一种基于飞行数据的无人机混合推进系统能量管控方法技术方案

本发明专利技术提供一种基于飞行数据的无人机混合推进系统能量管控方法，基于无人机飞行历史数据建立能量和功率的轮廓图，用核模糊c聚类算法将飞行阶段分为有限状态。基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量；需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；再根据上述轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式；飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，实现对瞬时功率的最优控制。实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。

A method of energy control for hybrid propulsion system of UAV Based on flight data

【技术实现步骤摘要】
一种基于飞行数据的无人机混合推进系统能量管控方法
本专利技术涉及无人机的能量管理领域，特别是涉及一种基于飞行数据的无人机混合推进系统的智能能量管理方法。
技术介绍
随着科学技术的发展，无人机的运用空间越来越广泛。受大气压力和空气温度等影响，混合动力无人机解决了纯燃油无人机的噪声大、高空效率低、响应速度慢以及排放污染环境等问题，也解决了纯电动无人机续航时间短的问题，根据绿色航空的发展思想，混合动力无人机成为了目前研究最受欢迎的模型。通常实现混合动力无人机的智能能量管理是运用全局优化的方法控制发动机和电机的功率比，但全局优化的方法计算量大，优化较为困难。采用全局规划和瞬时优化的方法结合，快速地协调混合动力无人机发动机和电机的功率分配比，保证发动机工作在高效低能耗区，达到提高燃油的使用效率的目的。
技术实现思路
针对上述技术问题，本专利技术提供了一种基于飞行数据的无人机混合推进系统能量管控方法，实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。本专利技术提供了一种基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的无人机混合推进系统的智能能量管理方法，包括以下步骤：1)从无人机飞行的历史数据中调取飞行需要消耗的功率和能量，建立无人机能量和功率的轮廓图。2)从无人机的历史数据中读取飞行消耗的能量和功率，并运用核模糊c聚类(kernelfuzzyc-meansclustering,KFCM)算法将飞行阶段分为有限状态。同时，基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型。3)通过已建立的能量预测模型和需求功率时间序列模型，在无人机飞行前，对规划路径无人机所需消耗的能量和功率预测。4)根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式。5)飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，并运用粒子群算法实现对瞬时功率的最优控制。本专利技术有益效果在于：本专利技术运用聚类算法对飞行阶段进行划分，通过BP神经网络建立模型，在飞行前对各阶段的能量进行预测，运用全局规划确定各阶段的工作模式，并采用瞬时优化对无人机飞行过程的控制参数进行优化，大幅度的增加了能量的利用率，提高燃油的经济性。附图说明图1为本专利技术的总体技术方案实施流程示意图；图2为BP神经网络结构图；图3为能量预测实施过程示意图。具体实施方案下面将对本专利技术进行更清楚、完整的进一步描述，显然，所描述的实例仅仅是本专利技术的一部分实例，而不是全部的实施例。为提高燃油经济性，推动绿色航空的发展，本专利技术提供了一种基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的无人机混合推进系统的智能能量管理方法。基于无人机飞行历史数据建立能量和功率的轮廓图，用核模糊c聚类算法将飞行阶段分为有限状态。同时，基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；再根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式，同时，飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，实现对瞬时功率的最优控制。从而实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。本专利技术的总体技术方案如图1所示，具体步骤为：1.建立无人机功率和能量轮廓图本专利技术从无人机飞行历史数据中调取无人机飞行时需消耗的功率和能量并建立无人机飞行过程中需消耗的功率和能量轮廓图。无人机的飞行数据有无人机飞行时的高度、速度、温度、湿度、风力、风阻、飞行角度、飞行时间、飞行距离、机载燃油质量、飞行所消耗的功率和能量等数据。2.通过聚类算法将飞行阶段进行划分在对无人机飞行需要的功率和能量进行预处理过程中，常用算法有K-MEANS聚类算法、高斯混合模型(GMM)的期望最大化(EM)聚类、模糊聚类算法等，为解决能量的全局规划和功率的瞬时优化问题，本专利技术中采用的是核模糊c聚类算法，将无人机的飞行阶段分为起飞、平飞、降落三个阶段。KFCM是通过核函数将原空间的样本映射到高维特征空间后在进行核模糊c聚类(fuzzyc-meansclustering,FCM)。对于FCM算法，若存在待聚类的样本集X＝{x1,x2...xn}，n为样本数，X＝{x1,x2...xn}为无人机飞行数据，则FCM目标函数为：其中，τ为加权指数，c为聚类个数，vi为第i个聚类的聚类中心，μij为样本xj对第i个聚类的隶属程度。通过非线性特征映射，将FCM目标函数中样本与聚类中心的欧式距离的平方||xj-vi||2改为||Φ(xj)-Φ(vi)||2，选择高斯作为核函数，则KFCM的目标函数为：其中σ为高斯核参数，τ为模糊加权指数,为样本xj对第i个聚类的隶属程度的模糊加权。通过对JKFCM求关于μij、vi的偏导，推导出KFCM算法的聚类核心和隶属函数的更新公式如下：基于无人机的飞行状态参数，将无人机分为上升、平飞和降落三个飞行阶段，对于无人机的3个阶段，提取能量和功率作为分类的特征参数，选取3个聚类中心进行运算，具体的步骤如下：1)首先要确定算法结束的阈值ε，最大迭代次数T，初始的迭代次数k＝1,聚类中心2)计算隶属度(i＝1,2,3；j＝1,2,...,n)，并计算聚类中心vi＝(i＝1,2,3)；3)如果||V(k+1)-V(k)||＜ε或者算法的次数k>T,那么算法结束，样本按照所属隶属度最高值分类，输出最终的聚类结果，否则k＝k+1，转到步骤2)。3.运用BP神经网络建立能量预测模型和需求功率时间序列模型通过BP神经网络建立无人机能量需求模型，主要是将无人机飞行速度、飞行高度、风速、飞行角度作为BP神经网络的输入，无人机飞行所需功率作为输出。同理，需求功率时间序列模型是将无人机的飞行速度、电机需求功率和电池SOC值作为输入，发动机的功率作为输出。BP神经网络结构示意图如图2。4.在无人机飞行前，对每个阶段的能量进行预测。由于每个阶段无人机飞行消耗的能量不同，因此在飞行前对每个阶段所需要的能量和功率进行预测。如图3所示，该系统输入无人机飞行的飞行任务设定和环境状态参数，基于能量预测模型对规划路径的能量分上升、平飞和降落三个阶段进行能量预测，已知机载储存电量的SOC值、温度和传动效率，根据函数关系求得电机能提供的最大功率，同理，已知发动机的转速和转矩，传动效率，可以计算出发动机能提供的最大功率，在保证无人机的燃油消耗最小且下一个阶段能够正常飞行的情况下，预测出本阶段无人机飞行所需要消耗的能量，并把本阶段预测的功率作为下一个阶段的输入，预测下一个阶段所需要消耗的能量，因此，可以获得无人机整个规划路径上所需要消耗的能量。5.根据无人机飞行阶段中功率和能量的消耗进行模式的全局规划，即确定无人机各个飞行阶段的工作模式。通过预测得到的无人机飞行时电机和发动机需要的功率，可以知本文档来自技高网...

【技术保护点】
1.一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，所述管控方法包括以下步骤：步骤一：采集无人机飞行的历史数据，从飞行历史数据中调取飞行需要消耗的功率和能量数据，建立无人机能量和功率的轮廓图；步骤二：运用核模糊c聚类算法KFCM将飞行阶段分为有限状态；同时，基于所述飞行历史数据，利用BP神经网络，建立飞行任务参数和飞行环境参数与能量需求之间的映射关系，飞行任务参数和飞行环境参数和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；步骤三：通过已建立的能量预测模型和需求功率时间序列模型，在无人机飞行前，对规划路径无人机所需消耗的能量和功率预测；步骤四：根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式；步骤五：飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池关键子系统的效率MAP图，并运用粒子群算法实现对瞬时功率的最优控制；步骤六：将全局规划的各阶段工作模式和瞬时优化的无人机控制参数输入到历史数据中，从而实现无人机基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的混合推进系统的智能能量管理。...

【技术特征摘要】
1.一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，所述管控方法包括以下步骤：步骤一：采集无人机飞行的历史数据，从飞行历史数据中调取飞行需要消耗的功率和能量数据，建立无人机能量和功率的轮廓图；步骤二：运用核模糊c聚类算法KFCM将飞行阶段分为有限状态；同时，基于所述飞行历史数据，利用BP神经网络，建立飞行任务参数和飞行环境参数与能量需求之间的映射关系，飞行任务参数和飞行环境参数和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；步骤三：通过已建立的能量预测模型和需求功率时间序列模型，在无人机飞行前，对规划路径无人机所需消耗的能量和功率预测；步骤四：根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式；步骤五：飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池关键子系统的效率MAP图，并运用粒子群算法实现对瞬时功率的最优控制；步骤六：将全局规划的各阶段工作模式和瞬时优化的无人机控制参数输入到历史数据中，从而实现无人机基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的混合推进系统的智能能量管理。2.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤一中，所述的飞行历史数据包括无人机飞行时的高度、速度、温度、湿度、风力、风阻、飞行角度、飞行时间、飞行距离、机载燃油质量、飞行所消耗的功率和能量数据。3.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤二中，运用核模糊c聚类算法将无人机的飞行阶段分为起飞、平飞和降落三个阶段。4.根据权利要求1所述...

【专利技术属性】
技术研发人员：李玉芳，任陈，宋迎东，赵万忠，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32