船舶混合動力系統能量管理預測控制方法研究

范愛龍, 李永平, 楊強, 涂小龍

(1.武漢理工大學 交通與物流工程學院, 湖北 武漢 430063; 2.工業和信息化部產業發展促進中心, 北京 100038; 3.武漢理工大學 船海與能源動力工程學院, 湖北 武漢 430063)

水路運輸作為一種經濟、節能的運輸方式,在國際貿易中扮演著重要的角色[1]。數據顯示,全球80%的貿易是通過海運完成[2]。然而,重質燃油的使用造成了嚴重的環境污染和大量溫室氣體的排放。國際海事組織(IMO)在第4次溫室氣體報告[3]中指出,海運溫室氣體排放占全球總排放量的2.89%,若不采取有效的節能減排措施,預計到2050年航運業排放的溫室氣體占比將達到17%[4]。IMO為了推動航運業的節能減排,提出了一系列具有強制性的船舶能效規則[5],從技術和運營等方面提出了船舶能效措施[6],如新能源應用[7]、推進系統優化設計[8]、船舶航速優化[9]等。加大船舶新能源技術與能效管理技術應用,成為履行國際公約要求、實現節能減排目標、贏取競爭優勢的有效手段。

船舶新能源動力形式多種多樣,包括LNG動力、電池動力、燃料電池動力以及混合動力等。針對不同航程、高低負荷分布、工況變化頻率等特征的船舶,適配的動力形式不同。其中,混合動力是一種新型船舶動力形式,可以充分發揮2種及以上動力型式的綜合優勢,通過降低主機的配置功率,實施能量管理,能夠實現船舶多能源的高效利用。

相較于傳統的推進形式,混合動力的推進和電力供應結構呈現多樣性,使得船舶的能量管理更加復雜[10]。因此,需要采用有效的能量管理策略[11],充分利用各能源的性能、協調調度能量的流動和分配,確?；旌蟿恿Υ案咝?、穩定地運行。為此,國內外學者探索了不同的能量管理策略,包括規則型和優化型2類[12]。其中,規則型與優化型中的全局優化策略計算量大、對船舶實時控制性能差。相比之下,基于模型預測控制的能量管理策略具有明顯的優勢[13]:1)對約束處理方式明確;2)采用滾動優化策略可對航行過程中的擾動進行實時補償,具備良好的動態控制性能;3)適用于混合動力系統中存在的多約束、非線性等復雜問題。

隨著混合動力系統復雜性及其控制要求的增加,模型預測控制在未來智能新能源船舶的能量管理中具有更大的發展潛力[14]。當前能量管理研究中,針對模型預測控制的綜合分析開展較少。為了探索模型預測控制在船舶能量管理中的應用現狀、關鍵技術和應用難點等,進而滿足船舶對間歇性能源、多變負載的實時穩定控制,本文通過文獻計量分析的方式從船舶能量管理策略入手,分析各策略的優缺點,并提出了混合動力系統能量管理預測控制的技術路線;然后從預測模型的構建、優化目標及約束條件和求解算法以及改進策略等3個方面開展了分析;最后對船舶能量管理預測控制的未來研究進行了展望。

1 船舶能量管理發展

1.1 船舶能量管理研究圖譜

為了清晰地分析船舶能量管理的發展脈絡,借助CiteSpace軟件對Web of Science核心合集中近10年來與船舶能量管理相關的文獻(635篇)進行了可視化分析。該軟件可以通過聚類方式將包括作者、關鍵詞等內容以知識圖譜的形式呈現,能夠分析并直觀地呈現文獻中特定研究課題的潛在知識、知識結構、知識規則和分布情況,從而簡化信息。關鍵詞分析圖譜如圖1所示。

圖1 船舶能量管理關鍵詞分析圖譜Fig.1 Keyword analysis map of ship energy management

從圖1左側為關鍵詞共現圖,通過節點的大小來反映關鍵詞出現頻率的高低,連線的顏色與文獻發表的時間相對應?？梢钥闯?management、system、optimization、energy management、ship、energy efficiency、emission等關鍵詞出現頻率較高,將這幾個關鍵詞串聯起來可以看出,船舶的能量管理主要是對船舶動力系統的能效進行管理和優化以達到節能減排的目的。在關鍵詞的基礎上,通過聚類算法提煉出主題,形成了右側的聚類圖,不同顏色板塊代表關鍵詞所聚類的主題區域,對應的文字則是主題名稱。表1列出了前4個主題的關鍵信息?？梢钥闯?船舶能量管理主要針對的是混合動力或電力推進船舶中(混合)儲能系統、直流電網、負載等問題。模型預測控制作為第2個聚類主題,可以反映其在船舶能量管理中的重要作用。

表1 關鍵詞聚類指標信息表Table 1 Keyword clustering index information table

圖2主要呈現了船舶能量管理文獻中的關鍵詞、突現強度以及起始時間,右側加粗部分用可視化的形式將關鍵詞的年度分布表現出來。通過對關鍵詞突現強度和可視分節條的分析,能夠概括出船舶能量管理的發展趨勢。其中,environmental impact、climate change和greenhouse gas emission幾乎貫穿整個研究過程,這是船舶開展能量管理的驅動要素。近年來,microgrid、shipboard power system、smart grid、hybrid energy storage、hybrid power等關鍵詞涌現,表明研究對象側重于船舶電力系統、混合儲能系統、混合動力系統等方面。近年來,predictive control、ship emission等關鍵詞的出現,表明預測控制是船舶能量管理和船舶能效研究的熱點。

圖2 關鍵詞前20突現信息指標Fig.2 Top 20 emerging information indicator charts for keywords

1.2 船舶能量管理策略分類

船舶能量管理策略分為規則型和優化型2類[15],規則型中包含了確定規則和模型規則,優化型可細分為全局優化和實時優化,具體分類如圖3所示。前幾種策略在文獻[16]中已有分析,本文僅對其優缺點進行總結,如表2。

表2 混合動力船舶能量管理策略特點Table 2 Characteristics of energy management strategy for hybrid ships

圖3 船舶能量管理策略分類Fig.3 Classification of ship energy management strategies

基于規則的能量管理策略雖然簡單實用,但需要工程師的豐富經驗來制定規則,且無法實現混合動力系統的最優功率分配[17];基于全局優化的能量管理策略需要提前獲取整個航程的工況信息,故求解復雜,難以在混合動力系統的實際優化控制中得到應用;基于實時優化的能量管理策略對預測模型的精度要求較高;而基于模型預測控制的能量管理策略能在實時辨識船舶動態參數的基礎上,將全局優化轉化為局部最優控制,并通過預測模型和優化算法實現船舶能效的實時優化。

1.3 船舶能量管理預測控制

模型預測控制主要包括模型預測、滾動優化和反饋校正[26]。其中,滾動優化是區別于傳統優化控制的根本,通過滾動優化不斷以最優控制量[27]作用于船舶,使其在最佳的狀態下運行?；谀Ｐ皖A測控制的船舶能量管理策略技術路線如圖4所示。具體實施步驟如下。

圖4 混合動力系統能量管理預測控制技術路線Fig.4 Hybrid system energy management predictive control technology roadmap

1)狀態信息獲取:通過人工錄入或傳感器獲取船舶靜、動態數據,也可利用自動識別系統獲取信息;2)預測模型建立:建立合適的預測模型對船舶工況、需求功率(電力)等進行預測;3)能量管理預測控制策略:建立滿足約束條件的代價函數,選擇合適的算法求解出k時刻的最優控制序列,并將優化解作用于船舶并更新其運行狀態,k+1時刻再次獲得船舶航速等信息,進而預測船舶新的運行狀態,利用新的預測值不斷優化船舶動力系統的功率分配。

后文將從預測建模、控制目標及約束、求解算法和改進策略等方面開展船舶能量管理預測控制方法研究。

2 預測控制的預測建模

基于模型預測控制的混合動力系統能量管理取決于對未來需求的預測,因此,設計合適的模型來預測功率(電力)需求至關重要。預測模型通?？煞职紫淠Ｐ?基于第一性原理)、黑箱模型(基于擬合觀測數據的統計模型)和灰箱模型(黑箱模型和白箱模型的組合)[28]。

2.1 白箱模型

白箱模型是利用物理、流體力學等原理對船舶總阻力進行建模,然后進一步計算特定速度下船舶所需的功率和油耗,最后根據白箱模型得出的結果計算船舶的有害氣體和CO2排放。能量管理預測控制中則是建立面向優化的動態模型,此類模型大多是以離散形式的狀態空間表達式來建立的。具體形式為:

(1)

通過k時刻的狀態量x(k)、控制量u(k),預測下一時刻的狀態x(k+1)。使用該方法通常需要建立船舶推進系統的各組成部件的動態模型,如發電系統動態模型(柴油機、發電機組等)、混合儲能系統動態模型、直流母線動態模型[29]等。Haseltalab等[30]結合柴油機、同步發電機、整流器、電池、雙向變流器等動態模型建立了能量產生側和能耗的狀態空間模型,進而預測能量需求側和供應側的功率匹配問題。這些模型是基于系統的物理機理所構建并以狀態空間的形式呈現出來,模型透明可解釋,只要明確了被控系統的狀態和控制變量,即可通過動態模型預測該系統下一時刻的狀態。但此類模型的適應性和普遍性較差,需要具備充分的系統先驗知識。

2.2 黑箱模型

黑箱模型可分為基于統計建模的黑箱模型和基于機器學習的黑箱模型。前者是一種用于船舶燃料消耗預測的經典模型,其建模的流程是:首先對數據進行采集和預處理,并選擇合適的回歸模型,利用真實或模擬的船舶數據來預估模型參數,最后驗證模型的擬合與泛化能力[31]。其中,高迪駒等[32]使用的馬爾可夫模型是一種基于數據統計的模型,通過該模型對船舶需求功率進行預測,進而采取合理的控制策略對船舶功率進行合理分配,達到節能減排的目的。

隨著船舶營運數據的大量監測,基于機器學習的黑箱模型在船舶未來需求功率(電力)的預測方面得到了快速發展。Petersen等[33]對用于需求預測的人工神經網絡和高斯過程(GP)比較得出,人工神經網絡模型比GP更加精確;Farag等[34]將人工神經網絡(ANN)與傳統的回歸模型相結合,為船舶設計了一個精確的電力需求預測器;Planakis等[35]設計了一個觀測器來估計螺旋槳負載特性,并訓練了一個基于神經網絡的速度預測器來幫助優化預測時域內的螺旋槳負載特性。與白箱模型相比,黑箱模型是以數據驅動來實現對船舶未來需求功率(電力/油耗)的預測,訓練數據有較好的擬合能力,預測精度最高。但模型復雜,難以直觀地解釋,且需要大量高質量的數據才能達到較好的預測效果。

2.3 灰箱模型

灰箱模型將可解釋且基于物理原理的白箱模型與具有高精度的黑箱模型結合起來,實現了兩者的優勢互補,能夠保證預測的準確性。Leifsson等[36]結合了傳統分析模型和前饋神經網絡,提出串、并聯2種不同組合方式的灰箱模型,并利用神經網絡估計船舶未來的電力需求。通過仿真表明,所提出的灰箱模型組合與白箱模型相比,對船舶燃油消耗的預測效果顯著提高;Coraddu等[37]比較了白、黑、灰箱模型。該研究使用了多種不同的統計模型作為黑盒模型,并指出灰盒模型在估計船舶電力需求方面是最準確的。

綜上所述,精確的預測模型能夠提高對未來需求預測的準確性,進而達到較好的優化效果。這就需要確保船舶數據的數量和質量,用更多高質量的數據(如船舶維修數據、航行環境數據等)來構建預測模型,可以使功率預測更加精準。然而,大多數預測模型普適性不高,如針對單艘船舶數據進行訓練的黑箱模型,將其運用到其他船舶后將無法保證預測精度。因此,按照一定的標準構建相對普適的模型,使其能在更多船舶上得到應用是未來研究的一個方向。此外,開發更有效的灰箱模型,以及在數據量允許的情況下開發基于深度學習的預測模型,將是未來研究的重點。

3 預測控制的控制目標及約束條件

混合動力系統涉及到電能、化學能、機械能等多種能量形式的轉化與控制,協調控制各能量源從而提高系統穩定性、降低能耗并合理地進行功率分配是船舶能量管理研究的重點。隨著船舶混合系統復雜性的增加,控制目標呈現多元化的趨勢,有必要對不同的控制目標進行總結分析。

3.1 以系統穩定性為目標

船舶負載波動嚴重降低了電力效率,主要指推進負載波動(由波浪、螺旋槳的波動產生)和脈沖功率負載(由運行大功率設備造成),其航行工況的復雜性和能量需求的特殊嚴重降低了船舶電力系統的穩定性。

為解決船舶推進負載波動問題,Hou等[38-39]探索了一種新的解決方案,以電池和飛輪混合儲能系統作為緩沖將負載波動與艦船電網隔離,并以功率波動補償為控制目標,開發了一種模型預測控制算法來解決該方案的實時實現問題;為使電壓和頻率在較大的負載波動下維持正常,Vafamand等[40]在建立目標函數時,以發電機功率作為優化參數,并對其功率變化率進行限制,以此來降低動態波動負載的影響。

為降低脈沖功率負載對電網帶來的沖擊,Van等[41]提出了一種基于模型預測控制能量管理方案,將控制系統進行分級處理,并采用混合預測控制算法來解決分布式電源和發電機之間優化協調問題,以滿足推進電機和脈沖功率負載對高功率斜率的要求;Stone等[42]設計了一個可以動態分配電源和負載的能量管理控制器,確保恒定電力提供的同時降低脈沖負荷對電網的影響。

3.2 以能耗為目標

降低船舶能耗是船舶能量管理的重點,也是優化策略的主要目的。不論船舶推進系統的結構形式如何,通常是通過儲能裝置或直流并網技術[10]來調節電機轉速,使其在最優點工作來達到降低能耗的效果,進而實現節能、環保的目的。Wang等[43]為降低船隊的能耗,通過建立能耗動態優化模型,并以總油耗最小為代價函數進行優化,有效降低了船隊能耗;Antonopoulos等[44]以降低混合動力船舶燃料消耗為目標,提出了一種基于MPC的能量管理框架,實驗表明所提出的框架在燃料消耗和魯棒性方面的性能接近最優解;Xie等[45]設計了等效功耗最小化策略,實時控制混合動力系統間的最優功率分配,并利用模型預測控制對等效因子進行調整,驗證結果表明了其可行性。

3.3 以排放為目標

船舶能量管理的另一重點是降低營運船舶有害氣體和CO2的排放。隨著船舶能效設計指數(EEDI)、船舶能效營運指數(EEOI)、現有船舶能效指數(EEXI)、碳強度指數(CII)等能效指標的相繼提出和應用,降低船舶排放迫在眉睫。上述指標充分考慮了船舶在設計和營運階段CO2的排放量,由于碳排放是通過燃料與排放轉換系數來描述的,因此在船舶能量管理中很少直接將排放作為優化目標,更多是通過降低燃油消耗來間接實現減排的目的。Wang等[13]以EEOI作為優化目標,通過建立船舶能效動態優化模型來實現船舶在時變環境下的航速優化,使船舶油耗降低進而達到減排的目的。

3.4 以經濟成本為目標

與能量管理經濟性相關的指標主要包括運營和投資成本。運營成本由設備運行成本和燃油、維修保養等其他成本組成,通常由設備功率大小、數量、運行時間等決定。船舶投資成本則與儲能系統、發電機組等安裝規模、容量和壽命相關。Letafat等[46]提出了一種以降低船舶運行成本為目標的能量管理策略,仿真結果表明此方法與基于規則的策略相比,總運行成本降低約4%。多數文獻僅簡單地用凈現值來評價船舶的經濟成本,從長遠看,設備的年化成本和生命周期成本[47]也需要充分地考慮。此外,船舶混合動力系統結構形式(串聯式、并聯式、混聯式[48])和型號的不同也是影響經濟成本的重要因素,在設計或改裝時需重點考慮。

然而,隨著船舶向智能化、低碳化方向發展,船舶能量管理目標也從只考慮成本的單一目標優化發展到綜合考慮能效、排放、經濟等指標的多目標優化。Hou等[29]在構建代價函數時以系統可靠性、提高系統效率、延長電池壽命等為控制目標,并通過加權轉換為單一目標進行優化求解;Banaei等[49-50]以優化營運成本(如燃料成本、冷藏成本、卸貨成本等)、減少排放為控制目標開展研究。多目標優化可表述為:

(2)

L(x(k),u(k))=λ1·f1(x(k),u(k))+

λ2·f2(x(k),u(k))+…+λn·fn(x(k),u(k))

(3)

u(·)∈UN

(4)

x(k+Np)=f(x(k),u(k),u(k+1),…,u(k+Nc))

(5)

約束條件:

(6)

式中:x(k)表示狀態變量,如超級電容荷電量、電機轉速、直流總線電壓等;u(k)表示控制量,如電機轉矩、電池和超級電容電流等;代價函數L由多個子目標函數f組成;λ表示對應目標函數的權重;n表示目標個數;Np為預測步長;Nc為控制步長。

值得注意的是,約束條件是確保船舶混合動力系統安全穩定的關鍵。具體包括:1)能量平衡約束,即船舶各能量源輸出的總功率能夠隨時滿足負載要求;2)設備正常運行的約束,如柴油機/螺旋槳轉速限制、電池(超級電容)充電狀態和放電深度限制、電機負載限制等;3)電力質量限制,如電壓、頻率的限制、電機功率變化率的限制等;4)其他約束,如特定航區的航速約束、航期限制、載貨量、輔助系統的熱平衡、熱損失等限制。

雖然優化目標和約束趨于多樣化,但并非越多越好,應該根據船舶的運行模式、應用場景和任務需求合理地選擇。此外,控制目標不應局限于短期目標,考慮中、長期的控制目標也是非常必要的。傳統方法中通過加權轉換成單一目標來處理,控制魯棒性較差,且需根據經驗和預期目標來設置權重。而在船舶混合動力系統中,各性能指標之間互相影響,增加了能量管理的復雜性,如何實現多個目標之間的平衡,提出更合理的船舶能量管理策略,是未來研究的重點。

4 預測控制的求解算法及改進策略

4.1 求解算法

對于船舶混合動力系統來說,采用模型預測控制對多種能量進行合理分配和調度能夠有效地實現節能減排的目標。但模型預測控制僅僅是一種控制思想,不能直接用于求解,需與其他算法結合來進行優化計算[27]。通過分析船舶能量管理預測控制的相關文獻,總結出幾種常見的方法,如二次規劃(QP)、動態規劃和群體智能優化算法。

4.1.1 基于DP求解的模型預測控制

動態規劃的核心思想是將求解問題拆分成不同的階段,如圖5所示,通過定義各階段的狀態和相互關系,依次求解各階段子問題,使優化問題以遞推的方式得到解決[51]。上文中提到該策略存在計算量大、需提前獲取航行工況等不足,但模型預測控制通過滾動優化實現了有限時域內的優化控制,縮小了求解范圍,進而實現預測時域內的全局優化。

圖5 動態規劃原理Fig.5 Schematic diagram of dynamic programming

Antonopoulos等[45]利用動態規劃來求解所構建的預測模型,通過求解離散時間、有限時域內的優化問題,使積分目標函數的形式使油耗最小化;為解決全電力推進船舶的優化問題,Kanellos等[52]提出了一種考慮船舶運行、環境和出行約束的動態規劃算法,該方法用于一艘集成電力推進的郵輪上,實現了最優功率管理。然而,動態規劃采用迭代搜索方式尋優,運行速度較慢,若模型復雜、控制量和約束較多時其計算量會很大,難以實現船舶的實時優化。

4.1.2 基于QP求解的模型預測控制

預測控制中大多以二次型的形式建立目標函數,因此用QP求解最為普遍。其一般形式[53]可表示為:

(7)

s.t.αl≤Ax≤αu

(8)

式中:Q為海塞矩陣;A為實矩陣;c、x、α為R中的向量;式(8)表示約束條件。其中,矩陣Q是求解的關鍵,通過判斷其正定性可確定目標函數最優解的個數[54]。

Haseltalab等[55]對模型進行線性化處理,并采用約束線性化技術將目標函數轉化有利于QP求解的形式;Gonsoulin等[56]也采用二次規劃來求解集中式模型預測控制代價函數。該方法能解決非線性模型預測控制中難以獲得顯示解、不能保證全局最優等問題。使用QP將非線性模型預測控制問題轉化成線性問題,既保證了解在采樣周期內的最優性,又易獲得解析解。但在船舶能效預測控制中,該算法計算量較大,難以在多目標、非線性等復雜問題的混合動力系統中應用。

4.1.3 基于群體優化算法的模型預測控制

群體優化算法是一種基于概率的隨機搜索進化算法。在船舶能量管理預測控制中常見的有粒子群算法(PSO)和黑洞算法(BHA)2種。此類算法結構、計算流程類似,基本的理論框圖如圖6所示。主要是利用群體的迭代、更新和比較來獲取最優解,將最優控制量作用于船舶并進行滾動優化,使其以最優狀態運行。

Wang等[13]采用改進PSO求解分布式模型預測控制中上層非線性優化模型,并基于該算法設計了能效控制器,以實現船隊的能效優化;Paran等[57]將模型預測控制應用于船舶直流系統的電源管理上,采用收斂性較強的PSO算法來求解優化問題,并利用Matlab/Simulink和PLECS中進行仿真驗證;為實現船舶高效的能量管理,Vafamand等[40]采用改進黑洞算法來調節模型預測控制中的未知變量以實現對系統的優化控制。但算法受限于種群的規模和迭代步數且結果易陷入局部最優,只有合理地設置這些參數才能得到較精確的優化結果,這需要豐富的經驗和不斷地嘗試。

表3總結了上述算法的優缺點。

表3 模型預測控制求解方法對比Table 3 Comparison of model predictive control solution methods

4.2 改進策略

混合動力船舶航行工況復雜,不確定因素、優化目標和約束較多,傳統的預測控制策略難以確保實時性,需不斷改進控制策略以提高計算效率并滿足實時控制的要求。

4.2.1 基于IPA-SQP的模型預測控制

IPA-SQP算法是一種混合預測控制算法[58],結合了擾動分析(PA)和SQP算法的互補特性來求解約束動態優化問題。PA是一種在初始條件發生變化時預測最優解變化的方法,它使得優化計算效率提高。但是由于解的近似性,重復應用此算法更新標稱解不能保證連續最優。因此,可采用基于線性化和二次代價逼近的SQP更新,該策略可以在高效計算和精確優化之間取得良好的折衷。Park等[59]在能量管理預測控制中采用了該算法進行求解,結果表明IPA-SQP算法可以實現快速負載跟蹤和實時優化。Hou[60]等采用此方法求解代價函數,提高了計算效率,使其提出的能量管理策略的具備了實時可行性。

4.2.2 自適應模型預測控制

自適應模型預測控制是自適應控制和模型預測控制的結合,由于預測模型和環境的不確定性,融入自適應控制能夠及時辨識船舶特性參數,并適應外界擾動的變化,從而達到理想的優化控制效果。Hou等[61]強調推進負載扭矩對預測控制來說非常重要但難以測量,于是提出了自適應模型預測控制策略對參數進行自適應辨識,提高了系統的魯棒性。Papalambrou等[62]針對混合動力船舶能量管理問題設計了2種模型預測控制器:基于線性的標準MPC和基于系統辨識的自適應MPC,并在柴電混合動力試驗臺上對2種控制器的性能進行了實驗驗證,結果表明,控制器不僅能夠成功處理輸入和輸出約束,還能對瞬態運行過程進行有效的控制,減少了氣體排放,提高了燃油效率。

4.2.3 多級模型預測控制

多級(分層)模型預測控制是將船舶控制系統按一定要求劃分層次,對每層采用模型預測控制進行優化,便于各能量源之間的協調調度。與集中控制相比,分層控制可以有效改善系統響應時間,其可靠性、靈活性增強,能夠更好地適應現代船舶的能量管理。

Haseltalab等[30,63]提出了多級預測控制,通過混合預測控制算法協調優化各能量源與電機之間功率分配以提高系統的性能;Gonsoulin等[64]將船舶的能量控制分為3個不同的層:設備控制、電源管理和能量管理,并重點研究能量管理層。采用2種不同模型即啟發式和模型預測控制相結合的混合控制方法(當能量存儲裝置須提供電力支持時,采用啟發式方法;當儲能裝置必須充電時,使用集中式MPC方法),協調發電機和儲能以確保負荷需求。

綜上所述,控制目標的多樣化和動力系統的復雜化使得傳統算法不適用,通過取長補短來實現各算法之間的協調與融合有利于控制效果的提升,是控制算法發展的趨勢。IPA-SQP算法就是權衡高效計算和精確優化的結果;自適應模型預測控制通過在線辨識并修正參數,可以有效地處理不確定性;分層控制策略使得控制靈活性得到顯著增強。隨著船舶能效數據的大量采集和計算能力的提升,將模型預測控制與機器學習相結合,以數據驅動的方式來提高模型預測控制器的性能是未來船舶能量管理預測控制研究的重點。

然而,模型預測控制控制并未在實船上得到廣泛應用,其原因是:1)大多數研究基于理論和軟件仿真開展,其模型和策略的可行度較低,且控制效果和實船應用存在差距;2)模型預測控制有待系統全面的測試驗證,如“V形”開發流程一樣,需要在軟件層面、硬件層面進行有效的評估[65];3)先進的策略意味著要布置更多的信息采集、傳輸設備和高性能的處理器,這對安裝成本以及安全保護等提出了更高的要求,在該技術徹底成熟前,航運公司是不會輕易使用的。

5 結論

隨著船舶混合動力系統復雜性及其控制要求的增加,模型預測控制在未來智能、新能源船舶的能量管理中具有很大的發展潛力。本文利用CiteSpace軟件對船舶能量管理的相關文獻進行分析,理清了船舶能量管理的發展脈絡。從預測模型的建立、能量管理目標及約束條件、求解算法和改進策略等方面分析了混合動力系統能量管理預測控制研究的現狀和熱點問題。雖然,模型預測控制在解決船舶能量管理問題時具有優勢,但在考慮可再生能源的能量管理策略、建模與驗證的標準化等方面仍面臨著挑戰:

1)考慮可再生能源的船舶能量管理策略。太陽能、生物燃料、風能等可再生能源在船舶上應用使得能量管理更加復雜,動力系統的結構、能量管理策略的制定、模型預測控制器的設計等需要不斷地探索和完善,以滿足船舶的節能減排要求。在船舶能量管理策略的制定時,不僅要保證系統能達到預期的響應效果,還應考慮船舶的運行條件、儲能系統的壽命、發動機性能及排放要求、部件的可靠性和成本等問題。

2)建模與驗證的標準化?，F階段,船舶能量管理中系統模型的建立和工況的驗證缺乏統一的標準。簡易模型和拓撲結構難以在實船能量管理中起到良好的效果,驗證工況也大多通過函數生成工況數據或使用船舶實測的工況數據,不僅增加了工作量,還不利于研究的推廣應用。因此,有必要以更加精細化的建模標準和更典型的驗證工況來規范混合動力船舶能量管理的研究,促進研究成果的推廣與應用。

3)上層功率分配與底層設備響應的協同優化。能量管理策略作為上層分配策略,其優化目標主要是以整體的能耗、排放、穩定性指標為主,對底層的執行機構,如整流器、變速箱、發動機等考慮較少。而底層部件瞬態響應工程對船舶動力性、經濟性影響不容忽視。因此,如何建立精確的瞬態響應模型,在滿足上層控制的同時實現底層機構瞬態響應的協同優化是研究的重點。

4)多維度的測試驗證。能量管理策略不能只停留在軟件仿真層面,需要以實船應用為目標開展一些列驗證評估,包括但不限于模型在環仿真、硬件在環仿真、臺架試驗、實船試驗等,并從策略的穩定性、實時性、經濟性等方面進行多維度評估,以推動策略的實船應用。