CN112510701A - 多能源船舶能量管理控制装置及方法 - Google Patents
多能源船舶能量管理控制装置及方法 Download PDFInfo
- Publication number
- CN112510701A CN112510701A CN202011352050.8A CN202011352050A CN112510701A CN 112510701 A CN112510701 A CN 112510701A CN 202011352050 A CN202011352050 A CN 202011352050A CN 112510701 A CN112510701 A CN 112510701A
- Authority
- CN
- China
- Prior art keywords
- ship
- energy
- power
- load
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims description 51
- 238000004146 energy storage Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 30
- 239000003990 capacitor Substances 0.000 claims description 27
- 230000009471 action Effects 0.000 claims description 25
- 238000012706 support-vector machine Methods 0.000 claims description 22
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 18
- 229910052744 lithium Inorganic materials 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000011217 control strategy Methods 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多能源船舶能量管理控制装置,包括船舶电力参数采集模块、船舶负荷预测模块、能量管理分配模块和控制执行模块,所述船舶电力参数采集模块采集多能源船舶的电力参数,经所述船舶负荷预测模块预处理后,训练负荷预测模型,计算当前时刻的负荷预测数据值,所述能量管理分配模块获取船舶驾控信息,结合当前时刻的负荷预测数据值,利用Q‑learning算法对多能源功率分配目标进行求解,所述控制执行模块获取解,从而控制多能源船舶的各种能源分配。本发明还提供了相应的控制方法。本发明根据多能源动力***特性和实时运行工况,将多种能源合理分配、协调控制,减少船舶电网的电压和频率波动,使船舶电网的电能质量和船舶运行的经济性能达到最佳。
Description
技术领域
本发明涉及船舶能量控制领域,尤其涉及一种多能源船舶能量管理控制装置及方法。
背景技术
由于对船舶电站供电质量和船舶电网电能质量的要求越来越高,目前对它们的研究也成为了船舶电力***研究的一个热门方向。同时为缓解能源问题与环境污染问题,融入新能源的具有高供电质量的船舶成为未来船舶的重要发展方向。然而新能源的偶然性与时差性的特点,就需要其与储能元件之间配合使用。同时,现代设备中的能量管理方式通常由人为设定,最简单的方式即手动控制船舶的柴油发电机组的启停以及储能元件的换流器工作方式。这种方式虽然简单,但是会增大船舶的运行成本,缩短船舶的储能元件的使用寿命,影响船舶的供电质量。
发明内容
发明目的:本发明提出一种简单的可保证高船舶供电质量的多能源船舶能量管理控制装置。本发明的另一目的在于提供了一种多能源船舶能量管理控制方法。
技术方案:本发明所述的多能源船舶能量管理控制装置,包括:
船舶电力参数采集模块,用于采集多能源船舶的电力参数;
船舶负荷预测模块,用于获取所述船舶电力参数采集模块采集的电力参数,得到船舶的历史负荷数据信息,对所述历史负荷数据信息进行预处理,生成负荷预测训练数据集,利用所述负荷预测训练数据集训练得到负荷预测模型,计算当前时刻的负荷预测数据值;
能量管理分配模块,用于利用Q-learning算法,获取船舶驾控信息,并根据所述当前时刻的负荷预测数据值对船舶进行功率分配;
控制执行模块,用于根据所述能量管理分配模块生成的功率分配的数值信息对多能源船舶的输出功率进行调整,控制船舶柴油发电机组的启停与船舶储能元件的充放电状态。
进一步地,所述船舶电力参数采集模块采集的电力参数包括:船舶的柴油发电机和储能元件的电压电流信息、储能元件的剩余电量信息。
进一步地,所述船舶负荷预测模块对历史负荷数据信息的预处理包括从历史负荷数据信息中剔除坏值,再采用基于粒子群优化参数的支持向量机对多能源船舶的负荷数据进行预测,得到t时刻船舶负荷预测值Yt′,计算t时刻船舶实际负荷需求值为Yt与负荷预测值Yt′之间的差值,计算其相对误差百分比,针所述对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势S(t),则当前t时刻的负荷预测数据值为:
Y(t)=(1+S(t))×Yt′
进一步地,所述历史负荷数据信息为历史各时段的船舶的功率实际需求值,从中剔除坏值后得到船舶负荷预测的训练数据集S={(x1,y1),…,(xl,yl)}∈Rn×R,xi∈Rn表示船舶电力负荷训练样本的输入,yi∈R表示相应的输出,l为总的训练样本个数;
建立输入空间Rn到输出R上的映射集f:Rn→R,满足f(x)=y,则回归函数:
计算支持向量机预测时的回归误差:
建立如下Langrange方程:
其中,αi,αi *为Langrange乘子;
采用数据点描述ω,具体为:
船舶电力负荷预测的支持向量机回归形式为:
上式中,k(xi·x)表示核函数,具体选择为:
式中,σ为核宽度;
将支持向量机负荷预测算法的误差问题转化为核宽度σ和回归错误的惩罚参数C的选取问题,采用粒子群算法,得到优化后的核宽度σ和回归错误的惩罚参数C,计算得到各时间段的船舶负荷预测数据值Yt′;
对比各时间段的船舶负荷预测数据与船舶实际负荷需求值,计算各时间段的预测相对误差百分比,即Et的值:
针对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势:
S(t)=f(Et)+b
在任意t时刻的相对误差趋势为S(t),船舶负荷预测值为Yt′,由此可得到t+1时刻船舶负荷预测值,即:
Y(t)=(1+S(t))×Yt′
进一步地,所述能量管理分配模块,用于建立多能源船舶功率分配目标函数:
其中,u(t)、n(t)为控制变量,分别为多能源船舶的锂电池输出功率Pbat(t)、超级电容输出功率Psc(t);x(t)为状态变量,包括整船的需求功率Pm(t)、锂电池的SOC值SOCbat(t)、超级电容SOC值SOCsc(t)和船舶航速v(t);Pdie(t)为柴油发电机输出功率,Ppv(t)为光伏电池的输出功率,为柴油发电机实际柴油消耗速率,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子;
采用Q-learning算法,根据所述船舶负荷预测数据和采集的船舶驾控信息,对所述多能源船舶功率分配目标函数进行求解,得到优化后的多能源船舶的多能源功率分配值。
进一步地,所述能量管理分配模块采用Q-learning算法对所述多能源船舶功率分配目标函数进行求解,包括:
(1)建立需求功率变化模型:
其中,将需求功率分为n个状态,Pi表示在某一航速下由功率Pi转移到Pj的转移概率,Nij表示从Pi转移到Pj发生的次数,Ni表示状态Pi产生的总次数;
(2)将船舶电力***能量管理问题描述为五元组{S,A,{P},γ,R},其中,S为有限数量状态集,集合中的参数包括需求功率Pm(t)、SOC(t)、航速v(t),A为锂电池和超级电容的输出功率Pbat(t)、Psc(t)和P表示的动作集,{P}为状态s下采用动作a的状态转移概率分布,γ为学习过程中的折扣因子,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子,R为以船舶的性能优化价值函数表示的回报函数集:
(3)对每一个状态s,定义值函数为累积折扣回报的数学期望:
其中,γ为折扣因子,表示随时间的推移回报的折扣系数,对于一个固定的策略,E表示累计的奖励反馈量,反馈价值函数Vπ满足贝尔曼方程:
其中,s’表示状态s执行动作π(s)后的下一个可能状态,其服从Psπ(s)分布。上式有两部分组成:即时回报R(s)及未来累积折扣回报期望Es’~Psπ(s)[Vπ(s’)]。求解Vπ的目的是找到一个当前状态s下最优的行动策略π(s),定义最优的值函数为:
其贝尔曼方程形式为:
表示为强化学习中的Q函数形式为:
其中,Q(s,a)表示在s状态下执行动作a作为第一个动作时的最大累计折扣回报;通过求解最优值来确定最优控制策略:
对于值迭代的Q-learning算法而言,在给出离散状态和动作空间之后,对应于状态s和动作a的Q值和最优Q值可以递归定义为:
最终,Q-learning算法中Q值的迭代更新规则可以表示为:
其中,η是学习率。
进一步地,所述控制执行模块,用于持续获取所述船舶电力参数采集模块采集的多能源船舶的电力参数,所述电力参数包括多能源的输出电压、电流信息、储能元件的剩余电量信息;根据设定的储能元件的充电上限与放电下限,持续判断其剩余电量是否超出上下限:
当船舶的储能元件剩余电量高于放电下限时,船舶的储能元件作为船舶的主能源;
当船舶的储能元件剩余电量低于放电下限时,控制启动船舶的能源,所述能源就裕量缺损值进行功率的输出,切换船舶的储能元件为充电模式。
本发明所述的多能源船舶能量管理控制方法,包括:
(1)采集多能源船舶的电力参数作为历史负荷数据信息;
(2)对所述历史负荷数据信息进行预处理,生成负荷预测训练数据集,利用所述负荷预测训练数据集训练得到负荷预测模型,计算当前时刻的负荷预测数据值;
(3)利用Q-learning算法,获取船舶驾控信息,并根据所述当前时刻的负荷预测数据值对船舶进行功率分配。
进一步地,所述步骤(2)包括:
(21)将历史各时段的船舶的功率实际需求值作为历史负荷数据信息,从中剔除坏值得到船舶负荷预测的训练数据集S={(x1,y1),…,(xl,yl)}∈Rn×R,xi∈Rn表示船舶电力负荷训练样本的输入,yi∈R表示相应的输出,l为总的训练样本个数;
(22)建立输入空间Rn到输出R上的映射集f:Rn→R,满足f(x)=y,则回归函数:
计算支持向量机预测时的回归误差:
建立如下Langrange方程:
其中,αi,αi *为Langrange乘子;
采用数据点描述ω,具体为:
得到船舶电力负荷预测的支持向量机回归形式:
上式中,k(xi·x)表示核函数,具体选择为:
式中,σ为核宽度;
(23)将支持向量机负荷预测算法的误差问题转化为核宽度σ和回归错误的惩罚参数C的选取问题,采用粒子群算法,得到优化后的核宽度σ和回归错误的惩罚参数C,计算得到各时间段的船舶负荷预测数据值Yt′;
(24)对比各时间段的船舶负荷预测数据与船舶实际负荷需求值,计算各时间段的预测相对误差百分比,即Et的值:
针对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势:
S(t)=f(Et)+b
在任意t时刻的相对误差趋势为S(t),船舶负荷预测值为Yt′,由此可得到t时刻船舶负荷预测值,即:
Y(t)=(1+S(t))×Yt′
进一步地,所述步骤(3)包括:
(31)建立多能源船舶功率分配目标函数:
其中,u(t)、n(t)为控制变量,分别为多能源船舶的锂电池输出功率Pbat(t)、超级电容输出功率Psc(t);x(t)为状态变量,包括整船的需求功率Pm(t)、锂电池的SOC值SOCbat(t)、超级电容SOC值SOCsc(t)和船舶航速v(t);Pdie(t)为柴油发电机输出功率,Ppv(t)为光伏电池的输出功率,为柴油发电机实际柴油消耗速率,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子;
(32)采用Q-learning算法,根据所述船舶负荷预测数据和采集的船舶驾控信息,对所述多能源船舶功率分配目标函数进行求解,得到优化后的多能源船舶的多能源功率分配值。
有益效果:与现有技术相比,本发明具有以下优势:
(1)本发明就现代船舶中的交流电网结构中能量密度不足的缺点,使用新型的中压直流电网结构,使用电力电子设备将发电机组通过整流,储能元件和光伏板经过换流器,构成一个直流船用电网,可以解决交流电网能量密度不足的缺点;
(2)所采用的负荷预测算法为支持向量机负荷预测算法,它不仅支持线性与非线性的分类,还支持线性与非线性的回归;船舶负荷具有随机性较强的特点,所以使用粒子群优化参数的支持向量机负荷预测算法来针对船舶负荷进行预测,并引入相对误差趋势函数,可以进一步增强预测数据的真实性;另一方面,支持向量机负荷预测算法支持小数量样本数据,可以解决高维的问题,也可以很好的适用于船舶负荷随机性与波动性较大的特性;
(3)所采用的基于情感学***衡船舶柴油发电机组的消耗和储能元件电量可持续性之间的均衡,进一步增强船舶运行的经济性能、延长了设备的使用寿命,同时也实现了船舶的供电与船舶的功率需求的匹配,提高了船舶供电课可靠性;
(4)本多能源船舶融入光伏板作为船舶的能源之一,可以增强船舶的运行经济性能与环保性能;
(5)使用的储能元件包含锂电池与超级电容,在船舶的负载波动较大时,能更好的平衡船舶的直流母线电压波动,更有利于船舶电力***的稳定性。
附图说明
图1是本发明所述多能源船舶能量管理控制装置的结构示意图;
图2是本发明实施例的负荷预测模型建立流程图;
图3是本发明实施例的Q-learning算法流程图;
图4是本发明实施例的基于Q-learning算法的控制策略的求解流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
请参见图1,其示出了本发明所述的多能源船舶能量管理控制装置,该装置包括船舶电力参数采集模块、船舶负荷预测模块、能量管理分配模块、控制执行模块。
所述船舶电力参数采集模块,用于采集多能源船舶的电力参数,包括船舶的柴油发电机和储能元件的电压电流信息、储能元件的剩余电量信息;
所述船舶负荷预测模块,用于获取所述船舶电力参数采集模块采集的电力参数,得到船舶的历史负荷数据信息,对所述历史负荷数据信息进行预处理:从历史各时段的船舶的功率实际需求值中剔除坏值后得到船舶负荷预测的训练数据集S={(x1,y1),…,(xl,yl)}∈Rn×R,xi∈Rn表示船舶电力负荷训练样本的输入,yi∈R表示相应的输出,l为总的训练样本个数;
如图2所示,建立输入空间Rn到输出R上的映射集f:Rn→R,满足f(x)=y,则回归函数:
计算支持向量机预测时的回归误差:
建立如下Langrange方程:
其中,αi,αi *为Langrange乘子;
采用数据点描述ω,具体为:
船舶电力负荷预测的支持向量机回归形式为:
对比各时间段的船舶负荷预测数据与船舶实际负荷需求值,计算各时间段的预测相对误差百分比,即Et的值:
针对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势:
S(t)=f(Et)+b
在任意t时刻的相对误差趋势为S(t),船舶负荷预测值为Yt′,由此可得到t时刻船舶负荷预测数据,即:
Y(t)=(1+S(t))×Yt′
所述能量管理分配模块,用于建立多能源船舶功率分配目标函数:
其中,u(t)、n(t)为控制变量,分别为多能源船舶的锂电池输出功率Pbat(t)、超级电容输出功率Psc(t);x(t)为状态变量,包括整船的需求功率Pm(t)、锂电池的SOC值SOCbat(t)、超级电容SOC值SOCsc(t)和船舶航速v(t);Pdie(t)为柴油发电机输出功率,Ppv(t)为光伏电池的输出功率,为柴油发电机实际柴油消耗速率,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子;
采用Q-learning算法,根据所述船舶负荷预测数据和采集的船舶驾控信息,对所述多能源船舶功率分配目标函数进行求解,得到优化后的多能源船舶的多能源功率分配值。
Q-learning算法是一种基于值迭代的算法,通过执行状态与动作构建成Q-table,存储价值量Q值,然后根据Q值来选取动作以获得较大的收益,因此,能够从价值量Q的表格中,选取最优控制策略,平衡船舶柴油发电机组的消耗和储能元件电量可持续性之间的均衡,进一步增强船舶运行的经济性能、延长了设备的使用寿命,同时也实现了船舶的供电与船舶的功率需求的匹配,提高了船舶供电课可靠性。
所述能量管理分配模块采用Q-learning算法对所述多能源船舶功率分配目标函数进行求解,包括:
(1)建立需求功率变化模型:
其中,将需求功率分为n个状态,Pi表示在某一航速下由功率Pi转移到Pj的转移概率,Nij表示从Pi转移到Pj发生的次数,Ni表示状态Pi产生的总次数;
(2)将船舶电力***能量管理问题描述为五元组{S,A,{P},γ,R},其中,S为有限数量状态集,集合中的参数包括需求功率Pm(t)、SOC(t)、航速v(t),A为锂电池和超级电容的输出功率Pbat(t)、Psc(t)和P表示的动作集,{P}为状态s下采用动作a的状态转移概率分布,γ为学习过程中的折扣因子,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子,R为以船舶的性能优化价值函数表示的回报函数集:
(3)对每一个状态s,定义值函数为累积折扣回报的数学期望:
其中,γ为折扣因子,表示随时间的推移回报的折扣系数,对于一个固定的策略,E表示累计的奖励反馈量,反馈价值函数Vπ满足贝尔曼方程:
其中,s’表示状态s执行动作π(s)后的下一个可能状态,其服从Psπ(s)分布。上式有两部分组成:即时回报R(s)及未来累积折扣回报期望Es’~Psπ(s)[Vπ(s’)]。求解Vπ的目的是找到一个当前状态s下最优的行动策略π(s),定义最优的值函数为:
其贝尔曼方程形式为:
表示为强化学习中的Q函数形式为:
其中,Q(s,a)表示在s状态下执行动作a作为第一个动作时的最大累计折扣回报。通过求解最优值来确定最优控制策略:
对于值迭代的Q-learning算法而言,在给出离散状态和动作空间之后,对应于状态s和动作a的Q值和最优Q值可以递归定义为:
最终,Q-learning算法中Q值的迭代更新规则可以表示为:
其中,η是学习率。η∈[0,1],学习率越大,收敛速度越快,但会导致过拟合问题,本研究中,取值设为0.1。图3给出Q-learning算法在matlab中的计算流程,基于Q-learning的最优控制策略通过多次迭代得到。基于强化学习的控制策略就是通过基于值迭代的Q-learning算法,求解给定离散状态下和动作空间下的最优值函数,通过多次迭代得到最优控制策略,图4给出强化学习控制策略求解过程。
控制执行模块,用于根据所述能量管理分配模块生成的功率分配的数值信息对多能源船舶的输出功率进行调整,控制船舶柴油发电机组的启停及输出功率的调整、光伏板的输出功率、船舶储能元件的充放电状态及一二三级负荷开关状态的切换,具体控制策略包括:
(1)电力参数采集器持续采集船舶的柴油发电机、光伏板、锂电池和超级电容的输出电压、电流信息,并持续采集储能元件的剩余电量信息;
(2)设定储能元件的充电上限与放电下限,并持续判断其剩余电量是否超出上下限。当船舶的储能元件剩余电量高于放电下限时,船舶的储能元件作为船舶的主能源,光伏板配合船舶储能元件供给全船的能量需求;
(3)当船舶的储能元件剩余电量低于放电下限时,启动船舶的柴油发电机,切换船舶的储能元件为充电模式,船舶的柴油发电机就裕量缺损值进行功率的输出;
(4)在船舶的驾控信息为匀速缓慢行驶时,船舶的柴油发电机就裕量缺损值进行功率的输出,并调节光伏板的输出功率;当船舶为全速行驶时,关闭船舶的二三级负荷,并增起船舶的柴油机组,储能元件进一步放电。
本发明所述的多能源船舶能量管理控制方法,包括步骤:
(1)采集多能源船舶的电力参数作为历史负荷数据信息;
(21)将历史各时段的船舶的功率实际需求值作为历史负荷数据信息,从中剔除坏值得到船舶负荷预测的训练数据集S={(x1,y1),…,(xl,yl)}∈Rn×R,xi∈Rn表示船舶电力负荷训练样本的输入,yi∈R表示相应的输出,l为总的训练样本个数;
(22)建立输入空间Rn到输出R上的映射集f:Rn→R,满足f(x)=y,则回归函数:
计算支持向量机预测时的回归误差:
建立如下Langrange方程:
其中,αi,αi *为Langrange乘子;
采用数据点描述ω,具体为:
得到船舶电力负荷预测的支持向量机回归形式:
上式中,k(xi·x)表示核函数,具体选择为:
式中,σ为核宽度;
(23)将支持向量机负荷预测算法的误差问题转化为核宽度σ和回归错误的惩罚参数C的选取问题,采用粒子群算法,得到优化后的核宽度σ和回归错误的惩罚参数C,计算得到各时间段的船舶负荷预测数据值Yt′;
(24)对比各时间段的船舶负荷预测数据与船舶实际负荷需求值,计算各时间段的预测相对误差百分比,即Et的值:
针对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势:
S(t)=f(Et)+b
在任意t时刻的相对误差趋势为S(t),船舶负荷预测值为Yt′,由此可得到t时刻船舶负荷预测值,即:
Y(t)=(1+S(t))×Yt′
(31)建立多能源船舶功率分配目标函数:
其中,u(t)、n(t)为控制变量,分别为多能源船舶的锂电池输出功率Pbat(t)、超级电容输出功率Psc(t);x(t)为状态变量,包括整船的需求功率Pm(t)、锂电池的SOC值SOCbat(t)、超级电容SOC值SOCsc(t)和船舶航速v(t);Pdie(t)为柴油发电机输出功率,Ppv(t)为光伏电池的输出功率,为柴油发电机实际柴油消耗速率,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子;
(32)采用Q-learning算法,根据所述船舶负荷预测数据和采集的船舶驾控信息,对所述多能源船舶功率分配目标函数进行求解,得到优化后的多能源船舶的多能源功率分配值:
(321)建立需求功率变化模型:
其中,将需求功率分为n个状态,Pi表示在某一航速下由功率Pi转移到Pj的转移概率,Nij表示从Pi转移到Pj发生的次数,Ni表示状态Pi产生的总次数;
(322)将船舶电力***能量管理问题描述为五元组{S,A,{P},γ,R},其中,S为有限数量状态集,集合中的参数包括需求功率Pm(t)、SOC(t)、航速v(t),A为锂电池和超级电容的输出功率Pbat(t)、Psc(t)和P表示的动作集,{P}为状态s下采用动作a的状态转移概率分布,γ为学习过程中的折扣因子,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子,R为以船舶的性能优化价值函数表示的回报函数集:
(323)对每一个状态s,定义值函数为累积折扣回报的数学期望:
其中,γ为折扣因子,表示随时间的推移回报的折扣系数,对于一个固定的策略,E表示累计的奖励反馈量,反馈价值函数Vπ满足贝尔曼方程:
其中,s’表示状态s执行动作π(s)后的下一个可能状态,其服从Psπ(s)分布;上式有两部分组成:即时回报R(s)及未来累积折扣回报期望Es’~Psπ(s)[Vπ(s’)];求解Vπ的目的是找到一个当前状态s下最优的行动策略π(s),定义最优的值函数为:
其贝尔曼方程形式为:
表示为强化学习中的Q函数形式为:
其中,Q(s,a)表示在s状态下执行动作a作为第一个动作时的最大累计折扣回报。通过求解最优值来确定最优控制策略:
对于值迭代的Q-learning算法而言,在给出离散状态和动作空间之后,对应于状态s和动作a的Q值和最优Q值可以递归定义为:
最终,Q-learning算法中Q值的迭代更新规则可以表示为:
其中,η是学习率。
Claims (10)
1.一种多能源船舶能量管理控制装置,其特征在于,该装置包括:
船舶电力参数采集模块,用于采集多能源船舶的电力参数;
船舶负荷预测模块,用于获取所述船舶电力参数采集模块采集的电力参数,得到船舶的历史负荷数据信息,对所述历史负荷数据信息进行预处理,生成负荷预测训练数据集,利用所述负荷预测训练数据集训练得到负荷预测模型,计算当前时刻的负荷预测数据值;
能量管理分配模块,用于利用Q-learning算法,获取船舶驾控信息,并根据所述当前时刻的负荷预测数据值对船舶进行功率分配;
控制执行模块,用于根据所述能量管理分配模块生成的功率分配的数值信息对多能源船舶的输出功率进行调整,控制船舶柴油发电机组的启停与船舶储能元件的充放电状态。
2.根据权利要求1所述的多能源船舶能量管理控制装置,其特征在于,所述船舶电力参数采集模块采集的电力参数包括:船舶的柴油发电机和储能元件的电压电流信息、储能元件的剩余电量信息。
3.根据权利要求1所述的多能源船舶能量管理控制装置,其特征在于:所述船舶负荷预测模块对历史负荷数据信息的预处理包括从历史负荷数据信息中剔除坏值,再采用基于粒子群优化参数的支持向量机对多能源船舶的负荷数据进行预测,得到t时刻船舶负荷预测值Yt′,计算t时刻船舶实际负荷需求值为Yt与负荷预测值Yt′之间的差值,计算其相对误差百分比,针所述对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势S(t),则当前t时刻的负荷预测数据值为:
Y(t)=(1+S(t))×Yt′。
4.根据权利要求3所述的多能源船舶能量管理控制装置,其特征在于:所述历史负荷数据信息为历史各时段的船舶的功率实际需求值,从中剔除坏值后得到船舶负荷预测的训练数据集S={(x1,y1),…,(xl,yl)}∈Rn×R,xi∈Rn表示船舶电力负荷训练样本的输入,yi∈R表示相应的输出,l为总的训练样本个数;
建立输入空间Rn到输出R上的映射集f:Rn→R,满足f(x)=y,则回归函数:
计算支持向量机预测时的回归误差:
建立如下Langrange方程:
其中,αi,αi *为Langrange乘子;
采用数据点描述ω,具体为:
船舶电力负荷预测的支持向量机回归形式为:
上式中,k(xi·x)表示核函数,具体选择为:
式中,σ为核宽度;
将支持向量机负荷预测算法的误差问题转化为核宽度σ和回归错误的惩罚参数C的选取问题,采用粒子群算法,得到优化后的核宽度σ和回归错误的惩罚参数C,计算得到各时间段的船舶负荷预测数据值Yt′;
对比各时间段的船舶负荷预测数据与船舶实际负荷需求值,计算各时间段的预测相对误差百分比,即Et的值:
针对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势:
S(t)=f(Et)+b
在任意t时刻的相对误差趋势为S(t),船舶负荷预测值为Yt′,由此可得到t时刻船舶负荷预测值,即:
Y(t)=(1+S(t))×Yt′。
5.根据权利要求1所述的多能源船舶能量管理控制装置,其特征在于,所述能量管理分配模块,用于建立多能源船舶功率分配目标函数:
其中,u(t)、n(t)为控制变量,分别为多能源船舶的锂电池输出功率Pbat(t)、超级电容输出功率Psc(t);x(t)为状态变量,包括整船的需求功率Pm(t)、锂电池的SOC值SOCbat(t)、超级电容SOC值SOCsc(t)和船舶航速v(t);Pdie(t)为柴油发电机输出功率,Ppv(t)为光伏电池的输出功率,为柴油发电机实际柴油消耗速率,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子;
采用Q-learning算法,根据所述船舶负荷预测数据和采集的船舶驾控信息,对所述多能源船舶功率分配目标函数进行求解,得到优化后的多能源船舶的多能源功率分配值。
6.根据权利要求5所述的多能源船舶能量管理控制装置,其特征在于,所述能量管理分配模块采用Q-learning算法对所述多能源船舶功率分配目标函数进行求解,包括:
(1)建立需求功率变化模型:
其中,将需求功率分为n个状态,Pi表示在某一航速下由功率Pi转移到Pj的转移概率,Nij表示从Pi转移到Pj发生的次数,Ni表示状态Pi产生的总次数;
(2)将船舶电力***能量管理问题描述为五元组{S,A,{P},γ,R},其中,S为有限数量状态集,集合中的参数包括需求功率Pm(t)、SOC(t)、航速v(t),A为锂电池和超级电容的输出功率Pbat(t)、Psc(t)和P表示的动作集,{P}为状态s下采用动作a的状态转移概率分布,γ为学习过程中的折扣因子,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子,R为以船舶的性能优化价值函数表示的回报函数集:
(3)对每一个状态s,定义值函数为累积折扣回报的数学期望:
其中,γ为折扣因子,表示随时间的推移回报的折扣系数,对于一个固定的策略,E表示累计的奖励反馈量,反馈价值函数Vπ满足贝尔曼方程:
其中,s’表示状态s执行动作π(s)后的下一个可能状态,其服从Psπ(s)分布;上式有两部分组成:即时回报R(s)及未来累积折扣回报期望Es,~Psπ(s)[Vπ(s’)];求解Vπ的目的是找到一个当前状态s下最优的行动策略π(s),定义最优的值函数为:
其贝尔曼方程形式为:
表示为强化学习中的Q函数形式为:
其中,Q(s,a)表示在s状态下执行动作a作为第一个动作时的最大累计折扣回报。通过求解最优值来确定最优控制策略:
对于值迭代的Q-learning算法而言,在给出离散状态和动作空间之后,对应于状态s和动作a的Q值和最优Q值可以递归定义为:
最终,Q-learning算法中Q值的迭代更新规则可以表示为:
其中,η是学习率。
7.根据权利要求1所述的多能源船舶能量管理控制装置,其特征在于,所述控制执行模块,用于持续获取所述船舶电力参数采集模块采集的多能源船舶的电力参数,所述电力参数包括多能源的输出电压、电流信息、储能元件的剩余电量信息;根据设定的储能元件的充电上限与放电下限,持续判断其剩余电量是否超出上下限:
当船舶的储能元件剩余电量高于放电下限时,船舶的储能元件作为船舶的主能源;
当船舶的储能元件剩余电量低于放电下限时,控制启动船舶的能源,所述能源就裕量缺损值进行功率的输出,切换船舶的储能元件为充电模式。
8.一种多能源船舶能量管理控制方法,其特征在于,包括步骤:
(1)采集多能源船舶的电力参数作为历史负荷数据信息;
(2)对所述历史负荷数据信息进行预处理,生成负荷预测训练数据集,利用所述负荷预测训练数据集训练得到负荷预测模型,计算当前时刻的负荷预测数据值;
(3)利用Q-learning算法,获取船舶驾控信息,并根据所述当前时刻的负荷预测数据值对船舶进行功率分配。
9.根据权利要求8所述的多能源船舶能量管理控制方法,其特征在于,所述步骤(2)包括:
(21)将历史各时段的船舶的功率实际需求值作为历史负荷数据信息,从中剔除坏值得到船舶负荷预测的训练数据集S={(x1,y1),…,(xl,yl)}∈Rn×R,xi∈Rn表示船舶电力负荷训练样本的输入,yi∈R表示相应的输出,l为总的训练样本个数;
(22)建立输入空间Rn到输出R上的映射集f:Rn→R,满足f(x)=y,则回归函数:
计算支持向量机预测时的回归误差:
建立如下Langrange方程:
其中,αi,αi *为Langrange乘子;
采用数据点描述ω,具体为:
得到船舶电力负荷预测的支持向量机回归形式:
上式中,k(xi·x)表示核函数,具体选择为:
式中,σ为核宽度;
(23)将支持向量机负荷预测算法的误差问题转化为核宽度σ和回归错误的惩罚参数C的选取问题,采用粒子群算法,得到优化后的核宽度σ和回归错误的惩罚参数C,计算得到各时间段的船舶负荷预测数据值Yt′;
(24)对比各时间段的船舶负荷预测数据与船舶实际负荷需求值,计算各时间段的预测相对误差百分比,即Et的值:
针对各时间段的相对误差百分比,拟合出实际值与负荷值之间的相对误差趋势:
S(t)=f(Et)+b
在任意t时刻的相对误差趋势为S(t),船舶负荷预测值为Yt′,由此可得到t时刻船舶负荷预测值,即:
Y(t)=(1+S(t))×Yt′。
10.根据权利要求8所述的多能源船舶能量管理控制方法,其特征在于,所述步骤(3)包括:
(31)建立多能源船舶功率分配目标函数:
其中,u(t)、n(t)为控制变量,分别为多能源船舶的锂电池输出功率Pbat(t)、超级电容输出功率Psc(t);x(t)为状态变量,包括整船的需求功率Pm(t)、锂电池的SOC值SOCbat(t)、超级电容SOC值SOCsc(t)和船舶航速v(t);Pdie(t)为柴油发电机输出功率,Ppv(t)为光伏电池的输出功率,为柴油发电机实际柴油消耗速率,α为电池荷电状态的调节因子,β为超级电容荷电状态的调节因子;
(32)采用Q-learning算法,根据所述船舶负荷预测数据和采集的船舶驾控信息,对所述多能源船舶功率分配目标函数进行求解,得到优化后的多能源船舶的多能源功率分配值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011352050.8A CN112510701A (zh) | 2020-11-27 | 2020-11-27 | 多能源船舶能量管理控制装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011352050.8A CN112510701A (zh) | 2020-11-27 | 2020-11-27 | 多能源船舶能量管理控制装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112510701A true CN112510701A (zh) | 2021-03-16 |
Family
ID=74966536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011352050.8A Pending CN112510701A (zh) | 2020-11-27 | 2020-11-27 | 多能源船舶能量管理控制装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112510701A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113193554A (zh) * | 2021-05-06 | 2021-07-30 | 上海交通大学 | 一种基于数据驱动的新能源船舶节能减排方法及*** |
CN113224749A (zh) * | 2021-04-27 | 2021-08-06 | 重庆理工大学 | 油电混合储能电源方舱与全局最优放电控制方法 |
CN113239630A (zh) * | 2021-06-03 | 2021-08-10 | 上海交通大学 | 风资源影响的移动能源网络发电与航程优化方法和*** |
CN113609102A (zh) * | 2021-08-11 | 2021-11-05 | 佛山仙湖实验室 | 一种混合驱动矿用卡车的能量管理数据库的构建方法 |
CN114180023A (zh) * | 2021-12-08 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
CN114301095A (zh) * | 2021-12-31 | 2022-04-08 | 武汉理工大学 | 一种基于多能源分布式无线岸电***的ppo2能量管理方法 |
CN115456316A (zh) * | 2022-11-11 | 2022-12-09 | 山东交通职业学院 | 一种船舶多能源供电***管理方法 |
CN116280140A (zh) * | 2023-04-13 | 2023-06-23 | 广东海洋大学 | 基于深度学习的船舶混合动力能量管理方法、设备及介质 |
CN117559509A (zh) * | 2024-01-11 | 2024-02-13 | 中国海洋大学 | 一种船舶柴光储最佳功率匹配方法及装置 |
CN117764282A (zh) * | 2023-12-28 | 2024-03-26 | 易站智联科技(广州)有限公司 | 一种多传感器数据融合的船舶能源消耗追踪方法 |
CN117878979A (zh) * | 2024-03-13 | 2024-04-12 | 华远电力集团有限公司 | 基于电储能的功率平衡及动态补偿*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103332284A (zh) * | 2013-06-27 | 2013-10-02 | 上海海事大学 | 一种混合动力船舶电力推进***的能量管理与控制方法 |
US20170087996A1 (en) * | 2015-09-24 | 2017-03-30 | Ship And Ocean Industries R&D Center | Energy Management Strategy for Boats and Ships |
CN110275440A (zh) * | 2019-07-02 | 2019-09-24 | 江苏科技大学 | 基于负荷预测的多能源船舶能量管理控制器及其控制方法 |
CN110718940A (zh) * | 2019-10-11 | 2020-01-21 | 江苏科技大学 | 基于负荷预测的多能源船舶智能功率分配方法及装置 |
-
2020
- 2020-11-27 CN CN202011352050.8A patent/CN112510701A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103332284A (zh) * | 2013-06-27 | 2013-10-02 | 上海海事大学 | 一种混合动力船舶电力推进***的能量管理与控制方法 |
US20170087996A1 (en) * | 2015-09-24 | 2017-03-30 | Ship And Ocean Industries R&D Center | Energy Management Strategy for Boats and Ships |
CN110275440A (zh) * | 2019-07-02 | 2019-09-24 | 江苏科技大学 | 基于负荷预测的多能源船舶能量管理控制器及其控制方法 |
CN110718940A (zh) * | 2019-10-11 | 2020-01-21 | 江苏科技大学 | 基于负荷预测的多能源船舶智能功率分配方法及装置 |
Non-Patent Citations (3)
Title |
---|
丁明等: "电力***短期负荷预测软件包的设计与实现", 《合肥工业大学学报(自然科学版)》 * |
林歆悠等: "基于增强学习算法的插电式燃料电池电动汽车能量管理控制策略", 《工程科学学报》 * |
石晓艳等: "鲶鱼粒子群算法优化支持向量机的短期负荷预测", 《计算机工程与应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113224749A (zh) * | 2021-04-27 | 2021-08-06 | 重庆理工大学 | 油电混合储能电源方舱与全局最优放电控制方法 |
CN113193554B (zh) * | 2021-05-06 | 2023-05-23 | 上海交通大学 | 一种基于数据驱动的新能源船舶节能减排方法及*** |
CN113193554A (zh) * | 2021-05-06 | 2021-07-30 | 上海交通大学 | 一种基于数据驱动的新能源船舶节能减排方法及*** |
CN113239630A (zh) * | 2021-06-03 | 2021-08-10 | 上海交通大学 | 风资源影响的移动能源网络发电与航程优化方法和*** |
CN113609102A (zh) * | 2021-08-11 | 2021-11-05 | 佛山仙湖实验室 | 一种混合驱动矿用卡车的能量管理数据库的构建方法 |
CN113609102B (zh) * | 2021-08-11 | 2024-03-19 | 佛山仙湖实验室 | 一种混合驱动矿用卡车的能量管理数据库的构建方法 |
CN114180023A (zh) * | 2021-12-08 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
CN114180023B (zh) * | 2021-12-08 | 2023-09-01 | 中国船舶集团有限公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
CN114301095B (zh) * | 2021-12-31 | 2023-11-17 | 武汉理工大学 | 一种基于多能源分布式无线岸电***的ppo2能量管理方法 |
CN114301095A (zh) * | 2021-12-31 | 2022-04-08 | 武汉理工大学 | 一种基于多能源分布式无线岸电***的ppo2能量管理方法 |
CN115456316A (zh) * | 2022-11-11 | 2022-12-09 | 山东交通职业学院 | 一种船舶多能源供电***管理方法 |
CN116280140A (zh) * | 2023-04-13 | 2023-06-23 | 广东海洋大学 | 基于深度学习的船舶混合动力能量管理方法、设备及介质 |
CN116280140B (zh) * | 2023-04-13 | 2023-10-10 | 广东海洋大学 | 基于深度学习的船舶混合动力能量管理方法、设备及介质 |
CN117764282A (zh) * | 2023-12-28 | 2024-03-26 | 易站智联科技(广州)有限公司 | 一种多传感器数据融合的船舶能源消耗追踪方法 |
CN117559509A (zh) * | 2024-01-11 | 2024-02-13 | 中国海洋大学 | 一种船舶柴光储最佳功率匹配方法及装置 |
CN117559509B (zh) * | 2024-01-11 | 2024-05-14 | 中国海洋大学 | 一种船舶柴光储最佳功率匹配方法及装置 |
CN117878979A (zh) * | 2024-03-13 | 2024-04-12 | 华远电力集团有限公司 | 基于电储能的功率平衡及动态补偿*** |
CN117878979B (zh) * | 2024-03-13 | 2024-05-17 | 华远电力集团有限公司 | 基于电储能的功率平衡及动态补偿*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112510701A (zh) | 多能源船舶能量管理控制装置及方法 | |
Mirzapour et al. | A new prediction model of battery and wind-solar output in hybrid power system | |
Xiong et al. | Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management | |
CN106972516B (zh) | 一种适用于微网的多类型储能多级控制方法 | |
CN109103912B (zh) | 考虑电网调峰需求的工业园区主动配电***调度优化方法 | |
Nambisan et al. | Optimal energy management of battery supercapacitor aided solar PV powered agricultural feed mill using Pontryagin's minimum principle | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、***及装置 | |
CN105207259A (zh) | 基于能量管理的并网状态下的微电网***调度方法 | |
Li et al. | Online battery protective energy management for energy-transportation nexus | |
KR20200119367A (ko) | 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법 | |
CN117060470A (zh) | 一种基于灵活性资源的配电网电压优化控制方法 | |
CN115423153A (zh) | 基于概率预测的光伏储能***能量管理方法 | |
Aslay et al. | Machine learning-based estimation of output current ripple in PFC-IBC used in battery charger of electrical vehicles: a comparison of LR, RF and ANN techniques | |
CN104821619B (zh) | 基于可再生能源的蓄电池充电装置及其控制方法 | |
Zahedi et al. | Operational strategy optimization of a hybrid green power system based on fuzzy logic controller with considering for optimal sizing and analysis of different priorities for energy storage | |
CN112467717A (zh) | 一种基于模糊控制的混合能源***实时负荷分配方法 | |
CN112510690A (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及*** | |
CN112036735A (zh) | 一种用于光伏电站的储能***的储能容量规划方法及*** | |
CN109347120B (zh) | 一种面向电网频率响应的决策方法和*** | |
CN114186811B (zh) | 一种微电网***实时调度模型的构建方法及应用 | |
Ji et al. | A electric power optimal scheduling study of hybrid energy storage system integrated load prediction technology considering ageing mechanism | |
CN116151553A (zh) | 制氢***调度方法、位置及非易失性存储介质 | |
Roy et al. | Cost optimization of battery and Supercapacitor Hybrid Energy Storage System for dispatching solar PV Power | |
Valladolid et al. | Lithium-ion SOC optimizer consumption using accelerated particle swarm optimization and temperature criterion | |
Che et al. | Health Prediction for Lithium-Ion Batteries Under Unseen Working Conditions |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |