CN115933388A - 一种风能混合动力船舶能效多源协同优化系统和优化方法 - Google Patents
一种风能混合动力船舶能效多源协同优化系统和优化方法 Download PDFInfo
- Publication number
- CN115933388A CN115933388A CN202211493876.5A CN202211493876A CN115933388A CN 115933388 A CN115933388 A CN 115933388A CN 202211493876 A CN202211493876 A CN 202211493876A CN 115933388 A CN115933388 A CN 115933388A
- Authority
- CN
- China
- Prior art keywords
- ship
- energy efficiency
- optimal
- wind
- collaborative optimization
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Y02T70/00—Maritime or waterways transport
- Y02T70/50—Measures to reduce greenhouse gas emissions related to the propulsion system
- Y02T70/5218—Less carbon-intensive fuels, e.g. natural gas, biofuels
- Y02T70/5236—Renewable or hybrid-electric solutions
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种风能混合动力船舶能效多源协同优化系统和优化方法,包括:风帆‑柴油机‑轴带发电机混合动力系统单元、数据采集与存储模块、能效多源协同优化决策模块、人机交互模块和混合动力系统优化控制模块;数据采集与存储模块将采集到的数据传输至能效多源协同优化决策模块,能效多源协同优化决策模块建立混合动力船舶能效多源协同优化模型并基于能效多源协同优化决策算法计算出船舶运行参数的最佳值,混合动力系统优化控制模块根据计算出的最佳值对船舶整体能效进行实时多源协同优化控制,以保证船舶混合动力系统始终运行在最佳工况点,从而提高风能的利用效率以及船舶的综合能效水平,降低了风翼助航船舶的整体能耗。
Description
技术领域
本发明涉及船舶风能应用及能效优化管理领域,尤其涉及一种风能混合动力船舶能效多源协同优化系统和优化方法。
背景技术
在风翼助航船舶运行过程中,船舶航速、风翼攻角、主机转速和轴带发电机的运行状态等都会影响船舶的能效水平,并且主机转速、风翼攻角、舵角及轴带发电机运行状态的运营决策与优化控制是相互关联和相互影响的,一种能量源的运行状态最佳并不能使得整个混合动力系统能效最佳,因此,风翼助航船舶的能效水平提升的关键在于对海洋风力资源的最大化应用,也就是基于海洋风力资源的分析与应用,通过风帆-柴油机-轴带发电机混合动力系统的协同优化控制来降低船舶能耗。然而,现有的风翼助航船舶的风翼控制系统、能效管理系统、电力控制系统是彼此独立的系统,无法实现风能混合动力船舶能效的多源协同优化控制,风能利用效率以及船舶的能效水平处于较低的状态,导致船舶的能耗较高,同时温室气体排放污染严重。
发明内容
本发明提供一种风能混合动力船舶能效多源协同优化系统和优化方法,以克服现有风翼助航船舶的风翼控制系统、能效管理系统和电力控制系统彼此独立,导致船舶能效水平低,能耗较高的问题。
为了实现上述目的,本发明的技术方案是:
一种风能混合动力船舶能效多源协同优化系统,包括:
风帆-柴油机-轴带发电机混合动力系统单元;所述风帆-柴油机-轴带发电机混合动力系统单元包括:风翼、主柴油机、轴带发电机和柴油发电机,所述风帆-柴油机-轴带发电机混合动力系统单元中的轴带发电机和柴油发电机的输出端与用电设备连接,且配有多个传感器用于检测实时数据,所述实时数据包括船舶营运数据、通航环境数据和船舶能耗数据;
数据采集与存储模块;所述数据采集与存储模块包括风翼运行数据采集单元、主机运行参数采集单元、轴带发电机数据采集单元和船舶能耗数据采集单元,所述数据采集与存储模块的输入端与所述风帆-柴油机-轴带发电机混合动力系统单元的传感器连接,以接收所述风帆-柴油机-轴带发电机混合动力系统单元中的传感器收集到的实时数据并进行清洗预处理;
能效多源协同优化决策模块;所述能效多源协同优化决策模块的输入端与所述数据采集与存储模块的输出端相连,以接收清洗预处理后的数据,并基于混合动力船舶能效多源协同优化模型以及能效多源协同优化决策算法,计算出最佳数据,所述最佳数据包括:最佳风翼攻角、最佳航速、最佳航线以及最佳轴带发电功率;
人机交互模块;所述人机交互模块包括:显示单元、用户管理单元和操作控制单元;所述人机交互模块与所述数据采集与存储模块和所述能效多源协同优化决策模块的输出端相连,以获取并显示由所述数据采集与存储模块采集到的所述实时数据,以及由所述能效多源协同优化决策模块处理后的所述最佳数据;
混合动力系统优化控制模块;所述混合动力系统优化控制模块包括:风翼攻角控制器、主机转速控制器、轴带功率控制器和舵角控制器;所述混合动力系统优化控制模块的输入端与所述能效多源协同优化决策模块以及人机交互模块的输出端相连,输出端与所述风帆-柴油机-轴带发电机混合动力系统单元相连,以接收来自于能效多源协同优化决策模块所得数据或人机交互模块的控制指令,并通过所述多个控制器分别控制风翼攻角、船舶航速、轴带发电功率和船舶航线。
进一步地,所述混合动力船舶能效多源协同优化模型以船舶航次总油耗为目标函数,以航行时间为约束条件,以各航段对应的船舶航行速度、航行位置、轴带发电功率和风翼攻角为优化变量,表示为:
nmin<ni<nmax,i=(1,…,M); (3)
Vmin<VS,i<Vmax,i=(1,…,M); (4)
αmin<αi<αmax,i=(1,…,M); (5)
公式(1)至(6)中:Qtotal表示船舶航次总油耗;M表示航段数量;i表示第i个航段;α表示风翼攻角;VS为船舶航行速度;va表示相对风速;δA表示浪高;Pshaft为轴带发电机功率;Qaux为船舶单位航行距离发电柴油机的油耗;S表示航行距离;Ttotal表示总航行时间;Tlimit表示航行时间限制要求;n为主柴油机的转速。
进一步地,所述能效多源协同优化算法采用PSO算法,实现方式为:
初始化N个3M维粒子,1至M维粒子表示不同航段对应的航行速度,M+1至2M维粒子表示不同航段对应的航行位置,2M+1至3M维粒子表示不同航段对应的轴带发电功率,根据相对风向通过插值法获得最佳风翼攻角,通过公式(1)计算每个粒子的适应度值,通过比较适应度值获得个体最优值和群体最优值;更新每个粒子的速度和位置,更新方法采用如下公式:
Vk+1=w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk); (7)
Xk+1=Xk+Vk+1; (8)
w=wmax-(wmax-wmin)·itercurrent/itermax; (9)
公式(7)至(9)中:V表示粒子的速度;k表示当前迭代次数;pbest表示个体最优值;X表示粒子的位置;gbest表示群体最优值;c1和c2表示学习因子;r1和r2是随机数;w是惯性权重;wmax表示最大惯性因子;wmin表示最小惯性因子;itercurrent表示当前迭代次数;itermax表示最大迭代次数;
计算满足公式(2)至(6)中约束条件的每个粒子的适应度值,并更新个体最优值和群体最优值;迭代运算至最大迭代次数,得到优化后的不同航段的最佳船舶航速、最佳航行位置、最佳轴带发电功率和最佳风翼攻角。
进一步地,一种风能混合动力船舶能效多源协同优化方法,包括以下步骤:
S1、所述数据采集与存储模块获取船舶营运数据、通航环境数据和船舶能耗数据,并通过服务器传输至所述能效多源协同优化决策模块;
S2、所述能效多源协同优化决策模块根据接收到的所述船舶营运数据、通航环境数据和船舶能耗数据,分析得到时间和空间两个维度的船舶航行环境、船舶运行工况和船舶能效的分布特征;
S3、所述能效多源协同优化决策模块根据所述分布特征,建立基于时空多变航行环境信息的混合动力船舶能效多源协同优化模型,以及基于模型预测理论和群智能求解方法的能效多源协同优化决策算法;
S4、所述能效多源协同优化决策算法自动实现所述混合动力船舶能效多源协同优化模型的在线滚动优化求解,从而实时计算出复杂海况下船舶的最佳航线、最佳航速、最佳风翼攻角和最佳轴带发电功率;
S5、所述混合动力系统优化控制模块根据计算出的所述最佳值,对船舶航线、船舶航速、风翼攻角和轴带发电功率进行实时多源协同优化控制,使船舶混合动力系统始终运行在最佳工况点。
进一步地,所述步骤S1中的所述船舶营运数据包括船舶的航次计划、航程、航期和船舶吃水;所述通航环境数据包括风、流、涌、浪状态数据;所述船舶能耗数据包括主机油耗、转速、功率和风翼攻角。
进一步地,所述步骤S3中的能效多源协同优化算法采用PSO算法,包括以下步骤:
S31、初始化N个3M维粒子,1至M维粒子表示不同航段对应的航行速度,M+1至2M维粒子表示不同航段对应的航行位置,2M+1至3M维粒子表示不同航段对应的轴带发电功率,根据相对风向通过插值法获得最佳风翼攻角,通过公式(1)计算每个粒子的适应度值,通过比较适应度值获得个体最优值和群体最优值;
S32、更新每个粒子的速度和位置,更新方法采用如下公式:
Vk+1=w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk); (10)
Xk+1=Xk+Vk+1; (11)
w=wmax-(wmax-wmin)·itercurrent/itermax; (12)
公式(10)至(12)中:V表示粒子的速度;k表示当前迭代次数;pbest表示个体最优值;X表示粒子的位置;gbest表示群体最优值;c1和c2表示学习因子;r1和r2是随机数;w是惯性权重;wmax表示最大惯性因子;wmin表示最小惯性因子;itercurrent表示当前迭代次数;itermax表示最大迭代次数;
S33、计算满足公式(2)至(6)中约束条件的每个粒子的适应度值,并更新个体最优值和群体最优值;
S34、重复步骤S32和S33,迭代运算至最大迭代次数,得到优化后的不同航段的最佳船舶航速、最佳航行位置、最佳轴带发电功率和最佳风翼攻角
有益效果:本发明通过将风翼、柴油机和轴带发电系统进行融合,建立一种风能混合动力船舶能效多源协同优化系统,在最大化应用风力资源的同时,通过实时控制风翼攻角、航速、航线和轴带发电功率等参数为最佳值,保证混合动力系统始终运行在最佳工况点,从而提高风能的利用效率以及船舶的综合能效水平,降低了风翼助航船舶的整体能耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明风能混合动力船舶能效多源协同优化系统结构示意图;
图2为本发明风能混合动力船舶能效多源协同优化模型建立过程示意图;
图3为本发明能效多源协同优化决策算法流程示意图;
图4为本发明混合动力系统优化控制模块实现过程示意图;
图5为本发明风能混合动力船舶能效多源协同优化方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例提供了一种风能混合动力船舶能效多源协同优化系统,包括:风帆-柴油机-轴带发电机混合动力系统单元、数据采集与存储模块、能效多源协同优化决策模块、人机交互模块和混合动力系统优化控制模块。
具体地,如图1所示,风帆-柴油机-轴带发电机混合动力系统单元的输出端与数据采集与存储模块的输入端连接,数据采集与存储模块的输出端与能效多源协同优化决策模块的输入端连接,能效多源协同优化决策模块的输出端与混合动力系统优化控制模块的输入端连接,同时混合动力系统优化控制模块的输出端与风帆-柴油机-轴带发电机混合动力系统单元的输入端连接,形成数据循环闭合链路;另外人机交互模块的输入端与数据采集与存储模块、能效多源协同优化决策模块的输出端分别连接,人机交互模块的输出端与混合动力系统优化控制模块的输入端连接,以实现人机交互,使工作人员能够实时控制整个风能混合动力船舶能效多源协同优化系统。能效多源协同优化决策模块基于数据采集与存储模块获取的数据进行决策,获得最佳航速、航线、风翼攻角和轴带发电功率结果,并将其同步给人机交互模块,经混合动力系统优化控制模块实现风翼攻角、主机转速、轴带功率和舵角的实时控制。
具体地,风帆-柴油机-轴带发电机混合动力系统单元由风翼、主柴油机、轴带发电机和柴油发电机组成,通过在船舶上加装伸缩可升降式风翼助推系统,可实现不同航行条件下及运行工况下风翼与柴油机的优势互补,风翼与主机的控制可在驾驶台或机舱集控室实现,当航行环境满足风翼使用条件时,便升起风翼,降低柴油机输出功率,以降低船舶油耗,提高船舶的能效水平;当船舶航行环境恶劣时,通过控制系统收起风翼,由柴油机作为单一动力源,从而保证船舶航行的安全性。
具体地,数据采集与存储模块通过无线路由器获取的船舶营运数据、通航环境数据、船舶能耗数据,并通过服务器传输至能效多源协同优化决策模块和人机交互模块。其中,船舶营运数据包括船舶的航次计划、航程、航期和船舶吃水等;通航环境数据包括风、流、涌、浪等;船舶能耗数据包括主机油耗、转速、功率和风翼攻角等。
具体地,能效多源协同优化决策模块基于混合动力船舶能效多源协同优化模型,以及能效多源协同优化决策算法,可实现船舶航速、航线、风翼攻角和轴带发电功率的协同优化,并将优化结果传输至人机交互模块。能效多源协同优化决策算法基于PSO算法不断迭代运算,最终获得船舶最佳航速、航行位置、轴带发电功率和风翼攻角。
具体地,混合动力船舶能效多源协同优化模型的建立过程如图2所示,对于本发明提出的风帆-柴油机-轴带发电机混合动力船舶而言,由柴油机和风翼共同为船舶提供航行动力,分析“船-机-桨-翼”之间的能量传递关系是风翼助航船舶混合动力系统能耗建模的基础,其中,船舶航行阻力和推力的关系式为:
R=Teff+Twind; (1)
公式(1)中:R为船舶航行总阻力;Teff为螺旋桨的有效推力;Twind为风翼辅助推力。
从上式可以看出,螺旋桨和风翼共同提供推力以克服船舶的航行阻力,在给定的航速下,当风翼提供的辅助推力增加时,主柴油机提供的推力则会降低,从而降低主柴油机的输出功率和油耗,因此,在特定的航速下,螺旋桨的推力可由下式表示:
公式(2)中:Tprop为螺旋桨的推力;t为推力减额系数;k为螺旋桨的数量。
其中,船舶总阻力主要包括静水阻力、空气阻力和波浪阻力,可通过下式计算得出:
R=RT+Rwind+Rwave; (3)
公式(3)中:RT为静水阻力;Rwind为空气阻力;Rwave为波浪阻力。
根据风翼受力情况,风对风翼的作用可以分解为船舶垂直于相对风向的升力FL和沿着相对风向的阻力FD,对应的无量纲升力系数和阻力系数分别为CL和CD。升力系数和阻力系数随风翼攻角的变化而变化,通过升力与阻力的合成与分解,可以得到沿着船舶航行方向的风翼助推力和沿着船舷方向的风翼侧推力,以如下公式表示:
FX=FLsinθ-FDcosθ; (4)
FY=FLcosθ+FDsinθ; (5)
公式(4)、(5)中:FX为沿着船舶航行方向的风翼助推力;FY为沿着船舷方向的风翼侧推力;θ为相对风向角;其中,船舶垂直于相对风向的升力FL和沿着相对风向的阻力FD的表达式如下:
FL=CL·1/2ρava 2·Sw; (6)
FD=CD·1/2ρava 2·Sw; (7)
公式(6)、(7)中:CL为升力系数;CD为阻力系数;ρa为空气密度;va为相对风速;Sw为风翼侧投影面积。
在计算船舶主柴油机输出功率时,由于风翼沿船舶航行方向的推力直接抵消了部分船舶航行的阻力,因此,船舶螺旋桨的输出功率如下式表示:
公式(8)中:Pprop为船舶螺旋桨的输出功率;Nk为安装风翼的个数;ηS为轴系传递效率;ηG为齿轮箱传递效率;ηR为螺旋桨相对旋转效率;ηH和ηO分别为船体效率和螺旋桨淌水效率;综上,船舶单位航行距离的主机油耗量可用下式计算:
公式(9)中:QB为船舶单位航行距离的主机油耗量;Pprop为船舶螺旋桨的输出功率;Pshaft为轴带发电功率;ge为船舶主机的燃油消耗率;α表示风翼攻角;VS为船舶航行速度;va表示相对风速;δA表示浪高。
船舶单位航行距离的柴油发电机的油耗量可用下式计算:
Paux=Ptotal-Pshaft; (11)
公式(10)、(11)中:Qaux为发电柴油机的油耗;Paux为发电柴油机的功率;gaux为船舶柴油发电机的燃油消耗率;Ptotal为船舶总用电功率需求;则船舶单位航行距离的总油耗为主机油耗量与柴油发电机的油耗量的加和,如下式表示:
Qtotal=QB+Qaux。 (12)
具体地,基于所建立的混合动力船舶能效多源协同优化模型,可以获得不同航行环境条件下不同航速、风翼攻角及轴带发电功率情况下的船舶能耗,以船舶航次总油耗为优化目标函数,以航行时间等为约束条件,以各航段对应的船舶航行速度、航行位置、轴带发电功率和风翼攻角为优化变量,所建立的混合动力船舶能效多源协同优化模型可以用如下公式组表示:
nmin<ni<nmax,i=(1,…,M); (15)
Vmin<VS,i<Vmax,i=(1,…,M); (16)
αmin<αi<αmax,i=(1,…,M); (17)
公式(13)至(18)中:Qtotal表示船舶航次总油耗;M表示航段数量;i表示第i个航段;α表示风翼攻角;VS为船舶航行速度;va表示相对风速;δA表示浪高;Pshaft为轴带发电机功率;Qaux为船舶单位航行距离发电柴油机的油耗;S表示航行距离;Ttotal表示总航行时间;Tlimit表示航行时间限制要求;n为主柴油机的转速。
具体地,如图3所示,PSO算法包括以下步骤:
S31、初始化N个3M维粒子,1至M维粒子表示不同航段对应的航行速度,M+1至2M维粒子表示不同航段对应的航行位置,2M+1至3M维粒子表示不同航段对应的轴带发电功率,根据相对风向通过插值法获得最佳风翼攻角,通过公式(1)计算每个粒子的适应度值,通过比较适应度值获得个体最优值和群体最优值;
S32、更新每个粒子的速度和位置,更新方法采用如下公式:
Vk+1=w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk); (19)
Xk+1=Xk+Vk+1; (20)
w=wmax-(wmax-wmin)·itercurrent/itermax; (21)
公式(19)至(21)中:V表示粒子的速度;k表示当前迭代次数;pbest表示个体最优值;X表示粒子的位置;gbest表示群体最优值;c1和c2表示学习因子;r1和r2是随机数;w是惯性权重;wmax表示最大惯性因子;wmin表示最小惯性因子;itercurrent表示当前迭代次数;itermax表示最大迭代次数;
S33、计算满足公式(14)至(18)中约束条件的每个粒子的适应度值,并更新个体最优值和群体最优值;
S34、重复步骤S32和S33,迭代运算至最大迭代次数,得到优化后的不同航段的最佳船舶航速、最佳航行位置、最佳轴带发电功率和最佳风翼攻角。
具体地,如图4所示为人机交互模块与混合动力系统优化控制模块的实现过程:人机交互模块接收来自能效多源协同优化决策模块获得的最佳船舶航速、航线、风翼攻角和轴带发电功率决策结果,船舶操作人员可根据优化结果,在不影响航行安全的条件下,通过人机交互模块中的操作控制单元输出控制指令给主机控制单元,主机控制单元通过主机转速控制器及第一驱动器,使主机在所决策的最佳工况点下运行;与此同时,船舶操作人员可通过人机交互模块中的操作控制单元输出控制指令给轴带发电机控制单元,轴带发电机控制单元通过轴带发电机控制器和第二驱动器,使轴带发电机在所决策的最佳工况点运行;与此同时,船舶操作人员可通过人机交互模块中的操作控制单元输出控制指令给舵机控制单元,舵机控制单元通过舵角控制器和第三驱动器,使舵机在所决策的最佳工况点运行;与此同时,船舶操作人员可通过人机交互模块中的操作控制单元输出控制指令给风翼控制单元,风翼控制单元通过风翼攻角控制器和第四驱动器,使风翼在所决策的最佳工况点运行。
实施例2
本实施例提供了一种风能混合动力船舶能效多源协同优化方法,如图5所示,包括以下步骤:
S1、所述数据采集与存储模块获取船舶营运数据、通航环境数据和船舶能耗数据,并通过服务器传输至所述能效多源协同优化决策模块;
S2、所述能效多源协同优化决策模块根据接收到的所述船舶营运数据、通航环境数据和船舶能耗数据,分析得到时间和空间两个维度的船舶航行环境、船舶运行工况和船舶能效的分布特征;
S3、所述能效多源协同优化决策模块根据所述分布特征,建立基于时空多变航行环境信息的混合动力船舶能效多源协同优化模型,以及基于模型预测理论和群智能求解方法的能效多源协同优化决策算法;
S4、所述能效多源协同优化决策算法自动实现所述混合动力船舶能效多源协同优化模型的在线滚动优化求解,从而实时计算出复杂海况下船舶的最佳航线、最佳航速、最佳风翼攻角和最佳轴带发电功率;
S5、所述混合动力系统优化控制模块根据计算出的所述最佳值,对船舶航线、船舶航速、风翼攻角和轴带发电功率进行实时多源协同优化控制,使船舶混合动力系统始终运行在最佳工况点。
具体地,数据采集与存储模块通过无线路由器获取船舶营运数据、通航环境数据和船舶能耗数据,并通过服务器传输给能效多源协同优化决策模块和人机交互模块;其中,船舶营运数据包括船舶的航次计划、航程、航期和船舶吃水等;通航环境数据包括风、流、涌、浪状态等数据;船舶能耗数据包括主机油耗、转速、功率和风翼攻角等数据。能效多源协同优化决策模块根据接收到的所述多种数据,分析得到时间和空间两个维度的船舶航行环境、船舶运行工况和船舶能效的分布特征。在此基础上,能效多源协同优化决策模块建立基于时空多变航行环境信息的混合动力船舶能效多源协同优化模型,以及多要素耦合作用下的混合动力船舶能效协同优化策略,此多源协同优化模型与协同优化策略充分考虑多变环境要素及运行工况耦合作用的影响,以船舶航线、航速、风翼攻角及轴带发电功率为优化变量,以风能混合动力船舶能效最佳为优化目标,通过船舶航线、航速、风翼攻角及轴带发电功率的多源协同优化,进一步提升风翼助航船舶的能效水平。然后能效多源协同优化决策模块构建基于模型预测理论和群智能求解方法的风能混合动力船舶能效多源协同优化决策算法,该决策算法以船舶能效最佳为优化目标,以航次计划、航线距离、船舶物理限制等约束条件,自动实现混合动力船舶能效多源协同优化模型的在线滚动优化求解,操作人员可根据最佳结果值使用人机交互模块中的操作控制单元对混合动力系统优化控制模块下达指令,从而实现复杂海况条件下船舶最佳航线、航速、风翼攻角及轴带发电功率的综合智能决策与多源协同优化。通过采用航行环境与运行工况时空划分策略及群智能优化求解方法,可避免优化组合爆炸问题,有效解决这一多约束、多优化变量的高度非线性协同优化模型的求解问题,进而实现风能混合动力船舶能效的多源协同优化,提高风能混合动力船舶能效优化的协同性与有效性。最后,可以开展能效多源协同优化决策算法有效性验证分析研究,通过获取目标船能效优化所需的时空数据信息,基于所建立的风能混合动力船舶能效多源协同优化模型与能效多源协同优化决策算法,开展基于船舶航线、航速、风翼攻角及轴带发电功率的船舶能效多源协同优化决策与控制,通过对比分析采用多源协同优化算法前后混合动力船舶的能效水平,从而验证所构建的风能混合动力船舶能效多源协同优化决策算法的有效性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种风能混合动力船舶能效多源协同优化系统,其特征在于,包括:
风帆-柴油机-轴带发电机混合动力系统单元;所述风帆-柴油机-轴带发电机混合动力系统单元包括:风翼、主柴油机、轴带发电机和柴油发电机,所述风帆-柴油机-轴带发电机混合动力系统单元中的轴带发电机和柴油发电机的输出端与用电设备连接,且配有多个传感器用于检测实时数据,所述实时数据包括船舶营运数据、通航环境数据和船舶能耗数据;
数据采集与存储模块;所述数据采集与存储模块包括风翼运行数据采集单元、主机运行参数采集单元、轴带发电机数据采集单元和船舶能耗数据采集单元,所述数据采集与存储模块的输入端与所述风帆-柴油机-轴带发电机混合动力系统单元的传感器连接,以接收所述风帆-柴油机-轴带发电机混合动力系统单元中的传感器收集到的实时数据并进行清洗预处理;
能效多源协同优化决策模块;所述能效多源协同优化决策模块的输入端与所述数据采集与存储模块的输出端相连,以接收清洗预处理后的数据,并基于混合动力船舶能效多源协同优化模型以及能效多源协同优化决策算法,计算出最佳数据,所述最佳数据包括:最佳风翼攻角、最佳航速、最佳航线以及最佳轴带发电功率;
人机交互模块;所述人机交互模块包括:显示单元、用户管理单元和操作控制单元;所述人机交互模块与所述数据采集与存储模块和所述能效多源协同优化决策模块的输出端相连,以获取并显示由所述数据采集与存储模块采集到的所述实时数据,以及由所述能效多源协同优化决策模块处理后的所述最佳数据;
混合动力系统优化控制模块;所述混合动力系统优化控制模块包括:风翼攻角控制器、主机转速控制器、轴带功率控制器和舵角控制器;所述混合动力系统优化控制模块的输入端与所述能效多源协同优化决策模块以及人机交互模块的输出端相连,输出端与所述风帆-柴油机-轴带发电机混合动力系统单元相连,以接收来自于能效多源协同优化决策模块所得数据或人机交互模块的控制指令,并通过多个所述控制器分别控制风翼攻角、船舶航速、轴带发电功率和船舶航线。
2.根据权利要求1所述的一种风能混合动力船舶能效多源协同优化系统,其特征在于,所述混合动力船舶能效多源协同优化模型以船舶航次总油耗为目标函数,以航行时间为约束条件,以各航段对应的船舶航行速度、航行位置、轴带发电功率和风翼攻角为优化变量,表示为:
nmin<ni<nmax,i=(1,...,M); (3)
Vmin<VS,i<Vmax,i=(1,...,M); (4)
αmin<αi<αmax,i=(1,...,M); (5)
公式(1)至(6)中:Qtotal表示船舶航次总油耗;M表示航段数量;i表示第i个航段;α表示风翼攻角;VS为船舶航行速度;va表示相对风速;δA表示浪高;Pshaft为轴带发电功率;Qaux为船舶单位航行距离发电柴油机的油耗;S表示航行距离;Ttotal表示总航行时间;Tlimit表示航行时间限制要求;n为主柴油机的转速。
3.根据权利要求1所述的一种风能混合动力船舶能效多源协同优化系统,其特征在于,所述能效多源协同优化算法采用粒子群优化算法(PSO算法),实现方式为:
初始化N个3M维粒子,1至M维粒子表示不同航段对应的航行速度,M+1至2M维粒子表示不同航段对应的航行位置,2M+1至3M维粒子表示不同航段对应的轴带发电功率,根据相对风向通过插值法获得最佳风翼攻角,通过公式(1)计算每个粒子的适应度值,通过比较适应度值获得个体最优值和群体最优值;更新每个粒子的速度和位置,更新方法采用如下公式:
Vk+1=w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk); (7)
Xk+1=Xk+Vk+1; (8)
w=wmax-(Wmax-wmin)·itercurrent/itermax; (9)
公式(7)至(9)中:V表示粒子的速度;k表示当前迭代次数;pbest表示个体最优值;X表示粒子的位置;gbest表示群体最优值;c1和c2表示学习因子;r1和r2是随机数;w是惯性权重;wmax表示最大惯性因子;wmin表示最小惯性因子;itercurrent表示当前迭代次数;itermax表示最大迭代次数;
计算满足公式(2)至(6)中约束条件的每个粒子的适应度值,并更新个体最优值和群体最优值;迭代运算至最大迭代次数,得到优化后的不同航段的最佳船舶航速、最佳航行位置、最佳轴带发电功率和最佳风翼攻角。
4.基于权利要求1至3任意一项所述系统的一种风能混合动力船舶能效多源协同优化方法,其特征在于,包括以下步骤:
S1、所述数据采集与存储模块获取船舶营运数据、通航环境数据和船舶能耗数据,并通过服务器传输至所述能效多源协同优化决策模块;
S2、所述能效多源协同优化决策模块根据接收到的所述船舶营运数据、通航环境数据和船舶能耗数据,分析得到时间和空间两个维度的船舶航行环境、船舶运行工况和船舶能效的分布特征;
S3、所述能效多源协同优化决策模块根据所述分布特征,建立基于时空多变航行环境信息的混合动力船舶能效多源协同优化模型,以及基于模型预测理论和群智能求解方法的能效多源协同优化决策算法;
S4、所述能效多源协同优化决策算法自动实现所述混合动力船舶能效多源协同优化模型的在线滚动优化求解,从而实时计算出复杂海况下船舶的最佳航线、最佳航速、最佳风翼攻角和最佳轴带发电功率;
S5、所述混合动力系统优化控制模块根据计算出的所述最佳值,对船舶航线、船舶航速、风翼攻角和轴带发电功率进行实时多源协同优化控制,使船舶混合动力系统始终运行在最佳工况点。
5.根据权利要求4所述的一种风能混合动力船舶能效多源协同优化方法,其特征在于,所述步骤S1中的所述船舶营运数据包括船舶的航次计划、航程、航期和船舶吃水;所述通航环境数据包括风、流、涌、浪状态数据;所述船舶能耗数据包括主机油耗、转速、功率和风翼攻角。
6.根据权利要求4所述的一种风能混合动力船舶能效多源协同优化方法,其特征在于,所述步骤S3中的能效多源协同优化算法采用PSO算法,包括以下步骤:
S31、初始化N个3M维粒子,1至M维粒子表示不同航段对应的航行速度,M+1至2M维粒子表示不同航段对应的航行位置,2M+1至3M维粒子表示不同航段对应的轴带发电功率,根据相对风向通过插值法获得最佳风翼攻角,通过公式(1)计算每个粒子的适应度值,通过比较适应度值获得个体最优值和群体最优值;
S32、更新每个粒子的速度和位置,更新方法采用如下公式:
Vk+1=w·Vk+c1·r1(pbest k-Xk)+c2·r2(gbest k-Xk); (10)
Xk+1=Xk+Vk+1; (11)
w=wmax-(wmax-wmin)·itercurrent/itermax; (12)
公式(10)至(12)中:V表示粒子的速度;k表示当前迭代次数;pbest表示个体最优值;X表示粒子的位置;gbest表示群体最优值;c1和c2表示学习因子;r1和r2是随机数;w是惯性权重;wmax表示最大惯性因子;wmin表示最小惯性因子;itercurrent表示当前迭代次数;itermax表示最大迭代次数;
S33、计算满足公式(2)至(6)中约束条件的每个粒子的适应度值,并更新个体最优值和群体最优值;
S34、重复步骤S32和S33,迭代运算至最大迭代次数,得到优化后的不同航段的最佳船舶航速、最佳航行位置、最佳轴带发电功率和最佳风翼攻角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211493876.5A CN115933388A (zh) | 2022-11-25 | 2022-11-25 | 一种风能混合动力船舶能效多源协同优化系统和优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211493876.5A CN115933388A (zh) | 2022-11-25 | 2022-11-25 | 一种风能混合动力船舶能效多源协同优化系统和优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115933388A true CN115933388A (zh) | 2023-04-07 |
Family
ID=86697063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211493876.5A Pending CN115933388A (zh) | 2022-11-25 | 2022-11-25 | 一种风能混合动力船舶能效多源协同优化系统和优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115933388A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521947A (zh) * | 2023-10-25 | 2024-02-06 | 上海交通大学 | 混合动力船舶能效比率优化方法、系统、介质及设备 |
-
2022
- 2022-11-25 CN CN202211493876.5A patent/CN115933388A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521947A (zh) * | 2023-10-25 | 2024-02-06 | 上海交通大学 | 混合动力船舶能效比率优化方法、系统、介质及设备 |
CN117521947B (zh) * | 2023-10-25 | 2024-04-30 | 上海交通大学 | 混合动力船舶能效比率优化方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Robust adaptive neural control for wing-sail-assisted vehicle via the multiport event-triggered approach | |
Deng et al. | Line-of-sight-based guidance and adaptive neural path-following control for sailboats | |
CN110262494B (zh) | 一种同构多无人艇系统的协同学习与编队控制方法 | |
CN106527133A (zh) | 一种船舶多桨协调控制分配方法 | |
Wang et al. | Joint energy consumption optimization method for wing-diesel engine-powered hybrid ships towards a more energy-efficient shipping | |
CN107229223B (zh) | 一种海洋能无人艇多驱动模式的智能切换系统 | |
CN115933388A (zh) | 一种风能混合动力船舶能效多源协同优化系统和优化方法 | |
CN103895831A (zh) | 一种船舶鳍/翼鳍减横摇抗饱和控制装置及其控制方法 | |
WO2024114458A1 (zh) | 基于李雅普诺夫神经网络的无人系统控制方法及控制系统 | |
CN114610070A (zh) | 一种无人机协同的风电场智能巡检方法 | |
Guo et al. | Mission-driven path planning and design of submersible unmanned ship with multiple navigation states | |
Liang et al. | Economic MPC-based planning for marine vehicles: Tuning safety and energy efficiency | |
CN115685764B (zh) | 变翼展飞行器任务自适应的抗干扰跟踪控制方法及系统 | |
CN116520834A (zh) | 一种低能耗的无人船巡航方法 | |
CN115903820A (zh) | 多无人艇追逃博弈控制方法 | |
Luo et al. | Reviews on the power management for shipboard energy storage systems | |
CN105550495A (zh) | 一种船舶航行增阻等级的评估方法 | |
Man et al. | Mechanism development and heading control of catamaran-type sail drone | |
Huu et al. | A neural network-based model to predict fuel consumption and sailing time for cargo ships | |
Xiao | Ship Dynamic Positioning Control Based on Nonlinear Fuzzy Algorithm for a Smart Port City | |
Yin et al. | Experimental study on propulsion performance of unmanned sailboat with arc sail | |
CN105182739B (zh) | 一种船舶航行增阻等级的评估方法 | |
Piao et al. | Maneuvering mathematical model and course control of POD-driven ship | |
Wang et al. | Research on thrust distribution control strategy of ship electric propulsion system based on model predictive control | |
Kuang et al. | Effect of chord length ratio on aerodynamic performance of two-element wing sail |
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 |