基于模型预测控制的双机组混合动力船舶能量管理研究.pdf

期刊网址：www.ship-引用格式：周寅正,陈俐.基于模型预测控制的双机组混合动力船舶能量管理研究 J.中国舰船研究,2024,19(增刊 1):7483.ZHOU Y Z,CHEN L.Study on energy management of dual-diesel generator sets hybrid power ships based on model pre-dictive controlJ.Chinese Journal of Ship Research,2024,19(Supp 1):7483(in Chinese).基于模型预测控制的双机组混合动力船舶能量管理研究周寅正1,2，陈俐*1,21 上海交通大学 船舶海洋与建筑工程学院 海洋智能实验室，上海 2002402 上海交通大学 海洋工程国家重点实验室，上海 200240摘 要:目的目的船舶柴电混合动力系统合理分配柴油机和电机输出功率，可大幅降低油耗和排放。针对传统混合动力能量管理策略的性能最优与运算实时的矛盾，提出采用模型预测控制（MPC）进行能量管理瞬时优化。方法方法首先，利用反向建模法搭建由双柴油发电机组、储能系统、岸电组成的客渡船混合动力系统能量流模型；然后，提出以油耗和电能消耗的总温室气体（GHG）排放为目标函数，在系统约束条件下可在线滚动优化求解的 MPC 能量管理算法，最终进一步进行了不同预测时域长度的灵敏度分析。结果结果仿真结果表明，MPC 较传统规则控制方法可分别降低 4.85%的燃油消耗量和 3.54%的温室气体总排放。结论结论相比于传统的规则控制策略，MPC 油耗低，温室气体排放少，且计算负荷较小，具有良好的实船应用潜力。关键词：双机组混合动力；模型预测控制；温室气体排放中图分类号:U676.3文献标志码:ADOI：10.19693/j.issn.1673-3185.03104 Study on energy management of dual-diesel generator sets hybrid power shipsbased on model predictive controlZHOU Yinzheng1,2,CHEN Li*1,21 Laboratory of Marine Intelligent Equipment and System,School of Naval Architecture,Ocean and Civil Engineering,Shanghai Jiao Tong University,Shanghai 200240,China2 State Key Laboratory of Ocean Engineering,Shanghai Jiao Tong University,Shanghai 200240,ChinaAbstract:ObjectivesThe marine diesel-electric hybrid system reasonably distributes the output power ofthe diesel engine and motor,which can significantly reduce fuel consumption and emissions.Aiming at thecontradiction between the optimal performance and real-time operation of traditional energy managementstrategies applied to hybrid power systems,this study proposes to implement model predictive control(MPC)to achieve the instantaneous optimization of energy management.MethodsFirst,an energy flow model ofa passenger-ferry hybrid system consisting of dual diesel generator sets,energy storage systems and shorepower is established by employing the reverse modeling method.An MPC energy management algorithm thatcan be solved online by rolling optimization under system constraints is then proposed,taking the total green-house gas(GHG)emissions of fuel consumption and electric energy consumption as the objective function.Fi-nally,the sensitivity analysis of the variable prediction horizon lengths is carried out.ResultsThe simula-tion results show that the MPC method can reduce fuel consumption by 4.85%and total carbon dioxide emis-sions by 3.54%respectively compared with the traditional rule-based control method.ConclusionsTheMPC method achieves lower fuel consumption,lower carbon emissions and lower computing load than the tra-ditional rule-based control method,giving it promising potential for real ship application.Key words:dual-diesel generator sets hybrid system；model predictive control(MPC)；(greenhouse gas)GHG emission收稿日期:20220927 修回日期:20230216基金项目:国家重点研发计划资助项目（2022YFB4300803）作者简介:周寅正，男，1998 年生，硕士生。研究方向：混合动力系统能量管理。E-mail：Z陈俐，女，1973 年生，博士，教授。研究方向：智能绿色动力系统设计与控制。E-mail：*通信作者:陈俐 第 19 卷 增刊 1中 国 舰 船 研 究Vol.19 Supp 12024 年 1 月Chinese Journal of Ship ResearchJan.2024 0 引言国际海事组织已提出，船舶温室气体（greenhouse gas，GHG)）的排放在 2050 年时比 2008 年降低至少 50%的初步减排策略1，中国“双碳”战略的实施也亟需先进的船舶减排技术2。柴电混合动力系统采用柴油机和电机两种动力源，借助电池对船舶需求功率“削峰填谷”，从而降低油耗、减少排放，适用于作业船、渡船、邮轮、军用船等工况频繁变化的船舶。对于航行需求功率较大的船舶，需要两台或以上柴油机协同驱动，由其构建混合动力系统。这要求能量流路径多，配置灵活且工况适应性强，但是这增大了能量管理策略（energy management strategy，EMS）的复杂度。为发挥由多台柴油机构成的混合动力系统节能减排优势，有必要研究具有实时寻优能力的能量管理策略。基于规则的能量管理策略应用广泛3-4，算法较简单，实时性好，但阈值需根据经验或大量实验进行标定，且难以达到最优性能5。一些学者将基于全局优化的方法应用于 EMS，求解得到全局最优能量管理动作序列。但是该方法需全程预知运行工况，一旦实际工况偏离预期，将导致性能下降6，且寻优计算量大，无法进行实时应用7。神经网络8和强化学习9等机器学习算法采用运行数据训练 EMS，但是数据量大、实验成本高且泛化性能差，成为实际运用中的障碍。如何兼顾优化性能与实时性能，是混合动力 EMS 研究的难点。面向瞬时优化思路的 EMS 通过简化被控对象模型和缩短优化区间以减少优化算法的计算负荷，使优化方法能够实时应用。例如，等效燃油消耗最小策略通过设立等效因子将瞬时电耗等效为虚拟油耗，从而将全航程的全局优化问题转化为各瞬时等效燃油最小的问题10。但是，等效因子受到工况和运行状态的复杂影响，取值不合理会导致油耗增大11-12。基于模型预测控制（modelpredictive control，MPC）的 EMS 通过状态反馈以及滚动优化求解预测时域内约束优化问题，实现在线局部最优控制13-14。Li 等15将随机 MPC 算法应用于混合动力巴士，与传统的“电量保持电量消耗”策略相比，提高了燃油经济性。Du 等16在MPC的目标函数中加入时变等效电池寿命成本，使运行成本比基于规则方法降低 44.1%。Jayasinghe等17通过为并联式混合动力船直流电网接入动力电池，并采用基于 MPC 的频率控制策略以改善船舶功率输出质量。王吉祥18构建了动态规划与MPC 相结合的控制策略，应用于柴油发电机与超级电容构成的混合动力船舶，验证了策略经济性与鲁棒性。Hou 等19针对船用蓄电池、超级电容混合储能系统，设计实时 MPC 策略，取得相较基于滤波策略更高的系统可靠性与效率。Antono-poulos 等20提出针对混联式混合动力船的 MPC控制框架，利用动态规划求解滚动时域内优化问题，降低了测试工况下的船舶燃油消耗。Banaei 等21针对由燃料电池、蓄电池和岸电系统组成的全电船，基于随机 MPC 设计 EMS，改善不确定海况下负载波动的适应性。Planakis 等22针对由一台柴油机与一台电机同轴并联组成的混合动力系统，以 油 耗 与 NOx排 放 最 小 为 目 标，基 于 非 线 性MPC 算法分配柴油机与电机的输出力矩。以多台柴油机、电机以及大容量电池组成船舶混合动力系统，能量流在柴油机与电机之间、多台柴油机之间以及多台柴油机与电池之间均需合理分配，增加了能量管理策略的复杂度，实时寻优方法仍需深入研究。本文以由双柴油发电机组、锂电池组以及岸电装置组成的客渡船混合动力系统为研究对象，将考虑油耗和电耗的 GHG 总排放最小作为优化目标，提出基于 MPC 的瞬时优化 EMS。采集目标船在黄浦江水域实际航行数据形成测试工况，将结果与基于规则的 EMS 进行比较，以验证本文提出方法的有效性。1 双机组混合动力系统能量流建模双机组混合动力系统架构如图 1 所示，分为功率供给侧和负载需求侧。功率供给侧部件包括两台柴油发电机组（engine generator unit，EGU），锂电池储能系统（energy storage system，ESS）)和岸电（cold-ironing，CI）装置。岸电装置可在船舶靠岸时对锂电池储能系统进行电能补充。负载需求侧由推进负载功率、日用负载功率组成。其中，推进负载功率由两套推进系统共同输出，每套推进系统包括一台推进电机，一台减速箱和一个螺旋桨。最终，本章将基于反向建模法，从混合动力系统的推进需求出发，逐级反向递推动力系统各子模块所需提供的扭矩、转速、功率等情况，从而获得混合动力系统的油耗与排放指标，最终建立双机组混合动力系统的能量流模型。1.1 功率平衡方程船舶航行时，功率供给侧和负载需求侧之间满足功率平衡方程。假设两套推进系统的运行状态一致，功率平衡方程如下：增刊 1周寅正等：基于模型预测控制的双机组混合动力船舶能量管理研究75PESS(t)sign(PESS(t)conv+(PEGU,1(t)+PEGU,2(t)rect=(2Pm,in(t)+Photel(t)/inv(1)sign(x)=1,if x 00,if x=01,if x 0PESS(t)0PEGU,1(t)PEGU,2(t)Pm,in(t)Photel(t)convrectinv式中：为储能系统瞬时功率；时为放电功率；时为充电功率；和分别为柴油发电机组 1 和 2 的瞬时输出功率；为推进电机的瞬时输入功率；为船舶日用负载瞬时功率；，分别为直流变换器、整流器和逆变器效率。1.2 船舶纵向动力学模型假设两个螺旋桨工作状况一致，平均承担船舶推进所需的负载推力，船舶纵向动力学数学模型如下。Nprop(1td)Tprop(t)Rtot(t)=MtotdV(t)dt(3)NproptdTprop(t)MtotV(t)Rtot(t)式中：为螺旋桨个数；为推力减额系数；为螺旋桨推力；为船舶总质量；为船速；为船舶总阻力。Rtot(t)=RFri(t)+RWave(t)+RAir(t)(4)RFri(t)=12CFShullV2(t)(5)RWave(t)=12CWShullV2(t)(6)RAir(t)=12airCairSTV2(t)(7)JP(t)=V(t)nP(t)DP(8)Rtot(t)RFri(t)RWave(t)式中：包括摩擦阻力、兴波阻力RAir(t)airCFCWCairShullST和空气阻力。其中，为海水密度；为空气密度；，分别为摩擦阻力系数、兴波阻力系数和空气阻力系数；和分别为船体湿表面积和迎风面积。1.3 螺旋桨模型Tprop(t)Qprop(t)单个螺旋桨的推力与扭矩按下式计算：Tprop(t)=KT(t)DP4nP2(t)(9)Qprop(t)=KQ(t)DP5nP2(t)(10)其中，KT(t)=fT(JP(t),PP/DP,Ae/Ao,ZP)(11)KQ(t)=fQ(JP(t),PP/DP,Ae/Ao,ZP)(12)JP(t)=V(t)nP(t)DP(13)KT(t)KQ(t)DPnP(t)KTKQJPAe/AoPP/DPZP(JP,KT)(JP,KQ)式中：，分别为螺旋桨推力系数和扭矩系数；为螺旋桨直径；为螺旋桨转速。，可进一步表示为进速系数、盘面比、螺距比和桨叶数的函数，具体数值可通过查询螺旋桨,图谱得到23。1.4 减速箱模型Tm(t)m(t)Qprop(t)NP(t)由图 1 可知，减速箱输入扭矩、转速为电机扭矩、转速；输出扭矩、转速为螺旋桨扭矩、转速。单个减速箱的数学模型如下。m(t)=2iGBNP(t)(14)Tm(t)=Qprop(t)iGBGB+JGB m(t)(15)Pm,out(t)=Tm(t)m(t)(16)iGBGBJGBPm,out(t)式中：为减速箱传动比；为齿轮箱的机械效率；为 齿 轮 箱 和 螺 旋 桨 的 等 效 转 动 惯 量；为电机输出端功率。1.5 推进电机模型m(t)Nm(t)Tm(t)Pm,in(t)推进电机的效率根据电机转速与扭矩从图 2 所示 MAP 图中查得，进一步可计算得到推进电机输入功率值。m(t)=gmap(Nm(t),Tm(t)(17)Pm,out(t)=/30Nm(t)Tm(t)(18)Pm,in(t)=Pm,out(t)/m(t)(19)柴油发电机组 1柴油发电机组 2锂电池组储能系统岸电系统电气连接推进电机 2推进电机 1螺旋桨 2螺旋桨 1减速齿轮箱 2减速齿轮箱 1日用负载机械连接图 1双机组混合动力系统架构Fig.1 Dual-diesel generator sets hybrid system configuration76中 国 舰 船 研 究第 19 卷1.6 柴油发电机组模型PEGU(t)mfuel(t)每台柴油发电机组包含一台柴油原动机和相适配的发电机，假设两台机组性能一致，柴油机燃 油 消 耗 率 MAP 图 如 图 3 所 示。输 出 功 率与该功率下的最低燃油消耗率的对应关系如图 4 所示。其中拟合各点为采集的柴油发电机组工作点，本文采用二次多项式拟合24如下。mfuel,1(t)=a2PEGU,1(t)2+a1PEGU,1(t)+a0(20)mfuel,2(t)=a2PEGU,2(t)2+a1PEGU,2(t)+a0(21)mfuel,tot(t)=mfuel,1(t)+mfuel,2(t)(22)a0=0.821 8 a1=0.053 1 a2=9.433 6106式中：下标 1，2 分别表示柴油发电机组 1 和 2；。最大扭矩边界线2 5002 0001 5001 0001 0001 100扭矩/(Nm)1 200转速/(rmin1)1 3001 4001 500制动比油耗/(gkwh1)等功率曲线/kW图 3柴油机燃油消耗率 MAP 图Fig.3 Diesel engine quasi-fuel consumption rate MAP 最佳油耗率曲线二次拟合25201510500100油耗率/(gs1)200柴油发电机组功率/kW300400图 4EGU 最佳油耗率随输出功率变化曲线Fig.4 Variation of EGU optimal fuel consumption rate with out-put power 1.7 锂电池组储能系统模型NmodulePbat(t)储能系统中，个锂电池模块并联，假设每个模块的工作状态一致，输出功率为，则储能系统总功率为PESS(t)=NmodulePbat(t)(23)SOC根据 Rint 等效电路模型25，每个电池模块的荷电状态按如下公式计算：Ibat(t)=Voc(t)Voc2(t)4Rbat(t)Pbat(t)2Rbat(t)(24)SOC(t)=SOC0batwt0Ibat(t)dtQbat(25)Voc(t)=g1(SOC(t)(26)Rbat(t)=g2(SOC(t)(27)Ibat(t)QbatSOC0Voc(t)Rbat(t)以上式中：为电池电流；为电池额定容量；为电池初始荷电状态；和分别为电池开路电压和内阻。2 模型预测控制策略v(tk)=v(tk),v(tk+1),.,v(tk+Hp)Tx(tk)u(tk)=u(tk),u(tk+1),.,u(tk+Hp1)Tu(tk)x(tk+1)MPC 包含模型预测、滚动优化和在线反馈3 个环节，如图 5 所示。MPC 根据预测时域内的工况以及当前系统状态求解能量管理问题的最优控制序列，将该序列首项作用于船舶混合动力系统，同时将更新后的系统状态反馈给序列二次规划算法，从而实现滚动优化。应用于 EMS 的 MPC 本质上是求解一个多变量、受约束的优化控制问题，下文将给出优化目标、系统约束以及 MPC 计算流程。2.1 优化目标tkJGHG,tot(tk)JGHG,fuel(tk)JGHG,elec(tk)本文以 GHG 排放最小为目标。考虑能耗与GHG 排放正相关，该目标一方面直接反映了混合动力系统碳排放，另一方面也反映了总的燃油经济性。混合动力系统的 GHG 排放来自油耗和电耗。当前时刻为 时 GHG 排放是油耗排放和电耗排放之和：JGHG,tot(tk)=JGHG,fuel(tk)+Jcost,elec(tk)(28)JGHG,fuel(tk)=t=tk+Hp1t=tkefuel mfuel,tot(t)t(29)JGHG,elec(tk)=t=tk+Hp1t=tkeelecPESS(t)t(30)1 00001 000扭矩/(Nm)05001 0001 500转速/(rmin1)2 0002 5003 000电机效率/%图 2推进电机效率 MAP 图Fig.2 Propulsion motor efficiency MAP增刊 1周寅正等：基于模型预测控制的双机组混合动力船舶能量管理研究77efueleelecefuel=0.363 9 kg/kWh eelec=0.85 kg/kWht式中：,分别为柴油 GHG 排放强度和岸电GHG 排放强度，其中,26；为优化步长。Hp在预测时域内，优化目标表达如下：minu(tk)JGHG,tot(tk)=t=tk+Hp1t=tkefuel mfuel(u(t)+eelecPESS(u(t)t(31)u(t)=PESS(t),PEGU,1(t)式中，系统控制变量。2.2 系统约束能量控制策略应保证船舶的动力需求以及其余负载需求。首先，需满足功率平衡方程式(1)。SOCSOClb,SOCubx(t)=SOC(t)同时，柴油发电机组与储能系统均处于可行的功率输出区间范围内、储能系统的处于其上下限区间内，定义系统状态变量，则系统约束的数学表达如下：x(t+1)=x(t)+ftransition(x(t),u(t)tPreq(t)=(2Pm,in(t)+Photel(t)/invgbalance(u(t),Preq(t)=0SOClb x(t)SOCub0 PEGU(t)PEGU,maxPESS,max,char PESS(t)PESS,max,dis0 PEGU(t)PEGU,max(32)Preq(t)inv式中：为负载需求侧的总功率；包括推进负载与日常负载；为逆变器效率。2.3 MPC 流程t0tendMPC 的具体计算流程如图 6 所示，计算流程将从初始时刻持续至结束时刻，每一时刻都x(tk)=SOC(tk)v(tk)=v(tk),v(tk+1),.,v(tk+Hp)TPreq(tk)=Preq(tk),Preq(tk+1),.,Preq(tk+Hp)THpu(tk)=u(tk),u(tk+1),.,u(tk+Hp1)Tu(tk)=PESS(tk),PEGU,1(tk)x(tk+1)tk+1将读取当前系统状态，并加载预测时域内的航行工况以及对应的需求功率序列。同时，本文采用序列二次规划算法(sequence quadratic programming,SQP)进行求解预测时域内约束优化问题，得到最优控制序列，并将该序列首项作用于船舶混合动力系统，更新系统状态。进入下一时刻时，将重复上述读取状态、加载工况、优化求解和状态更新的计算过程，最终实现滚动优化。3 结果与讨论本章首先给出仿真工况和系统参数值，然后给出基于 MPC 的 EMS 与基于规则的有限状态机 EMS 的结果，比较两者在仿真工况下的 GHG排放、油耗、电耗以及两个柴油机、锂电池储能系统的运行状态。进一步将开展 MPC 预测时域长度与策略性能变化之间的关系探究，开展该参数的灵敏度分析。3.1 仿真工况与参数采集目标船（世博客渡 18）于 2022.03.222022.03.23 行驶于黄浦江南浦大桥附近水域的运行数据，生成仿真工况航速曲线，如图 7 所示；测试工况需求功率曲线如图 8 所示。为该目标船设计混合动力系统，采用如图 1 所示的架构，混合动力系统参数如表 1 所示。参数配置依据目标船的实际航行工况、船型情况进行匹配设计，满足该船的运行需求。工况开始前，船舶将通过岸电装置对锂电池组储能系统进行电能补充，充电至上 模型预测滚动优化在线反馈状态更新1()(),(),.,()kkkpHktv tv tv t+=v目标:GHG 排放最小求解:序列二次规划x(tk)x(tk+1)tktk+1图 5基于 MPC 的能量管理框架Fig.5 MPC-based energy management framework 计算开始计算结束利用 SQP 求解预测时域约束优化问题加载预测时域内工况:获取 v(tk)和 Preq(tk)解得最优控制序列 u(tk)否读取当前状态:x(tk)=SOC(tk)tk=t0tk tendtk=tk+1u*(tk)首项 u*(tk)=PESS*(tk),PEGU,1*(tk)作用于系统更新状态:x(tk+1)x(tk)+ftransition(x(tk),u*(tk)t图 6MPC 计算流程图Fig.6 Calculation flow chart of MPC control algorithm78中 国 舰 船 研 究第 19 卷限，保证混合动力系统在航行时能尽可能使用电能进行辅助推进，以增强船舶的燃油经济性。SOC0=0.9Hp=10 minHm=1/5Hp=2 mint=1 min设置锂电池储能系统的初始荷电状态，MPC 算法中预测时域长度，控制时域长度，优化步长。3.2 仿真结果对比与分析作为比较，本文给出基于规则的能量管理策略结果。规则由有限状态机(finite state machine,FSM)表达，利用预先确定状态阈值判定当前状态，根据预定的功率分配规则得到决策动作，即SOC(t)Preq(t)SOCSOCubSOClbPESS,max,char,threPESS,max,dis,threPEGU,max,thre两台柴油发电机组与储能系统的输出功率值。如图 9 所示，将锂电池组、需求功率作为系统状态变量，电池组的上下边界值为、，电池组充放电峰值功率阈值为，单个柴油发电机组输出最大功率为。JGHG,totFuelconsumpSOCconsumpMPC 与 FSM 两种算法的测试工况运行结果汇总如表 2 所示。GHG 总排放、油耗变化与SOC 的变化过程比较如图 10 所示。由表 2 可知，对比 FSM 的结果，MPC 分别降低了 3.54%的能耗总排放和 4.85%的燃油消耗量，同时减少了 31.13%的锂电池组电能消耗。因此，MPC 通过合理利用电能，提升燃油经济性，使得 GHG 总排放下降。其中，MPC 算法在 1210864200246810航速/kn12 14 16 18 20 22 24时间/h图 7测试工况航速曲线Fig.7 Speed profile of test cycle 500400300200需求功率/kW1000246810 12 14 16 18 20 22 24时间/h图 8测试工况需求功率曲线Fig.8 Requirement power profile of test cycle SOC(t),Preq(t)SOC(t)SOC1bPreq(t)PESS,max,dis,threPESS(t)=Preq(t)PEGU,1(t)=0PEGU,2(t)=0PESS(t)=PESS,max,char,threPEGU,1(t)=(Preq(t)PESS(t)/2PEGU,2(t)=PEGU,1(t)PESS(t)=PESS,max,dis,threPEGU,1(t)=(Preq(t)PESS(t)/2PEGU,2(t)=PEGU,1(t)PESS(t)=0.9PESS,max,char,threPEGU,1(t)=PEGU,maxPEGU,2(t)=Preq(t)PEGU,1(t)PESS(t)PESS(t)=Preq(t)2PEGU,1(t)PEGU,1(t)=PEGU,maxPEGU,2(t)=PEGU,maxSOC(t)SOC1bPreq(t)PESS,max,dis,threSOC(t)SOC1bPESS,max,dis,threPreq(t)2PEGU,max,threSOC(t)SOC1bPESS,max,dis,threPreq(t)PEGU,max,threSOC(t)SOC1bPEGU,max,threPreq(t)2PEGU,max,thre是否否否否是是是是图 9有限状态机控制算法示意图Fig.9 Schematic diagram of finite state machine control algorithm 表 1 混合动力客渡船参数Table 1 Parameters of the ferry with hybrid power system参数取值船舶总质量/t378.5船长与船宽/m27/10推进电机额定功率/kW237PEGU,max柴油发电机组额定功率/kW375.8Photel日用负载功率/kW50Nmodule电池模块并联数/个18Qbat电池额定容量/Ah50Pbat,max,dis电池放电峰值功率/kW33.75Pbat,max,char电池充电峰值功率/kW20conv直流变换器效率0.95rect整流器效率0.95inv逆变器效率0.95增刊 1周寅正等：基于模型预测控制的双机组混合动力船舶能量管理研究79Matlab R2022b+AMD Ryzen 9 5900HS 及RAM 16 GB软硬件环境下实现，单步优化平均计算时长约为0.45 s，可满足实时应用的要求。相比全局优化算法需花费数小时进行求解26，极大提高了运算实时性。GHG 排放来源为两个能量源：柴油发电机组以及可进行岸电充能的储能系统，MPC 通过优化计算更多利用储能系统的电能，进一步减少了燃油消耗，从而降低总排放。下文将从整体与局部两个维度，进一步分析 MPC 油耗减少、排放降低的原因。表 2 24 h 测试工况下 FSM，MPC 算法优化性能对比Table 2 Performance comparison between FSM and MPC al-gorithms under a 24 h test cycle能量管理策略有限状态机（1）模型预测控制（2）（2）相比（1）降低/增加JGHG,tot能耗总排放4 844.23 kg4 672.51 kg(3.54%)JGHG,fuel油耗排放4 792.95 kg4 560.50 kg(4.85%)JGHG,elec电能排放51.28 kg112.02 kg(118.45%)Fuelcomsump燃油消耗量1 110.42 kg1 056.57 kg(4.85%)SOCcomsump锂电池组变化量67.23%46.30%(31.13%)5 0004 0003 0002 000能耗总排放/kg1 0000246810 12有限状态机模型预测控制有限状态机模型预测控制14 16 18 20 22 245 0004 5004 000202224有限状态机模型预测控制1 2001 000800600400燃油消耗量/kg20000246810 12 141 2001 1001 00020222416 18 20 22 24100806040200246810 12 14 16 18 20 22 24(a)能耗总排放变化(b)油耗变化(c)SOC 变化SOC/%时间/h时间/h时间/h图 10FSM，MPC 能量管理结果对比Fig.10 Results comparison between FSM and MPC algorithmsPreq,PESS,PEGU1,PEGU2SOCSOC从局部看，由于目标船经常靠岸上下客，从图 7、图 8 可知船舶运行工况存在较大波动。图 11为 FSM，MPC 这两种能量管理策略的功率分配比较示意图，图例中分别代表船舶需求功率，储能系统输出功率，EGU1 输出功率和 EGU2 输出功率。在波动工况下，传统基于规则的 FSM 算法的工况适应性与决策优化性能将无法得到保证。如图 11（a）中 12 h,12.1 h，船舶需求功率处于 346.5389 kW，且未达到下限，船舶处于图 9 的状态，储能系统电量充足且需求功率较大，此时 ESS 输出恒定最大放电功率，EGU 提供剩余功率。另外，在 12.2 h,12.3 h区间，船舶需求功率从 245 kW 下降至约 130 kW，但因低需对 ESS 进行充电，船舶正处于状态，最终 EGU 进行大功率输出以满足需求功率和 ESS 充能。可见，FSM 静态功率分配规则无法根据需求功率变化做出合理决策，计算出合适的柴油发电机与储能系统输出功率值。而 MPC 作为局部优化算法，兼顾优化性能与计算量较小的优势，利用在线反馈、模型预测、滚动优化的特性，根据实时波动的功率需求在线求解出合理动态的功率分配。SOCconsumpJGHG,totFuelconsump从图 11（b）中 12.1 h,12.3 h 的运行结果可观察到，当需求功率从约 346 kW 下降至约 130 kW，MPC 决策的ESS 输出功率从198 kW 减小至27 kW，减少使用排放强度更高的岸电。相比于 FSM 策略根据系统状态使用固定功率分配规则，MPC 策略可根据波动的工况给出相适应的柴油发电机组和 储 能 系 统 的 输 出 功 率 决 策。最 终 在 减 少31.13%的锂电池组电能使用的情况下，分别降低了 3.54%的能耗总排放和 4.85%的燃油消耗量。SOC其次，对于 FSM 算法，系统在状态之间来回切换，电量充足时，系统在状态下将采用纯电推进，而在状态下，考虑优先释放电能，两台 EGU 处于被动工作状态。在图 11（a）中的12.2 h,12.3 h，12.7 h,12.8 h，13.2 h,13.3 h 区间，系统处于低状态时，两台柴油发电机组需同时满足需求功率以及提供储能系统充电功率，有时还需要输出最大功率，不利于保持柴油机的高效运作。mfuel(t)PEGU(t)由图 4 可知，EGU 油耗率随增大而单调递增，减小 EGU 输出功率可降低油耗排放，但造成 ESS 输出功率和电能排放上升，两者互相矛盾。MPC 算法可求解预测时域内优化问题并寻找折中方案，反映出采用固定规则与参数阈值的FSM 算法的劣势。由图12 可观察出，在MPC80中 国 舰 船 研 究第 19 卷算法结果中，两台柴油发电机组的工作点状态存在较大差异，同时可看出 FSM 算法结果的柴油机工作点集中于 250 kW 以上高功率区以及低转速的低效率区，导致 FSM 算法的高燃油消耗量以及油耗 GHG 排放。而 MPC 算法结果的柴油机工作点散布在各个效率区域，兼顾油耗排放和电能排放之间的平衡，根据工况波动主动进行适应调整。3.3 不同预测时域长度灵敏度分析在模型预测控制中，预测时域长度可决定系统对未来运行状态的预估时间范围。在工况准确估计情况下，更长预测时域意味着被控系统可得到更多未来信息，从而提前做出合理决策，但同时也带来更大的计算量与计算难度，对当前决策造成干扰。因此，改变预测时域长度将对 MPC 策略效果造成较大影响。本文将从计算量和性能指标两大维度衡量变预测时域长度对能量管理效果造成的影响并进行敏感性分析，其中计算量包括整段工况的计算时长和单步平均计算时长，性能指标包括整段工况的能耗总排放量和燃油消耗量。600PreqPESSPEGU1PEGU2400200功率/kW020012.012.212.412.612.813.013.213.413.613.814.014.2PreqPEGU1PEGU2PreqPEGU1PEGU2PreqPESSPEGU1PEGU2PreqPESSPEGU1PEGU212.012.212.412.612.813.013.213.413.613.814.014.26004002000功率/kW12.012.212.412.612.813.013.213.413.613.814.014.26004002000功率/kW600400200功率/kW020011.912.012.112.212.312.412.5600400200功率/kW0200PreqPESSPEGU1PEGU212.012.212.412.612.813.013.213.413.613.814.014.2600400200功率/kW020011.912.012.112.212.312.412.5(a)FSM 算法功率局部分配结果(b)MPC 算法功率局部分配结果时间/h时间/h时间/h时间/h时间/h时间/h图 11FSM，MPC 能量管理的功率分配比较Fig.11 Comparison of power dispatch results of FSM and MPC algorithms 2 5002 5001 5001 0001 0001 1001 2001 300转速