Volume 15 Issue 6
Dec.  2020
Turn off MathJax
Article Contents

PANG S, YANG C P, LIU R L, et al. Multi-objective optimization method of energy storage system capacity allocation for marine microgrid lithium battery[J]. Chinese Journal of Ship Research, 2020, 15(6): 22–28 doi:  10.19693/j.issn.1673-3185.01769
Citation: PANG S, YANG C P, LIU R L, et al. Multi-objective optimization method of energy storage system capacity allocation for marine microgrid lithium battery[J]. Chinese Journal of Ship Research, 2020, 15(6): 22–28 doi:  10.19693/j.issn.1673-3185.01769

Multi-objective optimization method of energy storage system capacity allocation for marine microgrid lithium battery

doi: 10.19693/j.issn.1673-3185.01769
  • Received Date: 2019-09-11
  • Rev Recd Date: 2020-01-06
  • Available Online: 2020-03-30
  • Publish Date: 2020-12-30
  •   Objective   This study proposes a multi-objective optimization method for the capacity allocation of a lithium battery energy storage system (ESS) in a ship's microgrid to smooth the power fluctuation of the microgrid for ship power generation.   Method  First, an optimization design model is established with the objective functions of ESS cost, smoothing power fluctuations, energy balance. A multi-objective differential evolutionary algorithm based on decomposition (MOEA/D-DE) is then designed for the optimization model. Taking a dual-fuel (diesel-natural gas) microgrid of electric propulsion ship as the object, the Matlab program is used to implement the algorithm and obtain the optimal solution set, and multi-attribute decisions are made according to the different weight distributions of the sub-objective function.  Results  The results of the five schemes obtained by the simulation all meet the goal of smoothing power fluctuations. The cost and ESS life loss targets are significantly affected by weight allocation, and the expected results are obtained.  Conclusion  This design method has reference significance for the capacity allocation of ESS of marine lithium battery.
  • 宫宇龙, 陈旭, 陈振东, 等. 论绿色航运双燃料电力推动船舶的发展[J]. 中国水运, 2013, 13(3): 7, 9.

    GONG Y L, CHEN X, CHEN Z D, et al. On the development of dual-fuel electric power for green shipping[J]. China Water Transport, 2013, 13(3): 7, 9 (in Chinese).
    BØ T I, VAKTSKJOLD E, PEDERSEN E, et al. Model predictive control of marine power plants with gas engines and battery[J]. IEEE Access, 2019, 7: 15706–15721. doi:  10.1109/ACCESS.2019.2895163
    KANELLOS F D. Optimal power management with GHG emissions limitation in all-electric ship power systems comprising energy storage systems[J]. IEEE Transactions on Power Systems, 2014, 29(1): 330–339. doi:  10.1109/TPWRS.2013.2280064
    陈晨, 王锡淮, 冯昊, 等. 锂电池/超级电容器在电力推进船舶中的应用[J]. 船舶工程, 2016, 38(增刊 2): 186–190.

    CHEN C, WANG X H, FENG H, et al. Application of Li-battery and super capacitor in electric propulsion ship[J]. Ship Engineering, 2016, 38(Supp 2): 186–190 (in Chinese).
    杨祥国, 孙盼, 杨诚, 等. 电力推进船舶复合储能装置容量多目标优化[J]. 中国航海, 2018, 41(2): 9–14, 62. doi:  10.3969/j.issn.1000-4653.2018.02.003

    YANG X G, SUN P, YANG C, et al. Multi-objective optimization of capacity of hybrid energy storage device for ship electric propulsion system[J]. Navigation of China, 2018, 41(2): 9–14, 62 (in Chinese). doi:  10.3969/j.issn.1000-4653.2018.02.003
    BOVERI A, SILVESTRO F, MOLINAS M, et al. Optimal sizing of energy storage systems for shipboard applications[J]. IEEE Transactions on Energy Conversion, 2019, 34(2): 801–811. doi:  10.1109/TEC.2018.2882147
    王凌宇. 船舶电力推进储能控制策略与容量配置研究[D]. 哈尔滨: 哈尔滨工程大学, 2018.

    WANG L Y. Research of energy storage control strategy and capacity allocation of ship electric propulsion[D]. Harbin: Harbin Engineering University, 2018 (in Chinese).
    廖卫强, 俞万能, 张认成. 基于能量实时协调控制的船舶微电网电源优化配置[J]. 中国造船, 2017, 58(4): 191–202. doi:  10.3969/j.issn.1000-4882.2017.04.022

    LIAO W Q, YU W N, ZHANG R C. Optimal sizing study of marine micro-grid power based on real time coordinated control of energy[J]. Shipbuilding of China, 2017, 58(4): 191–202 (in Chinese). doi:  10.3969/j.issn.1000-4882.2017.04.022
    FANG S D, XU Y, LI Z M, et al. Two-step multi-objective management of hybrid energy storage system in all-electric ship microgrids[J]. IEEE Transactions on Vehicular Technology, 2019, 68(4): 3361–3373. doi:  10.1109/TVT.2019.2898461
    杨祥国, 杨诚, 陈辉, 等. 船舶电力推进系统复合储能装置的设计[J]. 武汉理工大学学报(交通科学与工程版), 2016, 40(5): 854–858.

    YANG X G, YANG C, CHEN H, et al. Design of complex energy storage device for marine electric propulsion system[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2016, 40(5): 854–858 (in Chinese).
    靳雯皓, 刘继春. 平滑风电功率波动的混合储能系统容量优化配置[J]. 分布式能源, 2017, 2(2): 32–38.

    JIN W H, LIU J C. Capacity optimization configuration of hybrid energy storage system for smoothing wind power fluctuation[J]. Distributed Energy, 2017, 2(2): 32–38 (in Chinese).
    徐斌. 基于差分进化算法的多目标优化方法研究及其应用[D]. 上海: 华东理工大学, 2013.

    XU B. Research and application of multi-objective optimization algorithms based on differential evolution[D]. Shanghai: East China University of Science and Technology, 2013 (in Chinese).
    田红军, 汪镭, 吴启迪. 基于多目标进化算法混合框架的MOEA/D算法[J]. 系统仿真学报, 2018. [2020-02-26]. http://kns.cnki.net/kcms/detail/11.3092.V.20180904.1459.042.html.

    TIAN H J, WANG L, WU Q D. MOEA/D algorithm based on multi-objective evolutionary algorithm hybrid framework[J]. Journal of System Simulation, 2018. [2020-02-26]. http://kns.cnki.net/kcms/detail/11.3092.V.20180904.1459.042.html. (in Chinese).
    吴志良. 船舶电站及其自动化系统[M]. 大连: 大连海事大学出版社, 2010.

    WU Z L. Ship power station and its automation system[M]. Dalian: Dalian Maritime University Press, 2010 (in Chinese).
  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(5)  / Tables(3)

Article Metrics

Article views(42) PDF downloads(4) Cited by()

Proportional views
Related

Multi-objective optimization method of energy storage system capacity allocation for marine microgrid lithium battery

doi: 10.19693/j.issn.1673-3185.01769

Abstract:   Objective   This study proposes a multi-objective optimization method for the capacity allocation of a lithium battery energy storage system (ESS) in a ship's microgrid to smooth the power fluctuation of the microgrid for ship power generation.   Method  First, an optimization design model is established with the objective functions of ESS cost, smoothing power fluctuations, energy balance. A multi-objective differential evolutionary algorithm based on decomposition (MOEA/D-DE) is then designed for the optimization model. Taking a dual-fuel (diesel-natural gas) microgrid of electric propulsion ship as the object, the Matlab program is used to implement the algorithm and obtain the optimal solution set, and multi-attribute decisions are made according to the different weight distributions of the sub-objective function.  Results  The results of the five schemes obtained by the simulation all meet the goal of smoothing power fluctuations. The cost and ESS life loss targets are significantly affected by weight allocation, and the expected results are obtained.  Conclusion  This design method has reference significance for the capacity allocation of ESS of marine lithium battery.

PANG S, YANG C P, LIU R L, et al. Multi-objective optimization method of energy storage system capacity allocation for marine microgrid lithium battery[J]. Chinese Journal of Ship Research, 2020, 15(6): 22–28 doi:  10.19693/j.issn.1673-3185.01769
Citation: PANG S, YANG C P, LIU R L, et al. Multi-objective optimization method of energy storage system capacity allocation for marine microgrid lithium battery[J]. Chinese Journal of Ship Research, 2020, 15(6): 22–28 doi:  10.19693/j.issn.1673-3185.01769
    • 在船舶运输业能源消耗和污染排放受到世界各国重视的背景下,研究低能耗、低排放的绿色船舶已经已成为船舶行业的发展趋势。为降低排放,柴油−天然气双燃料发电机组逐渐应用到了电力推进船舶中[1]。但是,在船舶电力负荷波动较大的情况下,奥托循环双燃料发动机在燃气模式下的液化天然气(LNG)—空气混合比难以得到精确控制,输出功率变化也较缓慢[2],从而有可能降低船舶微电网运行的稳定性。全电力推进船舶配置储能系统(ESS)是解决上述问题的有效措施之一。锂离子电池ESS已在一些类型的船舶上得到应用,例如平台支援船、渡轮、拖轮、高速客轮和观光船等[3]。锂电池ESS在船舶微电网中的作用包括:功率波动平抑、增强动态性能以及降低排放等[4]

      储能系统(energy storage system, ESS)的配置对于船舶运行的安全性、稳定性、经济性和环境成本等方面会带来影响。目前,国内外已有相关文献对蓄电池容量配置进行了研究。杨祥国等[5]以某耙吸式电力推进挖泥船为对象,采用自适应惯性权重粒子群算法与适应度值离差排序法相结合的方法,对复合储能装置的多目标优化配置进行了计算;Boveri等[6]研究了电力推进船舶ESS容量优化配置和控制策略设计的方法,以海洋平台支持船和渡船为例,通过仿真验证了所提方法的实用性;王凌宇[7]针对电力推进船舶混合储能装置进行了仿真及控制策略设计,采用自适应粒子群算法进行容量优化配置计算,并进行了系统典型故障仿真分析;廖卫强等[8]以风、光、柴、储等能源混合的船舶微电网为对象,设计了两种控制策略,建立电源优化模型,采用NSGA-Ⅱ算法求解电源容量配置,仿真验证了优化模型的实用性、科学性;Fang等[9]提出电力推进船舶微电网的混合储能优化配置和能量优化控制策略方法,仿真验证了方法的科学性。以上研究多以柴油发电机组为主电源的船舶微电网或多种能源混合的船舶微电网为研究对象,以提高船舶运营能效为目标,没有涉及船舶双燃料发电微电网的波动平抑问题的研究。

      本文将对采用双燃料发电机组的某电力推进船舶微电网系统,首先,建立包括船舶ESS成本、系统功率波动平抑、ESS寿命这3 个目标的优化模型,对磷酸铁锂电池储能装机容量进行优化设计。然后,采用基于分解的多目标差分进化算法(MOEA/D-DE)进行求解,再采用逼近理想解排序法(TOPSIS)计算不同权重分配下的最优解,用以为混合动力船舶的设计和船舶配置ESS的改装等提供参考。

    • 配置磷酸铁锂电池(以下称锂电池) ESS的目的是实现功率波动平抑,同时兼顾成本和系统使用寿命,所以将ESS成本、功率波动平抑、电池寿命日损耗作为目标函数。优化ESS容量时,不仅需要保证船舶微电网和锂电池运行稳定,还要尽可能降低锂电池的寿命损耗,因而加入了相关约束条件。

    • 1) ESS成本目标。ESS的成本包括:初始投资费用和设备维护费用。成本目标函数为

      $${f_1} = {c{\rm{_b}} } + {c{\rm{_m}}}$$ (1)

      式中,cbcm分别为初始投资费用和设备维护费用,并与锂电池的额定功率Pb和额定容量Eb有关:

      $$\left\{ \begin{array}{l} {c{\rm{_b}} } = {a_1}{P\rm{_b}} + {a_2}{E\rm{_b}} \\ {c_{\rm{m}}} = {b_1}{P\rm{_b}} + {b_2}{E\rm{_b}} \\ \end{array} \right.$$ (2)

      式中:a1a2分别为锂电池的初装功率费用系数和初装容量费用系数;b1b2分别为锂电池的维护功率费用系数和维护容量费用系数。此处,为简化表达,式(2)中常数项系数包含了电池配套的变频器、变压器等设备的成本。

      2) 发电机功率波动平抑目标。船舶在运行中,会受到风、浪、流等环境因素的影响,螺旋桨的阻力会发生变化。同时,船舶上会有较多的大功率用电设备,其启停操作会导致电力负载突变,由此会导致船舶电网负荷波动较大,导致发电机运行状态偏离经济的最佳工况,并且还可能降低系统的平稳和安全系数[10]。这里,采用平抑后的发电机功率变化差的平方和,来表征储能装置对负载功率波动的平抑效果,并建立目标函数如下:

      $${f_2} = \sum\limits_{i = {t_1}}^{{t_2}} {(P_{{\rm{g}} ,i}^{'} - P_{{\rm{g}} ,i - 1}^{'}} {)^2}$$ (3)

      式中,t1t2分别为采集数据启末时间点;$ {P}_{{\rm{g}},i}^{'}$为第i时间段储能装置补偿后的发电机发出功率;

      $$P_{{\rm{g}},i}^{'} = {P_{{\rm{g}},i}} - {P_{{\rm{b}},i}}$$ (4)

      式中,Pg,i为第i时间段的发电机实际发出功率(没有储能装置补偿);Pb,i为第i时间段内锂电池储能装置输出功率。此处设定锂电池输出功率放电为正、充电为负,其额定输出功率是额定功率与充放电效率的乘积。

      3) 锂电池寿命损耗目标。电池的寿命与实际的放电深度(depth of discharge, DOD)和环境温度等息息相关,假设锂电池在25 ℃环境温度下运行DOD=0.6时,充放电次数C≈5 000次[11]。利用锂电池一天的输出功率总量与Eb的比值来评估锂电池的充放电次数:

      $$C = \frac{{\int {{P_{{\rm{b}},i}}{\rm{d}}t} }}{{{E{\rm{_b}}}}}$$ (5)

      假设锂电池充放电次数为5 000次,以一天内的锂电池充放电次数与总充放电次数的比值衡量电池寿命损耗,即电池寿命损耗目标函数为

      $${f_3} = \frac{C}{{5\ 000}}$$ (6)
    • 1) 能量约束。储能装置的容量直接影响船舶微电网的供需平衡,若电池容量不足,会导致平抑效果不佳、发电机能量浪费等现象,从而降低船舶微电网的可靠性、经济性。因此,电池的容量需要满足船舶微电网功率波动平抑的最大需求。

      $${{E}_{\rm{_b}}}\cdot DOD\cdot {{\eta }_{\rm{_d}}} \geqslant \Delta {{E}_{\max }}$$ (7)

      式中:∆Emax为船舶电力系统功率平抑最大需求电池放电能量变化量;ηd为电池的放电效率。

      2) 瞬时功率平衡约束。船舶运行中电力推进系统在任意时刻的功率须保持平衡状态,并由如下平衡方程表示为

      $$P_{{\rm{g}},i}^{'} + {P_{{\rm{b}},i}} = {P_{{\rm{t}},i}}$$ (8)

      式中,${P_{{\rm{t}},i}}$为第i时间段船舶总负荷需求功率。

      3) 锂电池荷电状态(SOC)约束。电池的过充、过放都会导致寿命缩短、维护成本增加。在锂电池运行中荷电状态的上、下限不是1和0,需要根据锂电池的性能施加上、下限约束。约束方程为

      $${{SOC}_{\min }} \leqslant {{SOC}_i} \leqslant {{SOC}_{\max }}$$ (9)

      式中,SOC maxSOCmin分别为锂电池荷电状态的上限和下限。

    • 基于上述分析和假设,得到储能装置容量多目标优化的目标函数和约束条件,建立如下多目标优化数学模型。

      $$ f = \left\{ \begin{aligned} & \min {f_1} = {c{\rm{_b}}} + {c{\rm{_m}}} \\ & \min {f_2} = \sum\limits_{i = {t_1}}^{{t_2}} {(P_{{\rm{g}},i}^{'} }-{ P_{{{\rm{g}},i - 1}}^{'}} ){^2} \\ & \min {f_3} = \frac{C}{{5\ 000}} \\ \end{aligned} \right. $$ (10)
      $$ {\rm s.t.}\left\{ \begin{array}{l} {{E}_{{\rm{b}}}}\cdot {DOD}\cdot {{\eta }_{{\rm{d}}}} \geqslant \Delta {{E}_{\max }} \\ {{P}_{{\rm{g}},i}}+{{P}_{{\rm{b}},i}}={{P}_{{\rm{t}},i}} \\ {{SOC}_{\min }} \leqslant {{SOC}_{i}} \leqslant {{SOC}_{\max }} \\ \end{array} \right. $$ (11)
    • 根据建立的优化模型,储能容量配置的优化目标是将成本、功率波动和寿命损耗达到最小,但这3个子目标之间是相互牵制的。例如为降低储能装置的成本而选用较低的额定容量和额定功率,这势必会增加锂电池的损耗和船舶微电网的功率波动。因此,多目标优化问题拥有多个互相矛盾且互不兼容的最优化目标,不能同时得到所有目标的最优解,只能根据实际需求求取折中最优解,可见目标优化问题复杂度较高[12]

      本文采用的是MOEA/D-DE和TOPSIS相结合的方法对储能容量配置进行多目标寻优。MOEA/D(基于分解的多目标进化算法)是张青富教授和李辉博士首先提出的,该方法将多目标问题通过分解的思想转换为若干个单目标优化问题同时进行优化求解,引入了“邻域”的概念,使种群中的各个个体都以“小团体”的方式相互协同进化。这样的进化方式降低了算法的时间复杂度,也提高了解的精度[13],采用差分进化的变异和交叉方式可以提高运算速度。TOPSIS的基本思想是根据有限个评价对象与理想化目标的接近程度进行排序,通过多属性决策选出最逼近理想解的方案。

      算法流程分为两大部分。第1部分以MOEA/D-DE进行求解,步骤如下:

      1) 将锂电池的额定容量和额定功率作为个体的变量,设置算法参数(种群大小N,每个邻域中的权重向量数T,变异算子F和交叉算子CR,最大进化代数G),生成随机种群向量;

      2) 计算每个个体的适应度值,在本文中对应的是成本、功率波动平抑和寿命损耗3个子目标函数值,其值越小说明电池的整体效益越高,因此适应度值最小的将作为初始的参考点;

      3) 进入迭代,按照式(12)和式(13)对种群进行变异、交叉操作,并根据锂电池数学模型的约束条件对种群向量进行限制,修复不在可行域的向量,得到变异的新种群,然后按照式(14)切比雪夫法进行聚合。

      $$ {{v}_{g+1}}={{x}_{g,a}}+{F}\cdot \left( {{x}_{g,b}}-{{x}_{g,c}} \right) $$ (12)

      式中:vg+1为变异得到的变异个体;xg,a,xg,b,xg,c为当前种群中的随机个体;g为当前进化代数;a,b,c$ \in ${1,2,…,N},且abcg

      $$ {u_{g + 1,j}} = \left\{ \begin{array}{l} {v_{g + 1,j}};\ {\rm if\;rand}\left( {0,1} \right) < CR;\ {i_{\rm{rand}}} = j\\ {x_{g,j}}\;\;\;\;;\ {\rm if\;other} \end{array} \right. $$ (13)

      式中,ug+1,j为交叉后得到的新种群中的个体;j为[1,N]内随机选择的整数,j =1,2,…,N ,它确保了新个体至少有一个分量是由变异向量提供的。

      $$\left\{ \begin{array}{l} \min {g^{ts}}({ x}|{ \lambda} ,{ z}^*) = \mathop {\max }\limits_{1 \leqslant i \leqslant m} \left\{ {{\lambda _i}|{f_i}(x) - {z_i}^*} \right\} \\ {\rm s.t.}\;\mathop {}\limits^{}\mathop {}\limits^{} { x} \in \varOmega \\ \end{array} \right.$$ (14)

      式中:gts为目标函数;x$\;\in\; $ΩΩ为可行解空间;$ { z^*} = {\left( {z_1^*, \ldots ,z_i^*} \right)^{\rm T}}$为参考点,对每一个i=1,…,m,有$ {\rm{min}}\left\{ {{f_i}\left( x \right)|x \in {\rm{\varOmega }}} \right\}$;对于每一组权重值向量λ都对应存在一个x*为上式的一个Pareto最优解,同时,多目标优化问题的全部解也是每一个目标的解。

      4) 计算新种群的聚合函数的适应度值,采用贪婪机制选取更优个体,更新邻域解,当达到最大迭代次数后输出Pareto前沿(Pareto frontiers)。

      第2部分流程使用TOPSIS进行多属性决策。多目标优化问题无法同时得出所有目标的最优解,只能求取折中解,前面计算出的Pareto前沿就是满足电力推进船舶微电网储能容量最优折中解的集合。因此,本文将储能容量优化配置问题分解为多个解决方案,每种解决方案对目标函数分配不同的权重值,再从折中解集合中使用TOPSIS计算相应权重分配方案下的最优解。

      1) 输入Pareto前沿点,构建储能容量优化多目标评价指标矩阵S

      $${{S}} = \left[ {\begin{array}{*{20}{c}} {{f_{11}}}& \ldots &{{f_{1j}}} \\ \vdots & \ddots & \vdots \\ {{f_{i1}}}& \cdots &{{f_{ij}}} \end{array}} \right]$$ (15)

      式中,f11,···, fij为Pareto前沿点的坐标值;j=1,2,···,n,为得到的前沿点数。

      2) 按式(16)对矩阵S进行规范化处理。

      $${r_{ij}} = \frac{{{f_{ij}}}}{{\sqrt {\displaystyle\sum\limits_{i = 1}^3 {f_{ij}^2} } }}$$ (16)

      3) 计算权重规范化值,为目标函数分配权重,建立关于权重规范化值的权重规范化矩阵。

      $${v_{ij}} = {w_i}{r_{ij}}$$ (17)

      式中,wi为第i个目标的权重。

      4) 根据权重规范化值来获取单目标最优解,确定正理想解S+和负理想解S-。按照式(18)和式(19)计算每个目标到正理想解和负理想解的欧氏距离。目标到正理想解的距离为d +,目标到负理想解的距离为d

      $${d^ + } = \sqrt {\sum\limits_{i = 1}^3 {{{({v_{ij}} - v_i^ + )}^2}} } $$ (18)
      $${d^ - } = \sqrt {\sum\limits_{i = 1}^3 {{{({v_{ij}} - v_i^ - )}^2}} } $$ (19)

      5) 按式(20)计算理想解的贴近度Cj*,根据Cj*的大小进行排序,Cj*越大,说明该理想解距离正理想解越近,目标越优。

      $$C_j^* = \frac{{d_j^ - }}{{d_j^ + + d_j^ - }}$$ (20)

      输出不同权重分配下的最优解,再结合实际情况选择最佳方案,求得最佳储能容量优化方案下的电池额定容量及额定功率。

      方法流程如图1所示。

      Figure 1.  Flowchart of ship energy storage capacity allocation method

    • 本文以某电力推进船舶微电网为实例,共有3台发电机组(MDG),发电原动机有2种型号:2台Wärtsila 9L34DF中速双燃料发动机,1台Wärtsila 6L34DF中速双燃料发动机。发电机组额定功率分别为3 890和2 590 kW。船舶航行期间发电原动机工作在燃气模式。本文不考虑船舶进出港工况(发电原动机工作在燃油模式)。

      电力推进船舶微电网结构如图2所示。

      Figure 2.  Microgrid structure of electric propulsion ships

      锂电池相关参数如表1所示。

      参数数值
      功率成本系数/元2 700
      容量成本系数/元640
      运维成本系数/元0.05
      充放电效率/%93
      荷电状态上限/%80
      荷电状态下限/%20

      Table 1.  Basic parameters of lithium battery

      由于配置锂电池储能系统容量需要考虑船舶功率波动平抑最大需求,所以选择船舶在风浪较大环境航行时的负荷数据。从实例对象2019年4月15日~2019年4月20日自海南洋浦至天津航次的历史数据中提取负荷波动较大的24 h数据作为优化计算数据。负荷波动情况如图3所示。

      Figure 3.  Ship load

    • 船舶发电机组发出功率为额定功率的80%左右时,发电机组经济性最高[14],假设平抑后船舶电网功率稳定为额定功率的80%。本文使用Matlab编程实现电力推进船舶锂电池储能容量多目标优化算法。算法参数设置:目标函数个数i=3;自变量个数V=2;邻域中权重向量个数T=20;变异算子F=0.5;交叉算子CR=0.3,最大进化代数G=200。

      优化计算首先得到Pareto前沿(图4)。得到的Pareto前沿点都是电力推进船舶微电网储能容量的可行解。由图可以看出,储能系统的费用越高,一个工作日对锂电池寿命的影响就越低,Pareto前沿点全部都落在波动平抑目标为0的平面上,表明求出的解全部满足功率波动平抑目标,此时即能确定锂电池的额定功率值,所以子目标函数在后续求取折中解时f2可以忽略,后面的分析只考虑f1f3

      Figure 4.  Pareto frontiers

      得到的Pareto最优可行解集需要按照实际条件和设计需求等进行进一步分析,选取最佳容量配置方案。分别给f1f3这2个子目标分配不同的权重值,采用TOPSIS方法进行多属性决策。权重值分配如表2所示。

      按照表2中的权重分配进行多属性决策,用符号@nn=1,2,···,5)表示5种权重分配方案的决策点。决策方案如图5所示,由图可以得出3个子目标的不同权重分配对决策的影响。

      方案f1权重值f3权重值
      10.80.2
      20.60.4
      30.50.5
      40.40.6
      50.20.8

      Table 2.  Weight allocation schemes

      Figure 5.  Decision schemes

      以方案1~方案5的解进行分析,5种方案的容量配置和各子目标函数值如表3所示。

      方案锂电池
      额定功率/kW
      锂电池
      额定容量/(kW·h)
      目标
      函数f1
      目标
      函数f3
      12291 505.42.001×1069.001×10−4
      22291 626.42.098 9×1068.331×10−4
      32291 720.02.174 7×1067.878×10−4
      42291 874.72.3×1067.228×10−4
      52292 544.72.842 4×1065.325×10−4

      Table 3.  Optimal solutions and sub-objective function values of each weight schemes

      综合表2表3可看出,优化得到的锂电池额定功率都为229 kW,这是因为子目标函数f2和功率平衡约束条件共同作用的结果。子目标函数f1f3权重大小作用明显,在满足功率平衡约束的前提下,锂电池的额定功率越小,成本越低。锂电池的额定容量越大,寿命损耗越低,但是总体成本会增加。船舶设计者可以根据实际情况分配权重来进行锂电池ESS的容量选择。

    • 本文建立了电力推进船舶锂电池储能系统容量多目标优化配置模型,提出MOEA/D-DE算法进行优化求解,并用TOPSIS方法进行多属性决策,得出不同权重分配下的最优锂电池容量配置。仿真结果表明,提出的方法能根据实船能效运营需求和经济条件等计算出最优锂电池容量,为船舶ESS设计提供参考。后续可进一步进行电力推进船舶储能微电网的优化控制策略研究。

Reference (14)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return