[发明专利]一种基于机器学习的在港船舶能耗预测方法

说明书

本发明提出一种基于机器学习的在港船舶能耗预测方法，具体为：收集船舶相关数据和港口相关数据，包括港口航道数据、泊位数据及船舶属性数据；船舶主机、辅机功率等相关参数的确定以及船舶类型、船舶吨级的构成和在港船舶能耗值的分布分析，确定每一艘船舶在锚地、港内航道和泊位中的能耗功率；构建预测模型，包括选择机器学习算法、模型验证方法和模型预测准确度评价指标；计算预测特征在船舶能耗预测中的重要性，改变工况，分别预测港口在不同装卸作业效率和不同船舶到港时间间隔下的在港船舶能耗值。本发明可准确地预测特定港口在未来的在港船舶能耗情况，为可再生能源在港口的应用提供决策支持，有利于实现港口的节能减排，推进绿色港口建设。

技术领域

本发明属于船舶能耗预测领域，具体涉及一种基于机器学习的在港船舶能耗预测方法。

背景技术

随着港口规模的进一步发展，港口生态环境问题的日益突出、绿色发展理念的逐渐深化，港口生态环境的重要性受到越来越多的国家和地区重视。港口作为交通运输业的重要组成部分，属于能源高消耗、污染物高排放类型的单位，其中，船舶柴油发电机的能耗和污染物排放是港口能耗和污染物排放的主要来源。使用海洋能、风能、太阳能等可再生能源为船舶供电能够有效降低港口的污染物排放，为合理配置可再生能源容量，避免配置过多引起的能源浪费或配置过少引起的能源不足，港口需要对未来的船舶能耗进行预测，从而为船舶所需的能源进行提前配置。由于港口生产作业调度和船舶到港时间间隔具有复杂性和随机性，船舶能耗受港口作业计划、船舶固有属性等多方面复杂随机因素共同影响，仅依靠数学方法难以准确描述船舶能耗规律，因此很难通过数学模型对未来的船舶能耗进行量化。

发明内容

为解决上述问题，本发明提出了一种基于机器学习的在港船舶能耗预测方法。考虑船舶固有属性、港口生产作业系统的复杂性和船舶到港时间间隔的随机性，在已知船舶固有属性以及进出港、装卸作业的历史数据的条件下，对船舶固有属性以及进出港、装卸作业数据进行深入挖掘，提取多种港口及船舶的特征，调用多种机器学习算法对在港船舶能耗进行预测，通过对比不同算法的预测准确度，选择最精确的在港船舶能耗预测算法；通过对不同特征的重要性进行计算，分析影响在港船舶能耗的关键因素，并设置不同工况对在港船舶能耗进行预测，为降低港口能耗提供决策支持。

本发明的技术方案：

一种基于机器学习的在港船舶能耗预测方法，步骤如下：

步骤一：收集船舶相关数据和港口相关数据。

收集的数据包括港口航道数据、泊位数据及船舶属性数据。

当所述港口为综合性港口时，

所述港口航道数据包括航道长度及通航规则；

泊位数据包括泊位个数、各泊位的吨级和位置及各泊位主要用途；

船舶属性数据包括船舶属性信息、船舶货物信息及船舶作业信息。其中，船舶属性信息包括船舶长度、船舶载重吨、船舶净吨、船舶国籍、船舶航速等；船舶货物信息包括贸易类型(内外贸、进出口)、船舶货种等；船舶作业信息包括船舶停靠泊位、装卸作业单位及单位性质、船舶实际装卸吨、船舶装卸作业效率、船舶抵港时间(月份、星期、具体时间)、船舶靠泊时间、船舶开始作业时间、船舶结束作业时间、船舶离泊时间、船舶离港时间等。

步骤二：船舶主机、辅机功率等相关参数的确定以及船舶类型、船舶吨级的构成和在港船舶能耗值的分布分析。

在港船舶能耗主要来源于三部分：船舶在锚地中等待航道和泊位时产生的能耗、船舶靠泊和离泊时在港内航道中航行产生的能耗以及船舶在泊位中进行装卸作业时产生的能耗。