2.793

                    2018影響因子

                    (CJCR)

                    • 中文核心
                    • EI
                    • 中國科技核心
                    • Scopus
                    • CSCD
                    • 英國科學文摘

                    留言板

                    尊敬的讀者、作者、審稿人, 關于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復。謝謝您的支持!

                    姓名
                    郵箱
                    手機號碼
                    標題
                    留言內容
                    驗證碼

                    智能船舶綜合能源系統及其分布式優化調度方法

                    滕菲 單麒赫 李鐵山

                    滕菲, 單麒赫, 李鐵山. 智能船舶綜合能源系統及其分布式優化調度方法. 自動化學報, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176
                    引用本文: 滕菲, 單麒赫, 李鐵山. 智能船舶綜合能源系統及其分布式優化調度方法. 自動化學報, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176
                    Teng Fei, Shan Qi-He, Li Tie-Shan. Intelligent ship integrated energy system and its distributed optimal scheduling algorithm. Acta Automatica Sinica, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176
                    Citation: Teng Fei, Shan Qi-He, Li Tie-Shan. Intelligent ship integrated energy system and its distributed optimal scheduling algorithm. Acta Automatica Sinica, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176

                    智能船舶綜合能源系統及其分布式優化調度方法


                    DOI: 10.16383/j.aas.c200176
                    詳細信息
                      作者簡介:

                      大連海事大學船舶電氣工程學院講師. 主要研究方向為分布式優化技術及其在綜合能源系統領域相關應用.E-mail: brenda_teng@163.com

                      大連海事大學航海學院副教授. 主要研究方向為多智能體控制, 分布式優化, 船舶能耗優化. 本文通信作者.E-mail: shanqihe@dlmu.edu.cn

                      電子科技大學自動化工程學院教授. 主要研究方向為智能船舶控制理論與技術, 非線性系統智能控制理論與應用研究.E-mail: litieshan073@uestc.edu.cn

                    • 基金項目:  國家自然科學基金(61803064), 中央高?;究蒲袠I務費專項資金(3132020103, 3132020125)資助

                    Intelligent Ship Integrated Energy System and Its Distributed Optimal Scheduling Algorithm

                    More Information
                    • Fund Project:  Supported by National Natural Science Foundation of China (61803064), the Fundamental Research Funds for the Central Universities (3132020103, 3132020125)
                    • 摘要: 船舶航運污染是阻礙海洋經濟發展、海洋強國建設的瓶頸問題. 智能船舶為航運業綠色環保發展提供了重要手段. 為進一步開發船載新能源, 提升能源綜合利用效率, 降低船舶航運污染排放, 本文構建以能量優化調度系統為核心、以能源轉換中心為樞紐的智能船舶綜合能源系統; 考慮其特有的動力系統負荷需求、航行低污染排放量標準以及電?熱多能流耦合供能特性, 建立智能船舶綜合能源系統能量優化調度目標函數及相關約束條件; 并基于寬度學習、帶有廣義噪聲的多智能體分布式優化相關理論, 提出可快速準確地預測全航程各時段負荷需求、可容納復雜干擾的分布式優化調度方法, 實現高效的智能船舶綜合能源系統能量優化調度, 保障智能船舶經濟、可靠、穩定航行. 仿真分析驗證了所提出智能船舶綜合能源系統分布式優化調度方法的有效性.
                    • 圖  1  智能船舶綜合能源系統基本結構框圖

                      Fig.  1  The typical architecture of intelligent ship integrated energy system

                      圖  2  智能船舶綜合能源系統仿真模型

                      Fig.  2  The simulation model of intelligent ship integrated energy system

                      圖  3  智能船舶綜合能源系統全航程分布式優化調度考慮的廣義噪聲干擾

                      Fig.  3  The general noise considered in the distributed optimal scheduling during the whole voyage of intelligent ship integrated energy system

                      圖  4  船舶航行$6\sim 10 $小時時段各供能設備電輸出功率

                      Fig.  4  Electricity output of each energy supply equipment during $6\sim 10 $ hours sailing

                      圖  5  船舶航行$6\sim 10 $小時時段各供能設備熱輸出功率

                      Fig.  5  Heat output of each energy supply equipment during $6\sim 10 $ hours sailing

                      圖  6  智能船舶航行航線全航程各時段各供能設備最優電輸出功率

                      Fig.  6  The optimal electricity output of each energy supply equipment of intelligent ship in different periods of the whole voyage

                      圖  7  智能船舶航行航線全航程各時段各供能設備最優熱輸出功率

                      Fig.  7  The optimal heat output of each energy supply equipment of intelligent ship in different periods of the whole voyage

                      表  1  智能船舶全航程各時段電?熱負荷預測結果

                      Table  1  The forecast results of electric and thermal load of intelligent ship in different periods of the whole voyage

                      全航程各時段熱
                      負荷預測量 (MW)
                      1小時2小時3小時4小時5小時6小時7小時8小時9小時10小時11小時12小時
                      19.000028.988933.000034.000032.000027.000020.000016.000018.000027.978033.000034.0000
                      13小時14小時15小時16小時17小時18小時19小時20小時21小時22小時23小時24小時
                      36.000029.000020.000016.000019.000029.967130.000035.000031.000028.000019.495718.0000
                      全航程各時段電
                      負荷預測量 (MW)
                      1小時2小時3小時4小時5小時6小時7小時8小時9小時10小時11小時12小時
                      29.360055.325561.610062.430060.830048.850033.730025.250032.160057.388561.080059.7900
                      13小時14小時15小時16小時17小時18小時19小時20小時21小時22小時23小時24小時
                      65.180055.480035.250026.600032.700054.362954.590064.240056.610054.930032.903928.2700
                      下載: 導出CSV
                      360彩票
                    • [1] 十八大之海洋強國戰略[Online], available: https://www.sohu.com/a/195834582_811190, 2017年10月1日

                      Sea Strategic thought at the 18th CPC National Congress [Online], available: https://www.sohu.com/a/195834582_811190, October 1, 2017
                      [2] 十九大報告全文[Online], available: http://sh.people.com.cn/n2/2018/0313/c134768-31338145.html, 2018年3月13日

                      The 19th National Congress of the Communist Party of China [Online], available: http://sh.people.com.cn/n2/2018/0313/c134768-31338145.html, March 13, 2018
                      [3] 國務院印發《中國制造2050》[Online], available: http://www.gov.cn/zhengce/content/2015-05/19/content_9784.htm, 2015年5月19日

                      Notice of the State Council on Issuing the “Made in China (2025)” [Online], available: http://www.gov.cn/zhengce/con-tent/2015-05/19/content_9784.htm, May 19, 2015
                      [4] IMO簽署協議: 2050年海運業碳排放量減少一半[Online], available: http://www.tanpaifang.com/jienenjianpai/2018/0416/61777.html, 2018年4月16日

                      IMO Signed an Agreement to Halve Carbon Emissions of Shipping Industry in 2050 [Online], available: http://www.tanpaifang.com/jienenjianpai/2018/0416/61777.html, April 16, 2018
                      [5] 范愛龍, 賀亞鵬, 嚴新平, 王駿騰. 智能新能源船舶的概念及關鍵技術. 船舶工程, 2020, 42(3): 9?14

                      Fan Ai-Long, He Ya-Peng, Yan Xin-Ping, Wang Jun-Teng. Concept and key technologies of intelligent new energy ship. Ship Engineering, 2020, 42(3): 9?14
                      [6] Tsekouras G J, Kanellos F D, Prousalidis J. Simplified method for the assessment of ship electric power systems operation cost reduction from energy storage and renewable energy sources integration. IET Electrical Systems in Transportation, 2015, 5(2): 61?69 doi:  10.1049/iet-est.2013.0011
                      [7] Michalopoulos P, Kanellos F D, Tsekouras G J, Prousalidis J M. A method for optimal operation of complex ship power systems employing shaft electric machines. IEEE Transactions on Transportation Electrification, 2016, 2(4): 547?557 doi:  10.1109/TTE.2016.2572093
                      [8] Khooban M H, Dragicevic T, Blaabjerg F, Delimar M. Shipboard microgrids: A novel approach to load frequency control. IEEE Transactions on Sustainable Energy, 2018, 9(2): 843?852 doi:  10.1109/TSTE.2017.2763605
                      [9] 賈宏杰, 王丹, 徐憲東, 余曉丹. 區域綜合能源系統若干問題研究. 電力系統自動化, 2015, 39(7): 198?207

                      Jia Hong-Jie, Wang Dan, Xu Xian-Dong, Yu Xiao-Dan. Research on some key problems related to integrated energy systems. Automation of Electric Power Systems, 2015, 39(7): 198?207
                      [10] 孫秋野, 滕菲, 張化光. 能源互聯網及其關鍵控制問題. 自動化學報, 2017, 43(2): 176?194

                      Sun Qiu-Ye, Teng Fei, Zhang Hua-Guang. Energy internet and its key control issues. Acta Automatica Sinica, 2017, 43(2): 176?194
                      [11] 孫宏斌, 潘昭光, 郭慶來. 多能流能量管理研究: 挑戰與展望. 電力系統自動化, 2016, 40(15): 1?8 doi:  10.7500/AEPS20160522006

                      Sun Hong-Bin, Pan Zhao-Guang, Guo Qing-Lai. Energy management for multi-energy flow: challenges and prospects. Automation of Electric Power Systems, 2016, 40(15): 1?8 doi:  10.7500/AEPS20160522006
                      [12] 郭創新, 王惠如, 張伊寧, 何宇斌. 面向區域能源互聯網的“源—網—荷”協同規劃綜述. 電網技術, 2019, 43(9): 3071?3080

                      Guo Chuang-Xin, Wang Hui-Ru, Zhang Yi-Ning, He Yu-Bin. Review of “source-grid-load” co-planning orienting to regional energy internet power system technology. Power System Technology, 2019, 43(9): 3071?3080
                      [13] 王佳穎, 史俊祎, 文福拴, 李繼紅, 張利軍, 徐晨博. 計及需求響應的光熱電站熱電聯供型微網的優化運行. 電力系統自動化, 2019, 43(1): 176?189

                      Wang Jia-Ying, Shi Jun-Yi, Wen Fu-Shuan, Li Ji-Hong, Zhang Li-Jun, Xu Chen-Bo. Optimal operation of CHP microgrid with concentrating solar power plants considering demand response. Automation of Electric Power Systems, 2019, 43(1): 176?189
                      [14] 孫宏斌, 郭慶來, 吳文傳, 王彬, 夏天. 面向能源互聯網的多能流綜合能量管理系統: 設計與應用. 電力系統自動化, 2019, 43(12): 122?128, 171 doi:  10.7500/AEPS20190228003

                      Sun Hong-Bin, Guo Qing-Lai, Wu Wen-Chuan, Wang Bin, Xia Tian. Integrated energy management system with multi-agent flow for energy internet: design and application. Automation of Electric Power Systems, 2019, 43(12): 122?128, 171 doi:  10.7500/AEPS20190228003
                      [15] 唐昊, 劉暢, 楊明, 湯必強, 許丹, 呂凱. 考慮電網調峰需求的工業園區主動配電系統調度學習優化. 自動化學報, DOI: 10.16383/j.aas.c190079, 2019.

                      Tang Hao, Liu Chang, Yang Ming, Tang Bi-Qiang, Xu Dan, Lv Kai. Learning-based optimization of active distribution system dispatch in industrial park considering the peak operation demand of power grid. Acta Automatica Sinica, DOI: 10.16383/j.aas.c190079, 2019.
                      [16] 陳剛, 李志勇. 集合約束下多智能體系統分布式固定時間優化控制. 自動化學報, DOI: 10.16383/j.aas.c190416, 2019.

                      Chen Gang, Li Zhi-Yong. Distributed fixed-time optimization control for multi-agent systems with set constraints. Acta Automatica Sinica, DOI: 10.16383/j.aas.c190416, 2019.
                      [17] 殷爽睿, 艾芊, 曾順奇, 吳瓊, 郝然, 江迪. 能源互聯網多能分布式優化研究挑戰與展望. 電網技術, 2018, 42(5): 1359?1369

                      Yin Shuang-Rui, Ai Qian, Zeng Shun-Qi, Wu Qiong, Hao Ran, Jiang Di. Challenges and prospects of multi-energy distributed optimization for Energy Internet. Power System Technology, 2018, 42(5): 1359?1369
                      [18] 席磊, 周禮鵬.分布式多區域多能微網群協同AGC 算法. 自動化學報, DOI: 10.16383/j.aas.c200105, 2020.

                      Xi Lei, Zhou Li-Peng. Coordinated AGC algorithm for distributed multi-region multi-energy micro-network group. Acta Automatica Sinica, DOI: 10.16383/j.aas.c200105, 2020.
                      [19] Yang S P, Tan S C, Xu J X. Consensus based approach for economic dispatch problem in a smart grid. IEEE Transactions on Power Systems, 2013, 28(4): 4416?4426 doi:  10.1109/TPWRS.2013.2271640
                      [20] Guo F H, Wen C Y, Mao J F, Song Y D. Distributed economic dispatch for smart grids with random wind power. IEEE Transactions on Smart Grid, 2016, 7(3): 1572?1583 doi:  10.1109/TSG.2015.2434831
                      [21] Binetti G, Davoudi A, Lewis F L, Naso D, Turchiano B. Distributed consensus-based economic dispatch with transmission losses. IEEE Transactions on Power System, 2014, 29(4): 1711?1720 doi:  10.1109/TPWRS.2014.2299436
                      [22] Wang Z G, Wu W C, Zhang B M. A fully distributed power dispatch method for fast frequency recovery and minimal generation cost in autonomous microgrids. IEEE Transactions on Smart Grid, 2016, 7(1): 19?31 doi:  10.1109/TSG.2015.2493638
                      [23] Chen G, Ren J H, Feng E N. Distributed finite-time economic dispatch of a network of energy resources. IEEE Transactions on Smart Grid, 2017, 8(2): 822?832
                      [24] Zhang H G, Li Y S, Gao D W Z, Zhou J G. Distributed optimal energy management for energy internet. IEEE Transactions on Industrial Informatics, 2017, 13(6): 3081?3097 doi:  10.1109/TII.2017.2714199
                      [25] Kanellos F D, Tsekouras G J, Hatziargyriou N D. Optimal demand-side management and power generation scheduling in an all-electric ship. IEEE Transactions on Sustainable Energy, 2014, 5(4): 1166?1175 doi:  10.1109/TSTE.2014.2336973
                      [26] Chen C L P, Liu Z L. Broad learning system: an effective and efficient incremental learning system without the need for deep architecture. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(1): 10?24 doi:  10.1109/TNNLS.2017.2716952
                      [27] Yang S F, Liu Q S, Wang J. A multi-agent system with a proportional-integral protocol for distributed constrained optimization. IEEE Transactions on Automatic Control, 2017, 62(7): 3461?3467 doi:  10.1109/TAC.2016.2610945
                      [28] Zhang H G, Teng F, Sun Q Y, Shan Q H. Distributed optimization based on a multiagent system disturbed by genera noise. IEEE Transactions on Cybernetics, 2019, 49(8): 3209?3213 doi:  10.1109/TCYB.2018.2839912
                    • [1] 劉建剛, 楊勝杰. 具有容性負載的直流微電網系統分布式協同控制[J]. 自動化學報, 2020, 46(6): 1283-1290. doi: 10.16383/j.aas.c190018
                      [2] 夏元清, 高潤澤, 林敏, 任延明, 閆策. 綠色能源互補智能電廠云控制系統研究[J]. 自動化學報, 2020, 46(9): 1844-1868. doi: 10.16383/j.aas.c190581
                      [3] 張化光, 孫宏斌, 劉德榮, 王劍輝, 孫秋野. 分布式信息能源系統理論與應用專題序言[J]. 自動化學報, 2020, 46(9): 1767-1770.
                      [4] 劉秀華, 韓建, 魏新江. 基于中間觀測器的多智能體系統分布式故障估計[J]. 自動化學報, 2020, 46(1): 142-152. doi: 10.16383/j.aas.c180179
                      [5] 胡旭光, 馬大中, 鄭君, 張化光, 王睿. 基于關聯信息對抗學習的綜合能源系統運行狀態分析方法[J]. 自動化學報, 2020, 46(9): 1783-1797. doi: 10.16383/j.aas.c200171
                      [6] 李玉帥, 李天義, 高煒, 高文忠. 基于異步動態事件觸發通信策略的綜合能源系統分布式協同優化運行方法[J]. 自動化學報, 2020, 46(9): 1831-1843. doi: 10.16383/j.aas.c200172
                      [7] 張俊, 高文忠, 張應晨, 鄭心湖, 楊柳青, 郝君, 戴瀟瀟. 運行于區塊鏈上的智能分布式電力能源系統:需求、概念、方法以及展望[J]. 自動化學報, 2017, 43(9): 1544-1554. doi: 10.16383/j.aas.2017.c160744
                      [8] 鄧建玲, 王飛躍, 陳耀斌, 趙向陽. 從工業4.0到能源5.0:智能能源系統的概念、內涵及體系框架[J]. 自動化學報, 2015, 41(12): 2003-2016. doi: 10.16383/j.aas.2015.c150259
                      [9] 李中奇, 楊輝, 張坤鵬, 付雅婷. 基于多智能體模型的動車組分布式預測控制[J]. 自動化學報, 2014, 40(11): 2625-2631. doi: 10.3724/SP.J.1004.2014.02625
                      [10] 唐于濤, 洪奕光. 基于近似模擬的多智能體系統分布式層次控制設計[J]. 自動化學報, 2013, 39(6): 868-874. doi: 10.3724/SP.J.1004.2013.00868
                      [11] 余宏旺, 鄭毓蕃. 多智能體系統在分布式采樣控制下的動力學行為[J]. 自動化學報, 2012, 38(3): 357-365. doi: 10.3724/SP.J.1004.2012.00357
                      [12] 蘇兆品, 蔣建國, 梁昌勇, 張國富. 一種基于P學習的分布式并行多任務分配算法[J]. 自動化學報, 2011, 37(7): 865-872. doi: 10.3724/SP.J.1004.2011.00865
                      [13] 黃煌, 伍清河, 李暉. 空間關聯系統的分布式輸出反饋控制器設計[J]. 自動化學報, 2009, 35(8): 1128-1135. doi: 10.3724/SP.J.1004.2009.01128
                      [14] 金小崢, 楊光紅. 一類分布式系統的自適應跟蹤和擾動抑制[J]. 自動化學報, 2009, 35(8): 1114-1120. doi: 10.3724/SP.J.1004.2009.01114
                      [15] 孫書利, 呂楠. 帶有色觀測噪聲多傳感器多重時滯系統分布式融合濾波器[J]. 自動化學報, 2009, 35(1): 46-53. doi: 10.3724/SP.J.1004.2009.00046
                      [16] 羅小川, 劉興剛, 李丹程, 曲蓉霞. 分布式測量系統服務窗口動態調度方法研究[J]. 自動化學報, 2008, 34(6): 690-696. doi: 10.3724/SP.J.1004.2008.00690
                      [17] 楊國勝, 文成林, 譚民. 基于強跟蹤濾波和反饋綜合的多傳感器分布式航跡融合[J]. 自動化學報, 2004, 30(2): 244-250.
                      [18] Benny Ping Lai Lo, Jie Sun, Sergio A.Velastin. 用于公眾交通系統的分布式智能監控系統中的視聽信息融合[J]. 自動化學報, 2003, 29(3): 393-407.
                      [19] 羅榮富, 邵惠鶴. 分布式網絡局部學習方法及其在推斷控制中的應用[J]. 自動化學報, 1994, 20(6): 739-742.
                      [20] 梁鋒. 大系統的分布式控制[J]. 自動化學報, 1990, 16(6): 538-541.
                    • 加載中
                    圖(7) / 表(1)
                    計量
                    • 文章訪問數:  218
                    • HTML全文瀏覽量:  111
                    • PDF下載量:  90
                    • 被引次數: 0
                    出版歷程
                    • 收稿日期:  2020-03-31
                    • 錄用日期:  2020-06-28
                    • 網絡出版日期:  2020-09-28
                    • 刊出日期:  2020-09-20

                    智能船舶綜合能源系統及其分布式優化調度方法

                    doi: 10.16383/j.aas.c200176
                      基金項目:  國家自然科學基金(61803064), 中央高?;究蒲袠I務費專項資金(3132020103, 3132020125)資助
                      作者簡介:

                      大連海事大學船舶電氣工程學院講師. 主要研究方向為分布式優化技術及其在綜合能源系統領域相關應用.E-mail: brenda_teng@163.com

                      大連海事大學航海學院副教授. 主要研究方向為多智能體控制, 分布式優化, 船舶能耗優化. 本文通信作者.E-mail: shanqihe@dlmu.edu.cn

                      電子科技大學自動化工程學院教授. 主要研究方向為智能船舶控制理論與技術, 非線性系統智能控制理論與應用研究.E-mail: litieshan073@uestc.edu.cn

                    摘要: 船舶航運污染是阻礙海洋經濟發展、海洋強國建設的瓶頸問題. 智能船舶為航運業綠色環保發展提供了重要手段. 為進一步開發船載新能源, 提升能源綜合利用效率, 降低船舶航運污染排放, 本文構建以能量優化調度系統為核心、以能源轉換中心為樞紐的智能船舶綜合能源系統; 考慮其特有的動力系統負荷需求、航行低污染排放量標準以及電?熱多能流耦合供能特性, 建立智能船舶綜合能源系統能量優化調度目標函數及相關約束條件; 并基于寬度學習、帶有廣義噪聲的多智能體分布式優化相關理論, 提出可快速準確地預測全航程各時段負荷需求、可容納復雜干擾的分布式優化調度方法, 實現高效的智能船舶綜合能源系統能量優化調度, 保障智能船舶經濟、可靠、穩定航行. 仿真分析驗證了所提出智能船舶綜合能源系統分布式優化調度方法的有效性.

                    English Abstract

                    滕菲, 單麒赫, 李鐵山. 智能船舶綜合能源系統及其分布式優化調度方法. 自動化學報, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176
                    引用本文: 滕菲, 單麒赫, 李鐵山. 智能船舶綜合能源系統及其分布式優化調度方法. 自動化學報, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176
                    Teng Fei, Shan Qi-He, Li Tie-Shan. Intelligent ship integrated energy system and its distributed optimal scheduling algorithm. Acta Automatica Sinica, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176
                    Citation: Teng Fei, Shan Qi-He, Li Tie-Shan. Intelligent ship integrated energy system and its distributed optimal scheduling algorithm. Acta Automatica Sinica, 2020, 46(9): 1809?1817. doi: 10.16383/j.aas.c200176
                    • 海洋是人類賴以生存與可持續發展的重要物質基礎. 黨的十八大、十九大報告中均提出要發展海洋經濟, 建設海洋強國[1-2]. 國務院印發的《中國制造2025》 明確把“海洋工程裝備和高技術船舶”列入十大重點領域之一[3]. 然而, 隨著海洋經濟的不斷發展, 船舶航運污染防治成為一個焦點問題. 國際海事組織(International Maritime Organization, IMO)在2007年相關調查中指出: 全球船舶碳排放量當年占比為3.3%, 若不能及時控制, 預計在2050年其占比將增長至18%[4]. 因此, 著眼于當前船舶航運經濟、智能、綠色的發展趨勢, 研究智能船舶及其能量優化調度問題, 開發利用新能源, 提升能源綜合利用效率勢在必行.

                      與傳統船舶不同, 智能船舶在結構可靠且線型優良的船體基礎上, 可通過先進的傳感器、信息通訊、網絡控制、大數據等技術, 利用新能源及其電力推進形式, 實現遠航程自主航行[5]. 針對智能船舶能源系統的能量優化調度問題, 考慮系統中可接入的多種新能源形式, 相關領域專家學者已經取得了一些研究成果. 文獻[6]提出一種配有軸帶發電機的船舶電力系統最優能量優化調度方案以及可適用于任意船型軸帶發電機的綜合評價算法, 以保證船舶能效運行指數(Energ efficiency operation index, EEOI)符合標準, 且降低船舶航行的運行成本. 文獻[7]提出了一種基于光伏和儲能系統的船舶電力系統邊際成本的估算方法, 并從經濟學角度分析該方法的高效科學性. 文獻[8]設計出一種可廣泛適用于帶有分布式新能源的船舶電力系統自適應時變負荷頻率控制器, 并采用隨機多目標優化算法優化控制器參數, 以降低化石燃料的消耗量, 實現航運業的綠色發展. 然而, 智能船舶能源系統中不僅可接入新能源、傳統化石能源等多種能源形式, 還包括了電、熱兩種能量傳輸媒介和多種智能船舶負荷需求(如船載無人機檢修設備、無人艇搜尋設備、智能充電設備以及智能動力推進設備等), 體現出明顯的多能流耦合、多時空尺度等綜合能源系統的特征[9], 因此為進一步提升能源的綜合利用效率, 降低其碳排放量, 解決船舶航運業的環境污染問題, 需要構建智能船舶綜合能源系統, 且深入研究其能量優化調度問題.

                      綜合能源系統能量優化調度問題根本上是一種帶有約束的復雜系統的規劃問題[10], 其主要考慮基于多能源主體的綜合能源系統多能流耦合、多時空尺度特征[11], 面向多種負荷需求響應[12], 以及新能源供能的間歇性、波動性等影響[13], 以最小化系統運行成本或者最大化系統運行效益為目標, 遵循系統的物理約束, 利用優化方法, 制定系統的最優運行方案[14-15]. 考慮綜合能源系統接入大規模新能源所產生的強分布式特點, 傳統的集中式優化調度方法已不再適用于解決其能量優化調度問題, 基于多智能體系統[16]的分布式優化調度方法引起了國內外學者的廣泛關注[17-18]. 文獻[19]首次提出一種新的多智能體一致性算法, 以全分布式模式解決傳統的經濟分配問題. 考慮成本函數為非二次型的能源系統, 文獻[20]基于投影梯度方法提出一種分布式優化調度方法. 文獻[21]針對經濟分配問題中存在能量傳輸損耗展開研究. 文獻[22]和文獻[23]分別提出考慮頻率恢復及有限時間條件下的分布式優化調度方法. 考慮綜合能源系統多能流耦合這一特征, 文獻[24]基于交替方向乘子法提出一種新的全分布式優化調度方法. 然而, 不同于上述常規綜合能源系統能量優化調度問題, 智能船舶綜合能源系統中需要特別考慮復雜海洋環境、動力系統供能需求保障、低污染排放量標準等對能量優化調度的影響[25].

                      綜上所述, 本文以船舶電力系統、熱力系統、動力系統為物理實體構建智能船舶綜合能源系統, 利用新能源與傳統化石能源等多種能源形式供能, 考慮其物理設備呈現出的分布式特性, 基于智能船舶能量優化調度系統實現高效的電?熱多能流分布式優化調度, 保證實際海況下智能船舶經濟、可靠、穩定地完成航行任務. 本文的創新點在于:

                      1)結合目前智能船舶電力、熱力等能源系統的工作原理和特點, 構建以能量優化調度系統為核心、以能源轉換中心為樞紐的新型智能船舶綜合能源系統, 以實現電?熱多能流的合理分配及高效利用, 滿足復雜海洋環境下面向各種航行任務的智能船舶動力系統高質量供能、低污染排放量等需求.

                      2)以智能船舶航行的全航程耗能經濟性為目標, 考慮智能船舶綜合能源系統特有的動力系統負荷需求響應、智能船舶航行低污染排放量標準、電?熱多能流耦合供能等需求及特點, 建立適用于智能船舶綜合能源系統的優化調度目標函數及其相關約束條件.

                      3)基于航運業船舶航行能耗數據, 利用寬度學習人工智能算法, 快速預測全航程各時段智能船舶電、熱負荷需求. 考慮分布式優化調度過程中存在通訊及計算等噪聲干擾, 基于帶有廣義噪聲的隨機多智能體噪聲?狀態穩定性分析理論框架, 提出能夠容納復雜噪聲干擾的智能船舶綜合能源系統分布式優化調度算法.

                      • 智能船舶綜合能源系統可被解讀為以能量優化調度系統為核心、以能源轉換中心為樞紐, 采用多智能體分布式優化、寬度學習人工智能算法等先進理論, 緊密結合傳統船舶電力系統、熱力系統、動力系統等系統, 充分利用新能源, 來滿足智能船舶經濟、可靠、穩定航行過程中多種負荷需求的一種新型船舶能源系統, 其基本框架如圖1所示.

                        圖  1  智能船舶綜合能源系統基本結構框圖

                        Figure 1.  The typical architecture of intelligent ship integrated energy system

                        圖1中可以看出, 智能船舶綜合能源系統以能量優化調度系統為核心, 可基于船載分布式能源設備間信息交互實現智能船舶的能量分布式優化調度; 以能源轉換中心為多種能源間相互轉換的樞紐, 可利用各種能量轉換裝置完成電?熱多能流轉換; 此外, 該中心也是能量優化調度系統的物理載體. 在實際復雜海洋環境下, 智能船舶綜合能源系統通過能量轉換中心, 并行處理、融合能源流與信息流, 基于所設計的分布式優化調度方法實現多種能源的合理分配、高效利用, 以滿足各種航行任務的能量需求. 與傳統船舶能源系統相比, 其具體特點可闡述如下:

                        1)不同于傳統獨立的各類船舶能源系統, 智能船舶綜合能源系統緊密耦合電力系統、熱力系統以及動力系統等, 能量優化調度中體現出電、熱多能流耦合特性, 且所面向的電力、熱力、動力等負荷需求響應的優先等級實時變化. 因此, 智能船舶綜合能源系統需要設計高效的能量優化調度方法, 可以迅速、準確、穩定地響應智能船舶的各類復雜負荷需求.

                        2)智能船舶綜合能源系統接入許多新能源供能設備, 呈現出明顯的分布式特性, 導致傳統船舶能源系統集中式優化調度方法不再適用, 因此需要采用分布式優化調度方法. 此外, 該系統集成大量的頻率、電壓、電流、溫度、壓力等相關傳感器、執行器和分布式計算設備, 可以實時感知并反饋智能船舶各物理供能設備能源供需、轉換以及利用率等信息, 通過各分布式供能設備的協同工作, 高效完成智能船舶的動態控制和能量生產?調度?供給服務, 體現出明顯的信息?物理融合特性.

                        綜上所述, 智能船舶綜合能源系統能夠高效綜合利用傳統化石能源和分布式新能源, 以電能、熱能等形式進行能量的傳輸與使用, 基于分布式優化調度方法對各個供能設備進行協調控制, 保證智能船舶的經濟、高效、可靠、穩定航行. 本文所構建的智能船舶綜合能源系統為未來智能船舶能效優化技術的發展奠定了基礎.

                      • 與傳統船舶能源系統優化調度問題不同, 智能船舶綜合能源系統中接入許多新能源供能設備, 且需要考慮電?熱多能流耦合供能特性. 然而, 考慮智能船舶全航程動力系統動態負荷需求響應、低污染排放量標準等特點, 現有的綜合能源系統優化調度模型不再適用.

                      • 智能船舶綜合能源系統能量優化調度的目標是在保障智能船舶可靠穩定運行和其綜合能源系統內能量供需平衡的基礎上, 使得其全航程耗能經濟成本(即總體供能成本)最小化, 可描述為

                        $$\begin{split}& \min\begin{array}{*{20}{c}} {\displaystyle\sum\limits_{t = 1}^T {\left\{ {\displaystyle\sum\limits_{i = 1}^{{N_P}} {C_{i,t}^P\left( {p_{i,t}^P} \right)} + \displaystyle\sum\limits_{i = 1}^{{N_C}} {C_{i,t}^C\left( {p_{i,t}^{\rm{C}},h_{i,t}^C} \right)} } \right\}} } \end{array},\\ &\quad\qquad\qquad\qquad\qquad\qquad\qquad p_{i,t}^P,p_{i,t}^{\rm{C}},h_{i,t}^C \in \Omega \end{split}$$ (1)

                        其中, $p_{i,t}^P$為新能源供能設備$i$$t$時段內的供電量, $C_{i,t}^P\left( {p_{i,t}^P} \right)$為新能源供能設備$i$$t$時段內的供電成本函數, $p_{i,t}^{\rm{C}}, h_{i,t}^C$分別為內燃機$i$$t$時段內的供電和供熱量, $C_{i,t}^C\left( {p_{i,t}^{\rm{C}}, h_{i,t}^C} \right)$為內燃機$i$$t$時段內的電?熱耦合供能成本函數, ${N_P},{N_C}$分別為新能源供能設備數量和內燃機數量, $T$為智能船舶航行航線全航程運行時段總數, $\Omega $為變量$p_{i,t}^P, p_{i,t}^{\rm{C}}, h_{i,t}^C$的可行范圍.

                        不同于傳統船舶能源系統優化調度問題中只考慮船舶航行耗電成本(即內燃機供電成本), 智能船舶綜合能源系統優化調度中要綜合考慮接入的新能源供電設備的供電成本$C_{i,t}^P\left( {p_{i,t}^P} \right)$和電?熱耦合供能模式下內燃機的供能成本$C_{i,t}^C\left( {p_{i,t}^{\rm{C}},h_{i,t}^C} \right).$上述兩部分供能成本共同決定了智能船舶全航程航行的耗能成本.

                      • 針對上述所構建的智能船舶綜合能源系統優化調度目標函數, 變量可行域$\Omega $依賴于船舶電力系統、熱力系統、動力系統緊密耦合后形成的物理約束條件以及智能船舶航行中需要遵守的相關國際標準, 其具體體現如下:

                        1)供需平衡約束. 考慮智能船舶中動力系統、照明設備、通訊導航設備、燃料預熱裝置和其他生活用能裝置等, 結合供能設備的總輸出功率得到的約束為

                        $$\sum\limits_{i = 1}^{{N_P}} {p_{i,t}^P} + \sum\limits_{i = 1}^{{N_C}} {p_{i,t}^{\rm{C}}} {\rm{ = }}{L_{p,t}}{\rm{ + }}\Delta {L_{p,t}}\qquad\quad$$ (2)
                        $$ \sum\limits_{i = 1}^{{N_C}} {h_{i,t}^{\rm{C}}} {\rm{ + }}\Delta {L_{h,t}}{\rm{ = }}{L_{h,t}},\;\Delta {L_{h,t}}{\rm{ = }}{\zeta _i}\Delta {L_{p,t}} $$ (3)

                        其中, ${L_{p,t}}{\rm{ + }}\Delta {L_{p,t}}, {L_{h,t}}$為智能船舶綜合能源系統在$t$時段內電、熱負荷需求總量, $\Delta {L_{h,t}}$為在$t$時段需以電能供給的熱負荷量, $\Delta {L_{p,t}}$為在$t$時段內被轉化的電負荷量, ${\zeta _i}$為電?熱負荷轉換系數.

                        2)輸出功率約束. 為保證各供能設備正常運行. 考慮智能船舶實際航行環境對供能設備輸出功率的影響, 各設備的輸出功率得到的約束為

                        $$\begin{split} &P_{i,\min }^P \le p_{i,t}^P \le P_{i,\max }^P,P_{i,\min }^C \le p_{i,t}^C \le P_{i,\max }^C\\ &H_{i,\min }^C \le h_{i,t}^C \le H_{i,\max }^C \end{split}$$ (4)

                        其中, $P_{i,\min }^P, P_{i,\max }^P, P_{i,\min }^C, P_{i,\max }^C, H_{i,\min }^C, H_{i,\max }^C$分別為智能船舶正常航行中允許新能源供能設備$i$輸出電能的下限、上限, 內燃機$i$輸出電能的下限、上限以及輸出熱能的下限、上限.

                        3)船舶能效運行指數(EEOI)約束. 為降低船舶航行污染排放量, 國際海事組織(IMO)海洋環境保護委員會(Marine Environment Protection Committee, MEPC)制定了船舶能效運行指數的評價標準, 旨在有效約束航行過程中所產生的二氧化碳排放量

                        $$EEOI \le EEO{I_{\rm{set}}}\qquad\qquad\qquad\qquad\;\;\qquad$$ (5)
                        $$\begin{split} {\rm{ }}EEOI{\rm{ = }}&\frac{{C{O_2}}}{{{m_{\rm{{load}}}} \times Dist}}{\rm{ = }}\\ &\frac{{\sum\limits_{i = 1}^{{N_C}} {{b_{2,i}} \times {{\left( {p_{i,t}^C} \right)}^2} + {b_{1,i}} \times p_{i,t}^C + {b_{0,i}}} }}{{{m_{\rm{{load}}}} \times Dist}} \end{split}$$ (6)

                        其中, $C{O_2}$為二氧化碳排放量(g), ${m_{\rm{{load}}}}$為船舶總載重量(kg), $Dist$為航行海里數(海里), ${b_{2,i}}, {b_{1,i}},{b_{0,i}}$$C{O_2}$排放量函數系數, $EEO{I_{\rm{{set}}}}$為船舶能效運行指數上限.

                        值得注意的是, EEOI約束是一個二次型非線性約束條件, 本文通過對其一定程度的放大可以找到一組${\alpha _i}$${\beta _i}$使式(6)的分子部分不大于$\sum\nolimits_{i = 1}^{{N_C}} {\alpha _i} \times$$p_{i,t}^C + {\beta _i}$.

                        4)可靠航行約束. 常規綜合能源系統中出現供能設備故障時, 可允許采取局部短時斷電檢修操作等措施, 然而考慮到實際航行復雜海況中存在的風、浪、流等多種不確定性因素, 會對重要設備處于斷電檢修狀態時智能船舶的航行安全性產生嚴重威脅, 因此必須保障智能船舶綜合能源系統中動力系統、通訊導航設備、應急照明設備等重要負荷的持續性供能, 因此建立智能船舶可靠運行約束如下:

                        $$\begin{split} &\sum\limits_{i = 1}^{{N_P}} {p_{i,t}^P} + \sum\limits_{j = 1}^{{N_C}} {p_{j,t}^{\rm{C}}} - {L_{RL}} \ge \max \left\{ {p_{i,t}^P,p_{j,t}^{\rm{C}}} \right\},\\ &\qquad\qquad\qquad\quad i = 1,\cdots,{N_P},\begin{array}{*{20}{c}} {}{j = 1,\cdots,{N_C}} \end{array} \end{split}$$ (7)

                        其中, ${L_{RL}}$為智能船舶需要保障供能的重要負荷.

                        除上述約束條件外, 智能船舶綜合能源系統仍需滿足傳輸線路功率約束等常規綜合能源系統約束條件.

                      • 針對構建的智能船舶綜合能源系統優化調度模型, 為獲得有效的能量優化調度結果, 需要對其約束條件中未知的參數(如智能船舶全航程各時段負荷需求)進行快速且準確的預測. 由于新能源供能設備的接入, 傳統的集中式優化調度方法已不再適用于智能船舶綜合能源系統能量優化調度問題, 因此需要研究分布式優化調度方法.

                      • 為保障智能船舶可靠、穩定運行, 必須要降低其綜合能源系統中新能源的供能隨機性及復雜海況下風、浪、流等不確定性對智能船舶安全自主航行的負面影響, 保證航行全航程對其動力系統的實時負荷需求響應. 因此, 為在智能船舶安全自主離泊、行駛、避障、靠泊等過程中快速地優化滿足其動力系統的負荷需求, 需要對智能船舶全航程各時段負荷需求進行預測.

                        本文提出利用只占用較少計算資源的寬度學習人工智能算法[26], 對全航程各時段智能船舶綜合能源系統的負荷需求進行預測. 考慮智能船舶某航線全航程各時段能耗相關數據(如航次/實時油耗信息、航速航向信息、航道信息、AIS數據、氣象信息、水文信息等), 將船舶能耗數據作為原始輸入數據的主體, 進行數據預處理并提取其所映射的特征, 生成寬度學習系統的特征節點, 即${Z_i} = {\phi _i}( X{W_{{e_i}}} +$${\beta _{{e_i}}}), {i = 1,2,\cdots,n} .$其中, $n$為特征節點數量, ${W_{ei}}$${\beta _{ei}}$分別為隨機連接權值和隨機偏置. 進一步考慮船舶自動識別系統(Automatic identification system, AIS)數據等外部數據以及氣象、水文數據等環境數據, 對特征節點${Z^n} = [{Z_1}\cdots{Z_n}]$相關特征進行增強(即${H_m} = {\psi _m}({Z^n}{W_{hm}} + {\beta _{hm}}),$其中, ${W_{hm}}$${\beta _{hm}}$分別為隨機連接權值和隨機偏置), 并將生成的增強節點${H^m} = [{H_1}\cdots{H_m}]$作為新增的輸入以增量學習的方式來更新整個預測模型. 所采用的寬度學習系統模型可表示為

                        $$\begin{split} Y = &\left[ {{Z_1},\cdots,{Z_n}|{\psi _1}({Z^n}{W_{h1}} + {\beta _{h1}}),\cdots,} \right.\\ &{\psi _m}\left. {\left( {{Z^n}{W_{hm}} + {\beta _{hm}}} \right)} \right]{W^m}\;{\rm{ = }}\\ &\left[ {{Z_1},\cdots,{Z_n}|{H_1},{H_2},\cdots,{H_m}} \right]{W^m} =\\ & \left[ {{Z^n}|{H^m}} \right]{W^m} \end{split}$$ (8)

                        其中, $Y$為預測的智能船舶全航程各時段電?熱負荷需求, ${W^m}$為連接權重.

                        綜上所述, 所采用的寬度學習算法將特征節點與增強節點結合作為輸入數據, 并與輸出數據進行對應連接, 建立寬度學習系統模型, 通過求偽逆解出相應權值, 準確快速地預測智能船舶航行航線上全航程各時段電?熱負荷需求.

                      • 考慮智能船舶綜合能源系統呈現出的強分布式特性, 本文提出基于多智能體分布式優化理論的能量分布式優化調度算法, 以實時響應第3.1節中采用寬度學習算法預測出的智能船舶航行航線全航程各時段電?熱負荷需求, 解決在多種約束條件下最小化智能船舶綜合能源系統耗能經濟成本(即各供能設備總供能成本)的最優化問題. 智能船舶綜合能源系統包含新能源供能設備和內燃機兩類供能設備, 其供能成本函數多為二次型或者指數函數形式[24], 均為可逆凸函數. 由于各供能設備的邊際成本相等時, 系統總供能成本最小, 因此將第2節所提出的優化調度問題轉化為下述以各供能設備邊際成本為變量的分布式優化問題

                        $$\begin{split} &\min\ \tilde f\left( {{{Cm}}} \right) = \sum\limits_{i = 1}^n {{f_i}} \left( {C{m_i}} \right)\\ &\begin{array}{*{20}{c}} {{\rm{s.t.}}}&{g\left( {{{Cm}}} \right) \le 0,} \end{array}\;{{A}} \times {{Cm}} = {}\\ &\qquad\;\; {{L}} \times {{Cm}} = 0,\;{{Cm}} \in \tilde \Omega \end{split}$$ (9)

                        其中, $C{m_i}$為供能設備 $i$的邊際成本, ${{Cm}} = $${\rm{col}}\left\{ {C{m_1}, \cdots ,C{m_n}} \right\},{g_i}\left( {C{m_i}} \right)$為以邊際成本$C{m_i}$為變量的優化調度問題的不等式約束條件, $g\left( {{{Cm}}} \right) = $$ {\rm{col}}\left\{ {{g_1}\left( {C{m_1}} \right), \cdots ,{g_n}\left( {C{m_n}} \right)} \right\}$, 以邊際成本$C{m_i}$為變量的優化調度問題的等式約束條件的矩陣參數${{A}} = {\rm{diag}}\left\{ {{A_1}, \cdots ,{A_n}} \right\},{} = {\rm{col}}\left\{ {{b_1}, \cdots ,{b_n}} \right\},\tilde \Omega = \prod\nolimits_{i = 1}^n {{\Omega _i}},$${{L}} = L \otimes {I_d},L$ 為圖G的拉普拉斯矩陣.

                        考慮到智能船舶綜合能源系統中各供能設備供能成本函數均為可逆凸函數, 易得式(9)中以邊際成本$C{m_i}$為變量的系統優化調度目標函數為凸函數. 此外, 雖然能效運行指數(EEOI)約束條件為非線性不等式約束條件, 由第2.2節中對其的分析可得${{g}}({{Cm}}) \le 0$條件完全可以轉化為線性不等式約束條件. 此時, 第2節中所提出的智能船舶綜合能源系統優化調度問題可轉換為帶有線性等式與不等式混合約束的分布式凸優化問題. 本文利用一種基于PI控制的分布式優化算法對其求解[27]

                        $$\left\{\!\! \begin{array}{l} {{\dot x}_i} \in - {x_i} + C{m_i} - \partial {f_i}\left( {C{m_i}} \right)-\\ \;\;\;\;\;\; {\left( {\partial {g_i}\left( {C{m_i}} \right)} \right)^{\rm{T}}}{{\tilde \mu }_i} - {A_i}^{\rm{T}}{{\tilde \nu }_i} + {u_i}\\ {{\dot \mu }_i} = - {\mu _i} + {\left( {{\mu _i} + {g_i}\left( {C{m_i}} \right)} \right)^ + }\\ {{\dot \nu }_i} = {A_i}C{m_i} - {b_i}\\ C{m_i} = {\vartheta _{{\Omega _i}}}\left( {{x_i}} \right) \end{array} \right.$$ (10)

                        其中, $x_i^{\rm{T}} = \left( {{p_i},{h_i}} \right) \in {\mathbb{\bf{{R}}}^2}$為供能設備$i$供電/熱量, ${u_i}$, ${\nu _i}$為約束條件變量, ${\vartheta _{{\Omega _i}}}\left( \cdot \right)$${\mathbb{\bf{{R}}}^2} \to {\Omega _i}$的投影算子, ${\left( x \right)^ + } = \max \left\{ {x,0} \right\},$分布式PI協議為

                        $$\begin{split} {u_i}(t) =\;& {k_P}\sum\limits_{j = 1}^n {{a_{ij}}\left( {C{m_j}\left( t \right) - C{m_i}\left( t \right)} \right)} +\\ & {k_I}\int_0^t {\sum\limits_{j = 1}^n {{a_{ij}}\left( {C{m_j}\left( s \right) - C{m_i}\left( s \right)} \right)} } {\rm{d}}s \end{split}$$ (11)

                        其中, ${k_P},{k_I}$分別為PI控制的比例增益和積分增益.

                        然而, 由于智能船舶綜合能源系統分布式優化運行環境中存在大量的復雜噪聲干擾, 且其不能簡單地利用白噪聲刻畫, 因此需要設計一種可同時容納白噪聲和有色噪聲的分布式優化算法, 實現智能船舶綜合能源系統的高效能量優化調度, 以保障復雜噪聲環境下智能船舶可靠、穩定航行. 因此, 本文基于帶有廣義噪聲的隨機分布式優化理論框架[28], 分析下述帶有廣義噪聲的分布式PI協議對應的隨機多智能體系統噪聲?狀態穩定性:

                        $$\begin{split} {u_i}(t) =& \;{k_P}\sum\limits_{j = 1}^n {{a_{ij}}\left( {C{m_j}\left( t \right) - C{m_i}\left( t \right)} \right)} + {k_I} \times\\ & \int_0^t {\sum\limits_{j = 1}^n {{a_{ij}}\left( {C{m_j}\left( s \right) - C{m_i}\left( s \right)} \right)} } {\rm{d}}s{\rm{ + }}{\zeta _i}\left( t \right) \end{split}$$ (12)

                        其中, ${\zeta _i}\left( t \right)$為一個隨機過程, 其期望需滿足假設$\mathop {\sup }_{t \ge {t_0}} {\rm{E}}{\left| {{\zeta _i}\left( t \right)} \right|^2} < K,K > 0$為常數, ${\rm{E}}{\left| \cdot \right|^2}$為二階矩. 經過分析可以得到, 存在$ {\cal{K}}{\cal{L}}$類函數$\beta \left( { \cdot , \cdot } \right)$、$ {\cal{K}}$類函數$\gamma \left( \cdot \right),$使得所分析的隨機多智能體系統平衡點與理想狀態下智能船舶綜合能源系統分布式優化調度最優解之間誤差的二階矩滿足

                        $${\rm{E}}{\left| {x\left( t \right)} \right|^2} \le \beta \left( {\left| {{x_0}} \right|,t - {t_0}} \right) + \gamma \left( {\mathop {\sup }\limits_{{t_0} \le s \le t} \rm{E}{{\left| {\zeta \left( s \right)} \right|}^2}} \right)$$

                        基于上述誤差分析結果, 可以對分布式PI協議參數${k_P}$${k_I}$進行調節, 使得所提出的智能船舶綜合能源系統分布式優化調度算法能夠有效容納復雜噪聲干擾的影響.

                      • 為驗證本文提出的智能船舶綜合能源系統分布式優化調度方法的有效性, 考慮如圖2所示的智能船舶綜合能源系統(具體參數詳見圖解). 智能船舶中途???個港口, 航行全航程各時段船舶電?熱負荷由新能源供能機組和熱電聯產內燃機組共同供應, 其能量優化調度目標為

                        圖  2  智能船舶綜合能源系統仿真模型

                        Figure 2.  The simulation model of intelligent ship integrated energy system

                        $$\min{\displaystyle\sum\limits_{t = 1}^{{\rm{24}}} {\left\{ {\displaystyle\sum\limits_{i = 1}^{\rm{4}} {C_{i,t}^P\left( {p_{i,t}^P} \right)} + \displaystyle\sum\limits_{i = 1}^{\rm{3}} {C_{i,t}^C\left( {p_{i,t}^{\rm{C}},h_{i,t}^C} \right)} } \right\}} }$$

                        其中, 智能船舶綜合能源系統中各供能設備的供能成本函數分別為

                        $$\begin{split} & C_{{\rm{1}},t}^P\left( {p_{{\rm{1}},t}^P} \right) = 300 {\left( {p_{{\rm{1}},t}^P} \right)^{\rm{2}}} + 19 \\ & C_{{\rm{2}},t}^P\left( {p_{{\rm{2}},t}^P} \right) = 291 {\left( {p_{{\rm{2}},t}^P} \right)^{\rm{2}}} + 19 \\ & C_{{\rm{3}},t}^P\left( {p_{{\rm{3}},t}^P} \right) = 210 {\left( {p_{{\rm{3}},t}^P} \right)^{\rm{2}}} + 10 \\ & C_{{\rm{4}},t}^P\left( {p_{{\rm{4}},t}^P} \right) = 210 {\left( {p_{{\rm{4}},t}^P} \right)^{\rm{2}}} + 10 \\ & C_{i,t}^C\left( {p_{i,t}^{{C}},h_{i,t}^C} \right) = 250 {\left( {p_{i,t}^C} \right)^{\rm{2}}} + 2\;000 p_{i,t}^{{C}} + \\ & \qquad 200{\left( {h_{i,t}^C} \right)^{\rm{2}}} + 1\;500 h_{i,t}^C + 150 p_{i,t}^{{C}} h_{i,t}^C + 20 \end{split} $$

                        其約束條件相關參數為

                        $$P_{1,{\rm{max}}}^P \!=\! P_{2,{\rm{max}}}^P \!=\! 15\;{\rm{MW,}}\;\;P_{3,{\rm{max}}}^P \!=\! P_{4,{\rm{max}}}^P \!=\! 10\;{\rm{MW}}$$
                        $$P_{i,\min }^C = 4\;{\rm{MW}},\;\;P_{i,{\rm{max}}}^C = 10\;{\rm{MW}},\begin{array}{*{20}{c}} {}&{i = 1,2,3} \end{array}$$

                        針對上述優化調度問題, 基于已有的寬度學習算法[26], 得到智能船舶航行航線全航程各時段電?熱負荷預測結果如表1所示. 根據表1可知, 智能船舶航行航線全航程中, 當其中途準備??炕蛘唠x開港口時, 其電力需求會呈現出迅速降低或者增加的趨勢, 直至智能船舶按照設定航速航行所對應的動力系統負荷需求被滿足.

                        表 1  智能船舶全航程各時段電?熱負荷預測結果

                        Table 1.  The forecast results of electric and thermal load of intelligent ship in different periods of the whole voyage

                        全航程各時段熱
                        負荷預測量 (MW)
                        1小時2小時3小時4小時5小時6小時7小時8小時9小時10小時11小時12小時
                        19.000028.988933.000034.000032.000027.000020.000016.000018.000027.978033.000034.0000
                        13小時14小時15小時16小時17小時18小時19小時20小時21小時22小時23小時24小時
                        36.000029.000020.000016.000019.000029.967130.000035.000031.000028.000019.495718.0000
                        全航程各時段電
                        負荷預測量 (MW)
                        1小時2小時3小時4小時5小時6小時7小時8小時9小時10小時11小時12小時
                        29.360055.325561.610062.430060.830048.850033.730025.250032.160057.388561.080059.7900
                        13小時14小時15小時16小時17小時18小時19小時20小時21小時22小時23小時24小時
                        65.180055.480035.250026.600032.700054.362954.590064.240056.610054.930032.903928.2700

                        考慮智能船舶綜合能源系統全航程分布式優化調度過程中存在如圖3所示的廣義噪聲干擾, 其噪聲二階矩為${\rm{E}}{\left| {{\zeta _i}\left( t \right)} \right|^2} < 1.$利用本文提出的智能船舶綜合能源系統分布式優化調度算法, 其帶有廣義噪聲干擾的分布式PI協議(式(12))的參數為${k_P} = 16.37,{k_I} = 7.09,$可以得到智能船舶綜合能源系統全航程各時段各供能設備的電?熱輸出功率, 以第$6\sim 10 $小時航行時段為例(中途第1次靠離港過程), 如圖4圖5所示.

                        圖  3  智能船舶綜合能源系統全航程分布式優化調度考慮的廣義噪聲干擾

                        Figure 3.  The general noise considered in the distributed optimal scheduling during the whole voyage of intelligent ship integrated energy system

                        圖  4  船舶航行$6\sim 10 $小時時段各供能設備電輸出功率

                        Figure 4.  Electricity output of each energy supply equipment during $6\sim 10 $ hours sailing

                        圖  5  船舶航行$6\sim 10 $小時時段各供能設備熱輸出功率

                        Figure 5.  Heat output of each energy supply equipment during $6\sim 10 $ hours sailing

                        圖4圖5中可以看出, 根據本文所提出的可容納廣義噪聲干擾的分布式優化調度算法可獲得各供能設備電?熱輸出功率, 其與理想狀態下分布式優化調度最優解之間的誤差范圍在0.05 MW以內, 從而說明所提出算法可以有效地容納實際分布式優化調度環境中存在的復雜噪聲干擾. 此外, 智能船舶航行的第8小時內中途第1次靠港, 在$6\sim 10 $小時航行時段靠離港過程中, 基于本文所提出的算法, 綜合能源系統電?熱負荷的需求變化都能及時、準確地響應, 響應時間均在3 min之內.

                        圖6圖7闡明了智能船舶綜合能源系統全航程各時段各供能設備電?熱輸出功率. 從圖6圖7中各時段各供能設備電?熱輸出功率占比情況可以看出, 所考慮的智能船舶中生活所需電、熱負荷由于各時段需求變化不明顯, 均在10 MW左右波動, 而其他電?熱輸出功率都用于滿足動力系統的負荷需求, 且其輸出功率主要來源于依靠新能源發電的光伏機組、風力發電機組, 與傳統船舶能源系統只依靠消耗化石能源的熱電聯產內燃機組供能相比, 本文所提出的智能船舶綜合能源系統及其分布式優化調度方法使得智能船舶航行過程中消耗化石能源減少50%, EEOI指數顯著降低, 在保障航行全航程可靠性、穩定性的前提下, 實現了智能船舶的綠色、經濟航行.

                        圖  6  智能船舶航行航線全航程各時段各供能設備最優電輸出功率

                        Figure 6.  The optimal electricity output of each energy supply equipment of intelligent ship in different periods of the whole voyage

                        圖  7  智能船舶航行航線全航程各時段各供能設備最優熱輸出功率

                        Figure 7.  The optimal heat output of each energy supply equipment of intelligent ship in different periods of the whole voyage

                      • 本文綜合考慮智能船舶電力系統、熱力系統及動力系統的特點, 構建智能船舶綜合能源系統, 以提高能源的綜合利用效率, 降低污染排放量. 根據智能船舶全航程航行特征, 建立智能船舶綜合能源系統優化調度模型, 基于寬度學習算法預測智能船舶航行航線全航程各時段動態負荷需求, 提出可容納復雜噪聲干擾的分布式優化調度算法, 以保證實際海況下智能船舶航行的經濟性、可靠性和穩定性. 后期工作將重點對所提出的智能船舶綜合能源系統分布式優化調度算法參數進行抗干擾調節, 使整套系統能夠盡快落地形成產品, 為未來船舶能源系統起到示范作用, 促使我國航運業快速進入智能化、無人化、清潔化時代, 助力國家海洋強國戰略.

                    參考文獻 (28)

                    目錄

                      /

                      返回文章
                      返回