CN110348595A - 一种基于飞行数据的无人机混合推进系统能量管控方法 - Google Patents

一种基于飞行数据的无人机混合推进系统能量管控方法 Download PDF

Info

Publication number
CN110348595A
CN110348595A CN201910471374.4A CN201910471374A CN110348595A CN 110348595 A CN110348595 A CN 110348595A CN 201910471374 A CN201910471374 A CN 201910471374A CN 110348595 A CN110348595 A CN 110348595A
Authority
CN
China
Prior art keywords
unmanned plane
power
energy
flight
flying
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910471374.4A
Other languages
English (en)
Other versions
CN110348595B (zh
Inventor
李玉芳
任陈
宋迎东
赵万忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910471374.4A priority Critical patent/CN110348595B/zh
Publication of CN110348595A publication Critical patent/CN110348595A/zh
Application granted granted Critical
Publication of CN110348595B publication Critical patent/CN110348595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Feedback Control In General (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明提供一种基于飞行数据的无人机混合推进系统能量管控方法，基于无人机飞行历史数据建立能量和功率的轮廓图，用核模糊c聚类算法将飞行阶段分为有限状态。基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量；需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；再根据上述轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式；飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，实现对瞬时功率的最优控制。实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。

Description

一种基于飞行数据的无人机混合推进系统能量管控方法
技术领域
本发明涉及无人机的能量管理领域，特别是涉及一种基于飞行数据的无人机混合推进系统的智能能量管理方法。
背景技术
随着科学技术的发展，无人机的运用空间越来越广泛。受大气压力和空气温度等影响，混合动力无人机解决了纯燃油无人机的噪声大、高空效率低、响应速度慢以及排放污染环境等问题，也解决了纯电动无人机续航时间短的问题，根据绿色航空的发展思想，混合动力无人机成为了目前研究最受欢迎的模型。
通常实现混合动力无人机的智能能量管理是运用全局优化的方法控制发动机和电机的功率比，但全局优化的方法计算量大，优化较为困难。采用全局规划和瞬时优化的方法结合，快速地协调混合动力无人机发动机和电机的功率分配比，保证发动机工作在高效低能耗区，达到提高燃油的使用效率的目的。
发明内容
针对上述技术问题，本发明提供了一种基于飞行数据的无人机混合推进系统能量管控方法，实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。
本发明提供了一种基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的无人机混合推进系统的智能能量管理方法，包括以下步骤：
1)从无人机飞行的历史数据中调取飞行需要消耗的功率和能量，建立无人机能量和功率的轮廓图。
2)从无人机的历史数据中读取飞行消耗的能量和功率，并运用核模糊c聚类(kernel fuzzy c-means clustering,KFCM)算法将飞行阶段分为有限状态。同时，基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型。
3)通过已建立的能量预测模型和需求功率时间序列模型，在无人机飞行前，对规划路径无人机所需消耗的能量和功率预测。
4)根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式。
5)飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，并运用粒子群算法实现对瞬时功率的最优控制。
本发明有益效果在于：本发明运用聚类算法对飞行阶段进行划分，通过BP神经网络建立模型，在飞行前对各阶段的能量进行预测，运用全局规划确定各阶段的工作模式，并采用瞬时优化对无人机飞行过程的控制参数进行优化，大幅度的增加了能量的利用率，提高燃油的经济性。
附图说明
图1为本发明的总体技术方案实施流程示意图；
图2为BP神经网络结构图；
图3为能量预测实施过程示意图。
具体实施方案
下面将对本发明进行更清楚、完整的进一步描述，显然，所描述的实例仅仅是本发明的一部分实例，而不是全部的实施例。
为提高燃油经济性，推动绿色航空的发展，本发明提供了一种基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的无人机混合推进系统的智能能量管理方法。基于无人机飞行历史数据建立能量和功率的轮廓图，用核模糊c聚类算法将飞行阶段分为有限状态。同时，基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；再根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式，同时，飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，实现对瞬时功率的最优控制。从而实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。
本发明的总体技术方案如图1所示，具体步骤为：
1.建立无人机功率和能量轮廓图
本发明从无人机飞行历史数据中调取无人机飞行时需消耗的功率和能量并建立无人机飞行过程中需消耗的功率和能量轮廓图。无人机的飞行数据有无人机飞行时的高度、速度、温度、湿度、风力、风阻、飞行角度、飞行时间、飞行距离、机载燃油质量、飞行所消耗的功率和能量等数据。
2.通过聚类算法将飞行阶段进行划分
在对无人机飞行需要的功率和能量进行预处理过程中，常用算法有K-MEANS聚类算法、高斯混合模型(GMM)的期望最大化(EM)聚类、模糊聚类算法等，为解决能量的全局规划和功率的瞬时优化问题，本发明中采用的是核模糊c聚类算法，将无人机的飞行阶段分为起飞、平飞、降落三个阶段。
KFCM是通过核函数将原空间的样本映射到高维特征空间后在进行核模糊c聚类(fuzzy c-means clustering,FCM)。
对于FCM算法，若存在待聚类的样本集X＝{x1,x2...xn}，n为样本数，X＝{x1,x2...xn}为无人机飞行数据，则FCM目标函数为：
其中，τ为加权指数，c为聚类个数，vi为第i个聚类的聚类中心，μij为样本xj对第i个聚类的隶属程度。
通过非线性特征映射，将FCM目标函数中样本与聚类中心的欧式距离的平方||xj-vi||2改为||Φ(xj)-Φ(vi)||2，选择高斯作为核函数，则KFCM的目标函数为：
其中σ为高斯核参数，τ为模糊加权指数,为样本xj对第i个聚类的隶属程度的模糊加权。
通过对JKFCM求关于μij、vi的偏导，推导出KFCM算法的聚类核心和隶属函数的更新公式如下：
基于无人机的飞行状态参数，将无人机分为上升、平飞和降落三个飞行阶段，对于无人机的3个阶段，提取能量和功率作为分类的特征参数，选取3个聚类中心进行运算，具体的步骤如下：
1)首先要确定算法结束的阈值ε，最大迭代次数T，初始的迭代次数k＝1,聚类中心
2)计算隶属度(i＝1,2,3；j＝1,2,...,n)，并计算聚类中心vi＝(i＝1,2,3)；
3)如果||V(k+1)-V(k)||＜ε或者算法的次数k>T,那么算法结束，样本按照所属隶属度最高值分类，输出最终的聚类结果，否则k＝k+1，转到步骤2)。
3.运用BP神经网络建立能量预测模型和需求功率时间序列模型
通过BP神经网络建立无人机能量需求模型，主要是将无人机飞行速度、飞行高度、风速、飞行角度作为BP神经网络的输入，无人机飞行所需功率作为输出。同理，需求功率时间序列模型是将无人机的飞行速度、电机需求功率和电池SOC值作为输入，发动机的功率作为输出。BP神经网络结构示意图如图2。
4.在无人机飞行前，对每个阶段的能量进行预测。
由于每个阶段无人机飞行消耗的能量不同，因此在飞行前对每个阶段所需要的能量和功率进行预测。如图3所示，该系统输入无人机飞行的飞行任务设定和环境状态参数，基于能量预测模型对规划路径的能量分上升、平飞和降落三个阶段进行能量预测，已知机载储存电量的SOC值、温度和传动效率，根据函数关系求得电机能提供的最大功率，同理，已知发动机的转速和转矩，传动效率，可以计算出发动机能提供的最大功率，在保证无人机的燃油消耗最小且下一个阶段能够正常飞行的情况下，预测出本阶段无人机飞行所需要消耗的能量，并把本阶段预测的功率作为下一个阶段的输入，预测下一个阶段所需要消耗的能量，因此，可以获得无人机整个规划路径上所需要消耗的能量。
5.根据无人机飞行阶段中功率和能量的消耗进行模式的全局规划，即确定无人机各个飞行阶段的工作模式。
通过预测得到的无人机飞行时电机和发动机需要的功率，可以知道无人机的飞行模式，当飞行需求功率等于电机的输出功率，P＝Pm时，无人机为电机驱动，即无人机纯电动飞行；当飞行需求功率等于发动机的输出功率，P＝Pe时，无人机为发动机驱动，即无人机纯燃油飞行；当飞行需求功率等于电机的输出功率加上发动机的输出功率，γ为等效系数，P＝Pm+γPe时，无人机为混合驱动，即无人机混合动力飞行；电池的电量消耗完后，需对电池进行充电，即发动机在驱动的同时需对电池进行充电，因此无人机为飞行充电模式。
6.飞行过程中，对控制参数瞬时优化。
粒子群算法是近些年发展起来的一种新的进化算法，比遗传算法计算规则更为简单，不需要像遗传算法那样烦琐的交叉和变异操作，因而具有实现容易、精度高和收敛快等优点。因此，本专利采用粒子群算法，根据飞行历史数据获取无人机特征功率，对电机和发动机的输出功率比例进行瞬时优化，进而得到最小的燃油消耗。
建立二维搜索空间，将发动机的输出功率设定为粒子群搜索空间的横坐标，电机的输出功率设定为粒子群搜索空间的纵坐标，由传感器测得发动机各飞行状态参数，如发动机的转速、转矩、电池的剩余电量SOC值、电机的效率以及机载燃油量等参数，将最小燃油消耗作为目标函数值，建立优化机制，最终得到搜索空间内的最小燃油消耗对应的发动机功率和电机功率。
在搜索空间内，一个群体包括N个粒子，记作Y＝[y1，...，yn]、粒子i的位置变化率(速度)记作Vi＝[Vi1，...，ViD]T,位置记作Xi＝[Xi1，...，XiD]T,其中i＝1,…,N；粒子i到当前迭代为止自身发现的最优位置记作pi＝[pi1，...，piD]T,到当前迭代为止全部粒子发现的最优位置记作pg＝[pg1，...，pgD]T，即为发动机功率和电机功率，由发动机的功率和电机的功率可根据各自的MAP图得到各自的燃油消耗，相加得到对应位置的燃油消耗，将得到的燃油消耗设定为目标函数值，通过以下的公式进行更新：
Vid(t+1)＝vVid(t)+c1r1(pid-Xid(t))+c2r2(pgd-Xid(t))
Xid(t+1)＝Xid(t)+Xid(t+1)
式中d＝1,…,D；c1,c2为学习因子，是非负数一般取2；r1,r2是0～1内的随机数；Vid(t),Xid(t)分别是粒子i当前的速度与位置；pid是粒子i发现的个体最优位置；pgd是粒子i发现的全局最优位置，最终得到最小燃油消耗对应的发动机功率和电机功率的比例，根据MAP图得到各自对应的控制参数。
7.优化后数据管理。
将全局规划的各阶段工作模式和瞬时优化后的数据输入到历史数据中，从而实现无人机基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的混合推进系统的智能能量管理。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

1.一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，所述管控方法包括以下步骤：
步骤一：采集无人机飞行的历史数据，从飞行历史数据中调取飞行需要消耗的功率和能量数据，建立无人机能量和功率的轮廓图；
步骤二：运用核模糊c聚类算法KFCM将飞行阶段分为有限状态；同时，基于所述飞行历史数据，利用BP神经网络，建立飞行任务参数和飞行环境参数与能量需求之间的映射关系，飞行任务参数和飞行环境参数和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；
步骤三：通过已建立的能量预测模型和需求功率时间序列模型，在无人机飞行前，对规划路径无人机所需消耗的能量和功率预测；
步骤四：根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式；
步骤五：飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池关键子系统的效率MAP图，并运用粒子群算法实现对瞬时功率的最优控制；
步骤六：将全局规划的各阶段工作模式和瞬时优化的无人机控制参数输入到历史数据中，从而实现无人机基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的混合推进系统的智能能量管理。
2.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤一中，所述的飞行历史数据包括无人机飞行时的高度、速度、温度、湿度、风力、风阻、飞行角度、飞行时间、飞行距离、机载燃油质量、飞行所消耗的功率和能量数据。
3.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤二中，运用核模糊c聚类算法将无人机的飞行阶段分为起飞、平飞和降落三个阶段。
4.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤二中，所述的通过BP神经网络建立无人机能量预测模型，具体为将无人机的飞行状态参数作为输入，运用BP神经网络进行训练，并将无人机飞行所需要消耗的功率作为输出，达到无人机飞行前能量预测的目的。
5.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤二中，所述的通过BP神经网络建立无人机需求功率时间序列模型，是将无人机的飞行速度、电机需求功率和电池SOC值作为输入，发动机的功率作为输出。
6.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤二中，在无人机飞行前基于飞行任务平面对起飞、平飞、降落阶段所需消耗的能量和功率轮廓图进行预测。
7.根据权利要求6所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，所述的起飞阶段的能量预测，在设定飞行高度后，已知SOC的值和发动机温度，根据函数关系计算出电机所需要的功率；同理，根据发动机的扭矩、转速和传动效率计算出发送机所需要的功率；根据发动机和电机的效率MAP图，获取所需消耗的最小燃油量。
8.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤四中，所述的无人机的工作模式分为纯电动飞行、纯燃油飞行、混合动力飞行和飞行充电四种工作模式。
9.根据权利要求1所述的一种基于飞行数据的无人机混合推进系统能量管控方法，其特征在于，在步骤五中，根据功率预测轮廓图得到无人机的特征功率，对其工作模式的控制参数用粒子群算法进行瞬时优化，寻找无人机飞行时发动机和电机的最佳功率比，保证无人机工作在高效低能区，提高燃油的利用率。
CN201910471374.4A 2019-05-31 2019-05-31 一种基于飞行数据的无人机混合推进系统能量管控方法 Active CN110348595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910471374.4A CN110348595B (zh) 2019-05-31 2019-05-31 一种基于飞行数据的无人机混合推进系统能量管控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910471374.4A CN110348595B (zh) 2019-05-31 2019-05-31 一种基于飞行数据的无人机混合推进系统能量管控方法

Publications (2)

Publication Number Publication Date
CN110348595A true CN110348595A (zh) 2019-10-18
CN110348595B CN110348595B (zh) 2022-12-23

Family

ID=68174586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910471374.4A Active CN110348595B (zh) 2019-05-31 2019-05-31 一种基于飞行数据的无人机混合推进系统能量管控方法

Country Status (1)

Country Link
CN (1) CN110348595B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259943A (zh) * 2020-01-10 2020-06-09 天津大学 基于机器学习的温跃层预测方法
CN112180723A (zh) * 2020-09-15 2021-01-05 东北大学 一种基于能量分析的无人机任务规划方法及装置
CN112379290A (zh) * 2020-12-10 2021-02-19 中国南方电网有限责任公司超高压输电公司柳州局 一种无人机动力电池续航能力检测方法与装置
CN112572824A (zh) * 2020-12-14 2021-03-30 华南农业大学 一种载重型无人机的动力配置方法及装置
CN112711273A (zh) * 2020-12-29 2021-04-27 中国航天空气动力技术研究院 太阳能无人机航迹规划方法、电子设备及介质
CN112731967A (zh) * 2020-12-24 2021-04-30 中科院计算技术研究所大数据研究院 一种基于聚类和遗传算法的多无人机协同任务规划方法
CN112749855A (zh) * 2019-10-29 2021-05-04 顺丰科技有限公司 无人机调度方法、装置、计算机系统及存储介质
CN113093794A (zh) * 2021-03-29 2021-07-09 西北工业大学 面向宽域飞行的多模态精确划分方法
CN113110558A (zh) * 2021-05-12 2021-07-13 南京航空航天大学 一种混合推进无人机需求功率预测方法
CN113147729A (zh) * 2020-12-30 2021-07-23 北京航空航天大学 一种油电混合动力系统的能量管理方法、能量调整方法
CN113221258A (zh) * 2021-06-14 2021-08-06 西北工业大学 一种结合推进功率预测mpc的电推进无人机能量管理方法
CN113342020A (zh) * 2021-06-14 2021-09-03 西北工业大学 一种电推进无人机推进功率预测方法
CN113723978A (zh) * 2020-05-26 2021-11-30 华晨宝马汽车有限公司 一种轴瓦需求量预测方法和系统
CN114879735A (zh) * 2022-05-27 2022-08-09 阳光新能源开发股份有限公司 航线规划方法、系统、终端设备及介质
CN116361713A (zh) * 2023-04-19 2023-06-30 湖北交通职业技术学院 飞机发动机的性能检测方法及系统
CN116910923A (zh) * 2023-09-13 2023-10-20 中国航空工业集团公司金城南京机电液压工程研究中心 一种机载机电系统的优化设计方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970523A (zh) * 2017-03-01 2017-07-21 南京航空航天大学 一种飞机自适应动力与热管理系统的能量管理策略
CN109143867A (zh) * 2018-09-26 2019-01-04 上海海事大学 一种基于神经网络控制的混合动力船舶的能量管理方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106970523A (zh) * 2017-03-01 2017-07-21 南京航空航天大学 一种飞机自适应动力与热管理系统的能量管理策略
CN109143867A (zh) * 2018-09-26 2019-01-04 上海海事大学 一种基于神经网络控制的混合动力船舶的能量管理方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749855A (zh) * 2019-10-29 2021-05-04 顺丰科技有限公司 无人机调度方法、装置、计算机系统及存储介质
CN111259943A (zh) * 2020-01-10 2020-06-09 天津大学 基于机器学习的温跃层预测方法
CN113723978B (zh) * 2020-05-26 2023-10-24 华晨宝马汽车有限公司 一种轴瓦需求量预测方法和系统
CN113723978A (zh) * 2020-05-26 2021-11-30 华晨宝马汽车有限公司 一种轴瓦需求量预测方法和系统
CN112180723A (zh) * 2020-09-15 2021-01-05 东北大学 一种基于能量分析的无人机任务规划方法及装置
CN112180723B (zh) * 2020-09-15 2022-02-01 东北大学 一种基于能量分析的无人机任务规划方法及装置
CN112379290A (zh) * 2020-12-10 2021-02-19 中国南方电网有限责任公司超高压输电公司柳州局 一种无人机动力电池续航能力检测方法与装置
CN112379290B (zh) * 2020-12-10 2024-09-13 中国南方电网有限责任公司超高压输电公司柳州局 一种无人机动力电池续航能力检测方法与装置
CN112572824A (zh) * 2020-12-14 2021-03-30 华南农业大学 一种载重型无人机的动力配置方法及装置
CN112572824B (zh) * 2020-12-14 2022-03-25 华南农业大学 一种载重型无人机的动力配置方法及装置
CN112731967B (zh) * 2020-12-24 2021-11-19 中科院计算技术研究所大数据研究院 一种基于聚类和遗传算法的多无人机协同任务规划方法
CN112731967A (zh) * 2020-12-24 2021-04-30 中科院计算技术研究所大数据研究院 一种基于聚类和遗传算法的多无人机协同任务规划方法
CN112711273A (zh) * 2020-12-29 2021-04-27 中国航天空气动力技术研究院 太阳能无人机航迹规划方法、电子设备及介质
CN113147729A (zh) * 2020-12-30 2021-07-23 北京航空航天大学 一种油电混合动力系统的能量管理方法、能量调整方法
CN113093794A (zh) * 2021-03-29 2021-07-09 西北工业大学 面向宽域飞行的多模态精确划分方法
CN113110558A (zh) * 2021-05-12 2021-07-13 南京航空航天大学 一种混合推进无人机需求功率预测方法
CN113221258B (zh) * 2021-06-14 2022-09-16 西北工业大学 一种结合推进功率预测mpc的电推进无人机能量管理方法
CN113342020A (zh) * 2021-06-14 2021-09-03 西北工业大学 一种电推进无人机推进功率预测方法
CN113221258A (zh) * 2021-06-14 2021-08-06 西北工业大学 一种结合推进功率预测mpc的电推进无人机能量管理方法
CN114879735A (zh) * 2022-05-27 2022-08-09 阳光新能源开发股份有限公司 航线规划方法、系统、终端设备及介质
CN116361713A (zh) * 2023-04-19 2023-06-30 湖北交通职业技术学院 飞机发动机的性能检测方法及系统
CN116361713B (zh) * 2023-04-19 2023-08-29 湖北交通职业技术学院 飞机发动机的性能检测方法及系统
CN116910923A (zh) * 2023-09-13 2023-10-20 中国航空工业集团公司金城南京机电液压工程研究中心 一种机载机电系统的优化设计方法及装置
CN116910923B (zh) * 2023-09-13 2023-12-12 中国航空工业集团公司金城南京机电液压工程研究中心 一种机载机电系统的优化设计方法及装置

Also Published As

Publication number Publication date
CN110348595B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN110348595A (zh) 一种基于飞行数据的无人机混合推进系统能量管控方法
CN112287463B (zh) 一种基于深度强化学习算法的燃料电池汽车能量管理方法
CN109067490B (zh) 蜂窝网联下多无人机协同移动边缘计算系统资源分配方法
Xue et al. Design of a lithium-ion battery pack for PHEV using a hybrid optimization method
CN108528436A (zh) 一种内外层嵌套的ecms多目标双层优化方法
CN108819934B (zh) 一种混合动力车辆的动力分配控制方法
CN116341395B (zh) 多堆燃料电池飞机的能量管理方法、系统、设备及终端
CN113479186B (zh) 一种混合动力汽车能量管理策略优化方法
Xue Design and Optimization of Lithium-Ion Batteries for Electric-Vehicle Applications.
CN113815437B (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN114122466B (zh) 燃料电池车电池优化管理方法、系统、设备及介质
Lin et al. Multi-objective optimized driving strategy of dual-motor EVs using NSGA-II as a case study and comparison of various intelligent algorithms
CN115392340A (zh) 一种多能源电力推进船舶的电力负荷预测系统与预测方法
Li et al. Energy-controlled optimization algorithm for rechargeable unmanned aerial vehicle network
CN113255143B (zh) 一种分布式混合电推进飞行器能量管理系统
CN116522498B (zh) 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法
CN116278987B (zh) 基于鸽群优化算法的氢燃料电池汽车能量管理方法及系统
CN116956667A (zh) 一种锂离子电池最大可用能计算方法和系统
Gao et al. A health-aware energy management strategy for fuel cell hybrid electric UAVs based on safe reinforcement learning
CN108394402A (zh) 一种并联式混合动力汽车的混合扭矩控制方法
CN116819372A (zh) 一种神经网络计算储能电池健康状态的方法
CN116080883A (zh) 一种船舶能量管理方法、装置、设备及存储介质
CN113997925B (zh) 一种插电式混合动力系统能量管理方法
CN115933633A (zh) 基于量子绸鱼优化机制的机船协同任务分配方法
CN115713173A (zh) 一种基于改进金鹰优化算法的多配送中心多无人机核酸样品配送路径规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant