[发明专利]一种基于神经网络控制的混合动力船舶的能量管理方法

摘要

针对混合动力船舶动态规划全局优化能量管理策略计算复杂，而且算法难以应用于船舶实时控制中的问题，本发明采用神经网络控制的思路，提出了一种基于神经网络的混合动力船舶的能量管理方法。采用核模糊C‑均值聚类的多神经网络模型结构建立船舶能量管理系统，采用分解合成方法可以将复杂问题简单化，将一个庞大的船舶能量管理问题转化为一个个规模较小的便于求解的子问题，通过各子模型综合得到的模型精度高，提高了运算速度，有效的改善了动态规划难以实时应用的问题。

主权项

1.一种基于神经网络控制的混合动力船舶的能量管理方法，采用并联式混合动力船舶，其发动机和电动/发电机并联且直接与螺旋桨轴相连，利用耦合器发动机和电动机可分别或共同驱动螺旋桨，其中电动机可以作为发电机吸收发动机发出的多余功率，然后提供给电网中的负载使用；所述基于神经网络控制的混合动力船舶的能量管理方法包括以下步骤：步骤一、混合动力船舶能量管理策略是在系统的约束下使得船舶在一定路径下的油耗最小，这是一个多阶段决策问题；动态规划应用于能量管理，是将多阶段能量优化问题分割为多个单阶段优化子问题，然后利用这些子问题的最优解计算能量管理的全局最优解；对于一个具体的优化问题，设非线性离散系统的状态方程为：x(k+1)＝f[x(k),u(k),k]x(0)＝x0   (1)其中求最优控制序列U(u(1),u(2),…,u(N‑1))；使得：(3)式中，x(k)为第k阶段的状态变量，x0为初始状态，u(k)为控制变量，f为非线性离散系统的传递函数，J称为目标函数，L为代价函数；根据动态规划的基本原理，针对混合动力船舶能量管理问题，首先要对非线性动态系统建立动态模型，并确定动态系统的状态变量和控制变量，将标准海况下的路径分为N个阶段，然后基于目标函数的优化目标，再对应每一个阶段，在每一个状态转移过程中计算燃油的消耗，之后逆向求解找到对应状态变量下的最优控制变量，最后进行正向寻优，找到标准海况下燃油消耗最小的最优控制律和状态变量集合；步骤二、采用动态规划全局优化算法，得到的最优控制规则数据集合，作为混合动力船舶BP神经网络能量管理策略的待选样本，控制规则的输入输出与神经网络的输入输出一一对应；混合动力船舶能量管理优化目标是求得使累积的代价函数最小的控制变量u(k)，这里的代价函数由燃油消耗Lfuel和SOC附加代价的加权LSOC组成，表达式为如下形式：L(x(k),u(k))＝Lfuel(k)+LSOC(k)   (4)动态规划全局优化算法在能量管理控制策略中的目标函数定义为：动态规划的逆向过程根据优化对象基本方程所提供的递推关系逐段求解；步骤三、采用基于核模糊C‑均值聚类的聚类方法对全局最优数据集进行聚类，产生4个不同的数据簇；确定网络结构中隐含层层数、各层神经元个数、误差代价函数、训练精度要求和最大训练次数等；对权值矩阵W和V赋随机数，训练学习速率设初值η∈(0,1)；设共有q对训练样本和期望输出向量每一个样本对的误差分别为：并将全部训练样本对的输出误差求均方根误差作为网络的总误差；然后反向调节神经网络中神经元之间的连接权值：检查网络总误差是否达到精度要求，若达到精度要求或训练次数达到最大次数，训练结束；否则重新计算误差；步骤四、对每一个数据簇分别采用BP神经网络进行建模，从而建立了4个子神经网络模型；KFCM将动态规划全局优化数据集依据样本之间的相似性分成四类，将分类后的数据簇作为BP神经网络的训练样本，分别建立的神经网络控制器；设计的BP神经网络控制器采用只有一个隐含层的三层网络结构，输入变量为船速v，船舶行驶需求扭矩Treq和电池SOC，输出变量为发动机扭矩Te，电机输出扭矩Tm可以由公式(9)求出；混合动力船舶能量管理BP神经网络控制器，输入层为X＝(x1,x2,x3)，输出层为Te，隐含层有l个神经元Y＝(y1,y2,…,yl)T；BP神经网络的隐含层输出表示为：(10)式中，wij代表输入层第j个神经元到隐含层第i个神经元之间的连接权值，bi表示隐含层第j个神经元的阈值，f为反应输入和输出之间关系的传递函数，采用tansig函数，其数学表达式如式(11)；控制器的输出表示为：(12)式中，vi代表隐含层第i个神经元到输出层之间的连接权值，bl表示输出层神经元的阈值，f′为传递函数，输出层采用logsig函数，表达式如式(13)；步骤五、将实时的输入数据通过模型选择模块，选择相应的子神经模型进行输出预测，结果作为能量管理策略的输出。