基于遗传算法的超级电容RTG能量优化管理方法

摘要

本发明在考虑系统能耗以及非再生能量的情况下，对整体的混合动力RTG系统能量管理进行优化，得到系统整体能耗最小下的柴油发电机组和超级电容器组的最优输出功率。提出了一种基于遗传算法的超级电容RTG能量管理方法。在考虑混合动力系统能耗和非再生能量因素下，通过柴油发电机组、超级电容器组和负载需求的特性参数建立混合动力系统的数学模型，给出目标函数及约束条件，最后遗传优化算法对函数进行求解，得出发电机组和电容器组的最优输出功率。本发明基于遗传算法的超级电容RTG能量管理方法，应用于混合动力RTG系统，所述混合动力RTG系统包括柴油发电机组、超级电容器组和负载电机。

说明书

技术领域

本发明涉及起重机混合动力系统能量管理，具体涉及一种基于遗传算法的超级电容RTG能量优化管理方法。

背景技术

目前，我国港口装卸设备主要是以柴油发电机组为主要的能量来源，为了降低传统的大型柴油发电机组造成的燃料消耗和排放，国内外学者提出了超级电容器、飞轮和锂电池作为功率缓冲器来减少柴油发电机组的规模大小。其中，锂电池的能量密度高，但是在大电流充放电时效率低，其电池寿命不长，价格较贵。超级电容器的能量密度低，但功率密度高，并且在充放电过程中没有任何电化学反应发生，即能快速吸收和释放能量，效率高，寿命长。在电机加速运行、峰值功率需求时间相对短时，超级电容器能提供短时间的峰值功率。而飞轮与超级电容器特性相似，但是其自放电率高。

对于RTG的能量管理策略，总体分为两种，一种是基于规则的策略，另一种是基于优化的策略。

2006年，韩国Sang-Min Kim和Seung-Ki Sul研究了超级电容器混合动力RTG的能量管理和控制策略问题，采用传统的PI控制，节油率为35％，柴油机组废气的排放量减少了超过40％。2010-2012年间，法国Petar J.Grbovic发表的一系列论文，对基于超级电容器的电力驱动系统控制策略和三电平直流变换器进行了系统研究，达到了起重机系统在再生制动过程的不间断运行。这两个人的工作都是基于规则的能量管理控制策略。

日本住友重工研发的混合动力RTG电源系统(Hybrid System)将锂电池作为储能器件。在应用中电池的功率输出基本处于稳定状态，充放电速率高，提高了锂电池的循环寿命。住友重工的实验数据验证了，该锂电池的循环寿命能够有七年以上，很大程度上改善了锂电池寿命不长的劣势。RTG柴油发电机组和锂电池混合供电技术已在多个集装箱码头进行了试运行，并取得了一定的成效。2006年10月在日本松山港，2007年8月在香港国际集装箱码头(HIT)，2008年2月在日本大黑集装箱码头，2008年5月在深圳盐田国际集装箱码头分别进行了性能测试，其中以香港码头的一台混合动力RTG为例，负载需求总功率为370kW，锂电池组和柴电机组的输出功率分别270KW和130KW，相对于常规的起重机系统，柴电机组配置的功率降低了近65％，黑烟现象明显减少。在国内研究方面，振华重工研发了锂电池RTG样机，实验表明其节能效果显著。这几个工作也是基于规则的。

而Stefano Pietrosanti、William Holderbaum和Victor M.Becerra提出了带飞轮的情况下能量存储的最优化管理策略，这解决了集装箱起升时间随机情况下的优化问题。Yoash Levron和Doron Shmilovitz的工作也是基于优化策略的，但对象是燃料电池和手机，没有考虑具有再生能量的传动系统。

另外一方面，大部分科研学者对于混合动力RTG能量管理都只是针对柴油发电机组和超级电容器组或锂电池组的进行单独控制，而不是从系统整体进行考虑。

发明内容

针对上述现状与相关技术存在的问题，本发明在考虑系统能耗以及非再生能量的情况下，对整体的混合动力系统能量管理进行优化，得到系统整体能耗最小下的柴油发电机组和超级电容器组的最优输出功率。对此提出了一种基于遗传算法的超级电容RTG能量管理方法。根据所设计的混合动力系统结构框图，提出了考虑混合动力系统能耗和非再生能量因素下，通过柴油发电机组、超级电容器组和负载需求的特性参数建立混合动力系统的数学模型，给出目标函数及约束条件，最后遗传优化算法对函数进行求解，得出发电机组和电容器组的最优输出功率。

本发明的技术方案如下：

一种基于遗传算法的超级电容RTG能量管理方法，应用于混合动力RTG系统，所述混合动力RTG系统包括柴油发电机组、超级电容器组和负载电机。负载电机为混合动力RTG的起升机构。柴油发电机组与整流器连接通过DC(直流)母排给负载电机供能，超级电容器组与双向DC/DC变换器连接再并联到DC母排，当起升机构驱动负载上升时，超级电容器组用来提供峰值功率，当起升机构下降时，超级电容器组吸收再生功率储能。

所述基于遗传算法的超级电容RTG能量管理方法包括以下步骤：

步骤一、首先建立关于柴油发电机组的数学模型。根据典型的柴油发电机燃料消耗曲线图可得柴油发电机的燃油消耗通常近似为与发电机功率相关的二次函数。

W_i^f＝a_i(P_i^E)²+b_iP_i^E+c_i(1)

其中，P_i^E为发电机的输出功率，等同于P_i^E(t)，P_i^E(t)为第i个发电机在第t时刻产生的功率，且满足a_i、b_i和c_i是常数，其值由机型等其他参数确定。因此，混合动力RTG系统中柴油发电机组在[0,TΔt]时间范围内电机产生的燃油消耗的形式为：

其中，E_ICE为发电机组燃油消耗的能量，P_i^Erated为发动机的额定输出功率，T为混合动力RTG系统的一个完整的运行周期，H为柴油热值。

步骤二、建立关于超级电容器组的数学模型。根据混合动力RTG系统处于馈电、再生制动和待机这三种状态时，相应的超级电容器组在混合动力RTG操作过程中分别需要给负载提供能量、吸收再生能量存储和发动机组给电容器组充电供能，得

其中，E_SC为电容器组产生的能量，P^C(t)为超级电容器组在t提供的功率同时也是系统返回到超级电容器组的功率或是超级电容器组给负载提供的功率，可正可负。即当系统处于馈电状态时，即电容器组给系统供能，此时P^C(t)＜0；当系统处于再生制动状态或待机状态时，即系统给电容器组充电，此时P^C(t)＞0。

步骤三、在建立柴油发电机组和超级电容器组的数学模型后，需要根据混合动力系统能量的关系建立非再生能量的数学模型。根据实际操作过程中，电容器组吸收的能量是有限的，因为整体系统能耗，非再生能量依旧会产生。为了减少非再生能量的产生，考虑发电机组与超级电容器组整体的能量供应和负载需求间的差值，得出的非再生能量成本函数如下：

其中，E_Non-re为非再生能量，P^L(t)为在t时刻负载的需求功率,在本发明中负载分布是已知的。

步骤四、根据发明目的列出目标函数：

J＝E_ICE+λ×E_SC+γ×E_Non-re(5)

其中，λ和γ是常数权重，表示总体能量消耗在电容器组和非再生能量的比例分配。

步骤五、根据列出的目标函数，限定各变量的约束条件，包括发电机组的约束、电容器组得约束和负载功率需求约束：

1)发电机组的约束：为了使柴油发电机保持一个较低的燃料消耗率，其由操作范围是有一定范围的，其功率限制为P_i^Emin≤P_i^E(k)≤P_i^Emax，其中P_i^Emin和P_i^Emax分别为第i个发动机输出的最小和最大功率。

2)电容器组的约束：根据工厂提供的超级电容器操作手册，为了维持超级电容器的寿命，因此可允许的充放电率范围为-P^Chmax≤P^C(k)≤P^DChmax，其中P^Chmax和P^DChmax分别是允许的最大充电和放电功率。

3)负载功率需求约束：要确保混合动力RTG系统能满足负载的功率需求，因此P^E(k)+P^C(k)≥P^d(k)。

步骤六、在给出了目标函数和约束条件之后，运用遗传算法求解关于成本的目标函数，从而得到超级电容混合动力RTG的柴油发电机组和超级电容器组的最优输出功率；具体步骤如下：

1)：个体编码，产生初始种群；在超级电容混合动力RTG系统的一个完整周期的负载需求上采样，采样点数n尽量服从负载需求曲线的均匀分布，将n个采样点对应的负载需求值带入步骤四的目标函数，得到关于发电机组功率和电容器组功率的n个变量的目标函数，同时根据步骤五的约束条件采用无符号二进制数对这n个变量进行基因编码，编码和解码程序相互转换，群体规模的大小取值为m，m在40-100之间取值，即群体由m个个体组成，每个个体通过随机方法产生；

2)：计算适应度；根据步骤四，关于混合动力RTG能量消耗目标函数取值非负，并且是以求函数的最小值为优化目标的，故直接利用目标函数值作为种群m个个体的适应度；

3)：判断是否满足优化准则；当带入混合动力RTG目标函数计算出来的适应度为非负即被认为是最佳个体，得出的结果为混合动力系统的发电机组最优输出功率和电容器组最优输出功率，并被认为优化后想要得到的结果；

4)：进行选择、交叉和变异运算；若不满足步骤3)中的优化准则，采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量，然后采用单点交叉的方法和基本的位变异方法进行运算；

5)：群体经过一代进化后再带入混合动力RTG能量管理系统的目标函数中计算适应度值，然后返回步骤3)继续进行。

本发明具有如下效果和优点：

1.本发明的混合动力RTG系统针对的是在考虑系统能耗和非再生能量情况下，超级电容RTG系统整体能耗最小时，可得出对应每个时刻的发电机组最优输出功率和电容器组最优输出功率；

2.本发明的超级电容RTG系统因为初始条件未知，所以用的是遗传算法。系统的成本函数参数还可以根据实际工程项目调整，同时若已知初始条件还可以应用别的优化算法来解决。

3.本发明考虑的系统条件更为充足，既考虑了系统产生的能耗又考虑了非再生能量的因素，比较符合实践生产应用。

附图说明

图1是本发明混合动力RTG系统结构图；

图2是本发明混合动力RTG系统功率组成分布图；

图3是本发明遗传算法流程图

具体实施方式

本发明在考虑系统能耗以及非再生能量的情况下，对整体的混合动力系统能量管理进行优化，得到系统整体能耗最小下的柴油发电机组和超级电容器组的最优输出功率。对此提出了一种基于遗传算法的超级电容RTG能量管理方法。根据所设计的混合动力系统结构框图，提出了考虑混合动力系统能耗和非再生能量因素下，通过柴油发电机组、超级电容器组和负载需求的特性参数建立混合动力RTG系统的数学模型，给出目标函数及约束条件，最后遗传优化算法对函数进行求解，得出发电机组和电容器组的最优输出功率。

首先建立混合动力RTG系统的数学模型。柴油发电机组和超级电容器组的数学模型可以由物理公式推导得出。非再生能量的数学模型结合混合动力RTG系统功率组成分布图，可以推导得出。负载需求分布在已知超级电容混合动力RTG一个完整的装卸重物流程情况下RTG结合特性参数可以分别计算得出各个操作时段的负载需求。

目标函数的设定是为了使超级电容RTG的混合动力能量系统一次完整的操作周期能耗最低化。这些成本主要包括柴油发电机组能量、超级电容器组能量和非再生能量消耗成本。

由于目标函数的初始条件未知，因此可使用遗传算法进行求解。该方法是由美国Michigan大学的Holland教授于1969年提出，后来又经De Jong、Goldberg等人归纳总结所形成的一类模拟进化算法，其本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。

本发明混合动力RTG系统结构框图，如图1所示。本发明的混合动力RTG系统包括柴油发电机组、超级电容器组和负载电机。其中，混合动力RTG的起升机构简化为负载电机M，柴油发电机组与整流器连接通过给DC(直流)母排给负载电机供能，超级电容器组与双向DC/DC变换器连接再并联到DC母排，当起升机构驱动负载上升时，超级电容器组用来提供峰值功率，当起升机构下降时，超级电容器组吸收再生功率储能。结合混合动力RTG系统功率组成分布图，如图2所示，可以推导出非再生能量与发电机组功率、电容器组功率以及负载功率的关系。功率分布组成包括柴油发电机组输出功率、超级电容器组的输出功率和负载需求功率，圆圈表示混合动力RTG系统能量关系节点，箭头表示能量的流向，发电机组输出功率和电容器组输出功率两者作为系统整体的输入能量，负载功率则是输出能量。因为非再生能量产生于系统整体输入和输出的能量差，即发电机组输出功率和电容器组输出功率两者整体与负载功率的差值，所以得出非再生能量与发电机组功率、电容器组功率以及负载功率的关系如步骤3的(3)式。

本发明基于遗传算法的超级电容RTG能量管理方法，包括以下步骤：

步骤一、首先建立关于柴油发电机组的数学模型。根据典型的柴油发电机燃料消耗曲线图可得柴油发电机的燃油消耗通常近似为与发电机功率相关的二次函数。

W_i^f＝a_i(P_i^E)²+b_iP_i^E+c_i(1)

其中，P_i^E为发电机的输出功率，等同于P_i^E(t)，P_i^E(t)为第i个发电机在第t时刻产生的功率，且满足a_i、b_i和c_i是常数，其值由机型等其他参数确定。因此，混合动力系统中柴油发电机组在[0,TΔt]时间范围内电机产生的燃油消耗的形式为：

其中，E_ICE为发电机组燃油消耗的能量，P_i^Erated为发动机的额定输出功率，T为混合动力RTG系统的一个完整的运行周期，H为柴油热值。

步骤二、建立关于超级电容器组的数学模型。根据混合动力RTG系统处于馈电、再生制动和待机这三种状态时，相应的超级电容器组在混合动力RTG操作过程中分别需要给负载提供能量、吸收再生能量存储和发动机组给电容器组充电供能，得

其中，E_SC为电容器组产生的能量，P^C(t)为超级电容器组在t提供的功率同时也是系统返回到超级电容器组的功率或是超级电容器组给负载提供的功率，可正可负。即当系统处于馈电状态时，即电容器组给系统供能，此时P^C(t)＜0；当系统处于再生制动状态或待机状态时，即系统给电容器组充电，此时P^C(t)＞0。

步骤三、在建立柴油发电机组和超级电容器组的数学模型后，需要根据混合动力系统能量的关系建立非再生能量的数学模型。根据实际操作过程中，电容器组吸收的能量是有限的，因为整体系统能耗，非再生能量依旧会产生。为了减少非再生能量的产生，考虑发电机组与电容器组整体的能量供应和负载需求间的差值，得出的非再生能量成本函数如下：

其中，E_Non-re为非再生能量，P^L(t)为在t时刻负载的需求功率,在本发明中负载分布是已知的。

步骤四、根据发明目的列出目标函数：

J＝E_ICE+λ×E_SC+γ×E_Non-re(5)

其中，λ和γ是常数权重，表示总体能量消耗在超级电容器组和非再生能量的比例分配。

步骤五、根据列出的目标函数，限定各变量的约束条件，包括发电机组的约束、超级电容器组得约束和负载功率需求约束：

1)发电机组的约束：为了使柴油发电机保持一个较低的燃料消耗率，其由操作范围是有一定范围的，其功率限制为P_i^Emin≤P_i^E(k)≤P_i^Emax，其中P_i^Emin和P_i^Emax分别为第i个发动机输出的最小和最大功率。

2)超级电容器组的约束：根据工厂提供的超级电容器操作手册，为了维持超级电容器的寿命，因此可允许的充放电率范围为-P^Chmax≤P^C(k)≤P^DChmax，其中P^Chmax和P^DChmax分别是允许的最大充电和放电功率。

3)负载功率需求约束：要确保混合动力RTG系统能满足负载的功率需求，因此P^E(k)+P^C(k)≥P^d(k)。

步骤六、在给出了目标函数和约束条件之后，运用遗传算法求解关于成本的目标函数，从而得到超级电容混合动力RTG的柴油发电机组和超级电容器组的最优输出功率；具体步骤参见图3，并如下给出：

1)：个体编码，产生初始种群；在超级电容混合动力RTG系统的一个完整周期的负载需求上采样，采样点数n尽量服从负载需求曲线的均匀分布，将n个采样点对应的负载需求值带入步骤四的目标函数，得到关于发电机组功率和电容器组功率的n个变量的目标函数，同时根据步骤五的约束条件采用无符号二进制数对这n个变量进行基因编码，编码和解码程序相互转换，群体规模的大小取值为m，m在40-100之间取值，即群体由m个个体组成，每个个体通过随机方法产生；

2)：计算适应度；根据步骤四，关于混合动力RTG能量消耗目标函数取值非负，并且是以求函数的最小值为优化目标的，故直接利用目标函数值作为种群m个个体的适应度；

3)：判断是否满足优化准则；当带入混合动力RTG目标函数计算出来的适应度为非负即被认为是最佳个体，得出的结果为混合动力系统的发电机组最优输出功率和电容器组最优输出功率，并被认为优化后想要得到的结果；

4)：进行选择、交叉和变异运算；若不满足步骤3)中的优化准则，采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量，然后采用单点交叉的方法和基本的位变异方法进行运算；

5)：群体经过一代进化后再带入混合动力RTG能量管理系统的目标函数中计算适应度值，然后返回步骤3)继续进行。