一种基于数据驱动的新能源船舶节能减排方法及系统

本发明涉及人工智能与船舶技术领域，具体地，涉及一种基于数据驱动的新能源船舶节能减排方法及系统。

背景技术：

作为海运重要的交通工具，船舶承担了近90％的物流需求，但由于燃油效率低，船舶也相应地制造了全球约5％的温室气体排放量。在全球化石能源逐渐减少、环境问题日益突出、燃油成本和运输成本与日俱增的趋势下，国际海事组织颁布了一系列法律和规范，严格限制传统船舶的污染气体排放。目前，世界各国都在积极探索解决船舶能效问题的新方法。

将新能源发电技术应用到船舶电力系统，以减少燃油的消耗，给船舶节能减排提供了新思路。船舶行驶在广阔的海洋上，光照资源丰富充足，新能源发电不仅能够减少化石能源的消耗，还可降低船舶温室气体排放量。然而，新能源船舶电力系统是一个移动的，长期处于孤岛运行的特殊微电网。不同于陆地固定式微电网，船载新能源发电系统不仅受到自然条件的影响，还受到船舶航行和摇摆的影响，其输出波动更加剧烈。因此，船舶的绿色、安全、稳定的运行亟需综合考虑新能源发电的不确定性，探清船载新能源发电特性和规律。

目前，鲜有人研究新能源发电技术应用到船舶电力系统后对其节能减排的影响，现有船舶的节能减排解决方案往往集中在确定性分析方法，尚未考虑数据驱动分析方法，船载新能源发电特性尚未明晰。文献[1]利用模糊综合评价方法，构建了面向大型太阳能油船的节能减排评估体系。但是，光伏发电出力特性和不确定性均未考虑，当船载光伏发电系统输出发生变化时，评价结果将不可信。文献[2]提出了一种改进的增压技术，优化了船用柴油机燃烧过程，从而达到以控制燃油排放污染、提高燃油燃烧效率的目的。但该方法未考虑新能源发电对于船舶电力系统的影响。

随着绿色船舶事业的不断发展，将新能源发电技术应用到船舶电力系统中，解决传统船舶油耗高、污染重等问题已迫在眉睫。然而，新能源发电存在着随机性、不确定性等特点，船舶高效利用新能源的前提是探清船载新能源发电规律，并能够结合智能优化方法，实现船舶节能减排的目的。

文献1船舶多清洁能源混合动力系统优化设计方法公开了多清洁能源混合动力系统可通过采用多种清洁能源有效提高船舶的绿色化水平，但多清洁能源的不同特点会增加混合动力系统配置优化设计的复杂性，目前缺少对多清洁能源混合动力系统优化配置方法的研究。对此，基于燃料电池、锂离子电池、超级电容和柴油发电机的混合动力系统形式，提出一种基于小波变换和遗传算法的多清洁能源混合动力系统优化配置方法。分析结果表明：提出的混合动力系统优化配置方法能在满足船舶最大功率需求的同时，提高船舶的经济性，降低二氧化碳排放，进而提高船舶的整体能效水平。该文献针对船舶燃油消耗高和污染严重的问题，提出了一种混合式储能解决方案。船载柴油机发电系统通过与混合式储能系统的配合可提高能效水平，但未考虑新能源发电技术在船舶上的应用，也尚未考虑新能源发电对于船舶节能减排的影响，相关方法仅适用于传统船舶电站。

文献2全电力船舶经济与环境发电及航次调度公开了全电力船舶(aes)使用集成的发电机和储能系统(ess)来匹配其推进和服务负荷，从而形成一个孤立的微电网。到目前为止，现有的工作已经将aes运行成本最小化作为单一优化目标，而温室气体(ghg)排放的减少只是作为优化的一个约束条件。此外，ess作为调度的一部分的潜力尚未得到充分利用。本文的工作强调了环境问题，并将温室气体减排作为一个单独的目标，从而将优化扩展到多目标。为了实现这两个目标，提出了aes的ess综合发电-航次调度：发电调度与负荷管理(推进负荷-巡航速度)和ess调度相结合，以优化柴油发电机的运行。优化采用最优控制，非支配排序遗传算法(nsga-ii)求解。大量仿真结果表明，与固定航次发电调度相比，优化巡航速度(航次)和发电调度可降低运行成本和温室气体排放。将ess调度与发电调度相结合，进一步提高了发电调度的效益。该文献针对全电力船舶，提出了一种发电和航程联合优化方法，可降低温室气体排放，降低船舶成本。但该方法未能评估新能源发电对于船舶节能减排的影响，未考虑人工智能在船舶上的应用，无法在船舶电力系统源端实现节能减排的目的。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种基于数据驱动的新能源船舶节能减排方法及系统。

根据本发明提供的一种基于数据驱动的新能源船舶节能减排方法，包括：

步骤s1：船载光伏发电系统和船载风力发电系统基于深度学习构建船载新能源发电数据驱动模型；

步骤s2：基于深度学习网络构建船载新能源发电预测模型，船载新能源发电预测模型利用船载新能源发电数据驱动模型对船载新能源发电出力进行预测，得到预测信息；

步骤s3：根据预测信息利用快速非支配排序遗传算法，对船舶柴油发电机进行优化；

所述船载新能源发电数据驱动模型包括船载光伏发电系统输出功率以及船载风力发电系统输出功率。

优选地，所述船载光伏发电系统输出功率包括：

其中，表示t时刻船载光伏发电系统输出功率；η^pv表示太阳能光伏板转换效率；s^pv表示铺设光伏板的面积；it表示t时刻时接收到的太阳光照度；分别表示着在t时刻时太阳光照度直射量、散射量和地面反射量；θ表示光伏板与光线之间的夹角；φ表示光伏板与水平面的夹角；ε为反射率；η^pv_ref表示太阳能光伏板最大转换效率；η^mppt表示最大功率跟踪控制转换效率；t表示太阳能光伏板工作时的温度；t^ref表示太阳能光伏板正常工作时的温度；β为温度系数；

所述船载风力发电系统输出功率包括：

其中，表示t时刻船载风力发电系统输出功率；c^p，η^m，和ηⁿ分别表示功率转换效率、机械效率和发电效率；ρ表示空气密度；a表示风机叶片扫过的面积；且a＝πr²；r表示风机叶片半径；和分别表示t时刻风速、船速和相对速度；和分别表示风向和航向。

优选地，所述步骤s2包括：

步骤s2.1：基于深度学习网络构建船载新能源发电预测模型；

步骤s2.2：根据海上沿航线上自然条件数据，包括：光照、风速、风向以及温度，建立深度学习网络的训练集和测试集；

步骤s2.3：利用深度学习网络的训练集和测试集训练并测试船载新能源发电预测模型，得到训练后的船载新能源发电预测模型；

步骤s2.4：根据沿航线上历史自然条件数据，利用训练后的船载新能源发电预测模型预测船舶接收的光照强度与风速；

步骤s2.5：基于预测的船舶接收的光照强度与风速，结合船舶位置，利用船载光伏发电系统输出功率、船载风力发电系统输出功率估计船载新能源发电系统输出功率。

优选地，所述步骤s3包括：

步骤s3.1：初始化变量个体，变量个体包括：每小时船载柴油机发电系统功率输出和船载储能系统的充放电功率；

步骤s3.2：在约束条件内，利用二进制编码对变量个体进行编码，得到编码后的变量个体；

步骤s3.3：随机选取预设数量编码后的变量个体，并对随机选取的预设数量的编码后变量个体分别进行交叉或变异操作，形成新的变量个体；

步骤s3.3：对新的变量个体进行适应度函数校验，选取适合度满足预设要求的新的变量个体；

步骤s3.5：计算适合度满足预设要求的新的变量个体的目标函数值，并与原变量个体的目标函数值进行排序比较；当适合度满足预设要求的新的变量个体目标函数值更小，则将新的变量个体替换原变量个体，重复执行步骤s3.1至步骤s3.5，直至达到最大迭代次数，得到最佳的发电计划；

所述目标函数包括：将全电力船舶的燃油成本和碳排放最低设为目标函数。

优选地，所述目标函数包括：

其中,a2，a1，a0表示油耗成本系数；b2，b1，b0表示温室气体排放系数；表示t时刻柴油机输出功率；mt表示t时刻船舶载货量；t表示船舶航行总时间；表示t时刻风速和船速的相对速度。

优选地，所述约束条件包括：功率平衡约束、船载储能系统能量平衡约束、柴油发电机有功功率限制以及储能系统功率限制；

所述功率平衡约束：

所述船载储能系统能量平衡约束：

所述柴油发电机有功功率限制：

所述储能系统功率限制：

式中，表示t时刻柴油机输出功率；表示t时刻船载光伏发电系统输出功率；表示t时刻船载风力发电系统输出功率；和分别代表船载储能系统t时刻的能量和功率；和分别代表储能系统的充放电功率；代表t时刻的船舶负荷；η^ch和η^dc分别表示储能系统的充放电效率；和分别代表柴油机发电系统输出功率的上限和下限；和分别代表储能系统功率的上限和下限。

根据本发明提供的一种基于数据驱动的新能源船舶节能减排系统，包括：

模块m1：船载光伏发电系统和船载风力发电系统基于深度学习构建船载新能源发电数据驱动模型；

模块m2：基于深度学习网络构建船载新能源发电预测模型，船载新能源发电预测模型利用船载新能源发电数据驱动模型对船载新能源发电出力进行预测，得到预测信息；

模块m3：根据预测信息利用快速非支配排序遗传算法，对船舶柴油发电机进行优化；

所述船载新能源发电数据驱动模型包括船载光伏发电系统输出功率以及船载风力发电系统输出功率。

优选地，所述船载光伏发电系统输出功率包括：

其中，表示t时刻船载光伏发电系统输出功率；η^pv表示太阳能光伏板转换效率；s^pv表示铺设光伏板的面积；it表示t时刻时接收到的太阳光照度；分别表示着在t时刻时太阳光照度直射量、散射量和地面反射量；θ表示光伏板与光线之间的夹角；φ表示光伏板与水平面的夹角；ε为反射率；η^pv_ref表示太阳能光伏板最大转换效率；η^mppt表示最大功率跟踪控制转换效率；t表示太阳能光伏板工作时的温度；t^ref表示太阳能光伏板正常工作时的温度；β为温度系数；

所述船载风力发电系统输出功率包括：

其中，表示t时刻船载风力发电系统输出功率；c^p，η^m，和ηⁿ分别表示功率转换效率、机械效率和发电效率；ρ表示空气密度；a表示风机叶片扫过的面积；且a＝πr²；r表示风机叶片半径；和分别表示t时刻风速、船速和相对速度；和分别表示风向和航向。

优选地，所述模块m2包括：

模块m1：基于深度学习网络构建船载新能源发电预测模型；

模块m2：根据海上沿航线上自然条件数据，包括：光照、风速、风向以及温度，建立深度学习网络的训练集和测试集；

模块m3：利用深度学习网络的训练集和测试集训练并测试船载新能源发电预测模型，得到训练后的船载新能源发电预测模型；

模块m4：根据沿航线上历史自然条件数据，利用训练后的船载新能源发电预测模型预测船舶接收的光照强度与风速；

模块m5：基于预测的船舶接收的光照强度与风速，结合船舶位置，利用船载光伏发电系统输出功率、船载风力发电系统输出功率估计船载新能源发电系统输出功率。

优选地，所述模块m3包括：

模块m3.1：初始化变量个体，变量个体包括：每小时船载柴油机发电系统功率输出和船载储能系统的充放电功率；

模块m3.2：在约束条件内，利用二进制编码对变量个体进行编码，得到编码后的变量个体；

模块m3.3：随机选取预设数量编码后的变量个体，并对随机选取的预设数量的编码后变量个体分别进行交叉或变异操作，形成新的变量个体；

模块m3.3：对新的变量个体进行适应度函数校验，选取适合度满足预设要求的新的变量个体；

模块m3.5：计算适合度满足预设要求的新的变量个体的目标函数值，并与原变量个体的目标函数值进行排序比较；当适合度满足预设要求的新的变量个体目标函数值更小，则将新的变量个体替换原变量个体，重复执行模块m3.1至模块m3.5，直至达到最大迭代次数，得到最佳的发电计划；

所述目标函数包括：将全电力船舶的燃油成本和碳排放最低设为目标函数；

所述目标函数包括：

其中,a2，a1，a0表示油耗成本系数；b2，b1，b0表示温室气体排放系数；表示t时刻柴油机输出功率；mt表示t时刻船舶载货量；t表示船舶航行总时间；表示t时刻风速和船速的相对速度；

所述约束条件包括：功率平衡约束、船载储能系统能量平衡约束、柴油发电机有功功率限制以及储能系统功率限制；

所述功率平衡约束：

所述船载储能系统能量平衡约束：

所述柴油发电机有功功率限制：

所述储能系统功率限制：

式中，表示t时刻柴油机输出功率；表示t时刻船载光伏发电系统输出功率；表示t时刻船载风力发电系统输出功率；和分别代表船载储能系统t时刻的能量和功率；和分别代表储能系统的充放电功率；代表t时刻的船舶负荷；η^ch和η^dc分别表示储能系统的充放电效率；和分别代表柴油机发电系统输出功率的上限和下限；和分别代表储能系统功率的上限和下限。

与现有技术相比，本发明具有如下的有益效果：

1、本发明通过所提出的数据驱动模型，可以掌握船载新能源发电规律，对船载新能源发电进行有效预测，有助于船舶更好的利用新能源；

2、本发明通过新能源的有效利用，可以减轻船舶电力系统对化石能源的依赖，进一步改变船舶的供能方式；

3、本发明通过所提出的优化方法，既能减少柴油机的柴油消耗，提高柴油发电机工作效率，又能降低温室气体的排放，从而大幅度提升全电力船舶的经济性和环境友好性；

3、本发明节能减排方法不局限于固定的船舶类型和船舶电力系统结构，具有良好的适用性，可以应用于不同类型的船舶，为绿色船舶事业的发展提供了理论依据；

4、本发明考虑船载新能源发电不确定性，可使新能源船舶节能减排评估结果更加可靠，为工程实践提供有利支撑。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为新能源船舶电力系统结构图

图2为风能和船舶运动合成图

图3为基于数据驱动的船舶节能减排流程图

图4为基于数据驱动的船载新能源输出情况

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例1

根据本发明提供的一种基于数据驱动的新能源船舶节能减排方法，包括：

步骤s1：船载光伏发电系统和船载风力发电系统基于深度学习构建船载新能源发电数据驱动模型；

步骤s2：基于深度学习网络构建船载新能源发电预测模型，船载新能源发电预测模型利用船载新能源发电数据驱动模型对船载新能源发电出力进行预测，得到预测信息；

步骤s3：根据预测信息利用快速非支配排序遗传算法，对船舶柴油发电机进行优化；

所述船载新能源发电数据驱动模型包括船载光伏发电系统输出功率以及船载风力发电系统输出功率。

具体地，所述船载光伏发电系统输出功率包括：

其中，表示t时刻船载光伏发电系统输出功率；η^pv表示太阳能光伏板转换效率；s^pv表示铺设光伏板的面积；it表示t时刻时接收到的太阳光照度；分别表示着在t时刻时太阳光照度直射量、散射量和地面反射量；θ表示光伏板与光线之间的夹角；φ表示光伏板与水平面的夹角；ε为反射率；η^pv_ref表示太阳能光伏板最大转换效率；η^mppt表示最大功率跟踪控制转换效率；t表示太阳能光伏板工作时的温度；t^ref表示太阳能光伏板正常工作时的温度；β为温度系数；

所述船载风力发电系统输出功率包括：

其中，表示t时刻船载风力发电系统输出功率；c^p，η^m，和ηⁿ分别表示功率转换效率、机械效率和发电效率；ρ表示空气密度；a表示风机叶片扫过的面积；且a＝πr²；r表示风机叶片半径；和分别表示t时刻风速、船速和相对速度；和分别表示风向和航向。

具体地，所述步骤s2包括：

步骤s2.1：基于深度学习网络构建船载新能源发电预测模型；

步骤s2.2：根据海上沿航线上自然条件数据，包括：光照、风速、风向以及温度，建立深度学习网络的训练集和测试集；

步骤s2.3：利用深度学习网络的训练集和测试集训练并测试船载新能源发电预测模型，得到训练后的船载新能源发电预测模型；

步骤s2.4：根据沿航线上历史自然条件数据，利用训练后的船载新能源发电预测模型预测船舶接收的光照强度与风速；

步骤s2.5：基于预测的船舶接收的光照强度与风速，结合船舶位置，利用船载光伏发电系统输出功率、船载风力发电系统输出功率估计船载新能源发电系统输出功率。

具体地，所述步骤s3包括：

步骤s3.1：初始化变量个体，变量个体包括：每小时船载柴油机发电系统功率输出和船载储能系统的充放电功率；

步骤s3.2：在约束条件内，利用二进制编码对变量个体进行编码，得到编码后的变量个体；

步骤s3.3：随机选取预设数量编码后的变量个体，并对随机选取的预设数量的编码后变量个体分别进行交叉或变异操作，形成新的变量个体；

步骤s3.3：对新的变量个体进行适应度函数校验，选取适合度满足预设要求的新的变量个体；

步骤s3.5：计算适合度满足预设要求的新的变量个体的目标函数值，并与原变量个体的目标函数值进行排序比较；当适合度满足预设要求的新的变量个体目标函数值更小，则将新的变量个体替换原变量个体，重复执行步骤s3.1至步骤s3.5，直至达到最大迭代次数，得到最佳的发电计划；

所述目标函数包括：将全电力船舶的燃油成本和碳排放最低设为目标函数。

具体地，所述目标函数包括：

其中,a2，a1，a0表示油耗成本系数；b2，b1，b0表示温室气体排放系数；表示t时刻柴油机输出功率；mt表示t时刻船舶载货量；t表示船舶航行总时间；表示t时刻风速和船速的相对速度。

具体地，所述约束条件包括：功率平衡约束、船载储能系统能量平衡约束、柴油发电机有功功率限制以及储能系统功率限制；

所述功率平衡约束：

所述船载储能系统能量平衡约束：

所述柴油发电机有功功率限制：

所述储能系统功率限制：

式中，表示t时刻柴油机输出功率；表示t时刻船载光伏发电系统输出功率；表示t时刻船载风力发电系统输出功率；和分别代表船载储能系统t时刻的能量和功率；和分别代表储能系统的充放电功率；代表t时刻的船舶负荷；η^ch和η^dc分别表示储能系统的充放电效率；和分别代表柴油机发电系统输出功率的上限和下限；和分别代表储能系统功率的上限和下限。

根据本发明提供的一种基于数据驱动的新能源船舶节能减排系统，包括：

模块m1：船载光伏发电系统和船载风力发电系统基于深度学习构建船载新能源发电数据驱动模型；

模块m2：基于深度学习网络构建船载新能源发电预测模型，船载新能源发电预测模型利用船载新能源发电数据驱动模型对船载新能源发电出力进行预测，得到预测信息；

模块m3：根据预测信息利用快速非支配排序遗传算法，对船舶柴油发电机进行优化；

所述船载新能源发电数据驱动模型包括船载光伏发电系统输出功率以及船载风力发电系统输出功率。

具体地，所述船载光伏发电系统输出功率包括：

其中，表示t时刻船载光伏发电系统输出功率；η^pv表示太阳能光伏板转换效率；s^pv表示铺设光伏板的面积；it表示t时刻时接收到的太阳光照度；分别表示着在t时刻时太阳光照度直射量、散射量和地面反射量；θ表示光伏板与光线之间的夹角；φ表示光伏板与水平面的夹角；ε为反射率；η^pv_ref表示太阳能光伏板最大转换效率；η^mppt表示最大功率跟踪控制转换效率；t表示太阳能光伏板工作时的温度；t^ref表示太阳能光伏板正常工作时的温度；β为温度系数；

所述船载风力发电系统输出功率包括：

其中，表示t时刻船载风力发电系统输出功率；c^p，η^m，和ηⁿ分别表示功率转换效率、机械效率和发电效率；ρ表示空气密度；a表示风机叶片扫过的面积；且a＝πr²；r表示风机叶片半径；和分别表示t时刻风速、船速和相对速度；和分别表示风向和航向。

具体地，所述模块m2包括：

模块m1：基于深度学习网络构建船载新能源发电预测模型；

模块m2：根据海上沿航线上自然条件数据，包括：光照、风速、风向以及温度，建立深度学习网络的训练集和测试集；

模块m3：利用深度学习网络的训练集和测试集训练并测试船载新能源发电预测模型，得到训练后的船载新能源发电预测模型；

模块m4：根据沿航线上历史自然条件数据，利用训练后的船载新能源发电预测模型预测船舶接收的光照强度与风速；

模块m5：基于预测的船舶接收的光照强度与风速，结合船舶位置，利用船载光伏发电系统输出功率、船载风力发电系统输出功率估计船载新能源发电系统输出功率。

具体地，所述模块m3包括：

模块m3.1：初始化变量个体，变量个体包括：每小时船载柴油机发电系统功率输出和船载储能系统的充放电功率；

模块m3.2：在约束条件内，利用二进制编码对变量个体进行编码，得到编码后的变量个体；

模块m3.3：随机选取预设数量编码后的变量个体，并对随机选取的预设数量的编码后变量个体分别进行交叉或变异操作，形成新的变量个体；

模块m3.3：对新的变量个体进行适应度函数校验，选取适合度满足预设要求的新的变量个体；

模块m3.5：计算适合度满足预设要求的新的变量个体的目标函数值，并与原变量个体的目标函数值进行排序比较；当适合度满足预设要求的新的变量个体目标函数值更小，则将新的变量个体替换原变量个体，重复执行模块m3.1至模块m3.5，直至达到最大迭代次数，得到最佳的发电计划；

所述目标函数包括：将全电力船舶的燃油成本和碳排放最低设为目标函数；

所述目标函数包括：

其中,a2，a1，a0表示油耗成本系数；b2，b1，b0表示温室气体排放系数；表示t时刻柴油机输出功率；mt表示t时刻船舶载货量；t表示船舶航行总时间；表示t时刻风速和船速的相对速度；

所述约束条件包括：功率平衡约束、船载储能系统能量平衡约束、柴油发电机有功功率限制以及储能系统功率限制；

所述功率平衡约束：

所述船载储能系统能量平衡约束：

所述柴油发电机有功功率限制：

所述储能系统功率限制：

式中，表示t时刻柴油机输出功率；表示t时刻船载光伏发电系统输出功率；表示t时刻船载风力发电系统输出功率；和分别代表船载储能系统t时刻的能量和功率；和分别代表储能系统的充放电功率；代表t时刻的船舶负荷；η^ch和η^dc分别表示储能系统的充放电效率；和分别代表柴油机发电系统输出功率的上限和下限；和分别代表储能系统功率的上限和下限。

实施例2

实施例2是实施例1的优选例

针对上述现有技术中的缺陷，本发明要解决的技术问题体现在以下几点：

为了综合利用新能源，进一步提高船舶的经济性和环境友好性，本发明基于数据驱动分析方法，结合新能源发电特性，提出了一种新型面向新能源船舶的节能减排方法。

该发明利用深度学习方法，构建船载新能源发电数据驱动模型，分析船载新能源发电行为，有助于船舶更好的利用新能源。基于数据驱动模型，结合智能优化算法，船舶可以降低油耗、减少温室气体的排放，从而大幅度提升全电力船舶的经济性和环境友好性。考虑船载新能源发电不确定性，可使新能源船舶节能减排评估结果更加可靠，为工程实践提供有利支撑。

本发明为基于数据驱动的新能源船舶节能减排方法。新能源船舶电力系统结构如图1所示，包括船载新能源发电系统、柴油机发电系统、储能系统、电力推进负载及生活负载。节能减排主要以柴油机油耗成本及温室气体排放量最小为目标，以提升船舶能源利用率水平为准则。

具体实现手段如下：

a.基于数据驱动的船载新能源发电不确定模型

1)船载光伏发电系统

船舶接收到的太阳能光照度随着船舶出行时船舶的位置、日期、当地时间、时区变化而变化，因此需要利用船舶沿航线的这些数据，结合合理的修正方法对船载光伏发电系统的输出进行修正，具体如下：

其中，表示t时刻船载光伏发电系统输出功率，η^pv表示太阳能光伏板转换效率，s^pv为铺设光伏板的面积(m²)，it代表t时刻时接收到的太阳光照度(w/m²)。分别代表着在t时刻时太阳光照度直射量、散射量和地面反射量。θ为光伏板与光线之间的夹角，φ为光伏板与水平面的夹角，ε为反射率。η^pv_ref是太阳能光伏板最大转换效率；η^mppt为最大功率跟踪控制转换效率，本专利取1；t为太阳能光伏板工作时的温度，t^ref为太阳能光伏板正常工作时的温度，一般取25℃；β为温度系数。

2)船载风力发电系统

与陆地固定式微电网不同，船舶行驶在海面上，船载风力发电系统的输出不仅依赖于自然风速和风向，还依赖于船舶的航向和航速，本发明利用沿航线中的

风速、风向和船舶航向、航速等数据，搭建了船载风力发电系统的数学模型，具体如下：

其中，表示t时刻船载风力发电系统输出功率，c^p，η^m，和ηⁿ分别代表着功率转换效率、机械效率和发电效率；ρ代表空气密度；a是风机叶片扫过的面积(m2)，具体为a＝πr²；和分别代表t时刻风速、船速和相对速度；和分别代表风向和航向。

值得注意的是，船载风力发电系统接收到的风速实际为船舶航速和自然风速合成后的相对速度，三者之间的关系如图2所示。

3)基于深度学习的船载新能源发电预测模型

不同于陆地固定的微电网，伴有新能源特性的船舶电力系统不仅受到自然条件的影响，而且受船舶航行和摇摆的影响，本发明提出了一种基于深度学习的船载新能源发电功率预测方法。

预测步骤如图3所示，首先搜集海上沿航线上的光照、风速、风向、温度等自然条件数据，建立深度学习网络的训练集和测试集，然后利用沿航线的光照、风速、风向、温度等历史数据，预测船舶接收的光照强度与风速，最后结合船舶位置，估算船载新能源发电系统输出功率。

b.新能源船舶节能减排模型

船舶节能减排的目的是通过合理调配发电，在满足船舶负荷需求的同时，尽量减少船舶的油耗和温室气体排放量。因此，本发明把全电力船舶的燃油成本和碳排放最低设为目标函数，具体表示为：

式中,a2，a1，a0表示油耗成本系数；b2，b1，b0表示温室气体排放系数。表示t时刻柴油机输出功率，mt表示t时刻船舶载货量，t表示船舶航行总时间。

对于一个新能源船舶电力系统，以下约束条件是要遵守的：

1)功率平衡约束：

2)船载储能系统能量平衡约束：

3)柴油发电机有功功率限制：

4)储能系统功率限制：

式中，和分别代表船载储能系统t时刻的能量和功率；和分别代表储能系统的充放电功率；代表t时刻的船舶负荷。η^ch和η^dc分别表示储能系统的充放电效率。和分别代表柴油机发电系统输出功率的上限和下限；和分别代表储能系统功率的上限和下限。

c.基于数据驱动的新能源船舶节能减排方法

作为一种启发式全局优化方法，非支配排序遗传算法可有效解决多目标优化问题，在诸多领域得到了广泛关注和应用。

2002年，deb等人率先提出了快速非支配排序遗传算法(nsga-ii)。nsga-ii是一种将进化论和遗传学机理相结合的方法，该方法的优化原理是，首先对数据进行编码，形成类似于遗传过程中的由基因构成的染色体，然后对编码后的染色体进行交叉、变异等操作，产生新的种群，并通过精英策略选取新个体，与原始个体进行对比，择优选取，直至找到最佳的个体使目标函数值利益最大化。

本发明利用快速非支配排序遗传算法解决新能源船舶的节能减排问题。如图3所示，该方法首先整理基于深度学习得到的预测信息；然后初始化变量，变量包括每小时船载柴油机发电系统功率输出和船载储能系统的充放电功率；随后在约束条件内，利用二进制编码对变量编码；然后对编码后的个体进行适应度函数检验，选取适应度良好的个体，进行交叉、变异操作，形成新的个体，并与原个体进行排序比较，在未达到最大迭代次数之前，重复上诉操作，直至nsga-ii找到最佳的发电计划。

实施例3

实施例3是实施例1和/或实施例2的优选例

现有的船舶节能减排方法往往集中在船舶能量管理的优化上，或在船舶安装节能减排装置，以期对船舶排放的有害气体进行二次处理，将新能源发电技术直接应用于船舶电力系统，并结合人工智能与智能优化算法对发电进行联合优化的方法尚无相关研究和应用。本项目依托上海市浦江人才计划“全电力船舶的先进能量管理基础理论与关键技术”，设计了一种基于数据驱动的新能源船舶节能减排方法。

根据中国上海港临海海洋中的光照和风速情况，以铺设5000平方米的太阳能光伏板、安装4台30kw的直流风力发电机、3台800kw柴油发电机和1.5mw锂电池储能系统的客轮为例，利用本发明提出的数据驱动方法，首先对船载新能源发电进行有效预测，预测结果如图4所示。

从图4可以看出，即使当海洋中的光照和风速发生剧烈变化时，利用所提出的深度学习方法，可以准确捕捉船载新能源发电输出变化。预测结果可为发电优化提供数据参考。

基于以上预测结果，若柴油价格为0.886(美元/升)，参考表1的油耗系数和排放系数，利用本项目所提出的节能减排，新能源客轮运行一天的平均油耗成本为12620.84美元，温室气体排放量为691.82千克，与无新能源的船舶节能减排相比，降低了约15％的油耗及减少了25％的碳排放。如表2所示，通过本方案提出的节能减排方法可降低约燃油成本，并能提升船舶的环境友好性，进一步解决船舶能源危机。

表1油耗与碳排放系数

表2节能减排优化结果

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。