基于LSTM增强深度强化学习的氢能混合船舶推进系统通用性能量管理研究

本文提出了一种结合长短期记忆网络(LSTM)与深度强化学习(DRL)的创新性能量管理策略，通过数据增强技术提升氢能混合动力船舶在未知航行条件下的适应性。研究以"三峡氢舟1号"为案例，验证了LSTM-DDPG算法能显著降低燃料电池(FC)工作压力(5.82%)和氢耗(2.13%)，为船舶新能源系统提供了具有高泛化能力的智能控制方案。

　　

Highlight亮点

本研究创新性地将长短期记忆网络(LSTM)与深度强化学习(DRL)相结合，开发出具有卓越泛化能力的氢能混合船舶能量管理策略。通过数据增强技术有效解决了实际航行数据不确定性带来的挑战，使系统在未知条件下仍能保持优异性能。

Problem description问题描述

航行条件数据的不可预测性使得深度学习智能体难以平衡探索与利用的关系。这主要源于船舶航行动力学和传感器数据采集的不确定性。由于数据复杂性和信息不完整性，智能体对环境的理解和预测存在误差，导致其难以评估不同策略在未知条件下的表现。

Case ship案例船舶

本研究以"三峡氢舟1号"（图3(a)）为研究对象，该船采用燃料电池(FC)/锂电池混合动力系统。船舶配备两组燃料电池系统，每组包含4个氢燃料电池发电单元，单机额定功率70kW，最大设计总发电能力500kW。另配备两组锂电池组，每组额定容量903kWh，最大充放电功率可达...

Training performance comparative analysis训练性能对比分析

根据第2.2节设计的成本函数公式(4)，电池SOC的权重直接影响能量管理策略的成本函数。较大的w_fc会使智能体极力降低氢耗，而较大的w_Bat则会促使智能体维持电池健康状态，导致FC反复调整输出功率。这两个目标间始终存在一定冲突，因此需要...

Conclusions结论

本研究表明，能量管理策略的泛化性能体现在其对未知航行条件的适应能力上，具体表现为燃料电池运行压力和整体能耗的降低。该方法在DQN和DDPG算法中均得到验证，通过模型在环(MiLs)方法比较原始DQN、LSTM-DQN、原始DDPG和LSTM-DDPG的训练表现、FC运行压力、氢耗量及95%置信区间...