CN108494080B - 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 - Google Patents
一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 Download PDFInfo
- Publication number
- CN108494080B CN108494080B CN201810220317.4A CN201810220317A CN108494080B CN 108494080 B CN108494080 B CN 108494080B CN 201810220317 A CN201810220317 A CN 201810220317A CN 108494080 B CN108494080 B CN 108494080B
- Authority
- CN
- China
- Prior art keywords
- power
- diesel
- ship
- battery
- output power
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000000446 fuel Substances 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 11
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 5
- 231100000719 pollutant Toxicity 0.000 claims abstract description 5
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 101150080778 INPP5D gene Proteins 0.000 abstract 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
本发明提出了一种基于改进NSGA‑II的混合动力船舶多目标能量优化方法,通过建立混合动力船舶的柴油发电机组燃油消耗模型、柴油发电机组的污染物排放模型以及混合动力船舶的续航能力模型,给出联合目标函数及相应约束条件,最后通过基于改进的NSGA‑II算法进行目标函数求解,得出对船舶运行需求功率响应最佳的柴电机组和电池组的输出功率解集。
Description
技术领域
本发明涉及混合动力船舶能量优化领域,具体涉及一种基于改进NSGA-II的混合动力船舶多目标能量优化方法。
背景技术
混合动力船舶的关键技术就是其能量优化方法,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优化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不可微、多维、带约束、非线性等特点,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;还有些学者提出基于多目标遗传算法的控制策略,改善了燃油经济性和排放性能。然而,这些研究多数采用线性加权求和法或理想点法等,把多个目标函数转变成单个目标函数后,然后再进行求解。由于混合动力系统的多个目标函数间量纲不同,并且各个参数之间存在耦合效应,故将多目标单目标化无法体现各目标的真实特性。
发明内容
本发明针对混合动力船舶多目标能量优化方法,提出了一种基于改进NSGA-II的混合动力船舶多目标能量优化方法。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;柴油发电机组产生的交流电流经过AC/DC装置转换成直流电送到直流母排,来自电池组的直流电经过DC/DC装置后送到直流母排,之后电流再通过逆变器供电给推进电机带动螺旋桨的运转;通过建立混合动力船舶的柴油发电机组燃油消耗模型、柴油发电机组的污染物排放模型以及混合动力船舶的续航能力模型,给出联合目标函数及相应约束条件,最后通过基于改进的NSGA-II算法进行目标函数求解,得出对船舶运行需求功率响应最佳的柴电机组和电池组的输出功率解集;该方法包括以下步骤:
步骤一、建立柴油发电机组燃油消耗模型
设混合动力船舶共有N组柴油机,那么N组柴油机在持续时间段[0,T]内的燃油消耗为
其中Wi f(k)为第i组柴油机在k时刻的燃油消耗率,Δt为恒定采样时间,由典型的柴油发电机燃料消耗曲线图可得柴油机的燃油消耗率具有二次型的输出功率,则
Wi f=ai(Pi E)2+biPi E+ci (2)
其中Pi E是第i组柴油机的输出功率,ai、bi和ci是常量,这些常量可以由柴油机的燃油消耗率曲线获得,由于ci是常数,它在目标函数QFuel中可以被忽略,因此,在时间段[0,T]内的燃油消耗可以写成
为控制各组柴油机的启动时间和停止时间,每个柴油机组将都与一个整数变量ni有关,即当ni=0,表示第i组柴油机没有运行;当ni=1,表示第i组柴油机运行,相应的,等式(3)中的柴油机功率Pi E(k)被替换成ni(k)Pi E(k),通过识别ni(k),可以确定每组柴油机的启动时间和停止时间;故燃油消耗部分的最终目标函数为
步骤二、建立柴油发电机组污染物排放模型
将该排放性三个指标归纳为一个优化目标,最终建立排放物评价数学模型为
其中,QHC、QCO和分别是HC、CO和NOx的排放量,EHC(k)、ECO(k)和/>分别是第i组柴油机在k时刻的HC、CO和NOx排放率,Δt是恒定采样时间;
步骤三、建立船舶续航能力模型
船舶最大续航能力模型为
QSOC=SOC(0)-SOC(T) (6)
其中,SOC(0)和SOC(T)表示电池组在初始和最终状态的电荷值,电池在瞬时时刻h的电荷值可以描述为
其中,E(0)和E(h)分别是电池组的初始能量和在h时刻的能量值,Ecap是电池组的总容量,PS(k)是电池组在k时刻的实际输出功率,将(7)代入(6),得到
电池损耗可以描述为
PS=PB-Ploss (9)
其中,PB是电池组的总输出功率,包含电池组的实际输出功率PS和损耗功率Ploss,损耗功率Ploss由电池的总放电功率PB、电池的能量值和温度共同决定;损耗功率在电池充放电两种模式下是相同的,并且是具有二次型的存储功率
Ploss≈β(PB)2 (10)
其中,β为常数,可以从电池的静态充放电曲线获得,因此,结合式(8)、(9)和(10),得到最终的船舶续航能力模型
步骤四、建立目标函数及约束
综合以上建立的柴油机燃油消耗模型、排放模型和船舶最大续航能力模型,得到混合动力船舶能量优化策略多目标优化数学模型如下
约束条件如下:
(1)柴油发电机组的输出功率限制:
柴油发电机组输出功率范围为
其中Pi E min与Pi E max分别是第i组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:
对电池充放电功率限制如下
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
其中,SOCmin和SOCmax分别为电池组的最小和最大电荷值;
(4)负荷需求响应条件:
负荷需求功率响应的约束条件可以写成
PE(k)+PB(k)≥Pd(k) (16)
其中,PE(k)和PB(k)分别是多柴电机组在k时刻的总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;
步骤五、求解目标函数
采用基于改进NSGA-II算法对混合动力船舶多目标能量优化问题进行求解,具体步骤如下:
1)随机初始化种群,随机生成规模为N的初始种群P0;
2)对Pt进行交叉多项式变异,产生子种群Qt;
3)将种群Pt和Qt合并成Rt;
4)对Rt进行快速非支配排序,得到第i前端Fi;对Fi中的个体计算拥挤距离,并按照降序排列;
5)选择Fi的前N-Pt+1放入Pt+1中;如果Fi+Pt+1<N,Pt+1=Pt+1∪Fi,i=i+1,返回执行4)中,对Rt进行快速非支配排序,得到第i前端Fi;否则,返回执行4)中,对Fi中的个体计算拥挤距离,并按照降序排列;
6)若t≥Gmax,输出最优解集,结束;否则,t=t+1,将Pt进行交叉、差分变异操作,生成种群Qt,并循环执行3),直至结束;
通过对多目标优化数学模型进行求解,得到对船舶运行需求功率响应最佳的柴电机组和电池组的输出功率解集。
本发明具有如下效果和优点:
1.可以解决各种多维、非凸和非线性的高难度规划问题。使用过程中不受目标函数是否连续及可微的限制,目标函数形式可以是多种多样的,很大程度上扩大了算法的使用范围,这是传统的优化算法所达不到的;
2.鲁棒性好、计算速度快,只需把问题准确地描述到算法里,其就可依照进化规则来进行优化,求出最优解,不管问题多难,也阻止不了算法所具备的基于进化规则的收敛方向与鲁棒性;
3.非支配解集分布均匀,且多样性好;NSGA-II快速非支配排序策略,提升了算法的运算速度。精英保留策略,避免了丢失最优解,而且扩大了Pareto最优解的分布范围,使得种群变得多样;
4.基于NSGA-II的改进算法,引入了差分变异算子,使得算法的局部寻优能力得到改善。采用Pareto非支配性原理,来处理各个目标间的关系,不需要指定各个目标的权系数,从而得到真实的权衡Pareto解集。
附图说明
图1为串联式混合动力船舶系统结构框图
图2为基于改进的NSGA-II算法流程图
图3为基于改进NSGA-II的能量优化方法流程图
具体实施方式
步骤一、建立柴油发电机组燃油消耗模型
设如图1所示结构的混合动力船舶共有N组柴油机,那么N组柴油机在持续时间段[0,T]内的燃油消耗为
其中Wi f(k)为第i组柴油机在k时刻的燃油消耗率,Δt为恒定采样时间,由典型的柴油发电机燃料消耗曲线图可得柴油机的燃油消耗率具有二次型的输出功率,则
Wi f=ai(Pi E)2+biPi E+ci (2)
其中Pi E是第i组柴油机的输出功率,ai、bi和ci是常量,这些常量可以由柴油机的燃油消耗率曲线获得,由于ci是常数,它在目标函数QFuel中可以被忽略,因此,在时间段[0,T]内的燃油消耗可以写成
为控制各组柴油机的启动时间和停止时间,每个柴油机组将都与一个整数变量ni有关,即当ni=0,表示第i组柴油机没有运行;当ni=1,表示第i组柴油机运行,相应的,等式(3)中的柴油机功率Pi E(k)被替换成ni(k)Pi E(k),通过识别ni(k),可以确定每组柴油机的启动时间和停止时间;故燃油消耗部分的最终目标函数为
步骤二、建立柴油发电机组污染物排放模型
将该排放性三个指标归纳为一个优化目标,最终建立排放物评价数学模型为
其中,QHC、QCO和分别是HC、CO和NOx的排放量,EHC(k)、ECO(k)和/>分别是第i组柴油机在k时刻的HC、CO和NOx排放率,Δt是恒定采样时间;
步骤三、建立船舶续航能力模型
船舶最大续航能力模型为
QSOC=SOC(0)-SOC(T) (6)
其中,SOC(0)和SOC(T)表示电池组在初始和最终状态的电荷值,电池在瞬时时刻h的电荷值可以描述为
其中,E(0)和E(h)分别是电池组的初始能量和在h时刻的能量值,Ecap是电池组的总容量,PS(k)是电池组在k时刻的实际输出功率,将(7)代入(6),得到
电池损耗可以描述为
PS=PB-Ploss (9)
其中,PB是电池组的总输出功率,包含电池组的实际输出功率PS和损耗功率Ploss,损耗功率Ploss由电池的总放电功率PB、电池的能量值和温度共同决定;损耗功率在电池充放电两种模式下是相同的,并且是具有二次型的存储功率
Ploss≈β(PB)2 (10)
其中,β为常数,可以从电池的静态充放电曲线获得,因此,结合式(8)、(9)和(10),得到最终的船舶续航能力模型
步骤四、建立目标函数及约束
综合以上建立的柴油机燃油消耗模型、排放模型和船舶最大续航能力模型,得到混合动力船舶能量优化策略多目标优化数学模型如下
约束条件如下:
(1)柴油发电机组的输出功率限制:
柴油发电机组输出功率范围为
其中Pi E min与Pi E max分别是第i组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:
对电池充放电功率限制如下
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
其中,SOCmin和SOCmax分别为电池组的最小和最大电荷值;
(5)负荷需求响应条件:
负荷需求功率响应的约束条件可以写成
PE(k)+PB(k)≥Pd(k) (16)
其中,PE(k)和PB(k)分别是多柴电机组在k时刻的总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;
步骤五、求解目标函数
采用基于改进NSGA-II算法对混合动力船舶多目标能量优化问题进行求解,算法流程图如图2所示,具体步骤如下:
1)随机初始化种群,随机生成规模为N的初始种群P0;
2)对Pt进行交叉多项式变异,产生子种群Qt;
3)将种群Pt和Qt合并成Rt;
4)对Rt进行快速非支配排序,得到第i前端Fi;对Fi中的个体计算拥挤距离,并按照降序排列;
5)选择Fi的前N-Pt+1放入Pt+1中;如果Fi+Pt+1<N,Pt+1=Pt+1∪Fi,i=i+1,返回执行4)中,对Rt进行快速非支配排序,得到第i前端Fi;否则,返回执行4)中,对Fi中的个体计算拥挤距离,并按照降序排列;
6)若t≥Gmax,输出最优解集,结束;否则,t=t+1,将Pt进行交叉、差分变异操作,生成种群Qt,并循环执行3),直至结束;
通过对多目标优化数学模型进行求解,得到对船舶运行需求功率响应最佳的柴电机组和电池组的输出功率解集,至此优化结束,整个优化方法流程图如图3所示。
Claims (1)
1.一种基于改进NSGA-II的混合动力船舶多目标能量优化方法,其特征在于所述的基于改进NSGA-II的混合动力船舶多目标能量优化方法包括以下步骤:
步骤一、建立柴油发电机组燃油消耗模型
设混合动力船舶共有N组柴油机,那么N组柴油机在持续时间段[0,T]内的燃油消耗为
其中Wi f(k)为第i组柴油机在k时刻的燃油消耗率,Δt为恒定采样时间,由典型的柴油发电机燃料消耗曲线图可得柴油机的燃油消耗率具有二次型的输出功率,则
Wi f=ai(Pi E)2+biPi E+ci (2)
其中Pi E是第i组柴油机的输出功率,ai、bi和ci是常量,这些常量可以由柴油机的燃油消耗率曲线获得,由于ci是常数,它在目标函数QFuel中可以被忽略,因此,在时间段[0,T]内的燃油消耗可以写成
为控制各组柴油机的启动时间和停止时间,每个柴油机组将都与一个整数变量ni有关,即当ni=0,表示第i组柴油机没有运行;当ni=1,表示第i组柴油机运行,相应的,等式(3)中的柴油机功率Pi E(k)被替换成ni(k)Pi E(k),通过识别ni(k),可以确定每组柴油机的启动时间和停止时间;故燃油消耗部分的最终目标函数为
步骤二、建立柴油发电机组污染物排放模型
将该排放性三个指标归纳为一个优化目标,最终建立排放物评价数学模型为
其中,QHC、QCO和分别是HC、CO和NOx的排放量,EHC(k)、ECO(k)和/>分别是第i组柴油机在k时刻的HC、CO和NOx排放率,Δt是恒定采样时间;
步骤三、建立船舶续航能力模型
船舶最大续航能力模型为
QSOC=SOC(0)-SOC(T) (6)
其中,SOC(0)和SOC(T)表示电池组在初始和最终状态的电荷值,电池在瞬时时刻h的电荷值可以描述为
其中,E(0)和E(h)分别是电池组的初始能量和在h时刻的能量值,Ecap是电池组的总容量,PS(k)是电池组在k时刻的实际输出功率,将(7)代入(6),得到
电池损耗可以描述为
PS=PB-Ploss (9)
其中,PB是电池组的总输出功率,包含电池组的实际输出功率PS和损耗功率Ploss,损耗功率Ploss由电池的总放电功率PB、电池的能量值和温度共同决定;损耗功率在电池充放电两种模式下是相同的,并且是具有二次型的存储功率
Ploss≈β(PB)2 (10)
其中,β为常数,可以从电池的静态充放电曲线获得,因此,结合式(8)、(9)和(10),得到最终的船舶续航能力模型
步骤四、建立目标函数及约束
综合以上建立的柴油机燃油消耗模型、排放模型和船舶最大续航能力模型,得到混合动力船舶能量优化策略多目标优化数学模型如下
约束条件如下:
(1)柴油发电机组的输出功率限制:
柴油发电机组输出功率范围为
其中Pi E min与Pi E max分别是第i组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:
对电池充放电功率限制如下
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
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:
负荷需求功率响应的约束条件可以写成
PE(k)+PB(k)≥Pd(k) (16)
其中,PE(k)和PB(k)分别是多柴电机组在k时刻的总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;
步骤五、求解目标函数
采用基于改进NSGA-II算法对混合动力船舶多目标能量优化问题进行求解,具体步骤如下:
1)随机初始化种群,随机生成规模为N的初始种群P0;
2)对Pt进行交叉多项式变异,产生子种群Qt;
3)将种群Pt和Qt合并成Rt;
4)对Rt进行快速非支配排序,得到第i前端Fi;对Fi中的个体计算拥挤距离,并按照降序排列;
5)选择Fi的前N-Pt+1放入Pt+1中;如果Fi+Pt+1<N,Pt+1=Pt+1∪Fi,i=i+1,返回执行4)中,对Rt进行快速非支配排序,得到第i前端Fi;否则,返回执行4)中,对Fi中的个体计算拥挤距离,并按照降序排列;
6)若t≥Gmax,输出最优解集,结束;否则,t=t+1,将Pt进行交叉、差分变异操作,生成种群Qt,并循环执行3),直至结束;
通过对多目标优化数学模型进行求解,得到对船舶运行需求功率响应最佳的柴电机组和电池组的输出功率解集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220317.4A CN108494080B (zh) | 2018-03-16 | 2018-03-16 | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220317.4A CN108494080B (zh) | 2018-03-16 | 2018-03-16 | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108494080A CN108494080A (zh) | 2018-09-04 |
CN108494080B true CN108494080B (zh) | 2024-01-30 |
Family
ID=63339608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220317.4A Active CN108494080B (zh) | 2018-03-16 | 2018-03-16 | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108494080B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111079230B (zh) * | 2019-08-21 | 2022-10-04 | 南昌工程学院 | 一种基于nsga-ii的插电式混合动力汽车动力传动系统参数多目标优化方法 |
CN110909950A (zh) * | 2019-11-29 | 2020-03-24 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种采用非劣排序算法进行燃油消耗优化方法及装置 |
CN111959491A (zh) * | 2020-08-29 | 2020-11-20 | 哈尔滨理工大学 | 一种基于混合动力汽车统一模型的规则控制参数优化方法 |
CN112434377B (zh) * | 2020-12-04 | 2023-09-15 | 中车大连机车车辆有限公司 | 一种机车动力电池组参数设计及评价方法 |
CN113113916B (zh) * | 2021-04-19 | 2023-04-28 | 西安交通大学 | 一种舰船综合电力系统中多目标能量调控方法 |
CN113420927B (zh) * | 2021-06-29 | 2024-02-13 | 北京交通大学 | 多源动力系统的多目标配置优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877406A (zh) * | 2017-03-23 | 2017-06-20 | 集美大学 | 一种多能源船舶微网的多目标电源配置优化方法 |
CN106911139A (zh) * | 2017-04-14 | 2017-06-30 | 上海海事大学 | 基于遗传算法的超级电容rtg能量优化管理方法 |
CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1920368A2 (en) * | 2005-08-11 | 2008-05-14 | Marorka EHF | Optimization of energy source usage in ships |
-
2018
- 2018-03-16 CN CN201810220317.4A patent/CN108494080B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877406A (zh) * | 2017-03-23 | 2017-06-20 | 集美大学 | 一种多能源船舶微网的多目标电源配置优化方法 |
CN106911139A (zh) * | 2017-04-14 | 2017-06-30 | 上海海事大学 | 基于遗传算法的超级电容rtg能量优化管理方法 |
CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
Non-Patent Citations (2)
Title |
---|
基于遗传算法的插电式串联混合动力汽车动力参数优化;王润才 等;中国机械工程;第24卷(第18期);2544-2548 * |
混合动力船舶能量管理系统的最优控制;兰熙 等;电源技术;第40卷(第9期);1859-1862 * |
Also Published As
Publication number | Publication date |
---|---|
CN108494080A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108494080B (zh) | 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法 | |
Taherzadeh et al. | A new efficient fuel optimization in blended charge depletion/charge sustenance control strategy for plug-in hybrid electric vehicles | |
CN106004865B (zh) | 基于工况识别的里程自适应混合动力汽车能量管理方法 | |
Tian et al. | Data-driven hierarchical control for online energy management of plug-in hybrid electric city bus | |
Li et al. | Rule-based control strategy with novel parameters optimization using NSGA-II for power-split PHEV operation cost minimization | |
Geng et al. | Two-stage charging strategy for plug-in electric vehicles at the residential transformer level | |
Wang et al. | Research on energy optimization control strategy of the hybrid electric vehicle based on Pontryagin's minimum principle | |
CN110239512B (zh) | 一种混合动力车辆的能量管理方法及系统 | |
Taherzadeh et al. | New optimal power management strategy for series plug-in hybrid electric vehicles | |
Sarioglu et al. | Energy management for fuel-cell hybrid vehicles based on specific fuel consumption due to load shifting | |
Johanyák | A simple fuzzy logic based power control for a series hybrid electric vehicle | |
Zhang et al. | Dedicated adaptive particle swarm optimization algorithm for digital twin based control optimization of the plug-in hybrid vehicle | |
CN112434377B (zh) | 一种机车动力电池组参数设计及评价方法 | |
Li et al. | Electrothermal dynamics-conscious many-objective modular design for power-split plug-in hybrid electric vehicles | |
Pompern et al. | Optimal placement and capacity of battery energy storage system in distribution networks integrated with pv and evs using metaheuristic algorithms | |
Wang et al. | Energy Management Strategy for Diesel–Electric Hybrid Ship Considering Sailing Route Division Based on DDPG | |
Yang et al. | Research on genetic-fuzzy control strategy for parallel hybrid electric vehicle | |
CN115241923A (zh) | 一种基于蛇优化算法的微电网多目标优化配置方法 | |
Cui et al. | Research on AECMS energy management strategy of PHEV | |
Arani et al. | Energy management of dual-source propelled electric vehicle using fuzzy controller optimized via genetic algorithm | |
Luo et al. | Research on fuzzy control strategy and genetic algorithm optimization for parallel hybrid electric vehicle | |
Norbakyah et al. | Optimization of the fuel economy and emissions for plug in hybrid electric recreational boat energy management strategy using genetic algorithm | |
Deng et al. | Multi-objective trade-off optimal control of energy management for hybrid system | |
He et al. | Distributed Optimal Power Scheduling for Microgrid System via Deep Reinforcement Learning with Privacy Preserving | |
Huangfu et al. | Research on Multi-Objective Optimized Energy Management Strategy for Fuel Cell Hybrid Vehicle Based on Work Condition Recognition |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |