一种串联式油电混动无人机能量管理系统及方法与流程

本发明涉及混合动力系统能量管理策略领域，尤其涉及一种串联式油电混动无人机能量管理系统及方法。

背景技术：

目前无人机行业迅速发展，逐渐成为人们生活的一部分，大多数无人机均是依靠电池供电，但由于电池的能量密度较低，导致其续航时间较短。油电混合动力是由两个动力源组成，依靠能量管理实现动力源之间的能量分配，集纯电动的高效率、低排放和内燃机的行驶里程长于一体，很大程度提高其综合性能，既提高了动力性也可以降低燃料消耗。

能量管理是整个混合动力系统技术的关键，它直接影响整机的运行性能，现有的无人机上的能量管理策略不能达到较好的协调性，对不同工况的自适应能力较差，局限性很大。

技术实现要素：

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种串联式油电混动无人机能量管理系统及方法。

本发明为解决上述技术问题采用以下技术方案：

一种串联式油电混动无人机能量管理系统，包含发动机、发电机、整流器、电池、电机驱动控制器、电机、转速传感器、发动机电子控制单元、混合动力系统控制器、soc估计模块和剩余油量监测模块；

所述发动机的输出轴和发电机的输入轴同轴固连，发电机的电流输出端通过所述整流器和电池的输入端电气相连，其中，所述发动机用于带动发电机发电；所述发电机用于发电并将产生的电流经所述整流器传递给所述电机供电；

所述电机驱动控制器用于驱动所述电机；所述电机的电流输入端分别和所述电池的输出端、整流器的输出端相连；所述电池用于给所述电机供电；

所述转速传感器固定在发动机上，用于获得发动机的转速，并将其信号传递给所述发动机电子控制单元；

所述剩余油量监测模块是用于实时监测发动机的剩余油量，并将其传递给所述发动机电子控制单元；

所述发动机电子控制单元分别和所述转速传感器、剩余油量监测模块、混合动力系统控制器、发动机电气相连，用于将接收到的发动机的转速传递给所述混合动力系统控制器，并根据发动机的剩余油量和混合动力系统控制器输出的发动机节气门开度控制量控制所述发动机工作；

所述soc估计模块分别和所述电池、混合动力系统控制器电气相连，用于根据电池输出端的电压和电流计算出电池的剩余电量，并将电池输出端的电流、电池的剩余电量传递给所述混合动力系统控制器；

所述混合动力系统控制器分别和所述电机驱动控制器、soc估计模块、发动机电子控制单元相连，用于根据电机驱动控制器发出的电机控制信号、电池输出端的电流、电池的剩余电量、发动机的转速计算出发动机节气门开度控制量，并将其传递给所述发动机电子控制单元。

本发明还公开了一种该串联式油电混动无人机能量管理系统的控制方法，包含以下步骤：

步骤1)，搭建无人机动力系统的各个部件模型并连接各个部件模型，所述无人机动力系统部件模型包括发动机模型、发电机模型、电池模型；

步骤2)，运行无人机动力系统模型，记录不同工况下的发动机转速、需求功率、剩余油量、电池soc、爬升率、悬停率、波动率、降落率，将这些参数作为训练数据保存下来；

步骤3)，搭建动态规划算法模型，将需求功率和电池soc值分别按预设的差值步长划分作为状态集；将节气门开度按预设的角度步长划分作为动作集；将全程最小油耗作为目标函数；确定好约束条件并进行迭代寻优；通过动态规划算法模型计算各个工况下的最佳功率输出比；

步骤4)，搭建神经网络模型，将发动机转速、需求功率、剩余油量、电池soc、爬升率、悬停率、波动率、降落率作为输入层，根据经验公式计算隐藏层神经元个数，将当前工况下的功率输出比作为输出，并将步骤3)中计算的相应工况下的最佳功率输出比作为目标输出；

步骤5)，基于步骤2)中的训练数据对所述神经网络模型进行训练，通过一步步的反向传播不断优化各层连接权重，得到训练后的模型；

步骤6)，利用训练后的模型进行实时的能量分配：根据实时飞行过程中的发动机转速、需求功率、剩余油量、电池soc、爬升率、悬停率、波动率、降落率求出该时刻最佳功率输出比，并以此调控发动机和电池的功率输出。

作为本发明一种串联式油电混动无人机能量管理系统的控制方法进一步的优化方案，所述步骤1中的发动机模型根据以下公式计算发动机输出功率：

te＝f(ne,θ)

be＝f(te,ne)

pe＝ne*te/9549

式中，te表示发动机转矩；ne表示发动机工作转速；θ表示发动机节气门开度；be表示发动机燃油消耗率；pe表示发动机输出功率。

作为本发明一种串联式油电混动无人机能量管理系统的控制方法进一步的优化方案，所述步骤1中的发电机模型在计算效率时，发电机的发电效率由发电机的输出功率比上其输入功率得到，输出功率为电信号的电压与电流值的乘积，输入功率的计算公式如下：

pain＝na*ta/9549

式中，pain表示发电机的输入功率，ta为发电机的测量转矩；na为发电机的转速，与发动机转速保持一致。

作为本发明一种串联式油电混动无人机能量管理系统的控制方法进一步的优化方案，所述步骤1中的电池模型根据以下公式计算电池的soc值：

式中，soc0表示电池的初始电量；it表示电池电量的变化，充电时为负，放电时为正；q表示额定容量；i表示电池的充放电电流，充电时为负，放电时为正；μ表示充放电效率。

作为本发明一种串联式油电混动无人机能量管理系统的控制方法进一步的优化方案，所述步骤2)中的转速由转速传感器测得；需求功率由发动机模型计算得出；剩余油量由剩余油量监测模块计算得出；电池soc由soc估计模块计算得出；爬升率、悬停率、波动率、降落率等由当前时刻需求功率与前一段时间内的需求功率分析对比，通过计算方差求得。

作为本发明一种串联式油电混动无人机能量管理系统的控制方法进一步的优化方案，所述步骤3)采用下式作为目标函数，具体为：

s(k)＝{pred(t)，soc(t)}

a(k)＝{angle(t)}

dk(s(k)，a(k))＝fuel(s(k)) γ*d(k)

式中，s(k)是所有状态集；a(k)是所有动作集；fuel(s(k))是k时刻的燃油消耗；γ*d(k)是惩罚项，以减少电池充放电次数；γ是权重系数；j是全程最小油耗；

所述约束条件具体为：

preq(k)＝pe(k) pm(k)

tm_min(k)≤tm(k)≤tm_max(k)

0≤te(k)≤te_max(k)

0≤nm(k)≤nm_max

ne_min≤ne(k)≤ne_max

socmin≤soc(k)≤socmax

式中，tm_min和tm_max分别为电机在当前转速下对应的最小转矩和最大转矩，te_max为发动机在当前转速对应的最大转矩，ne_min、ne_max分别为发动机的最小转速、最大转速，nm_max为电机的最大转速，socmin、socmax分别为电池soc的最小值、最大值。

作为本发明一种串联式油电混动无人机能量管理系统的控制方法进一步的优化方案，所述步骤4)中计算隐藏层神经元个数时，首先根据经验公式初选隐藏层神经元个数，然后保持其他参数不变，只改变隐藏层神经元个数，通过对比预测误差值的变化，选择其中预测误差值最小时对应的神经元个数作为隐藏层神经元个数，所述经验公式具体为：

式中，n为隐藏层神经元个数；k为输入层神经元个数；m为输出层神经元个数；c为调节常数，取值范围为1～10。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提出一种串联式油电混动无人机能量管理系统及策略，利用动态规划与神经网络相结合，即保证系统终端需求功率及时得到响应也使得续航时间有效延长，并能电池soc波动较小，系统整体稳定性也得到了提高。

附图说明

图1是本发明的系统结构简图；

图2是本发明的动态规划算法网络图；

图3是本发明的bp神经网络模型图；

图4是本发明的系统流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。

如图1所示，本发明公开了一种串联式油电混动无人机能量管理系统，包含发动机、发电机、整流器、电池、电机驱动控制器、电机、转速传感器、发动机电子控制单元、混合动力系统控制器、soc估计模块和剩余油量监测模块；图1中的ecu即发动机电子控制单元；

所述发动机的输出轴和发电机的输入轴同轴固连，发电机的电流输出端通过所述整流器和电池的输入端电气相连，其中，所述发动机用于带动发电机发电；所述发电机用于发电并将产生的电流经所述整流器传递给所述电机供电；

所述电机驱动控制器用于驱动所述电机；所述电机的电流输入端分别和所述电池的输出端、整流器的输出端相连；所述电池用于给所述电机供电；

所述转速传感器固定在发动机上，用于获得发动机的转速，并将其信号传递给所述发动机电子控制单元；

所述剩余油量监测模块是用于实时监测发动机的剩余油量，并将其传递给所述发动机电子控制单元；

所述发动机电子控制单元分别和所述转速传感器、剩余油量监测模块、混合动力系统控制器、发动机电气相连，用于将接收到的发动机的转速传递给所述混合动力系统控制器，并根据发动机的剩余油量和混合动力系统控制器输出的发动机节气门开度控制量控制所述发动机工作；

所述soc估计模块分别和所述电池、混合动力系统控制器电气相连，用于根据电池输出端的电压和电流计算出电池的剩余电量，并将电池输出端的电流、电池的剩余电量传递给所述混合动力系统控制器；

所述混合动力系统控制器分别和所述电机驱动控制器、soc估计模块、发动机电子控制单元相连，用于根据电机驱动控制器发出的电机控制信号、电池输出端的电流、电池的剩余电量、发动机的转速计算出发动机节气门开度控制量，并将其传递给所述发动机电子控制单元。

本发明还公开了一种该串联式油电混动无人机能量管理系统的控制方法，包含以下步骤：

步骤1)，搭建无人机动力系统的各个部件模型并连接各个部件模型，所述无人机动力系统部件模型包括发动机模型、发电机模型、电池模型；

步骤2)，运行无人机动力系统模型，记录不同工况下的发动机转速、需求功率、剩余油量、电池soc、爬升率、悬停率、波动率、降落率，将这些参数作为训练数据保存下来；

步骤3)，搭建动态规划算法模型，将需求功率和电池soc值分别按预设的差值步长划分作为状态集；将节气门开度按预设的角度步长划分作为动作集；将全程最小油耗作为目标函数；确定好约束条件并进行迭代寻优；通过动态规划算法模型计算各个工况下的最佳功率输出比；

步骤4)，搭建神经网络模型，将发动机转速、需求功率、剩余油量、电池soc、爬升率、悬停率、波动率、降落率作为输入层，根据经验公式计算隐藏层神经元个数，将当前工况下的功率输出比作为输出，并将步骤3)中计算的相应工况下的最佳功率输出比作为目标输出；

步骤5)，基于步骤2)中的训练数据对所述神经网络模型进行训练，通过一步步的反向传播不断优化各层连接权重，得到训练后的模型；

步骤6)，利用训练后的模型进行实时的能量分配：根据实时飞行过程中的发动机转速、需求功率、剩余油量、电池soc、爬升率、悬停率、波动率、降落率求出该时刻最佳功率输出比，并以此调控发动机和电池的功率输出。

发动机模型以发动机节气门开度信号与转速信号为输入，输出发动机转矩、功率、油耗率等参数。其中发动机节气门开度信号由系统中控制器计算后输入ecu对节气门舵机进行控制，完成节气门开度的改变，转速信号从发动机ecu得到，发动机转矩由转速、节气门开度与转矩的数据表查表获取，根据发动机的转矩与转速数据计算出发动机的瞬时功率，具体为：

te＝f(ne,θ)

be＝f(te,ne)

pe＝ne*te/9549

式中，te表示发动机转矩；ne表示发动机工作转速；θ表示发动机节气门开度；be表示发动机燃油消耗率。pe表示发动机输出功率。

发电机模型在计算效率时，发电机的发电效率由发电机的输出功率比上其输入功率得到，输出功率为电信号的电压与电流值的乘积，输入功率的计算公式如下：

pain＝na*ta/9549

式中，pain表示发电机的输入功率，ta为发电机的测量转矩；na为发电机的转速，与发动机转速保持一致。

电池模型根据电池参数得到电池的soc值，将电池等效于理想电压源与电阻的串联，采用内阻模型构建电池等效电路模型，不考虑温度对电池性能的影响，具体为：

v＝v∝-ir

pb＝v∝i-i²

式中，v为路端电压，v∝为开路电压，r为电池内阻，pb为电池输出功率，soc0表示电池的初始电量；it表示电池电量的变化，充电时为负，放电时为正；q表示额定容量；i表示电池的充放电电流，充电时为负，放电时为正；μ表示充放电效率。

步骤2)中的转速由转速传感器测得；需求功率由发动机模型计算得出；剩余油量由剩余油量监测模块计算得出；电池soc由soc估计模块计算得出；爬升率、悬停率、波动率、降落率等由当前时刻需求功率与前一段时间内的需求功率分析对比，通过计算方差求得。最后对所有输入参数归一化处理。

在保证正常飞行的前提下，以维持电池soc平衡、减少电池充放电次数以及燃油消耗最小为优化目标，获取发动机与电机的最佳转矩分配，如图2所示，将soc作为状态，将其可行域[socmin,socmax]分为间隔为0.1的小份，将节气门开度作为状态集，同样将其可行域分为间隔是0.1的小份，工况时间每隔一秒划分一次，采用下式作为目标函数：

s(k)＝{pred(t)，soc(t)}

a(k)＝{angle(t)}

dk(s(k)，a(k))＝fuel(s(k)) γ*d(k)

式中，s(k)是状态集，a(k)是动作集，fuel(s(k))是k时刻的燃油消耗，γ*d(k)是惩罚项，以减少电池充放电次数，γ是权重系数，j是全程最小油耗。

约束条件具体为：

preq(k)＝pe(k) pm(k)

tm_min(k)≤tm(k)≤tm_max(k)

0≤te(k)≤te_max(k)

0≤nm(k)≤nm_max

ne_min≤ne(k)≤ne_max

socmin≤soc(k)≤socmax

式中，tm_min和tm_max分别为电机在当前转速下对应的最小转矩和最大转矩，te_max为发动机在当前转速对应的最大转矩，ne_min和ne_max分别为发动机的最小转速和最大转速，nm_max为电机的最大转速，socmin和socmax分别为电池soc的最小值和最大值。

如图3所示，所述神经网络输入参数选择子模块用于确定策略中后一部分反向传播神经网络的输入参数，具体包括：需求功率、转速、剩余油量、电池soc、爬升率、悬停率、波动率、降落率等八项参数。

步骤4)中计算隐藏层神经元个数时，首先根据经验公式初选隐藏层神经元个数，然后保持其他参数不变，只改变隐藏层神经元个数，通过对比预测误差值的变化，选择其中预测误差值最小时对应的神经元个数作为隐藏层神经元个数，所述经验公式具体为：

式中，n为隐藏层神经元个数，k为输入层神经元个数，m为输出层神经元个数，c为调节常数，取值范围为1～10。

所述能量管理模块用于根据能量管理策略对无人机进行能量管理，利用训练后的模型进行实时的能量分配，模型根据实时飞行过程中的需求功率、转速等参数求出该时刻最佳功率输出比，以此调控发动机和电池的功率输出。

如图4所示，整个系统方案按该流程进行，根据动态规划求出的最优功率输出比为目标函数对所设计的bp神经网络进行训练，最终达到非线性拟合的目的，使该策略在任何工况下均能降低燃料的消耗，并具有较好的稳定性。

本发明将动态规划的全局最优计算能力与神经网络强大的非线性拟合能力相结合，通过动态规划将最佳功率分配的优化问题分成多段决策，通过选择每一步的最优决策，得出每种工况下的最优功率分配曲线，以该曲线为的目标值，在此基础上搭建神经网络，通过筛选，最终确定了八个较为合适的输入变量，通过误差反向传播对神经网络进行优化训练，使得神经网络有较好的适应性，在不同工况下均能拟合出最佳的功率输出比。在该策略下发动机的工作点基都本在低油耗区，在爬升及需求功率波动较大的阶段，电池能及时提供额外输出功率，使系统尽快达到稳定状态，并且有效延长了系统的续航时间。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。