面向可变航行条件的风助船舶能源效率动态协同优化

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》:Dynamic collaborative optimization of wind-assisted ship energy efficiency under variable navigational conditions

【字体: 大 中 小 】 时间:2026年09月26日 来源:TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT 8.7

编辑推荐:

   建立了一个船舶航速与帆的攻角(AOA)协同优化模型。 提出了一种基于粒子群优化(PSO)算法的变工况动态优化方法。 所提出的动态优化方法可将船舶燃油消耗降低4.03%。 动态方法相比静态方法可进一步降低1.19%的燃油消耗。 本研究对进一步降低船舶燃油消耗和CO?排放具有重要

  

建立了一个船舶航速与帆的攻角(AOA)协同优化模型。
提出了一种基于粒子群优化(PSO)算法的变工况动态优化方法。
所提出的动态优化方法可将船舶燃油消耗降低4.03%。
动态方法相比静态方法可进一步降低1.19%的燃油消耗。
本研究对进一步降低船舶燃油消耗和CO?排放具有重要意义。

引言

根据国际海事组织(IMO)公布的数据及相关行业报告(IMO, 2018),近年来全球国际航运业的二氧化碳(CO?)排放呈现出先波动后持续上升的趋势。具体而言,2021年排放量约为8.3亿吨,2022年约为8.8亿吨,2023年约为9.1亿吨,2024年进一步上升至约9.56亿吨,整体呈上升趋势(Wang et al., 2025a, Wang et al., 2025b, Wang et al., 2025c)。航运业占全球人为排放的2%~3%。IMO推动航运业中期减排措施,要求逐步降低海洋燃料单位能源的温室气体(GHG)强度。IMO的目标是到2030年将国际航运CO?排放相对于基准年减少40%,并稳步迈向2050年前后实现海运碳中和的长期目标,如图1所示(Li et al., 2025a)。面对日益严格的排放要求,船舶能效(SEE)优化对于推动航运业绿色发展具有重要意义。

船舶燃油消耗量(SFC)的定量计算对于实现绿色航运运营、促进碳排放减少以及实现精细化能效管控起着关键作用(Godet et al., 2023)。计算的准确性、鲁棒性和工程适用性直接决定了能效提升的实际效果(Uyan?k et al., 2020)。目前,SFC特性建模研究主要形成了三条技术路径:基于物理机理分析、数据驱动、以及物理先验知识与数据驱动方法融合(Zhang et al., 2025b)。然而,仍存在可获取样本有限、对多变海况和航行条件适应性弱、精度低等共性瓶颈,这在一定程度上制约了相关方法在实船能效管控中的应用与推广(Luo et al., 2023)。一些学者对此展开了广泛的探索与研究。Zhao等(2025)提出了一种新的建模框架,整合了物理先验约束和数据驱动方法的优势,以增强模型在复杂条件下的泛化性能。Guo等(2022)提出了一种结合机器学习和物理模型的混合建模方法,平衡了物理可解释性和计算效率。Hu等(2021)通过改进数据预处理、集成学习及相关技术,提高了模型的稳定性和计算效率。此外,Luo等(2024)通过比较五种典型模型,阐明了不同数据可用性和航行场景下各模型的适用边界。提出了一种基于SMOTE和GAN等数据增强技术的预测方法,缓解了数据分布不均和样本稀疏问题,并通过多模型融合提高了预测精度和可靠性(Xia et al., 2025)。在这些基础建模研究之外,研究人员还对SFC建模中的各类实际问题进行了探索,旨在进一步完善建模方法。Han等(2024)提出了一种基于个性化联邦机器学习的混合预测模型,既能提高预测精度,又能保护航运数据隐私。Mohamed等(2026)构建了一个整合每日正午报告和公共再分析数据的可重复建模框架,用于量化模型不确定性。此外,Zhu等(2021)提出了一种异构传感器数据融合技术,以解决多源数据中采样间隔不均匀和结构不一致的问题。Wang等(2023a)引入辅机运行参数,在模型精度和变量可控性之间取得平衡。此外,Luo等(2025)采用迁移学习方法解决了新船或工况数据有限情况下的建模问题。Fan等(2026)构建了TL-BiLSTM和TL-RF模型,有效解决了新船或传感器故障导致的数据稀缺问题,显著提升了预测性能。此外,Yan等(2020)构建了两阶段预测与航速优化闭环模型,增强了模型的工程适用性。Du等(2023)引入改进的PSO算法,建立了考虑时变海况的燃油消耗模型,实现了复杂海况下的能效优化。Liu等(2025b)提出了基于模型预测控制(NMPC)的多目标策略,解决了基于规则的策略难以兼顾节能和稳定性的问题,显著降低了氢气消耗和功率波动。

船舶能效优化模型的建立为推动航运业脱碳转型和满足IMO发布的CII强制性标准提供了核心支撑(Guo et al., 2026)。因此,开发能够适应复杂航行场景的能效优化模型,以提高能效并减少燃油消耗和排放,具有至关重要的意义(Wang et al., 2025a, Wang et al., 2025b, Wang et al., 2025c)。相关研究人员针对不同场景下的优化需求开展了广泛研究。Fan等(2025)提出了一种基于LSTM数据增强的深度强化学习(DRL)能量管理策略,改进了算法以解决实船数据噪声导致的泛化能力不足问题,并降低了能耗和运行压力。Guo等(2026)开发了一种自学习优化框架,以提高复杂海况下EEOI优化的灵活性。Lan等(2025)开发了一种基于多策略PSO算法的双自适应预测方法,通过多层级优化提高对不同船型、航线和工况的适应性,显著降低了预测误差。此外,Wang等(2016)提出了一种基于工况预测的实时能效优化模型,以实现动态场景下的高效优化。另外,Zhang等(2019)将发动机机理模型与数据驱动方法相结合,解决了数据稀缺问题,构建了与能效优化相关的低成本模型。此外,Zhang等(2025a)构建了适应性强的场景特定能效优化模型,以提高不同场景下的优化效果。

对于配备风力辅助推进系统(WAPS)的船舶,燃油消耗受到多种复杂且多变的航行环境因素影响,这显著增加了SFC预测的难度。能效优化模型意义重大,可作为SFC预测的重要补充工具,通过在变化的海况下进行动态运行调整来实现优化。鉴于此,研究人员通过关注多场景适应性和协同优化来改进能效优化模型。Liu等(2025a)构建了风力辅助船舶的综合能效优化模型,以提高多能系统的能效。Li等(2024a, Li et al., 2024b)提出了协同优化策略和混合优化框架,实现了航行速度和航线的多变量协同增效。Li等(2025b)提出了DA-PINN建模框架,整合了物理先验约束与数据驱动方法的优势,以提高能效优化模型在复杂场景下的泛化能力和稳定性。

对于风力辅助船舶的动态协同优化,Wang等(2022a, Wang et al., 2022b)提出了一种针对风力辅助船舶的集成协同决策方法,根据变化的海洋条件动态优化航行速度。此外,Guzelbulut等(2026)为风力辅助船舶建立了多保真度优化平台,揭示了建模保真度和控制策略对节油估算的影响显著,风梯度效应可导致预测偏差高达75%。此外,Wang等(2025a, Wang et al., 2025b, Wang et al., 2025c)为风力辅助船舶开发了一种多变量耦合优化方法,同时优化航行路线、速度和船舶纵倾,实现了高达8.60%的节油效果,并证明耦合优化显著提升了风资源丰富区域的帆推性能。

然而,目前鲜有研究在时变风浪条件下系统地比较风力辅助船舶的静态与动态协同优化策略,对于航速和帆攻角(AOA)实时调整潜在收益的认识存在空白(Cairns et al., 2021)。尽管上述研究做出了宝贵贡献,但仍存在若干共性局限。首先,现有方法在航行过程中无法根据实际环境与预报偏差进行调整。这一缺陷对风力辅助船舶尤为关键,因为风资源在时空上变化显著(Guzelbulut et al., 2026)。其次,尽管部分研究探索了多变量优化,但针对风力辅助船舶两个核心可控变量——航速与帆AOA的联合动态优化鲜有涉及(Wang et al., 2025a, Wang et al., 2025b, Wang et al., 2025c)。大多数相关工作将AOA视为预设参数而非在线可优化变量,从而错失了大量节油机会。对于风力辅助船舶,缺乏一个整合实时环境反馈、燃油消耗建模与动态协同优化的统一框架,这限制了现有方法在实际航行运营中的工程适用性(Zhang et al., 2026)。因此,为填补这些空白,本研究提出了一种动态协同优化框架,根据时变航行条件同时调整航速和帆AOA,旨在实现优于传统静态策略的能效性能。

尽管现有研究在能效优化模型建立方面已取得一定进展,但其性能仍有提升空间。因此,需开展能效优化模型建立的研究,为能效提升和碳排放减少提供技术支持。以航线和航速优化为代表的船舶燃油效率提升策略已被广泛研究。然而,大多数现有研究仅关注航线、航速和帆AOA的单参数优化,而对航速与AOA的联合优化研究明显不足。因此,实施这两个因素的联合调优对于进一步提升燃油效率、推进航运业节能减排仍具有重要的实践意义。此外,在时变航行条件下对风力辅助船舶航速与帆AOA的联合动态优化尚未得到系统研究。大多数现有研究将航速和AOA视为独立或静态参数,忽视了它们的耦合效应以及针对波动风资源进行实时调整的需求。这一文献空白促使本研究开展。因此,开发了一种面向变工况风力辅助船舶的动态协同优化方法,以进一步提升能效性能。主要贡献如下:1)建立了一个考虑动态航行条件的翼型帆辅助船舶燃油消耗模型,该模型可确定不同航行环境下航速和AOA变化所对应的燃油消耗和航行时间;2)建立了一个以最小化燃油消耗为目标的动态协同优化模型,通过该模型可动态调整每个航段的最佳航速和AOA,以最小化单位运输工作的整体CO?排放;3)开发了一种新颖的动态协同优化方法,可提升能效并进一步提高船舶燃油经济性。

本文结构如下:第2节详细阐述数据采集与分析。第3节阐述船舶燃油消耗模型的构建与测试。第4节阐述风力辅助能效动态协同优化方法。第5节呈现一个验证所提出优化策略的案例研究。第6节总结研究结论并展望未来研究方向。

数据获取与预处理

在本研究中,以一艘配备风力辅助推进系统(WAPS)的船舶为研究对象,如图2所示。此外,目标航次路线从中国南海到韩国,如图3所示。航行时间从2023年3月4日至3月11日,航行距离为2083.01海里。目标航线的 meteorological 数据取自欧洲中期天气预报中心(ECMWF)(Yang et al., 2022)。

大气变量
风助船舶燃油消耗模型构建
船上燃油消耗模型的这一开发流程如图10所示。首先,分析目标帆的空气动力特性以确定升力和阻力系数。其次,研究船舶的能量转换机制,以阐明翼型帆与主发动机之间的协同推进机制(Pan等,2023)。在此基础上,可以确定船舶的航行阻力以及帆产生的推力,然后确定所需的推力

动态协同优化过程
船舶能效的动态协同改进策略如图15所示。该框架始于航行环境数据的初始化和动态更新,其中包括包括波高、风向、风速和反馈信号在内的实时信息。然后,构建一个受初始状态、物理限制和时间约束限制、同时以燃油消耗为优化目标的优化模型。粒子群优化(PSO)

案例研究
为了验证所提出方法的有效性并强调本研究的贡献,基于目标船舶和选定路线进行了系统案例研究。案例研究采用渐进式三层结构。首先,使用目标航行的实测数据评估所建立的燃油消耗模型的准确性,该模型是后续优化的基础。其次,沿着该路线实施动态协同优化模型

结论与未来研究工作
在本研究中,建立了一个SFC(油耗率)模型,综合考虑了船舶运行状态和航行环境因素。在此基础上,提出了船舶能效协同优化框架。通过计算每个航段的最佳速度和攻角(AOA),确保船舶在实时运行条件下始终以最佳速度和最佳帆攻角运行。开发的动态协同优化模型可以有效地纠正

CRediT作者贡献声明
张 Diankang:写作——审阅与编辑,写作——初稿撰写,验证,软件,概念化。王 Kai:写作——审阅与编辑,监督,方法论,调查,资金获取。李 Zhongwei:写作——审阅与编辑,形式分析,概念化。梁 Hongzhi:可视化,资源,方法论。张 Xinyue:方法论,调查,数据整理。马 Ranqi:监督,调查,数据整理。黄 Lianzhong:资源,调查

致谢
作者感谢国家自然科学基金(52271305)、国家重点研发计划(2022YFB4300803)、大连市科技人才创新支持计划项目(2024RY021)和中央高校基本科研业务费(3132023525,3132026637)的支持。

张 Diankang | 王 Kai | 李 Zhongwei | 梁 Hongzhi | 张 Xinyue | 马 Ranqi | 黄 Lianzhong | 吴 Jianyi | 李 Xiaowu | 曹 Jianlin
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号