CN113239630B - 风资源影响的移动能源网络发电与航程优化方法和系统 - Google Patents

风资源影响的移动能源网络发电与航程优化方法和系统 Download PDF

Info

Publication number
CN113239630B
CN113239630B CN202110621407.6A CN202110621407A CN113239630B CN 113239630 B CN113239630 B CN 113239630B CN 202110621407 A CN202110621407 A CN 202110621407A CN 113239630 B CN113239630 B CN 113239630B
Authority
CN
China
Prior art keywords
voyage
ship
power generation
wind
cost
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
Application number
CN202110621407.6A
Other languages
English (en)
Other versions
CN113239630A (zh
Inventor
文书礼
林安妮
朱淼
顾明昌
徐莉婷
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110621407.6A priority Critical patent/CN113239630B/zh
Publication of CN113239630A publication Critical patent/CN113239630A/zh
Application granted granted Critical
Publication of CN113239630B publication Critical patent/CN113239630B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Abstract

本发明提供了一种风资源影响的移动能源网络发电与航程优化方法，包括：选择风速、温度、气压和云层覆盖率4个特征作为预测的数据输入；选取全年小时级数据作为预测模型的训练集和测试集；对样本数据进行归一化处理。本发明基于数据驱动的移动能源网络发电与航程联合优化方法，将海上风速对全电力船舶航速的影响考虑在内，可以更加有效的调节实际船速，实现更好的船舶能量管理；通过丰富细化运行成本目标函数，将储能的运行成本考虑在内，更加符合实际运行场景；通过分段线性化方法，将优化模型转换为混合整数线性规划模型，解决了混合整数非线性规划难以求解的问题；不局限于全电力船舶电力系统，也可用于陆地电动汽车等移动能源网络。

Description

风资源影响的移动能源网络发电与航程优化方法和系统
技术领域
本发明涉及人工智能与船舶电力系统运行的技术领域，具体地，涉及风资源影响的移动能源网络发电与航程优化方法和系统。
背景技术
近年来，在绿色低碳发展的大趋势下，作为典型的移动能源网络，全电力船舶的污染排放和能源效率低下问题成为各国关注焦点，如何有效地进行移动能源网络的能量管理，优化控制船舶运行成本，降低温室气体排放水平成为亟待解决的问题。
目前，以全电力船舶电力系统为代表的移动能源网络能量管理大多基于船载储能或新能源发电技术，侧重于发电侧的优化，未将推进系统负荷功率与船舶航速的耦合关系考虑在内。部分研究虽然提出了移动能源网络的发电与航程联合优化方法，但忽略了船舶在海上巡航状态下，沿航线风速对船舶实际船速的影响。
为了提升全电力船舶能源利用效率，降低碳排放，本发明利用深度学习预测海上风速变化，综合考虑风速对全电力船舶发电与航程的影响，合理调配全电力船舶柴油机和储能的出力，在保证船舶按时到港的前提下，以经济性和环境友好性为目标，优化全电力船舶推进器速度，达到更好的能量管理水平。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种风资源影响的移动能源网络发电与航程优化方法和系统。
根据本发明提供的一种风资源影响的移动能源网络发电与航程优化方法，包括对海上风速的预测，所述预测方法包括如下步骤：
步骤S1：选择风速、温度、气压和云层覆盖率4个特征作为预测的数据输入；
步骤S2：选取全年小时级数据作为预测模型的训练集和测试集，训练集和测试集的占比分别为75％和25％；
步骤S3：对样本数据进行归一化处理，提升预测准确度。
优选地，采用最小最大化的方法，将输入变量取值范围归一化至[0,1]范围内，转换公式如下：
Figure BDA0003099696260000021
其中，x*为归一化后数据值；x代表样本数据；xmax和xmin分别为原始样本数据的最大值和最小值。
优选地，所述预测方法还包括遗忘门单元、输入门单元和输出门单元，如下式所示：
Figure BDA0003099696260000022
其中，ht为t时刻的隐藏状态，表征短期记忆；ct为t时刻的细胞状态，表征长期记忆；xt为t时刻的输入，ht-1为t-1时刻的神经网络层隐藏状态，it，ft，gt，ot分别为输入、遗忘、细胞和输出门；σ为sigmoid激励函数；⊙为积矩阵乘法。
优选地，还包括优化方法，所述优化方法包括目标函数，所述目标函数包括柴油发电机的燃油消耗成本、柴油发电机的启停成本、储能系统的运行成本：
Figure BDA0003099696260000023
其中，TCDG，TCST，TCSD，TCESS分别为柴油机运行成本、启动成本、关停成本和储能系统运行成本；
Figure BDA0003099696260000024
分别表示第t个时间间隔内的柴油机运行成本、启动成本和关停成本；α和β代表储能系统成本系数；
Figure BDA0003099696260000025
代表储能系统在t时刻的放电功率；
Figure BDA0003099696260000026
为第n台柴油机在第t个时间间隔内的碳排放。
优选地，所述优化方法有多个约束条件，所述约束条件为系统功率平衡约束、柴油机相关约束、储能相关约束和计及风资源影响的航行相关约束。
优选地，所述系统功率平衡约束：
Figure BDA0003099696260000031
其中，ηT为发电到负荷的能量传递效率；
Figure BDA0003099696260000032
代表第n台柴油发电机在t时刻的出力；
Figure BDA0003099696260000033
为全电力船舶生活负荷在t时刻的功率需求，
Figure BDA0003099696260000034
为电力推进系统在t时刻的功率需求，
Figure BDA0003099696260000035
所述柴油机相关约束包含柴油机功率变化约束和机组启停约束：
Figure BDA0003099696260000036
其中，u，y，z分别代表[0，1]变量；RUn，RDn分别为第n台柴油发电机的功率升高和降低范围上限；SDn，SUn分别为第n台柴油发电机的启动和关停功率变化值。
优选地，所述储能相关约束：
Figure BDA0003099696260000037
其中，
Figure BDA0003099696260000038
表示t时刻储能系统的荷电状态；
Figure BDA0003099696260000039
代表储能系统在t时刻的放电功率；
Figure BDA00030996962600000310
为储能荷电状态上下限；
Figure BDA00030996962600000311
为储能放电功率上下限；
所述计及风资源影响的航行相关约束：
Figure BDA00030996962600000312
其中，vt为实际船速，
Figure BDA00030996962600000313
为船舶推进器速度；
Figure BDA00030996962600000314
为上述中利用深度学习预测得到的风速；
Figure BDA00030996962600000315
为风向与船舶行驶方向的夹角；vmax，vmin分别为全电力船舶航行速度的上下限；Dist为船舶在整个航线上的航行距离；T代表船舶航行总时间。
优选地，还包括计及海上风资源影响的移动能源网络发电与航程联合优化求解方法，统一归纳为以下形式：
Minimize F(x)＝(f1(x)，f2(x))
Figure BDA0003099696260000041
其中，F(x)代表目标函数；f1(x)代表多目标函数的第一个目标函数，在本方案中f1(x)表示移动能源网络的运行成本；f2(x)代表多目标函数中的第二个目标函数，在本方案中代表移动能源网络的碳排放；x＝(x1,…,xd)为包含d个决策变量的解集，gi(x)，hj(x)分别表示不等式和等式约束；i和j分别代表第i个和第j个等式和不等式约束。
本发明还提供一种风资源影响的移动能源网络发电与航程优化系统，包括对海上风速的预测，所述预测方法包括如下模块：
模块M1：选择风速、温度、气压和云层覆盖率4个特征作为预测的数据输入；
模块M2：选取全年小时级数据作为预测模型的训练集和测试集，训练集和测试集的占比分别为75％和25％；
模块M3：对样本数据进行归一化处理，提升预测准确度。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于数据驱动的移动能源网络发电与航程联合优化方法，将海上风速对全电力船舶航速的影响考虑在内，可以更加有效的调节实际船速，实现更好的船舶能量管理；
2、本发明通过丰富细化运行成本目标函数，将储能的运行成本考虑在内，更加符合实际运行场景；
3、本发明通过分段线性化方法，将优化模型转换为混合整数线性规划模型，解决了混合整数非线性规划难以求解的问题；
4、本发明提出的方案，不局限于全电力船舶电力系统，也可用于陆地电动汽车等移动能源网络。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实际船速与理论船速图；
图2为本发明基于深度学习的预测风速图；
图3为本发明优化后船舶实际航速图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明旨在解决现有移动能源网络发电与航程联合优化问题的不足。为此，本发明的目的在于提供一种风资源影响的移动能源网络发电与航程优化方法和系统，以期达到更优的能量管理水平，使所提方案更符合船舶实际航行。
该方案具有以下特点：
1、不囿于单独考虑移动能源网络发电和航程的优化方法，本发明提出一种发电和航程联合优化方案，有助于全电力船舶进一步提升经济性，降低碳排放。
2、本发明区别于现有的全电力船舶能量管理方法，将船舶航速与航线上的海上风速对船舶航速的影响考虑在内，提高了能量管理精度，能够达到更好的能量管理水平。
3、本发明在运行经济性目标中，丰富细化了成本函数，不仅考虑了柴油机的燃油消耗成本，还将储能系统充放电的运行成本和柴油发电机的启停成本纳入优化方案中。
4、本发明针对多目标优化求解，采用了分段线性化的方法，将混合整数非线性优化问题转换为混合整数线性化问题，并利用法向边界交叉法获得一系列帕累托前沿上均匀分布的非劣解集，解决方案具有一定的普适性。
本发明所提供的技术方案为计及海上风资源影响的移动能源网络发电与航程联合优化方法。本方案运用深度学习方法预测海上风速，将预测风速耦合到全电力船舶发电与航程联合优化模型中，设立运行总成本与温室气体排放最低为目标，以实现船舶绿色、安全、准点运行。
具体实现方案如下：
1、基于深度学习的海上风速预测
(1)数据获取与处理
海上风速预测是一个受多因素影响的时序预测问题，不仅与历史风速有关，还和航线上的温度、气压、云层覆盖率等海洋气象条件有关，单纯考虑一种因素会降低预测精度。故本方案选择风速、温度、气压和云层覆盖率4个特征作为预测的数据输入，选取全年小时级数据作为预测模型的训练集和测试集，训练集和测试集的占比分别为75％和25％。
由于风速、温度、气压和云层覆盖率等输入变量的取值范围和量纲有较大差异，因此需要对样本数据进行归一化处理，以此提升预测准确度。采用最小最大化的方法，将输入变量取值范围归一化至[0，1]范围内，转换公式如下：
Figure BDA0003099696260000061
其中，x*为归一化后数据值；xmax和xmin分别为原始样本数据的最大值和最小值。
(2)基于深度学习的风速预测方法
长短期记忆深度学习神经网络对时间序列数据预测具有独特的优势，其基本单元主要包含遗忘门、输入门和输出门，如下所示，
Figure BDA0003099696260000062
其中，ht为t时刻的隐藏状态，表征短期记忆；ct为t时刻的细胞状态，表征长期记忆；xt为t时刻的输入，ht-1为t-1时刻的神经网络层隐藏状态，it，ft，gt，ot分别为输入，遗忘，细胞和输出门；σ为sigmoid激励函数；⊙为积矩阵乘法。
本方案根据前24小时的海上风速、温度、气压和云层覆盖率等信息，采用长短期记忆深度学习神经网络对未来1小时的海上风速进行预测。
2、计及风资源影响的移动能源网络发电与航程联合优化模型
(1)目标函数
全电力船舶的储能系统充放电过程和频率对其使用寿命有着直接的影响，较小的充放电功率可以延长储能的使用寿命，降低实际运行成本。此外，柴油发电机组在航程中的启动和关停成本也是影响全电力船舶经济性运行的重要因素。因此，经济性目标函数由三部分构成，一是柴油发电机的燃油消耗成本，二是柴油发电机的启停成本，三是储能系统的运行成本。
Figure BDA0003099696260000071
其中，TCDG,TCST，TCSD,TCESS分别为柴油机运行成本，启动成本，关停成本及储能系统运行成本；
Figure BDA0003099696260000072
为第n台柴油机在第t个时间间隔内的碳排放。
(2)约束条件
a)系统功率平衡约束
Figure BDA0003099696260000073
其中，ηT为发电到负荷的能量传递效率；
Figure BDA0003099696260000074
为全电力船舶生活负荷的功率需求，
Figure BDA0003099696260000075
为电力推进系统功率需求，
Figure BDA0003099696260000076
b)柴油机相关约束
包含柴油机功率变化约束和机组启停约束：
Figure BDA0003099696260000077
其中，RUn，RDn分别为第n台柴油发电机的功率升高和降低范围上限；SDn，SUn分别为第n台柴油发电机的启动和关停功率变化值。
c)储能相关约束
Figure BDA0003099696260000078
其中，
Figure BDA0003099696260000079
为储能荷电状态上下限；
Figure BDA00030996962600000710
为储能放电功率上下限。
d)计及风资源影响的航行相关约束
船舶在实际航行中，受到沿航线海上风速的影响，如图1所示。
Figure BDA0003099696260000081
其中，vt为实际船速，
Figure BDA0003099696260000082
为船舶推进器速度；
Figure BDA0003099696260000083
为步骤A中利用深度学习预测得到的风速；
Figure BDA0003099696260000084
为风向与船舶行驶方向的夹角。vmax，vmin分别为全电力船舶航行速度的上下限。Dist为船舶在整个航线上的航行距离。
3、计及海上风资源影响的移动能源网络发电与航程联合优化求解方法
计及风资源影响的全电力船舶发电与航程联合优化属于带约束的多目标优化问题，可以统一归纳为以下形式：
Figure BDA0003099696260000085
其中，x＝(x1，…,xd)为包含d个决策变量的解集，gi(x)，hj(x)分别表示不等式和等式约束。
在本发明中，决策变量涉及大量二元非线性变量，本方案利用分段线性化的方法，将非线性变量线性化，然后采用法线边界交叉法，将多目标问题转换为多个单目标数学规划问题进行优化求解，最终得到较好的全电力船舶发电计划和航程计划。
本发明依托国家自然基金项目“多变量耦合的移动式微电网优化配置研究”与上海市浦江人才计划“全电力船舶的先进能量管理基础理论与关键技术”，以2020年全年某航线海上气象数据为例，选取具有6台14MW的柴油发电机和1套22MW电池储能系统的全电力船舶电力系统为测试系统。
基于长短期记忆深度学习神经网络的海上风速结果如图2所示。利用准确预测的风速，建立基于数据驱动的全电力船舶发电与航程联合优化模型，采用本方案提出的方法，优化结果如表1所示。
表1移动能源网络发电与航程联合优化结果对比
Figure BDA0003099696260000086
参照图3，通过本实例说明，将海上风速对全电力船舶航速的影响考虑在内，可以更加有效的调节实际船速，保障船舶按时到港，实现更好的船舶能量管理，提升移动能源网络的经济性，减少碳排放。本方案所得结果更加符合船舶在海洋中的实际航行，更具现实意义。
本发明基于数据驱动的移动能源网络发电与航程联合优化方法，将海上风速对全电力船舶航速的影响考虑在内，可以更加有效的调节实际船速，实现更好的船舶能量管理；通过丰富细化运行成本目标函数，将储能的运行成本考虑在内，更加符合实际运行场景；通过分段线性化方法，将优化模型转换为混合整数线性规划模型，解决了混合整数非线性规划难以求解的问题；本发明提出的方案，不局限于全电力船舶电力系统，也可用于陆地电动汽车等移动能源网络。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，包括对海上风速的预测，所述预测方法包括如下步骤：
步骤S1：选择风速、温度、气压和云层覆盖率4个特征作为预测的数据输入；
步骤S2：选取全年小时级数据作为预测模型的训练集和测试集，训练集和测试集的占比分别为75％和25％；
步骤S3：对样本数据进行归一化处理，提升预测准确度；
还包括计及海上风资源影响的移动能源网络发电与航程联合优化求解方法，统一归纳为以下形式：
Minimize F(x)＝(f1(x),f2(x))
Figure FDA0003615100850000011
其中，F(x)代表目标函数；f1(x)代表多目标函数的第一个目标函数，在本方案中f1(x)表示移动能源网络的运行成本；f2(x)代表多目标函数中的第二个目标函数，在本方案中代表移动能源网络的碳排放；x＝(x1,…,xd)为包含d个决策变量的解集，gi(x)，hj(x)分别表示不等式和等式约束；i和j分别代表第i个和第j个等式和不等式约束。
2.根据权利要求1所述的一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，采用最小最大化的方法，将输入变量取值范围归一化至[0,1]范围内，转换公式如下：
Figure FDA0003615100850000012
其中，x*为归一化后数据值；x代表样本数据；xmax和xmin分别为原始样本数据的最大值和最小值。
3.根据权利要求1所述的一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，所述预测方法还包括遗忘门单元、输入门单元和输出门单元，如下式所示：
Figure FDA0003615100850000021
其中，ht为t时刻的隐藏状态，表征短期记忆；ct为t时刻的细胞状态，表征长期记忆；xt为t时刻的输入，ht-1为t-1时刻的神经网络层隐藏状态，it，ft，gt，ot分别为输入、遗忘、细胞和输出门；σ为sigmoid激励函数；
Figure FDA0003615100850000022
为积矩阵乘法。
4.根据权利要求1所述的一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，还包括优化方法，所述优化方法包括目标函数，所述目标函数包括柴油发电机的燃油消耗成本、柴油发电机的启停成本、储能系统的运行成本：
Figure FDA0003615100850000023
其中，TCDG,TCST，TCSD,TCESS分别为柴油机运行成本、启动成本、关停成本和储能系统运行成本；
Figure FDA0003615100850000024
分别表示第t个时间间隔内的柴油机运行成本、启动成本和关停成本；α和β代表储能系统成本系数；Pt ESS代表储能系统在t时刻的放电功率；
Figure FDA0003615100850000025
为第n台柴油机在第t个时间间隔内的碳排放。
5.根据权利要求1所述的一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，所述优化方法有多个约束条件，所述约束条件为系统功率平衡约束、柴油机相关约束、储能相关约束和计及风资源影响的航行相关约束。
6.根据权利要求5所述的一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，所述系统功率平衡约束：
Figure FDA0003615100850000026
其中，ηT为发电到负荷的能量传递效率；
Figure FDA0003615100850000027
代表第n台柴油发电机在t时刻的出力；Pt Ser为全电力船舶生活负荷在t时刻的功率需求，Pt pro为电力推进系统在t时刻的功率需求，Pt pro＝0.003(Vt pro)3；
所述柴油机相关约束包含柴油机功率变化约束和机组启停约束：
Figure FDA0003615100850000031
其中，u，y，z分别代表[0，1]变量；RUn，RDn分别为第n台柴油发电机的功率升高和降低范围上限；SDn，SUn分别为第n台柴油发电机的启动和关停功率变化值。
7.根据权利要求5所述的一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，所述储能相关约束：
Figure FDA0003615100850000032
其中，SOCt ESS表示t时刻储能系统的荷电状态；Pt ESS代表储能系统在t时刻的放电功率；
Figure FDA0003615100850000033
为储能荷电状态上下限；
Figure FDA0003615100850000034
为储能放电功率上下限；
所述计及风资源影响的航行相关约束：
Figure FDA0003615100850000035
其中，vt为实际船速，
Figure FDA0003615100850000036
为船舶推进器速度；
Figure FDA0003615100850000037
为上述中利用深度学习预测得到的风速；
Figure FDA0003615100850000038
为风向与船舶行驶方向的夹角；vmax，vmin分别为全电力船舶航行速度的上下限；Dist为船舶在整个航线上的航行距离；T代表船舶航行总时间。
8.一种风资源影响的移动能源网络发电与航程优化系统，根据权利要求1所述的一种风资源影响的移动能源网络发电与航程优化方法，其特征在于，包括对海上风速的预测，所述预测方法包括如下模块：
模块M1：选择风速、温度、气压和云层覆盖率4个特征作为预测的数据输入；
模块M2：选取全年小时级数据作为预测模型的训练集和测试集，训练集和测试集的占比分别为75％和25％；
模块M3：对样本数据进行归一化处理，提升预测准确度。
CN202110621407.6A 2021-06-03 2021-06-03 风资源影响的移动能源网络发电与航程优化方法和系统 Active CN113239630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110621407.6A CN113239630B (zh) 2021-06-03 2021-06-03 风资源影响的移动能源网络发电与航程优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110621407.6A CN113239630B (zh) 2021-06-03 2021-06-03 风资源影响的移动能源网络发电与航程优化方法和系统

Publications (2)

Publication Number Publication Date
CN113239630A CN113239630A (zh) 2021-08-10
CN113239630B true CN113239630B (zh) 2022-07-15

Family

ID=77136534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110621407.6A Active CN113239630B (zh) 2021-06-03 2021-06-03 风资源影响的移动能源网络发电与航程优化方法和系统

Country Status (1)

Country Link
CN (1) CN113239630B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法
CN110967022A (zh) * 2019-12-24 2020-04-07 上海船舶运输科学研究所 船舶航速优化辅助决策系统
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
CN111553510A (zh) * 2020-04-08 2020-08-18 东华大学 一种短期风速预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2400271A1 (en) * 2010-06-24 2011-12-28 Abb Oy Method an arrangement for controlling energy consumption in a marine vessel
CN111199103B (zh) * 2019-12-30 2023-07-18 中国船舶重工集团公司第七一一研究所 全电力推进船舶的全流程自动计算的航速优化方法及系统
CN112510701A (zh) * 2020-11-27 2021-03-16 江苏科技大学 多能源船舶能量管理控制装置及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法
CN110967022A (zh) * 2019-12-24 2020-04-07 上海船舶运输科学研究所 船舶航速优化辅助决策系统
CN111553510A (zh) * 2020-04-08 2020-08-18 东华大学 一种短期风速预测方法
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

Also Published As

Publication number Publication date
CN113239630A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Wen et al. Coordinated optimal energy management and voyage scheduling for all-electric ships based on predicted shore-side electricity price
Zhu et al. Optimal design of a hybrid electric propulsive system for an anchor handling tug supply vessel
Fang et al. Optimal hierarchical management of shipboard multibattery energy storage system using a data-driven degradation model
Zhang et al. Two-level model predictive control energy management strategy for hybrid power ships with hybrid energy storage system
Fang et al. Robust operation of shipboard microgrids with multiple-battery energy storage system under navigation uncertainties
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
Si et al. Configuration optimization and energy management of hybrid energy system for marine using quantum computing
CN114662381A (zh) 基于分层博弈的港船能源交通系统融合运行方法及系统
Xie et al. A real-time power management strategy for hybrid electrical ships under highly fluctuated propulsion loads
CN113193554B (zh) 一种基于数据驱动的新能源船舶节能减排方法及系统
Damian et al. Review on the challenges of hybrid propulsion system in marine transport system
Kong et al. The economic impacts of restricting black carbon emissions on cargo shipping in the Polar Code Area
Buonomano et al. Future pathways for decarbonization and energy efficiency of ports: Modelling and optimization as sustainable energy hubs
Sun et al. Carbon emission reduction of shore power from power energy structure in China
CN113239630B (zh) 风资源影响的移动能源网络发电与航程优化方法和系统
CN113822578A (zh) 一种协同考虑船港综合能源系统的分布式能源管理方法
Avdeev et al. Development Paths for Ship Power Plants in the Context of Digitalization, Decarbonization and the Internet of Things
Wang et al. Integrated optimization of speed schedule and energy management for a hybrid electric cruise ship considering environmental factors
Wang et al. Energy Management Strategy for Diesel–Electric Hybrid Ship Considering Sailing Route Division Based on DDPG
CN115511203A (zh) 基于锂电池荷电状态估计电动船舶航程优化方法及系统
Wen et al. Joint energy management and voyage scheduling for all-electric ships using dynamic real-time electricity price of onshore power
CN114239297A (zh) 计及动态特性的移动能源网络韧性提升方法
Luo et al. Hierarchical robust shipboard hybrid energy storage sizing with three‐layer power allocation
Yu et al. Robust low-carbon discrete berth allocation under uncertainty
Wang et al. A novel bi-level optimization model-based optimal energy scheduling for hybrid ship power system

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