AI-enabled Decision-making for Sustainable and Autonomous Ship Power Systems Control and Operation
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3093882Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
- Institutt for marin teknikk [3397]
Beskrivelse
Full text not available
Sammendrag
Målet med dette studie var å lage en metodikk for å forbedre effektiviteten til et hybrid marinefartøys systemkonfigurasjon og operasjonsstrategi, samtidig som den nødvendige funksjonaliteten opprettholdes. Dette ble oppnådd ved å kombinere eksisterende systemer med maskinlæringsteknikker, og er oppnådd ved å bruke en datadrevet tilnærming.
Tilnærmingen innebåret å utvikle en K-NN maskinlæringsalgoritme for å klassifisere og identifisere operasjonsmodusen til et offshorefartøy, som ble brukt som en optimaliseringsvariabel. I tillegg ble forsterkningslæring (reinforcement learning) brukt til å forutsi kortsiktige operasjonsmetoder, for å sikre gunstig strømstyring. Metodikken ble designet for å gi praktiske og realistiske resultater.
Gjennom bruk av virkelige data ble en simuleringsbasert datadrevet tilnærming foreslått, sammen med et rammeverk for valg av operasjonelle strategier basert på driftsmodus. Det er også implementert metoder for virtuelle energilagrings-systemer for å oppnå best mulig resultater av effektivisering for et hybridfartøy.
Resultater fra simuleringen viste nøyaktig klassifisering av de aktuelle driftsmodusene og kortsiktige prediksjoner for å velge den mest fordelaktige operasjonsstrategien og strømstyringsoptimalisering. For å oppsummere tilbyr denne tilnærmingen et forslag på en løsning av systemsoptimalisering. The goal of this study was to create a methodology to enhance the efficiency of a hybrid marine vessel's system configuration and operational strategy while still maintaining the necessary functionality. This was achieved by combining existing systems with machine learning techniques using a data-driven approach.
The approach involved developing a K-NN machine learning algorithm to classify and identify the operational mode of an offshore vessel, which was used as an optimisation variable. In addition, reinforcement learning was utilised to predict short-term operational methods, ensuring optimal power management. The methodology was designed to provide practical and realistic outcomes.
Using real-world data, a simulation-based data-driven approach was proposed alongside a framework for selecting operational strategies based on the operating mode. Methods for virtual energy storage systems have also been implemented to achieve the best possible results for a hybrid vessel.
Results from the simulation showed accurate classification of the operational modes in question and short-term predictions in order to select the most advantageous operational strategy and, consequently, power management optimisation. Ultimately, this approach offers an efficient and effective solution.