CN104820746B - 柴电混合动力船舶动力设备选型方法 - Google Patents

Abstract

本发明涉及一种柴电混合动力船舶动力设备选型方法，该方法包括：根据选型对象船舶的工作图谱，得到典型的工作循环；构建选型对象船舶的整船动力组成模型；根据所述典型的工作循环将选型对象船舶所需要工作数据导入模型中，进行多目标优化计算，得到一组帕累托最优解，对应实际设备，即得到各选型方案。本发明采用离散索使得最后最优解集中个选型方案均能对应到实际设备，不需要人为的近似处理；采用分级惩罚将储能装置使用状况考虑在内，使得最后的选型方案中，储能装置工作状态较好；使用NSGA‑II算法优化时计算复杂度低，不需要认为设定优化参数，使得最后给出的不是一个解，而是充分考虑多个优化目标而得到的一组最优解集。

Description

柴电混合动力船舶动力设备选型方法

技术领域

本发明涉及船舶动力设备的选型，尤其涉及一种柴电混合动力船舶动力设备选型方法。

背景技术

目前，拖轮、挖泥船、渡轮、游轮等工程船舶具有如下特点：

(1)典型工作循环完整，方便获取岸电；

(2)机舱相对狭小，没有足够空间布置减排设备；

(3)工作于港口或近海，受到更加严格的排放法规控制；

然而，传统的船舶多采用柴油机作为单一的能量来源，选型时需要满足船舶的最大功率需求，针对拖轮、挖泥船、渡轮、游轮等船舶，容易导致多数工况下柴油机显得功率过分冗余，使得燃油经济性和排放性能都比较差。

近年来混合动力汽车(柴—电混合)在陆地上广泛应用，因具有传统汽车与电动汽车的优点而备受青睐，例如：其运行污染较低，噪声小，特别是充分利用能量反馈显著提高了燃油经济性。

但是，对于混合动力电力推进船舶，因其工况与汽车不同，不存在频繁的启动与停止，能量反馈的价值并不明显，只能从初期选型设计是考虑燃油的节省，故关键设备选型对混合动力电力推进船舶意义重大，而传统的选型优化方法只考虑了单目标，使得选择范围小，因此有必要研究一种柴电混合动力船舶动力设备选型方法，给选型者提供一个最优解方案(Pareto解)组，以便给选型者更多的考虑范围。

发明内容

本发明目的在于克服上述现有技术的不足而提供一种柴电混合动力船舶动力设备选型方法，该方法利用多目标优化技术，离散索引技术，分级惩罚技术对混合动力船舶的主要动力设备进行选型，在保证储能单元具有良好使用状态的情况下，给出一组Pareto最优解，而这组最优解中的各选型方案都能对应到实际设备，而不需要使用近似方法处理。

实现本发明目的采用的技术方案是一种柴电混合动力船舶动力设备选型方法，该方法包括：

根据选型对象船舶的工作图谱，得到典型的工作循环；

构建选型对象船舶的整船动力组成模型；

根据所述典型的工作循环将选型对象船舶所需要工作数据导入模型中，进行多目标优化计算，得到一组帕累托最优解，对应实际设备，即得到各选型方案。

在上述技术方案中，收集各厂商柴油机、电池、电机的规格参数，制成索引表；

从所述索引表中获得选型对象船舶的动力设备选型。

在上述技术方案中，所述柴油机参数包括安装重量和油耗—负载曲线；所述电池参数包括电池容量和电池单体重量；所述电机参数包括总安装重量、效率特性曲线、单体重量和充放电曲线。

在上述技术方案中，所述工作图谱是根据船舶长时间工作统计得出的一组与时间相关的数据，包括需求功率，或者需求功率和挖泥量。

在上述技术方案中，所述整船动力组成模型包括主机油耗模型、电机模型、电池模型能量管理模型和储能装置分级惩罚模型。

在上述技术方案中，所述能量管理模型中上阈值与下阈值实现过程如下；

(1)当功率需求大于上阈值时，由主机与电机一同提供动力，电机运行于电动机状态，由电池组提供能量；

(2)当功率需求低于下阈值且蓄电池荷电状态在[40％,90％]区间内，仅由电机提供动力，电机运行于电动机状态，由电池组提供能量；

(3)当功率需求在上下阈值之间，蓄电池且电池SOC<90％,由主机提供动力源，且通过电机对蓄电池充电，电机运行于发电机状态；

(4)出上述三种情况外，默认状态为由主机单独提供动力。

在上述技术方案中，所述储能装置分级惩罚模型包括无惩罚，轻度惩罚，中度惩罚，重度惩罚四类；当SOC位于[40％，100％]区间内时无惩罚；SOC位于(20％，40％)区间内轻度惩罚；SOC位于(10％，20％]区间内中度惩罚；SOC位于[0％，10％]区间内重度惩罚。

在上述技术方案中，通过NSGA-II算法进行数值仿真，得到帕累托最优解，具体步骤如下：

(1)根据所需要优化的参数，设计染色体组，产生初始种群；

(2)计算初始种群中各个体的目标函数，并对其进行非支配排序；

(3)通过遗传算法的选择、交叉、变异等操作得到第一代种群；

(4)从第二代开始，合并父代与子代种群，进行非支配排序；

(5)对每个非支配层的个体进行拥挤度计算，根据非支配关系与拥挤度选取新的父代种群；

(6)通过遗传算的的选择、交叉、变异产生新的种群，判断是否满足条件，若不满足回到步骤(5)，若满足条件，跳出循环。

进一步地，将得到的帕累托最优解按分级惩罚模块中记录信息划分为无惩罚区与有惩罚区。

本发明具有以下的优点：

1、采用离散索引技术，使得最后最优解集中个选型方案均能对应到实际设备，不需要人为的近似处理。

2、采用分级惩罚技术，将储能装置使用状况考虑在内，使得最后的选型方案中，储能装置工作状态较好(因为SOC太小(过度放电)会影响储能装置寿命)。

3、使用NSGA-II算法，优化时计算复杂度低，不需要认为设定优化参数，(如NSGA中需要人为设定共享半径)，而且NSGA-II是一种多目标算法，使得最后给出的不是一个解，而是充分考虑多个优化目标而得到的一组最优解集。

附图说明

图1为本发明柴电混合动力船舶动力设备选型方法的流程图。

图2为本实施例主要设备离散索引表示意图。

图3为本实施例惩罚函数示意图。

图4为本实施例所用NSGA-II算法中种群个体染色体示意图。

图5为本实施例所用NSGA-II算法流程图。

图6为本实施例所得到分区的帕累托最优解集及按惩罚函数划分区域示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本实施例柴电混合动力船舶特点是具有如蓄电池作为储能单元。

如图1所示，本发明柴电混合动力船舶动力设备选型方法具体包括以下步骤：

S100、调查所需设备的设备提供商数据，收集各厂商柴油机，电池，电机的规格参数，制成离散索引表，如图2所示，包括编号21、主机型号22、电机型号23和蓄电池型号24。其中，柴油机参数包括安装重量和油耗—负载曲线(可根据负载比率计算出耗油量)；电池为里聚合物电池，电机参数包括单体重量，充放电曲线；电机为船用永磁同步电机，电机特点为既能在做功(电能转化为机械能)又能发电(机械能转化为电能)，电机参数包括总安装重量和效率特性曲线(功率—效率曲线)。

S200、根据船舶长时间工作统计得出的选型对象船舶的工作图谱11，分析其特点，得到典型的工作循环，包括主机工作图谱和其他工作数据图谱14。工作图谱是一组与时间相关的数据，包括需求功率与其他数据，其他数据根据对象船舶而定，以拖轮为例，仅需所需功率数据即可；又以耙吸式挖泥船为例，其他数据为挖泥量。

S300、调查各设备生产厂商商品规格书12，构建整船动力组成模型，其中包括主机油耗模型、电机模型、电池模型、构建能量管理模型和储能装置分级惩罚模型15。

本实施例能量管理模型涉及上阈值与下阈值实现的功能如下；

(1)当功率需求大于上阈值时，由主机与电机一同提供动力。电机运行于电动机状态，由电池组提供能量；

(2)当功率需求低于下阈值且蓄电池荷电状态(SOC)在[40％,90％]区间内，仅由电机提供动力。电机运行于电动机状态，由电池组提供能量；

(3)当功率需求在上下阈值之间，蓄电池且电池SOC<90％,由主机提供动力源，且通过电机对蓄电池充电。电机运行于发电机状态；

(4)出上述三种情况外，默认状态为由主机单独提供动力。

本实施例储能装置分级惩罚模型实现功能是当电池SOC低于40％时进行惩罚，后与总油耗相加，避免最终的帕累托最优解中存在电池SOC不满足危害电池寿命的情形。具体地分级惩罚模型分为无惩罚、轻度惩罚、中度度惩罚和重度惩罚四类，当SOC位于[40％，100％]区间内时无惩罚；SOC位于(20％，40％)区间内轻度惩罚；SOC位于(10％，20％]区间内中度惩罚；SOC位于[0％，10％]区间内重度惩罚。

具体的惩罚系数根据油耗总量和工作图谱时间决定，如图3所示，当蓄电池SOC分别处于[0％，10％](31)、(10％，20％)(32)、(20％，40％)(33)时实施重度、中度、轻度惩罚。这三个区间中其他值按线性插值法得到，斜率比为7：2：1。当蓄电池SOC处于[40％，100％](34)不惩罚。

分级惩罚模型的目的是在多目标遗传算法中将不满足SOC在[40％，100％]内的情况淘汰。

S400、利用计算机对算法进行编程13，实现NSGA-II算法程序编写14。

根据所述典型的工作循环将选型对象船舶所需要的功率与其他所需数据导入模型中，运行模型，进行数值仿真，得到一组帕累托最优解，即为各选型方案。本实施例通过NSGA-II算法进行数值仿真，得到帕累托最优解，图4为NSGA-II算法中种群染色体的示意图，包括主机型号41，电机型号42，电池型号43，电池并联数44，电池串联数45，能量管理上阈值46，能量管理下阈值47，算法如图5所示，具体步骤如下：

(1)根据所需要优化的参数，设计染色体组，产生初始种群；该种群就是一系列索引表中的值，比如说主机2500kw对应1；电机1500kW对应3，电池50ah对应4，然后用这(134……)作为初始种群，而不是用(2500，1500，50)去作为初始种群，从而避免了最后结果出现实际不存在的设备。

(2)计算初始种群中各个体的目标函数，并对其进行非支配排序；

(3)通过遗传算法的选择、交叉、变异等操作得到第一代种群；

(4)从第二代开始，合并父代与子代种群，进行非支配排序；

(5)对每个非支配层的个体进行拥挤度计算，根据非支配关系与拥挤度选取新的父代种群；

(6)通过遗传算的选择、交叉、变异产生新的种群，判断是否满足条件，若不满足回到步骤(5)，若满足条件，跳出循环，即得到的帕累托最优解如图6所示，其中离散的点表示各选型方案，分为无惩罚区51与有惩罚区52。

Claims (6)

1.一种柴电混合动力船舶动力设备选型方法，其特征在于，包括：

根据选型对象船舶的工作图谱，得到典型的工作循环，所述工作图谱是根据船舶长时间工作统计得出的一组与时间相关的数据，包括需求功率，或者需求功率和挖泥量；

构建选型对象船舶的整船动力组成模型，所述整船动力组成模型包括主机油耗模型、电机模型、电池模型能量管理模型和储能装置分级惩罚模型；

所述能量管理模型中上阈值与下阈值实现过程如下；

(1)当功率需求大于上阈值时，由主机与电机一同提供动力，电机运行于电动机状态，由电池组提供能量；

(2)当功率需求低于下阈值且蓄电池荷电状态在[40％,90％]区间内，仅由电机提供动力，电机运行于电动机状态，由电池组提供能量；

(3)当功率需求在上下阈值之间，且蓄电池电池荷电状态<90％,由主机提供动力源，且通过电机对蓄电池充电，电机运行于发电机状态；

(4)除上述三种情况外，默认状态为由主机单独提供动力；

根据所述典型的工作循环将选型对象船舶所需要工作数据导入模型中，进行多目标优化计算，得到一组帕累托最优解，对应实际设备，即得到各选型方案。

2.根据权利要求1所述柴电混合动力船舶动力设备选型方法，其特征在于：

收集各厂商柴油机、电池和电机的规格参数，制成索引表；

从所述索引表中获得选型对象船舶的动力设备选型。

3.根据权利要求2所述柴电混合动力船舶动力设备选型方法，其特征在于：所述柴油机的规格参数包括安装重量和油耗—负载曲线；所述电池的规格参数包括电池容量和电池单体重量；所述电机的规格参数包括总安装重量、效率特性曲线、单体重量和充放电曲线。

4.根据权利要求3所述柴电混合动力船舶动力设备选型方法，其特征在于：所述储能装置分级惩罚模型包括无惩罚，轻度惩罚，中度惩罚，重度惩罚四类；当SOC位于[40％，100％]区间内时无惩罚；SOC位于(20％，40％)区间内轻度惩罚；SOC位于(10％，20％]区间内中度惩罚；SOC位于[0％，10％]区间内重度惩罚。

5.根据权利要求4所述柴电混合动力船舶动力设备选型方法，其特征在于通过NSGA-II算法进行多目标优化计算，得到帕累托最优解，具体步骤如下：

(1)根据所需要优化的参数，设计染色体组，产生初始种群；

(2)计算初始种群中各个体的目标函数，并对其进行非支配排序；

(3)通过遗传算法的选择、交叉和变异操作得到第一代种群；

(4)从第二代开始，合并父代与子代种群，进行非支配排序；

(5)对每个非支配层的个体进行拥挤度计算，根据非支配关系与拥挤度选取新的父代种群；

(6)通过遗传算的选择、交叉和变异产生新的种群，判断是否满足条件，若不满足回到步骤(5)，若满足条件，跳出循环，即得到帕累托最优解。

6.根据权利要求5所述柴电混合动力船舶动力设备选型方法，其特征在于：将得到的帕累托最优解按分级惩罚模块中记录信息划分为无惩罚区与有惩罚区。