Data-Driven Evolutionary Game-Based Model Predictive Control for Hybrid Renewable Energy Dispatch in Autonomous Ships
作者: Yaoze Liu, Zhen Tian, Jinming Yang, Zhihao Lin
分类: eess.SY
发布日期: 2025-04-20
备注: This paper has been accepted by the 2025 4th International Conference on New Energy System and Power Engineering (NESP 2025)
💡 一句话要点
提出基于数据驱动的演化博弈模型预测控制，用于自治船舶混合可再生能源调度
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 演化博弈 模型预测控制 混合可再生能源 自治船舶 能量调度
📋 核心要点
- 现有方法难以应对自治船舶混合可再生能源系统在可再生能源发电不确定性和动态能源需求下的优化调度问题。
- 论文提出一种数据驱动的演化博弈模型预测控制（EG-MPC）框架，通过演化博弈动态实现自适应和接近最优的控制。
- 仿真结果表明，该方法在成本效益、可靠性和自适应性方面优于传统方法，尤其是在不确定性条件下。
📝 摘要（中文）
本文提出了一种数据驱动的演化博弈模型预测控制（EG-MPC）框架，用于自治船舶的混合可再生能源系统的能量调度。该系统集成了太阳能光伏和风力涡轮机发电与电池储能和柴油备用电源，以确保可靠运行。鉴于可再生能源发电的不确定性和动态能源需求，一种最优的调度策略对于最小化运营成本同时保持系统可靠性至关重要。为了应对这些挑战，我们构建了一个成本最小化问题，该问题同时考虑了电池退化成本和柴油燃料费用，并利用真实世界的数据来提高建模精度。EG-MPC方法将演化博弈动态集成到后退 horizon 优化框架中，从而实现实时自适应和接近最优的控制解决方案。基于特定地点数据的仿真结果表明，所提出的方法实现了具有成本效益、可靠和自适应的能量调度，优于传统的基于规则和标准MPC方法，尤其是在不确定性下。
🔬 方法详解
问题定义：论文旨在解决自治船舶混合可再生能源系统中的能量优化调度问题。现有方法，如传统的规则控制和标准模型预测控制（MPC），难以有效应对可再生能源发电的不确定性和动态能源需求，导致运营成本较高且系统可靠性不足。此外，电池的退化成本和柴油燃料费用也需要被纳入考虑，以实现更全面的成本优化。
核心思路：论文的核心思路是将演化博弈理论融入到模型预测控制框架中。通过演化博弈，系统能够根据实时的可再生能源发电情况和能源需求，自适应地调整能量调度策略，从而在成本和可靠性之间取得平衡。这种方法能够更好地应对不确定性，并实现接近最优的控制效果。
技术框架：EG-MPC框架主要包含以下几个模块：1) 数据驱动的系统建模：利用历史数据建立可再生能源发电、电池储能和柴油发电机的模型。2) 演化博弈模型：将能量调度问题建模为一个演化博弈，其中不同的能量调度策略代表不同的博弈参与者。3) 模型预测控制：在每个时间步，利用模型预测未来一段时间内的系统状态，并根据演化博弈的结果，选择最优的能量调度策略。4) 后退 horizon 优化：重复上述步骤，实现滚动优化。
关键创新：该方法最重要的技术创新点在于将演化博弈理论与模型预测控制相结合。与传统的MPC方法相比，EG-MPC能够更好地处理不确定性，并实现自适应的能量调度。演化博弈动态使得系统能够根据实时的环境变化，动态调整调度策略，从而提高系统的鲁棒性和适应性。
关键设计：在演化博弈模型中，需要定义博弈参与者的策略空间、收益函数和演化规则。策略空间代表不同的能量调度策略，收益函数代表不同策略的成本，演化规则决定了策略的演化方向。此外，在模型预测控制中，需要选择合适的预测 horizon 和控制步长，以及合适的优化算法来求解最优控制策略。成本函数需要综合考虑电池退化成本和柴油燃料费用。
🖼️ 关键图片
📊 实验亮点
仿真结果表明，所提出的EG-MPC方法在成本效益、可靠性和自适应性方面优于传统的基于规则和标准MPC方法。具体而言，EG-MPC方法能够显著降低运营成本，并提高系统的可靠性，尤其是在可再生能源发电存在不确定性的情况下。具体的性能提升数据在论文中进行了详细展示，证明了该方法的有效性。
🎯 应用场景
该研究成果可广泛应用于自治船舶、微电网等混合可再生能源系统的能量优化调度。通过降低运营成本、提高系统可靠性和减少对化石燃料的依赖，该方法有助于推动绿色航运和可持续能源发展。未来，该方法还可扩展到其他领域，如智能楼宇、工业园区等，实现更高效、更环保的能源管理。
📄 摘要（原文）
In this paper, we propose a data-driven Evolutionary Game-Based Model Predictive Control (EG-MPC) framework for the energy dispatch of a hybrid renewable energy system powering an autonomous ship. The system integrates solar photovoltaic and wind turbine generation with battery energy storage and diesel backup power to ensure reliable operation. Given the uncertainties in renewable generation and dynamic energy demands, an optimal dispatch strategy is crucial to minimize operational costs while maintaining system reliability. To address these challenges, we formulate a cost minimization problem that considers both battery degradation costs and diesel fuel expenses, leveraging real-world data to enhance modeling accuracy. The EG-MPC approach integrates evolutionary game dynamics within a receding-horizon optimization framework, enabling adaptive and near-optimal control solutions in real time. Simulation results based on site-specific data demonstrate that the proposed method achieves cost-effective, reliable, and adaptive energy dispatch, outperforming conventional rule-based and standard MPC approaches, particularly under uncertainty.