CN116629401A - 一种多能源电力推进船舶能量管理策略辅助决策方法 - Google Patents

Abstract

本发明公开了一种多能源电力推进船舶能量管理策略辅助决策方法，包括：步骤1：构建船舶的各种约束条件；步骤2：获取船舶当前位置与目的地之间的全部可供选择的航线信息，未来途径海域的名称与管辖权归属；步骤3：根据水域的排放限制要求，构建动态排放约束条件；步骤4：根据能量管理策略经济优化目标需求以及动态排放约束条件，构建能量管理策略辅助决策模型的目标函数；步骤5：根据约束条件、目标函数、乌燕鸥算法构建能量管理策略辅助决策模型；步骤6：用能量管理策略辅助决策模型基于实时数据，对步骤2中获得的每条航线生成各个航线的能量管理策略辅助决策。本发明能够帮助船舶遵守当地管理规定，通过自主灵活性的辅助决策。

Description

一种多能源电力推进船舶能量管理策略辅助决策方法

技术领域

本发明涉及船舶能量管理技术领域，具体涉及一种多能源电力推进船舶能量管理策略辅助决策方法。

背景技术

随着全球低碳化进程的不断推进，造船业也加快了其电气化转型的速度。目前，电力推进技术使得电能成为了全船设备的纽带，综合电力系统将船舶电源、推进系统、通信与导航设备、电气负载等装置联结为一个整体，船舶的电气化程度正在加深。在光伏发电设备、储能设备等新型装置上船应用后，船舶的电能生产与使用方式得到了极大丰富，新型的多能源船舶进一步地降低了其在航行过程中的燃油消耗和污染排放情况。为了在完成预期航行任务和保证船舶的动力供应的前提下，降低航行过程中的运营成本以及减少污染排放，则需要充分地协调电网中各分布式电源的工作状态，即为船舶制定适宜的能量管理策略。

能量管理策略的制定方式可分为两类，实时优化和全局优化。前者将根据船舶电力系统当前时刻的状态即时地制定能量管理策略，而后者会针对整个航行区间，全盘考虑船舶在现在及未来每个时刻的能量管理策略。二者的区别在于，全局优化时需对船舶未来航行状态做出预测，并得到总体评价更好的能量管理策略；但实时优化仅考虑当前瞬时的能量管理策略的制定，而且整个航行区间内实时优化结果的累加并不等同于采用全局优化方式所得到的结果。因此在船舶能量管理策略的制定过程中，采用实时优化方式得到的能量管理策略可直接用于实践；但受限于无法避免的预测精度问题，采用全局优化方式得到的能量管理策略更适宜作为辅助决策手段，便于相关人员进行实际决策。

船舶在实际应用中将长时间将处于一种孤岛状态，无法便利地在非港口海域上接收物资补给，船舶电力系统所生产的电能应被用电负载100％消耗，而不是如同陆地电网一般，允许大量冗余电能。在船舶电力系统纳入储能设备后，随之而来的问题是，其所生产的冗余电能可被存储并以作后用，进一步提高了船舶能量管理策略制定时的复杂程度。

在当前关于电力推进船舶的能量管理策略的全局优化的现有资料文献中，电力推进船舶同时配备了多种能量来源形式的发电装置以及储能装置的研究较少。并且现有方法所针对的主要为早期低电气化船舶，所解决问题相对简单，而在面对新型船舶的能量管理需求时，难以作为此类复杂、高维、非线性的优化问题的解决方案，缺乏实际应用价值。

发明内容

本发明提供了一种多能源电力推进船舶能量管理策略辅助决策方法，以解决现有技术中传统机械动力船舶能量管理方法不适用电力推进船舶的问题。

本发明提供了一种多能源电力推进船舶能量管理策略辅助决策方法，包括如下步骤：

步骤1：采集船舶电力系统中各个设备的机器参数以及负载侧的总用电需求，构建船舶的功率平衡约束条件、输出功率约束条件、推进电机功率需求约束条件、剩余电能供应能力约束条件和航行计划约束条件；

步骤2：根据船舶的预期航行计划和船舶当前地理位置信息，获取船舶当前位置与目的地之间的全部可供选择的航线信息，以及对应的船舶在当前及未来的途径海域的名称与管辖权归属；

步骤3：根据船舶当前及未来所途径海域的管辖权归属搜索对应水域的排放限制要求，构建动态排放约束条件；

步骤4：根据能量管理策略经济优化目标需求以及动态排放约束条件，构建能量管理策略辅助决策模型的目标函数；

步骤5：根据步骤1中构建的数个约束条件、步骤3中构建的目标函数、乌燕鸥算法构建能量管理策略辅助决策模型；

步骤6：用能量管理策略辅助决策模型基于实时数据，对步骤2中获得的每条航线生成各个航线的能量管理策略辅助决策。

进一步地，所述功率平衡约束条件为：基于能量守恒定律，所有处于同一电网内的用电设备的电能消耗情况的总和，等于电网内发电设备的电能生产情况的总和；

输出功率约束条件为：电能供给设备生产厂家提供的额定输出功率变化范围；

推进电机功率需求约束条件为：推进电机生产厂家提供的额定的输入功率变化范围；

剩余电能供应能力约束条件为：仅使用按能量转换效率计算的方式，当前电能供给设备自身的所能达到的最大供电电量；

航行计划约束条件为：对于每一航线的理想航行里程为航行计划约束条件的下限值，预估最大航行里程值为航行计划约束条件的上限。

进一步地，所述步骤4中，所述目标函数的具体公式如下：

minCost＝C_DG+C_B+C_SC+Fee

C_DG＝price·V_fuel+α(L_FH)·P_DG

C_B＝C_Deg，B＝β_B·(B_CD+B_E)

C_SC＝C_Deg，SC＝β_SC·C_CD

式中，Cost为船舶电力系统的总运行成本；C_DG为柴油发电机的使用成本；C_B为蓄电池组的使用成本；C_SC为超级电容器的使用成本；price为柴油油价；V_fue ^l为柴油发电机的燃油消耗量；Fee为动态排放约束条件经过罚函数处理的排放成本；α(·)为柴油发电机的运维费用系数，是负荷率L_FH的函数；C_Deg，B为蓄电池组的衰退损耗费用；β_B为蓄电池组的衰退损耗系数；B_CD为蓄电池组的充、放电交替循环系数；B_E为蓄电池组的过量使用幅度；C_Deg，SC为超级电容器的衰退损耗费用；β_SC为超级电容器的衰退损耗系数；C_CD为超级电容器的充、放电交替循环系数；L_i为船舶排放第i种废气的体积，ζ_i为船舶排放单位体积的第i种废气的成本折算系数。

进一步地，所述成本折算系数的具体设置为：

当船舶所在水域的废气排放不受限制时，成本折算系数为0；当船舶所在水域的废气被禁止排放时，成本折算系数的设置范围为68814～74120；当船舶所在水域的废气仅允许有限排放时，成本折算系数设置为船舶排放每单位体积气体时所受罚款数值。

进一步地，所述步骤5的乌燕鸥算法中乌燕鸥个体进行迁移操作的具体公式如下：

式中，x′_(i，it+1)，x″_(i，it+1)分别为第i个乌燕鸥个体在下一代的临时位置1与2；S_A、C_F为算法参数；x_(i，it)为第i个乌燕鸥个体在第it代迭代中的当前位置；m_st为第i个乌燕鸥个体的聚集距离；F为个体的聚集方向，F＝±1，由个体与猎物之间差值的符号决定；x_i，high、x_i，low分别为第i个乌燕鸥个体的取值上界和取值下界；max(x_best-x_(j，it))代表猎物x_best与种群中其他个体x_j之间的差异的最大值；x_best为第it代迭代中猎物所在位置；rand为随机数。

进一步地，所述步骤5的乌燕鸥算法中乌燕鸥个体所在位置进行局部挖掘时搜索范围的参数飞行轨迹半径为：

R＝u·e^k·v

其中，

式中，f_max、f_min分别为当前种群中个体的目标函数值的最大值和最小值；f_i、f_k分别为第i、k个个体的目标函数值，其中f_k为任意介于f_max、f_min之间的目标函数值。

本发明的有益效果：

本发明根据航行水域管辖权所属海事部分的管理规定，适应性地改变每种废气的成本折算系数，能够帮助船舶遵守当地管理规定，提高所述辅助决策模型的自主灵活性。

本发明提供的改进乌燕鸥算法的更新机制，基于候选解即优化变量的分量间存在耦合关系，而此耦合关系是由储能设备的性质和时间一维性导致的，对将候选解在进行迁移时的执行方式改为综合考虑个体自身在种群中的实际水平以及相对水平的方式。改进后算法能够增强群众中个体间的多样性，以提高算法对候选解的优化能力，且避免算法的优化过程中出现个体陷入局部最优解的停滞现象，从而提高辅助决策模型对能量管理策略的优化能力。

本发明提供的改进乌燕鸥算法的更新机制，基于候选解受约束条件限制的特征，即从数量和重要性角度而言种群内的可行解远胜于不可行解，改变了决定算法在个体所在位置进行局部挖掘时搜索范围的参数飞行半径R的计算方式。在标准算法的基础上加入了对个体在种群中相对水平的考虑，改进后算法更加注重于对种群内更优质的个体们进行局部挖掘，提高了算法对优化解的优化能力，从而提高了辅助决策模型对能量管理策略的优化能力。

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。

本发明实施例提供一种多能源电力推进船舶能量管理策略辅助决策方法，以一艘直流组网型全电驱船为例，其电力系统包含分布式电源、电力推进系统、其他电气负载，全部用电设备连接至直流母线。分布式电源也即为电能供给设备，包含柴油发电机、光伏发电设备、蓄电池组、超级电容器，并且将各个电源及其电能变换设备视为一个整体；电力推进系统中用电设备为推进电机，可将电网中的电能转化为机械能从而使船舶获得动力；其他电气负载指不含包在前两项分类中的其余全部用电设备。

通过船舶必备的电力系统监测设备，获取电力系统中用电设备的实时参数信息，预设采样时间间隔Δt为1小时，包含柴油发电机的实时输出功率P_DG(t)、光伏发电设备的实时输出功率P_PV(t)、蓄电池组的实时输出功率P_B(t)、超级电容器的实时输出功率P_SC(t)、电力推进系统的功率需求P_M(t)，其他电气负载的功率需求的和P_L(t)。其中，由于蓄电池组和超级电容器即可以作为供电电源亦可作为用电负载，则令P_B(t)、P_SC(t)为正值时表示二者为发电状态即向外输出电能，二者为负值时为用电状态及向内吸收电能。

采集当前船舶电力系统负载侧的总用电需求，即当前时刻船舶电力系统中全部用电设备的功率需求之和Q_U，则当前时刻船舶所需要供给电能总量Q_G：

Q_G＝Q_U

需要说明的是，此处的Q_U不涉及储能设备，无论储能设备处于充电状态还是放电状态，均将其认为是一种分布式电源而不是负载。

无论如何调节各个电能供给设备的输出电量，各个电能供给设备的输出电量的总和始终等于所述Q_G，则船舶电能供给约束条件计算方式为：

Q_G＝P_DG(t)+P_PV(t)+P_B(t)+P_C(t)

Q_U＝P_M(t)+P_L(t)

P_DE(t)+P_PGE(t)+P_SBP(t)+P_SC(t)+＝P_EPS(t)+P_L(t)

其中，t标识了P_DE(t)表示为t时刻的柴油发电机输出功率，其余同理；P_EPS(t)和P_L(t)分别为电力推进系统和其他电气负载的功率需求。

输出功率约束条件指电能供给设备生产厂家所提供的额定输出功率变化范围，则输出功率约束条件计算方式为：

P_i ^min(t)≤|P_i|(t)≤P_i ^max(t)

式中，P_i ^max(t)、P_i ^min(t)和P_i(t)分别为t时刻的各分布式电源的功率上限、功率下限和输出功率。

推进电机功率需求约束条件的计算方式指推进电机设备生产厂家所提供的额定输入功率变化范围，则此计算方式为：

式中，和/>分别为推进电机的额定输入功率的下限和上限。

剩余电能供应能力约束条件指储能设备的发电能力不仅受额定输出功率变化范围所限制，还受其自身当前容量限制，则剩余供电能力约束条件的计算方式为：

式中，和E_i(t)分别为t时刻的各分布式电源的容量上限、容量下限和当前容量。

航行计划约束条件的计算方式具体指：对于每一航线的理想航行里程为此约束条件的下限值，预估最大实际航行里程值为此约束条件的上限：

其中，V_s(t)为能量管理策略中的船舶在每个时刻的航速；Δt为时间间隔；T为预期航行计划的时间长度；DIS_i为第i条航线对应的理想航行里程；ΔDIS为预估最大实际航行里程值和理想航行里程值自建的最大允许误差。

船舶利用电力系统的历史监测数据，使用负荷预测模型预测未来每个时刻的电力系统中除动力系统外的其他电气设备的功率需求的总和P_L，且P_L是一个时间间隔为Δt、总长度为T的顺序时间序列。

船舶按照预期航行计划和船舶当前地理位置信息，查询船舶与目的地之间的全部可供选择的航线信息，以及每一条航线中船舶当前所处与未来途径的水域的名称及其管辖权归属，并在电子海图系统中标明船舶当前位置，与上述每条可供选择的航线的轨迹及途径水域名称。

以经济性为实时优化模型目标，则其目标函数的计算方式为：

minCost＝C_DG+C_B+C_SC+Fee

C_DG＝price·V_fuel+α(L_FH)·P_DG

C_B＝C_Deg,B＝β_B·(B_CD+B_E)

C_SC＝C_Deg,SC＝β_SC·C_CD

其中，Cost为船舶电力系统的总运行成本，包括各分布式电源的使用成本C_DG、C_B、C_SC与排放成本Fee；C_DG为柴油发电机的使用成本；C_B为蓄电池组的使用成本；C_SC为超级电容器的使用成本；price为柴油油价；V_fuel为柴油发电机的燃油消耗量；Fee为动态排放约束条件所表征的船舶排放成本，根据罚函数法，将其作为目标函数的一部分，与其他子项相加求和，从而得到总运行成本Cost；α(·)为柴油发电机的运维费用系数，是负荷率L_FH的函数；C_Deg,B为蓄电池组的衰退损耗费用；β_B为蓄电池组的衰退损耗系数；B_CD为蓄电池组的充、放电交替循环系数；B_E为蓄电池组的过量使用幅度；C_Deg，SC为超级电容器的衰退损耗费用；β_SC为超级电容器的衰退损耗系数；C_CD为超级电容器的充、放电交替循环系数；L_i为船舶排放第i种废气的体积，ζ_i为船舶排放单位体积的第i种废气的成本折算系数。成本折算系数ζ_i的取值由船舶所在水域的管辖权归属的管理部门的具体排放限制要求决定，即第i种废气排放不受限制时，其系数ζ_i为0；当第i种废气被禁止排放时，设置ζ_i为某一较大的值，具体范围可以为68814～74120；当第i种废气仅允许有限排放时，其系数ζ_i被设置为船舶排放每单位体积气体时所受罚款数值，例如：每单位CO罚款￥10，系数ζ_i为10。

对于柴油发电机、蓄电池组、超级电容器三种可主动调节的电能供给设备，以及推进电机功率需求P_M(t)及与之一一对应的船舶航速值V_s(t)，使用上述所有对应的约束条件的计算方式的计算结果的交集，作为此电能供给设备的输出功率以及船舶航速的调节范围。

使用改进乌燕鸥算法驱动辅助决策模型进行迭代运算，得到优化后的船舶能量管理策略，并使用目标函数对所得能量管理策略进行评价，其具体步骤为：

ST1：算法初始化，生成初始乌燕鸥种群，种群中每个个体即为一种航线选择以及能量管理策略方案。

ST2：计算每个乌燕鸥个体的适应度值，即使用目标函数所得到的数值，在此问题中该值越小则表明个体越优秀。

ST3：对乌燕鸥个体进行迁移操作：

其中，x'_(i，it+1)，x″_(i,it+1)分别为第i个乌燕鸥个体在下一代的临时位置1与2；S_A、C_F为算法参数；x_(i,it)为第i个乌燕鸥个体在第it代迭代中的当前位置；m_st为第i个乌燕鸥个体的聚集距离；F为个体的聚集方向，F＝±1，由个体与猎物之间差值的符号决定；x_i,high、x_i,low分别为第i个乌燕鸥个体的取值上界和取值下界；max(x_best-x_(j，it))代表猎物x_best与种群中其他个体x_j之间的差异的最大值；x_best为第it代迭代中猎物所在位置；rand为随机数；

本发明m_st对获取进行了改进，考虑到部分分量间存在耦合关系，即较早时间维度的分量将改变后续时间维度分量的取值范围。因此在ISTOA中，不再使用第i个乌燕鸥个体与猎物x_best之间的差异完全决定其聚集距离，而是额外地考虑个体自身与猎物的差异，即个体自身的可变化范围，以及它与种群中其他个体的相对水平两种因素。

ST4：乌燕鸥个体攻击猎物：

式中，α、β、γ分别为乌燕鸥个体的三维飞行轨迹分量；R为飞行轨迹半径；k、v为算法参数；

式中，f_max、f_min分别为当前种群中个体的目标函数值的最大值和最小值；f_i、f_k分别为第i、k个个体的目标函数值，其中f_k为任意介于f_max、f_min之间的目标函数值；

受约束条件影响，可行解(优化变量)不可能如同算法求测测试函数时一般地均匀地分布在解空间中，而解空间中的不可行解虽然会参与算法的寻优过程，但对于有约束的优化问题而言，显然可行解的重要性胜过不可行解。

STOA中飞行轨迹半径R决定了算法对乌燕鸥个体所在位置进行局部开发时的搜索范围，因此为了进一步优化算法的能力，在使用上述参数u的计算方式后，ISTOA对于评价越高的个体，其局部开发的搜索范围越小，即ISTOA更加地注重对于当前种群中相对更优质的部分个体的局部开发。

ST5：更新乌燕鸥个体的位置：

x_(i,it+1)＝x”_(i,it+1)·(α+β+γ)·x_best

其中，x_(i,it+1)为第i个乌燕鸥个体完成本次更新后的位置，即第it+1代迭代中的位置；

ST6：重新挑选领队x_best；

当前种群中的最优秀的个体即为新的领队x_best，此时种群视猎物处于新领队x_best所在的位置；

ST7：是否完成算法迭代过程？若是则进行ST8；否则返回ST2；

ST8：算法运行完毕，输出此时的乌燕鸥种群，即当前完成优化的优化变量的集合。

将所得的每条航线所对应的能量管理策略{P_DG(t)，P_B(t),P_C(t),P_M(t)},t＝1，...，T及其目标函数值发送至船舶控制中心，并在电子海图系统中按需显示每条航线所对应的能量管理策略和所对应的目标函数值，船员在综合上述航线、对应的能量管理策略及其目标函数值和其他信息后，人为地自行选择某一条航线作为船舶未来的航行路径，并且利用此条被选中航线的能量管理策略对船舶操纵指令的实际决策过程进行辅助决策，即船员参考上述能量管理策略并自行决定船舶操纵动作的实际指令。

虽然描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (6)

1.一种多能源电力推进船舶能量管理策略辅助决策方法，其特征在于，包括如下步骤：

步骤1：采集船舶电力系统中各个设备的机器参数以及负载侧的总用电需求，构建船舶的功率平衡约束条件、输出功率约束条件、推进电机功率需求约束条件、剩余电能供应能力约束条件和航行计划约束条件；

步骤2：根据船舶的预期航行计划和船舶当前地理位置信息，获取船舶当前位置与目的地之间的全部可供选择的航线信息，以及对应的船舶在当前及未来的途径海域的名称与管辖权归属；

步骤3：根据船舶当前及未来所途径海域的管辖权归属搜索对应水域的排放限制要求，构建动态排放约束条件；

步骤4：根据能量管理策略经济优化目标需求以及动态排放约束条件，构建能量管理策略辅助决策模型的目标函数；

步骤5：根据步骤1中构建的数个约束条件、步骤3中构建的目标函数、乌燕鸥算法构建能量管理策略辅助决策模型；

步骤6：用能量管理策略辅助决策模型基于实时数据，对步骤2中获得的每条航线生成各个航线的能量管理策略辅助决策。

2.如权利要求1所述的多能源电力推进船舶能量管理策略辅助决策方法，其特征在于，所述功率平衡约束条件为：基于能量守恒定律，所有处于同一电网内的用电设备的电能消耗情况的总和，等于电网内发电设备的电能生产情况的总和；

输出功率约束条件为：电能供给设备生产厂家提供的额定输出功率变化范围；

推进电机功率需求约束条件为：推进电机生产厂家提供的额定的输入功率变化范围；

剩余电能供应能力约束条件为：仅使用按能量转换效率计算的方式，当前电能供给设备自身的所能达到的最大供电电量；

航行计划约束条件为：对于每一航线的理想航行里程为航行计划约束条件的下限值，预估最大航行里程值为航行计划约束条件的上限。

3.如权利要求1所述的多能源电力推进船舶能量管理策略辅助决策方法，其特征在于，所述步骤4中，所述目标函数的具体公式如下：

min Cost＝C_DG+C_B+C_SC+Fee

C_DG＝price·V_fuel+α(L_FH)·P_DG

C_B＝C_Deg，B＝β_B·(B_CD+B_E)

C_SC＝C_Deg，SC＝β_SC·C_CD

式中，Cost为船舶电力系统的总运行成本；C_DG为柴油发电机的使用成本；C_B为蓄电池组的使用成本；C_SC为超级电容器的使用成本；price为柴油油价；V_fuel为柴油发电机的燃油消耗量；Fee为动态排放约束条件经过罚函数处理的排放成本；α(·)为柴油发电机的运维费用系数，是负荷率L_FH的函数；C_Deg，B为蓄电池组的衰退损耗费用；β_B为蓄电池组的衰退损耗系数；B_CD为蓄电池组的充、放电交替循环系数；B_E为蓄电池组的过量使用幅度；C_Deg，SC为超级电容器的衰退损耗费用；β_SC为超级电容器的衰退损耗系数；C_CD为超级电容器的充、放电交替循环系数；L_i为船舶排放第i种废气的体积，ζ_i为船舶排放单位体积的第i种废气的成本折算系数。

4.如权利要求3所述的多能源电力推进船舶能量管理策略辅助决策方法，其特征在于，所述成本折算系数的具体设置为：

当船舶所在水域的废气排放不受限制时，成本折算系数为0；

当船舶所在水域的废气被禁止排放时，成本折算系数的设置范围为68814～74120；

当船舶所在水域的废气仅允许有限排放时，成本折算系数设置为船舶排放每单位体积气体时所受罚款数值。

5.如权利要求1所述的多能源电力推进船舶能量管理策略辅助决策方法，其特征在于，所述步骤5的乌燕鸥算法中乌燕鸥个体进行迁移操作的具体公式如下：

式中，x_(i，ii+1)，x_(i，it+1)分别为第i个乌燕鸥个体在下一代的临时位置1与2；S_A、C_F为算法参数；x_(i，it)为第i个乌燕鸥个体在第it代迭代中的当前位置；m_st为第i个乌燕鸥个体的聚集距离；F为个体的聚集方向，F＝±1，由个体与猎物之间差值的符号决定；x_i，high、x_i，low分别为第i个乌燕鸥个体的取值上界和取值下界；max(x_best-x_(j，it))代表猎物x_best与种群中其他个体x_j之间的差异的最大值；x_best为第it代迭代中猎物所在位置；rand为随机数。

6.如权利要求1或5所述的多能源电力推进船舶能量管理策略辅助决策方法，其特征在于，所述步骤5的乌燕鸥算法中乌燕鸥个体所在位置进行局部挖掘时搜索范围的参数飞行轨迹半径为：

R＝u.e^k·v

其中，

式中，f_max、f_min分别为当前种群中个体的目标函数值的最大值和最小值；f_i、f_k分别为第i、k个个体的目标函数值，其中f_k为任意介于f_max、f_min之间的目标函数值。