化能力，能在有限的樣本信息與專家經(jīng)驗之間尋求最佳折衷。SVM最初是針對2類分類問題提出的，但在實際應(yīng)用中針對的往往是多類分類問題，因此將SVM推廣到多分類問題的研究中是目前的熱點之一。[7-9]

這里提出的碼頭節(jié)能減排指數(shù)預(yù)警級別分為3級，屬于多分類問題。多分類支持向量機(jī)(M-SVM)主要有以下2種類型[10]：

(1) 直接求解一個含多類問題的優(yōu)化問題，一次性計算出所有多分類的預(yù)測函數(shù)。該方法的求解過程復(fù)雜，沒有得到廣泛應(yīng)用。

(2) 一對一分類，在訓(xùn)練樣本中構(gòu)造所有可能的2類分類器，對所有組合類進(jìn)行投票，得票數(shù)最多的類為測試樣本所屬的類。該方法速度快、求解過程較為簡便，這里即采用該方法。

2.2.2SVM實現(xiàn)原理

SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來的，分類面之間的距離就是分類間隔。[9-10]

(1) 若訓(xùn)練集D的輸入空間是線性可分的，則應(yīng)存在一個超平面，即

yi(wTxi+b)≥±1，i=1,2,…,n

(4)

(5)

運用Lagrange方法，式(5)可轉(zhuǎn)化為二次規(guī)劃問題，即

(6)

式(6)中：輔助變量α稱作Lagrange乘子。可得到

(7)

式(7)中：w為分類超平面的方向向量；bj為分類超平面的位置偏移量；n為支持向量的個數(shù)；確定最優(yōu)超平面f(x)，決策函數(shù)為sign(f(x))。對于一個測試樣本x，若sign(f(x))=+1，則x屬于正的類，否則x屬于負(fù)的類，從而實現(xiàn)樣本分類。

(2) 若訓(xùn)練樣本點是線性不可分的，則在約束條件中加入一個松弛項，式(5)便轉(zhuǎn)化成下面的二次優(yōu)化問題。

(8)

式(8)中：C為一個常量，用來控制最大間隔與最小訓(xùn)練誤差之間的權(quán)衡，稱為懲罰因子。二次規(guī)劃問題可轉(zhuǎn)化成以下對偶形式。

(9)

(3) 針對M-SVM實現(xiàn)原理，對于多分類情況，一對一法是利用2類SVM算法在每2類不同的訓(xùn)練樣本之間構(gòu)造1個最優(yōu)決策面[10]，從樣本集中取出所有滿足yi=s和yi=t(其中1≤s,t≤k,s≠t)的樣本構(gòu)造最優(yōu)決策函數(shù)。

(10)

對k類樣本中的每一對構(gòu)造1個決策函數(shù)，由于fst(x)=-fts(x)，因此1個k類問題需k(k-1)/2個分類平面。采取投票機(jī)制：給定1個測試樣本x，若有1個決策函數(shù)判定x屬于第s類，則第s類獲得1票，最后得票數(shù)最多的類別就是x所屬的類別。

2.3 預(yù)警模型

碼頭節(jié)能減排指數(shù)預(yù)警可看作是一個基于經(jīng)驗數(shù)據(jù)的機(jī)器學(xué)習(xí)問題，求解步驟如下：

1) 選定訓(xùn)練數(shù)據(jù)。收集IEE與IEm數(shù)據(jù)，選擇合理的預(yù)警指標(biāo)體系。

2) 確定訓(xùn)練模型。采用專家經(jīng)驗法賦予IEE和IEm權(quán)重，并確定IEE-Em訓(xùn)練數(shù)據(jù)。

3) 選定核函數(shù)。對訓(xùn)練數(shù)據(jù)進(jìn)行分析，判斷其是屬于線性可分還是線性不可分，采用式(6)或式(8)求解模型。

4) 預(yù)測預(yù)警級別。訓(xùn)練數(shù)據(jù)并通過交叉驗證及對3個SVM模型進(jìn)行評分(見式(10))，得到預(yù)警級別分類超平面和支持向量。

5) 精確度檢驗。將M-SVM模型預(yù)測數(shù)據(jù)與專家經(jīng)驗結(jié)果相對比，檢驗?zāi)Ｐ偷木_度。

按照上述方法建立碼頭節(jié)能減排指數(shù)預(yù)警訓(xùn)練模型(見圖1)。

圖1 基于M-SVM的碼頭節(jié)能減排指數(shù)預(yù)警模型

3 實證分析

3.1 樣本數(shù)據(jù)的選取

以我國華東地區(qū)某重要沿海港口正在建設(shè)綠色港口的2個集裝箱碼頭、1個干散貨碼頭和1個通用碼頭為研究對象，進(jìn)行預(yù)警模型的實證研究，采集2013—2014年各碼頭吞吐量、生產(chǎn)能耗、CO2及污染物(COD和SO2)排放量等數(shù)據(jù)，得到IEE-Em計算基準(zhǔn)值(見表1)。

表1 碼頭節(jié)能減排指數(shù)計算基準(zhǔn)值

根據(jù)式(1)和式(2)計算得到2013年各碼頭IEE和IEm(2014年數(shù)據(jù)略)，見表2和表3。

表2 碼頭生產(chǎn)能效指數(shù)IEE

表3 碼頭生產(chǎn)排放強(qiáng)度指數(shù)IEm

3.2 預(yù)警評估及等級空間劃分

(11)

式(11)中：w為分類超平面的方向向量；bi為分類超平面的位置偏移量。將IEE和IEm歸一化處理至區(qū)間[0,1]，采用德爾菲(Delphi)法基于7位專家確定權(quán)重，將專家經(jīng)驗融入到預(yù)警模型中。由于不同類型碼頭的能效及排放特點不同，分別賦予集裝箱碼頭、干散貨碼頭及通用碼頭不同的IEE和IEm權(quán)重W1和W2(分別為：0.58，0.42；0.55，0.45和0.52，0.48，通過各次的權(quán)重加權(quán)后得到IEE-Em。

IEE-Em=IEE·W1+IEm·W2

(12)

由此，確定預(yù)警級別：IEE-Em∈[0,0.5)為正常；IEE-Em∈[0.5,0.8)為預(yù)警；IEE-Em∈[0.8,1]為警告。

3.3 分析結(jié)果

運用MATLAB的SVM工具箱編程實現(xiàn)預(yù)警模型，設(shè)計3個M-SVM子分類器并分別進(jìn)行交叉驗證，得到4個碼頭節(jié)能減排預(yù)警指數(shù)模型；采用一對一法和式(11)對各自的3級預(yù)警空間進(jìn)行劃分(見圖2，直線為分類超平面，圓圈為支持向量)。

由圖2可知，M-SVM模型對IEE-Em分級有較好的精確度，但仍有部分?jǐn)?shù)據(jù)位于超平面鄰近區(qū)域(如圖2a所示)。M-SVM和專家經(jīng)驗的預(yù)警級別劃分存在部分不一致的情況，需進(jìn)行精確度驗證[11]，驗證結(jié)果見表4。

a)集裝箱碼頭1b)集裝箱碼頭2

c)干散貨碼頭d)通用碼頭

圖2 4個碼頭節(jié)能減排指數(shù)IEE-Em的預(yù)警空間劃分

4個預(yù)警模型均達(dá)到較高的精度，但集裝箱碼頭1的預(yù)警模型精確度較低，這是因為一部分IEE和IEm數(shù)據(jù)存在線性不可分的情況(圖2a超平面交叉區(qū)域)，線性核函數(shù)在此情況下分類精度下降。在對M-SVM和專家經(jīng)驗進(jìn)行綜合評價之后，得到4個碼頭2013—2014年節(jié)能減排指數(shù)IEE-Em的預(yù)警信號圖(見圖3)，供水路運輸管理部門和碼頭企業(yè)參考。此外，還可根據(jù)碼頭的最新監(jiān)測數(shù)據(jù)對M-SVM模型進(jìn)行訓(xùn)練，繼續(xù)提高模型的精確度。

表4 模型驗證結(jié)果

圖3 IEE-Em預(yù)警信號圖

4 結(jié)束語

提出碼頭節(jié)能減排指數(shù)的概念并建立預(yù)警模型，基于M-SVM和專家經(jīng)驗對模型進(jìn)行融合。經(jīng)驗證，該模型能達(dá)到較高的精確度，可為水路運輸能耗及排放的研究工作提供新的思路和可行的預(yù)警方法，為更好地評價節(jié)能減排效果提供決策支持。

該研究的數(shù)據(jù)是線性可分的，僅采用線性核函數(shù)求解模型；對于線性不可分的數(shù)據(jù)，采用其他核函數(shù)(RBF，多項式等)進(jìn)行求解[13]，使模型具有更好的通用性是該研究的方向。隨著更多污染物逐步納入到碼頭監(jiān)控系統(tǒng)中，碼頭節(jié)能減排指數(shù)也將及時進(jìn)行優(yōu)化，以更加全面地反映能耗及污染物、CO2等的排放情況。

[1] 姜海洋.大連港港口節(jié)能減排效率及綜合評價研究[D].大連：大連海事大學(xué), 2012:18-25.

[2] 徐鵬.基于WSN的船舶危險品運輸風(fēng)險預(yù)警模型與仿真研究[D].大連：大連海事大學(xué), 2013:25-41.

[3] 楊曉偉, 郝志峰.支持向量機(jī)的算法設(shè)計與分析[M].北京：科學(xué)出版社, 2013：72-93.

[4] 李可順, 劉伊凡, 孫培廷.船舶能效營運指數(shù)仿真建模[J].中國航海, 2014,37(2):105-121.

[5] 丁世飛, 齊丙娟, 譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報, 2011, 40(1):2-10.

[6] 楊華龍, 東方.基于支持向量機(jī)的干散貨航運市場運價預(yù)警[J].中國航海, 2009, 32(3):101-105.

[7] 馬小駿,任淑紅,左洪福，等.基于LS-SVM算法和性能可靠性的航空發(fā)動機(jī)在翼壽命預(yù)測方法[J].交通運輸工程學(xué)報, 2015, 15(3):92-100.

[8] 孫墨林, 鄭中義.基于正反饋修正-支持向量機(jī)的PSC選船模型[J].大連海事大學(xué)學(xué)報， 2014, 40(2):31-38.

[9] 何滿輝, 逯林, 劉拴宏.基于模糊粗糙集與支持向量機(jī)的區(qū)域物流量預(yù)測[J]. 交通運輸系統(tǒng)工程與信息,2012, 12(3):129-134.

[10] LI B, WANG Q W, HU J L. Multi-SVM Classifier System with Piecewise Interpolation[J]. IEEJTrans on Electrical and Electronic Engineering, 2013, 8(2):132-138.

[11] LI Boyang, WANG Qiangwei, HU Jinglu. Multi-SVM Classifier System with Piecewise Interpolation[J].IEEJ Trans on Electrical and Electronic Engineering，2013，8(2): 132-138．

[12] 朱慶生，程柯.一種基于累積適應(yīng)度遺傳算法的SVM多分類決策樹[J].計算機(jī)應(yīng)用研究, 2016,23(1) :64-74.

[13] 劉麗梅. 基于支持向量機(jī)新算法的流程工業(yè)過程故障診斷方法研究[D]. 沈陽：東北大學(xué),2012:64-74.

Terminal Energy Saving and Emission Reduction Pre-Warning Based on Support Vector Machine

HOUJue，LIQingxiang

(China Waterborne Transport Research Institute, Beijing 100088, China)

1000-4653(2016)04-0108-05

U692.2

A

2016-08-13

交通運輸部節(jié)能減排能力建設(shè)項目(2014-JNJP-008-037；2014-JNJP-011-040)；交通運輸部水運科學(xué)研究院前瞻性基礎(chǔ)性研究項目(2016QZ-HB11131B)

侯 玨(1985—)，男，安徽合肥人，助理研究員，碩士，從事水運行業(yè)節(jié)能減排、交通運輸系統(tǒng)工程研究。 E-mail: houjue@wti.ac.cn