一种基于深度学习和动态规划的混动无人机能量管理方法技术

一种基于深度学习和动态规划的混动无人机能量管理方法，属于能量管理策略的预测技术领域。本方法基于Bi

【技术实现步骤摘要】
一种基于深度学习和动态规划的混动无人机能量管理方法


[0001]本专利技术涉及一种基于深度学习和动态规划的混动无人机能量管理方法，属于能量管理策略的预测


技术介绍

[0002]为节约资源，实现节能减排和减轻环境污染，混合动力技术已成为动力研究领域的重要方向之一，能量管理的目的就是在满足动力设备行驶需求的前提下，根据设备各部件的系统特性以及设备的工况特性，实现更大程度的节能与经济，最大化系统能量利用效率；然而目前能量管理策略研究主要集中在新能源汽车的能量管理控制策略中，对飞行器的能量管理研究相对不足。目前常用的混合动力飞行器能量管理策略主要集中在基于规则的能量管理，然而飞行器的行驶工况环境复杂，工况存在随机不稳定性，且飞行路径很难有像汽车行驶路线一样的可重复性，因此基于规则的能量管理很难综合考虑实际飞行环境与飞行器飞行状态参数而得到最佳的能量管理策略；基于深度学习的能量管理方法具有高度的泛化性和灵活性，是解决基于规则的能量管理缺点的一种可行途径，而动态规划算法具有很好的全局寻优能力，结合深度学习及动态规划的能量管理策略是一种可行的飞行器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和动态规划的混动无人机能量管理方法，其特征在于：包括如下步骤，步骤1：构建飞行器动力学模型，采集飞行器飞行过程参数；步骤2：建立飞行器未来需求功率的预测模块；在已知飞行器历史工况数据的情况下，利用Bi
‑
LSTM的双向记忆网络准确预测未来短时域内飞行器功率需求；步骤3：建立兼顾环境信息的能量管理预测模块；选取温度，风速，气压三个环境参数作为描述飞行器飞行环境的环境特征量，为提高预测器的泛化能力和减少参数复杂度，利用K
‑
means聚类算法对环境进行特征分类，建立基于步骤二的兼顾环境的能量预测管理策略；步骤4：在步骤3预测功率的基础上，以飞行器等效燃油消耗最少为目标，构建飞行器能量管理优化目标函数，实现电池和发动机的最优功率分配；步骤5：在步骤3预测功率和步骤4构建的优化目标函数基础上，利用动态规划算法建立滚动优化模块，实现未来时域功率需求预测的反馈校正和整体燃油最小消耗，提高飞行经济性。2.如权利要求1所述的一种基于深度学习和动态规划的混动无人机能量管理方法，其特征在于：步骤一的实现方法为，采集飞行器运行参数数据，提取参数数据包括但不限于飞行速度，飞行高度，风速，温度，锂电池SOC状态及飞行器整体功率需求，对参数数据进行预处理。3.如权利要求2所述的一种基于深度学习和动态规划的混动无人机能量管理方法，其特征在于：步骤二的实现方法为，Bi
‑
LSTM预测器模型如下：Output＝f
BiLSTM
(Input(t))Output(t)＝{P
t+1
,P
t+2
,
…
,P
t+p
}其中f
BiLSTM
表示Bi
‑
LSTM的预测器模型，P代表功率，H为飞行高度，t表示当前时刻，h表示历史时刻，p代表未来时刻，v
t
为当前飞行速度，a
t
为当前飞行加速度。4.如权利要求3所述的一种基于深度学习和动态规划的混动无人机能量管理方法，其特征在于：步骤三的实现方法为，步骤31：将飞行器所处环境温度、风速和气压作为影响环境特征的特征参数，设定评判环境特征的判别周期，对温度、风速、气压进行每个评判周期的归一化计算；步骤32：将环境特征分为3类，分别为
‘
温和型
’
、
‘
较差型
’
和
‘
恶劣型
’
，利用K
‑
means方法对特征进行聚类，根据聚类结果对飞行数据标记，将标记数据拆解为训练集和测试集；对于一组特定环境参数，利用KNN临近算法对其寻找合适的类别；步骤33：对于一组特定环境参数，根据KNN临近算法计算其与训练集各组参数的欧几里得距离，选择合适的K值对其分类，构建的KNN分类器为:{Input}
KNN
＝{P1,P2,P3}
{Output}
KNN
＝{M,L,B}＝f
KNN
{Input}
KNN
其中P1,P2,P3代表特征参数温度，风速和气压，M,L,B代表环境特征，分别为温和型(mild),较差型(limit),恶劣型(bad)；步骤34：建立兼顾环境特征的...

【专利技术属性】
技术研发人员：黄渭清，杨浪洪，刘岩松，李宁，李冬伟，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：