基于DNN 平均每海里油耗預(yù)測(cè)?

吳 樺 陳 陸 程 雯

（武漢郵電科學(xué)研究院 武漢 430074）

1 引言

數(shù)據(jù)顯示，在國(guó)際對(duì)外貿(mào)易中，超過90%的貨物量是由水路運(yùn)輸完成。水路運(yùn)輸單位耗能小，運(yùn)輸量大，運(yùn)輸距離遠(yuǎn)，運(yùn)輸成本低，對(duì)比于其他運(yùn)輸方式，水路運(yùn)輸優(yōu)勢(shì)明顯。因此，隨著經(jīng)濟(jì)全球化的發(fā)展，航運(yùn)業(yè)的發(fā)展日漸迅猛［1］。

當(dāng)前，污染物排放和運(yùn)輸成本的問題困擾著航運(yùn)業(yè)的可持續(xù)發(fā)展。2020年8月上旬，國(guó)際海事組織（International Maritime Organization，IMO）于第75屆海上環(huán)境保護(hù)委員會(huì)發(fā)布了第四次溫室氣體研究（GHG4）報(bào)告。報(bào)告表明，溫室氣體年排放量從2012 年的9.77 噸增長(zhǎng)到2018 年的10.76 噸，同比增長(zhǎng)了10.13%。根據(jù)預(yù)測(cè)，隨著海運(yùn)業(yè)務(wù)的不斷增多，若不采取有效措施以減少二氧化碳的排放量，2050年二氧化碳的年排放量預(yù)估將會(huì)在2018年的基礎(chǔ)上增長(zhǎng)50%，在2008年的基礎(chǔ)上翻一番左右［2］。因此，航運(yùn)業(yè)需要采取有力措施以減少污染物排放。另一方面，現(xiàn)今的大多數(shù)在營(yíng)運(yùn)船舶所用能源提煉自石油，而石油屬于不可再生能源，隨著開采力度的加大，資源緊張導(dǎo)致石油價(jià)格上漲。船舶的燃料成本在其運(yùn)營(yíng)成本中占據(jù)半數(shù)以上的比例，那么石油價(jià)格的上漲必然導(dǎo)致船舶運(yùn)營(yíng)成本的同步增長(zhǎng)［1，3］。由此可見，航運(yùn)業(yè)亟需改善油耗成本占比大的問題，從而降低運(yùn)營(yíng)成本、提高企業(yè)盈利［4］。綜合環(huán)保和運(yùn)營(yíng)成本方面的考慮，節(jié)能減排是水路航運(yùn)的大趨勢(shì)，因此如何在保證船舶安全航行的前提下，達(dá)到節(jié)能減排的目的已成為航運(yùn)業(yè)必須要解決的現(xiàn)實(shí)而重大的課題［1］。

為提高燃油的能量利用率，實(shí)現(xiàn)節(jié)能減排，需要綜合考慮影響船舶油耗的因素，并在此基礎(chǔ)上建立合理且有效的船舶油耗預(yù)測(cè)模型?；谏鲜鲈颍疚囊砸贿h(yuǎn)洋船舶的實(shí)船監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)，將深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）引入到船舶油耗預(yù)測(cè)模型的構(gòu)建中，由此建立了平均每海里油耗預(yù)測(cè)模型，并對(duì)可進(jìn)行規(guī)劃的特征進(jìn)行優(yōu)化，檢驗(yàn)減少油耗的效果。

2 DNN算法

DNN 最早是由Hinton 等在2006 年提出的在無監(jiān)督數(shù)據(jù)上建立的多層神經(jīng)網(wǎng)絡(luò)［5］。DNN 的內(nèi)部神經(jīng)網(wǎng)絡(luò)可以分為三類：輸入層、隱藏層和輸出層。一般情況下第一層是輸入層，最后一層是輸出層，中間層則是隱藏層［6］。上一層的輸出作為下一層的輸入，經(jīng)過多層的特征映射后，樣本映射到另一個(gè)特征空間，使原始的輸入具有更好的特征表達(dá)。

圖1 DNN分層結(jié)構(gòu)圖

2.1 深度神經(jīng)網(wǎng)絡(luò)前向傳播算法

深度神經(jīng)網(wǎng)絡(luò)前向傳播算法利用若干個(gè)權(quán)重系數(shù)矩陣W，偏倚向量b來和輸入值向量X進(jìn)行一系列線性運(yùn)算和激活運(yùn)算［1，7］，從輸入層開始，逐層向后計(jì)算，直到輸出層，得到輸出結(jié)果為預(yù)測(cè)值［1，8］。

2.2 深度神經(jīng)網(wǎng)絡(luò)反向傳播算法

假設(shè)輸入數(shù)據(jù)有nin個(gè)，輸出數(shù)據(jù)有nout個(gè)，若采用DNN 模型，則模型的輸入層有nin個(gè)神經(jīng)元，輸出層有nout個(gè)神經(jīng)元，除去輸入層、輸出層外，中間還要加上若干隱藏層。此時(shí)需要求解出恰當(dāng)?shù)膶?duì)應(yīng)于所有隱藏層和輸出層的線性系數(shù)矩陣W，偏倚向量b，讓模型對(duì)于所有的訓(xùn)練樣本的輸出值盡可能的等于或接近樣本期望輸出值［9］。

在找出恰當(dāng)?shù)臋?quán)重系數(shù)矩陣W和偏倚向量b之前，需要選擇一個(gè)合適的損失函數(shù)，用于度量模型對(duì)于訓(xùn)練樣本的輸出值與樣本期望輸出值之間的偏差［10］。尋找恰當(dāng)?shù)臋?quán)重系數(shù)矩陣W和偏倚向量b也就是在對(duì)這個(gè)損失函數(shù)進(jìn)行優(yōu)化求解，直到找出損失函數(shù)的極小值，在此過程中，將會(huì)對(duì)權(quán)重系數(shù)矩陣W和偏倚向量b反向不斷地進(jìn)行更新，直到達(dá)到期望的效果［11］。

3 油耗預(yù)測(cè)模型建立

3.1 油耗預(yù)測(cè)模型

船舶油耗預(yù)測(cè)模型目前有兩種建立方式：一種是根據(jù)物理關(guān)系基礎(chǔ)建立的油耗預(yù)測(cè)模型，另一種是根據(jù)實(shí)船航行數(shù)據(jù)建立油耗預(yù)測(cè)模型。前者需要了解詳盡的船舶設(shè)計(jì)參數(shù)，除此之外還需要進(jìn)行大量的實(shí)船水池試驗(yàn)，風(fēng)洞試驗(yàn)等，以獲取水流、涌向、風(fēng)速、風(fēng)向等因素對(duì)船體產(chǎn)生的阻力影響［1］，這種方式建立模型難度非常大，分析的過程也相對(duì)復(fù)雜，不適合運(yùn)用到實(shí)際生產(chǎn)中［12］；后者相較于前者更加簡(jiǎn)單，僅需要研究影響船舶油耗的相關(guān)因子［1］，選擇合適的數(shù)學(xué)模型，結(jié)合實(shí)船運(yùn)營(yíng)數(shù)據(jù)訓(xùn)練出模型參數(shù)，從而建立油耗預(yù)測(cè)模型，在這種方式下建立的數(shù)學(xué)模型沒有前者的海量數(shù)據(jù)和復(fù)雜分析過程，搭建起來相對(duì)簡(jiǎn)便［1］，而且更加有針對(duì)性的全面考慮了船舶油耗的影響因子，而且基于實(shí)船航行數(shù)據(jù)搭建的模型更加貼合實(shí)際，效果更好。綜合考慮模型特點(diǎn)，本文選擇DNN 模型并結(jié)合實(shí)船運(yùn)營(yíng)數(shù)據(jù)進(jìn)行訓(xùn)練建立船舶油耗預(yù)測(cè)模型，其框架如圖2所示。

圖2 油耗預(yù)測(cè)模型框架

3.2 深度神經(jīng)網(wǎng)絡(luò)反向傳播算法

本文研究對(duì)象為運(yùn)營(yíng)于中國(guó)大連港至巴西航線的一艘40 萬(wàn)噸貨運(yùn)遠(yuǎn)洋船，對(duì)象船單次航程所需時(shí)間為45天至50天。油耗預(yù)測(cè)模型的基本框架如圖2 所示，模型的期望輸出是平均每海里油耗量。表1中列出了模型的輸入特征，其中22個(gè)為船舶機(jī)艙數(shù)據(jù)，13 個(gè)特征為氣象數(shù)據(jù)［1］，剩余3 個(gè)特征為rpm 三次方關(guān)系、與船舶載貨量相關(guān)的吃水以及船舶縱傾［13］。

表1 油耗預(yù)測(cè)模型輸入特征

模型訓(xùn)練所用的數(shù)據(jù)來源于研究對(duì)象的實(shí)際運(yùn)營(yíng)數(shù)據(jù)，采集自安裝于研究對(duì)象各處的傳感器。由于傳感器的采集頻率不同，數(shù)據(jù)返回的間隔也不同，為統(tǒng)一數(shù)據(jù)處理，在本文中將時(shí)間間隔定為600s，特征處理公式為

本文中用于模型訓(xùn)練的氣象數(shù)據(jù)來源于氣象局，其數(shù)據(jù)形式為各整數(shù)經(jīng)緯度位置點(diǎn)處的氣象數(shù)據(jù)，預(yù)報(bào)時(shí)間間隔為3h。若需要得到船舶軌跡點(diǎn)上的氣象預(yù)報(bào)數(shù)據(jù)，需要對(duì)氣象預(yù)報(bào)數(shù)據(jù)做空間和時(shí)間上的插值，其處理公式如下［1］：

上式中t1，t2為所提供氣象數(shù)據(jù)的時(shí)刻，兩個(gè)時(shí)刻的間隔為3h。xE,xW,xN,xs分別為包含目標(biāo)位置點(diǎn)矩形區(qū)域的四個(gè)頂點(diǎn)處的氣象值［14］。

在本文中DNN 模型運(yùn)用到的激活函數(shù)為Re-LU，具體表達(dá)式為σ(z)=max(0,z)，即大于0 則激活后不變，小于0 則激活后為0。在建立DNN 模型時(shí)，輸入層為38個(gè)神經(jīng)元，含有3個(gè)隱藏層，各層的神經(jīng)元個(gè)數(shù)分別為800、1000、800，輸出層有1 個(gè)神經(jīng)元，輸出值為平均每海里油耗量。

4 目標(biāo)船舶的油耗預(yù)測(cè)結(jié)果

4.1 油耗模型預(yù)測(cè)結(jié)果分析

本文將總計(jì)油耗誤差百分比ε［1］作為度量模型預(yù)測(cè)效果的指標(biāo)，其計(jì)算公式如下：

式中yi是模型輸出的預(yù)測(cè)值，ci是實(shí)際值，M 為樣本總數(shù)。

將訓(xùn)練樣本集中的特征作為輸入獲取模型預(yù)測(cè)值，模型預(yù)測(cè)值與實(shí)際值的對(duì)比如圖3 所示。由圖可見，模型在訓(xùn)練完成后，將訓(xùn)練樣本作為輸入輸出的預(yù)測(cè)油耗值與實(shí)際的油耗值之間的誤差較小。這說明訓(xùn)練所得的模型能夠精確地表征出輸入與輸出目標(biāo)值之間隱含的關(guān)系。圖4 為測(cè)試樣本作為模型輸入得出的預(yù)測(cè)值與實(shí)際值的對(duì)比圖。由圖可見，模型預(yù)測(cè)結(jié)果與訓(xùn)練樣本實(shí)測(cè)數(shù)據(jù)的動(dòng)態(tài)變化相同，表明訓(xùn)練所得模型在測(cè)試數(shù)據(jù)集上具有良好的預(yù)測(cè)效果［1］。

圖3 訓(xùn)練結(jié)果對(duì)比

圖4 測(cè)試結(jié)果對(duì)比

表2 中列出了DNN 模型數(shù)據(jù)集上的預(yù)測(cè)誤差對(duì)比。由表可見，DNN 模型的總計(jì)油耗絕對(duì)誤差百分比都在7.7%以下，符合實(shí)際項(xiàng)目需求，此外DNN 模型在各數(shù)據(jù)集上的誤差百分比計(jì)算數(shù)值差距較小，說明DNN 模型在訓(xùn)練過程中并沒有過擬合，模型具有普適性［1］。

表2 DNN模型預(yù)測(cè)誤差

4.2 特征優(yōu)化

基于DNN 的平均每海里油耗模型所用特征有船舶機(jī)艙數(shù)據(jù)、氣象數(shù)據(jù)、rpm 三次方關(guān)系、船舶吃水以及縱傾，為進(jìn)一步地優(yōu)化航速油耗及其他能效任務(wù)提供基礎(chǔ)建議，基于訓(xùn)練好的平均每海里油耗回歸模型進(jìn)行特征尋優(yōu)，即通過尋優(yōu)算法選擇合適的一個(gè)或者多個(gè)工況進(jìn)行調(diào)整，進(jìn)而使平均每海里油耗降低。

模型所用特征中，氣象特征無法進(jìn)行調(diào)整，機(jī)艙數(shù)據(jù)在實(shí)際行船過程中很少會(huì)進(jìn)行調(diào)整，船舶吃水與船舶載貨量相關(guān)，亦無法進(jìn)行調(diào)整［15］，因而可調(diào)整的特征為縱傾和rpm三次方關(guān)系。

本文采用啟發(fā)式算法-粒子群算法對(duì)特征進(jìn)行尋優(yōu)，根據(jù)可進(jìn)行調(diào)整的縱傾和rpm 三次方關(guān)系，設(shè)置三組特征尋優(yōu)：縱傾、rpm 三次方關(guān)系、縱傾和rpm 三次方關(guān)系。表3 所列為三組特征尋優(yōu)的結(jié)果。

表3 粒子群尋優(yōu)結(jié)果

從表3 中可以看出對(duì)表中三組特征進(jìn)行調(diào)整可以降低船舶平均每海里油耗，從而達(dá)到船舶節(jié)能減排的目的。其中對(duì)縱傾和rpm 三次方進(jìn)行調(diào)整可以使船舶平均每海里油耗降低5.71%。

5 結(jié)語(yǔ)

本文通過DNN 算法，運(yùn)用遠(yuǎn)洋船的實(shí)際檢測(cè)數(shù)據(jù)搭建了船舶的平均每海里油耗預(yù)測(cè)模型。并結(jié)合實(shí)際狀況，對(duì)縱傾和rpm 三次方進(jìn)行特征尋優(yōu)，驗(yàn)證調(diào)整船舶特征可降低船舶平均每海里油耗，根據(jù)實(shí)驗(yàn)數(shù)據(jù)得出結(jié)論如下：

1）DNN 算法結(jié)合實(shí)船數(shù)據(jù)成功建立的船舶油耗模型，并且實(shí)驗(yàn)結(jié)果顯示，模型每海里油耗的預(yù)測(cè)值與實(shí)際檢測(cè)值之間的誤差僅為7.661%，可以作為后續(xù)進(jìn)行船舶油耗優(yōu)化的基礎(chǔ)。

2）通過調(diào)整縱傾和rpm 三次方，降低了船舶油耗，平均每海里節(jié)省油耗率為5.71%，對(duì)于遠(yuǎn)洋船具有一定參考價(jià)值，為后續(xù)船舶油耗優(yōu)化提供了一定的方向。