Modeling of Energy Management System for Fully Autonomous Vessels with Hybrid Renewable Energy Systems Using Nonlinear Model Predictive Control via Grey Wolf Optimization Algorithm
Notice bibliographique
Résumé
This study presents a multi-objective predictive energy management system (EMS) for optimizing hybrid renewable energy systems (HRES) in autonomous marine vessels. The objective is to minimize fuel consumption and emissions while maximizing renewable energy usage and pure-electric sailing durations. The EMS combines nonlinear model predictive control (NMPC) with metaheuristic optimizers—Grey Wolf Optimization (GWO) and Genetic Algorithm (GA)—and is benchmarked against a conventional rule-based (RB) method. The HRES architecture comprises photovoltaic arrays, vertical-axis wind turbines (VAWTs), diesel engines, generators, and a battery storage system. A ship dynamics model was used to represent propulsion power under realistic sea conditions. Simulations were conducted using real-world operational and environmental datasets, with state prediction enhanced by an Extended Kalman Filter (EKF). Performance is evaluated using marine-relevant indicators—fuel consumption; emissions; battery state of charge (SOC); and emission cost—and validated using standard regression metrics. The NMPC-GWO algorithm consistently outperformed both NMPC-GA and RB approaches, achieving high prediction accuracy and greater energy efficiency. These results confirm the reliability and optimization capability of predictive EMS frameworks in reducing emissions and operational costs in autonomous maritime operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».