CN105353611A - 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 - Google Patents

Abstract

本发明公开了一种面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统，方法包括：采集冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度；对接收到的信息进行提取处理；建立一温度变化与能耗预测神经网络模型，预测出每个冷藏集装箱制冷状态达到临界温度点的时间和能耗；结合柴油发电机负荷率-油耗曲线、货舱风机运行状态，建立多目标功率平衡与优化调度模型，求解冷藏集装箱的控制与优化调度策略；根据冷藏集装箱的控制与优化调度策略发送控制指令到冷藏集装箱和货舱风机。本发明可实现对冷藏集装箱制冷功率的统一调度管理，可达到维持负载功率平衡、提高货物的装载容量或者降低装机容量、降低船舶建造与运行成本的目的。

Description

面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统

技术领域

本发明涉及制冷控制研究领域，特别涉及一种面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统。

背景技术

现有冷藏集装箱船对集装箱的控制相互独立，船上缺乏对冷藏集装箱制冷功率的统一管理，导致其负载功率变化随机性大，可能会出现较大的峰值功率。船上制冷发电机组的配置必须根据冷藏集装箱制冷的最大概率工况进行配置以保证船上的电力安全，长期的航运实践数据表明，当前主流的电站设计与使用长期处于不饱和状态，导致船上电力系统安全冗余量极大，系统造价远远高于实际需求。另外，发电机组长期低负荷率运行，导致发电机组油耗效率低；同时，可能出现的频繁峰-谷变化也会导致船上的发电机组难以长时间以合适的负荷率经济运行，导致发电机组油耗偏高，造成船舶营运成本增加。

冷藏集装箱运输过程中的能耗过程事实上是将集装箱内外所产生或传入的热量通过压缩机及通风系统转移到箱体外部，控制箱内温度场保持在一定范围内的过程。因此，冷藏箱内温度场分布的变化将直接影响制冷系统的能量消耗。当前，对冷藏箱能耗的分析主要采用基于热平衡的机理建模方法。该方法从传热机理出发，首先建立冷藏箱的传热学模型，然后逐时逐步分析能耗的构成和变化，得到其动态构成及变化规律。这种方法计算较为繁琐，所需参数较多，辨识困难，但模型精度较高。然而这种方法往往需要针对具体的集装箱进行具体分析，对于装载成百上千个冷藏集装箱的集装箱船来说，这种分析方法显然是难以实现的。

对冷藏集装箱船进行制冷功率平衡控制必须在不影响货物质量和船上电力安全的基础上进行，而带负荷控制的冷藏集装箱供需优化匹配与调控问题非常复杂且规模巨大，需要在满足控制精度、系统可靠性等多种约束的条件下，保证柴油发电机组在适当的负荷率下较为平稳地进行功率输出，以保障发电机组经济运行，以降低制冷负荷电力需求峰谷差值和油耗，同时减少船舶电力系统安全冗余量。其本质上是一个高维的混合整数非线性多目标优化问题。此外，由于系统结构多变，传统的基于凸函数理论的优化方法难以直接应用。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种面向冷藏集装箱船的制冷功率平衡控制方法，该方法实现了在满足货物质量要求的前提下，最大化发电机组油耗和集装箱外部散热风机效率。

本发明的另一目的在于提供一种实现上述面向冷藏集装箱船的制冷功率平衡控制方法的控制系统，该控制系统实现了对冷藏集装箱制冷功率的统一管理，能够达到维持负载功率平衡、提高货物的装载容量或者降低装机容量、降低船舶建造与运行成本的目的。

本发明的目的通过以下的技术方案实现：面向冷藏集装箱船的制冷功率平衡控制方法，包括步骤：

(1)采集冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度；

(2)对接收到的信息进行提取处理；

(3)根据上述信息，建立温度变化与能耗预测神经网络模型，通过极端学习机训练神经网络，预测出每个冷藏集装箱制冷状态达到临界温度点的时间和能耗；

(4)根据每个冷藏箱制冷状态达到临界温度点的时间和能耗，结合柴油发电机负荷率-油耗曲线、货舱风机运行状态，建立多目标功率平衡与优化调度模型，通过人工萤火虫群优化算法求解冷藏集装箱的控制与优化调度策略；

(5)将上述冷藏集装箱的控制与优化调度策略发送到执行控制器，执行控制器发送控制指令到冷藏集装箱和货舱风机。

优选的，所述步骤(3)中，神经网络预测模型包括输入层、隐含层和输出层的，所述输入层的输入为冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度；所述输出层的输出为每个冷藏集装箱制冷状态达到临界温度点的时间和能耗；所述神经网络采用相关因素法建立模型，通过极端学习机训练神经网络。

优选的，所述步骤(4)中，建立多目标功率平衡与优化调度模型的步骤如下：

(4-1)给定冷藏集装箱船上共有N个冷藏集装箱，M个货舱风机，其中第i个冷藏集装箱在时刻t进行制冷，功率表示为P_i(t)，启停状态表示为u_i(t)，货舱风机启动时按恒功率P_w运行，第j个货舱风机的启停状态表示为v_j(t)；假设第i个冷藏集装箱要求的制冷温度为波动范围为ε_i，因此允许的温度控制范围为第i个冷藏集装箱内t时刻的温度为Tⁱ(t)，那么t+1时刻的Tⁱ(t+1)采用神经网络建立的模型表示为：

Tⁱ(t+1)＝F(Tⁱ(t),P_i(t),...)；

(4-2)建立目标函数：

冷藏集装箱船的优化调度目的之一是减少尖峰负荷，降低电力系统安全冗余量，因此目标函数表示为：

$\begin{array}{cc}\min & J_1=\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{(\underset{i=1}{\overset{N}{\Σ}}{u}_i\left(t\right)P_i\left(t\right)+\underset{j=1}{\overset{M}{\Σ}}{v}_j\left(t\right)P_w-({\mathrm{NP}}^{max}+{\mathrm{MP}}_w)\×\mathrm{\α}\%)}^2\end{array}$

式中，P^max代表冷藏集装箱进行冷却时的最大功率，α代表期望的冷藏集装箱船冷却系统功率水平，u_i(t)和v_j(t)都为取值0或者1的二值变量，当取值为0时表示停机，取1表示启动；

(4-3)建立约束条件：

每个冷藏集装箱的冷却功率受到一定的物理限制，可用如下约束条件表示：

P^min≤P_i(t)≤P^max；

冷藏集装箱船的电力系统需要实时满足冷藏集装箱的制冷需求，保持每个集装箱内的温度在允许的变化范围内：

$T_a^i-\mathrm{\ϵ}\≤T^i\left(t\right)\≤T_a^i+\mathrm{\ϵ};$

Tⁱ(t+1)＝F(Tⁱ(t),P_i(t),...)；

此外，冷藏集装箱启动制冷时，货舱风机必须启动(一台货舱风机负责给数个冷藏集装箱进行散热)，假设第k个货舱风机负责第l,l+1,...,l+n个集装箱，其约束条件可按下式表示：

v_k(t)≥max(u_l(t),u_l+1(t),...,u_l+n(t))。

优选的，冷藏集装箱船的优化调度的另一目的是降低系统的能耗，为达到该目的，所述步骤(4-2)中的目标函数替换为：

$\begin{array}{cc}\min & J_2=\underset{t=1}{\overset{T}{\Σ}}\left(\underset{i=1}{\overset{N}{\Σ}}{u}_i\right(t\left)P\right(t)+\underset{j=1}{\overset{M}{\Σ}}{v}_j\left(t\right)P_w)\end{array}.$

优选的，所述步骤(4)中，冷藏集装箱的控制与优化调度策略通过Pareto最优解集的多目标人工萤火虫群优化算法求解，步骤是：给定萤火虫群规模，初始化萤火虫位置，依据Pareto最优解定义比较初始的所有萤火虫，选取其中的最优萤火虫，将其作为初始的最优Pareto解放入一个“Pareto库”中；然后，计算每个目标函数的适应度值，用平均适应度值更新荧光素值；在以后的迭代过程中，更新产生的萤火虫与该“Pareto库”中的萤火虫不断进行信息交换和共享，并随时更新“Pareto库”中的数据，直至迭代结束。

面向冷藏集装箱船的制冷功率平衡控制系统，包括：

数据收发模块，用于接收传感器发送的冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度等信息并发送给处理模块；

处理模块，用于对接收到的信息进行提取处理后发送给温度变化与能耗预测模块；

温度变化与能耗预测模块，用于根据上述信息，采用神经网络的方法，通过极端学习机训练神经网络，预测出每个冷藏集装箱制冷状态达到临界温度点的时间和能耗，并将其发送给控制与优化调度模块；

控制与优化调度模块，用于根据每个冷藏箱制冷状态达到临界温度点的时间和能耗，结合柴油发电机负荷率-油耗曲线、货舱风机运行状态，建立多目标功率平衡与优化调度模型，通过人工萤火虫群优化算法求解冷藏集装箱的控制与优化调度策略；最后将上述冷藏集装箱的控制与优化调度策略发送到外部执行控制器以用于控制冷藏集装箱和货舱风机的运行。

本发明与现有技术相比，具有如下优点和有益效果：

本发明提出了一种面向冷藏集装箱船的制冷功率平衡控制方法和控制系统，可实现对冷藏集装箱制冷功率的统一调度管理，缩小负载制冷功率峰谷差，维持功率平稳，保障发电机组在航运过程中以合适的负荷率运行，维持负载功率基本平衡、提高货物的装载容量或者降低装机容量，降低船舶建造与运行成本。

附图说明

图1为本发明面向冷藏集装箱船的制冷功率平衡控制系统结构图。

图2为本发明面向冷藏集装箱船的制冷功率平衡控制方法的流程图。

图3为本发明温度变化与能耗预测神经网络模型建立过程示意图。

图4为本发明面向冷藏集装箱船的制冷功率平衡控制系统的架构图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

如图1、4所示，本实施例公开了一种面向冷藏集装箱船的制冷功率平衡控制系统，包括数据收发模块、处理模块、温度变化与能耗预测模块、控制与优化调度模块。其中：

数据收发模块接收传感器发送的冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度等信息并发送给处理模块；

处理模块对接收到的信息进行处理后发送给温度变化与能耗预测模块；

温度变化与能耗预测模块预测出每个冷藏集装箱制冷状态达到临界温度点的时间和能耗，发送给控制与优化调度模块；

控制与优化调度模块通过优化算法计算出冷藏集装箱的控制与调度策略，并将上述冷藏集装箱的控制与优化调度策略发送到外部执行控制器以用于控制冷藏集装箱和货舱风机的运行。。

参见图2，基于上述控制系统，本实施例一种面向冷藏集装箱船的制冷功率平衡控制方法，包括以下步骤：

1、传感器采集冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度等信息，采集信息通过总线传输到收发模块；收发模块将信息传输给处理模块。

2、处理模块对接收到的信息进行处理后发送给温度变化与能耗预测模块。

3、温度变化与能耗预测模块通过极端学习机训练神经网络，预测出每个冷藏集装箱制冷状态达到临界温度点的时间和能耗，发送给控制与优化调度模块。

4、控制与优化调度模块根据预测出的每个冷藏集装箱制冷状态达到临界温度点的时间和能耗，结合柴油发电机负荷率-油耗曲线、货舱风机运行状态，建立多目标功率平衡与优化调度模型，通过Pareto最优解集的多目标人工萤火虫群算法求解冷藏集装箱船多目标功率平衡与优化调度策略，发送给执行控制器。

5、执行控制器下达控制指令给冷藏集装箱和货舱风机。

6、冷藏集装箱和货舱风机根据执行控制器下达的指令进行参数设置、制冷启停、货舱风机启停等操作。

本实施例中，预测每个冷藏集装箱制冷状态达到临界温度点的时间和能耗是通过一包括输入层、隐含层和输出层的温度变化与能耗预测神经网络模型实现，输入层的输入为冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度等信息；输出层的输出为冷藏集装箱制冷状态达到临界温度点的时间和能耗。该神经网络采用相关因素法建立模型，通过极端学习机训练网络。参见图3，为该神经网络建立过程流程图，包括模型构建、模型训练和模型修正。其中模型构建采用相关因素建模方法，用于分析影响冷藏集装箱温度场分布变化及能耗的因素，包括冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度等，将冷藏集装箱内温度场分布及能耗表示为这些影响因素的函数，然后建立神经网络模型对函数进行逼近；模型训练采用极端学习机对神经网络进行训练，训练结束后进行模型修正，通过实时输入冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度等，对模型参数进行修正，包括神经网络测试和神经网络修正。

本发明中，控制与优化调度模块为核心创新点，其多目标功率平衡与优化调度模型建立过程如下：

给定冷藏集装箱船上共有N个冷藏集装箱，M个货舱风机，其中第i个冷藏集装箱在时刻t进行制冷，功率表示为P_i(t)，启停状态表示为u_i(t)，货舱风机启动时按恒功率P_w运行，第j个货舱风机的启停状态表示为v_j(t)。假设第i个冷藏集装箱要求的制冷温度为波动范围为ε_i，因此允许的温度控制范围为第i个冷藏集装箱内t时刻的温度为Tⁱ(t)，那么t+1时刻的Tⁱ(t+1)采用神经网络建立的模型表示为：

Tⁱ(t+1)＝F(Tⁱ(t),P_i(t),...)；

(1)目标函数

冷藏集装箱船的优化调度目的之一是减少尖峰负荷，降低电力系统安全冗余量，目标函数可表示为：

$\begin{array}{cc}\min & J_1=\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{(\underset{i=1}{\overset{N}{\Σ}}{u}_i\left(t\right)P_i\left(t\right)+\underset{j=1}{\overset{M}{\Σ}}{v}_j\left(t\right)P_w-({\mathrm{NP}}^{max}+{\mathrm{MP}}_w)\×\mathrm{\α}\%)}^2\end{array}$

式中，P^max代表冷藏集装箱进行冷却时的最大功率，α代表期望的冷藏集装箱船冷却系统功率水平。u_i(t)和v_j(t)都为取值0或者1的二值变量，当取值为0时表示停机，取1表示启动。

冷藏集装箱船的优化调度的另一目的是降低系统的能耗，因此目标函数可表示为：

$\begin{array}{cc}\min & J_2=\underset{t=1}{\overset{T}{\Σ}}\left(\underset{i=1}{\overset{N}{\Σ}}{u}_i\right(t\left)P_i\right(t)+\underset{j=1}{\overset{M}{\Σ}}{v}_j(t\left)P_w\right)\end{array}$

(2)约束条件

每个冷藏集装箱的冷却功率受到一定的物理限制，可用如下约束条件表示：

P^min≤P_i(t)≤P^max

冷藏集装箱船的电力系统需要实时满足冷藏集装箱的制冷需求，保持每个集装箱内的温度在允许的变化范围内：

$T_a^i-\mathrm{\ϵ}\≤T^i\left(t\right)\≤T_a^i+\mathrm{\ϵ}$

Tⁱ(t+1)＝F(Tⁱ(t),P_i(t),...)

此外，冷藏集装箱启动制冷时，货舱风机必须启动(一台货舱风机负责给数个冷藏集装箱进行散热)，假设第k个货舱风机负责第l,l+1,...,l+n个集装箱，其约束条件可按下式表示：

v_k(t)≥max(u_l(t),u_l+1(t),...,u_l+n(t))；

通过设置该约束条件，可以优化调度从而使需要制冷的冷藏箱在同一时段工作，使风机散热效率最大化。

本实施例中，步骤4中通过Pareto最优解集的多目标人工萤火虫群算法求解冷藏集装箱船多目标功率平衡与优化调度策略，求解过程如下：

给定萤火虫群规模，初始化萤火虫位置，依据Pareto最优解定义比较初始的所有萤火虫，选取其中的最优萤火虫，将其作为初始的最优Pareto解放入一个“Pareto库”中。然后，计算每个目标函数的适应度值，用平均适应度值更新荧光素值。在以后的迭代过程中，更新产生的萤火虫与该“Pareto库”中的萤火虫不断进行信息交换和共享，并随时更新“Pareto库”中的数据，直至迭代结束。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.面向冷藏集装箱船的制冷功率平衡控制方法，其特征在于，包括步骤：

(1)采集冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度；

(2)对接收到的信息进行提取处理；

(3)根据上述信息，建立温度变化与能耗预测神经网络模型，通过极端学习机训练神经网络，预测出每个冷藏集装箱制冷状态达到临界温度点的时间和能耗；

(4)根据每个冷藏箱制冷状态达到临界温度点的时间和能耗，结合柴油发电机负荷率-油耗曲线、货舱风机运行状态，建立多目标功率平衡与优化调度模型，通过人工萤火虫群优化算法求解冷藏集装箱的控制与优化调度策略；

(5)将上述冷藏集装箱的控制与优化调度策略发送到执行控制器，执行控制器发送控制指令到冷藏集装箱和货舱风机。

2.根据权利要求1所述的面向冷藏集装箱船的制冷功率平衡控制方法，其特征在于，所述步骤(3)中，神经网络预测模型包括输入层、隐含层和输出层的，所述输入层的输入为冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度；所述输出层的输出为每个冷藏集装箱制冷状态达到临界温度点的时间和能耗；所述神经网络采用相关因素法建立模型，通过极端学习机训练神经网络。

3.根据权利要求1所述的面向冷藏集装箱船的制冷功率平衡控制方法，其特征在于，所述步骤(4)中，建立多目标功率平衡与优化调度模型的步骤如下：

(4-1)给定冷藏集装箱船上共有N个冷藏集装箱，M个货舱风机，其中第i个冷藏集装箱在时刻t进行制冷，功率表示为P_i(t)，启停状态表示为u_i(t)，货舱风机启动时按恒功率P_w运行，第j个货舱风机的启停状态表示为v_j(t)；假设第i个冷藏集装箱要求的制冷温度为波动范围为ε_i，因此允许的温度控制范围为第i个冷藏集装箱内t时刻的温度为Tⁱ(t)，那么t+1时刻的Tⁱ(t+1)采用神经网络建立的模型表示为：

Tⁱ(t+1)＝F(Tⁱ(t),P_i(t),...)；

(4-2)建立目标函数：

目标函数表示为：

$\min J_1=\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{\left(\underset{i=1}{\overset{N}{\Σ}}{u}_i\right(t\left)P_i\right(t)+\underset{j=1}{\overset{M}{\Σ}}{v}_j(t)P_w-({\mathrm{NP}}^{max}+{\mathrm{MP}}_w)\×\mathrm{\α}\%)}^2$

式中，P^max代表冷藏集装箱进行冷却时的最大功率，α代表期望的冷藏集装箱船冷却系统功率水平，u_i(t)和v_j(t)都为取值0或者1的二值变量，当取值为0时表示停机，取1表示启动；

(4-3)建立约束条件：

约束条件包括：

P^min≤P_i(t)≤P^max；

$T_a^i-\mathrm{\ϵ}\≤T^i\left(t\right)\≤T_a^i+\mathrm{\ϵ};$

其中，P^min、P^nax分别表示每个冷藏集装箱的最小冷却功率和最大冷却功率；

此外，冷藏集装箱启动制冷时，货舱风机必须启动，假设第k个货舱风机负责第l,l+1,...,l+n个集装箱，其约束条件按下式表示：

v_k(t)≥max(u_l(t),u_l+1(t),...,u_l+n(t))。

4.根据权利要求3所述的面向冷藏集装箱船的制冷功率平衡控制方法，其特征在于，所述步骤(4-2)中的目标函数替换为：

$\min J_2=\underset{t=1}{\overset{T}{\Σ}}\left(\underset{i=1}{\overset{N}{\Σ}}{u}_i\right(t)P_i\left(t\right)+\underset{j=1}{\overset{M}{\Σ}}{v}_j\left(t\right)P_w).$

5.根据权利要求1所述的面向冷藏集装箱船的制冷功率平衡控制方法，其特征在于，所述步骤(4)中，冷藏集装箱的控制与优化调度策略通过Pareto最优解集的多目标人工萤火虫群优化算法求解，步骤是：给定萤火虫群规模，初始化萤火虫位置，依据Pareto最优解定义比较初始的所有萤火虫，选取其中的最优萤火虫，将其作为初始的最优Pareto解放入一个“Pareto库”中；然后，计算每个目标函数的适应度值，用平均适应度值更新荧光素值；在以后的迭代过程中，更新产生的萤火虫与该“Pareto库”中的萤火虫不断进行信息交换和共享，并随时更新“Pareto库”中的数据，直至迭代结束。

6.面向冷藏集装箱船的制冷功率平衡控制系统，其特征在于，包括：

数据收发模块，用于接收传感器发送的冷藏集装箱运行状态、环境温湿度、货舱风机运行状态、风速、光照度等信息并发送给处理模块；

处理模块，用于对接收到的信息进行提取处理后发送给温度变化与能耗预测模块；

温度变化与能耗预测模块，用于根据上述信息，采用神经网络的方法，通过极端学习机训练神经网络，预测出每个冷藏集装箱制冷状态达到临界温度点的时间和能耗，并将其发送给控制与优化调度模块；

控制与优化调度模块，用于根据每个冷藏箱制冷状态达到临界温度点的时间和能耗，结合柴油发电机负荷率-油耗曲线、货舱风机运行状态，建立多目标功率平衡与优化调度模型，通过人工萤火虫群优化算法求解冷藏集装箱的控制与优化调度策略；最后将上述冷藏集装箱的控制与优化调度策略发送到外部执行控制器以用于控制冷藏集装箱和货舱风机的运行。