航运业每年消耗大量能源,积极推行新技术,提高船舶运行效率、实现节能减排目标具有重大的现实意义。随着新能源发电、人工智能和电力电子等技术的快速发展,全电驱新能源船舶成为航运业实现节能减排和提升船舶操作性能的重要途径。远洋航行中,船舶负荷随着运行状态的变化而存在一定的波动,同时引入的新能源,在复杂的海洋环境中也会对电网造成冲击。针对全电驱新能源船舶电网这一特点,本文以实际运行的全电驱光-柴-储船舶为研究对象,围绕该船舶电网在航程中的能量管理进行研究。具体的研究工作可概括为以下几个方面:(1)本文对实际运行的全电驱光-柴-储船舶进行研究,对其负载、航线、运行工况等进行了详细分析。通过对船舶不同航行状态下各负载设备使用概率和功率的具体分析,提出了基于统计思想,产生负荷功率并对负荷分布进行傅里叶级数拟合的方法,建立了负荷概率分布函数。再利用Geo-Model Solar公司气象站数据,提出利用对数正态分布函数对全航程太阳辐射分布进行分析,建立了全航程每小时太阳辐射强度概率分布函数。(2)建立了含柴油、光伏、储能的船舶电网模型。为充分考虑航程中天气和负荷波动的影响,本文提出对全航程太阳辐射和负荷各种随机场景建立以船舶经济性指标和CO2排放指标为目标的储能优化模型并求取储能容量,通过加权计算所有随机场景储能容量得到系统最优储能容量配置。再利用全电驱船舶动力负荷与航速的关系,建立了船舶一天航行的能量管理模型,合理安排船舶的航行速度和柴油机出力。(3)利用切片抽样方法对概率分布函数抽样,得到了大量全航程随机场景。为了缩短计算时间,本文提出一种聚类随机优化方法:通过聚类算法将得到的随机场景简化为能代表所有随机场景特征的聚类中心,再利用聚类中心计算储能容量。但是现有聚类算法在高维数据的表现中很不理想,针对文章中的高维船舶数据,本文对现有算法进行改进,提出了多阶段自适应聚类算法(Adaptive Multi-Clustering Algorithm,AMCA)。经过性能测试以及与点估计法计算结果进行对比,证明AMCA算法的聚类效果理想,能大大缩短问题的求解时间。(4)针对建立的储能容量优化模型,利用多目标粒子群算法(Multi-Objective Particle Swarm Optimization,MOPSO),将各聚类中心数据代入模型进行求解,加权求和得到最优储能容量。通过与未配置储能系统的船舶对比,本文验证了优化的储能系统能有效地降低船舶经济成本和CO2排放。同样利用MOPSO算法对船舶电网能量优化管理模型进行求解,并将结果与固定航速运行情况对比,证明了本文所提策略能够明显提高船舶运行效率。