一种应用于无人风帆航行器的多源能源协同管理方法与流程

本发明涉及智能控制，具体涉及一种应用于无人风帆航行器的多源能源协同管理方法。

背景技术：

1、现阶段，随着海洋原位环境监测手段的不断丰富，海洋无人航行器产业的不断壮大，其中无人风帆航行器是依靠自然风能作为主推进动力，使用绿色清洁能源，极大提高航行器在海洋中的续航能力，提高航行器的工作距离与工作事件。

2、然而，在风帆航行器的能源管理与控制方面，存在以下问题：

3、1、传统能源管理均采用固定阈值、固定功率配比的静态控制方式，无法根据负载实时能耗变化动态调整供电策略，极易出现高负载工况供电不足、低负载待机能源浪费的问题，无法实现无人场景下的自主精准配能；

4、2、现有能耗建模仅依赖实时传感瞬时数据，无历史时序数据校正、无未来气象水文先验支撑，无法结合航行器长期航行积累的时序工况数据，难以实现对功耗模型的实时校正，能源管控精准度低；

5、3、传统航行器仅能基于航行器上搭载的传感器感知当时海洋环境，无超前环境预判与能源、航行协同调度能力。无法提前掌握作业海域风速、风向、潮流、太阳辐射的时序变化趋势，不能提前匹配风能、太阳能资源调整航行与供电策略，导致清洁能源利用率低，航行作业模式需人工调节。

技术实现思路

1、本发明的目的是针对现有技术存在的不足，提供一种应用于无人风帆航行器的多源能源协同管理方法。

2、为实现上述目的，本发明提供了一种应用于无人风帆航行器的多源能源协同管理方法，所述无人风帆航行器上配置有光伏阵列、可调翼帆机构、电动辅助推进器和储能电池，所述方法包括：

3、接收云端气象预报系统发送的未来的预报参数集合；

4、对所述预报参数集合中的数据进行预处理，以获得标准化的预报时序数据；

5、获取无人风帆航行器的实时状态数据及历史工况数据；

6、将所述标准化的预报时序数据、实时状态数据和历史工况数据输入至能预训练的能耗续航预测模型中，以获得预测时域内多变量时序预测结果；

7、动态构建一组时域不等式约束，并将所述标准化的预报时序数据、时域不等式约束、实时状态数据和多变量时序预测结果输入至mpc控制器，所述mpc控制器以mpc以储能电池荷电状态稳定、系统总消耗功率最小、抑制推进功率频繁波动、保障负载平稳供电为目标函数，求解未来时域连续最优控制序列。

8、进一步的，所述预报参数集合为：

9、；

10、其中，为时刻发送的预报参数集合，为预报风速时序，为预报风向时序，为预报海面太阳辐照度时序，为预报潮流时序；

11、所述实时状态数据具体如下：

12、；

13、其中，为时刻的实时状态数据，为实时风速，为太阳辐照度，为储能电池剩余电量，为可调翼帆机构的实际攻角，为实时负载功率，为光伏阵列的实时光伏发电功率，为可调翼帆机构实时捕获风能对应的等效机械功率。

14、进一步的，所述能耗续航预测模型包括：

15、输入层，用以设置时序滑动窗口长度，并将所述标准化的预报时序数据、实时状态数据和历史工况数据拼接获得多维输入矩阵；

16、特征融合层，用以对所述输入层输出的多维输入矩阵进行非线性映射融合，以获得融合特征；

17、lstm时序特征提取层，用以根据融合特征预测未来风光功率动态演变趋势，输出当前时刻的隐藏特征；

18、输出层，用以根据当前时刻的隐藏特征输出预测时域内多变量时序预测结果。

19、进一步的，所述多维输入矩阵表示为：

20、；

21、其中，为拼接获得的多维输入矩阵，为拼接操作，为标准化的预报时序数据，为历史工况数据；

22、所述特征融合层进行非线性映射融合的方式如下：

23、；

24、其中，为融合特征，为激活函数，为特征融合层的融合权重矩阵，为偏置向量。

25、进一步的，所述lstm时序特征提取层输出的当前时刻的隐藏特征为：

26、；

27、；

28、；

29、；

30、；

31、；

32、其中，为时刻的隐藏特征，为时刻输出门的输出向量，为哈达玛积，为双曲正切激活函数，为时刻细胞状态，为sigmoid激活函数，为输出门的权重矩阵，为时刻的融合特征，为时刻的隐藏特征，为向量拼接符号，为输出门的偏置向量，为遗忘门的输出向量，为时刻细胞状态，为输入门的输出向量，为时刻的候选细胞状态，为候选状态的权重矩阵，为候选状态的偏置向量，为输入门的权重矩阵，为输入门的偏置向量，为遗忘门的权重矩阵，为遗忘门的偏置向量。

33、进一步的，所述多变量时序预测结果表示为：

34、；

35、其中，为多变量时序预测结果，为时刻光伏阵列的发电预测功率，为时刻可调翼帆机构捕获风能等效机械预测功率，为时刻各类载荷预测功耗，为时刻的剩余自持续航时长，，为能耗续航预测模型的预测时域。

36、进一步的，所述能耗续航预测模型在训练时采用的损失函数为：

37、；

38、；

39、；

40、；

41、其中，为整体预测均方差误差，为光伏功率预测绝对误差项，为风能功率预测绝对误差项，为可调权重超参数，为时刻的多变量时序的观测值，为时刻的光伏发电时测功率，为时刻的风能捕获实测功率，为绝对值符号。

42、进一步的，所述时域不等式约束具体如下：

43、；

44、其中，为时刻光伏阵列的发电功率，为时刻光伏阵列的发电功率的最大值，为时刻的预报海面太阳辐照度，为时刻的可调翼帆机构实时捕获风能对应的等效机械功率，为时刻的可调翼帆机构实时捕获风能对应的等效机械功率的最大值，为时刻的预报风速和预报风向，为时刻的电动辅助推进器的输出功率，、分别为电动辅助推进器的输出功率的最小值和最大值，为时刻的储能电池剩余电量，、分别为储能电池剩余电量的最小值和最大值，为时刻的负载功率，、分别为负载功率的最小值和最大值，，为mpc控制器的预测时域。

45、进一步的，所述目标函数表示为：

46、；

47、其中，对控制序列求目标函数的最小值，为时刻的系统总消耗功率，为储能电池剩余电量的目标值，为时刻的储能电池剩余电量，为时刻的电动辅助推进负载功率的变化量，为时刻的负载功率的变化量，、、、均为权重系数。

48、进一步的，所述mpc控制器还根据预报海面太阳辐照度时序和太阳辐照度判定阈值进行模式判定，具体如下：

49、当使用电动辅助推进器与可调翼帆机构联合驱动时，若预测窗口内设定时段阈值以上的并且，则继续控制电动辅助推进器投入运行，并控制光伏阵列产生的多余电能向储能电池充电；否则，控制电动辅助推进器不投入运行。

50、有益效果：1、基于从云端每天定时获取的气象水文预报数据，引入未来环境先验信息，实现能源的提前主动调控，减轻传统反馈控制滞后的缺陷，从而提前规划能源分配、负载管理与航行策略，有效规避储能亏电风险，充分消纳富余清洁能源；

51、2、采用三类时序融合输入架构，将气象预报作为独立特征输入轻量化dnn-lstm网络；配套设计风光分项约束的复合损失函数；相比于仅依靠历史数据的预测方案，面对突变海洋气象时，未来风光出力预测误差大幅降低，解决长时序预测漂移问题，支撑长航程的能源规划；

52、3、通过预报太阳辐照度时序动态切换推进模式，如在高光环境启动推进器提到航行器航程，同时保证太阳能对自身电池供电；在弱光环境关停推进器节约储能；从而实现运动控制与能源管理一体化优化；实现航行控制策略与能源调度深度协同，从而延长航行时长，并提高航行时间预报准确率；

53、4、预报时序数据同时服务能耗续航预测模型与mpc控制器；对比预报信息单一环节使用的方案，优化可行域更加贴合真实未来海况，能源分配方案具备长时间尺度全局最优特性；

54、5、通过持续采集本地工况数据周期性微调网络参数，并且利用历史数据、实时数据、气象预报数据协同，在航行器在不同海域长时间巡航过程中，能耗续航预测模型能够持续自适应当地气象海况特征，长期运行稳定性持续提升。