【技术实现步骤摘要】
本专利技术涉及一种混合动力无人机需求功率预测方法，特别涉及一种基于元学习的混动无人机多任务需求功率预测方法，属于无人机能量管理。
技术介绍
1、为了应对能源短缺和全球变暖等危机，发展新能源推进技术，降低化石能源消耗并保证运载装备续航能力，是各国推进节能减排事业的核心。全球航空运输领域的碳排量已接近总排量的2.5％，面对未来无人机的大量应用，比如长途物流运输、灾难搜救与环境监测等，低碳环保也是无人机发展过程中必须考虑的问题。
2、以内燃机与锂离子电池组合的混合动力推进技术保证了飞行器在多种工况下的长航时需求，同时降低了排放、能够储存多余能量、提高反应速度，必要时能够实现静音飞行与紧急降落，受到了广泛关注。因此，设计合适的能量管理策略是发挥混合动力技术动力特性与经济价值的关键。
3、提高预测功率的准确度是提升能量管理策略性能的关键，现有需求功率预测通常采用特定任务环境进行训练，所以只能适应某些典型任务。飞行器的飞行任务十分复杂，操作自由度多样，当应用这些常规的任务预测方法预测陌生任务时，无法快速学习新任务特征，导致能量管理方法节能优化效果受限，且浪费时间和计算资源。
技术实现思路
1、针对上述本领域中所存在的技术问题，本专利技术主要目的是提供一种基于元学习的混动无人机多任务需求功率预测方法，利用元学习混动无人机多任务状态信息预测模型在多个飞行任务上学习普遍适用的元知识，提高混动无人机多任务状态信息预测模型的泛化性，从而使预测模型能够在新任务上快速收敛，结合需求功
2、本专利技术的目的是通过下述技术方案实现的。
3、本专利技术公开的一种基于元学习的混动无人机多任务需求功率预测方法，包括如下步骤：
4、步骤一、提取无人机在历史飞行数据库中的状态信息，包括无人机的飞行速度、飞行加速度、飞行攻角、升降舵偏转角度和无人机所处位置的海拔高度，上述数据称为原始数据；将原始数据进行归一化处理，避免不同量纲对预测效果的影响，归一化后的数据称为归一化数据。
5、步骤二、建立无人机工况分类模型，对无人机当前工况进行分类，将分类结果作为元学习混动无人机多任务状态信息预测模型的输入变量，提高元学习混动无人机多任务状态信息预测模型对混动无人机多任务状态信息的预测精度。
6、s21、对步骤一中影响无人机工况的归一化数据进行统计学特性计算，包括飞行速度、飞行加速度、飞行攻角、升降舵偏转角度，得到工况特征参数；
7、表1飞行工况特征参数
8、
9、s22、对步骤s21得到的飞行工况特征参数进行主成分分析，通过主成分分析法对工况特征参数进行降维，筛选出能够覆盖大部分特征的主成分，命名为特征主成分，采用累计贡献度来筛选覆盖大部分特征的主成分；
10、s23、使用聚类方法对特征主成分进行聚类计算，将工况特征设置为n类，根据聚类结果对特征主成分数据进行标记，称为标记数据；
11、s24、将s23得到的标记数据分为训练集和测试集，使用分类算法在训练集上进行有监督学习，并使用测试集测试分类效果，得到无人机工况分类，并将无人机工况分类结果作为元学习混动无人机多任务状态信息预测模型的输入变量。
12、步骤三、建立混动无人机的需求功率模型，选取其中未知的时序变量作为元学习混动无人机多任务状态信息预测模型的输入变量和输出变量。
13、s31、建立无人机需求功率模型，计算需求功率：
14、
15、式中d为飞行阻力，ρ为空气密度，v为飞行速度，cd为阻力系数，a为无人机参考面积，pd为需求功率；
16、s32、步骤s31建立的无人机需求功率模型中空气密度ρ可根据标准大气模型和当前海拔ht进行计算，当前海拔ht由预定飞行任务决定，阻力系数cd为和攻角有关的函数，由攻角与实验获得的数据进行插值计算，其中飞行速度和攻角为未知的时序变量，选择飞行速度和攻角作为元学习混动无人机多任务状态信息预测模型的输入变量和输出变量。
17、步骤四、在步骤一所获取的状态信息中提取多种环境类型的飞行任务下的状态信息，在不同飞行任务中分别抽取相同且足够时长的数据集作为用于后续步骤五、六训练混动无人机多任务状态信息预测元学习模型的多任务数据集，数据集均为时序数据集。
18、步骤五、建立混动无人机多任务状态信息预测元学习模型的基模型，该基模型采用双向长短时记忆网络bi-lstm预测混动无人机的未来状态信息。
19、s51、将步骤四中获得的多任务数据集按照预定比例分为训练集和验证集，建立基模型数据集；
20、s52、加载数据集，将步骤s51中所获取的基模型数据集用来训练网络，其中，输入为过去hh个时刻的飞行速度vt-hh+1,…,vt和飞行攻角αt-hh+1,…,αt、当前时刻t的飞行加速度αt和飞行工况类别typet和未来hp个时刻的海拔高度ht+1,…,ht+hp，输出为未来hp个时刻的飞行速度vt+1,…,vt+hp和飞行攻角αt+1,…,αt+hp，表示如下：
21、
22、s53、构建bi-lstm神经网络预测模型，bi-lstm由两层长短时记忆网络lstm网络层组成，正向lstm层利用过去较长时间的信息对未来进行预测，逆向lstm层将未来信息的影响反向传播，两层信息结合得到预测信息，lstm层由输入门、遗忘门、输出门和记忆单元组成；
23、s54、用均方误差mse作为损失函数，量化bi-lstm神经网络预测模型在训练过程中的性能；
24、s55、通过步骤s54得到的bi-lstm神经网络预测模型，预测未来hp个时刻的飞行速度和飞行攻角，根据训练结果调整bi-lstm神经网络预测模型的网络结构，选择调整网络结构后的bi-lstm神经网络预测模型，作为混动无人机多任务状态信息预测元学习模型的基模型。
25、步骤六、基于模型无关元学习方法maml构建包含步骤五所得到的基模型的混动无人机多任务状态信息预测元学习模型mlm，使用多任务数据集对元学习模型mlm进行训练，得到训练好的混动无人机多任务状态信息预测元学习模型mlm，maml算法具有内循环基模型和外循环元学习模型两部分的梯度更新。
26、s61、建立元学习模型数据集，将步骤四中获得的多任务数据集按照预定比例分为训练集、验证集和测试集，分别用于模型训练，模型超参数调整和性能测试；在每个子任务中，按照预定比例将子任务数据集分为支持集和查询集；
27、s62、基于模型无关元学习方法maml构建包含步骤五所得到的基模型的混动无人机多任务状态信息预测元学习模型mlm，将元学习模型数据集的训练集中的不同训练任务依次输入到元学习模型mlm中，当任务taskp输入到模型中时，外循环元学习模型mlm参数θp克隆到步骤五构建的内循环基模型中，记为参数θp；
28、s63、选用均方误差本文档来自技高网...
【技术保护点】
1.一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤二实现方法为，
3.如权利要求2所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤三实现方法为，
4.如权利要求3所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤五实现方法为，
5.如权利要求4所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤六实现方法为，
6.如权利要求5所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤七实现方法为，
【技术特征摘要】
1.一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤二实现方法为，
3.如权利要求2所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤三实现方法为，
4....
【专利技术属性】
技术研发人员：黄渭清，刘岩松，杨浪洪，李宁，黎奥轩，田柏劲，
申请(专利权)人：北京理工大学，
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。