CN107748498A

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

Info

Publication number: CN107748498A
Application number: CN201710931188.5A
Authority: CN
Inventors: 张伟; 高迪驹; 刘志全; 潘海邦
Original assignee: Shanghai Maritime University
Current assignee: Shanghai Maritime University
Priority date: 2017-10-09
Filing date: 2017-10-09
Publication date: 2018-03-02

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

一种基于模型预测控制的混合动力船舶的能量管理方法

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P^d(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,…z_s}，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P_M定义：t_ab＝P[τ(k+i+1)＝b|τ(k+i)＝a]t_ab∈R，其中t_ab是转移概率矩阵P_M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P_M，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z_i处的概率。可以得出下列关系式：

P(k+n-1)＝P(k+n-2)P_M＝P(k)(P_M)^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t_lim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：

F_K＝F_E(k)+F_B(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，F_K表示K时刻总的等效燃油消耗量，F_E(k)表示K时刻柴油发机组的油耗量，F_B(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，T_ec为发动机冷却水温，SC为油—电平均转换效率，e通常取3.1，η_chg、η_dis为电池的充放电效率，η_b为电机的平均效率，η_e为发动机平均效率，H为燃油的低热值，η_t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：

P^{E min}≤P^E(k)≤P^E (8)

其中P^{E min}与P^{E 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：

-P^{Ch max}≤P^B(k)≤P^{DCh max} (9)

其中，P^{Ch max}和P^{DCh 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：

SOC^min≤SOC(k)≤SOC^max (10)

其中，SOC^min和SOC^max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：

P^E(k)+P^B(k)≥P^d(k) (11)

其中，P^E(k)和P^B(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，P^d(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，x_k表示k阶段的状态量的离散值：J_k ^*(x_k)为系统在k阶段，状态x_k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x_k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P^d(k)以及电池SOC等状态；

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,…z_s}，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P_M定义：t_ab＝P[τ(k+i+1)＝b|τ(k+i)＝a]t_ab∈R，其中t_ab是转移概率矩阵P_M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；

P(k+n-1)＝P(k+n-2)P_M＝P(k)(P_M)^n-1 (1)

F_K＝F_E(k)+F_B(k) (2)

则系统在预测时域P内的总的燃油消耗为:

基本约束条件如下：

(1)柴油发电机组的输出功率限制：

P^{E min}≤P^E(k)≤P^E (8)

(2)电池组充放电功率及SOC限制：

-P^{Ch max}≤P^B(k)≤P^{DCh max} (9)

电荷值限制如下：

SOC^min≤SOC(k)≤SOC^max (10)

其中，SOC^min和SOC^max分别为电池组的最小和最大电荷值；

P^E(k)+P^B(k)≥P^d(k) (11)

第n-1阶段：

第k阶段(1≤k≤n-2):

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；

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

1.一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P^d(k)以及电池SOC等状态；

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,...z_s}，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P_M定义：t_ab＝P[τ(k+i+1)＝b|τ(k+i)＝a]t_ab∈R，其中t_ab是转移概率矩阵P_M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P_M，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z_i处的概率；得出下列关系式：

P(k+n-1)＝P(k+n-2)P_M＝P(k)(P_M)^n-1 (1)

F_K＝F_E(k)+F_B(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:

<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>

基本约束条件如下：

(1)柴油发电机组的输出功率限制：

其中P^E ^min与P^E ^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：

-P^Ch ^max≤P^B(k)≤P^DCh ^max (9)

其中，P^Ch ^max和P^DCh ^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：

SOC^min≤SOC(k)≤SOC^max (10)

其中，SOC^min和SOC^max分别为电池组的最小和最大电荷值；

P^E(k)+P^B(k)≥P^d(k) (11)

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):

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。