知海拾贝 | 精读Applied Energy系列 | Improving ship energy efficiency: Models, methods, and applications

type

status

date

slug

summary

摘要

在全球贸易中，海运承担着超过 80% 的货物运输，然而其主要依赖重质燃料油，产生大量温室气体和污染物，面临国际海事组织（IMO）排放法规的约束以及降低燃料成本（占船舶运营总成本 50%-60%）的压力。在此背景下，船舶能源效率优化成为关键议题。但船舶燃料消耗受多种因素影响，相互作用复杂，且现有预测模型常与航运领域知识相悖，难以满足实际需求。

针对这一问题，本文以散货船为研究对象，提出并验证了一种创新的、结合航运领域知识的定制化人工神经网络（ANN）混合方法学。该方法通过数据融合技术整合多源数据，并在模型结构和参数中融入单调性、凸性等航运领域知识。研究结果表明，所提出的燃料消耗预测模型平均绝对百分比误差为 7.5%，优于其他模型，且基于该模型开发的航速优化模型能将船舶能源效率提高 2%-2.5%，为航运业提供了一种准确且符合行业常识的能源效率优化新工具。

研究方法

本研究方法论的核心在于将航运领域知识与数据驱动模型相结合，突破传统模型忽视领域知识或精度不足的局限。整体技术路线遵循 “数据融合与预处理→定制化 ANN 模型构建与验证→航速优化模型开发与测试” 的三步流程，形成从数据到应用的完整闭环。

研究的第一阶段是数据收集与预处理。研究团队从船舶正午报告、自动识别系统（AIS）记录以及欧洲中期天气预报中心（ECMWF）数据库收集数据，涵盖船舶航行状态、海洋气象等多类特征。为确保数据一致性，对风向、浪向等进行标准化处理，如将 ECMWF 提供的真实浪向转换为相对于船首向的相对浪向，并构建 “总波浪平均高度 - 频率” 等新特征。最终形成包含 333 条记录的数据集，其中 288 条作为训练集，55 条（来自两个载货航次和两个压载航次）作为测试集，为后续建模奠定数据基础。

接下来的定制化 ANN 模型（DK-ANN）构建与验证是本研究最具创新性的环节。研究者在传统 ANN 基础上，融入航运领域知识：针对航速与燃料消耗的凸性和单调性关系、风况和浪况与燃料消耗的单调性关系，设计三种隐藏层神经元（凸性和单调性神经元、仅单调性神经元、普通神经元），并通过约束权重和选择特定激活函数（如 sigmoid 用于单调性神经元，1.5^x 用于凸性和单调性神经元）确保模型符合领域知识。通过 5 折交叉验证优化超参数（学习率、 epoch 数等），并采用均方误差（MSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）评估模型性能，测试集 MAPE 为 7.5%，优于传统 ANN、随机森林等模型。

研究的最后阶段是航速优化模型开发与测试。基于 DK-ANN 预测的燃料消耗率，开发两类优化模型：一是双目标模型（SOP-OC-SL），旨在最小化租船人总运营成本并最大化客户满意度，通过离散化航速和 ε- 约束法求解；二是考虑市场机制的模型（SOP-MBM），包括线性和分段线性碳税模型（SOP-MBM-CT1、SOP-MBM-CT2）以及排放交易体系模型（SOP-MBM-ETS1、SOP-MBM-ETS2），以最小化航次总成本为目标。在实验中，设定相关参数（如燃料价格、碳价等），对四个航次数据进行测试，验证模型在成本 reduction 和排放优化方面的效果。

结论

本研究通过严谨的实验与分析，得出以下重要结论。首先，所提出的DK-ANN 模型有效整合了领域知识与数据驱动优势，成功解决了传统模型预测结果与航运常识相悖的问题，其测试集 MAPE 为 7.5%，优于忽视领域知识的 ANN 模型及其他机器学习模型，证明了在模型中融入单调性、凸性等领域知识是提升预测合理性与精度的科学途径。

其次，基于 DK-ANN 的航速优化模型表现卓越。双目标优化模型（SOP-OC-SL）在保证客户满意度的前提下，能使航次运营成本降低 2%-3%；考虑市场机制的模型（SOP-MBM）中，碳税模型可降低排放成本，分段线性碳税模型在部分航次中减排成本 reduction 达 15%，排放交易体系模型也能有效激励减排或增加收益。论文表 9-28 的数据显示，优化后的航速在不同场景下均实现了成本或排放的改善，表明该优化框架在实际运营中的可行性。

最终，本研究为航运业提供了一种兼具科学性与实用性的能源效率优化新范式。它无需依赖复杂的物理模型即可实现精准预测与优化，且符合行业认知，易于被从业者接受。从宏观视角看，该研究是可持续发展理念在航运领域的具体应用，为 IMO 减排法规下的船舶运营优化提供了宝贵的技术参考，推动航运业向绿色化、智能化转型。

文中图表系统梳理

本文图表系统地支撑了研究各环节，是理解研究逻辑的重要辅助。

研究框架与方法论可视化方面，图 1（风向与浪向预处理示意图）清晰展示了风向、浪向的转换方法，帮助理解数据预处理的关键步骤，为后续特征工程的合理性提供直观解释。

表 1（变量描述表）和表 2（数据集变量分布表）则系统呈现了输入特征的来源、含义及统计特性，为读者理解模型输入提供了详细参考，是验证数据代表性的重要依据。

Table 1 Variable description

Table 2 Variable distribution over the whole dataset

模型性能与领域知识符合性展示构成图表核心内容。图 5（凸性和单调性神经元候选激活函数）和图 6（普通神经元与单调性神经元激活函数）直观展示了不同神经元的激活函数选择，解释了 DK-ANN 如何通过函数特性保证领域知识约束。

图 7对比了随机森林模型与 DK-ANN 在航速、侧风变化时的燃料消耗预测结果，凸显 DK-ANN 在符合领域知识（如航速与燃料消耗的凸性）方面的优势。

表 5（各模型性能对比表）定量列出不同模型的 MSE、MAE、MAPE 及排名，直接证明 DK-ANN 的预测精度优于传统模型。

航速优化结果展示则验证了方法的实际价值。表 9-12（SOP-OC-SL 优化结果）和表 13-28（SOP-MBM 优化结果）详细呈现了优化前后的航速、航行时间、成本等指标，通过具体数据（如某航次成本 reduction3.09%）证明优化模型的有效性。这些图表相互配合，从模型构建到应用效果全面论证了研究的科学性与实用性。