基于数字孪生的无人机电源系统荷电状态评估系统及方法技术方案

本发明专利技术提供一种基于数字孪生的无人机电源系统荷电状态评估系统及方法，该系统包括采集模块、SOC估计模块和数据驱动误差补偿模块；采样模块用于采样锂电池端电压、放电电流、电池表面温度及电池表面湿度，其将采样得到的信号发送至SOC估计模块及数据驱动误差补偿模块；SOC估计模块用于预测无人机能源系统锂电池的荷电状态；SOC估计模块的输入变量包括锂电池端电压、放电电流的采样信号，输出变量包括锂电池的荷电状态；数据驱动误差补偿模块用于对SOC估计模块的预测误差进行补偿，其包括长短期记忆循环神经网络。本发明专利技术可有效估计无人机电源系统中锂电池的荷电状态，为无人机健康飞行时间预测提供有力数据支撑。康飞行时间预测提供有力数据支撑。康飞行时间预测提供有力数据支撑。

【技术实现步骤摘要】
基于数字孪生的无人机电源系统荷电状态评估系统及方法


[0001]本专利技术涉及一种荷电状态评估系统及方法，特别涉及一种基于数字孪生的无人机电源系统荷电状态评估系统及方法。

技术介绍

[0002]目前，科技的不断进步促进了航空航天技术的快速发展，由21世纪以来的多次现代化应用中可以看出无人机在复杂多变的应用场景中上发挥至关重要的作用，尤其是在森林消防、海上救援、灾区通讯等各类危险的应急任务中，无人机使用效能的发挥成为了抢险救灾中的关键所在。目前，无人机向着复杂程度大与智能化程度高的方向发展，必然会带来其故障多发性、致命性、随机性、交联性，无人机系统的可靠性与安全性问题日益突出，其中无人机电源系统故障最为致命，电源系统发生故障都会影响其动力输出，甚至使动力系统完全失去动力，导致坠机的事故发生。无人机主要的训练及应用区域环境都极为恶劣，存在湿度大、盐度较高等情况，给无人机的电源系统带来巨大挑战，严重影响无人机的安全性、可靠性和作战能力。因此，需要实时监控无人机电源系统的状态，实现及时健康评估，避免事故的发生。
[0003]无人机电源系统通常采用多片独立的锂离子电池串联而成，每片电池单元的电压通常为3.7V至4.2V左右。过度充电与过度放电等不当操作会影响电池的寿命，当片电池单元的电压低于约3.5V时，电池会出现快速放电现象，电压快速下降，会导致无人机动力系统短时间内失去动力，因此在无人机飞行中需要关注的电池故障主要为过度放电，需要定量了解电池的放电规律，并实时监测电池放电状态才能避免过度放电的事故发生。
[0004]目前，无人机电源系统放电状态检测普遍采用开路电压法、安时积分法和电化学阻抗谱法等传统荷电状态估计方法，严重依赖锂电池模型参数，然而在无人机复杂工况下，电池内部的化学反应、温度场和内阻都会出现较大的变化，这些变化会引起电池模型参数的较大波动，使电池模型难以准确建立。而具有强大非线性拟合能力的神经网络算法虽然可以有效建立电压、电流、温度等可测变量与电源系统锂电池荷电状态的映射关系，但受到神经网络可解释性差与鲁棒性低的特性，难以有效应用于复杂工况下的无人机电源系统锂电池荷电状态估计。

技术实现思路

[0005]本专利技术为解决公知技术中存在的技术问题而提供一种基于数字孪生的无人机电源系统荷电状态评估系统及方法。
[0006]本专利技术为解决公知技术中存在的技术问题所采取的技术方案是：一种基于数字孪生的无人机电源系统荷电状态评估系统，包括采集模块、SOC估计模块和数据驱动误差补偿模块；采样模块用于采样锂电池端电压、放电电流、电池表面温度及电池表面湿度，其将采样得到的信号发送至SOC估计模块及数据驱动误差补偿模块；SOC估计模块用于预测无人机能源系统锂电池的荷电状态；SOC估计模块的输入变量包括锂电池端电压、放电电流的采样
信号，输出变量包括锂电池的荷电状态；数据驱动误差补偿模块用于对SOC估计模块的预测误差进行补偿，其包括长短期记忆循环神经网络；长短期记忆循环神经网络的输入变量包括锂电池端电压、放电电流、电池表面温度及电池表面湿度物理量，输出变量包括锂电池SOC预测误差补偿值。
[0007]进一步地，SOC估计模块包括二阶Thevenin等效电路模型；其中二阶Thevenin等效电路模型的数学表达式如下所示：
[0008]U
o
＝U
oC
‑
U
P1
‑
U
P2
‑
IR
[0009][0010]式中：
[0011]U
P1
为等效电路中第一个RC回路两端的电压；
[0012]U
P2
为等效电路中第二个RC回路两端的电压；
[0013]I为等效电路中的总电流；
[0014]R
P1
为第一个RC回路的电池极化内阻；
[0015]R
P2
为第二个RC回路的电池极化内阻；
[0016]C
P1
为第一个RC回路的电池极化电容；
[0017]C
P2
为第二个RC回路的电池极化电容；
[0018]U
oC
为电池内部电压；
[0019]U
o
为电池两端电压；
[0020]t为电池放电时间；
[0021]R为电池内阻。
[0022]进一步地，SOC估计模块还包括卡尔曼滤波器，卡尔曼滤波器用于去除采样的电压及电流信号中的噪声。
[0023]进一步地，SOC估计模块还包括用于辨识二阶Thevenin等效电路模型参数的参数辨识模块；该参数辨识模块包括粒子群模型，粒子群模型用于辨识二阶Thevenin等效电路模型的如下参数：开路电压、极化内阻、极化电容和内阻。
[0024]进一步地，粒子群模型的数学模型如下所示：
[0025][0026]式中：
[0027]V
ik
为粒子i的第k维速度；
[0028]V
ik
‑1为粒子i的第k
‑
1维速度；
[0029]为粒子i的第k维位置；
[0030]为粒子i的第k
‑
1维位置；
[0031]是当前个体最优值，即粒子i最优位置，；
[0032]是全体最优值，即整个种群所有粒子最优位置；
[0033]c1为个体加速度因子，非负常数；
[0034]c2为种群加速度因子，非负常数；
[0035]w
k
为惯性系数，非负数，用于调节搜索空间；
[0036]r1和r2为分布在[0,1]上的随机数。
[0037]本专利技术还提供了一种基于数字孪生的无人机电源系统荷电状态评估方法，该方法设置采集模块、SOC估计模块和数据驱动误差补偿模块；采样模块用于采样锂电池端电压、放电电流、电池表面温度及电池表面湿度，其将采样得到的信号发送至SOC估计模块及数据驱动误差补偿模块；SOC估计模块用于预测无人机能源系统锂电池的荷电状态；SOC估计模块的输入变量包括锂电池端电压、放电电流的采样信号，输出变量包括锂电池的荷电状态；数据驱动误差补偿模块用于对SOC估计模块的预测误差进行补偿，其包括长短期记忆循环神经网络；长短期记忆循环神经网络的输入变量包括锂电池端电压、放电电流、电池表面温度及电池表面湿度物理量，输出变量包括锂电池SOC预测误差补偿值；SOC估计模块和数据驱动误差补偿模块均基于采样模块获取的数据进行数据驱动建模。
[0038]进一步地，SOC估计模块设置二阶Thevenin等效电路模型及卡尔曼滤波器；通过Thevenin等效电路模型与卡尔曼算法进行SOC迭代估计；通过无迹变换方法对SOC估算均值和方差进行非线性转换。
[0039]进一步地，二阶Thevenin等效电路模型的数学表达式如下所示：
[0040]U
o
＝U
oC
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的无人机电源系统荷电状态评估系统，其特征在于，包括采集模块、SOC估计模块和数据驱动误差补偿模块；采样模块用于采样锂电池端电压、放电电流、电池表面温度及电池表面湿度，其将采样得到的信号发送至SOC估计模块及数据驱动误差补偿模块；SOC估计模块用于预测无人机能源系统锂电池的荷电状态；SOC估计模块的输入变量包括锂电池端电压、放电电流的采样信号，输出变量包括锂电池的荷电状态；数据驱动误差补偿模块用于对SOC估计模块的预测误差进行补偿，其包括长短期记忆循环神经网络；长短期记忆循环神经网络的输入变量包括锂电池端电压、放电电流、电池表面温度及电池表面湿度物理量，输出变量包括锂电池SOC预测误差补偿值。2.根据权利要求1所述的基于数字孪生的无人机电源系统荷电状态评估系统，其特征在于，SOC估计模块包括二阶Thevenin等效电路模型；其中二阶Thevenin等效电路模型的数学表达式如下所示：U
o
＝U
oC
‑
U
P1
‑
U
P2
‑
IR式中：U
P1
为等效电路中第一个RC回路两端的电压；U
P2
为等效电路中第二个RC回路两端的电压；I为等效电路中的总电流；R
P1
为第一个RC回路的电池极化内阻；R
P2
为第二个RC回路的电池极化内阻；C
P1
为第一个RC回路的电池极化电容；C
P2
为第二个RC回路的电池极化电容；U
oC
为电池内部电压；U
o
为电池两端电压；t为电池放电时间；R为电池内阻。3.根据权利要求2所述的基于数字孪生的无人机电源系统荷电状态评估系统，其特征在于，SOC估计模块还包括卡尔曼滤波器，卡尔曼滤波器用于去除采样的电压及电流信号中的噪声。4.根据权利要求2所述的基于数字孪生的无人机电源系统荷电状态评估系统，其特征在于，SOC估计模块还包括用于辨识二阶Thevenin等效电路模型参数的参数辨识模块；该参数辨识模块包括粒子群模型，粒子群模型用于辨识二阶Thevenin等效电路模型的如下参数：开路电压、极化内阻、极化电容和内阻。5.根据权利要求4所述的基于数字孪生的无人机电源系统荷电状态评估系统，其特征在于，粒子群模型的数学模型如下所示：式中：
V
ik
为粒子i的第k维速度；V
ik
‑1为粒子i的第k
‑
1维速度；为粒子i的第k维位置；为粒子i的第k
‑
1维位置；是当前个体最优值，即粒子i最优位置，；是全体最优值，即整个种群所有粒子最优位置；c1为个体加速度因子，非负常数；c2为种群加速度因子，非负常数；w
k
为惯性系数，非负数，用于调节搜索空间；r1和r2为分布在[0,1]上的随机数。6.一种基于数字孪生的无人机电源系统荷电状态评估方法，其特征在于，该方法设置采集模块、SOC估计模块和数据驱动误差补偿模块；采样模块用于采样锂电池端电压、放电电流、电池表面温度及电池表面湿度，其将采样得到的信号发送至SOC估计模块及数据驱动误差补偿模块；SOC估计模块用于预测无人机能源系统锂电池的荷电状态；SOC估计模块的输入变量包括锂电池端电压、放电电流的采样信号，输出变量包括锂电池的荷电状态；数据驱动误差补偿模块用于对...

【专利技术属性】
技术研发人员：张镇，陈建，常思远，邓斌，王凯峰，
申请(专利权)人：天津大学浙江国际创新设计与智造研究院，
类型：发明
国别省市：