首页 / 专利库 / 污染与排放控制 / 温室气体 / 一种基于ECDIS的绿色大洋航线设计方法

一种基于ECDIS的绿色大洋航线设计方法

阅读:23发布:2020-05-12

专利汇可以提供一种基于ECDIS的绿色大洋航线设计方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于ECDIS的绿色大洋航线设计方法,包括以下步骤:建立 船舶 的 温室 气体 排放模型;建立船舶航线的网格区域;优化选择船舶航线和主机推进功率;显示与使用航线。本发明是事先利用样本训练神经网络,在优化确定航线时利用神经网络进行在线计算,这样大大减小了运算量,而且神经网络这种非线性拟合方式具有较高的拟合 精度 。这样处理可以同时满足实时性和精确性的要求。本发明在优化设计航线的同时优化每个航段的船舶主机输出功率,从而从船舶航线和主机输出功率两个方面控制船舶,以达成温室气体 排放量 最小的目标。本发明利用神经网络的非线性拟合功能实现对船舶温室气体排放的精确拟合,提高了运算精度。,下面是一种基于ECDIS的绿色大洋航线设计方法专利的具体信息内容。

1.一种基于ECDIS的绿色大洋航线设计方法,其特征在于:包括以下步骤:
A、建立船舶温室气体排放模型
A1、建立船舶的温室气体排放模型的输入训练样本和输出训练样本,计算设定的船舶对于环境要素的响应及对应的船舶油耗,根据油耗计算船舶温室气体排放量
输入训练样本变量为船舶前后、船舶前后吃水差、船舶横向受面积、船舶纵向受风面积、船舶初稳性高度、风舷、风速、浪舷角、浪高、波浪周期,流向、流速、主机输出功率;
输出训练样本变量为船舶航速和实时的船舶单位时间温室气体排放量,即温室气体排放率Q;
A2、根据输入训练样本和输出训练样本的各项输入与输出数据,训练神经网络使得神经网络精确逼近输入-输出映射,建立从船舶要素、环境要素、推进要素到船舶航行的温室气体排放率以及航速之间的神经网络映射模型;所述的神经网络包括径向基函数RBF神经网络、BP神经网络或小脑模型神经网络;
B、建立船舶航线的网格区域
在船舶的始发港和到达港之间设定地理界限并在界限内进行网格划分,沿船舶始发港至目的港的方向建立网格节点;并在网格节点中标注不满足航行条件的障碍物和限制区域;
C、优化选择船舶航线和主机推进功率
利用优化算法,在约束条件下利用建立的温室气体排放量神经网络计算模型,优化计算在船舶遭遇到的风、浪、流条件下船舶温室气体排放最小所应采取的推荐航线和对应的航路点,并优化计算在对应航段应采取的输出功率;所述的优化算法包括动态规划法、变分法、遗传算法或粒子群算法;
D、显示与使用航线
ECDIS加入一个图层,在该图层中显示优化得到的推荐航线、主机输出功率及对应的各航路点,选择显示该图层;该图层具有使用推荐航线、使用推荐主机输出功率、同时使用推荐航线和主机输出功率三个选项;在选择使用推荐航线、推荐主机输出功率、推荐航线及主机输出功率后,连接船舶运动控制系统执行选择的航行计划。
2.根据权利要求1所述的一种基于ECDIS的绿色大洋航线设计方法,其特征在于:步骤A2所述的径向基函数RBF神经网络的正交最小二乘法的训练过程,包括以下步骤:
设训练样本有N个,每个样本包括输入训练样本和输出训练样本;将每个输入训练样本作为一个隐节点的中心c;求取第j个输入训练样本xj对第i个中心ci的响应:
其中σi为第i个隐节点的宽度,默认宽度为1;按照上式计算输入训练样本之间的响应,最终得到N×N响应矩阵Φ;
利用Gram-Schmit法则,将响应矩阵进行正交三角分解:
Φ=WA,
其中A是一个对角元为1的N×N阶上三角矩阵,W是一个N×N矩阵,其各列wi正交;
定义误差下降率err作为衡量隐节点对输出贡献的度量指标:
其中 trace为矩阵的迹;
选择err数值大的向量作为隐节点的中心;给定网络训练精度阈值ρ,在每一步选取值最大的err对应的向量作为隐节点,并在下一步对前一步中剩下的向量作Gram-Schmidt正交化,并计算err,直至满足以下设定的精度条件时停止学习:
式中,ρ默认为0.05;这样就通过训练得到了MS个隐节点中心,构成径向基函数神经网络;所得到的径向基函数神经网络的隐层至输出层的连接矩阵通过求伪逆的方法得到:
Θ=Φ+Y=(ΦTΦ)-1ΦTY;
得到的径向基函数神经网络实现对样本反映的输入-输出映射的数值逼近,得到神经网络后利用其进行泛化,通过得到的模型输入计算神经网络输出,计算在不同航行状态和不同海况下船舶的实时温室气体排放量。
3.根据权利要求1所述的一种基于ECDIS的绿色大洋航线设计方法,其特征在于:步骤C所述的粒子群算法,包括以下步骤:
C1、确定性能指标即适应度,以航行过程中温室气体排放总量作为性能指标函数;使适应度函数值最小,航线最优;
其中:J为航行过程中温室气体的总排放量,F(Wj,Wj+1)为船舶航行于第j个航路点和第j+1个航路点之间时温室气体的排放量;
约束条件为:
其中TETA为预计到达目的港所需时间,Sj和Hj分别是第j个航段的航程与航速,Hmin为最小营运航速,Hmax为最大营运航速;
C2、初始化种群中各粒子的位置和速度;
首先确定粒子的维数;根据航线始发点到目的点的经纬度,计算两点之间的经差Dλ=λn-λ0和纬差 其中λn、λ0、 分别为目的地经度、始发地经度、目的地纬度、始发地纬度;比较经差和纬差,如 将Dλ平均分为n段,则航线共有n+1个端点,对应的经度值分别为λ0、λ1、λ2、…、λn;
其中:
.....;
……;
λn;
对应的除起始点G0和到达点Gn的其余n-1个点G1、G2、…、Gn-1的纬度值分别为以及n段航程G0→G1、G1→G2、G2→G3、…、Gn-1→Gn中船舶主机的输出功率,共2n-1个元素;
比较经差和纬差,如 则将 平均分为n段,对应的n+1个分点纬度为
其中
对应的除起始点G0和到达点Gn的其余n-1个点G1、G2、…、Gn-1的经度值分别为λ1、λ2、…、λn-1,以及n段航程G0→G1、G1→G2、G2→G3、…、Gn-1→Gn中船舶主机的输出功率,共2n-1个元素;
设D=2n-1,D即为每个粒子的维数,在D维搜索空间中,有N个粒子组成的群体,第i个粒子在D维空间中的位置表示为向量Xi=(xi1,xi2,…,xiD),其中i=1、2、…、N,每个粒子的飞行速度为:
Vi=(vi1,vi2,…,viD)
C3、更新每个粒子的速度和位置;
在每一代对第i个粒子在第d维上,1≤d≤D,根据下面的公式来更新自己的速度和位置:
vid(k+1)=w(k)vid(k)+c1·R1·(pid-xid(k))+c2·R2·(gd-xid(k))
xid(k+1)=xid(k)+vid(k+1)
其中,w为惯性权重,取值范围为0.9-0.3;d=1、2、…、D;vid(k)代表第k次迭代粒子i飞行速度矢量的第d维分量;xid(k)代表第k次迭代粒子i位置矢量的第d维分量;pid代表粒子i个体最好位置Pi的第d维分量;gd代表群体最好位置Gb的第d维分量;c1、c2为学习因子,c1、c2的取值均为[0,4];R1、R2为[0,1]上的随机数;每一维粒子的速度均被限制在最大速度Vmax之内;
C4、评价每个粒子的适应度;
首先,根据第k次迭代所得的每个粒子中代表位置的元素得到所代表的位置W1(k)、W2(k)、…、Wn-1(k),计算相邻两位置之间的航向及航程;以Wj(k)至Wj+1(k)点为例,从至 航路点的航向和航程分别为:
然后,根据风、浪、流的数据,建立风、浪、流场,并将建立的风、浪、流场、船舶要素、船舶主机输出功率作为输入,同时将船舶航向与风向、浪向、流向比较以得到风舷角和浪舷角;
将以上信息作为输入、利用建立的神经网络模型计算船舶从起始点到到达点过程中的单位时间船舶温室气体排放量Qj(k)和船舶航速Hj(k);
各粒子的适应度F(Wj,Wj+1)计算如下:
将当前各粒子的位置和适应度存储在Pi中,将所有Pi中适应度最优的个体的位置和适应度储存在Gb中;第i个粒子经历过的最好位置为Pi=(pi1,pi2,…,piD);整个群体中,所有粒子经历过的最好位置为Gb=(g1,g2,…,gD);
较当前所有Pi和Gb的值,更新Gb;
C5、对粒子进行有效性检验;
检验航迹是否满足相关约束条件;具体的检验指标为:检查每个粒子对应的航路点是否为安全点、检查每两个有效航路点是否安全连通;剔除无效粒子,并生成新粒子;
C6、迭代次数达到设定值,输出结果,否则返回步骤C3,继续搜索。

说明书全文

一种基于ECDIS的绿色大洋航线设计方法

技术领域

[0001] 本发明涉及电子海图显示及信息系统(ECIDS),特别是一种基于ECDIS的大洋航线设计方法。

背景技术

[0002] 电子海图显示及信息系统(ECIDS)是目前常用的船舶助航平台和辅助决策系统。ECDIS具有航线设计功能,通过操作人员输入转向点实现最短航线的设计功能。由于目前国际海事组织对于船舶温室气体排放逐步采取更加严格的限制手段,而目前ECDIS的航线设计工作是基于航海人员的经验进行的,无法考虑船舶温室气体的排放。而目前进行船舶温室气体排放计算时,一般采用CFD方法或者经验公式进行实时计算,但利用CFD方法进行计算时运算量太大,满足不了实时性的要求,难以在船载计算机上短时间精确完成;而利用经验公式运算,则误差大。所以要在实际应用之前事先利用各种船舶状态和气象海洋信息进行大量的计算,再在实际使用时采用插值的方法得到当前船舶和气象条件下船舶的温室气体排放量。如果采用数值插值方法,传统的线性插值方法无法在高维条件下得到精确的插值结果,需要精确的高维非线性插值方法。而由于目前ECIDS已成为通用的船舶航行辅助平台,所以ECDIS平台亟需一种以降低船舶温室气体排放量为目标的航线设计方法供航海人员使用。

发明内容

[0003] 为解决现有技术存在的上述问题,本发明要设计一种能精确和快速计算船舶温室气体排放量的基于ECDIS的绿色大洋航线设计方法。
[0004] 为了实现上述目的,本发明的技术方案如下:一种基于ECDIS的绿色大洋航线设计方法,包括以下步骤:
[0005] A、建立船舶的温室气体排放模型
[0006] A1、建立船舶的温室气体排放模型的输入训练样本和输出训练样本,计算设定的船舶对于环境要素的响应及对应的船舶油耗,根据油耗计算船舶温室气体排放量。
[0007] 输入训练样本变量为船舶前后、船舶前后吃水差、船舶横向受面积、船舶纵向受风面积、船舶初稳性高度、风舷、风速、浪舷角、浪高、波浪周期,流向、流速、主机输出功率;
[0008] 输出训练样本变量为船舶航速和实时的船舶单位时间温室气体排放量,即温室气体排放率Q;
[0009] A2、根据输入训练样本和输出训练样本的各项输入与输出数据,训练神经网络使得神经网络精确逼近输入-输出映射,建立从船舶要素、环境要素、推进要素到船舶航行的温室气体排放率以及航速之间的神经网络映射模型;所述的神经网络包括径向基函数RBF神经网络、BP神经网络或小脑模型神经网络;
[0010] B、建立船舶航线的网格区域
[0011] 在船舶的始发港和到达港之间设定地理界限并在界限内进行网格划分,沿船舶始发港至目的港的方向建立网格节点。并在网格节点中标注不满足航行条件的障碍物和限制区域。
[0012] C、优化选择船舶航线和主机推进功率
[0013] 利用优化算法,在约束条件下利用建立的温室气体排放量神经网络计算模型,优化计算在船舶遭遇到的风、浪、流条件下船舶温室气体排放最小所应采取的推荐航线和对应的航路点,并优化计算在对应航段应采取的输出功率。所述的优化算法包括动态规划法、变分法、遗传算法或粒子群算法。
[0014] D、显示与使用航线
[0015] ECDIS加入一个图层,在该图层中显示优化得到的推荐航线、主机输出功率及对应的各航路点,选择显示该图层。该图层具有使用推荐航线、使用推荐主机输出功率、同时使用推荐航线和主机输出功率三个选项。在选择使用推荐航线、推荐主机输出功率、推荐航线及主机输出功率后,连接船舶运动控制系统执行选择的航行计划。
[0016] 进一步地,步骤A2所述的径向基函数RBF神经网络的正交最小二乘法的训练过程,包括以下步骤:
[0017] 设训练样本有N个,每个样本包括输入训练样本和输出训练样本。将每个输入训练样本作为一个隐节点的中心c。求取第j个输入训练样本xj对第i个中心ci的响应:
[0018]
[0019] 其中σi为第i个隐节点的宽度,默认宽度为1。按照上式计算输入训练样本之间的响应,最终得到N×N响应矩阵Φ。
[0020] 利用Gram-Schmit法则,将响应矩阵进行正交三角分解:
[0021] Φ=WA,
[0022] 其中A是一个对角元为1的N×N阶上三角矩阵,W是一个N×N矩阵,其各列wi正交。
[0023] 定义误差下降率err作为衡量隐节点对输出贡献的度量指标:
[0024]
[0025] 其中 trace为矩阵的迹。
[0026] 选择err数值大的向量作为隐节点的中心。给定网络训练精度阈值ρ,在每一步选取值最大的err对应的向量作为隐节点,并在下一步对前一步中剩下的向量作Gram-Schmidt正交化,并计算err,直至满足以下设定的精度条件时停止学习:
[0027]
[0028] 式中,ρ默认为0.05。这样就通过训练得到了MS个隐节点中心,构成径向基函数神经网络。所得到的径向基函数神经网络的隐层至输出层的连接矩阵通过求伪逆的方法得到:
[0029] Θ=Φ+Y=(ΦTΦ)-1ΦTY。
[0030] 得到的径向基函数神经网络实现对样本反映的输入-输出映射的数值逼近,得到神经网络后利用其进行泛化,通过得到的模型输入计算神经网络输出,计算在不同航行状态和不同海况下船舶的实时温室气体排放量。
[0031] 进一步地,步骤C所述的粒子群算法,包括以下步骤:
[0032] C1、确定性能指标即适应度,以航行过程中温室气体排放总量作为性能指标函数。使适应度函数值最小,航线最优。
[0033]
[0034] 其中:J为航行过程中温室气体的总排放量,F(Wj,Wj+1)为船舶航行于第j个航路点和第j+1个航路点之间时温室气体的排放量。
[0035] 约束条件为:
[0036]
[0037] 其中TETA为预计到达目的港所需时间,Sj和Hj分别是第j个航段的航程与航速,Hmin为最小营运航速,Hmax为最大营运航速。
[0038] C2、初始化种群中各粒子的位置和速度。
[0039] 首先确定粒子的维数。根据航线始发点到目的点的经纬度,计算两点之间的经差Dλ=λn-λ0和纬差 其中λn、λ0、 分别为目的地经度、始发地经度、目的地纬度、始发地纬度。比较经差和纬差,如 将Dλ平均分为n段,则航线共有n+1个端点,对应的经度值分别为λ0、λ1、λ2、…、λn。
[0040] 其中:
[0041]
[0042] …··;
[0043]
[0044] ……;
[0045] λn;
[0046] 对应的除起始点G0和到达点Gn的其余n-1个点G1、G2、….、Gn-1的纬度值分别为以及n段航程G0→G1、G1→G2、G2→G3、….、Gn-1→Gn中船舶主机的输出功率,共2n-1个元素。
[0047] 比较经差和纬差,如 则将 平均分为n段,对应的n+1个分点纬度为其中
对应的除起始点G0和到达点Gn的其余n-1个点G1、G2、….、Gn-1的经度值分别为λ1、λ2、…、λn-1,以及n段航程G0→G1、G1→G2、G2→G3、….、Gn-1→Gn中船舶主机的输出功率,共2n-1个元素。
[0048] 设D=2n-1,D即为每个粒子的维数,在D维搜索空间中,有N个粒子组成的群体,第i个粒子在D维空间中的位置表示为向量Xi=(xi1,xi2,…,xiD),其中i=1、2、…、N,每个粒子的飞行速度为:
[0049] Vi=(vi1,vi2,…,viD)
[0050] C3、更新每个粒子的速度和位置。
[0051] 在每一代对第i个粒子在第d维上,1≤d≤D,根据下面的公式来更新自己的速度和位置:
[0052] vid(k+1)=w(k)vid(k)+c1·R1·(pid-xid(k))+c2·R2·(gd-xid(k))
[0053] xid(k+1)=xid(k)+vid(k+1)
[0054] 其中,w为惯性权重,取值范围为0.9-0.3。d=1、2、…、D;vid(k)代表第k次迭代粒子i飞行速度矢量的第d维分量;xid(k)代表第k次迭代粒子i位置矢量的第d维分量;pid代表粒子i个体最好位置Pi的第d维分量;gd代表群体最好位置Gb的第d维分量;C1、C2为学习因子,C1、C2的取值均为[0,4];R1、R2为[0,1]上的随机数;每一维粒子的速度均被限制在最大速度Vmax之内。
[0055] C4、评价每个粒子的适应度。
[0056] 首先,根据第k次迭代所得的每个粒子中代表位置的元素得到所代表的位置W1(k)、W2(k)、….、Wn-1(k),计算相邻两位置之间的航向及航程。以Wj(k)至Wj+1(k)点为例,从至 航路点的航向和航程分别为:
[0057]
[0058]
[0059] 然后,根据风、浪、流的数据,建立风、浪、流场,并将建立的风、浪、流场、船舶要素、船舶主机输出功率作为输入,同时将船舶航向与风向、浪向、流向比较以得到风舷角和浪舷角。将以上信息作为输入、利用建立的神经网络模型计算船舶从起始点到到达点过程中的单位时间船舶温室气体排放量Qj(k)和船舶航速Hj(k)。
[0060] 各粒子的适应度F(Wj,Wj+1)计算如下:
[0061]
[0062] 将当前各粒子的位置和适应度存储在Pi中,将所有Pi中适应度最优的个体的位置和适应度储存在Gb中;第i个粒子经历过的最好位置为Pi=(pi1,pi2,…,piD)。整个群体中,所有粒子经历过的最好位置为Gb=(g1,g2,…,gD)。
[0063] 较当前所有Pi和Gb的值,更新Gb;
[0064] C5、对粒子进行有效性检验。
[0065] 检验航迹是否满足相关约束条件。具体的检验指标为:检查每个粒子对应的航路点是否为安全点、检查每两个有效航路点是否安全连通。剔除无效粒子,并生成新粒子;
[0066] C6、迭代次数达到设定值,输出结果,否则返回步骤C3,继续搜索。
[0067] 与现有技术相比,本发明具有以下有益效果:
[0068] 1、本发明是事先利用样本训练神经网络,在优化确定航线时利用神经网络进行在线计算,这样大大减小了运算量,而且神经网络这种非线性拟合方式具有较高的拟合精度。这样处理可以同时满足实时性和精确性的要求。
[0069] 2、本发明是一种快速和精确的以降低船舶温室气体排放量为最优化目标的船舶大洋航线优化设计方法。而且本发明在优化设计航线的同时优化每个航段的船舶主机输出功率,从而从船舶航线和主机输出功率两个方面控制船舶,以达成温室气体排放量最小的目标。
[0070] 3、提高运算精度。采用神经网络映射计算在不同的船舶、不同的载货吃水的浮态情况以及在不同风、浪、流条件下的船舶航行状态和对应的温室气体排放量,利用神经网络的非线性拟合功能实现对船舶温室气体排放的精确拟合。
[0071] 4、简化操作。由于将优化得到的推荐航线分层显示,用户可以选择显示并可选择采用该航线以及主机推进功率,并连接船舶操作运动控制系统执行该航行。附图说明
[0072] 图1是本发明的神经网络训练框图
[0073] 图2是本发明的流程图

具体实施方式

[0074] 下面结合附图对本发明进行进一步地描述。
[0075] 图1是神经网络训练框图。如图1所示,神经网络的训练样本由输入样本和输出样本两部分组成。在本发明中,输入样本包括船舶要素、环境要素和推进要素三部分组成,具体的输入变量为:船舶前后吃水、船舶吃水差、船舶横向受风面积、船舶纵向受风面积、船舶初稳性高度、风舷角、风速、浪舷角、浪高、波浪周期,流向、流速、主机输出功率;输出样本变量为船舶航速和实时的船舶单位时间温室气体排放量。利用训练样本训练神经网络,调整神经网络的网络节点和连接权值,使得神经网络拟合从样本输入到样本输出的映射。得到的神经网络即可进行网络泛化,即给定船舶要素、环境要素和推进要素等各方面的输入,神经网络即可进行非线性拟合,计算得到对应的船舶航速和实时的船舶温室气体排放率。以径向基函数神经网络的正交最小二乘法为例的训练算法介绍如A2部分所示。
[0076] 在利用图1所示的神经网络训练算法建立基于神经网络的船舶温室气体排放率和船舶主机输出功率计算模型的基础上,图2介绍了基于ECDIS的绿色大洋航线设计方法的总体流程。首先建立船舶航线的网格区域,然后利用优化算法优化确定船舶的大洋航线的航路点和各相邻航路点之间的航速,得到船舶的大洋航线和不同航段的主机输出功率。最后在ECDIS中设置新的图层,选择显示及执行优化得到的推荐航线及各个航段应执行的主机输出功率。在优化过程中,需要基于得到的神经网络模型,根据不同的环境条件、船舶要素和推进要素快速计算船舶的温室气体排放率和航速;在此基础上根据性能指标和约束条件优化船舶的航线设计和推进设置。
[0077] 本发明不局限于本实施例,任何在本发明披露的技术范围内的等同构思或者改变,均列为本发明的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈