【技術實現步驟摘要】
本專利技術屬于船舶能效優化，特別涉及一種面向船舶溫室氣體減排的船舶能效優化方法。
技術介紹
1、航運占據了全球80％～90％的貿易運輸，然而隨之產生的船舶大氣污染排放問題帶來了巨大的挑戰。據國際海事組織(imo)的數據統計，船舶co2和nox年度排放量分別占全球排放量13％和15％。目前，imo在積極參與海運溫室氣體減排進程，先后經歷了啟動期、技術制定期、機制審議期、戰略制定期等階段，目前步入到實施期。國際海事組織(imo)在發布的《船舶溫室氣體減排初步戰略》中首次設定減排目標，力爭海運溫室氣體排放總量盡快達到峰值，2050年降低50％，并在本世紀內逐步停止溫室氣體排放。基于該戰略，將2023、2030和2050作為關鍵時間節點，提出了短期、中期及長期應對措施的備選清單。考慮到2030年碳強度減排目標，相關短期措施將在2023年審議發布的最終戰略中完成制定并強制實施。
2、imo在《imo第4次溫室氣體研究報告》提出使用非含碳綠色能源并同時降低航行速度的措施，我國在《關于加快建立健全綠色低碳循環發展經濟體系的指導意見》中提出更新淘汰老舊船舶實現2030年降碳目標。其中，針對老舊船舶的更新淘汰，需要高精密技術和高成本消耗，相比于其減排效果并不具有經濟性。隨著imo減排要求的提高，改裝船舶幾年后可能又因不滿足要求而被市場淘汰。降速運行是滿足imo減排要求的最經濟有效、應用最廣的手段。但降速是有限度的，目前大部分船舶對于降速的程度選擇“一降了之”，缺少科學性策略，難以保證主機安全運行，也難以保證船舶在市場可接受的航速范圍之
技術實現思路
1、本專利技術解決目前航運降碳過程缺少科學性策略的問題，提供一種面向船舶溫室氣體減排的船舶能效優化方法，為航海合理降碳提供智能優化方法。
2、本專利技術要求保護的技術方案如下：
3、一種面向船舶溫室氣體減排的船舶能效優化方法，包括如下步驟：
4、s1：收集航行中船舶的航行參數，并將航行參數按照時間排序構成時間序列數據；
5、s2：構建基于長短時記憶的循環神經網絡，并將s1得到的時間序列數據輸入到循環神經網絡進行訓練挖掘船舶航行特征；
6、s3：在所述循環神經網絡基礎上引入基于multi-head的注意力機制，并采用s1收集的航行參數進行訓練，在訓練過程中使用梯度標準化的方法優化多任務loss分配，最終得到lstm+multi-head的多任務學習深度神經網絡模型，所述lstm+multi-head的多任務學習深度神經網絡模型用于分析船舶航行態勢與船舶碳排放的關系；所述注意力機制將注意力集中在降碳減排策略相關的航行參數。
7、優選地，所述航行參數包括：主機工況、燃油種類、船舶種類、航速和載重噸；所述降碳減排策略相關的航行參數包括：航速、航向、燃料。
8、優選地，s2中所述循環神經網絡使用2層lstm結構，lstm結構能夠對時間序列數據進行建模，并捕獲數據模式的演變，lstm的每一層都進行以下轉換：
9、ft＝σ(wf·[ht-1,xt]+bf)????(1)
10、it＝σ(wf·[ht-1,xt]+bf)????(2)
11、ct＝ft*ct-1+it*tanh(wf··[ht-1,xt]+bf)????(3)
12、ot＝σ(wf·[ht-1,xt]+bf)????(4)
13、ht＝σttanh(ct)????(5)
14、其中：t表示時間步長；ht、ct、xt表示時間t對應的隱藏狀態、單元狀態和前一層隱藏狀態；ft、it、ot分別表示遺忘門、輸入門和輸出門；wf表示線性系數；bf表示偏置系數；σ表示激活函數；σt表示時間t下的激活函數；ct表示時間t下的分類輸出。
15、優選地，s2中進行訓練的過程中，將softmax函數用于lstm輸出的線性投影，以進行分類預測，softmax函數中i和j表示時間索引，xi和xj表示i和j時間對應的隱藏狀態。
16、優選地，所述分類預測的公式為：
17、
18、其中：表示分類預測結果；ot表示lstm的最終輸出；wf表示線性系數；bf表示偏置系數。
19、優選地，s3中所述基于multi-head的注意力機制是特征向量的加權和，其權重通過學習得到；以序列{fi}表示航行參數提取的所有特征向量，則multi-head的注意力特征向量加權和計算公式如下：
20、fattention＝∑iαi·fi????(7)
21、其中：fattention表示multi-head的注意力特征向量加權和；αi是第i個特征向量的權重，所有的αi之和為1；fi表示航行參數提取第i個特征向量；考慮主機功率、船舶速度屬性的特征向量fattr的影響，權重α的學習用下式表示：
22、βi＝<σ(fattr),fi>????(8)
23、
24、其中：βi表示第i個屬性特征向量的權重；<·>表示向量內積操作，公式(8)表示激活函數σ將特征向量fattr線性映射為fi相同長度的向量；αi是第i個特征向量的權重，所有的αi之和為1；fattr表示考慮主機功率、船舶速度屬性的特征向量；fi表示航行參數提取第i個特征向量；
25、multi-head的注意力機制是在注意力機制的基礎之上添加多個“頭”(head)，該機制將各個head所生成的attention的結果拼接，再乘以輸出矩陣融合信息；通過將lstm模型所獲得的宏觀特征相結合，以計算總體損失，并將損失反向傳播到所有模型；softmax分類器中每個預測類別c的損失函數lc使用交叉熵損失表示為：
26、
27、其中：表示分類預測結果；yi，c表示使用第i個特征向量對第c種類別的預測結果。
28、優選地，所述多任務loss分配對模型的優化具體公式為：定義梯度損失函數(gradient?loss)作為關于權重wi(t)的函數，來衡量每個任務loss權重的好壞，包括：
29、步驟1：定義變量衡量任務loss的量級：
30、
31、其中：w是整個多任務學習網絡參數的子集；表示第i個任務的梯度標準化值，是第i個任務的權重wi(t)與loss?li(t)的乘積對參數w求梯度的l2范數，能夠衡量某個任務loss的量級；是所有任務梯度標準化值的期望，通過所有求均值實現；
32、步驟2：定義變量衡量任務的學習速度：
33、
34、
35、其中：li(0)與li(t)分別表示子任務i的第0步和第t步的loss；在一定程度上衡量了任務i的反向的訓練速度，越大，表示網絡訓練越慢；表示各個任務反向訓練速度的期望；ri(t)是任務的相對反向訓練速度，ri(t本文檔來自技高網...
【技術保護點】
1.一種面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，所述航行參數包括：主機工況、燃油種類、船舶種類、航速和載重噸；所述降碳減排策略相關的航行參數包括：航速、航向、燃料。
3.根據權利要求1或2所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，S2中所述循環神經網絡使用2層LSTM結構，LSTM結構能夠對時間序列數據進行建模，并捕獲數據模式的演變，LSTM的每一層都進行以下轉換：
4.根據權利要求3所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，S2中進行訓練的過程中，將softmax函數用于LSTM輸出的線性投影，以進行分類預測，softmax函數中i和j表示時間索引，xi和xj表示i和j時間對應的隱藏狀態。
5.根據權利要求4所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，所述分類預測的公式為：
6.根據權利要求5所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，S3中所述基于Mult
7.根據權利要求6所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，所述多任務Loss分配對模型的優化具體公式為：定義梯度損失函數作為關于權重wi(t)的函數，來衡量每個任務Loss權重的好壞，包括：
8.根據權利要求7所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，S3中模型訓練過程中，通過以下函數對權重wi(t)進行更新：
9.根據權利要求3所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，S2中進行訓練的過程中，應用Dropout機制。
10.根據權利要求1所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，所述LSTM+Multi-head的多任務學習深度神經網絡模型包括輸入層、卷積層、共享隱層、輸出層和若干網絡優化機制；所述輸入層包括主機工況、航速、載重噸等船舶航行闡述；通過長短時記憶神經網絡完成時序列航行參數特征提取；共享隱層以全接連層的方式完成特征融合；最終完成航速、航向、燃料等船舶控制優化的多任務輸出。
...【技術特征摘要】
1.一種面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，所述航行參數包括：主機工況、燃油種類、船舶種類、航速和載重噸；所述降碳減排策略相關的航行參數包括：航速、航向、燃料。
3.根據權利要求1或2所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，s2中所述循環神經網絡使用2層lstm結構，lstm結構能夠對時間序列數據進行建模，并捕獲數據模式的演變，lstm的每一層都進行以下轉換：
4.根據權利要求3所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，s2中進行訓練的過程中，將softmax函數用于lstm輸出的線性投影，以進行分類預測，softmax函數中i和j表示時間索引，xi和xj表示i和j時間對應的隱藏狀態。
5.根據權利要求4所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，所述分類預測的公式為：
6.根據權利要求5所述的面向船舶溫室氣體減排的船舶能效優化方法，其特征在于，s3中所述基于multi-head的注意力機制是特征向量的加權和，...
【專利技術屬性】
技術研發人員：李穎，謝銘，韓冰，吳中岱，
申請(專利權)人：上海船舶運輸科學研究所有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。