CN109710989A - 无人机油电混合动力能源管理优化方法及系统 - Google Patents

Abstract

本发明提供了一种无人机油电混合动力能源管理优化方法和系统，属于优化平台技术领域。其中，无人机油电混合动力能源管理优化法系统基于Python编写，应用Python搭建界面；其方法分为三个步骤：数据输入及数据库建立模块、计算及优化模块，用户界面搭建模块首先从数据输入及数据库调用模块中选取数据，其次进入计算及优化模块，导入选取的数据，构建代理模型，调用数据库数据，对代理模型进行优化，求得最优解，最后搭建用户截面。本系统是第一个针对无人机油电混合能源管理的优化系统，并且具有操作简单、可在Python平台上运行的特点。

Description

无人机油电混合动力能源管理优化方法及系统

技术领域

本发明属于优化平台领域，具体涉及一种无人机油电混合动力能源管理优化方法及系统。

背景技术

无人机以其本身飞行高度高、可携带外接设备等一系列优点和高性价比等巨大的优势，在军事、农业、运输、勘探、灾难救援等方面持续发挥着巨大的作用。并且随着无人机在各个领域优势逐渐显现，对于飞行时间长、航程更远、滞空时间更长的无人机的需求正在持续扩大。目前主流的无人机动力主要有两种：内燃发动机和纯电力驱动。内燃发动机可以提供充足的动力，但为了长时间飞行，需要携带更多的燃料，并且容易造成环境污染，难于精准控制。纯电力驱动可以满足精准控制的要求，但受现有电池技术的影响，飞行时间较短。因此为了缓和无人机重量和能量之间的矛盾，同时鉴于技术不断的更新，技术指标不断的改写，需要一种方法和系统，能够针对不同的能源形式，结合最新的技术指标，快速进行能源分配和管理。本系统是第一个针对于无人机油电混合动力能源管理的优化系统。

发明内容

要解决的技术问题：

为了避免现有技术的不足之处，本发明提出一种无人机油电混合动力能源管理优化方法，为了解决现有无人机精准控制和长续航相矛盾的问题，本发明提出了一套新型无人机动力能源管理优化方法，即结合现有动力技术的优点，采用油推和电推混联的动力推进方式，针对既定的飞行目标，合理分配和优化无人机所携带的能源，从而在满足无人机精准控制的条件下，达到长续航的要求。

本发明的技术方案是：一种无人机油电混合动力能源管理优化方法,其特征在于具体步骤如下：

步骤一：设定无人机飞行目标和飞行要求的函数形式，作为初始数据输入，同时建立能源数据库；

飞行要求包括动力推进方式-时间的函数关系和无人机的基本性能参数，无人机的基本性能参数包括迎风面积、飞行攻角、去除电池和燃油的无人机起飞质量；

飞行目标包括速度-时间函数关系和加速度-时间函数关系；

能源数据库包括电池的质量能量密度、最小工作单元的质量和容量、峰值功率和充电时间；电机的质量、峰值功率和额定功率；油机的质量、峰值功率和额定功率；燃料的质量能量密度和质量密度；

步骤二：建立数学计算模型：将设定的飞行目标划分为三个阶段：起飞阶段、平飞阶段、降落阶段；通过对每个阶段建立动力学方程，建立起飞阶段、平飞阶段和降落阶段三个阶段的能量消耗积分表达式，然后将起飞阶段、平飞阶段和降落阶段三个阶段的积分表达式相加，得到整个阶段所消耗的总能量Q的公式如下：

其中，Q—整个阶段所消耗的总能量；t₀—起飞阶段开始时刻；t₃—为起飞阶段结束时刻；t₆—为平飞阶段结束时刻；t₉—降落阶段结束时刻；a—加速度；g—重力加速度；m₀—起飞质量；Q(t)—0至t时刻消耗的能量；v(t)—速度随时间的变化关系；C_D—空气阻力系数；ρ—空气密度；S₁—起飞和降落阶段机翼迎风面积；S₂—平飞阶段机翼迎风面积；α—机翼攻角；q_m-燃油质量能量密度；

然后将Q积分表达式进行离散化，离散最小时间间隔为Δτ，得到整个阶段所消耗的总能量计算表达式：Q＝∑Q_i(t)；Q_i(t)表示第i个时间段内消耗的能量；

步骤三：采用启发式搜索和模拟退火算法相结合的方式，代入能源数据库的数据，求得最优解，即整个阶段所消耗的总能量达到最小值。

一种使用无人机油电混合动力能源管理优化方法的优化系统，其特征在于：采用Python的tkinter库实现用户界面搭建模块，所述用户界面包括的模块有模型建立、算法选择、优化类型选择、数据输出和图像输出；所述模型建立用于初始数据输入，算法选择用于建立数学计算模型，优化类型选择采用启发式搜索和模拟退火算法相结合的方式求最优解，数据输出用于最优解的输出，图像输出用于所述的飞行目标的图像的输出。

有益效果

本发明的有益效果在于：本发明无人机油电混合动力能源管理优化方法，可以针对给定的无人机飞行过程和飞行目标(限制范围内)，通过建立数学计算模型，利用开发的程序求解出最佳的能源配置，使得无人机在满足要求的飞行条件下，消耗的能量最少。

附图说明

图1为无人机油电混合动力能源管理优化系统的数据传递流程图。

图2为无人机油电混合动力能源管理优化系统主界面模块图。

具体实施方式

下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

参照附图，本发明一种无人机油电混合动力能源管理优化方法,具体步骤如下：

步骤一：设定无人机飞行目标和飞行要求的函数形式，作为初始数据输入，同时建立能源数据库；

飞行要求包括动力推进方式-时间的函数关系和无人机的基本性能参数，无人机的基本性能参数包括迎风面积、飞行攻角、去除电池和燃油的无人机起飞质量；

飞行目标包括速度-时间函数关系和加速度-时间函数关系；

能源数据库包括电池的质量能量密度、最小工作单元的质量和容量、峰值功率和充电时间；电机的质量、峰值功率和额定功率；油机的质量、峰值功率和额定功率；燃料的质量能量密度和质量密度；

步骤二：建立数学计算模型：将设定的飞行目标划分为三个阶段：起飞阶段、平飞阶段、降落阶段；

通过对每个阶段建立动力学方程，建立起飞阶段、平飞阶段和降落阶段三个阶段的能量消耗积分表达式，然后将起飞阶段、平飞阶段和降落阶段三个阶段的积分表达式相加，得到整个阶段所消耗的总能量Q的公式如下：

其中，Q—整个阶段所消耗的总能量；t₀—起飞阶段开始时刻；t₃—为起飞阶段结束时刻；t₆—为平飞阶段结束时刻；t₉—降落阶段结束时刻；a—加速度；g—重力加速度；m₀—起飞质量；Q(t)—0至t时刻消耗的能量；v(t)—速度随时间的变化关系；C_D—空气阻力系数；ρ—空气密度；S₁—起飞和降落阶段机翼迎风面积；S₂—平飞阶段机翼迎风面积；α—机翼攻角；q_m-燃油质量能量密度；

然后将Q积分表达式进行离散化，离散最小时间间隔为Δτ，Δτ和飞行时长、油机和电机工作转换时间有关，每个阶段离散过程如下表所示：

起飞阶段

平飞阶段

降落阶段

其中，v(t)-速度与时间的函数关系；a-加速度与时间的函数关系；g-重力加速度；m₀-起飞质量；q_m-燃油质量能量密度；Δτ-最小时间间隔；τ_i-时间节点，i∈[1,∞]； F_i-第i个时间段旋翼拉力；m_i-第i个时间段无人机质量；ρ—空气密度；C_D—空气阻力系数；S₁—起飞和降落阶段机翼迎风面积；S₂—平飞阶段机翼迎风面积；Q_i(t)-第i 个时间段内消耗的能量；t₃—为起飞阶段结束时刻；α—机翼攻角；E-充电完成所需要的时间；Q_e-平飞用电段消耗的能量；e_j-平飞用电段开始时间；e_j+1-平飞用电段结束时间；q_e-油机充电功率；η-油机充电转化效率；Q-整个阶段所消耗的总能量；

得到整个阶段所消耗的总能量计算表达式：Q＝∑Q_i(t)；

步骤三：采用启发式搜索和模拟退火算法相结合的方式，代入能源数据库的数据，寻找最佳电池种类、数量和燃油质量的搭配，求得最优解，即整个阶段所消耗的总能量达到最小值。

启发式搜索与模拟退火算法两种算法相结合，启发式搜索用于较短距离固定状态下的时间分配(微观)，模拟退火用于较长距离不固定状态下的状态预估(宏观)，模拟退火得到的不一定是最优解，却是较优解，在本程序中控制误差在0.3％以内，启发式搜索通过在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。在启发式搜索中，每次找到当前“最有希望是最短路径”的状态进行扩展。对于每个状态用函数F来估计它是否有希望。F包含两个部分：

F＝G+H

G：就是普通宽度优先搜索中的从起始状态到当前状态的代价，

H：是一个估计的值，表示从当前状态到目标状态估计的代价。

H是由程序员设计的，H函数设计的好坏决定了启发式算法的效率。H值越大，算法运行越快。

但是在设计评估函数时，评估函数的值小于等于实际当前状态到目标状态的代价，否则可能在搜索过程中漏掉了最优解。相对的，只要评估函数的值小于等于实际当前状态到目标状态的代价，就一定能找到最优解。利用这个方法可以避免搜索一些明显会远离目标状态的状态，从而缩小搜索空间，早一步搜索到目标结果。在启发式搜索中，最重要的是评估函数的选取，一个好的评估函数能够更快的趋近于目标状态。发式搜索在某些情况下并不一定好用，一方面取决于评估函数的选取，另一个方面由于在选取状态时也会有额外的开销。而快速趋近目标结果所减少的时间，能否弥补这一部分开销也是非常关键的。

在项目中，启发式搜索用于选择固定时间内二进制串的组合序列，因为位数固定，可以降低对复杂度的要求，重复进行以广度优先搜索为基础的树形搜索，直到找到耗能最少的最优解为止。

模拟退火算法在贪心算法的基础上增加了随机因素。以一定的概率来接受一个比单前解要差的解。通过这个随机因素使得算法有可能跳出这个局部最优解。

算法通过一些自然物理过程寻找解决办法，模拟退火通过采用Metropolis接受准则，并用一组称为冷却表的参数控制算法进程。模拟退火从某个初始解i0出发，经过L 次解的变换(每次根据Metropoils算法求解)。

Metropoils算法定义了转移概率P:

P—转移概率

f(i)—第i步计算的旧解

f(j)—第j步计算的新解

t—计算步长

当产生的新解比之前的效果好，那么以1的概率接受这个新解，用这个新解代替之前的解。不断迭代，不断产生新解然后采用Metropoils准则接受这个新解，即可得到稳定的最优解。

因此，采用两种算法结合的方式，针对数据输入模块传入的数据分别进行起飞、平飞、降落过程的运算，三个模型依次执行，参数以global全局变量传递；用油用电分别使用0和1表示，最后生成的是二进制序列，便于计算机处理。计算目标即是：得到1个二进制序列，使得在用户需求的较宽广的范围内能源消耗最少。

本发明一种使用无人机油电混合动力能源管理优化方法的优化系统，采用Python的tkinter库实现用户界面搭建模块，所述用户界面包括的模块有模型建立、算法选择、优化类型选择、数据输出和图像输出；所述模型建立用于初始数据输入，算法选择用于建立数学计算模型，优化类型选择采用启发式搜索和模拟退火算法相结合的方式求最优解，数据输出用于最优解的输出，图像输出用于所述的飞行目标的图像的输出。

程序以单Python文件形式编写，不同的功能以不同的函数实现。采用Python的tkinter库实现简单的GUI编写，最早期的程序需从文件导入数据进行计算，对用户并不友好，利用简单的GUI便可实现用户对数据的直观查看、选择。主界面布置见附图2。同时确保数据的有效性，对于无效输入(未选择电池/马达属性，无效数字输入)程序会给出警告。在数据正确输入后，点击“Done”即可将数据传入，并且进行计算。随后可以选择不同的图表类型(速度-时间、质量-时间、力-时间)的数据，以平滑折线图展示，或者选择将数据导出到当前目录下的txt文本中，速度-时间展示图像(图像可自由放大、缩小、平移)。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (2)

1.一种无人机油电混合动力能源管理优化方法,其特征在于具体步骤如下：

步骤一：设定无人机飞行目标和飞行要求的函数形式，作为初始数据输入，同时建立能源数据库；

飞行要求包括动力推进方式-时间的函数关系和无人机的基本性能参数，无人机的基本性能参数包括迎风面积、飞行攻角、去除电池和燃油的无人机起飞质量；

飞行目标包括速度-时间函数关系和加速度-时间函数关系；

能源数据库包括电池的质量能量密度、最小工作单元的质量和容量、峰值功率和充电时间；电机的质量、峰值功率和额定功率；油机的质量、峰值功率和额定功率；燃料的质量能量密度和质量密度；

步骤二：建立数学计算模型：将设定的飞行目标划分为三个阶段：起飞阶段、平飞阶段、降落阶段；通过对每个阶段建立动力学方程，建立起飞阶段、平飞阶段和降落阶段三个阶段的能量消耗积分表达式，然后将起飞阶段、平飞阶段和降落阶段三个阶段的积分表达式相加，得到整个阶段所消耗的总能量Q的公式如下：

其中，Q—整个阶段所消耗的总能量；t₀—起飞阶段开始时刻；t₃—为起飞阶段结束时刻；t₆—为平飞阶段结束时刻；t₉—降落阶段结束时刻；a—加速度；g—重力加速度；m₀—起飞质量；Q(t)—0至t时刻消耗的能量；v(t)—速度随时间的变化关系；C_D—空气阻力系数；ρ—空气密度；S₁—起飞和降落阶段机翼迎风面积；S₂—平飞阶段机翼迎风面积；α—机翼攻角；q_m-燃油质量能量密度；

然后将Q积分表达式进行离散化，离散最小时间间隔为Δτ，得到整个阶段所消耗的总能量计算表达式：Q＝∑Q_i(t)；Q_i(t)表示第i个时间段内消耗的能量；

步骤三：采用启发式搜索和模拟退火算法相结合的方式，代入能源数据库的数据，求得最优解，即整个阶段所消耗的总能量达到最小值。

2.一种使用权利要求1所述无人机油电混合动力能源管理优化方法的优化系统，其特征在于：采用Python的tkinter库实现用户界面搭建模块，所述用户界面包括的模块有模型建立、算法选择、优化类型选择、数据输出和图像输出；所述模型建立用于初始数据输入，算法选择用于建立数学计算模型，优化类型选择采用启发式搜索和模拟退火算法相结合的方式求最优解，数据输出用于最优解的输出，图像输出用于所述的飞行目标的图像的输出。