CN112613180A - 一种水下无人航行器的能耗优化方法 - Google Patents

一种水下无人航行器的能耗优化方法 Download PDF

Info

Publication number
CN112613180A
CN112613180A CN202011581754.2A CN202011581754A CN112613180A CN 112613180 A CN112613180 A CN 112613180A CN 202011581754 A CN202011581754 A CN 202011581754A CN 112613180 A CN112613180 A CN 112613180A
Authority
CN
China
Prior art keywords
uuv
fuel cell
hydrogen consumption
model
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.)
Granted
Application number
CN202011581754.2A
Other languages
English (en)
Other versions
CN112613180B (zh
Inventor
侯慧
陈洋洋
吴细秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011581754.2A priority Critical patent/CN112613180B/zh
Publication of CN112613180A publication Critical patent/CN112613180A/zh
Application granted granted Critical
Publication of CN112613180B publication Critical patent/CN112613180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Fuel Cell (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明属于水下无人航行器能耗优化技术领域，公开了一种水下无人航行器的能耗优化方法，包括构建用于优化分配燃料电池系统内部各燃料电堆的输出功率的第一模型，使得在预设的燃料电池系统的输出功率下，燃料电池系统的等效瞬时氢耗最小；构建用于优化分配UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率的第二模型，使得在预设的UUV的航速下，UUV混合动力系统的等效瞬时氢耗最小；构建用于规划UUV航行路径的第三模型，使得在预设的UUV的航速下，UUV的等效氢耗最小；联合求解第一模型、第二模型、第三模型，得到UUV的航行路径和最小等效氢耗。本发明能够有效减少水下无人航行器的最小等效氢耗。

Description

一种水下无人航行器的能耗优化方法
技术领域
本发明属于水下无人航行器能耗优化技术领域，更具体地，涉及一种水下无人航行器的能耗优化方法。
背景技术
随着世界各国对海洋资源开发与利用的日益重视，水下无人航行器(UnmannedUnderwater Vehicle,UUV)因具有自主航行能力，可以代替人类执行众多危险任务，已经成为海洋领域研究的一大热点。但UUV自身体积有限，能够携带的能源储量也有限，因此如何消耗最小的能耗代价来完成长航程任务是一个亟待解决的研究课题。
在不改变UUV本身结构的前提下，可以通过制定能量管理策略和规划UUV的航行路径减少能源消耗。但现有对于UUV能耗优化的研究，要么集中于制定能量管理策略，要么集中于规划UUV的航行路径，然而UUV只能以一个速度、一个状态航行，必然需要将两者统一。目前，尚未有学者将两者结合，同时也尚未考虑利用海流的流场以减少UUV能源消耗的可能性。
发明内容
针对现有研究的不足及优化需求，本发明提供一种水下无人航行器的能耗优化方法。
本发明提供一种水下无人航行器的能耗优化方法，包括以下步骤：
步骤1：构建用于优化分配燃料电池系统内部各燃料电堆的输出功率的第一模型，使得在预设的燃料电池系统的输出功率下，所述燃料电池系统的等效瞬时氢耗最小；
步骤2：构建用于优化分配UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率的第二模型，使得在预设的UUV的航速下，所述UUV混合动力系统的等效瞬时氢耗最小；
步骤3：构建用于规划UUV航行路径的第三模型，使得在预设的UUV的航速下，UUV的等效氢耗最小；
步骤4：联合求解所述第一模型、所述第二模型、所述第三模型，得到UUV的航行路径和最小等效氢耗。
优选的，所述步骤1中，所述第一模型采用如下公式表示：
Figure BDA0002865381520000021
式中，n为燃料电堆的个数，PFC为燃料电池系统的输出功率，PFCi为第i台燃料电堆的输出功率，UFCi表示第i台燃料电堆的运行状态，i＝1,2……n；UFCi取1时，表示燃料电堆运行；UFCi取0时，表示燃料电堆停机；
其中，所述第一模型的目标函数如下：
Figure BDA0002865381520000022
式中，CFC(PFC)表示燃料电池系统的输出功率为PFC时，燃料电池系统的瞬时氢耗；fFC(PFCi)表示第i台燃料电堆的输出功率为PFCi时，第i台燃料电堆的瞬时氢耗；
其中，所述第一模型的约束条件如下：
PFCimin≤PFCi≤PFCimax or PFCi＝0
式中，PFCimax、PFCimin分别为第i台燃料电堆的输出功率的最大值、最小值。
优选的，所述第二模型的目标函数如下：
min CHPS(v)＝CFC(PFC)+CB(PB)
此时，
PB+PFC＝fPm(v)+PAm
式中，v为UUV的航速；CHPS(v)表示UUV的航速为v时，UUV混合动力系统的等效瞬时氢耗；CB(PB)表示蓄电池系统的输出功率为PB时，蓄电池系统的等效瞬时氢耗；fPm(v)表示UUV的航速为v时，推进电机的所需功率；PAm表示UUV各种辅机设备所需总功率；
所述蓄电池系统的瞬时氢耗等效为：
Figure BDA0002865381520000023
式中，
Figure BDA0002865381520000024
为蓄电池系统的平均充电效率，
Figure BDA0002865381520000025
为蓄电池系统的平均放电效率，CFC-avg为燃料电堆的平均氢耗速率，PFC-avg为燃料电堆的平均输出功率；
其中，所述第二模型的约束条件如下：
PFCmin≤PFC≤PFCmax or PFC＝0
PBmin≤PB≤PBmax or PB＝0
vmax≤v≤vmin
PFC+PB＝PPm+PAm
式中，PFCmax、PFCmin分别为燃料电池系统的输出功率的最大值、最小值；PBmax、PBmin分别为蓄电池系统的输出功率的最大值、最小值；vmax、vmin分别为UUV航行时航速的最大值、最小值；PPm为推进电机的需求功率。
优选的，根据推进电机的历史数据拟合得到UUV的航速与推进电机的需求功率之间的对应关系。
优选的，所述步骤3中，所述第三模型的目标函数如下：
Figure BDA0002865381520000031
式中，C为UUV的等效氢耗，(i0,j0)为UUV当前时刻所在的经纬度，(i,j)为UUV下一个时刻所在的经纬度，SF为UUV的可行点集合，
Figure BDA0002865381520000032
为UUV从(i0,j0)到(i,j)所需要消耗的液氢质量；
其中，
Figure BDA0002865381520000033
式中，
Figure BDA0002865381520000034
为UUV从(i0,j0)到(i,j)的期间过程中，UUV的瞬时氢耗率；
Figure BDA0002865381520000035
为UUV从(i0,j0)到(i,j)所需要的时间；
其中，
Figure BDA0002865381520000036
式中，
Figure BDA0002865381520000037
为UUV从(i0,j0)到(i,j)的期间过程中，UUV的航速；
其中，
v＝vg+vc
式中，v为UUV相对于陆地的航速，vg为UUV相对于水流的航速，vc为水流速度；
Figure BDA0002865381520000041
式中，
Figure BDA0002865381520000042
为UUV从(i0,j0)到(i,j)之间的距离。
优选的，所述步骤3中，在所述UUV航行路径中，获取黑潮信息，规划选择UUV搭乘黑潮的切入点和切出点。
优选的，所述步骤4中包括：
利用模拟退火混合遗传算法求解所述第一模型，得到燃料电池系统内部各燃料电堆的输出功率分配策略；
利用模拟退火混合遗传算法求解所述第二模型，得到UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率分配策略；
利用A*算法求解所述第三模型，得到基于内部能量管理和外部路径规划协同的UUV能耗优化策略。
优选的，所述求解所述第一模型包括以下子步骤：
获取所述第一模型中对应参数的实际数据信息，包括燃料电堆功率-瞬时氢耗曲线、燃料电堆输出功率范围；
设置燃料电池系统的输出功率、初始温度、退火速度、终止温度、进化代数、种族规模、交叉概率、变异概率、字符串长度，并将所述第一模型的约束条件作为模拟退火混合遗传算法的约束条件；
将燃料电池系统作为种群，将各燃料电堆的输出功率作为种群中的个体；初始化种群，随机产生电堆功率分配方案，所述电堆功率分配方案包括燃料电池系统内部各燃料电堆的输出功率的分配信息，计算所述电堆功率分配分配方案下燃料电池系统的瞬时氢耗；
寻找并记录最小的燃料电池系统的瞬时氢耗及对应的各燃料电堆的输出功率；
对每一代种群中的个体进行选择、交叉和变异得到新种群；
计算新种群的瞬时氢耗；
替换旧个体；若新种群中最佳个体的瞬时氢耗小于旧种群中最佳个体的瞬时氢耗，则用新种群替换旧种群，否则按照Metropolis规则接受新种群；
降温；
若满足终止条件则迭代终止，则输出燃料电池系统的功率-瞬时氢耗曲线；否则，继续进行迭代。
优选的，所述求解所述第二模型包括以下子步骤：
获取所述第二模型中对应参数的实际数据信息，包括燃料电池系统的功率-瞬时氢耗曲线、燃料电池系统的输出功率范围、蓄电池系统的输出功率范围、UUV航速范围；
设置UUV的航速、初始温度、退火速度、终止温度、进化代数、种族规模、交叉概率、变异概率、字符串长度，并将所述第二模型的约束条件作为模拟退火混合遗传算法的约束条件；
将UUV混合动力系统作为种群，将燃料电池系统和蓄电池系统的输出功率作为种群中的个体；初始化种群，随机产生动力系统功率分配方案，所述动力系统功率分配方案包括燃料电池系统和蓄电池系统的输出功率的分配信息，计算所述动力系统功率分配方案下UUV混合动力系统的等效瞬时氢耗；
寻找并记录最小的UUV混合动力系统的等效瞬时氢耗及对应的燃料电池系统和蓄电池系统的输出功率；
对每一代种群中的个体进行选择、交叉和变异得到新种群；
计算新种群的等效瞬时氢耗；
替换旧个体；若新种群中最佳个体的等效瞬时氢耗小于旧种群中最佳个体的等效瞬时氢耗，则用新种群替换旧种群，否则按照Metropolis规则接受新种群；
降温；
若满足终止条件则迭代终止，则输出UUV混合动力系统的航速-瞬时氢耗曲线；否则，继续进行迭代。
优选的，所述求解第三模型包括以下步骤：
步骤A：获取所述第三模型中对应参数的实际数据信息，包括UUV混合动力系统的航速-瞬时氢耗曲线、UUV混合动力系统的输出功率范围、UUV航速范围、黑潮的水流数据；
步骤B：设置UUV的航速、起始点和目标点的坐标、曼哈顿距离的权重、初始实际等效氢耗、初始预估等效氢耗、初始开放列表，并将所述第三模型的约束条件作为A*算法的约束条件；
步骤C：遍历开放列表，查找预估等效氢耗最小的节点，将其作为当前节点，并从开放列表中删除，移动到关闭列表中；
步骤D：判断目标点是否出现在关闭列表中：若是，则输出规划路径和到达目标点的实际等效氢耗，若否，则执行步骤E；
步骤E：寻找此当前节点的相邻节点，并舍弃超出数据范围的点、障碍点、已经出现在关闭列表的点；
步骤F：计算相邻节点的实际等效氢耗、预估等效氢耗；
步骤G：判断此相邻节点是否出现在开放列表中：若否，则将此相邻节点添加到开放列表中并执行步骤I；若是，则执行步骤H；
步骤H：判断此节点的实际等效氢耗是否小于开放列表中记录的此节点的实际等效氢耗：若否，则执行步骤I；若是，将开放列表中此节点的父节点设置为当前节点，并更新实际等效氢耗和预估等效氢耗值，然后执行步骤I；
步骤I：判断是否已经寻找完当前节点的相邻节点；若是，则执行步骤C；若否，则执行步骤E。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
在发明中，提供的水下无人航行器的能耗优化方法首先构建用于优化分配燃料电池系统内部各燃料电堆的输出功率的第一模型，使得在预设的燃料电池系统的输出功率下，燃料电池系统的等效瞬时氢耗最小；然后构建用于优化分配UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率的第二模型，使得在预设的UUV的航速下，UUV混合动力系统的等效瞬时氢耗最小；之后构建用于规划UUV航行路径的第三模型，使得在预设的UUV的航速下，UUV的等效氢耗最小；最后联合求解第一模型、第二模型、第三模型，得到UUV的航行路径和最小等效氢耗。本发明将内部能量管理策略和外部路径规划结合在一起，通过优化UUV混合动力系统内部各动力源之间的输出功率，同时规划UUV航行路径，能够使得燃料电池系统的等效瞬时氢耗最小、UUV混合动力系统的等效瞬时氢耗最小和UUV的等效氢耗最小。
附图说明
图1为本发明实施例提供的一种水下无人航行器的能耗优化方法的原理框架示意图；
图2为燃料电堆的瞬时氢耗曲线和效率曲线；
图3为UUV航速与推进电机功率之间的对应关系；
图4为二维水环境地图建模示意图；
图5为本发明实施例提供的一种水下无人航行器的能耗优化方法中利用模拟退火混合遗传算法求解第一模型或第二模型的流程图；
图6为燃料电池系统的等效瞬时氢耗曲线优化结果；
图7为各燃料电堆在不同燃料电池系统输出功率下的出力曲线；
图8为UUV混合动力系统的等效瞬时氢耗曲线优化结果；
图9为各系统在不同UUV航速下的出力曲线；
图10为本发明实施例提供的一种水下无人航行器的能耗优化方法中利用A*算法求解第三模型的流程图；
图11为利用本发明实施例提供的一种水下无人航行器的能耗优化方法，在不同航速下，水下无人航行器等效氢耗曲线优化结果；
图12为利用本发明实施例提供的一种水下无人航行器的能耗优化方法，在不同航速下，水下无人航行器的路规规划路线。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种水下无人航行器的能耗优化方法，参见图1，包括以下步骤：
步骤1：构建用于优化分配燃料电池系统内部各燃料电堆的输出功率的第一模型，使得在预设的燃料电池系统的输出功率下，所述燃料电池系统的等效瞬时氢耗最小。
所述步骤1的目的是建立燃料电池系统内部各电堆之间的功率分配策略，得到燃料电池系统的功率-瞬时氢耗对应关系。
所述步骤1包括以下三个部分内容：
(1.1)构建燃料电池系统输出功率与各燃料电堆的输出功率之间的关系。
预设燃料电池系统包括n台燃料电堆，则燃料电池系统输出功率PFC与各燃料电堆的输出功率PFCi之间的关系(即所述第一模型)如下式所示：
Figure BDA0002865381520000071
式中，UFCi表示第i台燃料电堆的运行状态，i＝1,2……n。UFCi取1时，表示燃料电堆运行；UFCi取0时，表示燃料电池电堆停机。
以燃料电池系统包括两台燃料电堆为例，具体的，燃料电池系统可由两台加拿大Ballard公司的商用HD6V2型燃料电堆构成。HD6V2型燃料电堆的额定输出功率为150kW，其具体参数如表1所示。
表1 HD6V2型燃料电堆参数
Figure BDA0002865381520000081
燃料电堆的瞬时氢耗曲线和效率曲线如图2所示。
则燃料电池系统输出功率PFC与各燃料电堆的输出功率PFCi之间的关系如下式所示：
Figure BDA0002865381520000082
式中，UFCi表示第i台燃料电堆的运行状态；UFCi取1时，表示燃料电堆运行；UFCi取0时，表示燃料电池电堆停机。
(1.2)使用模拟退火混合遗传算法优化分配n台电堆之间的输出功率。
所述第一模型的目标函数(即功率分配策略的目标函数)为：
Figure BDA0002865381520000083
式中，CFC(PFC)表示燃料电池系统的输出功率为PFC时，燃料电池系统的瞬时氢耗；fFC(PFCi)表示第i台燃料电堆的输出功率为PFCi时，第i台燃料电堆的瞬时氢耗。
(1.3)燃料电池系统内部各电堆之间的功率分配策略需要满足的约束条件(即所述第一模型的约束条件)有：
燃料电堆的出力约束，如下式所示：
PFCimin≤PFCi≤PFCimax or PFCi＝0
式中，PFCimax、PFCimin为第i台燃料电堆输出功率的最大值、最小值。例如，PFCimax＝120，PFCimin＝0。
步骤2：构建用于优化分配UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率的第二模型，使得在预设的UUV的航速下，所述UUV混合动力系统的等效瞬时氢耗最小。
所述步骤2的目的是建立UUV混合动力系统内燃料电池系统和蓄电池系统之间的功率分配策略，得到UUV混合动力系统的速度-等效瞬时氢耗对应关系。
UUV混合动力系统主要由燃料电池系统、蓄电池系统、推进电机、辅机构成。下面对各个构成部分的数学模型进行说明。
(1)蓄电池系统数学模型。
蓄电池系统采用恒功率充放电模型，即在控制时间Δt内保持系统输出功率不变，再由充放电功率得到系统的荷电状态SOC。根据荷电状态描述蓄电池系统的充放电过程。
其充电过程为：
Figure BDA0002865381520000091
其放电过程为：
Figure BDA0002865381520000092
式中，SOC(t)表示t时刻蓄电池系统的荷电状态；SOC(t-Δt)表示t-Δt时刻蓄电池系统的荷电状态；EN表示蓄电池系统的额定容量，EN＝50000kW·h；δ代表蓄电池系统的自放电率，δ＝0.01；ηc表示蓄电池系统的充电效率，ηc＝0.85；ηd表示蓄电池系统的放电效率，ηd＝0.85。
(2)推进电机数学模型。
根据UUV推进电机的历史数据拟合得到UUV航速v与推进电机功率PPm之间的对应关系如图3所示。
(3)辅机设备数学模型。
UUV所涉及的辅机设备种类繁多，包括：信号处理柜、冷却泵、空调等。根据记录的整个远航过程中UUV辅机设备的使用数据，通过统计分析可认为全部的UUV辅机设备所需总功率为固定的稳态功率。其原因有两方面：一方面，各个辅机设备的功率不大，其瞬态过程对能量的计算偏差可以忽略；另一方面，在UUV运行时，辅机设备绝大部分时间都处于静态工况，辅机设备的状态切换时间和频次通常也较低，一般取PPm＝100kW。
在燃料电池系统供电时，为了使得在相同输出功率下燃料电池系统的瞬时氢耗最小，n个燃料电堆之间的功率分配使用步骤1中的功率分配方案。
下面对UUV混合动力系统内燃料电池系统和蓄电池系统之间的功率分配策略进行详细说明。
本发明使用模拟退火混合遗传算法优化分配燃料电池系统和蓄电池系统之间的输出功率。
UUV混合动力系统内燃料电池系统和蓄电池系统之间的功率分配策略目标函数为UUV混合动力系统的等效瞬时氢耗最小，即所述第二模型的目标函数如下：
min CHPS(v)＝CFC(PFC)+CB(PB)
此时，
PB+PFC＝fPm(v)+PAm
式中，v为UUV的航速；CHPS(v)表示UUV的航速为v时，与UUV混合动力系统的等效瞬时氢耗；CB(PB)为表示蓄电池系统的输出功率为PB时，蓄电池系统的等效瞬时氢耗；fPm(v)表示UUV的航速为v时，推进电机的所需功率；PAm表示UUV各种辅机设备所需总功率。
本发明是依据等效氢耗理论，将蓄电池系统的耗电量转换为对应的液氢质量，以便用于燃料经济性的分析。蓄电池系统瞬时氢耗等效为：
Figure BDA0002865381520000101
式中，
Figure BDA0002865381520000102
为蓄电池系统的平均充电效率，
Figure BDA0002865381520000103
为蓄电池系统的平均放电效率，CFC-avg为燃料电堆的平均氢耗速率，PFC-avg为燃料电堆的平均输出功率。例如，
Figure BDA0002865381520000104
CFC-avg＝1.0609g/s，PFC-avg＝62.5kW。
其中，UUV混合动力系统内燃料电池系统和蓄电池系统之间的功率分配策略需要满足的约束条件(即所述第二模型的约束条件)有：
(1)燃料电池系统的出力约束。
PFCmin≤PFC≤PFCmax or PFC＝0
式中，PFCmax、PFCmin为燃料电池系统输出功率的最大值、最小值。例如，PFCmax＝240kW，PFCmin＝0kW。
(2)蓄电池系统出力约束。
蓄电池系统的输出功率应位于蓄电池系统输出功率的可达范围内：
PBmin≤PB≤PBmax or PB＝0
式中，PBmax、PBmin为蓄电池系统输出功率的最大值、最小值。例如，PBmax＝2000kW、PBmin＝0kW。
(3)UUV航速约束。
UUV在航行时，航速应约束在一定范围内：
vmax≤v≤vmin
式中，vmax、vmin为UUV航行时航速的最大值、最小值。例如，vmax＝20kn，vmin＝1kn。
(4)联络线功率约束。
PFC+PB＝PPm+PAm
式中，PFC为燃料电池系统的输出功率；PB为蓄电池系统的输出功率；PPm为推进电机的需求功率。
步骤3：构建用于规划UUV航行路径的第三模型，使得在预设的UUV的航速下，UUV的等效氢耗最小。
所述步骤3的目的是建立基于内部能量管理和外部路径规划协同的水下无人航行器能耗优化策略。
在UUV混合动力系统供电时，为了使得在相同航速下混合动力系统的等效瞬时氢耗最小，燃料电池系统和蓄电池系统之间的功率分配使用第二级优化的功率分配方案。
忽视海洋水环境影响，单独考虑UUV是没有实际意义的。考虑海流及障碍物，本发明截取了从(32.5°N，140.375°E)到(41.25°N，149.125°E)部分的黑潮数据，采用直角坐标系对海洋水环境进行建模，充分利用栅格化建模的优点，使路径简单明了、易于实现，如图4所示。
下面对基于内部能量管理和外部路径规划协同的水下无人航行器能耗优化策略进行详细说明。
通过A*算法选择搭乘黑潮的切入点和切出点，使水下无人航行器能够充分利用黑潮的流场。
规划路径的目标函数(即所述第三模型的目标函数)为：
Figure BDA0002865381520000111
式中，C为UUV的等效氢耗；(i0,j0)为UUV当前时刻所在的经纬度；(i,j)为UUV下一个时刻所在的经纬度；SF为UUV的可行点集合；
Figure BDA0002865381520000121
为UUV从(i0,j0)到(i,j)所需要消耗的液氢质量。
其中，
Figure BDA0002865381520000122
式中，
Figure BDA0002865381520000123
为UUV从(i0,j0)到(i,j)期间过程中，UUV的瞬时氢耗率；
Figure BDA0002865381520000124
为UUV从(i0,j0)到(i,j)所需要的时间。
其中，
Figure BDA0002865381520000125
式中，
Figure BDA0002865381520000126
为UUV从(i0,j0)到(i,j)期间过程中，UUV的航速。
UUV航行于有水流速度的水域时，一般认为水流对船舶运动的影响仅属于运动学上的范畴，只引起船舶运动上的漂移，可表示为：
v＝vg+vc
式中，v表示UUV相对于陆地的航速；vg为UUV相对于水流的航速；vc为水流速度。
Figure BDA0002865381520000127
式中，
Figure BDA0002865381520000128
为UUV从(i0,j0)到(i,j)之间的距离。
步骤4：联合求解所述第一模型、所述第二模型、所述第三模型，得到UUV的航行路径和最小等效氢耗。
即利用模拟退火混合遗传算法和A*算法求解模型，得到UUV混合动力系统的最小等效瞬时氢耗和UUV的最小等效氢耗。
所述步骤4包括以下三个部分内容：
(4.1)利用模拟退火混合遗传算法求解所述第一模型，得到燃料电池系统内部各燃料电堆的输出功率分配策略。
即利用模拟退火混合遗传算法求解燃料电池系统内部各电堆之间的功率分配策略，参见图5，具体步骤如下：
步骤4.1.1：获取所述第一模型中对应参数的实际数据信息，包括燃料电堆功率-瞬时氢耗曲线、燃料电堆输出功率范围等；
步骤4.1.2：设置燃料电池系统的输出功率PFC、初始温度、退火速度、终止温度、进化代数、种族规模、交叉概率、变异概率、字符串长度等，同时，将所述第一模型的约束条件作为模拟退火混合遗传算法的约束条件；
例如，设置初始温度t0＝100、退火速度k＝0.9、终止温度tf＝1、进化代数maxgen＝30、种族规模sizepop＝50、交叉概率pcross＝0.6、变异概率pmutation＝0.01、字符串长度lenchrom＝[1 1]；
步骤4.1.3：将燃料电池系统作为种群，将各燃料电堆的输出功率作为种群中的个体；初始化种群，随机产生电堆功率分配方案，所述电堆功率分配方案包括燃料电池系统内部各燃料电堆的输出功率的分配信息，计算所述电堆功率分配分配方案下燃料电池系统的瞬时氢耗；
步骤4.1.4：寻找并记录最小的燃料电池系统的瞬时氢耗及对应的各燃料电堆的输出功率；
步骤4.1.5：对每一代种群中的个体进行选择、交叉和变异得到新种群；
步骤4.1.6：计算新种群的瞬时氢耗；
步骤4.1.7：替换旧个体；若新种群中最佳个体的瞬时氢耗小于旧种群中最佳个体的瞬时氢耗，则用新种群替换旧种群，否则按照Metropolis规则接受新种群；
步骤4.1.8：降温；
步骤4.1.9：若满足终止条件则迭代终止，则输出燃料电池系统的功率-瞬时氢耗曲线；否则，继续进行迭代。
仿真所得燃料电池系统的功率-瞬时氢耗曲线如图6所示，两套燃料电堆之间的具体功率分配如图7所示。由图7可知，模拟退火混合遗传算法优化分配燃料电池系统输出功率的结果为两套燃料电堆各承担燃料电池系统输出功率的一半。
(4.2)利用模拟退火混合遗传算法求解所述第二模型，得到UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率分配策略。
即利用模拟退火混合遗传算法求解UUV混合动力系统内燃料电池系统和蓄电池系统之间的功率分配策略，参见图5，具体步骤如下：
步骤4.2.1：获取所述第二模型中对应参数的实际数据信息，包括燃料电池系统的功率-瞬时氢耗曲线、燃料电池系统的输出功率范围、蓄电池系统的输出功率范围、UUV航速范围等；步骤4.2.2：设置UUV的航速v，初始温度、退火速度、终止温度、进化代数、种族规模、交叉概率、变异概率、字符串长度等，同时，将所述第二模型的约束条件作为模拟退火混合遗传算法的约束条件；
例如，设置初始温度t0＝100、退火速度k＝0.9、终止温度tf＝1、进化代数maxgen＝30、种族规模sizepop＝50、交叉概率pcross＝0.6、变异概率pmutation＝0.01、字符串长度lenchrom＝[1 1]；
步骤4.2.3：将UUV混合动力系统作为种群，将燃料电池系统和蓄电池系统的输出功率作为种群中的个体；初始化种群，随机产生动力系统功率分配方案，所述动力系统功率分配方案包括燃料电池系统和蓄电池系统的输出功率的分配信息，计算所述动力系统功率分配方案下UUV混合动力系统的等效瞬时氢耗；
步骤4.2.4：寻找并记录最小的UUV混合动力系统的等效瞬时氢耗及对应的燃料电池系统和蓄电池系统的输出功率；
步骤4.2.5：对每一代种群中的个体进行选择、交叉和变异得到新种群；
步骤4.2.6：计算新种群的等效瞬时氢耗；
步骤4.2.7：替换旧个体；若新种群中最佳的个体的等效瞬时氢耗小于旧种群中最佳的个体的等效瞬时氢耗，则用新种群替换旧种群，否则按照Metropolis规则接受新种群；
步骤4.2.8：降温；
步骤4.2.9：若满足终止条件则迭代终止，则输出UUV混合动力系统的航速-瞬时氢耗曲线；否则，继续进行迭代。
仿真所得UUV混合动力系统的航速-瞬时氢耗曲线如图8所示，燃料电池系统和蓄电池系统之间的具体功率分配如图9所示。由图9可知，当UUV航行在中低速(即1～11kn附近)范围时，UUV主要由燃料电池系统供电，当UUV航行在高速范围时，燃料电池系统全功率运行，蓄电池系统承担剩余负荷功率。
(4.3)利用A*算法求解所述第三模型，得到基于内部能量管理和外部路径规划协同的UUV能耗优化策略。
即利用A*算法求解基于内部能量管理和外部路径规划协同的水下无人航行器能耗优化策略，参见图10，具体步骤如下：
步骤4.3.1：获取所述第三模型中对应参数的实际数据信息，包括UUV混合动力系统的航速-瞬时氢耗曲线、UUV混合动力系统的输出功率范围、UUV航速范围、黑潮的水流数据等；
步骤4.3.2：参数初始化，即设置UUV的航速v、起始点和目标点的坐标、曼哈顿距离的权重、初始实际等效氢耗、初始预估等效氢耗、初始开放列表openlist＝[]等，同时，将所述第三模型的约束条件作为A*算法的约束条件；
例如，设置起始点的坐标为start＝[340,331]，目标点的坐标为goal＝[410,401]，曼哈顿距离的权重ω＝1，初始实际等效氢耗g＝0，初始预估等效氢耗f＝0；
步骤4.3.3：遍历开放列表，查找预估等效氢耗最小的节点，将其作为当前节点，并从开放列表中删除，移动到关闭列表中；
步骤4.3.4：判断目标点是否出现在关闭列表中：若是，则输出规划路径和到达目标点的实际等效氢耗，若否，则执行步骤4.3.5；
步骤4.3.5：寻找此当前节点的相邻节点，并舍弃超出数据范围(以起始点和目标点为对角线的正方形区域)的点、障碍点、已经出现在关闭列表的点；
步骤4.3.6：计算相邻节点的实际等效氢耗、预估等效氢耗；
步骤4.3.7：判断此相邻节点是否出现在开放列表中：若否，则将此相邻节点添加到开放列表中并执行步骤4.3.9；若是，则执行步骤4.3.8；
步骤4.3.8：判断此节点的实际等效氢耗是否小于开放列表中记录的此节点的实际等效氢耗：若否，则执行步骤4.3.9；若是，将开放列表中此节点的父节点设置为当前节点，并更新实际等效氢耗和预估等效氢耗值，然后执行步骤4.3.9；
步骤4.3.9：判断是否已经寻找完当前节点的相邻节点；若是，则执行步骤4.3.3；若否，则执行步骤4.3.5。
仿真所得在不同航速下，水下无人航行器等效氢耗曲线优化结果如图11所示，在不同航速下，水下无人航行器的路规规划路线如图12所示。由图11可知，当UUV航行在11.6kn时，其等效氢耗最小为616.50kg。由图12可知，当v≥7.8kn时，为了获得更低的等效氢耗，UUV选择绕路搭乘黑潮的前半部分；当v＜7.8kn时，UUV选择直达路线。
综上，本发明利用燃料电池系统内部各电堆之间的功率分配策略使燃料电池系统的等效瞬时氢耗最优，利用UUV混合动力系统内燃料电池系统和蓄电池系统之间的功率分配策略使UUV混合动力系统的等效瞬时氢耗最优，通过利用A*算法求解基于内部能量管理和外部路径规划协同的水下无人航行器能耗优化策略得出搭乘黑潮的规划路径，从而使UUV的等效氢耗最优，有效提高了UUV的燃料经济性。
本发明的内部能量管理层根据等效氢耗理论，在水下无人航行器不同需求功率下，使用模拟退火混合遗传算法为多台燃料电堆和蓄电池分配输出功率，使得水下无人航行器混合动力系统的等效瞬时氢耗最小；外部路径规划层使用A*算法选择搭乘黑潮的切入点和切出点，使水下无人航行器能够充分利用黑潮的流场。由于内部能量管理和外部路径规划存在相互影响，将不同航速下的内外层优化置于统一的框架内，以航速为耦合变量，以水下无人航行器全程最小等效氢耗为目标，依次求解。本发明表明，水下无人航行器选择性地搭乘黑潮会获得更小的等效氢耗，同时，基于内部能量管理和外部路径规划协同的水下无人航行器能耗优化策略能够有效减少水下无人航行器的最小等效氢耗。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种水下无人航行器的能耗优化方法，其特征在于，包括以下步骤：
步骤1：构建用于优化分配燃料电池系统内部各燃料电堆的输出功率的第一模型，使得在预设的燃料电池系统的输出功率下，所述燃料电池系统的等效瞬时氢耗最小；
步骤2：构建用于优化分配UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率的第二模型，使得在预设的UUV的航速下，所述UUV混合动力系统的等效瞬时氢耗最小；
步骤3：构建用于规划UUV航行路径的第三模型，使得在预设的UUV的航速下，UUV的等效氢耗最小；
步骤4：联合求解所述第一模型、所述第二模型、所述第三模型，得到UUV的航行路径和最小等效氢耗。
2.根据权利要求1所述的水下无人航行器的能耗优化方法，其特征在于，所述步骤1中，所述第一模型采用如下公式表示：
Figure FDA0002865381510000011
式中，n为燃料电堆的个数，PFC为燃料电池系统的输出功率，PFCi为第i台燃料电堆的输出功率，UFCi表示第i台燃料电堆的运行状态，i＝1,2……n；UFCi取1时，表示燃料电堆运行；UFCi取0时，表示燃料电堆停机；
其中，所述第一模型的目标函数如下：
Figure FDA0002865381510000012
式中，CFC(PFC)表示燃料电池系统的输出功率为PFC时，燃料电池系统的瞬时氢耗；fFC(PFCi)表示第i台燃料电堆的输出功率为PFCi时，第i台燃料电堆的瞬时氢耗；
其中，所述第一模型的约束条件如下：
PFCimin≤PFCi≤PFCimax or PFCi＝0
式中，PFCimax、PFCimin分别为第i台燃料电堆的输出功率的最大值、最小值。
3.根据权利要求2所述的水下无人航行器的能耗优化方法，其特征在于，所述步骤2中，所述第二模型的目标函数如下：
min CHPS(v)＝CFC(PFC)+CB(PB)
此时，
PB+PFC＝fPm(v)+PAm
式中，v为UUV的航速；CHPS(v)表示UUV的航速为v时，UUV混合动力系统的等效瞬时氢耗；CB(PB)表示蓄电池系统的输出功率为PB时，蓄电池系统的等效瞬时氢耗；fPm(v)表示UUV的航速为v时，推进电机的所需功率；PAm表示UUV各种辅机设备所需总功率；
所述蓄电池系统的瞬时氢耗等效为：
Figure FDA0002865381510000021
式中，
Figure FDA0002865381510000022
为蓄电池系统的平均充电效率，
Figure FDA0002865381510000023
为蓄电池系统的平均放电效率，CFC-avg为燃料电堆的平均氢耗速率，PFC-avg为燃料电堆的平均输出功率；
其中，所述第二模型的约束条件如下：
PFCmin≤PFC≤PFCmax or PFC＝0
PBmin≤PB≤PBmax or PB＝0
vmax≤v≤vmin
PFC+PB＝PPm+PAm
式中，PFCmax、PFCmin分别为燃料电池系统的输出功率的最大值、最小值；PBmax、PBmin分别为蓄电池系统的输出功率的最大值、最小值；vmax、vmin分别为UUV航行时航速的最大值、最小值；PPm为推进电机的需求功率。
4.根据权利要求3所述的水下无人航行器的能耗优化方法，其特征在于，根据推进电机的历史数据拟合得到UUV的航速与推进电机的需求功率之间的对应关系。
5.根据权利要求1所述的水下无人航行器的能耗优化方法，其特征在于，所述步骤3中，所述第三模型的目标函数如下：
Figure FDA0002865381510000024
式中，C为UUV的等效氢耗，(i0,j0)为UUV当前时刻所在的经纬度，(i,j)为UUV下一个时刻所在的经纬度，SF为UUV的可行点集合，
Figure FDA0002865381510000031
为UUV从(i0,j0)到(i,j)所需要消耗的液氢质量；
其中，
Figure FDA0002865381510000032
式中，
Figure FDA0002865381510000033
为UUV从(i0,j0)到(i,j)的期间过程中，UUV的瞬时氢耗率；
Figure FDA0002865381510000034
为UUV从(i0,j0)到(i,j)所需要的时间；
其中，
Figure FDA0002865381510000035
式中，
Figure FDA0002865381510000036
为UUV从(i0,j0)到(i,j)的期间过程中，UUV的航速；
其中，
v＝vg+vc
式中，v为UUV相对于陆地的航速，vg为UUV相对于水流的航速，vc为水流速度；
Figure FDA0002865381510000037
式中，
Figure FDA0002865381510000038
为UUV从(i0,j0)到(i,j)之间的距离。
6.根据权利要求5所述的水下无人航行器的能耗优化方法，其特征在于，所述步骤3中，在所述UUV航行路径中，获取黑潮信息，规划选择UUV搭乘黑潮的切入点和切出点。
7.根据权利要求1所述的水下无人航行器的能耗优化方法，其特征在于，所述步骤4中包括：
利用模拟退火混合遗传算法求解所述第一模型，得到燃料电池系统内部各燃料电堆的输出功率分配策略；
利用模拟退火混合遗传算法求解所述第二模型，得到UUV混合动力系统内燃料电池系统和蓄电池系统的输出功率分配策略；
利用A*算法求解所述第三模型，得到基于内部能量管理和外部路径规划协同的UUV能耗优化策略。
8.根据权利要求7所述的水下无人航行器的能耗优化方法，其特征在于，所述求解所述第一模型包括以下子步骤：
获取所述第一模型中对应参数的实际数据信息，包括燃料电堆功率-瞬时氢耗曲线、燃料电堆输出功率范围；
设置燃料电池系统的输出功率、初始温度、退火速度、终止温度、进化代数、种族规模、交叉概率、变异概率、字符串长度，并将所述第一模型的约束条件作为模拟退火混合遗传算法的约束条件；
将燃料电池系统作为种群，将各燃料电堆的输出功率作为种群中的个体；初始化种群，随机产生电堆功率分配方案，所述电堆功率分配方案包括燃料电池系统内部各燃料电堆的输出功率的分配信息，计算所述电堆功率分配分配方案下燃料电池系统的瞬时氢耗；
寻找并记录最小的燃料电池系统的瞬时氢耗及对应的各燃料电堆的输出功率；
对每一代种群中的个体进行选择、交叉和变异得到新种群；
计算新种群的瞬时氢耗；
替换旧个体；若新种群中最佳个体的瞬时氢耗小于旧种群中最佳个体的瞬时氢耗，则用新种群替换旧种群，否则按照Metropolis规则接受新种群；
降温；
若满足终止条件则迭代终止，则输出燃料电池系统的功率-瞬时氢耗曲线；否则，继续进行迭代。
9.根据权利要求7所述的水下无人航行器的能耗优化方法，其特征在于，所述求解所述第二模型包括以下子步骤：
获取所述第二模型中对应参数的实际数据信息，包括燃料电池系统的功率-瞬时氢耗曲线、燃料电池系统的输出功率范围、蓄电池系统的输出功率范围、UUV航速范围；
设置UUV的航速、初始温度、退火速度、终止温度、进化代数、种族规模、交叉概率、变异概率、字符串长度，并将所述第二模型的约束条件作为模拟退火混合遗传算法的约束条件；
将UUV混合动力系统作为种群，将燃料电池系统和蓄电池系统的输出功率作为种群中的个体；初始化种群，随机产生动力系统功率分配方案，所述动力系统分配方案包括燃料电池系统和蓄电池系统的输出功率的分配信息，计算所述动力系统功率分配方案下UUV混合动力系统的等效瞬时氢耗；
寻找并记录最小的UUV混合动力系统的等效瞬时氢耗及对应的燃料电池系统和蓄电池系统的输出功率；
对每一代种群中的个体进行选择、交叉和变异得到新种群；
计算新种群的等效瞬时氢耗；
替换旧个体；若新种群中最佳个体的等效瞬时氢耗小于旧种群中最佳个体的等效瞬时氢耗，则用新种群替换旧种群，否则按照Metropolis规则接受新种群；
降温；
若满足终止条件则迭代终止，则输出UUV混合动力系统的航速-瞬时氢耗曲线；否则，继续进行迭代。
10.根据权利要求7所述的水下无人航行器的能耗优化方法，其特征在于，所述求解第三模型包括以下步骤：
步骤A：获取所述第三模型中对应参数的实际数据信息，包括UUV混合动力系统的航速-瞬时氢耗曲线、UUV混合动力系统的输出功率范围、UUV航速范围、黑潮的水流数据；
步骤B：设置UUV的航速、起始点和目标点的坐标、曼哈顿距离的权重、初始实际等效氢耗、初始预估等效氢耗、初始开放列表，并将所述第三模型的约束条件作为A*算法的约束条件；
步骤C：遍历开放列表，查找预估等效氢耗最小的节点，将其作为当前节点，并从开放列表中删除，移动到关闭列表中；
步骤D：判断目标点是否出现在关闭列表中：若是，则输出规划路径和到达目标点的实际等效氢耗，若否，则执行步骤E；
步骤E：寻找此当前节点的相邻节点，并舍弃超出数据范围的点、障碍点、已经出现在关闭列表的点；
步骤F：计算相邻节点的实际等效氢耗、预估等效氢耗；
步骤G：判断此相邻节点是否出现在开放列表中：若否，则将此相邻节点添加到开放列表中并执行步骤I；若是，则执行步骤H；
步骤H：判断此节点的实际等效氢耗是否小于开放列表中记录的此节点的实际等效氢耗：若否，则执行步骤I；若是，将开放列表中此节点的父节点设置为当前节点，并更新实际等效氢耗和预估等效氢耗值，然后执行步骤I；
步骤I：判断是否已经寻找完当前节点的相邻节点；若是，则执行步骤C；若否，则执行步骤E。
CN202011581754.2A 2020-12-28 2020-12-28 一种水下无人航行器的能耗优化方法 Active CN112613180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011581754.2A CN112613180B (zh) 2020-12-28 2020-12-28 一种水下无人航行器的能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011581754.2A CN112613180B (zh) 2020-12-28 2020-12-28 一种水下无人航行器的能耗优化方法

Publications (2)

Publication Number Publication Date
CN112613180A true CN112613180A (zh) 2021-04-06
CN112613180B CN112613180B (zh) 2022-04-15

Family

ID=75248273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011581754.2A Active CN112613180B (zh) 2020-12-28 2020-12-28 一种水下无人航行器的能耗优化方法

Country Status (1)

Country Link
CN (1) CN112613180B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130276769A1 (en) * 2012-04-20 2013-10-24 Massachusetts Institute Of Technology Energy-Harvesting Reactor Based on Diffusion of Aluminum in Gallium
CN104881038A (zh) * 2015-04-22 2015-09-02 哈尔滨工业大学 环境干扰下的水下无人航行器航迹跟踪控制优化方法
CN108762280A (zh) * 2018-04-12 2018-11-06 哈尔滨工程大学 一种考虑海洋环流影响的uuv基于能量消耗优化的远程航海路径规划方法
CN108931243A (zh) * 2018-04-17 2018-12-04 哈尔滨工程大学 一种复杂海洋环境影响下基于能耗和采样量多目标优化的uuv路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130276769A1 (en) * 2012-04-20 2013-10-24 Massachusetts Institute Of Technology Energy-Harvesting Reactor Based on Diffusion of Aluminum in Gallium
CN104881038A (zh) * 2015-04-22 2015-09-02 哈尔滨工业大学 环境干扰下的水下无人航行器航迹跟踪控制优化方法
CN108762280A (zh) * 2018-04-12 2018-11-06 哈尔滨工程大学 一种考虑海洋环流影响的uuv基于能量消耗优化的远程航海路径规划方法
CN108931243A (zh) * 2018-04-17 2018-12-04 哈尔滨工程大学 一种复杂海洋环境影响下基于能耗和采样量多目标优化的uuv路径规划方法

Also Published As

Publication number Publication date
CN112613180B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
Abkenar et al. Fuel cell power management using genetic expression programming in all-electric ships
Xie et al. Optimal power management for fuel cell–battery full hybrid powertrain on a test station
Zhang et al. Improved short-term speed prediction using spatiotemporal-vision-based deep neural network for intelligent fuel cell vehicles
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
Gao et al. Adaptive real-time optimal energy management strategy based on equivalent factors optimization for hybrid fuel cell system
Huang et al. Deep reinforcement learning based energy management strategy for range extend fuel cell hybrid electric vehicle
Li et al. A novel hybrid propulsion system configuration and power distribution strategy for light electric aircraft
CN109489676A (zh) 一种计及电网信息与充电站信息的电动汽车充电导航方法
Zhang et al. Real-time optimization of energy management strategy for fuel cell vehicles using inflated 3D inception long short-term memory network-based speed prediction
Lin et al. Predictive-ECMS based degradation protective control strategy for a fuel cell hybrid electric vehicle considering uphill condition
He et al. Regenerative fuel cell-battery-supercapacitor hybrid power system modeling and improved rule-based energy management for vehicle application
Xue Design and Optimization of Lithium-Ion Batteries for Electric-Vehicle Applications.
Ferrara et al. Energy management of heavy-duty fuel cell electric vehicles: Model predictive control for fuel consumption and lifetime optimization
Karaoğlan et al. Investigation of the effects of battery types and power management algorithms on drive cycle simulation for a range-extended electric vehicle powertrain
Chiche et al. Feasibility and impact of a Swedish fuel cell-powered rescue boat
CN116596340A (zh) 具有工况适应性的船舶综合能源系统能量管理策略
Xiao et al. Ship energy scheduling with DQN-CE algorithm combining bi-directional LSTM and attention mechanism
Zhang et al. A review of energy management optimization based on the equivalent consumption minimization strategy for fuel cell hybrid power systems
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
Azim Mohseni et al. Energy management strategies of hybrid electric vehicles: A comparative review
Li et al. IGBT thermal model-based predictive energy management strategy for plug-In hybrid electric vehicles using game theory
CN112613180B (zh) 一种水下无人航行器的能耗优化方法
Boyacıoğlu et al. Modeling and Control of a PEM Fuel Cell Hybrid Energy System Used in a Vehicle with Fuzzy Logic Method
CN116629401A (zh) 一种多能源电力推进船舶能量管理策略辅助决策方法
CN113200148A (zh) 一种基于深度强化学习的氢燃料无人机能量管理方法

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
GR01 Patent grant
GR01 Patent grant