CN107748498A - 一种基于模型预测控制的混合动力船舶的能量管理方法 - Google Patents
一种基于模型预测控制的混合动力船舶的能量管理方法 Download PDFInfo
- Publication number
- CN107748498A CN107748498A CN201710931188.5A CN201710931188A CN107748498A CN 107748498 A CN107748498 A CN 107748498A CN 201710931188 A CN201710931188 A CN 201710931188A CN 107748498 A CN107748498 A CN 107748498A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- power
- ship
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/12—Use of propulsion power plant or units on vessels the vessels being motor-driven
- B63H21/17—Use of propulsion power plant or units on vessels the vessels being motor-driven by electric motor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H21/00—Use of propulsion power plant or units on vessels
- B63H21/20—Use of propulsion power plant or units on vessels the vessels being powered by combinations of different types of propulsion units
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T70/00—Maritime or waterways transport
- Y02T70/50—Measures to reduce greenhouse gas emissions related to the propulsion system
- Y02T70/5218—Less carbon-intensive fuels, e.g. natural gas, biofuels
- Y02T70/5236—Renewable or hybrid-electric solutions
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Ocean & Marine Engineering (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
针对传统混合动力船舶控制方法难以实现实时最优控制的问题,本发明采用模型预测控制的思路,提出了一种基于模型预测控制的混合动力船舶的能量管理方法;选取马尔科夫模型对混合动力船舶需求功率进行预测,结合模型预测控制的原理,运用动态规划的方法在预测时域内以燃油消耗最小化为目标进行功率分配的优化。这种能量管理方法可以提高混合动力船舶的燃油经济性,且具有良好的实时性。
Description
技术领域
本发明涉及混合动力船舶的能量管理领域,具体涉及一种基于模型预测控制的混合动力船舶的能量管理方法。
背景技术
混合动力船舶的关键技术就是其能量管理方法,目的是在满足船舶动力性能的前提下,将多种能源合理分配、协调控制,使得各部件高效的运行。目前国内外常见的混合动力船舶的能量管理方法主要有基于规则的控制方法其中包括基于确定规则控制和模糊逻辑控制,基于优化的控制包括基于全局优化控制和基于瞬时优化控制,此外还有智能方法,如神经网络模型控制、基于遗传算法或最优控制算法的策略、动态规划等。混合动力船舶能量优化控制问题具有多目标、多约束、非线性的特征,而基于规则的控制方法不能应对多种运行状况及实际船舶负荷需求的动态变化,即适应能力不足,不能达到最优控制;基于全局优化方法由于要求事先知道行驶过程中的所有参数,而且计算量大,因此在船舶的实时控制中无法应用;相对来说,基于瞬时优化控制策略不必事先获得船舶将来运行的工况数据,不受给定循环工况的约束,计算量小,容易实现。基于此,本发明提出一种基于瞬时优化的模型预测控制能量管理方法。
发明内容
本发明针对混合动力船舶的能量管理方法,采用模型预测控制的思路,提出了一种基于模型预测控制的能量管理方法;本发明构建的混合动力系统为一种典型的串联混合动力系统,两组动力源分别为柴油发电机组和动力电池组,柴油发电机组产生的交流电经过AC/DC装置送到直流母排,来自电池组的直流电通过DC/DC装置后,送到直流母排;电流再通过逆变器供电给推进电机带动螺旋桨运转。结合模型预测控制的原理,模型预测控制在每一个采样时刻,把被控系统的当前状态作为初始状态,在线解决一个特定时域内的最优化问题获取未来一段时间内(预测时域内)的最优控制序列,将该控制序列的第一个或前几个控制量作用到被控系统,在下一时刻重复上述过程。预测控制算法的基本原理可以归结为预测模型,滚动优化和反馈校正三个主要部分,其中滚动优化是其核心,是区别传统最优控制方法的根本点,其原理为:在k时刻求出预测区间k~k+p内的最优控制序列[u(k),u(k+1|k),u(k+2|k),…],在k+1时刻要求出新的预测区间k+1~k+p内的最优控制序列[u(k+1),u(k+2|k+1),u(k+3|k+1),…],以此类推,即为滚动优化过程。本发明首次将模型预测控制的理论方法运用到混合动力船舶的能量管理中;然而,国内目前还没有在混合动力船舶电力推进系统中运用该能量管理方法。该能量方法包括以下步骤:
步骤一、获取混合动力船舶的当前时刻的需求功率Pd(k)以及电池SOC等状态;
步骤二、在当前k时刻根据预测模型预测未来k+p时域内的船舶的功率需求;
本发明所采用的预测模型为马尔科夫模型,首先,将船舶未来功率视为一种概率分布,建立随机马尔可夫模型,而船舶未来需求功率的概率分布可以从船舶历史航行数据中提取与归纳。首先将船舶功率离散化为有限个整数值(近似代表连续的功率变化),令T为船舶负载功率的集合,则定义T={z1,z2,…zs},基于马尔可夫链的船舶负载功率预测模型由转移概率矩阵PM定义:tab=P[τ(k+i+1)=b|τ(k+i)=a]tab∈R,其中tab是转移概率矩阵PM的第a行第b列元素,a,b∈T,P[τ(k+i+1)=b|τ(k+i)=a]表示在k+i时刻船舶负载功率为a、在k+i+1时刻船舶负载功率变化到b的概率;
预测船舶负载功率,即描述转移概率矩阵PM,转移概率可以从混合动力船舶以往的驾驶记录中提取,令向量其中,表示在t(k+i)时刻船舶负载功率在zi处的概率。可以得出下列关系式:
P(k+n-1)=P(k+n-2)PM=P(k)(PM)n-1 (1)
由于在t(k)时刻,船舶负载功率τ(k)已知,所以P(k)已知,利用上述公式可以求出船舶负载功率在预测周期内各个预测点处的分布概率,最后选取各预测点t(k+i)处概率最大的负载功率作为该时刻预测的负载功率,完成马尔科夫预测模型的建立;
步骤三、在预测时域内建立燃油消耗最小的目标函数以及相应的约束;
模型预测控制优化的目标是在预测的有限时域tlim内,使得混合动力系统的等效燃油消耗最少,等效的油耗量包括发动机油耗和电量等效油耗,定义系统阶段指标函数是在K时刻总的等效燃油消耗量:
FK=FE(k)+FB(k) (2)
则系统在预测时域P内的总的燃油消耗为:
由此,系统目标函数就是系统在预测时域内总的燃油消耗最小,即:
式中,FK表示K时刻总的等效燃油消耗量,FE(k)表示K时刻柴油发机组的油耗量,FB(k)表示K时刻电量等效的燃油消耗量,b为发动机燃油消耗率,Tec为发动机冷却水温,SC为油—电平均转换效率,e通常取3.1,ηchg、ηdis为电池的充放电效率,ηb为电机的平均效率,ηe为发动机平均效率,H为燃油的低热值,ηt为油电转换支路的机械传动效率平均值;
基本约束条件如下:
(1)柴油发电机组的输出功率限制:
PE min≤PE(k)≤PE (8)
其中PE min与PE max分别是柴油发电机的最小及最大输出功率;
(2)电池组充放电功率及SOC限制:
-PCh max≤PB(k)≤PDCh max (9)
其中,PCh max和PDCh max分别是电池组最大充电功率和最大放电功率;
电荷值限制如下:
SOCmin≤SOC(k)≤SOCmax (10)
其中,SOCmin和SOCmax分别为电池组的最小和最大电荷值;
(3)负荷需求响应条件;为了确保混合动力船舶可以执行所要求的工作,负荷需求功率响应的约束条件可以写成:
PE(k)+PB(k)≥Pd(k) (11)
其中,PE(k)和PB(k)分别是柴电机组在k时刻的输出功率和电池组在k时刻的输出功率,Pd(k)为船舶运行在k时刻的负荷需求功率;
步骤四、运用贝尔曼动态规划来求解,得到预测时域内的最优控制序列;
本发明采用动态规划的方法对有限时域内的目标函数进行最小值求解,动态规划方法适合求解有约束的非线性最优化问题,能够很容易地应用到非线性模型预测控制算法中求解最优化问题,针对预测时域内n个预测时间点,动态规划分为n个阶段求解过程分以下几个步骤进行:1)将状态量SOC在允许变化范围内进行离散化;2)逆向求解每个阶段、每个SOC离散点的最优控制量及到最后阶段的最小成本函数;3)正向寻找各个阶段的控制量;其中,逆向求解过程描述如下;
第n-1阶段:
第k阶段(1≤k≤n-2):
式中,L为每一阶段的瞬时燃油消耗量,xk表示k阶段的状态量的离散值:Jk *(xk)为系统在k阶段,状态xk下到达n阶段时的最优代价函数:x(k+1)表示第k阶段,状态xk下施加控制量u(k)后,第k+1阶段的状态量,该值不一定落到状态量的离散点上,此时可以采用插值法获得;
从循环工况的第n阶段开始至第1阶段结束,分别计算各阶段每个SOC离散值上的最优解及到第n阶段的最小代价函数,将求得的最优解及最小代价函数记录下来,为正向寻优做准备,
给定了SOC的初始值之后,需要正向寻找整个循环工况的最佳控制路径,从第1阶段开始,已知当前阶段的状态量SOC,在逆向求解的结果中寻找该阶段该状态下的最优控制量,将该最优控制量作为当期阶段的控制量作用给船舶,计算下一阶段的SOC值,进入下一阶段寻优过程……直到n-1阶段结束;
正向计算完成后,整个动态规划过程结束,获得整个循环工况的全局最优控制序列及SOC变化轨迹;
步骤五、将最优控制功率序列的第一个值作为下一时刻的控制变量作用于系统;
步骤六、回到步骤一,重复上述计算过程直到达到设定的条件;
综上所述,以模型预测控制为框架结合动态规划的最优控制算法在k时刻只计算未来k+p区域内的电动机/发电机最优控制值,到k+1时刻计算k+1+p区域的电动机/发电机最优控制值,如此预测区域向前滚动。这样每次计算区域远远小于整个行驶区域,大大降低了动态规划的计算量,实现了动态规划的实时在线控制,即预测控制;
本发明具有如下效果和优点:
基于模型预测控制的能量管理策略在实时辨识船舶动态优化参数的基础上,将船舶燃油经济性的全局最优控制转变为预测情况下的局部最优化控制,利用数学模型以及多种运行循环的实验数据,预测并优化船舶在未来有限时间域内的动力需求、功率分配比等变量,使得混合动力系统获得高燃油效率和低排放。模型预测控制具有基于模型的预测、滚动优化和反馈校正的特点,这使得它在处理多目标、多约束、非线性等更复杂多变的问题上更具优势,并且能够在保证系统稳定性的基础上可以处理控制变量和状态变量带有约束限制的情况,对混合动力船舶的能量管理策略具有很好的适用性。
附图说明
图1为串联式混合动力船舶系统结构框图
图2为模型预测控制系统原理图
图3为滚动优化原理图
图4为模型预测控制流程图
具体实施方式
步骤一、获取如图1所示结构的混合动力船舶的当前k时刻需求功率Pd(k)以及电池SOC等状态;
步骤二、在当前k时刻根据预测模型预测未来k+p时域内的船舶的功率需求;
如图2所示的模型预测控制原理图,本发明所采用的预测模型为马尔科夫模型,首先,将船舶未来功率视为一种概率分布,建立随机马尔可夫模型,而船舶未来需求功率的概率分布可以从船舶历史航行数据中提取与归纳。首先将船舶功率离散化为有限个整数值(近似代表连续的功率变化),令T为船舶负载功率的集合,则定义T={z1,z2,…zs},基于马尔可夫链的船舶负载功率预测模型由转移概率矩阵PM定义:tab=P[τ(k+i+1)=b|τ(k+i)=a]tab∈R,其中tab是转移概率矩阵PM的第a行第b列元素,a,b∈T,P[τ(k+i+1)=b|τ(k+i)=a]表示在k+i时刻船舶负载功率为a、在k+i+1时刻船舶负载功率变化到b的概率;
预测船舶负载功率,即描述转移概率矩阵PM,转移概率可以从混合动力船舶以往的驾驶记录中提取,令向量其中,表示在t(k+i)时刻船舶负载功率在zi处的概率。可以得出下列关系式:
P(k+n-1)=P(k+n-2)PM=P(k)(PM)n-1 (1)
由于在t(k)时刻,船舶负载功率τ(k)已知,所以P(k)已知,利用上述公式可以求出船舶负载功率在预测周期内各个预测点处的分布概率,最后选取各预测点t(k+i)处概率最大的负载功率作为该时刻预测的负载功率,完成马尔科夫预测模型的建立;
步骤三、在预测时域内建立燃油消耗最小的目标函数以及相应的约束;
模型预测控制优化的目标是在预测的有限时域tlim内,使得混合动力系统的等效燃油消耗最少,等效的油耗量包括发动机油耗和电量等效油耗,定义系统阶段指标函数是在K时刻总的等效燃油消耗量:
FK=FE(k)+FB(k) (2)
则系统在预测时域P内的总的燃油消耗为:
由此,系统目标函数就是系统在预测时域内总的燃油消耗最小,即:
式中,FK表示K时刻总的等效燃油消耗量,FE(k)表示K时刻柴油发机组的油耗量,FB(k)表示K时刻电量等效的燃油消耗量,b为发动机燃油消耗率,Tec为发动机冷却水温,SC为油—电平均转换效率,e通常取3.1,ηchg、ηdis为电池的充放电效率,ηb为电机的平均效率,ηe为发动机平均效率,H为燃油的低热值,ηt为油电转换支路的机械传动效率平均值;
基本约束条件如下:
(1)柴油发电机组的输出功率限制:
PE min≤PE(k)≤PE (8)
其中PE min与PE max分别是柴油发电机的最小及最大输出功率;
(2)电池组充放电功率及SOC限制:
-PCh max≤PB(k)≤PDCh max (9)
其中,PCh max和PDCh max分别是电池组最大充电功率和最大放电功率;
电荷值限制如下:
SOCmin≤SOC(k)≤SOCmax (10)
其中,SOCmin和SOCmax分别为电池组的最小和最大电荷值;
(3)负荷需求响应条件;为了确保混合动力船舶可以执行所要求的工作,负荷需求功率响应的约束条件可以写成:
PE(k)+PB(k)≥Pd(k) (11)
其中,PE(k)和PB(k)分别是柴电机组在k时刻的输出功率和电池组在k时刻的输出功率,Pd(k)为船舶运行在k时刻的负荷需求功率;
步骤四、运用贝尔曼动态规划来求解,得到预测时域内的最优控制序列;
本发明采用动态规划的方法对有限时域内的目标函数进行最小值求解,动态规划方法适合求解有约束的非线性最优化问题,能够很容易地应用到非线性模型预测控制算法中求解最优化问题,针对预测时域内n个预测时间点,动态规划分为n个阶段求解过程分以下几个步骤进行:1)将状态量SOC在允许变化范围内进行离散化;2)逆向求解每个阶段、每个SOC离散点的最优控制量及到最后阶段的最小成本函数;3)正向寻找各个阶段的控制量;其中,逆向求解过程描述如下;
第n-1阶段:
第k阶段(1≤k≤n-2):
式中,L为每一阶段的瞬时燃油消耗量,xk表示k阶段的状态量的离散值:Jk *(xk)为系统在k阶段,状态xk下到达n阶段时的最优代价函数:x(k+1)表示第k阶段,状态xk下施加控制量u(k)后,第k+1阶段的状态量,该值不一定落到状态量的离散点上,此时可以采用插值法获得;
从循环工况的第n阶段开始至第1阶段结束,分别计算各阶段每个SOC离散值上的最优解及到第n阶段的最小代价函数,将求得的最优解及最小代价函数记录下来,为正向寻优做准备,
给定了SOC的初始值之后,需要正向寻找整个循环工况的最佳控制路径,从第1阶段开始,已知当前阶段的状态量SOC,在逆向求解的结果中寻找该阶段该状态下的最优控制量,将该最优控制量作为当期阶段的控制量作用给船舶,计算下一阶段的SOC值,进入下一阶段
寻优过程……直到n-1阶段结束;
正向计算完成后,整个动态规划过程结束,获得整个循环工况的全局最优控制序列及SOC变化轨迹;
步骤五、将最优控制功率序列的第一个值作为下一时刻的控制变量作用于系统;
步骤六、回到步骤一,重复上述计算过程直到达到设定的条件;
根据如图3所示的模型预测控制滚动优化的原理图,以模型预测控制为框架结合动态规划的最优控制算法在k时刻只计算未来k+p区域内的电动机/发电机最优控制值,到k+1时刻计算k+1+p区域的电动机/发电机最优控制值,如此预测区域向前滚动。这样每次计算区域远远小于整个行驶区域,大大降低了动态规划的计算量,实现了动态规划的实时在线控制,即预测控制;模型预测控制方法整体的控制流程图如图4所示。
Claims (1)
1.一种基于模型预测控制的混合动力船舶的能量管理方法,所述混合动力船舶的两组动力源分别为柴油发电机组和锂电池组;柴油发电机组的交流电流经过AC/DC装置转换成直流电到直流母排,与通过DC/DC装置的电池组的直流电流合并到直流母排,通过逆变器供电给推进电机带动螺旋桨的运转;其特征在于所述基于模型预测控制的混合动力船舶的能量管理方法包括以下步骤:
步骤一、获取混合动力船舶的当前时刻需求功率Pd(k)以及电池SOC等状态;
步骤二、在当前k时刻根据预测模型预测未来k+p时域内的船舶的功率需求;
将船舶未来功率视为一种概率分布,建立随机马尔可夫模型,而船舶未来需求功率的概率分布可以从船舶历史航行数据中提取与归纳;首先将船舶功率离散化为有限个整数值,令T为船舶负载功率的集合,定义T={z1,z2,...zs},基于马尔可夫链的船舶负载功率预测模型由转移概率矩阵PM定义:tab=P[τ(k+i+1)=b|τ(k+i)=a]tab∈R,其中tab是转移概率矩阵PM的第a行第b列元素,a,b∈T,P[τ(k+i+1)=b|τ(k+i)=a]表示在k+i时刻船舶负载功率为a、在k+i+1时刻船舶负载功率变化到b的概率;
预测船舶负载功率,即描述转移概率矩阵PM,转移概率可以从混合动力船舶以往的驾驶记录中提取,令向量其中,表示在t(k+i)时刻船舶负载功率在zi处的概率;得出下列关系式:
P(k+n-1)=P(k+n-2)PM=P(k)(PM)n-1 (1)
由于在t(k)时刻,船舶负载功率τ(k)已知,所以P(k)已知,利用上述公式可以求出船舶负载功率在预测周期内各个预测点处的分布概率,最后选取各预测点t(k+i)处概率最大的负载功率作为该时刻预测的负载功率,完成马尔科夫预测模型的建立;
步骤三、在预测时域内建立燃油消耗最小的目标函数以及相应的约束;
模型预测控制优化的目标是在预测的有限时域tlim内,使得混合动力系统的等效燃油消耗最少,等效的油耗量包括发动机油耗和电量等效油耗,定义系统阶段指标函数是在K时刻总的等效燃油消耗量:
FK=FE(k)+FB(k) (2)
<mrow>
<msub>
<mi>F</mi>
<mi>E</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>P</mi>
<mi>E</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>b</mi>
</mrow>
<mn>3600</mn>
</mfrac>
<mo>{</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>95</mn>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>e</mi>
<mi>c</mi>
</mrow>
</msub>
</mrow>
<mn>75</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mi>e</mi>
</msup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>C</mi>
<mo>&CenterDot;</mo>
<msup>
<mi>P</mi>
<mi>B</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&eta;</mi>
<mi>b</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>S</mi>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mn>3.6</mn>
<mo>&times;</mo>
<msup>
<mn>10</mn>
<mn>6</mn>
</msup>
</mrow>
<mrow>
<msub>
<mi>&eta;</mi>
<mi>e</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>H</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&eta;</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>c</mi>
<mi>h</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
则系统在预测时域P内的总的燃油消耗为:
由此,系统目标函数就是系统在预测时域内总的燃油消耗最小,即:
<mrow>
<msup>
<mi>J</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>i</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>p</mi>
</mrow>
</munderover>
<msub>
<mi>F</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>....</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,FK表示K时刻总的等效燃油消耗量,FE(k)表示K时刻柴油发机组的油耗量,FB(k)表示K时刻电量等效的燃油消耗量,b为发动机燃油消耗率,Tec为发动机冷却水温,SC为油—电平均转换效率,e通常取3.1,ηchg、ηdis为电池的充放电效率,ηb为电机的平均效率,ηe为发动机平均效率,H为燃油的低热值,ηt为油电转换支路的机械传动效率平均值;
基本约束条件如下:
(1)柴油发电机组的输出功率限制:
其中PE min与PE max分别是柴油发电机的最小及最大输出功率;
(2)电池组充放电功率及SOC限制:
-PCh max≤PB(k)≤PDCh max (9)
其中,PCh max和PDCh max分别是电池组最大充电功率和最大放电功率;
电荷值限制如下:
SOCmin≤SOC(k)≤SOCmax (10)
其中,SOCmin和SOCmax分别为电池组的最小和最大电荷值;
(3)负荷需求响应条件;为了确保混合动力船舶可以执行所要求的工作,负荷需求功率响应的约束条件可以写成:
PE(k)+PB(k)≥Pd(k) (11)
其中,PE(k)和PB(k)分别是柴电机组在k时刻的输出功率和电池组在k时刻的输出功率,Pd(k)为船舶运行在k时刻的负荷需求功率;
步骤四、运用贝尔曼动态规划来求解,得到预测时域内的最优控制序列;
针对预测时域内n个预测时间点,动态规划分为n个阶段求解过程分以下几个步骤进行:1)将状态量SOC在允许变化范围内进行离散化;2)逆向求解每个阶段、每个SOC离散点的最优控制量及到最后阶段的最小成本函数;3)正向寻找各个阶段的控制量;其中,逆向求解过程描述如下;
第n-1阶段:
<mrow>
<msub>
<msup>
<mi>J</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>u</mi>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
第k阶段(1≤k≤n-2):
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>J</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>u</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<msub>
<mi>J</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>u</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,L为每一阶段的瞬时燃油消耗量,xk表示k阶段的状态量的离散值:Jk *(xk)为系统在k阶段,状态xk下到达n阶段时的最优代价函数:x(k+1)表示第k阶段,状态xk下施加控制量u(k)后,第k+1阶段的状态量,该值不一定落到状态量的离散点上,此时可以采用插值法获得;
从循环工况的第n阶段开始至第1阶段结束,分别计算各阶段每个SOC离散值上的最优解及到第n阶段的最小代价函数,将求得的最优解及最小代价函数记录下来,为正向寻优做准备,
给定了SOC的初始值之后,需要正向寻找整个循环工况的最佳控制路径,从第1阶段开始,已知当前阶段的状态量SOC,在逆向求解的结果中寻找该阶段该状态下的最优控制量,将该最优控制量作为当期阶段的控制量作用给船舶,计算下一阶段的SOC值,进入下一阶段寻优过程……直到n-1阶段结束;
正向计算完成后,整个动态规划过程结束,获得整个循环工况的全局最优控制序列及SOC变化轨迹;
步骤五、将最优控制功率序列的第一个值作为下一时刻的控制变量作用于系统;
步骤六、回到步骤一,重复上述计算过程直到达到设定的条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931188.5A CN107748498A (zh) | 2017-10-09 | 2017-10-09 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931188.5A CN107748498A (zh) | 2017-10-09 | 2017-10-09 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107748498A true CN107748498A (zh) | 2018-03-02 |
Family
ID=61255599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710931188.5A Pending CN107748498A (zh) | 2017-10-09 | 2017-10-09 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748498A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108438191A (zh) * | 2018-04-26 | 2018-08-24 | 武汉理工大学 | 一种诱鱼艇驱动装置及装置设备选型方法 |
CN108482358A (zh) * | 2018-03-27 | 2018-09-04 | 吉利汽车研究院(宁波)有限公司 | 混合动力汽车扭矩分配方法、装置及电子设备 |
CN108494080A (zh) * | 2018-03-16 | 2018-09-04 | 上海海事大学 | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 |
CN109229325A (zh) * | 2018-09-21 | 2019-01-18 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 混合对转吊舱的供电系统及船舶推进系统 |
CN109683472A (zh) * | 2018-08-30 | 2019-04-26 | 上海海事大学 | 一种基于模型预测控制的船舶电力推进系统推力分配方法 |
CN109710989A (zh) * | 2018-12-05 | 2019-05-03 | 西北工业大学 | 无人机油电混合动力能源管理优化方法及系统 |
CN109799826A (zh) * | 2019-02-20 | 2019-05-24 | 上海振华重工(集团)股份有限公司 | 船舶推进器系统的推力分配方法 |
CN109979292A (zh) * | 2019-03-29 | 2019-07-05 | 武汉理工大学 | 一种船用混合能源电力推进系统半实物试验平台 |
CN110182348A (zh) * | 2019-05-28 | 2019-08-30 | 杭州电子科技大学 | 一种小型无人船的混合动力自主控制装置 |
CN110275440A (zh) * | 2019-07-02 | 2019-09-24 | 江苏科技大学 | 基于负荷预测的多能源船舶能量管理控制器及其控制方法 |
CN110794843A (zh) * | 2019-11-15 | 2020-02-14 | 山东交通学院 | 基于观测器的非线性船舶时滞动力定位船鲁棒镇定系统 |
CN111301397A (zh) * | 2020-02-28 | 2020-06-19 | 南京航空航天大学 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
CN111392017A (zh) * | 2020-04-17 | 2020-07-10 | 武汉理工大学 | 柴电混合动力船舶多能源能量管理系统 |
CN111597640A (zh) * | 2020-05-22 | 2020-08-28 | 上海海事大学 | 一种工况分类下的混合动力船舶需求负载预测方法 |
CN111624880A (zh) * | 2020-05-21 | 2020-09-04 | 大连理工大学 | 一种基于脑情感学习模型的变循环发动机多变量控制算法 |
CN111874182A (zh) * | 2020-07-21 | 2020-11-03 | 武汉理工大学 | 一种混合动力船舶的能效预测控制系统及方法 |
CN112606822A (zh) * | 2020-12-28 | 2021-04-06 | 湖南大学 | 一种混合动力汽车能量管理的两阶段双模型预测控制方法 |
CN112758295A (zh) * | 2021-01-25 | 2021-05-07 | 广东海洋大学 | 一种船舶混合动力推进系统及管理策略 |
CN112925201A (zh) * | 2021-01-20 | 2021-06-08 | 北京大学 | 一种基于模型预测控制的船舶推进系统燃油控制方法 |
CN113110052A (zh) * | 2021-04-15 | 2021-07-13 | 浙大宁波理工学院 | 一种基于神经网络和强化学习的混合能量管理方法 |
CN113189867A (zh) * | 2021-03-24 | 2021-07-30 | 大连海事大学 | 一种考虑位姿与速度受限的无人船自学习最优跟踪控制方法 |
CN113202647A (zh) * | 2021-04-07 | 2021-08-03 | 石家庄开发区天远科技有限公司 | 车辆发动机输出功率的控制方法、装置及终端 |
CN113492727A (zh) * | 2021-08-20 | 2021-10-12 | 重庆交通职业学院 | 一种基于empc的燃料电池混合动力系统控制方法 |
CN113949107A (zh) * | 2021-10-27 | 2022-01-18 | 武汉理工大学 | 一种风光柴储混合多能源船舶能量管理方法 |
CN116432478A (zh) * | 2023-06-15 | 2023-07-14 | 广东电网有限责任公司东莞供电局 | 一种电力系统的能量确定方法、装置、设备及介质 |
CN116661296A (zh) * | 2022-10-24 | 2023-08-29 | 江苏汇智高端工程机械创新中心有限公司 | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 |
CN116738187A (zh) * | 2023-08-08 | 2023-09-12 | 山东航宇游艇发展有限公司 | 基于人工智能的船舶燃气功率动态预测方法及系统 |
CN116995784A (zh) * | 2023-09-26 | 2023-11-03 | 大全集团有限公司 | 船舶储能放电控制方法、装置、电子设备和可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1903629A (zh) * | 2006-08-09 | 2007-01-31 | 吉林省卧龙科技发展有限责任公司 | 双能源混合动力汽车的随机能量管理方法 |
CN102717797A (zh) * | 2012-06-14 | 2012-10-10 | 北京理工大学 | 一种混合动力车辆能量管理方法及能量管理系统 |
CN103332284A (zh) * | 2013-06-27 | 2013-10-02 | 上海海事大学 | 一种混合动力船舶电力推进系统的能量管理与控制方法 |
US20150120107A1 (en) * | 2013-10-31 | 2015-04-30 | Ford Global Technologies, Llc | PHEV Energy Management Control with Trip-Oriented Energy Consumption Preplanning |
CN104932253A (zh) * | 2015-04-12 | 2015-09-23 | 北京理工大学 | 机电复合传动最小值原理实时优化控制方法 |
CN105550462A (zh) * | 2015-12-31 | 2016-05-04 | 上海海事大学 | 内河渡船混合动力系统动力电池组存储能量与电池模块数量计算方法 |
-
2017
- 2017-10-09 CN CN201710931188.5A patent/CN107748498A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1903629A (zh) * | 2006-08-09 | 2007-01-31 | 吉林省卧龙科技发展有限责任公司 | 双能源混合动力汽车的随机能量管理方法 |
CN102717797A (zh) * | 2012-06-14 | 2012-10-10 | 北京理工大学 | 一种混合动力车辆能量管理方法及能量管理系统 |
CN103332284A (zh) * | 2013-06-27 | 2013-10-02 | 上海海事大学 | 一种混合动力船舶电力推进系统的能量管理与控制方法 |
US20150120107A1 (en) * | 2013-10-31 | 2015-04-30 | Ford Global Technologies, Llc | PHEV Energy Management Control with Trip-Oriented Energy Consumption Preplanning |
CN104932253A (zh) * | 2015-04-12 | 2015-09-23 | 北京理工大学 | 机电复合传动最小值原理实时优化控制方法 |
CN105550462A (zh) * | 2015-12-31 | 2016-05-04 | 上海海事大学 | 内河渡船混合动力系统动力电池组存储能量与电池模块数量计算方法 |
Non-Patent Citations (4)
Title |
---|
YANQING LIUA,YANYAN YIN,FEI LIU,KOK LAY TEO: "Constrained MPC design of nonlinear Markov jump system", 《NONLINEAR ANALYSIS: HYBRID SYSTEMS》 * |
孟凡博,黄开胜,曾祥瑞,张尧: "基于马尔可夫链的混合动力汽车模型预测控制", 《中国机械工程》 * |
樊娟娟: "基于预测控制的并联式混合动力汽车能量管理策略研究", 《中国优秀硕士学位论文全文数据库》 * |
高迪驹,沈爱弟,褚建新,黄细霞: "混合动力船舶的能量管理与控制策略", 《上海海事大学学报》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494080B (zh) * | 2018-03-16 | 2024-01-30 | 上海海事大学 | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 |
CN108494080A (zh) * | 2018-03-16 | 2018-09-04 | 上海海事大学 | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 |
CN108482358A (zh) * | 2018-03-27 | 2018-09-04 | 吉利汽车研究院(宁波)有限公司 | 混合动力汽车扭矩分配方法、装置及电子设备 |
CN108438191A (zh) * | 2018-04-26 | 2018-08-24 | 武汉理工大学 | 一种诱鱼艇驱动装置及装置设备选型方法 |
CN109683472A (zh) * | 2018-08-30 | 2019-04-26 | 上海海事大学 | 一种基于模型预测控制的船舶电力推进系统推力分配方法 |
CN109229325A (zh) * | 2018-09-21 | 2019-01-18 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 混合对转吊舱的供电系统及船舶推进系统 |
CN109710989A (zh) * | 2018-12-05 | 2019-05-03 | 西北工业大学 | 无人机油电混合动力能源管理优化方法及系统 |
CN109710989B (zh) * | 2018-12-05 | 2022-07-22 | 西北工业大学 | 无人机油电混合动力能源管理优化方法及系统 |
CN109799826A (zh) * | 2019-02-20 | 2019-05-24 | 上海振华重工(集团)股份有限公司 | 船舶推进器系统的推力分配方法 |
CN109979292A (zh) * | 2019-03-29 | 2019-07-05 | 武汉理工大学 | 一种船用混合能源电力推进系统半实物试验平台 |
CN110182348A (zh) * | 2019-05-28 | 2019-08-30 | 杭州电子科技大学 | 一种小型无人船的混合动力自主控制装置 |
CN110275440A (zh) * | 2019-07-02 | 2019-09-24 | 江苏科技大学 | 基于负荷预测的多能源船舶能量管理控制器及其控制方法 |
CN110275440B (zh) * | 2019-07-02 | 2022-04-26 | 江苏科技大学 | 基于负荷预测的多能源船舶能量管理控制器及其控制方法 |
CN110794843B (zh) * | 2019-11-15 | 2022-11-01 | 山东交通学院 | 基于观测器的非线性船舶时滞动力定位船鲁棒镇定系统 |
CN110794843A (zh) * | 2019-11-15 | 2020-02-14 | 山东交通学院 | 基于观测器的非线性船舶时滞动力定位船鲁棒镇定系统 |
CN111301397A (zh) * | 2020-02-28 | 2020-06-19 | 南京航空航天大学 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
CN111301397B (zh) * | 2020-02-28 | 2023-09-26 | 南京航空航天大学 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
CN111392017A (zh) * | 2020-04-17 | 2020-07-10 | 武汉理工大学 | 柴电混合动力船舶多能源能量管理系统 |
CN111624880B (zh) * | 2020-05-21 | 2021-05-18 | 大连理工大学 | 一种基于脑情感学习模型的变循环发动机多变量控制算法 |
CN111624880A (zh) * | 2020-05-21 | 2020-09-04 | 大连理工大学 | 一种基于脑情感学习模型的变循环发动机多变量控制算法 |
CN111597640A (zh) * | 2020-05-22 | 2020-08-28 | 上海海事大学 | 一种工况分类下的混合动力船舶需求负载预测方法 |
CN111874182B (zh) * | 2020-07-21 | 2022-03-04 | 武汉理工大学 | 一种混合动力船舶的能效预测控制系统及方法 |
CN111874182A (zh) * | 2020-07-21 | 2020-11-03 | 武汉理工大学 | 一种混合动力船舶的能效预测控制系统及方法 |
CN112606822B (zh) * | 2020-12-28 | 2022-01-28 | 湖南大学 | 一种混合动力汽车能量管理的两阶段双模型预测控制方法 |
CN112606822A (zh) * | 2020-12-28 | 2021-04-06 | 湖南大学 | 一种混合动力汽车能量管理的两阶段双模型预测控制方法 |
CN112925201A (zh) * | 2021-01-20 | 2021-06-08 | 北京大学 | 一种基于模型预测控制的船舶推进系统燃油控制方法 |
CN112758295A (zh) * | 2021-01-25 | 2021-05-07 | 广东海洋大学 | 一种船舶混合动力推进系统及管理策略 |
CN113189867A (zh) * | 2021-03-24 | 2021-07-30 | 大连海事大学 | 一种考虑位姿与速度受限的无人船自学习最优跟踪控制方法 |
CN113189867B (zh) * | 2021-03-24 | 2023-11-14 | 大连海事大学 | 一种考虑位姿与速度受限的无人船自学习最优跟踪控制方法 |
CN113202647A (zh) * | 2021-04-07 | 2021-08-03 | 石家庄开发区天远科技有限公司 | 车辆发动机输出功率的控制方法、装置及终端 |
CN113110052A (zh) * | 2021-04-15 | 2021-07-13 | 浙大宁波理工学院 | 一种基于神经网络和强化学习的混合能量管理方法 |
CN113110052B (zh) * | 2021-04-15 | 2022-07-26 | 浙大宁波理工学院 | 一种基于神经网络和强化学习的混合能量管理方法 |
CN113492727A (zh) * | 2021-08-20 | 2021-10-12 | 重庆交通职业学院 | 一种基于empc的燃料电池混合动力系统控制方法 |
CN113949107A (zh) * | 2021-10-27 | 2022-01-18 | 武汉理工大学 | 一种风光柴储混合多能源船舶能量管理方法 |
CN113949107B (zh) * | 2021-10-27 | 2024-02-23 | 武汉理工大学 | 一种风光柴储混合多能源船舶能量管理方法 |
CN116661296A (zh) * | 2022-10-24 | 2023-08-29 | 江苏汇智高端工程机械创新中心有限公司 | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 |
CN116661296B (zh) * | 2022-10-24 | 2024-04-12 | 江苏汇智高端工程机械创新中心有限公司 | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 |
CN116432478B (zh) * | 2023-06-15 | 2023-09-08 | 广东电网有限责任公司东莞供电局 | 一种电力系统的能量确定方法、装置、设备及介质 |
CN116432478A (zh) * | 2023-06-15 | 2023-07-14 | 广东电网有限责任公司东莞供电局 | 一种电力系统的能量确定方法、装置、设备及介质 |
CN116738187A (zh) * | 2023-08-08 | 2023-09-12 | 山东航宇游艇发展有限公司 | 基于人工智能的船舶燃气功率动态预测方法及系统 |
CN116738187B (zh) * | 2023-08-08 | 2023-10-24 | 山东航宇游艇发展有限公司 | 基于人工智能的船舶燃气功率动态预测方法及系统 |
CN116995784A (zh) * | 2023-09-26 | 2023-11-03 | 大全集团有限公司 | 船舶储能放电控制方法、装置、电子设备和可读介质 |
CN116995784B (zh) * | 2023-09-26 | 2023-12-15 | 大全集团有限公司 | 船舶储能放电控制方法、装置、电子设备和可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748498A (zh) | 一种基于模型预测控制的混合动力船舶的能量管理方法 | |
CN108258695B (zh) | 一种交直流混联微网的随机鲁棒耦合型优化调度方法 | |
Li et al. | Energy management and economic analysis for a fuel cell supercapacitor excavator | |
CN112776673B (zh) | 智能网联燃料电池汽车实时能量优化管理系统 | |
CN112810504B (zh) | 基于非线性预测模型控制的燃料电池汽车能量管理方法 | |
CN103863087B (zh) | 一种基于发动机最优工作线的插电式混合动力汽车节能预测控制方法 | |
CN105071389A (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
CN102729987A (zh) | 一种混合动力公交车能量管理方法 | |
CN112668240B (zh) | 一种基于虚拟储能的全电力船舶经济性调度方法及系统 | |
CN111525627A (zh) | 含抽蓄与新能源发电的柔性直流输电系统日前调度方法 | |
CN112668791A (zh) | 热电联供系统的优化方法 | |
CN114996906A (zh) | 一种航空混合电推进系统的能量管理策略 | |
Al-Aawar et al. | Particle swarm optimization of coupled electromechanical systems | |
CN107839700B (zh) | 轨道交通用柴电混合动力系统的能量分配方法及装置 | |
Huang et al. | A novel data-driven energy management strategy for fuel cell hybrid electric bus based on improved twin delayed deep deterministic policy gradient algorithm | |
CN117131606A (zh) | 一种可跨运动维度迁移的混合动力履带车辆能量管理方法 | |
CN114291067B (zh) | 基于预测的混合动力汽车凸优化能量控制方法及系统 | |
Arani et al. | Energy management of dual-source propelled electric vehicle using fuzzy controller optimized via genetic algorithm | |
CN113255250B (zh) | 电池动力船舶的电池容量精确设计方法 | |
Guo et al. | An Economic Driving Energy Management Strategy for the Fuel Cell Bus | |
Yadav et al. | Fuzzy control implementation for energy management in hybrid electric vehicle | |
CN111525596B (zh) | 一种风储联合系统中双电池波动越限优化方法 | |
CN110422161B (zh) | 供能控制方法、系统及其应用的物流装置 | |
Katuri et al. | Modeling and analysis of hybrid controller by combining MFB with FLC implemented to ultracapacitor-based electric vehicle | |
CN114301095A (zh) | 一种基于多能源分布式无线岸电系统的ppo2能量管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180302 |
|
RJ01 | Rejection of invention patent application after publication |