CN117022599B - 基于改进动态规划的混合动力船舶能量管理方法 - Google Patents

基于改进动态规划的混合动力船舶能量管理方法 Download PDF

Info

Publication number
CN117022599B
CN117022599B CN202311046641.6A CN202311046641A CN117022599B CN 117022599 B CN117022599 B CN 117022599B CN 202311046641 A CN202311046641 A CN 202311046641A CN 117022599 B CN117022599 B CN 117022599B
Authority
CN
China
Prior art keywords
soc
req
energy management
power
dynamic programming
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
CN202311046641.6A
Other languages
English (en)
Other versions
CN117022599A (zh
Inventor
朱晶宇
隆武强
刘崇凡
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202311046641.6A priority Critical patent/CN117022599B/zh
Publication of CN117022599A publication Critical patent/CN117022599A/zh
Application granted granted Critical
Publication of CN117022599B publication Critical patent/CN117022599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/40—Monitoring properties or operating parameters of vessels in operation for controlling the operation of vessels, e.g. monitoring their speed, routing or maintenance schedules
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63H—MARINE PROPULSION OR STEERING
    • B63H21/00—Use of propulsion power plant or units on vessels
    • B63H21/20—Use of propulsion power plant or units on vessels the vessels being powered by combinations of different types of propulsion units
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63H—MARINE PROPULSION OR STEERING
    • B63H21/00—Use of propulsion power plant or units on vessels
    • B63H21/20—Use of propulsion power plant or units on vessels the vessels being powered by combinations of different types of propulsion units
    • B63H2021/202—Use of propulsion power plant or units on vessels the vessels being powered by combinations of different types of propulsion units of hybrid electric type

Landscapes

  • Engineering & Computer Science (AREA)
  • Ocean & Marine Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了基于改进动态规划的混合动力船舶能量管理方法，应用于混合动力船舶能量管理领域，包括：基于确定规则控制策略，设定船舶运行模式切换阈值，并结合柴油机的最优工作区间，得到第一能量管理方案；基于改进的动态规划算法进行能量管理优化，并结合柴油机的最优工作区间，得到第二能量管理方案；其中，动态规划算法的改进包括：状态转移模型简化、状态网格长度匹配以及计算逻辑改进；以第二能量管理方案为参考标准，重新标定切换阈值，得到第三能量管理方案；本发明基于DP算法对基于确定规则控制策略进行参考优化，能够进一步再现动态规划算法的节能水平，并通过算法改进解决了参考过程中的维数灾难、插值累计误差、计算效率低的问题。

Description

基于改进动态规划的混合动力船舶能量管理方法
技术领域
本发明涉及混合动力船舶能量管理领域，特别涉及基于改进动态规划的混合动力船舶能量管理方法。
背景技术
航运业是当今世界贸易中最重要的运输方式之一，约占全球货运的90％。然而随着全球贸易和航运业的发展，全球航运业的燃油消耗在逐年增加，航运也成为全球温室气体排放的主要来源。对航运业碳排放目标的约束性立法使船舶行业努力提升船舶的优化管理，以减少对化石燃料的依赖。虽然燃料的使用可由化石燃料逐步转向可再生燃料，例如风能、太阳能和潮汐能，但在未来短期乃至中期的一段时间，将船舶动力系统电气化、发展混合动力系统是一种更具有现实意义的解决方案。
混合动力系统主要采用机电耦合配置。与传统柴油机推进系统相比，混合动力系统通过引入电动机，将柴油机工况与船舶航行命令解耦，根据动力部件各自动态特性，通过能量管理策略实现合理的能量分配，使电动机与柴油机可以互为缓冲，摆脱柴油机不能持续工作在高效区的局限性，减少燃油消耗。优秀的能量管理策略甚至可以同时优化多个目标。根据能量管理策略是否提供了工作区域分布的实际控制量，学界开发了各种算法，并将能量管理策略分为两类：基于规则的控制策略和基于优化的控制策略。
其中，基于规则的控制策略凭借工程经验或采用理论分析预先设定控制变量阈值，实时性强，更有利于工程应用，根据规则的设置清晰程度，分为确定规则(RB)和模糊规则两种控制策略。然而，由于规则的设定大多凭借经验，基于规则的控制策略对不同工况的适应性差，且无法达到较好的优化效果。
基于优化的控制策略则遵循优化理论中设定好的目标函数，重点实现对模拟模型的优化。在各种优化理论基础的支持下，大量的优化算法被提出用于混合动力系统的能量管理，主要分为全局优化算法和实时优化算法。相比于实时优化算法，全局优化算法虽然计算量大，只能离线优化，但其考虑全局最优而非每步最优，优化效果最佳。由于船舶运行条件复杂，信号抗干扰能力较弱，动态规划(DP)算法作为全局优化算法的一种，在离线分析和优化中被广泛应用。一些学者专注于在航路优化、动力系统尺寸优化等能量分配以外的方面DP优化船舶能耗。例如，Kwang-IlKim等人在固定航线的前提下，估计外力(海风、海浪、海流等)对航速的影响，采用DP寻找航行过程中利用外力的最佳方案，从而调整航行速度，达到节能减排的目的；Francois Mitterrand使用DP对船舶不同混合动力系统架构作优化比较，找到给定用途船舶的最佳尺寸，以解决系统规模和能量管理的组合优化问题，评估燃油经济性潜力。然而，这些间接方面的优化无法从根本上改进能量分配问题。另一些学者尝试将DP优化结果作为对比标准，改进现有的能量管理策略。例如，Diju Gao等人提出了一种自适应等效消耗最小化策略(A-ECMS)，从DP解中得到不同初始SOC的全局最优功率曲线，并在ECMS中选择与该曲线偏差最小的功率曲线对应的等效因子轨迹作为最优等效因子轨迹，最后利用反向传播(BP)神经网络实时调整等效因子；Yijie Zhang等人提出了双层MPC控制策略，分别对动力系统配电方案和超级电容的运行策略进行优化，将DP控制结果作为比较；Hongzhi Zhao使用DP改进模糊逻辑控制，不断缩小二者控制量直至小于阈值,结合小波分析和PI控制，实现输出功率的优化分配和在线控制。
相比于其他控制策略，基于确定规则控制策略在船舶上的应用较为普遍，但对于它的优化方法还不完善，因此，其改进潜力巨大，并且少有文献尝试使用DP对其改进。
另一方面，DP算法结果在作为基准来评判其他策略的优劣或是提供参考的同时，需要保证其结果有效性与计算性能。DP目前存在两个主要问题，一是维数灾难，二是插值累计误差。由多维数的状态变量和过度网格划分导致的前者会造成过大的计算负担，而后者则会使DP解与实际最优解发生偏差。为此，各种提高DP计算性能与结果有效性的方法被提出。Hong Shu等人使用C语言代替MATLAB语言，并且提前计算每阶段状态量可达域集合，从而减小系统状态变量和控制变量的取值范围，降低计算量；Ke Song等人提出一种误差累积解决方法，即在正向生成阶段根据实际状态量自动搜索出离其最近的标准离散值，获得对应的最优决策；Weirong Chen等人传统动态规划的基础上调整状态转移方程，通过只对系统状态量进行离散从而避免计算过程中的插值计算导致的误差累积。通常来说，在状态量网格长度足够小的情况下，插值累积误差几乎可以忽略不计，相对的，计算量势必急剧增加。从本质上讲，提升计算速度是DP面临的唯一问题。但是，DP作参考或评价标准时，并不需要其结果完全无偏差，在实验允许范围内的微小偏差并不会影响DP的效果。所以，选择合适的状态网格长度，确保插值累积误差在可接受范围内的基础上，优化DP各部分计算方式，提高计算效率，是DP最优的改进方向。
为此，如何提供一种基于DP算法对基于确定规则控制策略进行优化，并解决以DP算法作为基准，提供参考过程中存在的维数灾难、插值累计误差以及计算效率较低的问题，有效提高基于确定规则控制策略的混合动力船舶能量管理能力的基于改进动态规划的混合动力船舶能量管理方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提出了基于改进动态规划的混合动力船舶能量管理方法。
为了实现上述目的，本发明采用如下技术方案：
基于改进动态规划的混合动力船舶能量管理方法，包括：
步骤(1)：基于确定规则控制策略，设定船舶运行模式的切换阈值，并结合柴油机的最优工作区间，得到第一能量管理方案；
步骤(2)：基于改进的动态规划算法进行能量管理优化，并结合柴油机的最优工作区间，得到第二能量管理方案；其中，动态规划算法的改进包括：状态转移模型简化、状态网格长度匹配以及计算逻辑改进；
步骤(3)：以第二能量管理方案为参考标准，重新标定切换阈值，得到第三能量管理方案。
可选的，步骤(1)中，基于确定规则控制策略，设定的船舶运行模式的切换阈值，如下：
纯电动驱动模式：SOC>SOCev&Pb,dis>Preq；此时，Pb>Preq，Pe＝0；
混合动力充电模式：SOC<SOCev||(Pb,dis<Preq&SOC<SOCHEV,ll)；此时，Pe＝Pe,opt，Pb＝Pe-Preq；
联合驱动模式：Pb,dis<Preq&SOC>SOCHEV,ul；此时，Pe＝Pe,opt，Pb＝Preq-Pe；
制动能量回收模式：Preq<Pregen；此时，Pb＝0，Pe＝0；
其中，SOCev为纯电动驱动模式SOC门限值；Pb,dis为电池最大放电功率，随SOC变化；Preq为整船需求功率；Pb为电池功率；Pe为柴油机功率；SOCHEV,ll为HEV模式SOC下限；SOCHEV,ul为HEV模式SOC上限；Pe,opt为柴油机在所述燃油经济线上的工作点；Pregen为制动能量回收模式阈值；&为并；||为或。
可选的，步骤(1)中，所述柴油机的最优工作区间的获取方式，具体为：基于柴油机的万有特性曲线，以固定间隔离散柴油机功率，对最小燃油消耗率的工作点进行离线寻优、连接，得到燃油经济线，作为柴油机的最优工作区间。
可选的，对最小燃油消耗率的工作点进行离线寻优的约束条件，如下：
混合动力联合驱动模式下的约束条件：
Preq-Pb,dis≤Pe≤Preq-Pdis,L；
混合动力充电模式下的约束条件：
Preq+Pchg,L≤Pe≤Preq+Pchg,H；
其中，Preq为总需求功率；Pe为柴油机输出功率；Pb,dis为电池最大放电功率；Pdis,L为电池最小放电功率；Pchg,H为最大充电功率；Pchg,L为最小充电功率。
可选的，步骤(2)中，状态转移模型简化，具体为：
使用系统辨识拟合状态空间方程来代替原状态转移模型；
系统辨识的三要素为：输入输出数据集、模型类以及等价准则；其中，数据集由基于确定规则控制策略的能量管理策略仿真得到；模型类确定为状态空间方程，如下：
其中，Peng(t)为决策；Nmot(t)为电机需求转速；Tmot(t)为电机转矩；A、B为状态空间方程参数；
等价准则定义为：
其中，ε(k)为辨识模型和实际模型的误差；T为工况时长。
可选的，步骤(2)中，状态网格长度匹配，具体为：
根据确定规则控制策略的各段SOC的变化幅度ΔSOC，在保证状态转移精准度的前提下，在最大与最小ΔSOC范围内，选取相对长度大于预设百分比的候选状态网格长度；
对比不同候选状态网格长度下的算法性能，包括：总计算时长、单阶段计算时长、平均插值误差，选择最终的状态网格长度；其中，平均插值误差为动态规划算法的SOC与仿真模型SOC之间的误差，如下：
其中，IEavg为动态规划算法的SOC与仿真模型SOC之间的误差；T为工况时长；SOCDP为动态规划算法的SOC；SOCsim为仿真模型SOC，所述仿真模型以动态规划算法优化决策Pe作为输入，其余设置与确定规则控制策略一致。
可选的，步骤(2)中，计算逻辑改进，具体为：
将逆向回溯过程中的决策函数、状态转移函数和代价函数改为矩阵运算，删除“决策”和“状态”循环层，减少循环层数量。
可选的，步骤(3)中，以所述第二能量管理方案为参考标准，重新标定所述切换阈值，具体为：
对比基于确定规则控制策略以及改进的动态规划算法下蓄电池在不同时段的SOC轨迹、柴油机功率与电池功率，作为参考标准，重新标定所述切换阈值。
可选的，步骤(3)中，重新标定的切换阈值，如下：
纯电动驱动模式：SOC>SOCev&Pb,dis>Preq；此时，Pb＝Preq，Pe＝0；
混合动力充电模式一：SOC<SOCev||Pb,dis<Preq<Pc；此时，Pb＝Pb,chg，Pe＝Preq+Pb,chg；
混合动力充电模式二：Pc<Preq<Pe,optmax；此时，Pe＝Pe,optmax，Pb＝Pe-Preq；
联合驱动模式：Preq>Pe,optmax；此时，Pe＝Pe,optmax，Pb＝Preq-Pe；
制动能量回收模式：Preq<Pregen；此时，Pb＝0，Pb＝0；
其中，SOCev为纯电动驱动模式SOC门限值；Pb,dis为电池最大放电功率，随SOC变化；Preq为整船需求功率；Pb为电池功率；Pe为柴油机功率；Pb,chg为电池最大充电功率，随SOC变化；Pregen为制动能量回收模式阈值；Pc混合动力充电模式一和混合动力充电模式二的切换阈值；Pe,optmax为柴油机在所述燃油经济线上的最大值；&为并；||为或。
经由上述的技术方案可知，与现有技术相比，本发明提出了基于改进动态规划的混合动力船舶能量管理方法。在基于柴油机的万有特性曲线离线寻优最小燃油消耗率工作点，连接得到燃油经济线，优化柴油机工作区域的基础上，通过基于DP算法对基于确定规则控制策略进行优化，并通过对DP算法的改进，包括：状态转移模型简化、状态网格长度匹配以及计算逻辑改进解决了以DP算法作为基准，提供参考过程中存在的维数灾难、插值累计误差以及计算效率较低的问题，有效提高了基于确定规则控制策略的混合动力船舶能量管理能力。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图。
图2为本发明的基于确定规则控制策略的工作模式划分示意图。
图3为本发明的柴油机工作点寻优示意图。
图4为本发明的动态规划过程示意图。
图5为本发明的基于规则的能量管理策略的分段ΔSOC曲线示意图。
图6为本发明的系统辨识流程示意图。
图7为本发明的原状态转移模型输出和简化辨识模型输出曲线的对比示意图。
图8为本发明的原状态转移模型输出和简化辨识模型输出曲线的误差示意图。
图9为本发明的伪代码形式的传统DP计算逻辑流程示意图。
图10为本发明的伪代码形式的改进后DP计算逻辑流程示意图。
图11为本发明的改进前的DP算法流程示意图。
图12为本发明的改进后的DP算法流程示意图。
图13为本发明的RB、DP两种能量管理策略在整船需求功率变化下的SOC轨迹示意图。
图14为本发明的RB能量管理策略的柴油机与蓄电池功率示意图。
图15为本发明的DP能量管理策略的柴油机与蓄电池功率示意图。
图16为本发明的RB、DP两种能量管理策略下不同动力部件的功率分布示意图。
图17为本发明的基于DP改进的基于确定规则控制策略的工作模式划分示意图。
图18为本发明的RB、DP、改进RB三种能量管理策略的柴油机功率对比示意图。
图19为本发明的RB、DP、改进RB三种能量管理策略的SOC对比示意图。
具体实施方式
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，所描述的实施例仅仅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做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：
本发明实施例1公开了基于改进动态规划的混合动力船舶能量管理方法，如图1所示，包括：
步骤(1)：基于确定规则控制策略，设定船舶运行模式的切换阈值，并结合柴油机的最优工作区间，得到第一能量管理方案；
基于确定规则控制策略的工作机理是：凭借工程经验或采用理论分析划分船舶动力部件工作区域，设计一系列船舶运行模式。根据设定的模式切换阈值确定当前船舶运行状态，并采取对应的控制策略。其各工作模式区域划分，如图2所示，该能量管理策略的运行模式包括纯电动驱动模式(EV)、混合动力充电模式、联合驱动模式以及制动能量回收模式，设定SOC水平与需求功率的阈值作为控制变量，实现工作模式切换。
基于确定规则控制策略，设定的船舶运行模式的切换阈值，如下：
纯电动驱动模式：SOC>SOCev&Pb,dis>Preq；此时，Pb>Preq，Pe＝0；
混合动力充电模式：SOC<SOCev||(Pb,dis<Preq&SOC<SOCHEV,ll)；此时，Pe＝Pe,opt，Pb＝Pb-Preq；
联合驱动模式：Pb,dis<Preq&SOC>SOCHEV,ul；此时，Pe＝Pe,opt，Pb＝Preq-Pe；
制动能量回收模式：Preq<Pregen；此时，Pb＝0，Pe＝0；
其中，SOCev为纯电动驱动模式SOC门限值，取0.4；Pb,dis为电池最大放电功率，随SOC变化；Preq为整船需求功率；Pb为电池功率；Pe为柴油机功率；SOCHEV,ll为HEV模式SOC下限，取0.45；SOCHEV,ul为HEV模式SOC上限，取0.5；Pe,opt为柴油机在所述燃油经济线上的工作点；Pregen为制动能量回收模式阈值，取1kW；&为并；||为或。
柴油机的最优工作区间的获取方式，具体为：基于柴油机的万有特性曲线，以固定间隔离散柴油机功率，对最小燃油消耗率的工作点进行离线寻优、连接，得到燃油经济线，如图3所示，作为柴油机的最优工作区间；
串联式混合动力系统的主要目的是充分发挥蓄电池的“削峰填谷”作用，辅助柴油机工作在最高效率区间，提高燃油经济性。由于串联式混合动力系统的特性，柴油机与螺旋桨之间并不耦合，其工作状态的选择决定了能量管理策略的燃油经济性。本发明将柴油机功率以固定间隔离散，在柴油机万有特性图中离线找到等功率线上最小燃油消耗率处对应的工作点，连接各工作点，得到一条离线测量的燃油经济线(e-line)，并以此作为柴油机工作区间。对最小燃油消耗率的工作点进行离线寻优的约束条件，如下：
混合动力联合驱动模式下的约束条件：
Preq-Pb,dis≤Pe≤Preq-Pdis,L；
混合动力充电模式下的约束条件：
Preq+Pchg,L≤Pe≤Preq+Pchg,H；
其中，Preq为总需求功率；Pe为柴油机输出功率；Pb,dis为电池最大放电功率；Pdis,L为电池最小放电功率；Pchg,H为最大充电功率；Pchg,L为最小充电功率。
步骤(2)：基于改进的动态规划算法进行能量管理优化，并结合所述柴油机的最优工作区间，得到第二能量管理方案；其中，动态规划算法的改进包括：状态转移模型简化、状态网格长度匹配以及计算逻辑改进；
尽管已经优化了确定规则能量管理策略的柴油机工作区域，但是由于基于规则的能量管理策略是凭借工程经验直觉划分工作区域，仍然具有较大的优化潜力。全局优化控制可以在设定的工况路线下推导出最优的能量分配策略，使全局油耗最小化。动态规划算法是基于Bellman最优化原理的一种全局优化算法，用于解决多阶段决策过程的优化问题，在工程应用中通常作为其他算法的评价标准，而其优化结果可以对工作区域的划分起到很好的参考作用。
动态规划算法的基本思想是：将待优化的问题看作成从时间维度或空间维度上的连续决策过程，并将该过程分解为一系列相互联系的阶段。每个阶段的状态和决策存在多个可能的选择。状态和决策都以固定间隔离散。其中，状态的离散间隔被称为状态网格。DP采用递归思想逆向逐步计算各个子阶段可能决策的过渡成本来得到使得总成本最低的最优决策。动态规划过程，如图4所示，其中，阶段由k表示；k阶段状态用xk表示；k阶段决策用uk表示。
针对本发明中串联式混合动力系统能量管理优化问题，建立动态规划优化控制数学模型。为了能与确定规则能量管理策略作对比，动态规划算法的能量分配约束条件、SOC的初始值和终了值均与确定规则能量管理策略相同，但是没有对工作模式的划分做约束。动态规划算法采用数值求解，可分为以下三个过程：
1)数值离散化处理：即根据工况特性、动力部件特性来离散状态量、决策量，并且定义算法参数。本发明选择电池SOC作为状态，选择柴油机功率Pe作为决策。算法配置，如表1所示。其中，状态网格长度为预设值，由于不同状态网格长度会改变计算时长，影响算法结果与实际结果的精准度，它的设置尤为重要。在柴油机经济线e-line上对柴油机功率离散化处理，每3kW取一个工作点。
表1动态规划算法配置
2)逆向递推过程：该过程通过计算与比较状态转移的代价来找到每个状态的最优决策。在此过程中建立了动态规划算法的数学模型，主要考虑决策、状态转移和成本计算。决策函数模型定义为：
Preq＝Pdrive+Pload；
Pb＝Pe*eff-Preq；
Pchg,L≤Pb≤Pb,dis；
SOCmin≤SOC(k)≤SOCmax；
Pe,min≤Pe≤Pe,max；
其中，Preq为整船需求功率，由驱动功率Pdrive和船舶日用负载功率Pload组成。Pb为电池功率；Pe为柴油机功率；eff表示能量传递效率，值设定为0.8。Pb,chg和Pb,dis分别表示电池充电和放电功率限制，随电池SOC变化；SOCmax和SOCmin为SOC上下限，分别为70％和30％；Pe,max和Pe,min为柴油机功率上下限，分别为186kW和20kW。决策的选择受到电池充放电特性的约束。
状态转移函数模型定义为：
xk+1＝T(xk,uk)；
其中，T表示状态转移函数，是逆向递推过程的主要组成部分。xk+1与xk分别为k+1阶段与k阶段状态SOC，uk为k阶段决策Peng。对于一些复杂系统来说，简化的状态转移函数模型可以在保证计算精度的同时大大减少计算速度。
代价函数模型定义为：
其中，L表示单阶段代价函数，J表示最优代价函数，mBSFC为e-line的燃油消耗率。通过查表得到对应SOC和Pe的燃油消耗率。
由于初始状态已知且唯一，这一过程更适合从终了阶段逆向递推至初始阶段实现。
3)正向回溯过程：即由初始状态正向回溯，根据每阶段保存的最优代价正向查找最优策略。
状态转移模型简化，具体为：
动态规划算法中的状态转移过程是指：在一个阶段中，状态sk转移到下一阶段状态sk+1的过程，状态转移方程描述了这一函数关系，如下：
Pgen＝Pe*eff；
Imot＝SVPWM(udc,nmot,Tmot)；
Ibatt＝Imot-Igen；
其中，Pgen为发电机功率，Imot为驱动电机电流，SVPWM为电机控制模型计算过程，udc为直流电压，nmot为驱动电机转速，Tmot为驱动电机转矩。Igen为发电机电流，Ibatt为电池电流。SOC(t)和SOC(t+1)分别为t时刻与t+1时刻SOC。CE为电池额定容量，η为库伦效率系数。由于电机控制模型过于复杂。调用它会产生过高的时间成本而导致无法获得结果。
本发明提出了一个简化的状态转移模型。使用系统辨识拟合状态空间方程来代替原模型，来提升算法的计算性能。
系统辨识的三要素为：输入输出数据集、模型类以及等价准则；其中，数据集由基于确定规则控制策略的能量管理策略仿真得到；模型类确定为状态空间方程；等价准则是用来衡量辨识模型接近实际模型的标准，通常表示为某种误差的泛函，本发明中为便于观测辨识模型与实际模型之间的误差，定义等价准则为：
其中，ε(k)为辨识模型与实际模型误差；T为工况时长；该等价准则计算公式实际为均方误差MSE。以动态规划阶段时长为分隔，对确定规则能量管理策略的SOC仿真结果曲线进行分段分析。如果误差波动小于最小ΔSOC，则认为辨识模型可替代实际模型。基于规则的能量管理策略分段ΔSOC曲线，如图5所示。分段后，ΔSOC最大为0.403％，最小为0.076％。基于上述要求设计辨识方案，辨识流程，如图6所示。
系统辨识预设的状态空间方程，如下：
其中，控制输出为状态量SOC，控制输入由决策Peng、电机需求转速Nmot和电机转矩Tmot组成；A、B为状态空间方程参数。在串联式混合动力系统中，PMSM电机与螺旋桨机械连接，其转速可由航速计算得到。由于动态规划算法已知航行工况，所以Nmot、Tmot也已知，可以由RB EMS仿真结果得到。
如图7所示，展示了原状态转移模型输出和简化辨识模型输出曲线的比较，如图8所示，展示了两者的误差。可以看到相较于实际输出，系统辨识得到的模型输出精度达到97.82％，与实际模型输出十分接近。等价准则为0.0725％，小于0.076％，证明辨识模型可代替原状态转移过程。辨识模型的参数矩阵数值，如表2所示。
表2参数矩阵数值
状态网格长度匹配，具体为：
为了减小动态规划中的插值误差问题，同时兼顾计算速度，本发明提出了一种离散化状态网格长度设置的参考方法。插值误差问题是由于状态转移结果对应的实际状态点并没有精确落在状态网格点上，而是经过近似处理后位于最近的网格点上。这会导致当状态网格点设置稀疏时，优化结果不准确而无法作为参考标准。
在本发明中，动态规划算法状态网格长度的设置参考RB EMS的SOC变化规律。根据各段SOC的变化幅度(ΔSOC)，在保证状态转移精准度的前提下，选择相对较高的状态网格长度，尽可能提高计算速度。在最大与最小ΔSOC范围内，取候选状态网格长度分别为0.1％，0.05％，0.01％，0.005％。通过对比不同网格长度下的算法性能，选择合适的网格长度。如表3所示，展示了不同状态网格长度计算性能的对比。其中，平均插值误差是DP的SOC与仿真模型SOC之间的误差。该仿真模型以DP优化决策Pe作为输入，其余设置与RB EMS一致。其计算公式为：
其中，IEavg为动态规划算法的SOC与仿真模型SOC之间的误差；T为工况时长，两个SOC曲线的差值，加权是全程的累计误差，与工况时长做除法得到平均误差；SOCDP为动态规划算法的SOC；SOCsim为仿真模型SOC，所述仿真模型以动态规划算法优化决策Pe作为输入，其余设置与确定规则控制策略一致。
表3不同状态网格长度性能对比
可以看到，网格长度总是与计算时长成反比，与平均插值误差成正比，且变化幅度几乎一致。例如，当网格长度从0.1％缩小一倍变为0.05％时，总计算时长从25.15s增加至49.7s，变化了0.98倍，接近1倍；平均插值误差从0.6391％降低至0.3687％，变化了0.86倍，接近1倍。这样，可以在正式优化前先选择较大的网格长度预先快速优化一次，根据优化的时长、与实际模型的插值累积误差来大致推算DP在不同网格长度下的计算性能，选择合适的网格长度进行优化。本发明中选用状态网格长度为0.01％。
计算逻辑改进，具体为：
DP计算在逆向回溯过程，通过对比一个阶段中，离散可达状态对应的离散可达决策的代价，获得每个离散可达状态对应的最优决策，并将其保存在表格中，在正向回溯过程通过查找表格数据得到最优策略。在这个过程中，传统DP的运算逻辑将单个决策的可行性筛选、状态转移、代价计算、代价比较与结果保存放在同一个循环中，以“决策-状态-阶段”为顺序层层计算脱出循环，如图9所示，以伪代码的形式展示了传统DP计算逻辑。
然而，在解决混合动力船舶能量分配这类数据量较大的优化问题时，循环计算，尤其是多层嵌套循环内部的计算会格外拖累计算速度。为此，在DP运算逻辑上提出改进。将逆向回溯过程中的决策函数、状态转移函数和代价函数改为矩阵运算，删除“决策”和“状态”循环层，减少循环层数量，如图10所示，以伪代码的形式展现了改进后的DP计算流程。
本发明分别在不同网格长度下测试了改进后DP的计算性能，其改进前后计算性能对比，如表4所示。可以看到，运算逻辑改进后的DP在不同状态网格长度下的计算性能均有提升。在0.1％，0.05％，0.01％，0.005％的网格长度下，计算效率分别提升97％，96.7％，90.8％和87.8％，计算效率提升效果显著。并且考虑到计算总时长随网格长度缩小而延长，提升相同的计算效率对高纬度、高精度状态网格的时间收益更加明显。此项改进能在一定程度上缓解维数灾难导致计算负担过大的问题。
表4运算逻辑改进结果对比
通过上述对DP算法的改进，包括：状态转移模型简化、状态网格长度匹配以及计算逻辑改进解决了以DP算法作为基准，提供参考过程中存在的维数灾难、插值累计误差以及计算效率较低的问题，改进前的DP流程图，如图11所示，改进后的DP流程图，如图12所示。
步骤(3)：以第二能量管理方案为参考标准，重新标定切换阈值，得到第三能量管理方案。
以第二能量管理方案为参考标准，重新标定切换阈值，具体为：
两种能量管理策略在目标工况下的能耗仿真结果，如表5所示，动态规划算法的累计燃油消耗量相比确定规则的能量管理策略下降了9.45％，而SOC消耗只提高了0.5％。
表5两种能量管理策略能耗对比
通过分析蓄电池在不同时段的SOC轨迹、柴油机功率与电池功率，对比两种能量管理策略如何发挥蓄电池的作用，作为参考来改进在线能量管理策略对工作模式的设定。由于确定规则的能量管理策略无法设置终止状态，作为对比，动态规划算法的能量管理策略的终止状态设定与确定规则能量管理策略保持一致。
两种能量管理策略在整船需求功率变化下的SOC轨迹，如图13所示。需求功率大致可分为低功率、次高功率和高功率三个水平。在659s-1670s内，二者SOC轨迹差异明显，而其他时间两种能量管理策略SOC变化曲线几乎一致，呈现出低功率时下降，高功率或次高功率时上升的趋势。
在659-901s内，需求功率降低至次高水平，此时动态规划能量管理策略SOC继续上升，而确定规则能量管理策略SOC则下降；在901s-1670s内，需求功率降低至低水平，二者SOC水平均下降，但确定规则能量管理策略SOC下降速度随需求功率降低而减缓。
从以上对比可以看出，两种EMS在同一时期的SOC趋势是不同的。在相同的需求功率水平下，RB策略在不同时期具有不同的SOC趋势。操作方式选择的差异是主要原因。
RB能量管理策略的柴油机与蓄电池功率，如图14所示，DP能量管理策略的柴油机与蓄电池功率，如图15所示。在659s-1670s内，RB EMS工作在HEV联合驱动模式。而DP EMS在650s-900s期间工作在HEV充电模式，在901s-1600s期间工作在EV模式。RB EMS旨在通过在相对充足的SOC下缓慢放电，将SOC水平维持在目标范围内。相比之下，动态规划算法没有工作模式约束。它只关心燃油消耗率，使柴油机始终运行在高效区内。这两种策略选择了不同的工作模式，但最终SOC几乎相同。与RB EMS相比，DP EMS消耗的燃料更少。虽然DP需要获取完整的运行工况而不可用于实时操作。然而，根据其观察结果，可以修改RB EMS的工作模式划分，以接近DP的最优控制。
RB与DP控制下不同动力部件的功率分布，如图16所示，从图中可以看出，DP控制下船舶主要运行两种模式:EV模式和HEV充电模式
1)对于小于Pb,dis的低功率需求，船舶以EV模式运行。当然，要确保SOC是足够的。当需求功率超过Pb,dis阈值时，启动发动机。船舶切换到HEV模式，满足航行需求。
2)在HEV模式下，观察到两个子模式。它们之间的区别是发动机的输出功率，并以Pc隔开。对于低于Pc且大于Pb,dis的功率需求，柴油发动机提供尽可能多的功率以保持电池处于最大电量。当功率需求大于Pc时，柴油机功率为144kW(Pe,optmax)，为e-line的最优效率点。发动机多余的功率储存在电池中。
3)以上两种HEV子模式均为充电模式。与RB EMS的HEV联合驱动模式不同，该船工作在DP控制下的充电模式。结果表明，DP修改了共同驱动模式的工作条件，所以这种模式没有出现。当需求功率超过Pe,optmax时，DP令柴油机功率固定在Pe,optmax。由电池补足其余的功率。原来通过联合驱动模式来减缓SOC下降速度的方法似乎不利于提高燃油经济性。制动再生模式与基本的RB EMS保持相同的规则。
在对DP优化结果分析的基础上，重新标定确定规则能量管理策略控制变量阈值，改进后的RB策略工作区域划分，如图17所示。
重新标定的切换阈值，如下：
纯电动驱动模式：SOC>SOCev&Pb,dis>Preq；此时，Pb＝Preq，Pe＝0；
混合动力充电模式一：SOC<SOCev||Pb,dis<Preq<Pc；此时，Pb＝Pb,chg，Pe＝Preq+Pb,chg；
混合动力充电模式二：Pc<Preq<Pe,optmax；此时，Pe＝Pe,optmax，Pb＝Pe-Preq；
联合驱动模式：Preq>Pe,optmax；此时，Pe＝Pe,optmax，Pb＝Preq-Pe；
制动能量回收模式：Preq<Pregen；此时，Pb＝0，Pe＝0；
其中，SOCev为纯电动驱动模式SOC门限值；Pb,dis为电池最大放电功率，随SOC变化；Preq为整船需求功率；Pb为电池功率；Pe为柴油机功率；Pb,chg为电池最大充电功率，随SOC变化；Pregen为制动能量回收模式阈值；Pc混合动力充电模式一和混合动力充电模式二的切换阈值；Pe,optmax为柴油机在所述燃油经济线上的最大值；&为并；||为或。
RB、DP、改进RB三种策略的柴油机功率对比，如图18所示；三种策略的SOC对比，如图19所示；三种策略能耗对比，如表6所示。
表6三种策略能耗对比
可见，在RB重新标定后，柴油机行为与DP更为接近，符合工况预期，在终止SOC几乎一致的情况下，重新标定的RB策略比原控制策略累计燃油消耗量减少7.06％。
本发明实施例公开了基于改进动态规划的混合动力船舶能量管理方法。在基于柴油机的万有特性曲线离线寻优最小燃油消耗率工作点，连接得到燃油经济线，优化柴油机工作区域的基础上，通过基于DP算法对基于确定规则控制策略进行优化，并通过对DP算法的改进，包括：状态转移模型简化、状态网格长度匹配以及计算逻辑改进解决了以DP算法作为基准，提供参考过程中存在的维数灾难、插值累计误差以及计算效率较低的问题，有效提高了基于确定规则控制策略的混合动力船舶能量管理能力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.基于改进动态规划的混合动力船舶能量管理方法，其特征在于，包括：
步骤(1)：基于确定规则控制策略，设定船舶运行模式的切换阈值，并结合柴油机的最优工作区间，得到第一能量管理方案；
步骤(2)：基于改进的动态规划算法进行能量管理优化，并结合所述柴油机的最优工作区间，得到第二能量管理方案；其中，所述动态规划算法的改进包括：状态转移模型简化、状态网格长度匹配以及计算逻辑改进；
步骤(3)：以所述第二能量管理方案为参考标准，重新标定所述切换阈值，得到第三能量管理方案；
步骤(1)中，基于确定规则控制策略，设定的船舶运行模式的切换阈值，如下：
纯电动驱动模式：SOC>SOCev&Pb，dis>Preq；此时，Pb>Preq，Pe＝0；
混合动力充电模式：SOC<SOCev||(Pb，dis<Preq&SOC<SOCHEV，ll)；此时，Pe＝Pe，opt，Pb＝Pe-Preq；
联合驱动模式：Pb，dis<Preq&SOC>SOCHEV，ul；此时，Pe＝Pe，opt，Pb＝Preq-Pe；
制动能量回收模式：Preq<Pregen；此时，Pb＝0，Pe＝0；
其中，SOCev为纯电动驱动模式SOC门限值；Pb，dis为电池最大放电功率，随SOC变化；Preq为整船需求功率；Pb为电池功率；Pe为柴油机功率；SOCHEV，ll为HEV模式SOC下限；SOCHEV，ul为HEV模式SOC上限；Pe，opt为柴油机在所述燃油经济线上的工作点；Pregen为制动能量回收模式阈值；&为并；||为或；
所述柴油机的最优工作区间的获取方式，具体为：基于柴油机的万有特性曲线，以固定间隔离散柴油机功率，对最小燃油消耗率的工作点进行离线寻优、连接，得到燃油经济线，作为柴油机的最优工作区间；
步骤(2)中，所述状态转移模型简化，具体为：
使用系统辨识拟合状态空间方程来代替原状态转移模型；
系统辨识的三要素为：输入输出数据集、模型类以及等价准则；其中，所述数据集由基于确定规则控制策略的能量管理策略仿真得到；所述模型类确定为状态空间方程，如下：
其中，Peng(t)为决策；Nmot(t)为电机需求转速；Tmot(t)为电机转矩；A、B为状态空间方程参数；
所述等价准则定义为：
其中，ε(k)为辨识模型和实际模型的误差；T为工况时长；
步骤(2)中，所述状态网格长度匹配，具体为：
根据所述确定规则控制策略的各段SOC的变化幅度ΔSOC，在保证状态转移精准度的前提下，在最大与最小ΔSOC范围内，选取相对长度大于预设百分比的候选状态网格长度；
对比不同候选状态网格长度下的算法性能，包括：总计算时长、单阶段计算时长、平均插值误差，选择最终的状态网格长度；其中，所述平均插值误差为动态规划算法的SOC与仿真模型SOC之间的误差，如下：
其中，IEavg为动态规划算法的SOC与仿真模型SOC之间的误差；T为工况时长；SOCDP为动态规划算法的SOC；SOCsim为仿真模型SOC，所述仿真模型以动态规划算法优化决策Pe作为输入，其余设置与确定规则控制策略一致；
步骤(3)中，以所述第二能量管理方案为参考标准，重新标定所述切换阈值，具体为：
对比基于确定规则控制策略以及改进的动态规划算法下蓄电池在不同时段的SOC轨迹、柴油机功率与电池功率，作为参考标准，重新标定所述切换阈值。
2.根据权利要求1所述的基于改进动态规划的混合动力船舶能量管理方法，其特征在于，对最小燃油消耗率的工作点进行离线寻优的约束条件，如下：
混合动力联合驱动模式下的约束条件：
Preq-Pb，dis≤Pe≤Preq-Pdis，L；
混合动力充电模式下的约束条件：
Preq+Pchg，L≤Pe≤Preq+Pchg，H；
其中，Preq为总需求功率；Pe为柴油机输出功率；Pb，dis为电池最大放电功率；Pdis，L为电池最小放电功率；Pchg，H为最大充电功率；Pchg，L为最小充电功率。
3.根据权利要求1所述的基于改进动态规划的混合动力船舶能量管理方法，其特征在于，步骤(2)中，所述计算逻辑改进，具体为：
将逆向回溯过程中的决策函数、状态转移函数和代价函数改为矩阵运算，删除“决策”和“状态”循环层，减少循环层数量。
4.根据权利要求1所述的基于改进动态规划的混合动力船舶能量管理方法，其特征在于，步骤(3)中，重新标定的所述切换阈值，如下：
纯电动驱动模式：SOC>SOCev&Pb，dis>Preq；此时，Pb＝Preq，Pe＝0；
混合动力充电模式一：SOC<SOCev||Pb，dis<Preq<Pc；此时，Pb＝Pb，chg，Pe＝Preq+Pb，chg；
混合动力充电模式二：Pc<Preq<Pe，optmax；此时，Pe＝Pe，optmax，Pb＝Pe-Preq；
联合驱动模式：Preq>Pe，optmax；此时，Pe＝Pe，optmax，Pb＝Preq-Pe；
制动能量回收模式：Preq<Pregen；此时，Pb＝0，Pe＝0；
其中，SOCev为纯电动驱动模式SOC门限值；Pb，dis为电池最大放电功率，随SOC变化；Preq为整船需求功率；Pb为电池功率；Pe为柴油机功率；Pb，chg为电池最大充电功率，随SOC变化；Pregen为制动能量回收模式阈值；Pc混合动力充电模式一和混合动力充电模式二的切换阈值；Pe,optmax为柴油机在所述燃油经济线上的最大值；&为并；||为或。
CN202311046641.6A 2023-08-19 2023-08-19 基于改进动态规划的混合动力船舶能量管理方法 Active CN117022599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311046641.6A CN117022599B (zh) 2023-08-19 2023-08-19 基于改进动态规划的混合动力船舶能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311046641.6A CN117022599B (zh) 2023-08-19 2023-08-19 基于改进动态规划的混合动力船舶能量管理方法

Publications (2)

Publication Number Publication Date
CN117022599A CN117022599A (zh) 2023-11-10
CN117022599B true CN117022599B (zh) 2024-07-12

Family

ID=88644664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311046641.6A Active CN117022599B (zh) 2023-08-19 2023-08-19 基于改进动态规划的混合动力船舶能量管理方法

Country Status (1)

Country Link
CN (1) CN117022599B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106553745A (zh) * 2015-09-24 2017-04-05 财团法人船舶暨海洋产业研发中心 船舶动力控制策略
CN108494080A (zh) * 2018-03-16 2018-09-04 上海海事大学 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3621846A1 (en) * 2017-05-12 2020-03-18 The Ohio State Innovation Foundation Real-time energy management strategy for hybrid electric vehicles with reduced battery aging
CN109143867A (zh) * 2018-09-26 2019-01-04 上海海事大学 一种基于神经网络控制的混合动力船舶的能量管理方法
CN115195971B (zh) * 2022-07-15 2024-07-09 中国船舶集团有限公司第七一一研究所 船舶能效管理系统、方法及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106553745A (zh) * 2015-09-24 2017-04-05 财团法人船舶暨海洋产业研发中心 船舶动力控制策略
CN108494080A (zh) * 2018-03-16 2018-09-04 上海海事大学 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法

Also Published As

Publication number Publication date
CN117022599A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
Ripaccioli et al. A stochastic model predictive control approach for series hybrid electric vehicle power management
CN110718940B (zh) 基于负荷预测的多能源船舶智能功率分配方法及装置
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
CN112776673A (zh) 智能网联燃料电池汽车实时能量优化管理系统
CN112069600B (zh) 一种多动力源混合动力系统及其能量管理方法
CN105882648A (zh) 一种基于模糊逻辑算法的混合动力系统能量管理方法
CN109591659A (zh) 一种智能学习的纯电动汽车能量管理控制方法
CN110406526A (zh) 基于自适应动态规划的并联混合动力汽车能量管理方法
Hofman et al. Rule-based equivalent fuel consumption minimization strategies for hybrid vehicles
Yadav et al. Fuzzy control implementation for energy management in hybrid electric vehicle
Hofman et al. Rule-based energy management strategies for hybrid vehicle drivetrains: A fundamental approach in reducing computation time
Ali et al. Observer-based power management for multi-source electric vehicles using optimized splitting ratios
CN112498332B (zh) 一种并联式混合动力汽车模糊自适应能量管理控制方法
CN117465412A (zh) 基于能量流效率最优的混合动力车辆在线能量管理方法
CN117022599B (zh) 基于改进动态规划的混合动力船舶能量管理方法
CN115848217B (zh) 一种基于多能源模组的能源管理方法
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
Guo et al. Energy management strategy of extended-range electric bus based on model predictive control
CN116176557A (zh) 一种混合动力越野车的能量管理方法、装置及电子设备
Zhong et al. An optimal torque distribution strategy for an integrated starter—generator parallel hybrid electric vehicle based on fuzzy logic control
Ramineni et al. Study and Investigation of Energy Management Techniques Used in Electric/Hybrid Electric Vehicles.
CN115330194A (zh) 多源动力系统实时优化能量调度方法及系统
Ren et al. Research on the Energy Management Strategy of Hybrid Vehicle Based on Pontryagin's Minimum Principle
Jing et al. Research on an Improved equivalent fuel consumption minimization strategy Based on Ant Colony Algorithm
CN108622362B (zh) 一种基于切换系统理论的混合动力船舶能量管理方法

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