基于支持向量機的碼頭節能減排預警

，

(交通運輸部水運科學研究院， 北京 100088)

基于支持向量機的碼頭節能減排預警

侯玨，李慶祥

(交通運輸部水運科學研究院，北京100088)

針對碼頭節能減排績效考核和精細化管理要求，提出碼頭節能減排指數的概念，通過預警機制使碼頭生產企業及時掌握節能減排情況，提前做好應對準備。以多分類支持向量機(M-SVM)建立碼頭節能減排指數預警模型，綜合考慮碼頭能耗和污染物排放情況，將專家經驗融入到預警模型中，實現模型預警方法與專家經驗的結合。對4個碼頭進行實證分析及精確度驗證，結果表明建立的預警模型能有效進行預警分類。

水路運輸； 預警； 節能減排； 多分類支持向量機； 綠色港口； 碼頭； 機器學習

Abstract: To evaluate the state of terminals in energy saving and emission reduction, the terminal energy saving and emission reduction index and the pre-warning mechanism is introduced, which could help the enterprises to control the situation. A pre-warning model dealing with terminal energy consumption and pollutant emission is built based on specialist experience. Multi-class SVM is used to solve the model. A numerical case regarding 4 container intermodal transport terminals is taken to test the model. The test result proves that the model is effective and practical for terminals.

Keywords: waterway transportation; pre-warning; energy saving and emission reduction; M-SVM; green port; terminal; machine learning

水路運輸既是綜合交通運輸體系的重要組成部分，也是節能減排領域關注的重點之一。我國目前正全面推進水路運輸業的節能減排工作，研究節能減排預警方法不僅是建立健全節能減排績效考核制度和能源管理制度的一個重要環節，也是評價綠色港口建設成效的一項關鍵內容，對提升水路運輸業的能源利用效益、降低污染物排放和建設綠色港口具有重要意義。隨著綠色港口建設不斷推進，碼頭生產企業逐步配備能耗統計和污染物監測設備及分析系統，為節能減排預警提供技術與數據支持。

目前，相關學者[1-2]十分重視水路運輸預警和節能減排領域的研究：在水路運輸預警方面，主要針對危險貨物水路運輸預警管理、經濟效益預警問題和溢油預警應急等內容進行研究；在水路運輸節能減排方面，主要圍繞我國港口節能減排評價指標體系建立、用能工藝優化、裝卸設備節能減排技術升級改造、能源管理水平和能效管理制度提升等內容開展研究。但是，目前還未涉及水路運輸節能減排預警方面的研究。

對此，提出碼頭節能減排指數的概念和預警方法，基于多分類支持向量機(Multi-class Support Vector Machine, M-SVM)建立預警模型，引入專家經驗對預警模型進行分析[3-5]，并基于實例對模型的精確性進行驗證，為水路運輸業能耗及排放研究提供新的思路和可行的節能減排預警方法。

1 碼頭節能減排指數

提出碼頭節能減排指數IEE-Em的概念，評價碼頭生產企業的能效和污染物、CO2排放水平，包括碼頭生產能效指數IEE和碼頭生產排放強度指數IEm。

1.1 碼頭生產能效指數

碼頭生產能效指數IEE用來評價碼頭能源消耗水平，其值越小表明生產能效水平越高。

(1)

式(1)中：k為碼頭生產用能環節修正系數；R為碼頭生產能耗強度，tce/萬TEU(萬t)；R0為基準碼頭生產能耗強度，tce/萬TEU(萬t)，不同類型碼頭的取值見表1；fR為碼頭生產能效指數綜合修正系數。

(2)

式(2)中：fa為采暖能效指數修正系數，取0.95～1.00；fb為水位落差能效指數修正系數，取0.80～1.00；fc為作業貨種能效指數修正系數，取1.00～1.05；fd為吞吐量能效指數修正系數，取0.50～1.00；n為生產用能環節總數，針對碼頭實際情況取1～8(岸邊裝卸、堆場作業、水平運輸、室外照明、建筑物、環保和給排水、機修及港作車輛)；qi為第i個生產用能環節能源消耗量占碼頭生產用能環節能源消耗總量的比例，%；fi為第i個生產用能環節能效指數修正系數，取0.50～1.00。

1.2 碼頭生產排放強度指數

碼頭生產排放強度指數IEm用來評價碼頭溫室氣體和污染物排放強度水平，其值越小表明碼頭CO2和污染物排放越低。

(3)

式(3)中：k和fR與式(1)及式(2)一致；Pi為碼頭生產排放強度，包括CO2和污染物(COD，SO2)排放強度；P0i為《綠色港口等級評價標準》中CO2，COD和SO2排放強度標準最優值。

2 碼頭節能減排指數預警模型

2.1 預警意義

綠色港口建設企業已將節能減排目標納入到其全年考核中，該措施對保證按期完成綠色港口建設和綠色發展具有重要意義，但存在以下問題：

1) 有時為完成考核任務，碼頭生產企業不得不在年底前調整生產模式以減少能源消耗及污染物、CO2排放量，這會對碼頭乃至整個港口的正常生產造成不利影響；

2) 考核工作一般半年或一年進行一次，缺乏以月度為周期的較為精確的評價，不利于節能減排工作的精細化管理。

因此，對碼頭節能減排預警問題進行研究十分重要，通過預警制度，能使碼頭生產企業及時掌握節能減排情況，以提前做好應對準備。

2.2 M-SVM方法

2.2.1多分類支持向量機M-SVM

支持向量機(Support Vector Machine, SVM)[6]是在統計學習理論的基礎上發展起來的一種通用機器學習方法，兼顧訓練誤差和泛化能力，能在有限的樣本信息與專家經驗之間尋求最佳折衷。SVM最初是針對2類分類問題提出的，但在實際應用中針對的往往是多類分類問題，因此將SVM推廣到多分類問題的研究中是目前的熱點之一。[7-9]

這里提出的碼頭節能減排指數預警級別分為3級，屬于多分類問題。多分類支持向量機(M-SVM)主要有以下2種類型[10]：

(1) 直接求解一個含多類問題的優化問題，一次性計算出所有多分類的預測函數。該方法的求解過程復雜，沒有得到廣泛應用。

(2) 一對一分類，在訓練樣本中構造所有可能的2類分類器，對所有組合類進行投票，得票數最多的類為測試樣本所屬的類。該方法速度快、求解過程較為簡便，這里即采用該方法。

2.2.2SVM實現原理

SVM是從線性可分情況下的最優分類面發展而來的，分類面之間的距離就是分類間隔。[9-10]

(1) 若訓練集D的輸入空間是線性可分的，則應存在一個超平面，即

yi(wTxi+b)≥±1，i=1,2,…,n

(4)

(5)

運用Lagrange方法，式(5)可轉化為二次規劃問題，即

(6)

式(6)中：輔助變量α稱作Lagrange乘子。可得到

(7)

式(7)中：w為分類超平面的方向向量；bj為分類超平面的位置偏移量；n為支持向量的個數；確定最優超平面f(x)，決策函數為sign(f(x))。對于一個測試樣本x，若sign(f(x))=+1，則x屬于正的類，否則x屬于負的類，從而實現樣本分類。

(2) 若訓練樣本點是線性不可分的，則在約束條件中加入一個松弛項，式(5)便轉化成下面的二次優化問題。

(8)

式(8)中：C為一個常量，用來控制最大間隔與最小訓練誤差之間的權衡，稱為懲罰因子。二次規劃問題可轉化成以下對偶形式。

(9)

(3) 針對M-SVM實現原理，對于多分類情況，一對一法是利用2類SVM算法在每2類不同的訓練樣本之間構造1個最優決策面[10]，從樣本集中取出所有滿足yi=s和yi=t(其中1≤s,t≤k,s≠t)的樣本構造最優決策函數。

(10)

對k類樣本中的每一對構造1個決策函數，由于fst(x)=-fts(x)，因此1個k類問題需k(k-1)/2個分類平面。采取投票機制：給定1個測試樣本x，若有1個決策函數判定x屬于第s類，則第s類獲得1票，最后得票數最多的類別就是x所屬的類別。

2.3 預警模型

碼頭節能減排指數預警可看作是一個基于經驗數據的機器學習問題，求解步驟如下：

1) 選定訓練數據。收集IEE與IEm數據，選擇合理的預警指標體系。

2) 確定訓練模型。采用專家經驗法賦予IEE和IEm權重，并確定IEE-Em訓練數據。

3) 選定核函數。對訓練數據進行分析，判斷其是屬于線性可分還是線性不可分，采用式(6)或式(8)求解模型。

4) 預測預警級別。訓練數據并通過交叉驗證及對3個SVM模型進行評分(見式(10))，得到預警級別分類超平面和支持向量。

5) 精確度檢驗。將M-SVM模型預測數據與專家經驗結果相對比，檢驗模型的精確度。

按照上述方法建立碼頭節能減排指數預警訓練模型(見圖1)。

圖1 基于M-SVM的碼頭節能減排指數預警模型

3 實證分析

3.1 樣本數據的選取

以我國華東地區某重要沿海港口正在建設綠色港口的2個集裝箱碼頭、1個干散貨碼頭和1個通用碼頭為研究對象，進行預警模型的實證研究，采集2013—2014年各碼頭吞吐量、生產能耗、CO2及污染物(COD和SO2)排放量等數據，得到IEE-Em計算基準值(見表1)。

表1 碼頭節能減排指數計算基準值

根據式(1)和式(2)計算得到2013年各碼頭IEE和IEm(2014年數據略)，見表2和表3。

表2 碼頭生產能效指數IEE

表3 碼頭生產排放強度指數IEm

3.2 預警評估及等級空間劃分

(11)

式(11)中：w為分類超平面的方向向量；bi為分類超平面的位置偏移量。將IEE和IEm歸一化處理至區間[0,1]，采用德爾菲(Delphi)法基于7位專家確定權重，將專家經驗融入到預警模型中。由于不同類型碼頭的能效及排放特點不同，分別賦予集裝箱碼頭、干散貨碼頭及通用碼頭不同的IEE和IEm權重W1和W2(分別為：0.58，0.42；0.55，0.45和0.52，0.48，通過各次的權重加權后得到IEE-Em。

IEE-Em=IEE·W1+IEm·W2

(12)

由此，確定預警級別：IEE-Em∈[0,0.5)為正常；IEE-Em∈[0.5,0.8)為預警；IEE-Em∈[0.8,1]為警告。

3.3 分析結果

運用MATLAB的SVM工具箱編程實現預警模型，設計3個M-SVM子分類器并分別進行交叉驗證，得到4個碼頭節能減排預警指數模型；采用一對一法和式(11)對各自的3級預警空間進行劃分(見圖2，直線為分類超平面，圓圈為支持向量)。

由圖2可知，M-SVM模型對IEE-Em分級有較好的精確度，但仍有部分數據位于超平面鄰近區域(如圖2a所示)。M-SVM和專家經驗的預警級別劃分存在部分不一致的情況，需進行精確度驗證[11]，驗證結果見表4。

a)集裝箱碼頭1b)集裝箱碼頭2

c)干散貨碼頭d)通用碼頭

圖2 4個碼頭節能減排指數IEE-Em的預警空間劃分

4個預警模型均達到較高的精度，但集裝箱碼頭1的預警模型精確度較低，這是因為一部分IEE和IEm數據存在線性不可分的情況(圖2a超平面交叉區域)，線性核函數在此情況下分類精度下降。在對M-SVM和專家經驗進行綜合評價之后，得到4個碼頭2013—2014年節能減排指數IEE-Em的預警信號圖(見圖3)，供水路運輸管理部門和碼頭企業參考。此外，還可根據碼頭的最新監測數據對M-SVM模型進行訓練，繼續提高模型的精確度。

表4 模型驗證結果

圖3 IEE-Em預警信號圖

4 結束語

提出碼頭節能減排指數的概念并建立預警模型，基于M-SVM和專家經驗對模型進行融合。經驗證，該模型能達到較高的精確度，可為水路運輸能耗及排放的研究工作提供新的思路和可行的預警方法，為更好地評價節能減排效果提供決策支持。

該研究的數據是線性可分的，僅采用線性核函數求解模型；對于線性不可分的數據，采用其他核函數(RBF，多項式等)進行求解[13]，使模型具有更好的通用性是該研究的方向。隨著更多污染物逐步納入到碼頭監控系統中，碼頭節能減排指數也將及時進行優化，以更加全面地反映能耗及污染物、CO2等的排放情況。

[1] 姜海洋.大連港港口節能減排效率及綜合評價研究[D].大連：大連海事大學, 2012:18-25.

[2] 徐鵬.基于WSN的船舶危險品運輸風險預警模型與仿真研究[D].大連：大連海事大學, 2013:25-41.

[3] 楊曉偉, 郝志峰.支持向量機的算法設計與分析[M].北京：科學出版社, 2013：72-93.

[4] 李可順, 劉伊凡, 孫培廷.船舶能效營運指數仿真建模[J].中國航海, 2014,37(2):105-121.

[5] 丁世飛, 齊丙娟, 譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報, 2011, 40(1):2-10.

[6] 楊華龍, 東方.基于支持向量機的干散貨航運市場運價預警[J].中國航海, 2009, 32(3):101-105.

[7] 馬小駿,任淑紅,左洪福，等.基于LS-SVM算法和性能可靠性的航空發動機在翼壽命預測方法[J].交通運輸工程學報, 2015, 15(3):92-100.

[8] 孫墨林, 鄭中義.基于正反饋修正-支持向量機的PSC選船模型[J].大連海事大學學報， 2014, 40(2):31-38.

[9] 何滿輝, 逯林, 劉拴宏.基于模糊粗糙集與支持向量機的區域物流量預測[J]. 交通運輸系統工程與信息,2012, 12(3):129-134.

[10] LI B, WANG Q W, HU J L. Multi-SVM Classifier System with Piecewise Interpolation[J]. IEEJTrans on Electrical and Electronic Engineering, 2013, 8(2):132-138.

[11] LI Boyang, WANG Qiangwei, HU Jinglu. Multi-SVM Classifier System with Piecewise Interpolation[J].IEEJ Trans on Electrical and Electronic Engineering，2013，8(2): 132-138．

[12] 朱慶生，程柯.一種基于累積適應度遺傳算法的SVM多分類決策樹[J].計算機應用研究, 2016,23(1) :64-74.

[13] 劉麗梅. 基于支持向量機新算法的流程工業過程故障診斷方法研究[D]. 沈陽：東北大學,2012:64-74.

Terminal Energy Saving and Emission Reduction Pre-Warning Based on Support Vector Machine

HOUJue，LIQingxiang

(China Waterborne Transport Research Institute, Beijing 100088, China)

1000-4653(2016)04-0108-05

U692.2

A

2016-08-13

交通運輸部節能減排能力建設項目(2014-JNJP-008-037；2014-JNJP-011-040)；交通運輸部水運科學研究院前瞻性基礎性研究項目(2016QZ-HB11131B)

侯 玨(1985—)，男，安徽合肥人，助理研究員，碩士，從事水運行業節能減排、交通運輸系統工程研究。 E-mail: houjue@wti.ac.cn