基于ET-Informer的可变螺距船舶自适应灰箱燃油消耗长时序预测研究

为解决船舶燃油消耗预测中白箱模型误差累积与黑箱模型数据依赖性强的问题，研究人员创新性地提出基于事件触发机制(ET-Informer)的自适应灰箱模型，融合改进的NRBO优化器与BFGS算法，实现了可变螺距船舶在缺失螺距数据条件下的高精度长时序燃油预测。该模型通过实际航线数据验证，计算效率提升30%，为绿色航运提供关键技术支撑。

　　

在全球航运业承担80%国际贸易运输的背景下，船舶每年消耗2亿吨化石燃料，贡献了全球3%的温室气体排放。国际海事组织(IMO)预测，若不采取有效措施，到2050年航运碳排放将增长50%。尤其对于采用可变螺距螺旋桨(CPP)的船舶，其优越的机动性伴随更复杂的燃油消耗特性，传统白箱模型(White-box)因简化假设产生累积误差，而黑箱模型(Black-box)又面临数据质量差、传感器成本高的困境。

大连理工大学的研究团队在《Ocean Engineering》发表论文，提出基于事件触发型Informer(ET-Informer)的自适应灰箱模型。该研究通过三大创新突破：首次建立无需直接采集螺距数据的白箱阻力计算框架；开发能识别关键波动节点的ET-Informer算法；融合改进的牛顿-拉夫逊优化器(NRBO)与BFGS算法实现权重动态调整。实际航线验证显示，模型在13小时航程预测中误差仅1.8%，较传统方法提速30%。

关键技术包括：1) 基于船舶运动学构建白箱模型，通过速度-螺距映射关系反推缺失参数；2) ET-Informer采用事件触发机制筛选关键数据节点，减少50%冗余计算；3) 改进NRBO算法引入人类经验系数，结合BFGS解决Hessian矩阵奇异值问题。

研究结果部分：
白箱燃油消耗模型
通过建立螺旋桨推力与转矩的二元函数，推导出总阻力与轴功率的显式关系。针对仁川-烟台航线的实测数据显示，在风速7m/s工况下，模型计算功率与实测值偏差<3%。

ET-Informer模型
创新性地将传感器数据分为突发波动与常规监测两类，采用Prob稀疏自注意力机制，使长序列预测的均方根误差(RMSE)降低至0.021，较传统LSTM模型提升40%效率。

自适应灰箱验证
基于24个航次数据测试表明，改进的NRBO算法使权重收敛迭代次数从平均58次降至22次，且成功规避了87%的奇异值情况。航段聚类分析证实，模型在复杂海况下的预测稳定性提高35%。

该研究开创性地解决了CPP船舶在缺失关键参数条件下的燃油预测难题，其动态权重调整机制为混合建模提供了新范式。实际应用表明，该模型每年可为单船节省燃油成本约12万美元，同时减少15%的碳排放，对实现IMO 2050减排目标具有重要实践价值。