CN112069600A - 一种多动力源混合动力系统及其能量管理方法 - Google Patents

一种多动力源混合动力系统及其能量管理方法 Download PDF

Info

Publication number
CN112069600A
CN112069600A CN202010927511.3A CN202010927511A CN112069600A CN 112069600 A CN112069600 A CN 112069600A CN 202010927511 A CN202010927511 A CN 202010927511A CN 112069600 A CN112069600 A CN 112069600A
Authority
CN
China
Prior art keywords
power
output
engine
storage battery
soc
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
CN202010927511.3A
Other languages
English (en)
Other versions
CN112069600B (zh
Inventor
张自宇
王春燕
赵万忠
宋迎东
吴刚
曹铭纯
孟琦康
朱耀鎏
于博洋
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 CN202010927511.3A priority Critical patent/CN112069600B/zh
Publication of CN112069600A publication Critical patent/CN112069600A/zh
Application granted granted Critical
Publication of CN112069600B publication Critical patent/CN112069600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D27/00—Arrangement or mounting of power plants in aircraft; Aircraft characterised by the type or position of power plants
    • B64D27/02—Aircraft characterised by the type or position of power plants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D31/00—Power plant control systems; Arrangement of power plant control systems in aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种多动力源混合动力系统及其能量管理方法，系统包括：发动机、油箱、混合储能系统、机载电动机组、电动机螺旋桨、发动机螺旋桨、离合器、整流器、逆变器、电子调速器、荷电状态估计单元、发电/电动一体机和控制单元；本发明采用超级电容与蓄电池组进行连接组成混合储能系统，提高原有飞行器混合动力系统中蓄电池的使用寿命和动态供电性能；另外本发明对于蓄电池组、超级电容和发动机组成的多动力源混合动力系统提供了一种新型能量管理方法，不仅能够提高发动机的燃料利用效率和飞行器的续航里程，还能进一步的提高电池使用寿命和动态供电特性。

Description

一种多动力源混合动力系统及其能量管理方法
技术领域
本发明属于航空飞行器技术领域，具体指代一种多动力源混合动力系统及其能量管理方法。
背景技术
近年来，随着科技发展进步，当今世界不得不面对两个严峻的问题，即不断上升的能源需求和严重的环境污染问题。而随着发动机和电机技术的发展以及节能减排的需求，目前油电混合动力技术已经成功的应用在汽车上，并且已经投入了市场。但是在航空领域融入混合动力技术还在起步阶段，如果将油电混合汽车上的油电混合的关键技术，在满足飞行环境和飞机设计的基本要求下，对已经成熟的油电混合进行改进，就可以对于广阔的航空领域技术产生强烈的冲击。
对于日益枯竭的能源和污染严重的环境，混合动力飞机将极大的提高航空领域对环保事业的贡献。另外，随着目前无人机技术的发展对无人机的续航、隐蔽以及机动性等提出了要求，将混合动力技术应用在无人机上，借助其独特的多动力源混合模式，可以通过改变其飞行模式实现多种功能，进而满足现代军事及民事的各种飞行需求。
目前的混合动力技术多是油动发动机和蓄电池的混合，但是由于蓄电池受电化学反应速率限制，功率密度低，在负载功率突变时，不能在短时间内提供系统需要的能量，难以满足系统的动态需求，且会缩减蓄电池的使用寿命。而在车辆混合动力领域有人将超级电容与蓄电池组进行连接组成混合储能系统，利用超级电容具有的高功率密度的优点去补足蓄电池功率密度较低的缺点从而大大改善蓄电池的供电特性，提高蓄电池的使用寿命和动态供电性能。
另外，能量管理策略是研究混合动力系统的关键技术之一，在满足无人机负载瞬时变化的需求下，发动机和蓄电池按照能量管理算法合理分配输出功率，提高燃料利用效率，延长电池使用寿命，提高续航里程，同时使各设备处于最佳工作状态。
然而，目前对于航空领域的混合动力技术的研究中，一方面少有将超级电容加在混合动力系统中。另一方面，在混合动力系统中加入超级电容后的多动力源系统如何有效管理混合动力系统的能量，保证飞行器正常运行的同时提高飞行器的续航能力和燃油利用率等能力也是亟待解决的问题。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种多动力源混合动力系统及其能量管理方法，以解决现有技术中存在的混合动力系统中蓄电池动态工作特性较差和缺少有效的多动力源混合动力系统能量管理方法等问题；本发明采用超级电容与蓄电池组进行连接组成混合储能系统，提高原有飞行器混合动力系统中蓄电池的使用寿命和动态供电性能；另外本发明对于蓄电池组、超级电容和发动机组成的多动力源混合动力系统提供了一种新型能量管理方法，不仅能够提高发动机的燃料利用效率和飞行器的续航里程，还能进一步的提高电池使用寿命和动态供电特性。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种多动力源混合动力系统，包括：发动机、油箱、混合储能系统、机载电动机组、电动机螺旋桨、发动机螺旋桨、离合器、整流器、逆变器、电子调速器、荷电状态(SOC)估计单元、发电/电动一体机和控制单元；
所述油箱与发动机通过输油管路连接，用于给所述发动机供油；
所述混合储能系统包括：超级电容和蓄电池组，二者采用并联的方式连接，混合储能系统的输入端与所述整流器的输出端电气相连，输出端与所述逆变器的输入端电气相连；
所述离合器的输入端与所述发动机的输出端相连，输出端与所述发动机螺旋桨相连，用于中断发动机的动力；
所述发电/电动一体机的输入端与所述发动机的输出端通过传动机构相连，输出端与所述整流器的输入端电气相连；
所述电子调速器的输入端与所述逆变器的输出端电气相连，输出端与所述机载电动机组电气相连；
所述机载电动机组的输出端与所述电动机螺旋桨相连；
所述SOC估计单元的输入端与所述蓄电池组电气相连，输出端与所述控制单元电气相连，用于估计蓄电池组的SOC，并将SOC信号传递给控制单元；
所述控制单元与所述发动机、离合器、发动/电动机、混合储能系统和电子调速器等电气相连，用于控制各部件保证飞行器的飞行。
进一步地，所述超级电容选用双电层超级电容。
进一步地，所述蓄电池组与超级电容组合成的混合储能系统的拓扑结构为通过功率变换器(DC/DC)的并联结构，且蓄电池和超级电容均通过功率变换器连接至母线并通过DC/AC变换器输出。
进一步地，所述发动机可根据飞行器载重等级和运行需求，选择活塞发动机或涡喷/涡扇发动机或涡桨/涡轴发动机。
一种多动力源混合动力系统的能量管理方法，基于上述系统，步骤如下：
(1)控制单元根据飞行器飞行工况、自身物理参数和状态参数，计算得到飞行器飞行需求的功率，同时对蓄电池组的SOC进行估计；
(2)根据步骤(1)得到的飞行器需求功率和蓄电池组的SOC信号，采用模糊控制策略对混合储能系统和发动机的输出功率进行分配；
(3)根据步骤(2)得到的混合储能系统所需输出的功率，将其与前一时刻的输出功率进行对比，控制单元根据前后两时刻的输出功率差，对超级电容和蓄电池组的输出功率进行分配。
进一步地，所述步骤(1)中SOC估计方法采用Kalman滤波电流积分法，并在其中引入相关修正系数对累积误差进行纠正，具体步骤如下：
(1.1)飞行器启动时采用Kalman滤波法对初始蓄电池组的SOC进行估计得到初始荷电状态SOC0，估计时基于二阶RC电路模型，选取状态变量为电池的SOC、电容电压U1、U2，输入变量为端电流I，输出变量为端电压U，离散状态空间模型和观测模型分别为：
Figure BDA0002668943850000031
U(k)＝G(SOC(k))-U1(k)-U2(k)-R0I(k)+nm(k)
式中，C1、C2分别为二阶RC电路的极化容值，R1、R2分别为二阶RC电路的极化电阻值ΔT为采样时间，nm(k)为量测噪声，ρ为充放电效率，n1(k)n2(k)n3(k)为过程噪声，G(SOC(k))为拟合得到的OCV-SOC关系函数；
将蓄电池组初始状态参数带入上述离散状态空间模型和观测模型，经计算后得到SOC0；
(1.2)根据Kalman滤波法计算得到的SOC0，采用电流积分法对蓄电池组的SOC进行估计，具体估计公式为：
Figure BDA0002668943850000032
η＝Ksoc·Kt·Ko·ηc
式中，λ为放电倍率修正系数；C为放电倍率；η为实际库伦效率；ηc为理想情况(放电倍率1C，工作温度25℃)下折算的库伦效率；Ksoc受SOC状态影响的修正系数；Kt为受温度影响的修正系数；Ko为受电池老化程度影响的修正系数；
(1.3)在飞行器运行过程中，选取一定的时间间隔T进行步骤(1.1)，重新得到蓄电池组的SOC准确值对蓄电池SOC估计过程进行修正。
进一步地，所述步骤(2)中的混合储能系统和发动机的输出功率分配方法，具体步骤为：
(2.1)选择模糊控制器输入输出变量；
选取蓄电池组的SOC、飞行器需求功率Pneed和飞行器需求功率的误差Perror作为模糊控制的输入，发动机输出功率Pengine和混合储能系统的输出功率Pmix作为输出，建立一个3输入2输出的模糊控制器；Perror＝Pneed-Pactual为飞行器的需求功率与实际飞行器输出功率的差值；
(2.2)对输入输出变量进行模糊化；
选择常用的三角函数作为输入输出变量的隶属度函数，并将上述模糊控制器中的蓄电池组的SOC、飞行器需求功率Pneed和发动机输出功率Pengine的基本论域均量化到[0,1]之间，将飞行器需求功率的误差Perror和混合储能系统的输出功率Pmix的基本论域量化到[-1,1]之间，具体量化公式为：
Figure BDA0002668943850000041
Figure BDA0002668943850000042
Figure BDA0002668943850000043
Figure BDA0002668943850000044
Figure BDA0002668943850000045
根据量化后的输入输出，将飞行器的需求功率Pneed的基本论域划分为PS(正小)、PM(正中)和PB(正大)3个模糊集合；将需求功率的功率误差信号Perror的基本论域划分为NB(负大)、ZO(零)和PB(正大)3个模糊集合；将蓄电池组的SOC的基本论域划分为PS(正小)、PM(正中)和PB(正大)3个模糊集合；
对于模糊控制器的输出变量，将发动机输出功率Pengine的基本论域划分为PS(正小)、PM(正中)和PB(正大)3个模糊集合；将混合储能系统的输出功率Pmix的基本论域划分为NS(负小)、ZO(零)、PS(正小)、PM(正中)和PB(正大)5个模糊集合；
(2.3)制定模糊控制规则；
根据无人机混合动力系统的特点，制定的模糊控制规则应该满足以下条件:
(a)能够实时跟踪飞行器的需求功率；
(b)当飞行器需求功率小于发动机的额定功率，且小于发动机最佳工作区间时，发动机停机或为蓄电池充电，飞行器所需功率由混合储能系统提供；
(c)当飞行器需求功率在发动机的最佳工作区间时，飞行器所需功率由发动机提供，保证发动机工作在最佳工作区间；
(d)当飞行器需求功率大于发动机的最佳工作区间时，发动机的输出的功率作为主输出功率，其一直处于运行状态，多出的部分由混合储能系统提供；
(e)当燃油量充足时，发动机正常输出功率，当剩余燃油量小于设定值时，发动机停止工作，飞行器转为纯电动模式飞行，飞行器所需功率均由混合储能系统提供；
(2.4)对输出结果进行反模糊化；
选用中位数法对输出的模糊结果进行反模糊化，输出分配给发动机和混合储能系统的实际数值。
进一步地，所述步骤(3)中的超级电容和蓄电池组的输出功率分配具体是对前后两时刻的混合储能系统所需功率的差值进行分配，分配完成后蓄电池输出的功率PBout(t)为前一时刻输出功率PBout(t-1)与分配功率PB(t)之和，超级电容分配完成后的输出功率PCout(t)即为分配得到的功率PC(t)，且功率分配过程中应进行环境检测，即设置功率差Pmixe的阈值
Figure BDA0002668943850000052
当功率差Pmixe达到阈值
Figure BDA0002668943850000053
之后启用功率分配，否则由蓄电池供电，具体分配时的分配方法采用动态优化的方法。
进一步地，所述步骤(3)中动态优化的方法具体步骤为：
(3.1)分别建立超级电容和蓄电池的数学模型；
超级电容模型：
超级电容的开路电压表示为：
Figure BDA0002668943850000051
其中，C(t)为本征容量，与其放电电流IC(t)及当前温度T(t)有关；Δt为仿真时间步长；UC(t)为t时刻超级电容电压；UC(t+1)为t+1时刻超级电容电压；
忽略漏电电流不计时，输出端的充放电功率PC(t)表示为：
PC(t)＝UC0(t)·IC(t)＝[UC(t)-IC(t)·Rs(t)]·IC(t)
其中，UC0(t)为超级电容端电压；Rs(t)为超级电容内阻；
蓄电池模型：
采用一阶RC电路，其等效电路模型的状态方程表述为：
Figure BDA0002668943850000061
其中，I为蓄电池工作电流；UB为电池的输出电压；Uoc为理想电压源；RB0为电池的欧姆内阻；R1为极化内阻；C1为极化电容，U1为RC环节上对应的极化电压；
电池输出端的充放电功率PB表示为：
PB(t)＝UB0(t)·IB(t)＝[UB(t)-IB(t)·RB0(t)]·IB(t)
其中，UB0(t)为蓄电池的端电压；
(3.2)建立动态优化模型；
(3.2.1)选取蓄电池组的功率配比Ba为优化模型的优化输出变量，则超级电容的功率配比为Ca＝1-Ba，则超级电容和蓄电池的所需输出功率表示为：
PB_need＝Ba·(Pmix(t)-Pmix(t-1))
PC_need＝Ca·(Pmix(t)-Pmix(t-1))
其中，PB_need为蓄电池组所需输出的功率；PC_need为超级电容所需输出的功率；
(3.2.2)建立约束条件；
由于超级电容和蓄电池组在实际工作过程中均存在额定电流，则对两者所允许通过的电流进行约束，表示为：
IB_min≤IB≤IB_max
IC_min≤IC≤IC_max
其中，IB_max和IB_min分别为蓄电池组所允许通过的电流的上下限；IC_max和IC_min分别为超级电容所允许通过的电流的上下限；
由于功率配比取值范围自身有一定的约束，因此需对蓄电池组功率输出进行一定的限制，表示为：
0≤Ba≤1
根据蓄电池组的SOC上下限值，对于蓄电池组的荷电状态进行约束：
SOCmin≤SOC≤SOCmax
其中，SOCmax和SOCmin分别为设置的蓄电池组的SOC上限和下限，这里分别取0.2和0.8；
(3.2.3)建立目标函数；
考虑到蓄电池组的放电特性，保证蓄电池组具有平滑的功率输出曲线，提高能量利用效率，蓄电池组输出功率平滑性目标为：
J1＝(PB(t))2
建立蓄电池寿命成本目标为：
Figure BDA0002668943850000071
Bz＝a1c3+a2c2+a3c1+a4
其中，Bz为与放电率c有关的系数；ai为拟合因子，i＝1,2,3,4；AB为电池放电的安时吞吐量；
为保证超级电容的能量利用效率，应对超级电容的放电安时吞吐量进行限制，表示为：
Figure BDA0002668943850000072
Cz＝a1c3+a2c2+a3c1+a4
其中，Cz为与放电率c有关的系数；AC为电池放电的安时吞吐量；
对上述目标函数进行加权处理，同时对各目标函数的数量级调整一致，最终得到的目标函数表示为：
J＝ω1J1+ω2J2+ω3J3
其中，ω1、ω2和ω3分别为数量级调整因子与加权因子的融合因子；
最终的优化模型表示为：
Figure BDA0002668943850000073
(3.3)基于步骤(3.1)和(3.2)中建立的模型，采用动态优化的方法对功率分配过程进行优化，优化结果即为最终的蓄电池组的功率配比Ba。
进一步地，所述步骤(3.3)中的动态优化方法选用动态模拟退火算法，具体优化过程如下：
(3.3.1)判断当前功率差是否达到所设功率差阈值，若达到则执行下一步骤(3.3.2)，否则结束；
(3.3.2)初始化参数：温度T0、降温系数αT、终止温度Tt和马尔可夫链长度L；
(3.3.3)判断当前优化是否执行完成，当mod(t,tok)＝0时开始一次新的优化循环，其中tok为优化保持时间，否则认为一次优化循环未结束，不输入新的外界参数，仍输出上一时刻的蓄电池组功率配比Ba0；
(3.3.4)令当前温度T＝T0，任取初始解0≤Ba int≤1，并计算优化目标值Jint；
(3.3.5)对当前解Ba＝Ba0int随机扰动后产生一个新解0≤Ba new≤1，并计算新的优化目标值Jnew；
(3.3.6)计算Ba new的增量ΔJ＝J(Ba new)-J(Ba 0int)；
(3.3.7)若ΔJ＜0，则接受Ba new作为新的当前解Ba＝Ba new；否则计算Ba new的接受概率exp(-ΔJ/T)，然后产生一个在(0,1)区间上均匀分布的随机数rand，若exp(-ΔJ/T)＞rand，也接受Ba new作为新的当前解Ba＝Ba new，否则保留当前解Ba＝Ba int；
(3.3.8)若满足终止条件T≤Tt，则输出当前解Ba为最优解，结束；否则进行温度衰减T＝T*αT后返回到步骤(3.3.5)。
本发明的有益效果：
本发明采用超级电容与蓄电池组连接而成的混合储能系统代替现有混合动力系统中的蓄电池部分，不仅改善了混合动力系统的动力输出的动态特性，还能提高蓄电池组的使用寿命；
本发明对于多动力源混合储能系统提供了一种双层复合式能量管理方法，对发动机和混合储能系统、蓄电池组和超级电容两类混合系统进行了单独的控制，在提高混合动力系统的燃油经济性的同时，也改善了蓄电池组的供电特性和能量利用率。
附图说明
图1为本发明的多动力源混合动力系统图；
图2位本发明的混合储能系统的拓扑结构；
图3为本发明能量管理方法框图；
图4为本发明的蓄电池组SOC估计框图；
图5为本发明SOC估计所用二阶RC电路模型图；
图6为本发明的模糊控制器基本原理图；
图7为本发明的模糊控制器中蓄电池SOC的隶属度函数示意图；
图8为本发明的模糊控制器中需求功率的隶属度函数示意图；
图9为本发明的模糊控制器中需求功率的误差的隶属度函数示意图；
图10为本发明的模糊控制器中发动机功率的隶属度函数示意图；
图11为本发明的模糊控制器中混合储能系统功率的隶属度函数示意图；
图12为本发明的动态优化流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种多动力源混合动力系统，包括：发动机、油箱、混合储能系统、机载电动机组、电动机螺旋桨、发动机螺旋桨、离合器、整流器、逆变器、电子调速器、荷电状态(SOC)估计单元、发电/电动一体机和控制单元；
所述油箱与发动机通过输油管路连接，用于给所述发动机供油；
所述混合储能系统包括：超级电容和蓄电池组，二者采用并联的方式连接，混合储能系统的输入端与所述整流器的输出端电气相连，输出端与所述逆变器的输入端电气相连；所述超级电容选用双电层超级电容；参照图2所示，
所述蓄电池组与超级电容组合成的混合储能系统的拓扑结构为通过功率变换器(DC/DC)的并联结构，且蓄电池和超级电容均通过功率变换器连接至母线并通过DC/AC变换器输出；
所述离合器的输入端与所述发动机的输出端相连，输出端与所述发动机螺旋桨相连，用于中断发动机的动力；
所述发电/电动一体机的输入端与所述发动机的输出端通过传动机构相连，输出端与所述整流器的输入端电气相连；
所述电子调速器的输入端与所述逆变器的输出端电气相连，输出端与所述机载电动机组电气相连；
所述机载电动机组的输出端与所述电动机螺旋桨相连；
所述SOC估计单元的输入端与所述蓄电池组电气相连，输出端与所述控制单元电气相连，用于估计蓄电池组的SOC，并将SOC信号传递给控制单元；
所述控制单元与所述发动机、离合器、发动/电动机、混合储能系统和电子调速器等电气相连，用于控制各部件保证飞行器的飞行。
其中，所述发动机可根据飞行器载重等级和运行需求，选择活塞发动机或涡喷/涡扇发动机或涡桨/涡轴发动机。
参照图3所示，一种多动力源混合动力系统的能量管理方法，基于上述系统，步骤如下：
(1)控制单元根据飞行器飞行工况、自身物理参数和状态参数，计算得到飞行器飞行需求的功率，同时对蓄电池组的SOC进行估计；
SOC估计方法采用Kalman滤波电流积分法，并在其中引入相关修正系数对累积误差进行纠正，如图4所示，具体步骤如下：
(1.1)飞行器启动时采用Kalman滤波法对初始蓄电池组的SOC进行估计得到初始荷电状态SOC0，估计时基于二阶RC电路模型，如图5所示，选取状态变量为电池的SOC、电容电压U1、U2，输入变量为端电流I，输出变量为端电压U，离散状态空间模型和观测模型分别为：
Figure BDA0002668943850000101
U(k)＝G(SOC(k))-U1(k)-U2(k)-R0I(k)+nm(k)
式中，C1、C2分别为二阶RC电路的极化容值，R1、R2分别为二阶RC电路的极化电阻值ΔT为采样时间，nm(k)为量测噪声，ρ为充放电效率，n1(k)n2(k)n3(k)为过程噪声，G(SOC(k))为拟合得到的OCV-SOC关系函数；
将蓄电池组初始状态参数带入上述离散状态空间模型和观测模型，经计算后得到SOC0；
(1.2)根据Kalman滤波法计算得到的SOC0，采用电流积分法对蓄电池组的SOC进行估计，具体估计公式为：
Figure BDA0002668943850000102
η＝Ksoc·Kt·Ko·ηc
式中，λ为放电倍率修正系数；C为放电倍率；η为实际库伦效率；ηc为理想情况(放电倍率1C，工作温度25℃)下折算的库伦效率；Ksoc受SOC状态影响的修正系数；Kt为受温度影响的修正系数；Ko为受电池老化程度影响的修正系数；
(1.3)在飞行器运行过程中，选取一定的时间间隔T进行步骤(1.1)，重新得到蓄电池组的SOC准确值对蓄电池SOC估计过程进行修正。
(2)根据步骤(1)得到的飞行器需求功率和蓄电池组的SOC信号，如图6所示，采用模糊控制策略对混合储能系统和发动机的输出功率进行分配；
混合储能系统和发动机的输出功率分配方法，具体步骤为：
(2.1)选择模糊控制器输入输出变量；
选取蓄电池组的SOC、飞行器需求功率Pneed和飞行器需求功率的误差Perror作为模糊控制的输入，发动机输出功率Pengine和混合储能系统的输出功率Pmix作为输出，建立一个3输入2输出的模糊控制器；Perror＝Pneed-Pactual为飞行器的需求功率与实际飞行器输出功率的差值；
(2.2)对输入输出变量进行模糊化；
参照图7-11所示，选择常用的三角函数作为输入输出变量的隶属度函数，并将上述模糊控制器中的蓄电池组的SOC、飞行器需求功率Pneed和发动机输出功率Pengine的基本论域均量化到[0,1]之间，将飞行器需求功率的误差Perror和混合储能系统的输出功率Pmix的基本论域量化到[-1,1]之间，具体量化公式为：
Figure BDA0002668943850000111
Figure BDA0002668943850000112
Figure BDA0002668943850000113
Figure BDA0002668943850000114
Figure BDA0002668943850000115
根据量化后的输入输出，将飞行器的需求功率Pneed的基本论域划分为PS(正小)、PM(正中)和PB(正大)3个模糊集合；将需求功率的功率误差信号Perror的基本论域划分为NB(负大)、ZO(零)和PB(正大)3个模糊集合；将蓄电池组的SOC的基本论域划分为PS(正小)、PM(正中)和PB(正大)3个模糊集合；
对于模糊控制器的输出变量，将发动机输出功率Pengine的基本论域划分为PS(正小)、PM(正中)和PB(正大)3个模糊集合；将混合储能系统的输出功率Pmix的基本论域划分为NS(负小)、ZO(零)、PS(正小)、PM(正中)和PB(正大)5个模糊集合；
(2.3)制定模糊控制规则；
根据无人机混合动力系统的特点，制定的模糊控制规则应该满足以下条件:
(a)能够实时跟踪飞行器的需求功率；
(b)当飞行器需求功率小于发动机的额定功率，且小于发动机最佳工作区间时，发动机停机或为蓄电池充电，飞行器所需功率由混合储能系统提供；
(c)当飞行器需求功率在发动机的最佳工作区间时，飞行器所需功率由发动机提供，保证发动机工作在最佳工作区间；
(d)当飞行器需求功率大于发动机的最佳工作区间时，发动机的输出的功率作为主输出功率，其一直处于运行状态，多出的部分由混合储能系统提供；
(e)当燃油量充足时，发动机正常输出功率，当剩余燃油量小于设定值时，发动机停止工作，飞行器转为纯电动模式飞行，飞行器所需功率均由混合储能系统提供；
具体模糊控制规则如表1所示：
表1
Figure BDA0002668943850000121
Figure BDA0002668943850000122
(2.4)对输出结果进行反模糊化；
选用中位数法对输出的模糊结果进行反模糊化，输出分配给发动机和混合储能系统的实际数值。
(3)根据步骤(2)得到的混合储能系统所需输出的功率，将其与前一时刻的输出功率进行对比，控制单元根据前后两时刻的输出功率差，对超级电容和蓄电池组的输出功率进行分配；
超级电容和蓄电池组的输出功率分配具体是对前后两时刻的混合储能系统所需功率的差值进行分配，分配完成后蓄电池输出的功率PBout(t)为前一时刻输出功率PBout(t-1)与分配功率PB(t)之和，超级电容分配完成后的输出功率PCout(t)即为分配得到的功率PC(t)，且功率分配过程中应进行环境检测，即设置功率差Pmixe的阈值
Figure BDA0002668943850000133
当功率差Pmixe达到阈值
Figure BDA0002668943850000134
之后启用功率分配，否则由蓄电池供电，具体分配时的分配方法采用动态优化的方法；
动态优化的方法具体步骤为：
(3.1)分别建立超级电容和蓄电池的数学模型；
超级电容模型：
超级电容的开路电压表示为：
Figure BDA0002668943850000131
其中，C(t)为本征容量，与其放电电流IC(t)及当前温度T(t)有关；Δt为仿真时间步长；UC(t)为t时刻超级电容电压；UC(t+1)为t+1时刻超级电容电压；
忽略漏电电流不计时，输出端的充放电功率PC(t)表示为：
PC(t)＝UC0(t)·IC(t)＝[UC(t)-IC(t)·Rs(t)]·IC(t)
其中，UC0(t)为超级电容端电压；Rs(t)为超级电容内阻；
蓄电池模型：
采用一阶RC电路，其等效电路模型的状态方程表述为：
Figure BDA0002668943850000132
其中，I为蓄电池工作电流；UB为电池的输出电压；Uoc为理想电压源；RB0为电池的欧姆内阻；R1为极化内阻；C1为极化电容，U1为RC环节上对应的极化电压；
电池输出端的充放电功率PB表示为：
PB(t)＝UB0(t)·IB(t)＝[UB(t)-IB(t)·RB0(t)]·IB(t)
其中，UB0(t)为蓄电池的端电压；
(3.2)建立动态优化模型；
(3.2.1)选取蓄电池组的功率配比Ba为优化模型的优化输出变量，则超级电容的功率配比为Ca＝1-Ba，则超级电容和蓄电池的所需输出功率表示为：
PB_need＝Ba·(Pmix(t)-Pmix(t-1))
PC_need＝Ca·(Pmix(t)-Pmix(t-1))
其中，PB_need为蓄电池组所需输出的功率；PC_need为超级电容所需输出的功率；
(3.2.2)建立约束条件；
由于超级电容和蓄电池组在实际工作过程中均存在额定电流，则对两者所允许通过的电流进行约束，表示为：
IB_min≤IB≤IB_max
IC_min≤IC≤IC_max
其中，IB_max和IB_min分别为蓄电池组所允许通过的电流的上下限；IC_max和IC_min分别为超级电容所允许通过的电流的上下限；
由于功率配比取值范围自身有一定的约束，因此需对蓄电池组功率输出进行一定的限制，表示为：
0≤Ba≤1
根据蓄电池组的SOC上下限值，对于蓄电池组的荷电状态进行约束：
SOCmin≤SOC≤SOCmax
其中，SOCmax和SOCmin分别为设置的蓄电池组的SOC上限和下限，这里分别取0.2和0.8；
(3.2.3)建立目标函数；
考虑到蓄电池组的放电特性，保证蓄电池组具有平滑的功率输出曲线，提高能量利用效率，蓄电池组输出功率平滑性目标为：
J1＝(PB(t))2
建立蓄电池寿命成本目标为：
Figure BDA0002668943850000141
Bz＝a1c3+a2c2+a3c1+a4
其中，Bz为与放电率c有关的系数；ai为拟合因子，i＝1,2,3,4；AB为电池放电的安时吞吐量；
为保证超级电容的能量利用效率，应对超级电容的放电安时吞吐量进行限制，表示为：
Figure BDA0002668943850000142
Figure BDA0002668943850000151
其中，Cz为与放电率c有关的系数；AC为电池放电的安时吞吐量；
对上述目标函数进行加权处理，同时对各目标函数的数量级调整一致，最终得到的目标函数表示为：
J＝ω1J1+ω2J2+ω3J3
其中，ω1、ω2和ω3分别为数量级调整因子与加权因子的融合因子；
最终的优化模型表示为：
Figure BDA0002668943850000152
(3.3)基于步骤(3.1)和(3.2)中建立的模型，采用动态优化的方法对功率分配过程进行优化，优化结果即为最终的蓄电池组的功率配比Ba。
所述步骤(3.3)中的动态优化方法选用动态模拟退火算法，如图12所示，具体优化过程如下：
(3.3.1)判断当前功率差是否达到所设功率差阈值，若达到则执行下一步骤(3.3.2)，否则结束；
(3.3.2)初始化参数：温度T0、降温系数αT、终止温度Tt和马尔可夫链长度L；
(3.3.3)判断当前优化是否执行完成，当mod(t,tok)＝0时开始一次新的优化循环，其中tok为优化保持时间，否则认为一次优化循环未结束，不输入新的外界参数，仍输出上一时刻的蓄电池组功率配比Ba0；
(3.3.4)令当前温度T＝T0，任取初始解0≤Ba int≤1，并计算优化目标值Jint；
(3.3.5)对当前解Ba＝Ba0int随机扰动后产生一个新解0≤Ba new≤1，并计算新的优化目标值Jnew；
(3.3.6)计算Ba new的增量ΔJ＝J(Ba new)-J(Ba 0int)；
(3.3.7)若ΔJ＜0，则接受Ba new作为新的当前解Ba＝Ba new；否则计算Ba new的接受概率exp(-ΔJ/T)，然后产生一个在(0,1)区间上均匀分布的随机数rand，若exp(-ΔJ/T)＞rand，也接受Ba new作为新的当前解Ba＝Ba new，否则保留当前解Ba＝Ba int；
(3.3.8)若满足终止条件T≤Tt，则输出当前解Ba为最优解，结束；否则进行温度衰减T＝T*αT后返回到步骤(3.3.5)。
本发明具体应用途径很多，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，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (10)

1.一种多动力源混合动力系统，其特征在于，包括：发动机、油箱、混合储能系统、机载电动机组、电动机螺旋桨、发动机螺旋桨、离合器、整流器、逆变器、电子调速器、荷电状态估计单元、发电/电动一体机和控制单元；
所述油箱与发动机通过输油管路连接，用于给所述发动机供油；
所述混合储能系统包括：超级电容和蓄电池组，二者采用并联的方式连接，混合储能系统的输入端与所述整流器的输出端电气相连，输出端与所述逆变器的输入端电气相连；
所述离合器的输入端与所述发动机的输出端相连，输出端与所述发动机螺旋桨相连，用于中断发动机的动力；
所述发电/电动一体机的输入端与所述发动机的输出端通过传动机构相连，输出端与所述整流器的输入端电气相连；
所述电子调速器的输入端与所述逆变器的输出端电气相连，输出端与所述机载电动机组电气相连；
所述机载电动机组的输出端与所述电动机螺旋桨相连；
所述SOC估计单元的输入端与所述蓄电池组电气相连，输出端与所述控制单元电气相连，用于估计蓄电池组的SOC，并将SOC信号传递给控制单元；
所述控制单元与所述发动机、离合器、发动/电动机、混合储能系统和电子调速器等电气相连，用于控制各部件保证飞行器的飞行。
2.根据权利要求1所述的多动力源混合动力系统，其特征在于，所述超级电容选用双电层超级电容。
3.根据权利要求1所述的多动力源混合动力系统，其特征在于，所述蓄电池组与超级电容组合成的混合储能系统的拓扑结构为通过功率变换器的并联结构，且蓄电池和超级电容均通过功率变换器连接至母线并通过DC/AC变换器输出。
4.根据权利要求1所述的多动力源混合动力系统，其特征在于，所述发动机根据飞行器载重等级和运行需求，选择活塞发动机或涡喷/涡扇发动机或涡桨/涡轴发动机。
5.一种多动力源混合动力系统的能量管理方法，基于权利要求1-4中任意一项所述系统，其特征在于，步骤如下：
(1)控制单元根据飞行器飞行工况、自身物理参数和状态参数，计算得到飞行器飞行需求的功率，同时对蓄电池组的SOC进行估计；
(2)根据步骤(1)得到的飞行器需求功率和蓄电池组的SOC信号，采用模糊控制策略对混合储能系统和发动机的输出功率进行分配；
(3)根据步骤(2)得到的混合储能系统所需输出的功率，将其与前一时刻的输出功率进行对比，控制单元根据前后两时刻的输出功率差，对超级电容和蓄电池组的输出功率进行分配。
6.根据权利要求5所述的多动力源混合动力系统的能量管理方法，其特征在于，所述步骤(1)中SOC估计方法采用Kalman滤波电流积分法，并在其中引入相关修正系数对累积误差进行纠正，具体步骤如下：
(1.1)飞行器启动时采用Kalman滤波法对初始蓄电池组的SOC进行估计得到初始荷电状态SOC0，估计时基于二阶RC电路模型，选取状态变量为电池的SOC、电容电压U1、U2，输入变量为端电流I，输出变量为端电压U，离散状态空间模型和观测模型分别为：
Figure FDA0002668943840000021
U(k)＝G(SOC(k))-U1(k)-U2(k)-R0I(k)+nm(k)
式中，C1、C2分别为二阶RC电路的极化容值，R1、R2分别为二阶RC电路的极化电阻值ΔT为采样时间，nm(k)为量测噪声，ρ为充放电效率，n1(k)n2(k)n3(k)为过程噪声，G(SOC(k))为拟合得到的OCV-SOC关系函数；
将蓄电池组初始状态参数带入上述离散状态空间模型和观测模型，经计算后得到SOC0；
(1.2)根据Kalman滤波法计算得到的SOC0，采用电流积分法对蓄电池组的SOC进行估计，具体估计公式为：
Figure FDA0002668943840000022
η＝Ksoc·Kt·Ko·ηc
式中，λ为放电倍率修正系数；C为放电倍率；η为实际库伦效率；ηc为理想情况下折算的库伦效率；Ksoc受SOC状态影响的修正系数；Kt为受温度影响的修正系数；Ko为受电池老化程度影响的修正系数；
(1.3)在飞行器运行过程中，选取一定的时间间隔T进行步骤(1.1)，重新得到蓄电池组的SOC准确值对蓄电池SOC估计过程进行修正。
7.根据权利要求5所述的多动力源混合动力系统的能量管理方法，其特征在于，所述步骤(2)中的混合储能系统和发动机的输出功率分配方法，具体步骤为：
(2.1)选择模糊控制器输入输出变量；
选取蓄电池组的SOC、飞行器需求功率Pneed和飞行器需求功率的误差Perror作为模糊控制的输入，发动机输出功率Pengine和混合储能系统的输出功率Pmix作为输出，建立一个3输入2输出的模糊控制器；Perror＝Pneed-Pactual为飞行器的需求功率与实际飞行器输出功率的差值；
(2.2)对输入输出变量进行模糊化；
选择常用的三角函数作为输入输出变量的隶属度函数，并将上述模糊控制器中的蓄电池组的SOC、飞行器需求功率Pneed和发动机输出功率Pengine的基本论域均量化到[0,1]之间，将飞行器需求功率的误差Perror和混合储能系统的输出功率Pmix的基本论域量化到[-1,1]之间，具体量化公式为：
Figure FDA0002668943840000031
Figure FDA0002668943840000032
Figure FDA0002668943840000033
Figure FDA0002668943840000034
Figure FDA0002668943840000035
根据量化后的输入输出，将飞行器的需求功率Pneed的基本论域划分为正小、正中和正大)3个模糊集合；将需求功率的功率误差信号Perror的基本论域划分为负大、零和正大3个模糊集合；将蓄电池组的SOC的基本论域划分为正小、正中和正大3个模糊集合；
对于模糊控制器的输出变量，将发动机输出功率Pengine的基本论域划分为正小、正中和正大3个模糊集合；将混合储能系统的输出功率Pmix的基本论域划分为负小、零、正小、正中和正大5个模糊集合；
(2.3)制定模糊控制规则；
根据无人机混合动力系统的特点，制定的模糊控制规则应该满足以下条件：
(a)能够实时跟踪飞行器的需求功率；
(b)当飞行器需求功率小于发动机的额定功率，且小于发动机最佳工作区间时，发动机停机或为蓄电池充电，飞行器所需功率由混合储能系统提供；
(c)当飞行器需求功率在发动机的最佳工作区间时，飞行器所需功率由发动机提供，保证发动机工作在最佳工作区间；
(d)当飞行器需求功率大于发动机的最佳工作区间时，发动机的输出的功率作为主输出功率，其一直处于运行状态，多出的部分由混合储能系统提供；
(e)当燃油量充足时，发动机正常输出功率，当剩余燃油量小于设定值时，发动机停止工作，飞行器转为纯电动模式飞行，飞行器所需功率均由混合储能系统提供；
(2.4)对输出结果进行反模糊化；
选用中位数法对输出的模糊结果进行反模糊化，输出分配给发动机和混合储能系统的实际数值。
8.根据权利要求5所述的多动力源混合动力系统的能量管理方法，其特征在于，所述步骤(3)中的超级电容和蓄电池组的输出功率分配具体是对前后两时刻的混合储能系统所需功率的差值进行分配，分配完成后蓄电池输出的功率PBout(t)为前一时刻输出功率PBout(t-1)与分配功率PB(t)之和，超级电容分配完成后的输出功率PCout(t)即为分配得到的功率PC(t)，且功率分配过程中应进行环境检测，即设置功率差Pmixe的阈值
Figure FDA0002668943840000041
当功率差Pmixe达到阈值
Figure FDA0002668943840000042
之后启用功率分配，否则由蓄电池供电，具体分配时的分配方法采用动态优化的方法。
9.根据权利要求5所述的多动力源混合动力系统的能量管理方法，其特征在于，所述步骤(3)中动态优化的方法具体步骤为：
(3.1)分别建立超级电容和蓄电池的数学模型；
超级电容模型：
超级电容的开路电压表示为：
Figure FDA0002668943840000043
其中，C(t)为本征容量，与其放电电流IC(t)及当前温度T(t)有关；Δt为仿真时间步长；UC(t)为t时刻超级电容电压；UC(t+1)为t+1时刻超级电容电压；
忽略漏电电流不计时，输出端的充放电功率PC(t)表示为：
PC(t)＝UC0(t)·IC(t)＝[UC(t)-IC(t)·Rs(t)]·IC(t)
其中，UC0(t)为超级电容端电压；Rs(t)为超级电容内阻；
蓄电池模型：
采用一阶RC电路，其等效电路模型的状态方程表述为：
Figure FDA0002668943840000051
其中，I为蓄电池工作电流；UB为电池的输出电压；Uoc为理想电压源；RB0为电池的欧姆内阻；R1为极化内阻；C1为极化电容，U1为RC环节上对应的极化电压；
电池输出端的充放电功率PB表示为：
PB(t)＝UB0(t)·IB(t)＝[UB(t)-IB(t)·RB0(t)]·IB(t)
其中，UB0(t)为蓄电池的端电压；
(3.2)建立动态优化模型；
(3.2.1)选取蓄电池组的功率配比Ba为优化模型的优化输出变量，则超级电容的功率配比为Ca＝1-Ba，则超级电容和蓄电池的所需输出功率表示为：
PB_need＝Ba·(Pmix(t)-Pmix(t-1))
PC_need＝Ca·(Pmix(t)-Pmix(t-1))
其中，PB_need为蓄电池组所需输出的功率；PC_need为超级电容所需输出的功率；
(3.2.2)建立约束条件；
对超级电容和蓄电池组所允许通过的电流进行约束，表示为：
IB_min≤IB≤IB_max
IC_min≤IC≤IC_max
其中，IB_max和IB_min分别为蓄电池组所允许通过的电流的上下限；IC_max和IC_min分别为超级电容所允许通过的电流的上下限；
对蓄电池组功率输出进行一定的限制，表示为：
0≤Ba≤1
根据蓄电池组的SOC上下限值，对于蓄电池组的荷电状态进行约束：
SOCmin≤SOC≤SOCmax
其中，SOCmax和SOCmin分别为设置的蓄电池组的SOC上限和下限，这里分别取0.2和0.8；
(3.2.3)建立目标函数；
蓄电池组输出功率平滑性目标为：
J1＝(PB(t))2
建立蓄电池寿命成本目标为：
Figure FDA0002668943840000061
Bz＝a1c3+a2c2+a3c1+a4
其中，Bz为与放电率c有关的系数；ai为拟合因子，i＝1,2,3,4；AB为电池放电的安时吞吐量；
对超级电容的放电安时吞吐量进行限制，表示为：
Figure FDA0002668943840000062
Cz＝a1c3+a2c2+a3c1+a4
其中，Cz为与放电率c有关的系数；AC为电池放电的安时吞吐量；
对上述目标函数进行加权处理，同时对各目标函数的数量级调整一致，最终得到的目标函数表示为：
J＝ω1J1+ω2J2+ω3J3
其中，ω1、ω2和ω3分别为数量级调整因子与加权因子的融合因子；
最终的优化模型表示为：
Figure FDA0002668943840000063
(3.3)基于步骤(3.1)和(3.2)中建立的模型，采用动态优化的方法对功率分配过程进行优化，优化结果即为最终的蓄电池组的功率配比Ba。
10.根据权利要求9所述的多动力源混合动力系统的能量管理方法，其特征在于，所述步骤(3.3)中的动态优化方法选用动态模拟退火算法，具体优化过程如下：
(3.3.1)判断当前功率差是否达到所设功率差阈值，若达到则执行下一步骤(3.3.2)，否则结束；
(3.3.2)初始化参数：温度T0、降温系数αT、终止温度Tt和马尔可夫链长度L；
(3.3.3)判断当前优化是否执行完成，当mod(t,tok)＝0时开始一次新的优化循环，其中tok为优化保持时间，否则认为一次优化循环未结束，不输入新的外界参数，仍输出上一时刻的蓄电池组功率配比Ba0；
(3.3.4)令当前温度T＝T0，任取初始解0≤Baint≤1，并计算优化目标值Jint；
(3.3.5)对当前解Ba＝Ba0int随机扰动后产生一个新解0≤Banew≤1，并计算新的优化目标值Jnew；
(3.3.6)计算Banew的增量ΔJ＝J(Banew)-J(Ba0int)；
(3.3.7)若ΔJ＜0，则接受Banew作为新的当前解Ba＝Banew；否则计算Banew的接受概率exp(-ΔJ/T)，然后产生一个在(0,1)区间上均匀分布的随机数rand，若exp(-ΔJ/T)＞rand，也接受Banew作为新的当前解Ba＝Banew，否则保留当前解Ba＝Baint；
(3.3.8)若满足终止条件T≤Tt，则输出当前解Ba为最优解，结束；否则进行温度衰减T＝T*αT后返回到步骤(3.3.5)。
CN202010927511.3A 2020-09-07 2020-09-07 一种多动力源混合动力系统及其能量管理方法 Active CN112069600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010927511.3A CN112069600B (zh) 2020-09-07 2020-09-07 一种多动力源混合动力系统及其能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010927511.3A CN112069600B (zh) 2020-09-07 2020-09-07 一种多动力源混合动力系统及其能量管理方法

Publications (2)

Publication Number Publication Date
CN112069600A true CN112069600A (zh) 2020-12-11
CN112069600B CN112069600B (zh) 2024-06-11

Family

ID=73663160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010927511.3A Active CN112069600B (zh) 2020-09-07 2020-09-07 一种多动力源混合动力系统及其能量管理方法

Country Status (1)

Country Link
CN (1) CN112069600B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113232868A (zh) * 2021-05-24 2021-08-10 南京航空航天大学 一种多能量复合推进的混联式无人机及其控制方法
CN113277095A (zh) * 2021-05-25 2021-08-20 南京航空航天大学 一种串联式油电混动无人机能量管理系统及方法
CN114094671A (zh) * 2021-11-26 2022-02-25 南京航空航天大学 分布式电推进飞机混合储能系统的功率分配方法及系统
CN117228021A (zh) * 2023-11-14 2023-12-15 贵州航天智慧农业有限公司 用于高粱害虫类别识别的无人机充放电调节方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403405A (zh) * 2008-10-31 2009-04-08 浙江大学 混合动力单泵多执行元件工程机械的能量回收系统
CN109501635A (zh) * 2018-10-29 2019-03-22 中国科学院电工研究所 串联混合动力系统或复合电源的控制方法与装置
CN109980771A (zh) * 2018-12-28 2019-07-05 中国科学院电工研究所 串联混合动力系统或复合电源的控制方法与装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403405A (zh) * 2008-10-31 2009-04-08 浙江大学 混合动力单泵多执行元件工程机械的能量回收系统
CN109501635A (zh) * 2018-10-29 2019-03-22 中国科学院电工研究所 串联混合动力系统或复合电源的控制方法与装置
CN109980771A (zh) * 2018-12-28 2019-07-05 中国科学院电工研究所 串联混合动力系统或复合电源的控制方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁美林: "混合动力汽车HESS设计与控制策略优化研究", 内燃机与配件, no. 16, pages 5 - 6 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113232868A (zh) * 2021-05-24 2021-08-10 南京航空航天大学 一种多能量复合推进的混联式无人机及其控制方法
CN113232868B (zh) * 2021-05-24 2022-06-17 南京航空航天大学 一种多能量复合推进的混联式无人机及其控制方法
CN113277095A (zh) * 2021-05-25 2021-08-20 南京航空航天大学 一种串联式油电混动无人机能量管理系统及方法
CN114094671A (zh) * 2021-11-26 2022-02-25 南京航空航天大学 分布式电推进飞机混合储能系统的功率分配方法及系统
CN117228021A (zh) * 2023-11-14 2023-12-15 贵州航天智慧农业有限公司 用于高粱害虫类别识别的无人机充放电调节方法及系统
CN117228021B (zh) * 2023-11-14 2024-01-19 贵州航天智慧农业有限公司 用于高粱害虫类别识别的无人机充放电调节方法及系统

Also Published As

Publication number Publication date
CN112069600B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN112069600A (zh) 一种多动力源混合动力系统及其能量管理方法
CN109606137B (zh) 融合成本寿命因素的多源电驱动系统经济性优化方法
CN110126813B (zh) 一种车载燃料电池混合动力系统的能量管理方法
CN107878445A (zh) 一种考虑电池性能衰减的混合动力汽车能量优化管理方法
CN111459025A (zh) 一种运用粒子算法优化的复合电源电动汽车功率分配策略
CN112152280B (zh) 一种动力电池多变量均衡控制方法
CN112434463B (zh) 一种车辆复合电源能量管理系统
CN113103921A (zh) 一种基于开关网络的切换式能量管理方法
CN112345940B (zh) 基于soc预估的车辆复合电源系统模糊逻辑控制方法
CN112455291B (zh) 一种燃料电池汽车复合电源瞬时最优能量管理方法
CN112757916B (zh) 一种氢燃料电池汽车多能源动力系统能量平衡的控制方法
CN115848217B (zh) 一种基于多能源模组的能源管理方法
CN115360738B (zh) 一种考虑可控域约束的电动汽车一次调频控制方法
CN111137171A (zh) 一种复合电源系统模糊控制器的参数优化设计方法
CN111404374B (zh) 运用遗传算法优化的双向dc-dc变换器的控制方法
CN114030392B (zh) 燃料电池-锂电池混源供电系统效率优化能量管理策略
CN110920601B (zh) 一种多异性动力源系统能量配置优化控制的方法
CN114765262A (zh) 用于控制具有超级电容器的级联电池组和燃料电池的发电系统和方法
Li et al. Multi-objective optimal energy management strategy and economic analysis for an range-extended electric bus
Niu et al. Torque distribution control of hybrid electric bus with composite power supply based on particle swarm optimization
TWI797921B (zh) 電動車混合電力供電系統控制方法
CN114094671B (zh) 分布式电推进飞机混合储能系统的功率分配方法及系统
CN109624965A (zh) 一种插电式混合动力汽车can网络控制系统及其方法
CN115071449B (zh) 一种基于多模糊控制器的复合电源能量管理方法
Ma et al. On-line energy management strategy for hybrid electric vehicles based on AMPC

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