船舶混合动力系统能量管理预测控制方法研究

范爱龙, 李永平, 杨强, 涂小龙

(1.武汉理工大学 交通与物流工程学院, 湖北 武汉 430063; 2.工业和信息化部产业发展促进中心, 北京 100038; 3.武汉理工大学 船海与能源动力工程学院, 湖北 武汉 430063)

水路运输作为一种经济、节能的运输方式,在国际贸易中扮演着重要的角色[1]。数据显示,全球80%的贸易是通过海运完成[2]。然而,重质燃油的使用造成了严重的环境污染和大量温室气体的排放。国际海事组织(IMO)在第4次温室气体报告[3]中指出,海运温室气体排放占全球总排放量的2.89%,若不采取有效的节能减排措施,预计到2050年航运业排放的温室气体占比将达到17%[4]。IMO为了推动航运业的节能减排,提出了一系列具有强制性的船舶能效规则[5],从技术和运营等方面提出了船舶能效措施[6],如新能源应用[7]、推进系统优化设计[8]、船舶航速优化[9]等。加大船舶新能源技术与能效管理技术应用,成为履行国际公约要求、实现节能减排目标、赢取竞争优势的有效手段。

船舶新能源动力形式多种多样,包括LNG动力、电池动力、燃料电池动力以及混合动力等。针对不同航程、高低负荷分布、工况变化频率等特征的船舶,适配的动力形式不同。其中,混合动力是一种新型船舶动力形式,可以充分发挥2种及以上动力型式的综合优势,通过降低主机的配置功率,实施能量管理,能够实现船舶多能源的高效利用。

相较于传统的推进形式,混合动力的推进和电力供应结构呈现多样性,使得船舶的能量管理更加复杂[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、协调调度能量的流动和分配,确保混合动力船舶高效、稳定地运行。为此,国内外学者探索了不同的能量管理策略,包括规则型和优化型2类[12]。其中,规则型与优化型中的全局优化策略计算量大、对船舶实时控制性能差。相比之下,基于模型预测控制的能量管理策略具有明显的优势[13]:1)对约束处理方式明确;2)采用滚动优化策略可对航行过程中的扰动进行实时补偿,具备良好的动态控制性能;3)适用于混合动力系统中存在的多约束、非线性等复杂问题。

随着混合动力系统复杂性及其控制要求的增加,模型预测控制在未来智能新能源船舶的能量管理中具有更大的发展潜力[14]。当前能量管理研究中,针对模型预测控制的综合分析开展较少。为了探索模型预测控制在船舶能量管理中的应用现状、关键技术和应用难点等,进而满足船舶对间歇性能源、多变负载的实时稳定控制,本文通过文献计量分析的方式从船舶能量管理策略入手,分析各策略的优缺点,并提出了混合动力系统能量管理预测控制的技术路线;然后从预测模型的构建、优化目标及约束条件和求解算法以及改进策略等3个方面开展了分析;最后对船舶能量管理预测控制的未来研究进行了展望。

1 船舶能量管理发展

1.1 船舶能量管理研究图谱

为了清晰地分析船舶能量管理的发展脉络,借助CiteSpace软件对Web of Science核心合集中近10年来与船舶能量管理相关的文献(635篇)进行了可视化分析。该软件可以通过聚类方式将包括作者、关键词等内容以知识图谱的形式呈现,能够分析并直观地呈现文献中特定研究课题的潜在知识、知识结构、知识规则和分布情况,从而简化信息。关键词分析图谱如图1所示。

图1 船舶能量管理关键词分析图谱Fig.1 Keyword analysis map of ship energy management

从图1左侧为关键词共现图,通过节点的大小来反映关键词出现频率的高低,连线的颜色与文献发表的时间相对应。可以看出,management、system、optimization、energy management、ship、energy efficiency、emission等关键词出现频率较高,将这几个关键词串联起来可以看出,船舶的能量管理主要是对船舶动力系统的能效进行管理和优化以达到节能减排的目的。在关键词的基础上,通过聚类算法提炼出主题,形成了右侧的聚类图,不同颜色板块代表关键词所聚类的主题区域,对应的文字则是主题名称。表1列出了前4个主题的关键信息。可以看出,船舶能量管理主要针对的是混合动力或电力推进船舶中(混合)储能系统、直流电网、负载等问题。模型预测控制作为第2个聚类主题,可以反映其在船舶能量管理中的重要作用。

表1 关键词聚类指标信息表Table 1 Keyword clustering index information table

图2主要呈现了船舶能量管理文献中的关键词、突现强度以及起始时间,右侧加粗部分用可视化的形式将关键词的年度分布表现出来。通过对关键词突现强度和可视分节条的分析,能够概括出船舶能量管理的发展趋势。其中,environmental impact、climate change和greenhouse gas emission几乎贯穿整个研究过程,这是船舶开展能量管理的驱动要素。近年来,microgrid、shipboard power system、smart grid、hybrid energy storage、hybrid power等关键词涌现,表明研究对象侧重于船舶电力系统、混合储能系统、混合动力系统等方面。近年来,predictive control、ship emission等关键词的出现,表明预测控制是船舶能量管理和船舶能效研究的热点。

图2 关键词前20突现信息指标Fig.2 Top 20 emerging information indicator charts for keywords

1.2 船舶能量管理策略分类

船舶能量管理策略分为规则型和优化型2类[15],规则型中包含了确定规则和模型规则,优化型可细分为全局优化和实时优化,具体分类如图3所示。前几种策略在文献[16]中已有分析,本文仅对其优缺点进行总结,如表2。

表2 混合动力船舶能量管理策略特点Table 2 Characteristics of energy management strategy for hybrid ships

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

基于规则的能量管理策略虽然简单实用,但需要工程师的丰富经验来制定规则,且无法实现混合动力系统的最优功率分配[17];基于全局优化的能量管理策略需要提前获取整个航程的工况信息,故求解复杂,难以在混合动力系统的实际优化控制中得到应用;基于实时优化的能量管理策略对预测模型的精度要求较高;而基于模型预测控制的能量管理策略能在实时辨识船舶动态参数的基础上,将全局优化转化为局部最优控制,并通过预测模型和优化算法实现船舶能效的实时优化。

1.3 船舶能量管理预测控制

模型预测控制主要包括模型预测、滚动优化和反馈校正[26]。其中,滚动优化是区别于传统优化控制的根本,通过滚动优化不断以最优控制量[27]作用于船舶,使其在最佳的状态下运行。基于模型预测控制的船舶能量管理策略技术路线如图4所示。具体实施步骤如下。

图4 混合动力系统能量管理预测控制技术路线Fig.4 Hybrid system energy management predictive control technology roadmap

1)状态信息获取:通过人工录入或传感器获取船舶静、动态数据,也可利用自动识别系统获取信息;2)预测模型建立:建立合适的预测模型对船舶工况、需求功率(电力)等进行预测;3)能量管理预测控制策略:建立满足约束条件的代价函数,选择合适的算法求解出k时刻的最优控制序列,并将优化解作用于船舶并更新其运行状态,k+1时刻再次获得船舶航速等信息,进而预测船舶新的运行状态,利用新的预测值不断优化船舶动力系统的功率分配。

后文将从预测建模、控制目标及约束、求解算法和改进策略等方面开展船舶能量管理预测控制方法研究。

2 预测控制的预测建模

基于模型预测控制的混合动力系统能量管理取决于对未来需求的预测,因此,设计合适的模型来预测功率(电力)需求至关重要。预测模型通常可分白箱模型(基于第一性原理)、黑箱模型(基于拟合观测数据的统计模型)和灰箱模型(黑箱模型和白箱模型的组合)[28]。

2.1 白箱模型

白箱模型是利用物理、流体力学等原理对船舶总阻力进行建模,然后进一步计算特定速度下船舶所需的功率和油耗,最后根据白箱模型得出的结果计算船舶的有害气体和CO2排放。能量管理预测控制中则是建立面向优化的动态模型,此类模型大多是以离散形式的状态空间表达式来建立的。具体形式为:

(1)

通过k时刻的状态量x(k)、控制量u(k),预测下一时刻的状态x(k+1)。使用该方法通常需要建立船舶推进系统的各组成部件的动态模型,如发电系统动态模型(柴油机、发电机组等)、混合储能系统动态模型、直流母线动态模型[29]等。Haseltalab等[30]结合柴油机、同步发电机、整流器、电池、双向变流器等动态模型建立了能量产生侧和能耗的状态空间模型,进而预测能量需求侧和供应侧的功率匹配问题。这些模型是基于系统的物理机理所构建并以状态空间的形式呈现出来,模型透明可解释,只要明确了被控系统的状态和控制变量,即可通过动态模型预测该系统下一时刻的状态。但此类模型的适应性和普遍性较差,需要具备充分的系统先验知识。

2.2 黑箱模型

黑箱模型可分为基于统计建模的黑箱模型和基于机器学习的黑箱模型。前者是一种用于船舶燃料消耗预测的经典模型,其建模的流程是:首先对数据进行采集和预处理,并选择合适的回归模型,利用真实或模拟的船舶数据来预估模型参数,最后验证模型的拟合与泛化能力[31]。其中,高迪驹等[32]使用的马尔可夫模型是一种基于数据统计的模型,通过该模型对船舶需求功率进行预测,进而采取合理的控制策略对船舶功率进行合理分配,达到节能减排的目的。

随着船舶营运数据的大量监测,基于机器学习的黑箱模型在船舶未来需求功率(电力)的预测方面得到了快速发展。Petersen等[33]对用于需求预测的人工神经网络和高斯过程(GP)比较得出,人工神经网络模型比GP更加精确;Farag等[34]将人工神经网络(ANN)与传统的回归模型相结合,为船舶设计了一个精确的电力需求预测器;Planakis等[35]设计了一个观测器来估计螺旋桨负载特性,并训练了一个基于神经网络的速度预测器来帮助优化预测时域内的螺旋桨负载特性。与白箱模型相比,黑箱模型是以数据驱动来实现对船舶未来需求功率(电力/油耗)的预测,训练数据有较好的拟合能力,预测精度最高。但模型复杂,难以直观地解释,且需要大量高质量的数据才能达到较好的预测效果。

2.3 灰箱模型

灰箱模型将可解释且基于物理原理的白箱模型与具有高精度的黑箱模型结合起来,实现了两者的优势互补,能够保证预测的准确性。Leifsson等[36]结合了传统分析模型和前馈神经网络,提出串、并联2种不同组合方式的灰箱模型,并利用神经网络估计船舶未来的电力需求。通过仿真表明,所提出的灰箱模型组合与白箱模型相比,对船舶燃油消耗的预测效果显著提高;Coraddu等[37]比较了白、黑、灰箱模型。该研究使用了多种不同的统计模型作为黑盒模型,并指出灰盒模型在估计船舶电力需求方面是最准确的。

综上所述,精确的预测模型能够提高对未来需求预测的准确性,进而达到较好的优化效果。这就需要确保船舶数据的数量和质量,用更多高质量的数据(如船舶维修数据、航行环境数据等)来构建预测模型,可以使功率预测更加精准。然而,大多数预测模型普适性不高,如针对单艘船舶数据进行训练的黑箱模型,将其运用到其他船舶后将无法保证预测精度。因此,按照一定的标准构建相对普适的模型,使其能在更多船舶上得到应用是未来研究的一个方向。此外,开发更有效的灰箱模型,以及在数据量允许的情况下开发基于深度学习的预测模型,将是未来研究的重点。

3 预测控制的控制目标及约束条件

混合动力系统涉及到电能、化学能、机械能等多种能量形式的转化与控制,协调控制各能量源从而提高系统稳定性、降低能耗并合理地进行功率分配是船舶能量管理研究的重点。随着船舶混合系统复杂性的增加,控制目标呈现多元化的趋势,有必要对不同的控制目标进行总结分析。

3.1 以系统稳定性为目标

船舶负载波动严重降低了电力效率,主要指推进负载波动(由波浪、螺旋桨的波动产生)和脉冲功率负载(由运行大功率设备造成),其航行工况的复杂性和能量需求的特殊严重降低了船舶电力系统的稳定性。

为解决船舶推进负载波动问题,Hou等[38-39]探索了一种新的解决方案,以电池和飞轮混合储能系统作为缓冲将负载波动与舰船电网隔离,并以功率波动补偿为控制目标,开发了一种模型预测控制算法来解决该方案的实时实现问题;为使电压和频率在较大的负载波动下维持正常,Vafamand等[40]在建立目标函数时,以发电机功率作为优化参数,并对其功率变化率进行限制,以此来降低动态波动负载的影响。

为降低脉冲功率负载对电网带来的冲击,Van等[41]提出了一种基于模型预测控制能量管理方案,将控制系统进行分级处理,并采用混合预测控制算法来解决分布式电源和发电机之间优化协调问题,以满足推进电机和脉冲功率负载对高功率斜率的要求;Stone等[42]设计了一个可以动态分配电源和负载的能量管理控制器,确保恒定电力提供的同时降低脉冲负荷对电网的影响。

3.2 以能耗为目标

降低船舶能耗是船舶能量管理的重点,也是优化策略的主要目的。不论船舶推进系统的结构形式如何,通常是通过储能装置或直流并网技术[10]来调节电机转速,使其在最优点工作来达到降低能耗的效果,进而实现节能、环保的目的。Wang等[43]为降低船队的能耗,通过建立能耗动态优化模型,并以总油耗最小为代价函数进行优化,有效降低了船队能耗;Antonopoulos等[44]以降低混合动力船舶燃料消耗为目标,提出了一种基于MPC的能量管理框架,实验表明所提出的框架在燃料消耗和鲁棒性方面的性能接近最优解;Xie等[45]设计了等效功耗最小化策略,实时控制混合动力系统间的最优功率分配,并利用模型预测控制对等效因子进行调整,验证结果表明了其可行性。

3.3 以排放为目标

船舶能量管理的另一重点是降低营运船舶有害气体和CO2的排放。随着船舶能效设计指数(EEDI)、船舶能效营运指数(EEOI)、现有船舶能效指数(EEXI)、碳强度指数(CII)等能效指标的相继提出和应用,降低船舶排放迫在眉睫。上述指标充分考虑了船舶在设计和营运阶段CO2的排放量,由于碳排放是通过燃料与排放转换系数来描述的,因此在船舶能量管理中很少直接将排放作为优化目标,更多是通过降低燃油消耗来间接实现减排的目的。Wang等[13]以EEOI作为优化目标,通过建立船舶能效动态优化模型来实现船舶在时变环境下的航速优化,使船舶油耗降低进而达到减排的目的。

3.4 以经济成本为目标

与能量管理经济性相关的指标主要包括运营和投资成本。运营成本由设备运行成本和燃油、维修保养等其他成本组成,通常由设备功率大小、数量、运行时间等决定。船舶投资成本则与储能系统、发电机组等安装规模、容量和寿命相关。Letafat等[46]提出了一种以降低船舶运行成本为目标的能量管理策略,仿真结果表明此方法与基于规则的策略相比,总运行成本降低约4%。多数文献仅简单地用净现值来评价船舶的经济成本,从长远看,设备的年化成本和生命周期成本[47]也需要充分地考虑。此外,船舶混合动力系统结构形式(串联式、并联式、混联式[48])和型号的不同也是影响经济成本的重要因素,在设计或改装时需重点考虑。

然而,随着船舶向智能化、低碳化方向发展,船舶能量管理目标也从只考虑成本的单一目标优化发展到综合考虑能效、排放、经济等指标的多目标优化。Hou等[29]在构建代价函数时以系统可靠性、提高系统效率、延长电池寿命等为控制目标,并通过加权转换为单一目标进行优化求解;Banaei等[49-50]以优化营运成本(如燃料成本、冷藏成本、卸货成本等)、减少排放为控制目标开展研究。多目标优化可表述为:

(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)

约束条件:

(6)

式中:x(k)表示状态变量,如超级电容荷电量、电机转速、直流总线电压等;u(k)表示控制量,如电机转矩、电池和超级电容电流等;代价函数L由多个子目标函数f组成;λ表示对应目标函数的权重;n表示目标个数;Np为预测步长;Nc为控制步长。

值得注意的是,约束条件是确保船舶混合动力系统安全稳定的关键。具体包括:1)能量平衡约束,即船舶各能量源输出的总功率能够随时满足负载要求;2)设备正常运行的约束,如柴油机/螺旋桨转速限制、电池(超级电容)充电状态和放电深度限制、电机负载限制等;3)电力质量限制,如电压、频率的限制、电机功率变化率的限制等;4)其他约束,如特定航区的航速约束、航期限制、载货量、辅助系统的热平衡、热损失等限制。

虽然优化目标和约束趋于多样化,但并非越多越好,应该根据船舶的运行模式、应用场景和任务需求合理地选择。此外,控制目标不应局限于短期目标,考虑中、长期的控制目标也是非常必要的。传统方法中通过加权转换成单一目标来处理,控制鲁棒性较差,且需根据经验和预期目标来设置权重。而在船舶混合动力系统中,各性能指标之间互相影响,增加了能量管理的复杂性,如何实现多个目标之间的平衡,提出更合理的船舶能量管理策略,是未来研究的重点。

4 预测控制的求解算法及改进策略

4.1 求解算法

对于船舶混合动力系统来说,采用模型预测控制对多种能量进行合理分配和调度能够有效地实现节能减排的目标。但模型预测控制仅仅是一种控制思想,不能直接用于求解,需与其他算法结合来进行优化计算[27]。通过分析船舶能量管理预测控制的相关文献,总结出几种常见的方法,如二次规划(QP)、动态规划和群体智能优化算法。

4.1.1 基于DP求解的模型预测控制

动态规划的核心思想是将求解问题拆分成不同的阶段,如图5所示,通过定义各阶段的状态和相互关系,依次求解各阶段子问题,使优化问题以递推的方式得到解决[51]。上文中提到该策略存在计算量大、需提前获取航行工况等不足,但模型预测控制通过滚动优化实现了有限时域内的优化控制,缩小了求解范围,进而实现预测时域内的全局优化。

图5 动态规划原理Fig.5 Schematic diagram of dynamic programming

Antonopoulos等[45]利用动态规划来求解所构建的预测模型,通过求解离散时间、有限时域内的优化问题,使积分目标函数的形式使油耗最小化;为解决全电力推进船舶的优化问题,Kanellos等[52]提出了一种考虑船舶运行、环境和出行约束的动态规划算法,该方法用于一艘集成电力推进的邮轮上,实现了最优功率管理。然而,动态规划采用迭代搜索方式寻优,运行速度较慢,若模型复杂、控制量和约束较多时其计算量会很大,难以实现船舶的实时优化。

4.1.2 基于QP求解的模型预测控制

预测控制中大多以二次型的形式建立目标函数,因此用QP求解最为普遍。其一般形式[53]可表示为:

(7)

s.t.αl≤Ax≤αu

(8)

式中:Q为海塞矩阵;A为实矩阵;c、x、α为R中的向量;式(8)表示约束条件。其中,矩阵Q是求解的关键,通过判断其正定性可确定目标函数最优解的个数[54]。

Haseltalab等[55]对模型进行线性化处理,并采用约束线性化技术将目标函数转化有利于QP求解的形式;Gonsoulin等[56]也采用二次规划来求解集中式模型预测控制代价函数。该方法能解决非线性模型预测控制中难以获得显示解、不能保证全局最优等问题。使用QP将非线性模型预测控制问题转化成线性问题,既保证了解在采样周期内的最优性,又易获得解析解。但在船舶能效预测控制中,该算法计算量较大,难以在多目标、非线性等复杂问题的混合动力系统中应用。

4.1.3 基于群体优化算法的模型预测控制

群体优化算法是一种基于概率的随机搜索进化算法。在船舶能量管理预测控制中常见的有粒子群算法(PSO)和黑洞算法(BHA)2种。此类算法结构、计算流程类似,基本的理论框图如图6所示。主要是利用群体的迭代、更新和比较来获取最优解,将最优控制量作用于船舶并进行滚动优化,使其以最优状态运行。

Wang等[13]采用改进PSO求解分布式模型预测控制中上层非线性优化模型,并基于该算法设计了能效控制器,以实现船队的能效优化;Paran等[57]将模型预测控制应用于船舶直流系统的电源管理上,采用收敛性较强的PSO算法来求解优化问题,并利用Matlab/Simulink和PLECS中进行仿真验证;为实现船舶高效的能量管理,Vafamand等[40]采用改进黑洞算法来调节模型预测控制中的未知变量以实现对系统的优化控制。但算法受限于种群的规模和迭代步数且结果易陷入局部最优,只有合理地设置这些参数才能得到较精确的优化结果,这需要丰富的经验和不断地尝试。

表3总结了上述算法的优缺点。

表3 模型预测控制求解方法对比Table 3 Comparison of model predictive control solution methods

4.2 改进策略

混合动力船舶航行工况复杂,不确定因素、优化目标和约束较多,传统的预测控制策略难以确保实时性,需不断改进控制策略以提高计算效率并满足实时控制的要求。

4.2.1 基于IPA-SQP的模型预测控制

IPA-SQP算法是一种混合预测控制算法[58],结合了扰动分析(PA)和SQP算法的互补特性来求解约束动态优化问题。PA是一种在初始条件发生变化时预测最优解变化的方法,它使得优化计算效率提高。但是由于解的近似性,重复应用此算法更新标称解不能保证连续最优。因此,可采用基于线性化和二次代价逼近的SQP更新,该策略可以在高效计算和精确优化之间取得良好的折衷。Park等[59]在能量管理预测控制中采用了该算法进行求解,结果表明IPA-SQP算法可以实现快速负载跟踪和实时优化。Hou[60]等采用此方法求解代价函数,提高了计算效率,使其提出的能量管理策略的具备了实时可行性。

4.2.2 自适应模型预测控制

自适应模型预测控制是自适应控制和模型预测控制的结合,由于预测模型和环境的不确定性,融入自适应控制能够及时辨识船舶特性参数,并适应外界扰动的变化,从而达到理想的优化控制效果。Hou等[61]强调推进负载扭矩对预测控制来说非常重要但难以测量,于是提出了自适应模型预测控制策略对参数进行自适应辨识,提高了系统的鲁棒性。Papalambrou等[62]针对混合动力船舶能量管理问题设计了2种模型预测控制器:基于线性的标准MPC和基于系统辨识的自适应MPC,并在柴电混合动力试验台上对2种控制器的性能进行了实验验证,结果表明,控制器不仅能够成功处理输入和输出约束,还能对瞬态运行过程进行有效的控制,减少了气体排放,提高了燃油效率。

4.2.3 多级模型预测控制

多级(分层)模型预测控制是将船舶控制系统按一定要求划分层次,对每层采用模型预测控制进行优化,便于各能量源之间的协调调度。与集中控制相比,分层控制可以有效改善系统响应时间,其可靠性、灵活性增强,能够更好地适应现代船舶的能量管理。

Haseltalab等[30,63]提出了多级预测控制,通过混合预测控制算法协调优化各能量源与电机之间功率分配以提高系统的性能;Gonsoulin等[64]将船舶的能量控制分为3个不同的层:设备控制、电源管理和能量管理,并重点研究能量管理层。采用2种不同模型即启发式和模型预测控制相结合的混合控制方法(当能量存储装置须提供电力支持时,采用启发式方法;当储能装置必须充电时,使用集中式MPC方法),协调发电机和储能以确保负荷需求。

综上所述,控制目标的多样化和动力系统的复杂化使得传统算法不适用,通过取长补短来实现各算法之间的协调与融合有利于控制效果的提升,是控制算法发展的趋势。IPA-SQP算法就是权衡高效计算和精确优化的结果;自适应模型预测控制通过在线辨识并修正参数,可以有效地处理不确定性;分层控制策略使得控制灵活性得到显著增强。随着船舶能效数据的大量采集和计算能力的提升,将模型预测控制与机器学习相结合,以数据驱动的方式来提高模型预测控制器的性能是未来船舶能量管理预测控制研究的重点。

然而,模型预测控制控制并未在实船上得到广泛应用,其原因是:1)大多数研究基于理论和软件仿真开展,其模型和策略的可行度较低,且控制效果和实船应用存在差距;2)模型预测控制有待系统全面的测试验证,如“V形”开发流程一样,需要在软件层面、硬件层面进行有效的评估[65];3)先进的策略意味着要布置更多的信息采集、传输设备和高性能的处理器,这对安装成本以及安全保护等提出了更高的要求,在该技术彻底成熟前,航运公司是不会轻易使用的。

5 结论

随着船舶混合动力系统复杂性及其控制要求的增加,模型预测控制在未来智能、新能源船舶的能量管理中具有很大的发展潜力。本文利用CiteSpace软件对船舶能量管理的相关文献进行分析,理清了船舶能量管理的发展脉络。从预测模型的建立、能量管理目标及约束条件、求解算法和改进策略等方面分析了混合动力系统能量管理预测控制研究的现状和热点问题。虽然,模型预测控制在解决船舶能量管理问题时具有优势,但在考虑可再生能源的能量管理策略、建模与验证的标准化等方面仍面临着挑战:

1)考虑可再生能源的船舶能量管理策略。太阳能、生物燃料、风能等可再生能源在船舶上应用使得能量管理更加复杂,动力系统的结构、能量管理策略的制定、模型预测控制器的设计等需要不断地探索和完善,以满足船舶的节能减排要求。在船舶能量管理策略的制定时,不仅要保证系统能达到预期的响应效果,还应考虑船舶的运行条件、储能系统的寿命、发动机性能及排放要求、部件的可靠性和成本等问题。

2)建模与验证的标准化。现阶段,船舶能量管理中系统模型的建立和工况的验证缺乏统一的标准。简易模型和拓扑结构难以在实船能量管理中起到良好的效果,验证工况也大多通过函数生成工况数据或使用船舶实测的工况数据,不仅增加了工作量,还不利于研究的推广应用。因此,有必要以更加精细化的建模标准和更典型的验证工况来规范混合动力船舶能量管理的研究,促进研究成果的推广与应用。

3)上层功率分配与底层设备响应的协同优化。能量管理策略作为上层分配策略,其优化目标主要是以整体的能耗、排放、稳定性指标为主,对底层的执行机构,如整流器、变速箱、发动机等考虑较少。而底层部件瞬态响应工程对船舶动力性、经济性影响不容忽视。因此,如何建立精确的瞬态响应模型,在满足上层控制的同时实现底层机构瞬态响应的协同优化是研究的重点。

4)多维度的测试验证。能量管理策略不能只停留在软件仿真层面,需要以实船应用为目标开展一些列验证评估,包括但不限于模型在环仿真、硬件在环仿真、台架试验、实船试验等,并从策略的稳定性、实时性、经济性等方面进行多维度评估,以推动策略的实船应用。