一种船舶油耗预测模型的构建方法及其应用

本技术涉及智能航运，尤其涉及一种船舶油耗预测模型的构建方法及其应用。

背景技术：

1、营运能效管理是发挥远洋船舶经济效益和环境效益的关键，准确的油耗模型是营运能效优化控制的基础。船舶油耗模型可用于航线优化、航速优化、纵倾优化以及综合能效评估，因此其预测精度直接影响船舶营运能效管理结果。

2、对于远洋船舶而言，其油耗不仅受传统航速、吃水、风浪等因素影响，还受到风翼助推作用的影响。风翼推力与相对、相对风向、风翼攻角及风翼运行状态密切相关，多风翼之间还存在相互影响，使得远洋船舶的能量传递关系和油耗影响机理更为复杂；面对这种情况，现有油耗模型存在泛化性能不足的问题。

3、综上，相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出一种船舶油耗预测模型的构建方法及其应用，该方法以不同独立航次为建模单元，基于构建协变量偏移场景、候选模型筛选以及物理元特征增强融合的策略，构建得到泛化性能满足需求的船舶油耗预测模型。

2、为实现上述目的，本技术实施例的一方面提出了一种船舶油耗预测模型的构建方法，所述方法包括：

3、获取样本航次数据集；所述样本航次数据集包括若干个不同独立航次的样本航次数据；基于船舶能量传递关系对所述样本航次数据集进行物理元特征提取，得到样本物理元特征提取结果；所述物理元特征用于表征风翼助推、船体阻力、风浪扰动以及主机负荷之间的耦合关系；

4、基于所述样本航次数据集、所述样本物理元特征提取结果、预设油耗物理模型以及预设数据驱动模型进行模型构建，得到若干个候选双层灰箱油耗模型；所述物理元特征提取结果作为模型构建过程的约束输入；对每个所述候选双层灰箱油耗模型作物理信息补充，以构建每个所述候选双层灰箱油耗模型对应的候选改进双层灰箱油耗模型；

5、基于所述样本航次数据集形成协变量偏移场景；所述协变量偏移场景由训练数据集以及测试数据集构成，所述训练数据集与所述测试数据集的数据分布存在差异；基于所述协变量偏移场景对若干个所述候选双层灰箱油耗模型以及若干个所述候选改进双层灰箱油耗模型进行测试，根据测试结果筛选出若干个基模型；

6、基于物理元特征增强机制以及所述样本物理元特征提取结果对若干个所述基模型进行融合，根据融合结果构建目标油耗预测模型。

7、在一些实施例中，所述候选双层灰箱油耗模型的形式包括串行双层灰箱油耗模型；所述串行双层灰箱油耗模型通过以下方式得到：

8、将所述样本航次数据集输入至所述预设油耗物理模型进行计算，得到物理模型输出结果；

9、将所述物理输出结果、所述样本物理元特征提取结果以及所述样本航次数据集输入至所述预设数据驱动模型，令模型学习输入数据与油耗预测之间的关系，以得到所述串行双层灰箱油耗模型。

10、在一些实施例中，所述候选双层灰箱油耗模型的形式包括并行双层灰箱油耗模型；所述并行双层灰箱油耗模型通过以下方式得到：

11、将所述样本航次数据集输入至所述预设油耗物理模型进行计算，得到物理模型输出结果；将所述样本航次数据集输入至所述预设数据驱动模型进行计算，得到数据驱动模型输出结果；

12、基于所述物理模型输出结果、数据驱动模型输出结果以及所述样本物理元特征提取结果进行融合，以融合结果作为预模型的输入数据，令所述预模型学习输入数据与油耗预测之间的关系，以得到所述并行双层灰箱油耗模型。

13、在一些实施例中，所述基于所述样本航次数据集形成协变量偏移场景，包括：

14、从所述样本航次数据集选择若干个独立航次的样本航次数据，将其中一个独立航次的样本航次数据作为训练数据集，其余一个或多个独立航次的样本航次数据作为测试数据集，以形成训练数据分布与测试数据分布存在差异的协变量偏移场景。

15、在一些实施例中，所述基于物理元特征增强机制对若干个所述基模型进行融合，根据融合结果构建目标油耗预测模型，包括：

16、将所述样本航次数据集输入至所述预设油耗物理模型进行计算，得到物理模型输出结果；

17、将所述样本航次数据集输入至若干个所述基模型进行计算，得到基模型输出结果；

18、基于所述物理模型输出结果进行第一特征提取，得到第一特征提取结果；基于所述基模型输出结果进行第二特征提取，得到第二特征提取结果；所述第一特征提取或第二特征提取的目的是获取与油耗变化具有直接关系的物理信息；

19、以所述第一特征提取结果以及所述第二特征提取结果作为所述预设数据驱动模型的额外输入数据或模型结构嵌入，令模型学习输入数据与油耗预测之间的关系，以构建所述目标油耗预测模型。

20、进一步地，本技术实施例的另一方面提出了一种船舶油耗预测方法，所述方法应用于上述的构建方法所构建的目标油耗预测模型；所述方法包括以下步骤：

21、获取目标航次的航次数据集以及所述航次数据集对应的物理元特征提取结果；

22、将所述航次数据集输入至若干个训练好的所述基模型进行计算，得到若干个所述基模型的预测结果；基于若干个所述基模型的预测结果以及所述航次数据集对应的物理元特征提取结果构建得到元特征集；

23、将所述元特征集输入至所述目标油耗预测模型进行计算，得到目标航次的油耗预测结果。

24、在一些实施例中，所述目标油耗预测模型通过以下方式训练：

25、获取样本数据集；

26、将所述样本数据集输入至若干个所述基模型进行计算，得到各基模型的油耗预测结果；将所述样本数据集输入至预设油耗物理模型进行计算，得到物理模型油耗预测结果；

27、基于各基模型的油耗预测结果以及所述物理模型油耗预测结果进行计算，得到目标值数据集；

28、基于所述样本数据集以及所述目标值数据集对油耗预测预模型进行训练，根据训练结果调整所述油耗预测预模型，直至满足预设要求，根据调整结果得到训练好的目标油耗预测模型。

29、进一步地，本技术实施例中的另一方面提出了一种船舶油耗预测系统，所述系统应用于上述的船舶油耗预测方法；所述系统包括：

30、数据获取模块，用于获取目标航次的航次数据集以及所述航次数据集对应的物理元特征提取结果；

31、数据处理模块，用于将所述航次数据集输入至若干个训练好的所述基模型进行计算，得到若干个所述基模型的预测结果；基于若干个所述基模型的预测结果以及所述航次数据集对应的物理元特征提取结果构建得到元特征集；

32、油耗预测模块，用于将所述元特征集输入至所述目标油耗预测模型进行计算，得到目标航次的油耗预测结果。

33、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的船舶油耗预测方法。

34、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的船舶油耗预测方法。

35、本技术实施例至少包括以下有益效果：本技术提供一种船舶油耗预测模型的构建方法以及对应的船舶油耗预测方法、系统、电子设备与存储介质；本技术实施例提供的模型构建方法，通过获取包含不同独立航次的样本航次数据的样本航次数据集及其对应的物理元特征提取结果；然后基于所获取的数据集、物理元特征提取结果以及油耗物理模型（白箱模型）与数据驱动模型（黑箱模型）进行模型构建，从而得到融合物理与数据双驱动的候选双层灰箱油耗模型，以及做物理信息补充后得到的候选改进双层灰箱油耗模型；进一步地，构建协变量偏差场景并利用协变量偏差场景对候选模型进行筛选，从而筛选得到若干个基模型；最后基于物理元特征增强机制，对若干个基模型进行融合，从而构建得到目标油耗预测模型；一方面，本技术方法将物理元特征信息引入模型构建过程，提供物理先验基础，为后续双驱动建模提供物理支撑；另一方面，本技术方法能够利用不同独立航次的样本航次数据构建协变量偏差场景，通过设计训练数据与测试数据的分布差异，令模型测试过程考虑协变量偏差的影响，从而筛选出在跨航次上预测仍能保证良好泛化性能的基模型，从而有效提高基模型融合得到的目标油耗预测模型的泛化性能，并使模型在面对协变量偏差时减少模型预测精度误差，有效提高模型的精度和泛化性能；另外，通过物理元特征增强融合不同双驱动油耗模型以构建最终的目标油耗模型，能够增强模型对风场、海况、装载状态和风翼运行状态变化的适应能力，并提高模型预测的物理可解释性。