【技术实现步骤摘要】
一种基于混合学习的多电飞机自适应实时能量管理方法
[0001]本专利技术属于多电飞机能量管理
,具体涉及一种基于混合学习的多电飞机自适应实时能量管理方法。
技术介绍
[0002]为减少燃油损耗和环境污染,传统飞机的机械、液压、气动动力系统逐渐被电力系统所取代。多电飞机从飞机绿色环保、高效节能的理念出发,代表了先进飞机技术的发展方向。电力系统的稳定运行为航空器安全适航提供了重要保障。然而,随着多电飞机电力系统部件的增加,其能量管理问题的计算复杂度也随之增加,进而为机载能源的智能控制与优化带来了挑战。
[0003]现有技术中将机载发电机的功率输出和不同机载电气设备(如各级汇流条、负载、能量存储系统等)之间的连接视为决策变量,从而将多电飞机的能量管理表述为一个混合整数二次规划(mixed
‑
integer quadratic programming,MIQP)问题,并使用商业求解器来求解。然而,解决一个MIQP问题是相当耗时的,如分支定界算法,其求解时间随着状态变量的增加呈指数级增长,难以满足多电飞 ...
【技术保护点】
【技术特征摘要】
1.一种基于混合学习的多电飞机自适应实时能量管理方法,其特征在于:所述基于混合学习的多电飞机自适应实时能量管理方法包括如下步骤:S1、建立多电飞机能量管理模型;S2、离线阶段,采集多电飞机的负载配置数据并进行分批,分别将每批负载配置数据输入商业求解器获取所述多电飞机能量管理模型的求解结果,并形成数据集,所述数据集中每个样本的输入为多电飞机的操作场景数据,输出为对应的所述多电飞机能量管理模型的整型解;S3、建立集成深度神经网络模型,所述集成深度神经网络模型包括多个DNN神经网络模型,所述DNN神经网络模型包括依次连接的输入层、多个隐藏层和输出层;S4、基于所述数据集训练所述集成深度神经网络模型,直至各所述DNN神经网络模型的损失值小于预设阈值;S5、在线阶段,将多电飞机的实时操作场景数据输入训练好的所述集成深度神经网络模型以获取整型解,并判断该整型解的可行性,当整型解满足约束条件时,认为可行,采用商业求解器求解所述多电飞机能量管理模型的其余连续型变量,否则,认为不可行,舍弃该整型解,采用商业求解器获取所述多电飞机能量管理模型的全部变量。2.如权利要求1所述的基于混合学习的多电飞机自适应实时能量管理方法,其特征在于:所述多电飞机能量管理模型,建立过程如下:1)确定约束条件1.1)功率平衡约束、汇流条与负载优先级约束1.1)功率平衡约束、汇流条与负载优先级约束1.1)功率平衡约束、汇流条与负载优先级约束1.1)功率平衡约束、汇流条与负载优先级约束1.1)功率平衡约束、汇流条与负载优先级约束1.1)功率平衡约束、汇流条与负载优先级约束1.1)功率平衡约束、汇流条与负载优先级约束1.1)功率平衡约束、汇流条与负载优先级约束
1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.2)功率容量约束1.3)能量存储约束1.3)能量存储约束SoC
ESS,0
=SoC
ESS,T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)1.4)汇流条连接以及设备可用性约束1.4)汇流条连接以及设备可用性约束1.4)汇流条连接以及设备可用性约束1.4)汇流条连接以及设备可用性约束1.4)汇流条连接以及设备可用性约束
1.5)辅助动力组件约束若发电机i是辅助动力组件
ꢀꢀꢀꢀꢀ
(33)1.6)充放电约束1.7)发电机最优工作范围约束2)确定目标函数2.1)发动机始终跟踪其最优工作点2.2)设备优先级2.3)能量存储系统寿命3)获得多电飞机能量管理模型,公式如下:其中,t为时间,Δt为时间间隔,,为发电机i的最优工作点,为发电机i的最优工
作点最低界限,为发电机i的最优工作点最高界限,为发电机i的输出功率最低界限,为发电机i的输出功率最高界限,为发电机i与主级汇流条j的传输功率限制,为主级汇流条j的功率限制,为主级汇流条j与次级汇流条k的传输功率限制,为次级汇流条k的功率限制,为次级汇流条k与不可卸载负载l*的传输功率限制,为次级汇流条k与可卸载负载l的传输功率限制,为不可卸载负载l*的功率需求,为可卸载负载l的功率需求,为能量存储系统的最大容量,为能量存储系统的寿命,为次级汇流条k与能量存储系统的传输功率限制,为能量存储系统的最大充电速率,为能量存储系统的最大放电速率,为能量存储系统的充电效率,为能量存储系统的放电效率,So...
【专利技术属性】
技术研发人员:郭方洪,徐博文,刘珊,董辉,吴祥,陈博,张文安,俞立,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。