一种风光柴储混合多能源船舶能量管理方法与流程

1.本发明涉及混合动力船舶能量管理领域，尤其涉及一种风光柴储混合多能源船舶能量管理方法。


背景技术：

2.船舶航运业承担着世界80％运输任务的同时，也消耗着大量的化石能源，而风光等新能源发电装置是解决船舶航运业能源和环境问题的重要手段，如何充分挖掘风光柴储混合多能源船舶所蕴含的节能减排潜力成为亟待解决的问题。
3.首先，目前实现船舶节能减排的方法更侧重于能量管理策略，仅从能量管理策略层面进行优化已很难再取得进展，直流组网、混合储能等船舶微电网结构改进的应用可进一步提高能量管理策略优化效果；其次，现有方法多侧重于风光出力带来能耗、排放的降低，较少考虑到风光出力随机性对船舶能量管理带来的负面影响，因此，现有方法得到的管理策略欠佳。


技术实现要素：

4.本发明提出一种风光柴储混合多能源船舶能量管理方法，提出一种主-副发电机组结构，主发电机承担基础负荷，副发电机承担波动负荷，结合homer软件、k均值聚类算法生成场景来定量描述风光出力随机性。并建立以燃油消耗、偏离蓄电池参考荷电状态为目标，容量、功率限值等为约束条件的风光柴储混合多能源船舶能量管理模型。利用动态规划算法求解模型，获得风光柴储混合多能源船舶最优能量管理策略，解决了现有的管理策略不佳的技术问题。
5.为了解决上述技术问题，本发明采用的技术方案为，提供一种风光柴储混合多能源船舶能量管理方法，包括：
6.s1：提出主-副发电机组结构，主发电机承担基础负荷，副发电机承担波动负荷，对不同转速下功率-比油耗曲线簇的包络线进行拟合，得到最佳转速下柴油发电机燃油消耗速率；
7.s2：结合homer软件、k均值聚类算法生成场景定量描述风光出力随机性，获得典型风光出力场景；
8.s3：建立以燃油消耗、偏离蓄电池参考荷电状态为目标，容量、功率限值为约束条件的风光柴储混合多能源船舶能量管理模型，其中，将燃油消耗项、偏离参考蓄电池荷电状态惩罚项作为代价函数，两项根据惩罚系数来加权求和得到最终代价函数；
9.s4：划分风光柴储混合多能源船舶能量管理模型的状态变量空间与控制变量空间，根据蓄电池充放电模型、状态变量空间与控制变量空间构建状态转移方程；
10.s5：基于构建的状态转移方程，利用动态规划算法对风光柴储混合多能源船舶能量管理模型进行求解，求解过程中使代价函数最小得到最优状态变量序列、最优控制变量序列，并将得到的最优控制变量序列作为风光柴储混合多能源船舶最优能量管理策略，具
体包括：无风光发电装置时单发电机最优能量管理策略、有风光发电装置时，发电机最优能量管理策略以及无风光发电装置时主副发电机组最优能量管理策略。
11.在一种实施方式中，步骤s1中，
12.柴油发电机功率-比油耗关系曲线为：
13.sfcg＝k2pg k1 k0/pg14.柴油发电机燃油消耗速率为：
[0015]vg
＝k2(pg)2 k1pg k0[0016]
式中，sfcg为柴油发电机比油耗；vg为柴油发电机燃油消耗速率；k2、k1、k0为燃油消耗系数；pg为柴油发电机输出功率。
[0017]
在一种实施方式中，步骤s2包括：
[0018]
s2.1：在homer软件中输入经纬度、风速和光照强度月平均值，通过homer软件采用weibull分布对风速进行拟合，采用beta分布对光照强度进行拟合，再根据风速和光照强度的历史平均值产生以小时为单位变化的风速和光照强度数据；
[0019]
s2.2：通过k均值聚类算法分别对以小时为单位变化的风速和光照强度数据进行聚类，并根据风光发电装置的风速-功率、光照强度-功率关系曲线，获得典型风光出力场景。
[0020]
在一种实施方式中，步骤s2.2中通过k均值聚类算法分别对以小时为单位变化的风速和光照强度数据进行聚类，包括：
[0021]
s2.2.1：输入以小时为时间分辨率的风速强度数据集、光照强度数据集；
[0022]
s2.2.2：从输入的风速强度数据集、光照强度数据集中随机选择k个样本作为初始的k个聚类中心；
[0023]
s2.2.3：求出数据集中每个样本与聚类中心的距离，将每个样本划分至距离最近的聚类中心，判断是否存在无样本划分到的聚类中心，若存在则返回执行步骤s2.2.2，若不存在则继续执行步骤s2.2.4；
[0024]
s2.2.4：根据上次聚类结果更新聚类中心，再次将每个样本划分至新的聚类中心，计算聚类结果的平均误差，判断前后两次误差差值是否小于所设定的阈值，若小于则结束聚类，若大于则再次执行步骤s2.2.4。
[0025]
在一种实施方式中，步骤s2.2中，风速-功率关系曲线为：
[0026][0027]
式中，pw为风机输出功率；pr为风机额定功率；v为实际风速；v
in
为切入风速；v
out
为切出风速；vr为额定风速；
[0028]
光照强度-功率关系曲线为：
[0029]
p
pv
＝rsη
[0030]
式中，p
pv
为光伏输出功率；r为光照强度；s为光伏面积；η为光伏效率。
[0031]
在一种实施方式中，步骤s3中最终代价函数为：
[0032][0033]
式中，j为代价函数；x(0)为初始状态变量；u为控制变量序列；t为阶段变量；n为阶段总数；p
g,1
(t)为t阶段的主发电机输出功率；p
g,2
(t)为t阶段的副发电机输出功率；vg(p
g,1
(t))为主发电机输出功率下的燃油消耗速率；vg(p
g,2
(t))为副发电机输出功率下的燃油消耗速率；δt为每一个阶段的时长；γ为蓄电池荷电状态偏离参考值的惩罚系数，用于维持蓄电池荷电状态的稳定，使蓄电池充放电处于高效区间内；s
soc
(t 1)为t 1阶段的蓄电池荷电状态；s
soc,ref
为蓄电池荷电状态参考值，vg(p
g,1
(t))δt vg(p
g,2
(t))δt为燃油消耗项，|s
soc
(t 1)-s
soc,ref
|2为偏离参考蓄电池荷电状态惩罚项。
[0034]
在一种实施方式中，s3中的约束条件包括等式约束和不等式约束，其中，等式约束包括：
[0035]
柴油发电机单独供能时的约束一：
[0036]
p
b,chg
(t) pd(t)＝p
g,1
(t) p
g,2
(t) p
pv
(t) pw(t)
[0037]
蓄电池单独供能时的约束二：
[0038]
pd(t)＝p
b,dis
(t) p
pv
(t) pw(t)
[0039]
柴油发电机和蓄电池混合供能时的约束三：
[0040]
pd(t)＝p
g,1
(t) p
g,2
(t) p
b,dis
(t) p
pv
(t) pw(t)
[0041]
式中，p
b,chg
(t)为t阶段的蓄电池充电功率；t为阶段变量；pd(t)为t阶段的需求功率；p
g,1
(t)为t阶段的主发电机输出功率；p
g,2
(t)为t阶段的副发电机输出功率；p
b,dis
(t)为t阶段蓄的电池放电功率；p
pv
(t)为t阶段的光伏输出功率；pw(t)为t阶段的风机输出功率；
[0042]
不等式约束包括：
[0043]
电池容量约束：
[0044]ssoc,min
≤s
soc
(t)≤s
soc,max
[0045]
电池充放电功率限值约束：
[0046][0047]
主-副发电机组发电功率限值约束：
[0048][0049]
式中，s
soc,min
为蓄电池荷电状态的最小值；s
soc
(t)为t阶段的蓄电池荷电状态；t为阶段变量；s
soc,max
为蓄电池荷电状态的最大值；p
b,ch
(t)为t阶段的蓄电池充电功率；p
b,ch,max
为蓄电池充电功率的最大值；p
b,dis
(t)为t阶段的蓄电池放电功率；p
b,dis,max
为蓄电池放电功率的最大值；p
g,1,min
为主柴油发电机发电功率的最小值；p
g,1,max
为主柴油发电机发电功率的最大值；p
g,2,min
为副柴油发电机发电功率的最小值；p
g,2,max
为副柴油发电机发电功率的最大值。
[0050]
在一种实施方式中，s4中构建的状态转移方程为：
[0051][0052]
式中，x为状态变量；x(t 1)为t 1阶段的状态变量；x(t)为t阶段的状态变量；u为控制变量；u(t)为t阶段的控制变量；f(x(t),u(t))为状态变量x(t)、控制变量u(t)下的状态转移方程；s
soc
为蓄电池荷电状态；p
g,1
为主发电机输出功率；p
g,2
为副发电机输出功率。
[0053]
在一种实施方式中，s5中的最优状态变量序列、最优控制变量序列具体展开为：
[0054][0055]
式中，x*为最优状态变量序列；x*(0),x*(1),...,x*(t),...,x*(n)分别为0阶段、1阶段、t阶段和n阶段的最优状态变量；u*为最优控制变量序列；u*(0),u*(1),...,u*(t),...,u*(n-1)分别为0阶段、1阶段、t阶段和n-1阶段的最优控制变量；t为阶段变量；n为阶段总数。
[0056]
本技术实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
[0057]
本发明提供的一种风光柴储混合多能源船舶能量管理方法，提出主-副发电机组结构，相比于单发电机来说，主-副发电机组能根据柴油发电机越接近其额定功率，其比油耗越小的特性，主发电机承担基础负荷，副发电机承担波动负荷，使功率大的主发电机始终处于高效工作区；主发电机承担基础负荷，副发电机承担波动负荷，从而能够降低燃油消耗，结合homer软件、k均值聚类算法来建立风机、光伏出力场景，筛选出典型场景来定量描述风机、光伏出力的随机性给多能源船舶能量管理带来的负面影响；基于所建立的典型场景，通过动态规划算法对主-副发电机组功率和启停进行控制，进而可以获得全局最优能量管理策略，解决了现有的管理策略不佳的技术问题，提高了能量管理策略优化效果，能够为主-副发电机组结构、风光发电装置的实际装船应用提供指导，提供有效、可行的船舶节能减排措施。
附图说明
[0058]
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。
[0059]
图1：本发明风光柴储混合多能源船舶结构图；
[0060]
图2：本发明柴油发电机不同转速下功率-比油耗曲线图；
[0061]
图3：本发明实施例全年风速数据图；
[0062]
图4：本发明实施例全年光照强度数据图；
[0063]
图5：本发明k均值聚类算法流程图；
[0064]
图6：本发明实施例聚类后风速和光照强度场景1图；
[0065]
图7：本发明实施例聚类后风速和光照强度场景2图；
[0066]
图8：本发明实施例蓄电池开路电压与内阻随soc变化曲线；
[0067]
图9：本发明动态规划算法流程图；
[0068]
图10：本发明实施例需求功率曲线图；
[0069]
图11：本发明实施例无风光发电装置时发电机输出功率曲线图；
[0070]
图12：本发明实施例无风光发电装置时蓄电池荷电状态曲线图；
[0071]
图13：本发明实施例场景1时发电机输出功率曲线图；
[0072]
图14：本发明实施例场景1时蓄电池荷电状态曲线图；
[0073]
图15：本发明实施例主发电机输出功率曲线图；
[0074]
图16：本发明实施例副发电机输出功率曲线图；
[0075]
图17：本发明实施例风光柴储混合多能源船舶能量管理策略的整体框架图。
具体实施方式
[0076]
本发明的目的在于综合考虑主-副发电机组结构、风光出力随机性，提供一种满足风光柴储混合多能源船舶节能减排需求的最优能量管理策略。
[0077]
本发明的主要发明构思如下：
[0078]
提出一种主-副发电机组结构，主发电机承担基础负荷，副发电机承担波动负荷，结合homer软件、k均值聚类算法生成场景来定量描述风光出力随机性。并建立以燃油消耗、偏离蓄电池参考荷电状态为目标，容量、功率限值等为约束条件的风光柴储混合多能源船舶能量管理模型。利用动态规划算法求解模型，获得风光柴储混合多能源船舶最优能量管理策略；分别得到无风光发电装置时，单发电机最优能量管理策略、有风光发电装置时，单发电机最优能量管理策略、无风光发电装置时，主副发电机组最优能量管理策略。本发明的最优能量管理策略能够为主-副发电机组结构、风光发电装置的实际装船应用提供指导，对探索有效、可行的船舶节能减排措施具有重要的现实意义。
[0079]
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。
[0080]
本发明实施例提供了一种风光柴储混合多能源船舶能量管理方法，包括：
[0081]
s1：提出主-副发电机组结构，主发电机承担基础负荷，副发电机承担波动负荷，对不同转速下功率-比油耗曲线簇的包络线进行拟合，得到最佳转速下柴油发电机燃油消耗速率；
[0082]
s2：结合homer软件、k均值聚类算法生成场景定量描述风光出力随机性，获得典型风光出力场景；
[0083]
s3：建立以燃油消耗、偏离蓄电池参考荷电状态为目标，容量、功率限值为约束条件的风光柴储混合多能源船舶能量管理模型，其中，将燃油消耗项、偏离参考蓄电池荷电状态惩罚项作为代价函数，两项根据惩罚系数来加权求和得到最终代价函数；
[0084]
s4：划分风光柴储混合多能源船舶能量管理模型的状态变量空间与控制变量空间，根据蓄电池充放电模型、状态变量空间与控制变量空间构建状态转移方程；
[0085]
s5：基于构建的状态转移方程，利用动态规划算法对风光柴储混合多能源船舶能量管理模型进行求解，求解过程中使代价函数最小得到最优状态变量序列、最优控制变量
序列，并将得到的最优控制变量序列作为风光柴储混合多能源船舶最优能量管理策略，具体包括：无风光发电装置时单发电机最优能量管理策略、有风光发电装置时，发电机最优能量管理策略以及无风光发电装置时主副发电机组最优能量管理策略。
[0086]
请参见图1，为本发明风光柴储混合多能源船舶结构图，图2为本发明柴油发电机不同转速下功率-比油耗曲线图。图8为本发明实施例蓄电池开路电压与内阻随soc变化曲线。图17为本发明实施例风光柴储混合多能源船舶能量管理策略的整体框架图。
[0087]
具体来说，步骤s1根据柴油发电机越接近其额定功率，其比油耗越小的特性，提出主-副发电机组结构，主发电机承担基础负荷，副发电机承担波动负荷，使功率大的主发电机始终处于高效工作区，对不同转速下功率-比油耗曲线簇的包络线进行拟合，作为并入直流总线的柴油发电机功率-比油耗关系曲线，从而可以得到最佳转速下柴油发电机燃油消耗速率。步骤1得到的结果可以计算出柴油发电机不同功率下的比油耗，进而计算最终代价函数中的燃油消耗项。
[0088]
步骤s2是得到典型风光出力场景，来定量描述风光出力随机性。
[0089]
步骤s3构建风光柴储混合多能源船舶能量管理模型，该模型以燃油消耗、偏离蓄电池参考荷电状态为目标，构建包括燃油消耗项、偏离参考蓄电池荷电状态惩罚项的代价函数(目标函数)。并构建模型的约束条件。
[0090]
步骤s4中，能量管理模型将蓄电池的荷电状态视为状态变量，电池充放电模型是将电池等效为一个电压源和电阻串联的模型，在不同的电池充电或放电功率下，根据该电池充放电模型，电池的荷电状态(即状态变量)会产生相应的变化。能量管理模型包括状态转移方程，能量管理模型将船舶运行的整个时间周期离散化成n个时长为δt的时段，每一个时段对应一个控制及状态变量，所有时段的控制及状态变量按时间进行排序，组合成状态变量序列及控制变量序列。状态转移方程就是指船舶在执行t时刻控制变量后，t时刻状态变量通过状态转移方程来更新t 1时刻的状态变量。
[0091]
步骤s5在满足相应等式及不等式约束的情况下，采用动态规划算法对上述能量管理模型进行求解，获得最优能量管理策略，求解过程中使代价函数最小得到最优状态变量序列、最优控制变量序列。
[0092]
具体实施过程中，将船舶运行的整个时间周期离散化成n个时长为δt的时段，每一个时段对应一个控制变量和一个状态变量，所有时段的控制变量及状态变量按时间进行排序，组合成状态变量序列及控制变量序列，使代价函数最小获得相应的最优状态变量序列及最优控制变量序列。其中，最优控制变量序列即船舶最优能量管理策略，船舶从最优控制变量序列的第一步开始执行，执行第一步后对应得到船舶最优状态序列的第一步，一步步执行，直到整个时间周期结束。
[0093]
相比于其它控制序列，船舶在运行最优控制变量序列的情况下，运行效率最高，优化效果最佳，执行完最优控制序列可以得到最优状态序列，这两种序列为最优的，能够为船舶运行提供评价和指导标准，即保持船舶配置不变，最优状态变量序列、最优控制变量序列能够从能量管理角度挖掘船舶最多能够实现的优化效果，指导可以实时运行的规则型能量管理策略的制定。
[0094]
在一种实施方式中，步骤s1中，
[0095]
柴油发电机功率-比油耗关系曲线为：
[0096]
sfcg＝k2pg k1 k0/pg[0097]
柴油发电机燃油消耗速率为：
[0098]vg
＝k2(pg)2 k1pg k0[0099]
式中，sfcg为柴油发电机比油耗；vg为柴油发电机燃油消耗速率；k2、k1、k0为燃油消耗系数；pg为柴油发电机输出功率。
[0100]
具体实例中，k2＝0.202g/kwh/kw、k1＝115.65g/kwh、k0＝8488.1g/h。
[0101]
在一种实施方式中，步骤s2包括：
[0102]
s2.1：在homer软件中输入经纬度、风速和光照强度月平均值，通过homer软件采用weibull分布对风速进行拟合，采用beta分布对光照强度进行拟合，再根据风速和光照强度的历史平均值产生以小时为单位变化的风速和光照强度数据；
[0103]
s2.2：通过k均值聚类算法分别对以小时为单位变化的风速和光照强度数据进行聚类，并根据风光发电装置的风速-功率、光照强度-功率关系曲线，获得典型风光出力场景。
[0104]
具体来说，对风速进行拟合得到weibull分布的形状参数e和尺寸参数f，对光照强度进行拟合得到beta分布的形状参数α和β。典型风光出力场景包括风光联合出力较高的场景以及风光联合出力较低的场景。
[0105]
风速weibull分布拟合概率密度函数为：
[0106][0107]
其中，形状参数e具体为：
[0108][0109]
其中，尺度参数f具体为：
[0110][0111]
式中，fw(v)为实际风速v分布的拟合概率密度函数；v为实际风速；μw为平均风速；σw为风速标准差；γ为gamma函数。
[0112]
光照强度beta分布拟合概率密度函数为：
[0113][0114]
其中，形状参数α具体为：
[0115][0116]
其中，形状参数β具体为：
[0117]
[0118]
式中，f
pv
(r)为实际光照强度r分布的拟合概率密度函数；r为实际光照强度；r
max
为最大光照强度；μ
pv
为平均光照强度；σ
pv
为光照强度标准差。
[0119]
请参见图3～4，分别为本发明实施例全年风速数据图、全年光照强度数据图；请参见图5，为本发明实施例中k均值聚类算法流程图，图6为本发明实施例聚类后风速和光照强度场景1图；图7为本发明实施例聚类后风速和光照强度场景2图。
[0120]
具体实例中，在homer软件中输入经度(114
°
32
′
)、纬度(30
°
35
′
)、风速月平均值(1.50m/s、1.91m/s、1.68m/s、1.93m/s、2.19m/s、1.80m/s、1.99m/s、1.71m/s、1.52m/s、1.35m/s、1.30m/s、1.25m/s)、光照强度月平均值(1.66kw/m2、2.07kw/m2、3.45kw/m2、3.56kw/m2、4.40kw/m2、4.31kw/m2、5.84kw/m2、4.88kw/m2、2.52kw/m2、2.73kw/m2、1.44kw/m2、1.24kw/m2)，软件采用weibull分布对风速进行拟合，采用beta分布对光照强度进行拟合，并根据风速和光照强度的历史平均值产生以小时为单位变化的风速和光照强度数据。
[0121]
在一种实施方式中，步骤s2.2中通过k均值聚类算法分别对以小时为单位变化的风速和光照强度数据进行聚类，包括：
[0122]
s2.2.1：输入以小时为时间分辨率的风速强度数据集、光照强度数据集；
[0123]
s2.2.2：从输入的风速强度数据集、光照强度数据集中随机选择k个样本作为初始的k个聚类中心；
[0124]
s2.2.3：求出数据集中每个样本与聚类中心的距离，将每个样本划分至距离最近的聚类中心，判断是否存在无样本划分到的聚类中心，若存在则返回执行步骤s2.2.2，若不存在则继续执行步骤s2.2.4；
[0125]
s2.2.4：根据上次聚类结果更新聚类中心，再次将每个样本划分至新的聚类中心，计算聚类结果的平均误差，判断前后两次误差差值是否小于所设定的阈值，若小于则结束聚类，若大于则再次执行步骤s2.2.4。
[0126]
在一种实施方式中，步骤s2.2中，风速-功率关系曲线为：
[0127][0128]
式中，pw为风机输出功率；pr为风机额定功率；v为实际风速；v
in
为切入风速；v
out
为切出风速；vr为额定风速；
[0129]
光照强度-功率关系曲线为：
[0130]
p
pv
＝rsη
[0131]
式中，p
pv
为光伏输出功率；r为光照强度；s为光伏面积；η为光伏效率。
[0132]
其中，风光发电装置的风速-功率、光照强度-功率关系曲线采用的是目前被广泛使用的转换关系曲线。
[0133]
具体实例中，pr＝0.4kw为风机额定功率；v
in
＝1.5m/s为切入风速；v
out
＝45m/s为切出风速；vr＝11m/s为额定风速；p
pv
为光伏输出功率；r为光照强度；s＝26.4m2为光伏面积；η＝17.1％为光伏效率。
[0134]
在一种实施方式中，步骤s3中最终代价函数为：
[0135][0136]
式中，j为代价函数；x(0)为初始状态变量；u为控制变量序列；t为阶段变量；n为阶段总数；p
g,1
(t)为t阶段的主发电机输出功率；p
g,2
(t)为t阶段的副发电机输出功率；vg(p
g,1
(t))为主发电机输出功率下的燃油消耗速率；vg(p
g,2
(t))为副发电机输出功率下的燃油消耗速率；δt为每一个阶段的时长；γ为蓄电池荷电状态偏离参考值的惩罚系数，用于维持蓄电池荷电状态的稳定，使蓄电池充放电处于高效区间内；s
soc
(t 1)为t 1阶段的蓄电池荷电状态；s
soc,ref
为蓄电池荷电状态参考值，vg(p
g,1
(t))δt vg(p
g,2
(t))δt为燃油消耗项，|s
soc
(t 1)-s
soc,ref
|2为偏离参考蓄电池荷电状态惩罚项。
[0137]
具体实例中，x(0)＝90％为初始状态变量，γ＝12000为蓄电池荷电状态偏离参考值的惩罚系数，s
soc,ref
＝70％为蓄电池荷电状态参考值。
[0138]
使代价函数最小获得的最优控制变量序列的形式为：
[0139]
u*＝min j[x(0),u]。
[0140]
在一种实施方式中，s3中的约束条件包括等式约束和不等式约束，其中，等式约束包括：
[0141]
柴油发电机单独供能时的约束一：
[0142]
p
b,chg
(t) pd(t)＝p
g,1
(t) p
g,2
(t) p
pv
(t) pw(t)
[0143]
蓄电池单独供能时的约束二：
[0144]
pd(t)＝p
b,dis
(t) p
pv
(t) pw(t)
[0145]
柴油发电机和蓄电池混合供能时的约束三：
[0146]
pd(t)＝p
g,1
(t) p
g,2
(t) p
b,dis
(t) p
pv
(t) pw(t)
[0147]
式中，p
b,chg
(t)为t阶段的蓄电池充电功率；t为阶段变量；pd(t)为t阶段的需求功率；p
g,1
(t)为t阶段的主发电机输出功率；p
g,2
(t)为t阶段的副发电机输出功率；p
b,dis
(t)为t阶段蓄的电池放电功率；p
pv
(t)为t阶段的光伏输出功率；pw(t)为t阶段的风机输出功率；
[0148]
不等式约束包括：
[0149]
电池容量约束：
[0150]ssoc,min
≤s
soc
(t)≤s
soc,max
[0151]
电池充放电功率限值约束：
[0152][0153]
主-副发电机组发电功率限值约束：
[0154][0155]
式中，s
soc,min
为蓄电池荷电状态的最小值；s
soc
(t)为t阶段的蓄电池荷电状态；t为阶段变量；s
soc,max
为蓄电池荷电状态的最大值；p
b,ch
(t)为t阶段的蓄电池充电功率；p
b,ch,max
为蓄电池充电功率的最大值；p
b,dis
(t)为t阶段的蓄电池放电功率；p
b,dis,max
为蓄电池放电功率的最大值；p
g,1,min
为主柴油发电机发电功率的最小值；p
g,1,max
为主柴油发电机发电功率的最大值；p
g,2,min
为副柴油发电机发电功率的最小值；p
g,2,max
为副柴油发电机发电功率的最大
值。
[0156]
具体实例中，s
soc,min
＝20％为蓄电池soc的最小值，s
soc,max
＝90％为蓄电池soc的最大值；p
b,ch,max
＝5kw为蓄电池充电功率的最大值；p
b,dis,max
＝10kw为蓄电池放电功率的最大值；p
g,1,min
＝20kw为主柴油发电机发电功率的最小值；p
g,1,max
＝70kw为主柴油发电机发电功率的最大值；p
g,2,min
＝8kw为副柴油发电机发电功率的最小值；p
g,2,max
＝30kw为副柴油发电机发电功率最大值。
[0157]
等式约束对应于多能源船舶的各个运行工况。
[0158]
在一种实施方式中，s4中构建的状态转移方程为：
[0159][0160]
式中，x为状态变量；x(t 1)为t 1阶段的状态变量，x(t)为t阶段的状态变量；u为控制变量；u(t)为t阶段的控制变量；f(x(t),u(t))为状态变量x(t)、控制变量u(t)下的状态转移方程；s
soc
为蓄电池荷电状态；p
g,1
为主发电机输出功率；p
g,2
为副发电机输出功率。
[0161]
具体实施过程中，状态转移方程的离散形式为：
[0162][0163]
其中蓄电池广义效率ηb具体展开为：
[0164][0165]
式中，s
soc
(t 1)、s
soc
(t)分别为t 1阶段、t阶段的蓄电池荷电状态；t为阶段变量；q
max
为蓄电池最大容量；u
oc
、r
eq
分别为蓄电池开路电压、蓄电池内阻，通过随电池荷电状态变化曲线插值获得；pb为蓄电池充放电功率；δt为每一个阶段的时长。
[0166]
具体实例中，q
max
＝80ah为蓄电池最大容量；δt＝1(分钟)为每一个阶段的时长。
[0167]
在一种实施方式中，s5中的最优状态变量序列、最优控制变量序列具体展开为：
[0168][0169]
式中，x*为最优状态变量序列；x*(0),x*(1),...,x*(t),...,x*(n)分别为0阶段、1阶段、t阶段和n阶段的最优状态变量；u*为最优控制变量序列；u*(0),u*(1),...,u*(t),...,u*(n-1)分别为0阶段、1阶段、t阶段和n-1阶段的最优控制变量；t为阶段变量；n为阶段总数。
[0170]
具体实施过程中，采用动态规划算法对能量管理模型进行求解。其中，动态规划算法的相关原理和应用如下：
[0171]
1)状态转移方程构建
[0172]
动态规划算法的状态转移方程为：
[0173]
x(k 1)＝f[x(k),u(k)]
[0174]
其中，k∈{0,1,
…
,n-1}，k表示求解过程中的阶段变量，x(k)表示k阶段的状态变量，u(k)表示第k阶段所采用的控制变量。
[0175]
2)最优代价函数递推方程构建
[0176]
始于任意k阶段的状态变量x(k)、控制变量序列u(k)的代价函数(目标函数)记为：
[0177][0178]
其中，u(k)＝{u(k),u(k 1),...,u(n-1)}，l(x(j),u(j))为状态变量x(j)、控制变量u(j)下的成本函数。使代价函数最小，得到任意k阶段的最优代价函数j
*
[x(k),u(k)]，该最优代价函数的递推方程可以具体展开为：
[0179]j*
[x(k),u(k)]＝min{l[x(k),u(k)] j
*
[x(k 1),u(k 1)]}
[0180]
值得注意的是，由于不存在n阶段的代价函数j[x(n),u(n)]，因此默认n阶段的最优代价函数j
*
[x(n),u(n)]＝0。
[0181]
3)动态规划算法求解
[0182]
动态规划算法求解可以分为两个步骤，即先逆向搜索，再正向搜索。
[0183]
步骤1：先从n-1阶段向0阶段逆向搜索，n-1阶段时，根据最优代价函数的递推方程可知，j
*
[x(n-1),u(n-1)]＝min{l[x(n-1),u(n-1)] j
*
[x(n),u(n)]}＝min{l[x(n-1),u(n-1)]}。根据约束条件得到n-1阶段所有可行状态变量x(n-1)，再结合状态转移方程和已知的n阶段状态变量x(n)可以求出对应的控制变量u(n-1)，从而可以求出对应的成本函数l(x(n-1),u(n-1))。使成本函数最小，即可求出n-1阶段的最优代价函数j
*
[x(n-1),u(n-1)]及所对应的最优控制变量u*(n-1)。由最优代价函数递推方程逆向逐阶段递推，依次求出j
*
[x(n-2),u(n-2)],j
*
[x(n-3),u(n-3)],...,j
*
[x(0),u(0)]，以及u*(n-2),u*(n-3),...,u*(0)。
[0184]
步骤2：再从0阶段向n-1阶段正向搜索，即应用步骤1递推所得的最优控制变量序列u*(0)＝{u*(0),u*(1),...,u*(n-1)}、已知的0阶段状态变量x(0)和状态转移方程求得最优状态变量序列x*(0)＝{x*(0),x*(1),...,x*(n)}。
[0185]
本技术采用动态规划算法求解最优能量管理策略的具体步骤如下：
[0186]
步骤6.1：进行逆向搜索，从t＝n-1阶段向t＝0阶段逆向迭代，根据约束条件找到t阶段所有可达状态变量x(t)，求出相应的控制变量u(t)，进而得到t阶段的代价函数j(t)，找出使其最小的控制变量u*(t)；
[0187]
步骤6.2：进行正向搜索，从t＝n-1阶段向t＝0阶段正向迭代，根据第一次逆向搜索得到的全过程的最小代价函数j*(即j(0))和最优控制序列u*，根据最优控制变量序列u*与初始状态变量x(0)，应用状态转移方程进行正向迭代，以求得多能源船舶运行的最优状态变量序列x*；
[0188]
步骤6.3：无风光发电装置时，只考虑100kw单发电机，重复步骤6.1～6.2，输出最终的动态规划结果作为以无风光发电装置时，以100kw单发电机为对象优化后的风光柴储混合多能源船舶的最优能量管理策略；
[0189]
步骤6.4：有风光发电装置时，只考虑100kw单发电机，分别在风速和光照强度场景1、场景2下，重复步骤6.1～6.2，输出最终的动态规划结果作为以有风光发电装置时，以
100kw单发电机为对象优化后的风光柴储混合多能源船舶的最优能量管理策略；
[0190]
步骤6.5：无风光发电装置时，考虑70kw与30kw主副发电机组，重复步骤6.1～6.2，输出最终的动态规划结果作为以无风光发电装置时，以70kw与30kw主副发电机组为对象优化后的风光柴储混合多能源船舶的最优能量管理策略。
[0191]
请参见图9～图16，其中，图9为本发明动态规划算法流程图；图10为本发明实施例需求功率曲线图；图11为本发明实施例无风光发电装置时发电机输出功率曲线图；图12为本发明实施例无风光发电装置时蓄电池荷电状态曲线图；图13为本发明实施例场景1时发电机输出功率曲线图；图14为本发明实施例场景1时蓄电池荷电状态曲线图；图15为本发明实施例主发电机输出功率曲线图；图16为本发明实施例副发电机输出功率曲线图。
[0192]
相对于现有技术，本发明的有益效果是：
[0193]
本发明方法提出的主-副发电机组结构之所以能够降低燃油消耗，是因为相比于单发电机来说，主-副发电机组能根据柴油发电机越接近其额定功率，其比油耗越小的特性，主发电机承担基础负荷，副发电机承担波动负荷，使功率大的主发电机始终处于高效工作区；结合homer软件、k均值聚类算法来建立风机、光伏出力场景，筛选出典型场景来定量描述风机、光伏出力的随机性给多能源船舶能量管理带来的负面影响；基于所建立的典型场景，通过动态规划算法对主-副发电机组功率和启停进行控制，进而获得全局最优能量管理策略，能够为主-副发电机组结构、风光发电装置的实际装船应用提供指导，提供有效、可行的船舶节能减排措施。
[0194]
以上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精神和范围。