Towards Optimal Unit Commitment of Future Ship Energy Systems

Abstract

The maritime sector is currently undergoing a monumental energy transition. The international maritime organization has set a goal for reducing ship-borne antrophogenic greenhouse gas emissions by 50 % by 2050 compared to the emission levels in 2008. To reach this goal, significant advancements must be made in the way the existing tonnage is operated, new energy efficient technologies must be adopted and old technologies need to be enhanced. In this dissertation, state-of-the-art methodologies for ship energy system unit commitment and speed profile optimization are studied and developed. Efficient unit commitment of a ship's energy system is crucially important to minimize operational costs and greenhouse gas emissions. However, developing an effective commitment logic is difficult due to the complex nature of such systems. This leads to the primary research problem of this dissertation: "How to achieve real-time and optimal unit commitment control a ship's energy system of arbitrary complexity?". Novel methods based on machine learning and mathematical optimization are proposed for this task. Both of these methods are developed and their performance tested based on real operational ship data. The method based on machine learning leveraged reinforcement learning to produce a unit commitment method that learned to control the energy system by itself. The benefit of such an approach is the dynamic nature of learning, where the controller can automatically evolve in accordance to a changing environment. In addition, the trial-and-error based learning phase can reveal surprisingly effective control sequences unattainable by other methods. The method based on mathematical optimization consisted of two parts: prediction of future power demand via a Gaussian process, and a mixed-integer linear program for optimizing the unit commitment response of the energy system based on the demand prediction. The power demand was predicted according to the expected future speed profile of the ship, which was assumed to be known beforehand. The method proved out to be an effective and holistic approach for real-time ship energy system unit commitment. Effective ship energy system unit commitment methodologies are based on a prediction of future power demand, as was the case in the mathematical optimization based method in this work. As the primary predictor of power demand is the speed of a ship, the quality of a power demand prediction is highly dependent on the accuracy of future speed profile estimation. Because of this, this dissertation also focused on research revolving around the optimization of a ship's speed profile for a predetermined route and schedule. A computationally efficient convex optimization model was proposed for ship speed profile optimization, which produced a continuous speed profile proposition as a result.

Merenkulkusektori tulee kokemaan ennennäkemättömän energiamurroksen tulevina vuosikymmeninä. Kansainvälinen merenkulkujärjestö on asettanut tavoitteen, jonka mukaan laivoista syntyvien kasvihuonepäästöjen tulee vähentyä 50 % verrattuna vuoden 2008 päästötasoon. Tämän tavoitteen saavuttaminen edellyttää merkittäviä edistysaskeleita laivojen operatiivisessa toiminnassa, uusien teknologioiden käytössä sekä vanhojen teknologioiden astettaisessa parantamisessa. Tässä väitöskirjassa tutkitaan ja kehitetään viimeisintä tutkimusta edustavia menetelmiä laivan energiajärjestelmän ohjaukseen, sekä laivan nopeuden optimointiin. Laivan energiajärjestelmän tehokas ohjaus on ensiarvoisen tärkeää operatiivisten kustannusten ja kasvihuonepäästöjen minimoimiseksi, mutta haastavaa koska järjestelmässä on yleensä useita eri teholähteitä. Tämä johtaa väitöskirjan tärkeimpään tutkimuskysymykseen: "Kuinka ohjata laivan energiajärjestelmää optimaalisesti reaaliajassa?". Energiajärjestelmän ohjaukseen esitetään koneoppimiseen ja optimointiin perustuvia menetelmiä. Molemmat menetelmät pohjautuvat mitattuun dataan todellisten laivojen operointiprofiileista. Ohjauksen koneoppimismallissa käytettiin vahvistusoppimis -menetelmiä luomaan automaattisesti ohjaukseen oppiva järjestelmä. Tällaisen metodin vahvuus on oppimisen dynaamisuus, eli ohjain voi kehittyä muuttuvien järjestelmien tahdissa. Lisäksi koulutusvaiheessa ohjain voi löytää yllättäviäkin ratkaisuja joita muut menetelmät eivät löytäisi. Optimointiin perustuva ohjausmetodi koostui kahdesta osasta: tehokysynnän ennustamisesta Gaussin prosessilla ja ennustuksen perusteella energiajärjestelmän käytön optimoinnista sekoitettujen kokonaislukujen lineaarisella optimoinnilla. Tehokysynnän ennustamiseen käytettiin laivan nopeusprofiilia, jonka oletettiin olevan tiedossa etukäteen. Menetelmä osoittautui tehokkaaksi ja monipuoliseksi ohjausmetodiksi. Lisäksi Gaussin prosessin käyttö tuotti probabilistisen tehokysynnän ennusteen, joka mahdollistaa modernien stokastisten ja robustien optimointimenetelmien käytön ohjauksessa. Tehokkaat energiajärjestelmän ohjausmetodit perustuvat pitkälti ennustettuun tehokysyntään, kuten tässäkin työssä optimointiin perustuvassa metodissa. Tehokysynnän tärkein yksittäinen selittäjä on laivan nopeus, joten tehokysynnän ennuste on vahvasti riippuvainen laivan tulevan nopeusprofiilin arviosta. Tästä syystä väitöskirjassa tutkittiin myös optimaalisen nopeusprofiilin määrittämistä etukäteen tietylle reitille ja aikataululle. Nopeusprofiilin optimointiin esitettiin laskentatehokasta konveksia optimointimallia, joka tuotti tuloksena jatkuvan laivan nopeusprofiilin.