知海拾贝 | 精读Energy系列 | 基于优化模型的船舶能效管理决策支持系统

type

status

date

slug

summary

摘要

在全球航运业面临能源效率提升与减排压力的背景下，如何在降低运营成本的同时满足国际海事组织（IMO）的严格 regulations 已成为关键议题。然而，实践中船舶运营数据稀缺且获取成本高昂，极大地限制了能源效率管理策略的制定与实施。针对这一瓶颈，本文以集装箱船为研究对象，提出并验证了一种创新的、结合发动机优化模型与人工神经网络（ANN）的混合决策支持系统。该方法的核心思想在于利用实时航行数据驱动发动机仿真模型生成扩展参数，再通过 ANN 精准预测燃油消耗。研究结果表明，该系统能有效解决数据稀缺问题，其中最优 ANN 模型（1 个隐藏层、5 个神经元）的 R² 达 0.99697、RMSE 为 0.00035、MAPE 为 0.06470，为航运公司提供了一种低成本、高效的能源效率管理工具，对 maritime 行业的可持续发展具有重要意义。

研究方法

本研究构建了一个 “数据驱动 - 模型扩展 - 智能预测” 的闭环分析框架，其方法论的核心在于通过发动机仿真与神经网络的深度融合，突破船舶实时运营数据不足的局限。该框架遵循数据预处理与模型构建、参数扩展生成、ANN 模型训练与优化三步流程，形成从原始数据到决策支持的完整链条。

研究的第一阶段是发动机优化模型的构建与验证。研究团队采用 Ricardo Wave 软件（1D 发动机仿真工具）与 MATLAB 中的非线性优化器（fmincon）耦合，为 111.18 米集装箱船的 MAN 18V32/44CR 发动机建立高保真模型。通过与实船正午报告数据对比，模型误差控制在 3% 以内（处于 5% 的可接受范围），验证了其科学性。该模型可模拟不同工况下的发动机性能参数（如压缩温度、最大压力等）。

接下来的参数扩展与数据集构建是核心创新环节。基于预处理后的 477 天正午报告数据（剔除故障值与机动航行数据），利用验证后的发动机模型生成 20 个关键参数（含原始数据中缺失的扫气比、点火延迟等），形成包含发动机转速、制动功率、燃油消耗等多维度的综合数据集，解决了原始数据维度有限的问题。

研究的最后阶段是ANN 模型的训练与评估。以扩展参数为输入、制动比油耗（BSFC）为输出，构建 4 种不同结构的 ANN 模型（隐藏层与神经元数量各异）。采用 Levenberg-Marquardt 优化算法训练，通过 R²、RMSE、MAPE 三个指标评估性能，最终筛选出最优模型。

结论

本研究通过系统设计与实验验证，得出以下关键结论：首先，所提出的 **“发动机优化模型 + ANN” 混合决策支持系统 ** 被证实有效。该系统成功解决了船舶运营中 analyzable 数据稀缺的问题，无需额外传感器即可生成丰富的实时参数，证明了数据驱动仿真与智能算法结合的科学性。

其次，ANN 模型在燃油消耗预测方面表现卓越。论文表 3 与图 6 显示，最优模型（1 隐藏层、5 个神经元）的 R² 达 0.99697，RMSE 仅 0.00035，MAPE 为 0.06470，表明其能高精度捕捉发动机性能与燃油消耗的非线性关系。对比 4 种模型后，确定该结构为最佳方案，因其在预测精度与模型复杂度间达到最优平衡。

最终，本研究为航运业提供了一种极具成本效益的能源效率管理新工具。它无需高额硬件投资即可实现关键参数的实时监控与燃油消耗预测，助力企业满足 IMO 的碳强度指标（CII）等 regulations。从宏观视角看，这是数字化与可持续发展理念在 maritime 工程中的实践，为船舶能源管理的智能化转型提供了可推广的技术路径。