一种基于PSO-BP优化算法的混合动力双电船的能量管理方法

本发明涉及船舶能量管理领域，特别是涉及一种基于pso-bp优化算法的混合动力双电船的能量管理方法。

背景技术：

1、近年来，针对船舶航行所造成的污染问题越来越受到国际组织的关注，新能源船舶的发展十分迫切。目前太阳能、风能、lng(液化天然气)、燃料电池等新型清洁能源，在船舶领域有了许多实质性的运用，对环境的保护以及能量的高效可持续利用有显著的提高，对于未来的发展以高效节能环保的大环境趋势下，新能源的发展需求越来越高。新能源中太阳能由于受天气影响较大，还不能作为船舶稳定的推进系统，风能主要运用于帆船，然而上下水工况下影响太大，也不够稳定，lng作为清洁的稳定动力源，其安全性仍然需要得到进一步提高。燃料电池作为其中的佼佼者，已经运用于大部分新能源船舶。

2、中国专利申请cn113705094a，公开了一种基于psogru的船舶燃油管道故障预测方法，对船舶信息进行处理，随后经过归一化处理后划分训练集和测试集，然后构建gru模型，通过粒子群优化算法对gru模型进行优化从而获得最优值。但是单一的粒子群优化算法对于模型的处理并不是最优选择，其局部收敛的问题是该算法的通病。

3、目前，混合燃料电池和蓄电池以及超级电容复合推进的双电船已被应用，但其粒子群优化算法本身存在的早熟和局部收敛的固有问题并未解决，尤其是在描述了bp神经网络基本结构的基础上，结合bp神经网络和粒子群算法二者的优势，将粒子群算法得到最优的权值和阈值应用到bp网络进行训练，以提高模型精确度，对船舶动力源的能量分配进行优化，最终提高船舶的使用效率方面，未见文献报道。

技术实现思路

1、发明目的是提供了一种基于pso-bp的船舶能量管理方案，能够有效解决当前船舶的能量分配、动力分配优化和能量的管理问题，进行仿真模拟，为实际运行及其操作提供实用性的数据，提高船舶的使用效率。

2、为实现上述发明目的，本发明的基于pso-bp的船舶能量管理方案，包括构建该船舶simulink仿真模型，对动力源的能量分配进行优化。

3、具体技术方案为：

4、对混合动力双电船进行仿真模型搭建，在基于pso-bp优化算法的情况下进行选取高效可实施的船舶管理方法，主要为能量管理策略的参数并与复合电源的参数优化相结合，进行联合优化。步骤如下：

5、s1：对混合动力双电船进行系统建模，具体包括燃料电池模块，蓄电池模块，超级电容模块以及双向的dc\dc变换器模块；获得船舶基本参数，包括蓄电池、超级电容和燃料电池的容量，船舶运行成本等其限制条件，并对其数据进行归一化处理。

6、s2：初始化bp神经，设计一个神经网络，确定bp网络的拓扑结构，确定隐藏层内节点个数。

7、s3：将s1中初始的归一化数据，确定适应性函数，通过pso算法，对粒子的位置和速度初始化，不断更新改变适应度，获得每次迭代粒子的个体最优极值和群体最优极值，从而传递给神经网络最优权值和阈值。使用bp网络进行误差计算，数据不断更新，提升数据精确度，最终获取最优数据。

8、s4：进行处理后的数据代入模型进行仿真分析，主要包括不同的能量控制前提下电池和超级电容以及燃料电池的功率对比曲线、船舶运行成本的前后对比、直流母线电压对比等，为实际船舶运行提供数据依据。

9、优选的，采用simulink进行混合动力船舶模型的搭建。具体为，包括燃料电池模块、蓄电池模块、超级电容模块以及双向的dc\dc变换器模块。获取初始化参数，所述初始化参数包括船舶基本参数和船舶运行成本等。所述船舶基本参数包括蓄电池、超级电容和燃料电池的容量，其限制条件如下所示：

10、pbat+psc+pfc＝pn

11、

12、

13、

14、

15、c＝nbatref·mbat+nscref·msc+phess·mdcdc

16、其中pbat为电池的输出功率，psc为超级电容的输出功率，pfc为燃料电池的输出功率。为超级电容最大值，ibat(t)为电池电流输出，isc(t)为超级电容电流输出，ifc(t)燃料电池电流输出，c为船舶运行成本，nbatref为电池的运行设定个数，mbat为电池价格，nscref为超级电容个数，msc为超级电容的单价phess为复合电源的功率需求，mdcdc为直流变换器的价格。

17、对上述得到的数据归一化处理。公式如下：

18、

19、优选的，初始化bp神经，确定bp网络的拓扑结构，具体为，设计一个神经网络时，输入层与输出层的节点数一般是固定的，隐藏层则可以自由指定；神经网络结构图中的拓扑与箭头代表着预测过程中数据的流向，跟训练时的数据流有一定的区别；bp神经网络包括圆圈(代表“神经元”)，连接线(代表“神经元”之间的连接)。通过训练得到的每个连接线对应一个不同的权重(其值称为权值)。

20、确定bp网络的拓扑结构，确定隐藏层内节点个数，公式如下：

21、

22、式中n为隐含层节点数；i为输入层节点数(输入层变量)；o为输出层节点数(输出层变量)；a为0到10之间的常数。

23、优选的，通过粒子群算法得到最优的权值和阈值，并导入bp神经网络，计算误差，得到最优解，具体为将s1中初始的归一化数据，通过pso算法，对粒子的位置和速度初始化，不断更新改变适应度，获得每次迭代粒子的个体最优极值和群体最优极值，从而传递给神经网络最优权值和阈值。

24、粒子速度和位置的迭代公式如下:

25、

26、

27、权重的表达式为如下所示，前期优化选取较大的值可以提高优化速度，后期优化取较小值可以提高优化精确性。

28、

29、式中，ωmax、ωmin为权重的最大最小值。k表示当前迭代次数，kmax表示最大的迭代次数。

30、使用bp网络进行误差计算，数据不断更新，最终获取最优数据。满足精度的更新公式如下:

31、wij＝wij+δwij

32、

33、其中η为学习率，0<η<1。

34、优选的，进行处理后的数据代入模型进行仿真分析，具体为不同的能量控制前提下电池和超级电容以及燃料电池的功率对比曲线、船舶运行成本的前后对比、直流母线电压对比等，为实际船舶运行提供数据。

35、本发明采用pso-bp优化算法进行混合动力双电船能量管理方法的优化，相对于现有技术的三个优势：

36、1.相较于未采取pso-bp优化算法，采用本发明pso-bp优化算法对能量进行管理的船舶运行时，在进入工况复杂的情况下，动力系统的能量分配尤为重要，燃料电池更适用于稳定功率，而面对需要紧急变换工况时，主要由复合电源承担，其响应的速度也更快，可更好地处理航行的突发状况。

37、2.对于未采取pso-bp优化算法的船舶，由于未进行能量配比和分配，各种电池损耗也会增加，不利于船舶使用的经济性。采用本发明pso-bp优化算法对能量进行管理的船舶，可以延长电池使用寿命，经济性能大幅提升，在能源的节约和利用上有着显著优势。

38、3.使用本发明pso-bp优化算法对能量进行管理的混合动力双电船，不仅在能量排放上更清洁，而且能在多变的工况下即时响应，面对复杂工况也更加应付自如。本发明采用simulink仿真模拟，可以节省船舶运行成本且方便操作，得到的最优结果为实际运行提供有力的支持。