论文1: A novel optimal energy-management strategy for a maritime hybrid energy system based on large-scale global optimization

摘要:在大型绿色船舶的混合能源系统中，采用了不同类型的能源来满足电力需求。必须开发最佳的能源管理模型和控制方法，以获得操作安全性和效率。在这项研究中，提出了海上光伏/电池/柴油/冷熨混合能源系统的最佳功率流分配，以充分利用太阳能并最大程度地降低船舶的电力成本。通过将约束（例如功率平衡，太阳能输出，柴油输出，电池容量和来自港口的法规）建模为罚函数，则最佳能源管理被描述为无约束的大规模全局优化问题，该问题可以提出的自适应多上下文协同协同进化粒子群算法可以有效地解决这一问题。通过对不同情况的仿真验证了所提出的方法。仿真结果表明，可以在节省大量电费和强大控制性能的情况下获得被评估系统的最佳能源管理。
优化目标为: P1,P2,P3,P4. P5为燃油发电机的功率,不进行优化.

在船上安装光伏系统时，还需要一定容量的电池组来存储冗余光伏输出。 因此，当光伏/电池船在航行中时，MHES(海上混合能源系统)由光伏阵列，电池组和车载柴油机组成。PV输出通常会实时最大化，并直接满足船舶的电力负载需求，多余的PV功率用于为电池充电。 如果光伏输出无法满足船舶的负载，则电池组或车载柴油机将弥补不足的功率。 电池组可以通过多余的PV电源或车载柴油进行充电，然后放电以为船上的负载提供动力。
上述MHES的示意图如图1（a）所示，其中箭头表示定向功率流。 P1和P2代表PV输出，用于为电池组充电并提供船上的负载。 P3代表电池放电功率，可为船上的负载提供动力。 P4和P5代表车载柴油机的输出，用于为电池组充电并提供船上的负载。
但是，当光伏/电池船在港口或锚地处于锚泊状态并且强制实施冷熨服务时，在上述潮流分配中必须考虑冷熨。 在这种情况下，MHES由光伏阵列，电池组，车载柴油机和冷熨烫组成。 原理图如图1（b）所示，其中P6和P7分别代表冷熨的功率流，用于为电池组充电和为船上的负载供电。

电池容量

η c 和 η d \eta_c和\eta_d ηc​和ηd​分别表示充电和放电效率

船上柴油发电机

柴油发电机的特征在于其燃料消耗和效率。 燃油消耗量 F d ( L / h ) F_d(L/h) Fd​(L/h)是一小时内发电所消耗的燃油量， 它取决于额定功率（ 或容量）和柴油发电机的输出。 在这项研究中， 车载柴油发电机的 每小时燃油消耗定义为

冷烫(省略)

Constraints and penalty functions

(1) SOC(state of charge) boundary constraint

(2) Diesel output constraint

其中 P 5 ( t ) P_5(t) P5​(t)表示用于补充由电池和PV提供能量的剩余负载需求. P 5 ( t ) = P L ( t ) − P 2 ( t ) − P 3 ( t ) P_5(t)=P_L(t)-P_2(t)-P_3(t) P5​(t)=PL​(t)−P2​(t)−P3​(t)
(3) SOC terminate sate constraints:
为了在连续的调度周期内最佳地分配潮流，在达到初始SOC值之前，不应使用电池组。 对于N小时的调度周期，可以将SOC终止状态约束公式为

(4) Port’s regulation constraint:
受港口环境保护法规的限制，有时限制使用船上柴油，以鼓励在港口或锚地锚固时使用冷熨服务。 具体来说，在整个旅馆期间，车载柴油所产生的功率应小于历史基准的特定比例:

(5) Power-flow boundary constraint:
功率流应为非负且小于其相应的最大允许值。 功率流边界约束的公式为:

(6) PV output constraints:
PV输出约束:PV输出的功率流不能超过光伏阵列实时最大输出功率。PV输出约束可以表示为:

论文2:Model predictive maneuvering control and energy management for all-electric autonomous ships

提出的方法的目的是通过保证有效的动力可用性，减少轨迹跟踪误差并提高燃油效率来确保船舶任务目标。在这方面，针对船舶运动控制，提出了一种基于输入-输出反馈线性化（IOFL）的模型预测控制（MPC）算法。通过该算法，可以预测船舶任务所需的功率，然后将其传输到建议的预测能量管理（PEM）算法，该算法确定任务期间不同船上能源之间的最佳分配。