一种风速和风向的预测方法及系统技术方案

本申请公开了一种风速和风向的预测方法及系统，方法包括：获取无人机传感器测得的目标测量数据，包括无人机的目标对地加速度

【技术实现步骤摘要】
一种风速和风向的预测方法及系统


[0001]本申请涉及风况预测领域，尤其是一种风速和风向的预测方法及系统
。

技术介绍

[0002]目前无人机领域测量风速和风向的方案包括以下：
(1)
对于风速而言，测量装备例如三杯式风速传感器，这是一种最常见也最广泛使用的风速传感器，通常由三个杯子组成，固定在一个水平的轴上，当风吹过杯子时，杯子会转动，通过测量转速来计算风速，这种传感器通常比较简单且易于维护，广泛应用于气象观测
。
此外还有超声波风速传感器，这种传感器利用超声波的传播速度来测量风速
。
包括一个或多个超声波发射器和接收器，通过测量超声波在空气中传播的时间来计算风速
。
对于风向角度而言，风向的测量通常使用风向风标或风向传感器
。
风向风标：这是一种简单的风向测量方法，通常使用一个带有箭头的标志，箭头指示风的方向
。
风向风标通常安装在高处，使其不受地面障碍物的干扰
。
风向传感器：这种传感器通常包括一个带有风向标志的传感器，通过测量传感器中的风向标志的位置来确定风向
。
风向传感器可以采用多种技术，包括机械式
、
光电式
、
磁电式等
。
此外对于某个地区大范围的风场特征测量还有卫星
、
遥感
、
风廓线雷达等大型设备
。(2)
通过大数据计算的方法，通过数值模拟的方式对当前的风速和风向角建模
。
该方法从气象学中大气运动的湍流流动机理出发，基于大数据分析和数据驱动的建模技术，需要对被测试区域的风速信号进行大量的统计与分析，以此建立某个区域内的风况模型
。(3)
通过一些软件层面的方法，试图不借助传感器的力量，仅通过数学模型的方式将无人机与风速风向进行联系
。
例如借助空气动力学和刚体动力学方程，将无人机的自身状态通过数学模型这个桥梁，建立起无人机与气体流动模型的联系
。
具体地，如张添保提出的对无人机受风面进行受力分析
。
根据刚体动力学模型，旋翼在受到外界气流吹拂的情况下，其升力会随着外界气流发生变化，且升力变化的规律与风导致的阻力的变化规律基本相同
。
于是可根据无人机的动力学，建立起无人机刚体所受的合外力以及倾斜角度模型，将此外力解算出来，通过一定的数学拟合方式即可以得到三轴所受风的等效扰动力
。
[0003]对于第
(1)
种方案，基于传感器的风速估计方法主要依赖于安装在无人机上的风速传感器，如皮托管
、
风速计等
。
这类方法的优点是测量准确比较简单，但是对于紧凑型的多旋翼无人机而言无法安装这类传感器，测量设备的安装占用无人机布局空间，只有特定改造的实验机型可以承载这些设备，极大降低了行业的经济效益
。
对于第
(2)
种方案，建立数据库或者使用大数据计算的方法，能够通过实时联网的方式获取各个地区大致的风况信息，需要消耗较多的算力，加重飞控运算负担
。
并且在网络不畅的情况下不具备实时动态的信息获取能力
。
而且只能对于某个地区的风场特征进行大致的推断，对于高精度定点风场的测量效果不好
。
对于第
(3)
种方案，通过当前稳定姿态的动力学方程，解算等效的风速与风向角
。
这种方式依赖于精确的飞行动力学模型才能减小误差，而实际系统往往存在着许多“黑盒”无法被建模出来
。
并且这种方式是一种“开环”的解法，没有反馈修正误差，并且随着误差的累计该方法的结果精度也会逐渐下降
。

技术实现思路

[0004]有鉴于此，本申请提供一种风速和风向的预测方法及系统，以提高风速和风向的预测精度并减少预测过程中运算资源的占用
。
[0005]本申请的一方面提供了一种风速和风向的预测方法，包括：
[0006]获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度
、
目标姿态以及目标电机转速；
[0007]对所述目标测量数据进行数值优化，得到目标优化数据；
[0008]将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；
[0009]将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；
[0010]将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；
[0011]其中，所述第一预测风况数据包括第一预测风速和第一预测风向，所述第二预测风况数据包括第二预测风速和第二预测风向
。
[0012]可选地，所述获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度
、
目标姿态以及目标电机转速，包括：
[0013]通过无人机的惯性测量单元获取无人机的加速度数据和所述目标姿态；
[0014]通过无人机的视觉系统和所述惯性测量单元对所述加速度数据进行融合，得到所述目标对地加速度；
[0015]根据无人机的数字电调协议获取所述目标电机转速
。
[0016]可选地，所述对所述目标测量数据进行数值优化，得到目标优化数据，包括：
[0017]采用最小二乘法确定优化矩阵，当满足
Rx
‑
y
最小的条件时，对应的第一表达式如下：
[0018][0019]其中，
R
表示所述优化矩阵，
x
表示无人机的悬停加速度或电机转速向量，当
x
为悬停加速度时，
y
表示重力加速度，当
x
为电机转速向量时，
y
表示无人机重力；
[0020]获取预先测得的多组测量数据，每组测量数据包括对地加速度
、
姿态以及电机转速；
[0021]结合多组测量数据并采用随机梯度下降法对所述第一表达式进行最优化，根据第二表达式确定每一次优化过程中的损失并得到梯度对应的第三表达式，第二表达式为：
[0022][0023]第三表达式为：
[0024]G
＝
2(Rx
‑
y)x
T
[0025]每一次更新的优化矩阵为：
[0026]R
＝
R
‑
lG
[0027]其中，
G
表示梯度，
l
表示学习率；
[0028]利用所述多组测量数据迭代求得梯度最小化时的优化矩阵，并将梯度最小化时的
优化矩阵与悬停加速度或电机转速向量相乘，得到对应的优化值，相乘表达式如下：
[0029本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风速和风向的预测方法，其特征在于，包括：获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度
、
目标姿态以及目标电机转速；对所述目标测量数据进行数值优化，得到目标优化数据；将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；其中，所述第一预测风况数据包括第一预测风速和第一预测风向，所述第二预测风况数据包括第二预测风速和第二预测风向
。2.
根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度
、
目标姿态以及目标电机转速，包括：通过无人机的惯性测量单元获取无人机的加速度数据和所述目标姿态；通过无人机的视觉系统和所述惯性测量单元对所述加速度数据进行融合，得到所述目标对地加速度；根据无人机的数字电调协议获取所述目标电机转速
。3.
根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述对所述目标测量数据进行数值优化，得到目标优化数据，包括：采用最小二乘法确定优化矩阵，当满足
Rx
‑
y
最小的条件时，对应的第一表达式如下：其中，
R
表示所述优化矩阵，
x
表示无人机的悬停加速度或电机转速向量，当
x
为悬停加速度时，
y
表示重力加速度，当
x
为电机转速向量时，
y
表示无人机重力；获取预先测得的多组测量数据，每组测量数据包括对地加速度
、
姿态以及电机转速；结合多组测量数据并采用随机梯度下降法对所述第一表达式进行最优化，根据第二表达式确定每一次优化过程中的损失并得到梯度对应的第三表达式，第二表达式为：第三表达式为：
G
＝
2(Rx
‑
y)x
T
每一次更新的优化矩阵为：
R
‑
R—lG
其中，
G
表示梯度，
l
表示学习率；利用所述多组测量数据迭代求得梯度最小化时的优化矩阵，并将梯度最小化时的优化矩阵与悬停加速度或电机转速向量相乘，得到对应的优化值，相乘表达式如下：其中，当
x
为悬停加速度时，表示优化后的对地加速度，当
x
为电机转速向量时，表示
优化后的电机转速
。4.
根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力，包括：建立无人机的平移和旋转动力学的表达式，作为第四表达式：建立无人机在外力作用下的动力学表达式，作为第五表达式：其中，表示目标对地加速度，表示风向角度的一阶微分角速度，代表风向角度的二阶微分角加速度；
m
和
J(
η
)
分别表示无人机的质量和转动惯量矩阵；
ρ
表示无人机电机提供的推力，表示无人机电机提供的力矩；表示科氏力矩阵；
R(
η
)
表示无人机的姿态矩阵；
e3表示无人机机体坐标系
z
轴基准向量；
g0表示重力加速度系数；
f
e
和
τ
e
分别表示外界扰动的等效外力和外力矩；将所述第四表达式和第五表达式变换为拉格朗日形式，得到第六表达式：其中，
q
表示状态输入项，其包括
x
b
和
η
；表示系数项矩阵；表示控制输入项，包括
ρ
...

【专利技术属性】
技术研发人员：吕熙敏，梁显淇，余皓文，刘星，
申请(专利权)人：中山大学深圳市致映科技有限公司，
类型：发明
国别省市：