CN115511203B - 基于锂电池荷电状态估计电动船舶航程优化方法及系统 - Google Patents
基于锂电池荷电状态估计电动船舶航程优化方法及系统 Download PDFInfo
- Publication number
- CN115511203B CN115511203B CN202211262984.1A CN202211262984A CN115511203B CN 115511203 B CN115511203 B CN 115511203B CN 202211262984 A CN202211262984 A CN 202211262984A CN 115511203 B CN115511203 B CN 115511203B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- energy storage
- ship
- storage system
- representing
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000004146 energy storage Methods 0.000 claims abstract description 111
- 239000002245 particle Substances 0.000 claims abstract description 18
- 230000010287 polarization Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical class C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 8
- 229910001416 lithium ion Inorganic materials 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 240000007695 Nandina domestica Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供了一种基于锂电池荷电状态估计电动船舶航程优化方法及系统，包括：步骤S1：建立数据、物理混合驱动的锂电池储能系统模型；步骤S2：利用最小二乘法辨识锂电池储能系统模型参数；步骤S3：基于辨识参数后的锂电池储能系统模型，利用无迹卡尔曼滤波器方法进行锂电池荷电状态估算；步骤S4：基于锂电池荷电状态估算，通过粒子群优化方法，对电动船舶航程进行优化；所述锂电池储能系统模型是根据船载锂电池储能的充放电特性，基于戴维宁定理建立的二阶等效模型。
Description
技术领域
本发明涉及能源电力与交通领域交叉融合，具体地，涉及基于锂电池荷电状态估计电动船舶航程优化方法及系统。
背景技术
建设海洋强国是我国的重要战略目标之一，其中，船舶工业是为海洋资源开发、海上航运等海上项目提供技术装备的战略性产业。然而，以柴油为主燃料的传统动力船舶在环保和成本方面具有明显的局限性。在环保方面，以柴油为主动力的传统船舶是海洋温室气体排放的主要源头；在成本方面，随着全球石油资源的减少，燃油价格持续上涨，燃油成本占船舶航行的成本比重不断攀升，燃油成本对航运成本的影响巨大。为应对全球范围的环境保护问题及相关法规，降低船舶运行成本，采用先进的储能技术替代传统的化石能源，建立涵盖大容量动力电池的绿色船舶系统，实现100％电能替代已成为重要的发展趋势。
储能技术在船舶电力系统遭受扰动的瞬间，通过吸收或者放出电能，平衡了船舶电力系统中电力供给与电力负荷需求矛盾，解决了能量在船舶电力系统中的灵活调配问题。近年来，储能元件相关的技术迭代发展迅速，支持储存更多能量，输出更大功率，大规模地将储能元件应用船舶电站符合我国发展战略。在船载储能系统中，蓄电池与超级电容器是主要的两类元件。其中，超级电容虽然响应速度很快，但受自身特性影响，不适用于大容量储能。而由于锂离子电池在蓄电池中有突出的性能，具备高能量密度的显著优点，在电动船舶中得到了广泛的应用。
目前，针对大容量锂电池在船舶电力系统中的应用尚处于起步阶段，鲜有人研究适用于电动船舶的锂电池储能系统荷电状态估计与航程优化。本发明将深入研究递归最小二乘法、无迹卡尔曼滤波器以及粒子群优化算法，在建立大容量船舶动力电池数学模型后，设计和实现船载锂电池模型参数识别与荷电状态评估；考虑船舶的实际运行场景，结合电池储能系统出力和船舶负荷特性，提出一种计及锂电池荷电状态的航程优化方法，在保证电动船舶安全、准时抵达港口的同时，提升船舶能源利用效率，提升船舶运行经济性，降低碳排放。
王绍远，胡斌，王良秀，吴国栋.基于卡尔曼滤波法的船用磷酸铁锂电池SOC仿真估算[J].船舶工程,2022,44(2):89-93.DOI:10.13788/j.cnki.cbgc.2022.02.15.该文献针对已应用于船舶的磷酸铁锂电池包，根据其充放电性能测试数据，选择一种合适的电池模型对其电池单体进行建模与仿真。对卡尔曼滤波算法进行理论分析，并采用该算法对已建立的电池模型进行单体电池荷电状态(SOC)估算，采用 MATLAB/Simulink软件进行算法仿真验证。仿真结果表明，卡尔曼滤波法对SOC的估算精度较高，对初值依赖小，自适应能力强，但对电池模型精度要求较高。该文献与本发明相比，该文献基于扩展卡尔曼滤波方法，提出了一种船用磷酸铁锂电池荷电状态估计方法。该方法基于锂电池储能一阶模型，未考虑储能损耗影响，也未考虑船舶航程优化。本发明考虑了储能损耗影响，储能模型更符合实际运行情况，基于锂电池荷电状态，对船舶航程进行了优化，保证船舶安全到港的同时，可以延长储能寿命，提升船舶能源利用效率。
李宁，何复兴，马文涛，蒋林，张小平.基于经验模态分解的门控循环单元神经网络的锂离子电池荷电状态估计[J].电工技术学报，2022,37(17):4528-4536.DOI：10.19595/j.cnki.1000-6753.tces.211069.该文献中的锂离子电池荷电状态(SOC) 估计技术是电动汽车电池监测系统(BMS)设计的重要组成部分。该文提出一种基于经验模态分解(EMD)的门控循环单元(GRU)神经网络的锂离子电池荷电状态估计方法，在GRU估计SOC的基础上，引入EMD算法分解放电电流，不仅提高GRU模型对长时间电流信号保持长期信息的能力，而且提高锂离子电池荷电状态估计精度。仿真实验表明，与传统的循环神经网络和长短期记忆网络相比，该文所提基于 EMD-GRU方法的锂离子电池SOC估计平均绝对误差为1.509 3％，同比降低了20.792 4％。该文献与本发明相比，该文献提出一种基于经验模态分解的门控循环单元神经网络的锂离子电池荷电状态估计方法，在门控循环单元神经网络估计荷电状态的基础上，引入经验模态分解算法分解放电电流，提高了估计精度。但该文献是基于纯数据驱动的方法，未考虑锂电池物理模型。本发明兼顾物理和数据模型，提出了混合驱动模型，并基于非线性卡尔曼滤波方法对船载储能进行了状态估算，既保证了储能状态估计的准确度也更加贴合储能系统实际运行。
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基于锂电池荷电状态估计电动船舶航程优化方法及系统。
根据本发明提供的一种基于锂电池荷电状态估计电动船舶航程优化方法，包括：
步骤S1：建立数据、物理混合驱动的锂电池储能系统模型；
步骤S2：利用最小二乘法辨识锂电池储能系统模型参数；
步骤S3：基于辨识参数后的锂电池储能系统模型，利用无迹卡尔曼滤波器方法进行锂电池荷电状态估算；
步骤S4：基于锂电池荷电状态估算，通过粒子群优化方法，对电动船舶航程进行优化；
所述锂电池储能系统模型是根据船载锂电池储能的充放电特性，基于戴维宁定理建立的二阶等效模型。
优选地，所述锂电池储能系统模型是由受控源U0、欧姆电阻R0、R1C1并联网络与R2C2并联网络串联而成；
其中，I表示负载电流；U1表示R1C1并联网络的端电压；U2表示R2C2并联网络的端电压；R1表示电化学极化内阻；C1表示电化学极化电容；R2表示浓度极化电阻；C2表示浓度极化电容；UL表示负载电压；R0表示欧姆电阻；U0表示锂电池开路电压；U0(t) 表示锂电池在t时刻的开路电压，Uo(t)＝Uo(SOC(t))；SOC(t)表示锂电池在t时刻的荷电状态。
优选地，所述步骤S2采用：
步骤S2.1：将锂电池储能系统模型进行离散化，假设时域中锂电池储能系统模型输出为y(t)，则：
y(t)＝UL(t)-Uo(t)＝-U1(t)-U2(t)-I(t)R0 (2)
步骤S2.2：对时域中锂电池储能系统模型输出做拉普拉斯变化，则：
y(s)＝UL(s)-Uo(s) (3)
步骤S2.3：将双线性变换其中，T表示锂电池储能系统采样周期，得到：
步骤S2.4：定义锂电池储能系统等效模型参数为θi(i＝1,2,…,5)，则：
通过公式(10)的变量代换得到：
yk＝θ1Ek-1+θ2Ek-2+θ3Ik+θ4Ik-1+θ5Ik-2 (8)
其中，Ek-1表示k-1次电动势，Ek-2表示k-2次电动势，Ik表示k次电流，Ik-1表示 k-1次电流，Ik-2表示k-2次电流；
利用历史数据迭代求解锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5，基于锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5计算得到电路参数R0、R1、C1、R2、C2。
优选地，所述步骤S3采用：
步骤S3.1：由于锂电池输入、输出分布均值与方差均无线性传递性，因此，状态空间方程和测量方程为：
Xk＝f(Xk-1,Uk)+ωk (9)
Zk＝h(Xk)+vk (10)
其中，f表示非线性的转换函数，h表示非线性的观测函数，ωk和vk分别表示过程噪声和观测噪声；
步骤S3.2：无迹卡尔曼滤波器通过引入西格玛点和变换后近似概率分布的性质解决非线性传递问题，在锂电池储能系统模型基础上，，选择状态向量 Xk＝[SOC(k),U1(k),U2(k)]T以及测量向量Zk＝[UL(k)]T；
步骤S3.3：根据状态向量Xk＝[SOC(k),U1(k),U2(k)]T、测量向量Zk＝[UL(k)]T以及锂电池储能系统模型估算锂电池荷电状态；
UL(k)＝Uo(SOC(k))-U1(k)-U2(k)-R0I(k)+v(k) (11)。
优选地，所述步骤S4采用：基于估算的锂电池荷电状态，在满足预设到港时间以及预设锂电池荷电状态约束的情况下，利用粒子群优化方法，以船舶电力推进系统的能量最大化为目标，优化调节船速，实现航程优化；
目标函数定义为：
其中，E表示船舶电力推进系统的能量；k表示航段数，，k∈{0,1,…,kmax}，(符号表示向下取整)，tmax表示到港期限，Δt表示时间间隔；Wk表示船舶电力推进系统在k航段的能量；Ω1表示[0,1]变量，取1时代表锂电池荷电状态为0，否则取0；Ω2为[0,1]变量取1时代表船舶已经到达港口，否则取0；ta表示船舶航行总时间；
其中，Pk表示船舶在k航段电力推进系统功率，c1、c2表示与船体阻力有关的系数，在航行过程中，假设船体结构、海上气象环境保持恒定，则系数c1和c2为常数；Vk表示在船舶在k航段时的船速；
由于在航程优化中考虑了锂电池的荷电状态，则：
其中，E(t)表示船舶电力推进系统在t时刻的能量；Emax表示船舶电力推进系统所需最大能量；Pk(t)表示船舶电力推进系统在t时刻的功率。
根据本发明提供的一种基于锂电池荷电状态估计电动船舶航程优化系统，包括：
模块M1：建立数据、物理混合驱动的锂电池储能系统模型；
模块M2：利用最小二乘法辨识锂电池储能系统模型参数；
模块M3：基于辨识参数后的锂电池储能系统模型，利用无迹卡尔曼滤波器方法进行锂电池荷电状态估算；
模块M4：基于锂电池荷电状态估算，通过粒子群优化方法，对电动船舶航程进行优化；
所述锂电池储能系统模型是根据船载锂电池储能的充放电特性，基于戴维宁定理建立的二阶等效模型。
优选地，所述锂电池储能系统模型是由受控源U0、欧姆电阻R0、R1C1并联网络与R2C2并联网络串联而成；
其中，I表示负载电流；U1表示R1C1并联网络的端电压；U2表示R2C2并联网络的端电压；R1表示电化学极化内阻；C1表示电化学极化电容；R2表示浓度极化电阻；C2表示浓度极化电容；UL表示负载电压；R0表示欧姆电阻；U0表示锂电池开路电压；U0(t) 表示锂电池在t时刻的开路电压，Uo(t)＝Uo(SOC(t))；SOC(t)表示锂电池在t时刻的荷电状态。
优选地，所述模块M2采用：
模块M2.1：将锂电池储能系统模型进行离散化，假设时域中锂电池储能系统模型输出为y(t)，则：
y(t)＝UL(t)-Uo(t)＝-U1(t)-U2(t)-I(t)R0 (2)
模块M2.2：对时域中锂电池储能系统模型输出做拉普拉斯变化，则：
y(s)＝UL(s)-Uo(s) (3)
模块M2.3：将双线性变换其中，T表示锂电池储能系统采样周期，得到：
模块M2.4：定义锂电池储能系统等效模型参数为θi(i＝1,2,…,5)，则：
通过公式(10)的变量代换得到：
yk＝θ1Ek-1+θ2Ek-2+θ3Ik+θ4Ik-1+θ5Ik-2 (8)
其中，Ek-1表示k-1次电动势，Ek-2表示k-2次电动势，Ik表示k次电流，Ik-1表示 k-1次电流，Ik-2表示k-2次电流；
利用历史数据迭代求解锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5，基于锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5计算得到电路参数R0、R1、C1、R2、C2。
优选地，所述模块M3采用：
模块M3.1：由于锂电池输入、输出分布均值与方差均无线性传递性，因此，状态空间方程和测量方程为：
Xk＝f(Xk-1,Uk)+ωk (9)
Zk＝h(Xk)+vk (10)
其中，f表示非线性的转换函数，h表示非线性的观测函数，ωk和vk分别表示过程噪声和观测噪声；
模块M3.2：无迹卡尔曼滤波器通过引入西格玛点和变换后近似概率分布的性质解决非线性传递问题，在锂电池储能系统模型基础上，，选择状态向量 Xk＝[SOC(k),U1(k),U2(k)]T以及测量向量Zk＝[UL(k)]T；
模块M3.3：根据状态向量Xk＝[SOC(k),U1(k),U2(k)]T、测量向量Zk＝[UL(k)]T以及锂电池储能系统模型估算锂电池荷电状态；
UL(k)＝Uo(SOC(k))-U1(k)-U2(k)-R0I(k)+v(k) (11)。
优选地，所述模块M4采用：基于估算的锂电池荷电状态，在满足预设到港时间以及预设锂电池荷电状态约束的情况下，利用粒子群优化方法，以船舶电力推进系统的能量最大化为目标，优化调节船速，实现航程优化；
目标函数定义为：
其中，E表示船舶电力推进系统的能量；k表示航段数，，k∈{0,1,…,kmax}，(符号表示向下取整)，tmax表示到港期限，Δt表示时间间隔；Wk表示船舶电力推进系统在k航段的能量；Ω1表示[0,1]变量，取1时代表锂电池荷电状态为0，否则取0；Ω2为[0,1]变量取1时代表船舶已经到达港口，否则取0；ta表示船舶航行总时间；
其中，Pk表示船舶在k航段电力推进系统功率，c1、c2表示与船体阻力有关的系数，在航行过程中，假设船体结构、海上气象环境保持恒定，则系数c1和c2为常数；Vk表示在船舶在k航段时的船速；
由于在航程优化中考虑了锂电池的荷电状态，则：
其中，E(t)表示船舶电力推进系统在t时刻的能量；Emax表示船舶电力推进系统所需最大能量；Pk(t)表示船舶电力推进系统在t时刻的功率。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于锂电池工作机理与实际运行数据，建立了考虑储能损耗的机理数据混合等效模型，并利用递推最小二乘法对锂电池储能系统进行关键参数的辨识；
2、本发明基于建立的等效模型，提出了基于无迹卡尔曼滤波方法的储能系统状态估计方法，率先完成了船载锂电池储能系统的荷电状态估计，可提高船载储能系统的安全性；
3、本发明根据储能荷电状态估计，对电动船舶航程进行优化，不仅可以保证船舶安全、准时到港，同时可以充分发挥储能系统的优势，通过更加合理的能源利用，可延长储能寿命，提升船舶运行经济性；
4、本发明结合实际航程，基于锂电池荷电状态估计，利用粒子群优化方法，对电动船舶航程进行优化，实现了电动船舶安全、低碳、经济航行。
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为锂电池储能二阶等效模型示意图。
图2为计及荷电状态估计的航程优化方法流程图。
图3为计及荷电状态的船舶航程优化示意图。
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。
实施例1
本发明的目的在于面向以锂电池储能为主动力的电动船舶，提供一种计及储能荷电状态估计的船舶航程优化方法LNG，综合考虑电气化船舶航程与能量管理时空耦合特性，以期提高电动船舶能源利用效率的同时，保证船舶安全性，提升经济性和环境友好性。
本发明提供了一种基于锂电池荷电状态估计的电动船舶航程优化方法，如图2所示，本发明建立了符合船舶特点的锂电池储能系统数据物理混合模型，并利用递推最小二乘法对锂电池储能系统的关键参数进行了有效辨识，结合锂电池充放电特性，基于无迹卡尔曼滤波方法，提出了船载储能系统荷电状态评估方法，基于估算的锂电池荷电状态，在满足预设到港时间以及预设锂电池荷电状态约束的情况下，利用粒子群优化方法，以船舶电力推进系统的能量最大化为目标，优化调节船速，实现航程优化，既保障了船舶运行安全，也提高了船舶运行经济性。其中，预设锂电池荷电状态约束包括：到达目的港口后电动船舶剩余电量不得少于预设值。
所述建立了符合船舶特点的锂电池储能系统数据物理混合模型是基于数据物理混合驱动的船载锂电池储能系统模型；
锂电池的作用机理为通过两级的电化学反应使得锂离子在正负两极之间发生转移，从而使得电池获得电势差。本发明综合考虑锂电池储能系统内部的复杂性、非线性和老化等影响因素，基于戴维宁定理，建立了二阶等效模型，如图1所示。
由图1所知，锂电池储能系统等效模型由受控源U0、欧姆电阻R0、R1C1并联网络与R2C2并联网络四者串联而成，具体关系如下所示：
其中，I为负载电流，UL为负载电压，U1为R1C1并联网络的端电压，U2为R2C2并联网络的端电压，R1为电化学极化内阻，C1为电化学极化电容，R2为浓度极化电阻，C2为浓度极化电容，R0为欧姆电阻，U0为锂电池开路电压，U0(t)为锂电池在t时刻的开路电压，Uo(t)＝Uo(SOC(t))，SOC(t)为锂电池在t时刻的荷电状态。
为对R0，R1，C1，R2，C2进行准确辨识，本发明采用递推最小二乘法对船载储能系统模型参数进行辨识，辨识过程具体如下：
首先将锂电池储能系统模型进行离散化，假设时域中模型输出为y(t)，则有式(2)：
y(t)＝UL(t)-Uo(t)＝-U1(t)-U2(t)-I(t)R0 (2)
对式(2)做拉普拉斯变换则得到：
y(s)＝UL(s)-Uo(s) (3)
将双线性变换其中T为系统采样周期，得到：
为简化模型，定义模型参数为θi(i＝1,2,…,5)，并通过式(7)的变量代换：
于是得到：
yk＝θ1Ek-1+θ2Ek-2+θ3Ik+θ4Ik-1+θ5Ik-2 (8)
因此，在求解出模型参数θ1，θ2，θ3，θ4，θ5，即可反推得到电路参数 R0、R1、C1、R2、C2。
所述基于无迹卡尔曼滤波方法，提出了船载储能系统荷电状态评估方法包括：
本发明基于非线性卡尔曼滤波器，对船载锂电池储能系统进行荷电状态估算。由于锂电池输入、输出分布均值与方差均无线性传递性，故状态空间方程和测量方程形式为式(9)和(10)：
Xk＝f(Xk-1,Uk)+ωk (9)
Zk＝h(Xk)+vk (10)
其中，为n维状态向量，为1维控制向量，为m维观测向量。f为非线性的转换函数，h为非线性的观测函数，ωk和vk分别为过程噪声和观测噪声。
无迹卡尔曼滤波器解决非线性荷电状态估计问题的核心思想在于：在概率分布上作近似，基于U变换，从输入变量的概率分布中采样一些点，称为西格玛点(Sigma)，所有西格玛点构成点集S。把点集S作为输入，经过非线性变换，得到变换后的点集S'，变换后的S'可近似认为描述了变量的概率分布，故可采用加权求和的方法近似计算出变量的规律。对于西格玛点的选取目前存在着各种不同的策略，本发明采取的是对称采样，即以n维输入分布X的均值为中心，对称选取2n+1个点，设方差为PX，西格玛点为χi：
其中，n代表维度，λ是一个人为设定的参数，一般取λ＝3-n比较好，其中的下标i表示矩阵的第i列。各西格玛点的均值权重Wi (m)和方差权重Wi (c)为：
进而为了得到输出的统计分布，将西格玛点作非线性变换f,相应输出点为yi：
yi＝f(χi) (13)
对输出分布y作正态分布的近似，其均值和方差Py为：
通过上述变换后，能够较为准确的得到输出近似概率密度分布均值和方差。而无迹卡尔曼滤波器对噪声的处理方法有拓展法和非拓展法两种，本项目主要研究为非拓展法。
无迹卡尔曼滤波器的框架仍然为预测和更新两个阶段，在预测阶段，无迹卡尔曼滤波器按式(11)取西格玛点χk-1,i，下标的k-1意味着西格玛点取自k-1时刻的状态分布， i表示第i个西格玛点。基于式(9)得到变换后的西格玛点：
变换后，对各点进行加权求和，得到状态估计及协方差矩阵Pk|k-1：
在式(16)基础上，再次取西格玛点经过非线性变换h(·):
同样经过加权求和计算系统观测值的估计值：
在更新阶段中，首先计算协方差矩阵
之后计算系统观测的方差矩阵：
计算卡尔曼增益：
更新系统状态：
状态后验方差矩阵：
综上，无迹卡尔曼滤波器通过引入西格玛点和变换后近似概率分布的性质解决了非线性传递的问题。本发明在锂电池二阶等效电路模型基础上，选择系统状态向量 Xk＝[SOC(k),U1(k),U2(k)]T，测量向量Zk＝[UL(k)]T，基于公式(1)，可得到式(24) 与式(25)：
UL(k)＝Uo(SOC(k))-U1(k)-U2(k)-R0I(k)+v(k) (25)
其中，τ1＝R1C1,τ2＝R2C2，τ1和τ2分别为二阶等效电路中两个RC回路的时间常数。η是电池的充放电效率，Qe为电池总容量。
结合上述过程，可实现对船载锂电池储能系统荷电状态估算。
所述并基于储能荷电状态，提出了电动船舶的航程优化方法采用：
电动船舶的航程优化问题主要是在给定剩余航程与电池剩余荷电状态的情况下，综合考虑船舶的负荷模型，为未来的航速极化提供决策，达到最大的船舶推进负荷。在这个问题中，需要考虑到港约束和荷电状态约束。
到港约束考虑的是船舶能否在规定时间内到达目的地港口。有两种情况会破坏这个约束，一是航程速度设置过快，导致船舶在中途耗尽了所有的储能电量，船舶缺少推进动力源，滞留在海域上无法行动，导致严重的安全事故。二是航行速度设置过慢，导致船舶航行时间长，无法在规定时间到港，造成航程延误，可能带来一定的经济损失。
荷电状态约束考虑的是船舶航行过程中船载锂电池荷电状态能否保持在一定的水平以上，以保证锂电池高效、安全运行，间接延长锂电池的工作寿命。
为了实现这一目标，本方案以满足准时到港与锂电池荷电状态需求为前提，希望通过优化调节船速，实现航程优化，其目标函数定义为：
其中，E代表船舶电力推进系统的能量；k代表航段数，，k∈{0,1,…,kmax}，(符号表示向下取整)，tmax代表到港期限，Δt为时间间隔；Wk为船舶电力推进系统在k航段的能量；Ω1为[0,1]变量，取1时代表锂电池荷电状态为0，否则取0；Ω2为[0,1]变量取1时代表船舶已经到达港口，否则取0。ta代表船舶航行总时间。
其中，Pk为船舶在k航段电力推进系统功率，c1、c2是与船体阻力有关的系数，在航行过程中，假设船体结构、海上气象环境等保持恒定，则系数c1和c2为常数。Vk在船舶在k航段时的船速。
由于本方案在航程优化中考虑了锂电池的荷电状态，其关系可表达为:
其中，E(t)代表船舶电力推进系统在t时刻的能量，Emax代表船舶电力推进系统所需最大能量，Pk(t)代表船舶电力推进系统在t时刻的功率。
为了优化电动船舶航程，本方案采用粒子群优化算法对船速进行优化求解，求解过程具体为：
1)随机生成粒子数为N的种群P；
2)初始化粒子群优化变量，优化变量包括不同航段内的船速Vk；
3)基于适应度函数即船舶电力推进系统的最大能量供给(公式26)，确定粒子群个体最优值pbest和群体最优极值gbest；
4)基于船舶航程与锂电池荷电状态约束条件，更新粒子群速度和位置产生新一代粒子；
5)对更新的粒子进行全局搜索并更新个体极值pbest和全体极值gbest；
6)判断是否满足终止条件，若满足则停止搜索，否则返回步骤4；
7)输出计及储能荷电状态下的电动船舶最佳航程方案。
本发明提供的基于锂电池荷电状态估计电动船舶航程优化系统，可以通过本发明提供的基于锂电池荷电状态估计电动船舶航程优化方法中的步骤流程实现。本领域技术人员，可以将所述基于锂电池荷电状态估计电动船舶航程优化方法理解为基于锂电池荷电状态估计电动船舶航程优化系统的一个优选例。
实施例2
实施例2是实施例1的优选例
本发明依托国家自然基金项目“计及全电力船舶行为决策的海上移动能源网络协同优化运行理论及关键技术”,提出了一种计及锂电池荷电状态估计的电动船舶航程优化方法。
以南京到南通某内河航线为测试用例，电动船舶途经6个港口，总航线长143海里。为确保船舶航行的安全性，船舶最大航速为12海里/小时。到港期限时间(tmax)为20 小时，航速调节间隔(Δt)为1小时，km＝tmax/Δt＝20。电池组总容量(Emax)为7MWh，初始荷电状态SOC0＝80％，最小SOC为SOCmin＝35.0％。电力推进系统系数c1和c2分别取0.0003和3。为验证方案的有效性，对比分析三种不同算例。
算例1：全程恒定全速推进
由于电力推进系统所需功率与船速呈三次方关系，全速航行导致推进功率过大，电动船舶在航行10.8小时候，在中途耗尽所有能量，无法到达目的地港口，有安全性风险。
算例2：全程恒定低速前进
在算例2中，电动船舶以7.8海里每小时，低速航行，航行总时间为18.3小时，到达港口时荷电状态为42.7％，全程平均推进功率为0.142MW。
在算例2中，电动船舶通过低速航行，可以保证船舶安全到港，但船速过低，导致航行时间过长，也无法保障船载储能工作在最佳荷电状态。
算例3：计及荷电状态的航程优化
采用本发明提出的航程优化模型，可以保证电动船舶满足到港约束和荷电状态约束的情况下，船舶能够更高效率地运行。其航行总时间为17小时，到港时荷电状态为35％，全程平均电力推进功率为0.185MW。优化后的航速曲线如图3所示。
综合以上三个算例，证明了本发明提出的计及荷电状态的航程优化方案的有效性。对比于算例1，优化模型能够避免船舶中途耗尽所有储能，过度放电，无法到港，影响船舶与电池储能系统的安全性。对比于算例2，本发明能够更充分地利用锂电池储能系统，在保证较高SOC水平的前提下，减少船舶到港时间，提高船舶的运行效率。
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、装置及其各个模块以外，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、装置及其各个模块以逻辑门、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程序。所以，本发明提供的系统、装置及其各个模块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程序的模块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模块视为既可以是实现方法的软件程序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 (2)
1.一种基于锂电池荷电状态估计电动船舶航程优化方法，其特征在于，包括：
步骤S1：建立数据、物理混合驱动的锂电池储能系统模型；
步骤S2：利用最小二乘法辨识锂电池储能系统模型参数；
步骤S3：基于辨识参数后的锂电池储能系统模型，利用无迹卡尔曼滤波器方法进行锂电池荷电状态估算；
步骤S4：基于锂电池荷电状态估算，通过粒子群优化方法，对电动船舶航程进行优化；
所述锂电池储能系统模型是根据船载锂电池储能的充放电特性，基于戴维宁定理建立的二阶等效模型；
所述锂电池储能系统模型是由欧姆电阻R0、R1C1并联网络与R2C2并联网络串联而成；
其中，I表示负载电流；U1表示R1C1并联网络的端电压；U2表示R2C2并联网络的端电压；R1表示电化学极化内阻；C1表示电化学极化电容；R2表示浓度极化电阻；C2表示浓度极化电容；UL表示负载电压；R0表示欧姆电阻；Uo表示锂电池开路电压；Uo(t)表示锂电池在t时刻的开路电压，Uo(t)＝Uo(SOC(t))；SOC(t)表示锂电池在t时刻的荷电状态；
所述步骤S2采用：
步骤S2.1：将锂电池储能系统模型进行离散化，假设时域中锂电池储能系统模型输出为y(t)，则：
y(t)＝UL(t)-Uo(t)＝-U1(t)-U2(t)-I(t)R0(2)
步骤S2.2：对时域中锂电池储能系统模型输出做拉普拉斯变化，则：
y(s)＝UL(s)-Uo(s)(3)
步骤S2.3：将双线性变换其中，T表示锂电池储能系统采样周期，得到：
步骤S2.4：定义锂电池储能系统等效模型参数为θi(i＝1,2,…,5)，则：
通过公式(10)的变量代换得到：
yk＝θ1Ek-1+θ2Ek-2+θ3Ik+θ4Ik-1+θ5Ik-2 (8)
其中，Ek-1表示k-1次电动势，Ek-2表示k-2次电动势，Ik表示k次电流，Ik-1表示k-1次电流，Ik-2表示k-2次电流；
利用历史数据迭代求解锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5，基于锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5计算得到电路参数R0、R1、C1、R2、C2；
所述步骤S3采用：
步骤S3.1：由于锂电池输入、输出分布均值与方差均无线性传递性，因此，状态空间方程和测量方程为：
Xk＝f(Xk-1,Uk)+ωk (9)
Zk＝h(Xk)+vk (10)
其中，f表示非线性的转换函数，h表示非线性的观测函数，ωk和vk分别表示过程噪声和观测噪声；
步骤S3.2：无迹卡尔曼滤波器通过引入西格玛点和变换后近似概率分布的性质解决非线性传递问题，在锂电池储能系统模型基础上，，选择状态向量Xk＝[SOC(k),U1(k),U2(k)]T以及测量向量Zk＝[UL(k)]T；
步骤S3.3：根据状态向量Xk＝[SOC(k),U1(k),U2(k)]T、测量向量Zk＝[UL(k)]T以及锂电池储能系统模型估算锂电池荷电状态；
UL(k)＝Uo(SOC(k))-U1(k)-U2(k)-R0I(k)+v(k) (11)；
所述步骤S4采用：基于估算的锂电池荷电状态，在满足预设到港时间以及预设锂电池荷电状态约束的情况下，利用粒子群优化方法，以船舶电力推进系统的能量最大化为目标，优化调节船速，实现航程优化；
目标函数定义为：
其中，E表示船舶电力推进系统的能量；k表示航段数k∈{0,1,…,kmax}，符号表示向下取整；tmax表示到港期限，Δt表示时间间隔；Wk表示船舶电力推进系统在k航段的能量；Ω1表示[0,1]变量，取1时代表锂电池荷电状态为0，否则取0；Ω2为[0,1]变量取1时代表船舶已经到达港口，否则取0；ta表示船舶航行总时间；
其中，Pk表示船舶在k航段电力推进系统功率，c1、c2表示与船体阻力有关的系数，在航行过程中，假设船体结构、海上气象环境保持恒定，则系数c1和c2为常数；Vk表示在船舶在k航段时的船速；
由于在航程优化中考虑了锂电池的荷电状态，则：
其中，E(t)表示船舶电力推进系统在t时刻的能量；Emax表示船舶电力推进系统所需最大能量；Pk(t)表示船舶电力推进系统在t时刻的功率。
2.一种基于锂电池荷电状态估计电动船舶航程优化系统，其特征在于，包括：
模块M1：建立数据、物理混合驱动的锂电池储能系统模型；
模块M2：利用最小二乘法辨识锂电池储能系统模型参数；
模块M3：基于辨识参数后的锂电池储能系统模型，利用无迹卡尔曼滤波器方法进行锂电池荷电状态估算；
模块M4：基于锂电池荷电状态估算，通过粒子群优化方法，对电动船舶航程进行优化；
所述锂电池储能系统模型是根据船载锂电池储能的充放电特性，基于戴维宁定理建立的二阶等效模型；
所述锂电池储能系统模型是由欧姆电阻R0、R1C1并联网络与R2C2并联网络串联而成；
其中，I表示负载电流；U1表示R1C1并联网络的端电压；U2表示R2C2并联网络的端电压；R1表示电化学极化内阻；C1表示电化学极化电容；R2表示浓度极化电阻；C2表示浓度极化电容；UL表示负载电压；R0表示欧姆电阻；Uo表示锂电池开路电压；Uo(t)表示锂电池在t时刻的开路电压，Uo(t)＝Uo(SOC(t))；SOC(t)表示锂电池在t时刻的荷电状态；
所述模块M2采用：
模块M2.1：将锂电池储能系统模型进行离散化，假设时域中锂电池储能系统模型输出为y(t)，则：
y(t)＝UL(t)-Uo(t)＝-U1(t)-U2(t)-I(t)R0 (2)
模块M2.2：对时域中锂电池储能系统模型输出做拉普拉斯变化，则：
y(s)＝UL(s)-Uo(s)(3)
模块M2.3：将双线性变换其中，T表示锂电池储能系统采样周期，得到：
模块M2.4：定义锂电池储能系统等效模型参数为θi(i＝1,2,…,5)，则：
通过公式(10)的变量代换得到：
yk＝θ1Ek-1+θ2Ek-2+θ3Ik+θ4Ik-1+θ5Ik-2 (8)
其中，Ek-1表示k-1次电动势，Ek-2表示k-2次电动势，Ik表示k次电流，Ik-1表示k-1次电流，Ik-2表示k-2次电流；
利用历史数据迭代求解锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5，基于锂电池储能系统模型参数θ1，θ2，θ3，θ4，θ5计算得到电路参数R0、R1、C1、R2、C2；
所述模块M3采用：
模块M3.1：由于锂电池输入、输出分布均值与方差均无线性传递性，因此，状态空间方程和测量方程为：
Xk＝f(Xk-1,Uk)+ωk (9)
Zk＝h(Xk)+vk (10)
其中，f表示非线性的转换函数，h表示非线性的观测函数，ωk和vk分别表示过程噪声和观测噪声；
模块M3.2：无迹卡尔曼滤波器通过引入西格玛点和变换后近似概率分布的性质解决非线性传递问题，在锂电池储能系统模型基础上，，选择状态向量Xk＝[SOC(k),U1(k),U2(k)]T以及测量向量Zk＝[UL(k)]T；
模块M3.3：根据状态向量Xk＝[SOC(k),U1(k),U2(k)]T、测量向量Zk＝[UL(k)]T以及锂电池储能系统模型估算锂电池荷电状态；
UL(k)＝Uo(SOC(k))-U1(k)-U2(k)-R0I(k)+v(k) (11)；
所述模块M4采用：基于估算的锂电池荷电状态，在满足预设到港时间以及预设锂电池荷电状态约束的情况下，利用粒子群优化方法，以船舶电力推进系统的能量最大化为目标，优化调节船速，实现航程优化；
目标函数定义为：
其中，E表示船舶电力推进系统的能量；k表示航段数k∈{0,1,…,kmax}， 符号表示向下取整；tmax表示到港期限，Δt表示时间间隔；Wk表示船舶电力推进系统在k航段的能量；Ω1表示[0,1]变量，取1时代表锂电池荷电状态为0，否则取0；Ω2为[0,1]变量取1时代表船舶已经到达港口，否则取0；ta表示船舶航行总时间；
其中，Pk表示船舶在k航段电力推进系统功率，c1、c2表示与船体阻力有关的系数，在航行过程中，假设船体结构、海上气象环境保持恒定，则系数c1和c2为常数；Vk表示在船舶在k航段时的船速；
由于在航程优化中考虑了锂电池的荷电状态，则：
其中，E(t)表示船舶电力推进系统在t时刻的能量；Emax表示船舶电力推进系统所需最大能量；Pk(t)表示船舶电力推进系统在t时刻的功率。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211262984.1A CN115511203B (zh) | 2022-10-14 | 2022-10-14 | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 |
| ZA2023/03886A ZA202303886B (en) | 2022-10-14 | 2023-03-28 | Method and system for optimizing electric ship voyage based on state of charge estimation of lithium battery |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211262984.1A CN115511203B (zh) | 2022-10-14 | 2022-10-14 | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115511203A CN115511203A (zh) | 2022-12-23 |
| CN115511203B true CN115511203B (zh) | 2023-08-29 |
Family
ID=84509664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211262984.1A Active CN115511203B (zh) | 2022-10-14 | 2022-10-14 | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115511203B (zh) |
| ZA (1) | ZA202303886B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930772B (zh) * | 2023-09-15 | 2023-11-24 | 东方电子股份有限公司 | 一种考虑边界约束的电池soc估计方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108020791A (zh) * | 2017-12-04 | 2018-05-11 | 上海海事大学 | 一种混合动力船舶磷酸铁锂动力电池组荷电状态估计方法 |
| CN110361652A (zh) * | 2019-06-26 | 2019-10-22 | 河南理工大学 | 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法 |
| CN112668240A (zh) * | 2020-12-30 | 2021-04-16 | 上海交通大学 | 一种基于虚拟储能的全电力船舶经济性调度方法及系统 |
| WO2021079982A1 (ja) * | 2019-10-25 | 2021-04-29 | 本田技研工業株式会社 | 制御装置、保管装置、プログラム、及び、制御方法 |
| CN113158499A (zh) * | 2021-06-28 | 2021-07-23 | 湖北东湖实验室 | 一种纯电池动力船舶综合电力系统的能量管理策略及系统 |
| CN113805062A (zh) * | 2021-08-30 | 2021-12-17 | 西安理工大学 | 锂电池等效电路模型参数在线鲁棒自适应辨识方法 |
| CN114912696A (zh) * | 2022-05-24 | 2022-08-16 | 上海交通大学 | 计及换电与岸电接入的全电力船舶集群路径优化方法 |
-
2022
- 2022-10-14 CN CN202211262984.1A patent/CN115511203B/zh active Active
-
2023
- 2023-03-28 ZA ZA2023/03886A patent/ZA202303886B/en unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108020791A (zh) * | 2017-12-04 | 2018-05-11 | 上海海事大学 | 一种混合动力船舶磷酸铁锂动力电池组荷电状态估计方法 |
| CN110361652A (zh) * | 2019-06-26 | 2019-10-22 | 河南理工大学 | 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法 |
| WO2021079982A1 (ja) * | 2019-10-25 | 2021-04-29 | 本田技研工業株式会社 | 制御装置、保管装置、プログラム、及び、制御方法 |
| CN112668240A (zh) * | 2020-12-30 | 2021-04-16 | 上海交通大学 | 一种基于虚拟储能的全电力船舶经济性调度方法及系统 |
| CN113158499A (zh) * | 2021-06-28 | 2021-07-23 | 湖北东湖实验室 | 一种纯电池动力船舶综合电力系统的能量管理策略及系统 |
| CN113805062A (zh) * | 2021-08-30 | 2021-12-17 | 西安理工大学 | 锂电池等效电路模型参数在线鲁棒自适应辨识方法 |
| CN114912696A (zh) * | 2022-05-24 | 2022-08-16 | 上海交通大学 | 计及换电与岸电接入的全电力船舶集群路径优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于自适应递推最小二乘法与无迹卡尔曼滤波的电池SOC估算;宋轩宇;黄敬尧;段俊强;;电力科学与工程(第12期);第41-48页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202303886B (en) | 2023-05-31 |
| CN115511203A (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chemali et al. | Long short-term memory networks for accurate state-of-charge estimation of Li-ion batteries | |
| Zhang et al. | A deep reinforcement learning-based energy management framework with Lagrangian relaxation for plug-in hybrid electric vehicle | |
| CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
| Zhang et al. | State‐of‐charge estimation of lithium‐ion battery pack based on improved RBF neural networks | |
| CN115511203B (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 | |
| Kamal et al. | Intelligent soft computing-based security control for energy management architecture of hybrid emergency power system for more-electric aircrafts | |
| Cha et al. | Towards a future electric ferry using optimisation-based power management strategy in fuel cell and battery vehicle application—A review | |
| Xin et al. | Optimal energy management of fuel cell hybrid electric vehicle based on model predictive control and on-line mass estimation | |
| Zhao et al. | The li-ion battery state of charge prediction of electric vehicle using deep neural network | |
| Geng et al. | State of charge estimation method for lithium-ion batteries in all-electric ships based on LSTM neural network | |
| Dini et al. | Review on modeling and soc/soh estimation of batteries for automotive applications | |
| Wang et al. | Energy Management Strategy for Diesel–Electric Hybrid Ship Considering Sailing Route Division Based on DDPG | |
| CN117521947B (zh) | 混合动力船舶能效比率优化方法、系统、介质及设备 | |
| Wen et al. | Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model | |
| Pannala et al. | Consistently Tuned Battery Lifetime Predictive Model of Capacity Loss, Resistance Increase, and Irreversible Thickness Growth | |
| Liang et al. | Data-driven state of health monitoring for maritime battery systems–a case study on sensor data from ships in operation | |
| CN112183866A (zh) | 一种短时风速超越概率的预测方法及系统 | |
| Li et al. | Status and Prospects of Research on Lithium-Ion Battery Parameter Identification | |
| Channegowda et al. | An attention‐based synthetic battery data augmentation technique to overcome limited dataset challenges | |
| Min et al. | A Data-Driven MPC Energy Optimization Management Strategy for Fuel Cell Distributed Electric Propulsion UAV | |
| Ye et al. | Optimal Energy Efficiency Management Strategy for All-Electric Shipboard Microgrid | |
| CN111680410A (zh) | 基于混成式非序贯蒙特卡洛改进法的舰船ips风险评估方法 | |
| Hametner et al. | Model based lithium ion cell ageing data analysis | |
| Liu et al. | A Speed Prediction Method of Electric Propulsion Ship Based on GA-Elman Neural Network | |
| Nie et al. | Adaptive fuzzy energy management strategy for range‐extended electric vehicles integrated with deep learning |
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 |