CN113221258A - 一种结合推进功率预测mpc的电推进无人机能量管理方法 - Google Patents

Abstract

本发明公开了一种结合推进功率预测MPC的电推进无人机能量管理方法，该方法属于一种能量管理控制方法，用于燃料电池‑锂电池供能的电推进无人机，通过实时飞行数据对混合电源系统进行控制调度；以飞行过程中氢气消耗量最小为目标进行能量优化管理，通过结合基于深度神经网络预测推进功率需求以应对不同飞行工况和飞行条件带来的不确定性，通过优化求解来调节燃料电池和锂电池的输出功率，从而进一步提高系统的能耗经济性。

Description

一种结合推进功率预测MPC的电推进无人机能量管理方法

技术领域

本发明属于无人机技术领域，具体涉及一种电推进无人机能量管理方法。

背景技术

能量管理系统对混合电源输出功率进行优化或是控制的算法被称为能量管理方法。由于分布式电推进飞机的特殊性，相比较于地面电网，其约束条件更多，对于系统的重量、体积、散热、可靠性和安全性有着更为苛刻的要求。因此针对分布式电推进飞机这种“飞行微电网”来说，其能量管理方法研究就更加复杂。下面将依据能量管理方法的不同分类来分析已有的一些典型能量管理方法在电推进动力系统平台上应用的研究。

对于能量管理方法的分类可以从两个角度来区分。从时间尺度来讲，分为全局的策略和实时的策略，全局策略多为离线的，而实时策略多为在线滚动进行的；从方法角度来讲可以分为基于规则、基于优化和基于人工智能三大类。

基于规则的能量管理方法往往参照启发式策略的过去经验，将整个工作过程划分为不同的状态进行控制，这种方法在工程上易于应用和实现，但管理策略的最优性和自适应性有所欠缺。基于模糊的能量管理方法相较于基于规则的策略其对于不同工况的适应性要好，但仍旧不具备最优性。在确定的飞行工况前提下，基于动态规划的能量优化管理方法可以获得全局最优解，但对于电推进飞机来说，飞行工况复杂，为推进功率需求引入不确定性，而基于动态规划的能量管理方法只能针对特定的飞行工况，无法应对复杂的工况，其自适应性和鲁棒性有所欠缺。

发明内容

为了克服现有技术的不足，本发明提供了一种结合推进功率预测MPC的电推进无人机能量管理方法，该方法属于一种能量管理控制方法，用于燃料电池-锂电池供能的电推进无人机，通过实时飞行数据对混合电源系统进行控制调度；以飞行过程中氢气消耗量最小为目标进行能量优化管理，通过结合基于深度神经网络预测推进功率需求以应对不同飞行工况和飞行条件带来的不确定性，通过优化求解来调节燃料电池和锂电池的输出功率，从而进一步提高系统的能耗经济性。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：建立预测模型；

根据电推进无人机动力系统的能流关系，以状态空间方程作为模型预测控制MPC的预测模型；

设定锂电池电荷状态SOC、燃料电池的氢气消耗量m_fc以及锂电池的等效氢气消耗量m_bat为状态变量x＝[SOC，m_fc，m_bat]^T；选取燃料电池输出功率P_fc和锂电池输出功率P_bat作为控制变量u＝[P_fc，P_bat]^T；以产生的推进功率和系统总的等效氢耗量作为系统输出变量y，建立预测模型，形式如式(1)所示：

x^k+1＝Ax^k+Bu^k

y^k+1＝Cx^k+1+Du^k (1)

其中，A为状态矩阵，B为控制矩阵，C为输出状态矩阵，D为决策输出矩阵，k表示步数；

状态矩阵A、控制矩阵B、输出状态矩阵C以及决策输出矩阵D的推导如下：

锂电池电荷状态SOC与锂电池消耗的能量E_bat及锂电池的最大储存能量E_bat，max有如下关系：

SOC(k)＝E_bat(k)/E_bat，max (2)

对式(2)进行微分得到锂电池输出功率与SOC动态变化率的关系，如式(3)所示：

而锂电池的等效氢耗量和其所消耗的电量有关，而燃料电池的氢气消耗量与燃料电池所发出的电量有关，即：

其中，LHV_H2为氢气的低热值，η_fc为燃料电池的标称效率，E_fc为燃料电池输出能量；

对式(5)两端同时进行微分，得到锂电池的等效氢气消耗率与锂电池输出功率、燃料电池的氢气消耗率与燃料电池输出功率的关系，如式(6)和(7)所示：

对式(6)和式(7)进行前向欧拉离散化处理得到：

其中，T_S表示系统控制步长；

将总的能耗量用燃料电池的氢气消耗量、燃料电池权重系数K_ef、锂电池等效能耗以及锂电池的权重系数K_bat表示，如式(11)所示：

m_h2(k)＝K_efm_fc(k)+K_batm_bat(k) (11)

将推进功率需求用燃料电池功率、锂电池功率、变换器效率和调速器效率来表示，如式(12)所示；

其中，P_pro(k)表示第k步的推进功率，η_dc1和η_dc2分别表示蓄电池和燃料电池所接的DC/DC变换器的效率，η_inverter表示调速器的效率；

由式(2)-式(12)能够得到系统的状态空间方程，如式(13)和(14)所示：

通过系统的状态空间方程建立得到预测模型的状态矩阵A、控制矩阵B、输出状态矩阵C以及决策输出矩阵D，如式(15)-式(18)所示：

步骤2：滚动优化；

假设预测步数为p，则在时刻k时最优控制序列表示为：[u(k)，u(k+1|k)，u(k+2|k)，...，u(k+p-1|k)]，在k+1时刻最优控制序列表示为：[u(k+1)，u(k+2|k+1)，u(k+2|k+1)，...，u(k+p|k+1)]，控制过程中每一步都以此类推；

步骤3：反馈校正；

反馈校正环节对预测模型进行在线修正，首先监控被控对象的实际输出，以反馈控制方式对预测模型进行修正、补偿，然后再进行优化；

步骤4：参考轨迹；

设置一条期望曲线，使系统的当前输出值y(k)跟踪期望曲线，从而达到设定值y_r(k)，则期望曲线就是参考轨迹y_r(k)；

采用深度BP神经网络构建推进功率预测模型来为系统输出功率来提供参考轨迹，提高控制算法的鲁棒性和自适应性；

通过深度BP神经网络推进功率预测模型预测得到推进功率的预测值P_{pro_ref}，再对燃料电池和锂电池的能耗曲线进行函数拟合得到混合能源系统的等效氢耗量，以等效氢耗量最小为目标函数，形成电推进飞机动力系统的二次优化模型如式(19)和(20)所示：

通过二次优化模型求解得到最优的等效氢耗量

二者组成模型预测控制的参考轨迹向量组

以式(19)为目标通过滚动优化求解出与参考值误差最小的输入控制向量u^*，以此对分布式电推进无人机动力系统进行控制；

本发明的有益效果如下：

本发明方法与现有技术对比，本发明方法具备较好的自适应性和鲁棒性，能够适应不同飞行剖面工况，从而进一步提高系统的能耗经济性。

附图说明

图1为本发明的预测系统仿真模型。

图2为本发明的预测系统仿真参数设置。

图3为本发明MPC在k时刻的控制原理。

图4为本发明MPC滚动优化原理。

图5为本发明结合推进功率需求预测MPC原理框图。

图6为本发明MPC仿真系统模型。

图7为本发明实施例仿真验证的不同推进功率曲线。

图8为本发明实施例3种剖面下各能量管理策略的氢耗量。

图9为本发明实施例3种不同剖面下基于各能量管理策略的优化率。

图10为本发明实施例基于RT-LAB的电推进动力系统地面验证系统。

图11为本发明实施例基于MPC策略实验验证波形。

图12为本发明实施例两种策略母线电压纹波对比。

图13为本发明实施例两种策略氢耗量对比。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

模型预测控制(Model Predictive Control，MPC)是一类应用于工业过程控制领域的新型计算机控制算法。通过使用模型来实现输出状态量在输入控制量变化下对系统未来行为进行预测的控制方法。MPC控制系统主要包括：预测模型、滚动优化、反馈校正和参考轨迹。

一种结合推进功率预测MPC的电推进无人机能量管理方法，包括如下步骤：

步骤1：建立预测模型；

预测模型的形式可以是状态空间方程或是传递函数这类传统的模型，也可以是一些其他的非线性模型。只要能够满足其根据未来输入来预测输出的功能即可。因此不论模型的表现形式是什么，只要是具有预测功能的信息整合，都可以被作为预测模型。

根据电推进无人机动力系统的能流关系，以状态空间方程作为模型预测控制MPC的预测模型；

针对燃料电池-锂电池电推进无人机动力系统参数特性选择合适的状态变量和输入控制变量是建立预测模型的关键。设定锂电池电荷状态SOC、燃料电池的氢气消耗量m_fc以及锂电池的等效氢气消耗量m_bat为状态变量x＝[SOC，m_fc，m_bat]^T；选取燃料电池输出功率P_fc和锂电池输出功率P_bat作为控制变量u＝[P_fc，P_bat]^T；以产生的推进功率和系统总的等效氢耗量作为系统输出变量y，建立预测模型，形式如式(1)所示：

x^k+1＝Ax^k+Bu^k

y^k+1＝Cx^k+1+Du^k (1)

其中，A为状态矩阵，B为控制矩阵，C为输出状态矩阵，D为决策输出矩阵，k表示步数；

状态矩阵A、控制矩阵B、输出状态矩阵C以及决策输出矩阵D的推导如下：

要建立其状态空间模型，就要针对状态变量和控制变量建立起微分方程。锂电池电荷状态SOC与锂电池消耗的能量E_bat及锂电池的最大储存能量E_bat，max有如下关系：

SOC(k)＝E_bat(k)/E_bat，max (2)

对式(2)进行微分得到锂电池输出功率与SOC动态变化率的关系，如式(3)所示：

而锂电池的等效氢耗量和其所消耗的电量有关，而燃料电池的氢气消耗量与燃料电池所发出的电量有关，即：

其中，LHV_H2为氢气的低热值，η_fc为燃料电池的标称效率，E_fc为燃料电池输出能量；

对式(5)两端同时进行微分，得到锂电池的等效氢气消耗率与锂电池输出功率、燃料电池的氢气消耗率与燃料电池输出功率的关系，如式(6)和(7)所示：

对式(6)和式(7)进行前向欧拉离散化处理得到：

其中，T_S表示系统控制步长；

将总的能耗量用燃料电池的氢气消耗量、燃料电池权重系数K_ef、锂电池等效能耗以及锂电池的权重系数K_bat表示，如式(11)所示：

m_h2(k)＝K_efm_fc(k)+K_batm_bat(k) (11)

将推进功率需求用燃料电池功率、锂电池功率、变换器效率和调速器效率来表示，如式(12)所示；

其中，P_pro(k)表示第k步的推进功率，η_dc1和η_dc2分别表示蓄电池和燃料电池所接的DC/DC变换器的效率，η_inverter表示调速器的效率；

由式(2)-式(12)能够得到系统的状态空间方程，如式(13)和(14)所示：

通过系统的状态空间方程建立得到预测模型的状态矩阵A、控制矩阵B、输出状态矩阵C以及决策输出矩阵D，如式(15)-式(18)所示：

在Simulink环境下进行算法验证仿真实验时，使用Simulink自带的状态空间模型来建立预测模型，模型如图1所示，参数设置如图2所示。

步骤2：滚动优化；

完成预测模型的建立后，可以通过预测模型在有限时域内对系统状态进行预测，预测过程如图3所示。为了实现控制效果的局部最优化，则需要对在该预测时域内的控制变量进行优化。优化的目标可以是使系统未来的某一性能指标达到最优，对于电推进无人机动力系统来说，其优化指标可以是母线功率与某一期望输出的推进功率需求方差最小，或是系统的等效能耗最小。与传统优化方法相比MPC中的优化不是一个全局的优化，而是一个在有限时域内的滚动的优化。这就使得整个优化过程在有限时域内的优化得到的结果是全局次优解。对于分布式电推进无人机来说，推进功率的不确定性对控制效果的影响，可以由滚动优化有效的解决。

假设预测步数为p，则在时刻k时最优控制序列表示为：[u(k)，u(k+1|k)，u(k+2|k)，...，u(k+p-1|k)]，在k+1时刻最优控制序列表示为：[u(k+1)，u(k+2|k+1)，u(k+2|k+1)，...，u(k+p|k+1)]，控制过程中每一步都以此类推；迭代过程如图4所示，就是滚动优化的过程。

在Simulink环境下可以对MPC控制器的控制参数进行设置，可通过设置不同预测步长来改变控制效果，设置不同预测时域步数得到的控制序列也不同。

步骤3：反馈校正；

当MPC算法在进行滚动优化时，由于预测模型对于对象的动态特性的描述比较粗略，而在实际系统的控制中往往会引入干扰，因此预测模型于系统实际运行情况不可能完全吻合。为了解决这一问题，反馈校正环节对预测模型进行在线修正，首先监控被控对象的实际输出，以反馈控制方式对预测模型进行修正、补偿，然后再进行优化；在引入反馈校正后，由于利用了反馈信息形成了闭环优化系统，因此使得整个控制系统的鲁棒性和精确性得以提高。

步骤4：参考轨迹；

为了避免在控制过程中由系统动态特性引起的输入和输出的剧烈变化，设置一条期望曲线，使系统的当前输出值y(k)跟踪期望曲线，从而达到设定值y_r(k)，则期望曲线就是参考轨迹y_r(k)；

针对燃料电池-锂电池电推进无人机动力系统的模型预测控制能量管理策略为了解决飞行工况及飞行环境不同为推进功率带不确定性这一问题，采用深度BP神经网络构建推进功率预测模型来为系统输出功率来提供参考轨迹，提高控制算法的鲁棒性和自适应性；

结合神经网络预测推进功率需求的模型预测算法原理框图如图5所示，系统Simulink仿真模型搭建如图6所示。

通过深度BP神经网络推进功率预测模型预测得到推进功率的预测值P_{pro_ref}，再对燃料电池和锂电池的能耗曲线进行函数拟合得到混合能源系统的等效氢耗量，以等效氢耗量最小为目标函数，形成电推进飞机动力系统的二次优化模型如式(19)和(20)所示：

通过二次优化模型求解得到最优的等效氢耗量

二者组成模型预测控制的参考轨迹向量组

以式(19)为目标通过滚动优化求解出与参考值误差最小的输入控制向量u^*，以此对分布式电推进无人机动力系统进行控制；

采用如图7所示三条不同工况下的推进功率曲线对策略进行验证过程，将所设计的深度神经网络预测推进功率需求的模型预测控制的燃料电池无人机能量管理策略与基于规则的策略和基于二次规划的策略的氢耗量和优化率进行对比，如表1和表2所示。通过图8和图9的对比可以发现结合深度BP神经网络推进功率预测的模型预测控制策略优化效果最好，且优化控制具备较好的鲁棒性，能够适应不同飞行剖面工况。

表1 不同工况的氢耗量对比

表2 不同工况的优化率对比

在如图10所示的基于RT-Lab半物理仿真平台搭建无人机能量管理策略快速控制原型(RCP)实验验证平台中，按照1.5kW的功率等级负载曲线，仿真验证时长为1800_s，验证基于规则的和所设计的结合深度BP神经网络推进功率预测的MPC两种能量管理策略进行实验验证。验证无人机飞行过程中本发明算法在在动力系统中的实施效果。

由此得到的动力源功率响应，锂电池SOC和母线电压仿真波形如图11所示。两种策略的控制效果对比如图12和图13所示，不难发现，从控制效果的鲁棒性和优化效果来看，结合深度BP神经网络推进功率预测的MPC的能量管理策略的性能均优于基于规则能量管理策略。

Claims (1)

1.一种结合推进功率预测MPC的电推进无人机能量管理方法，其特征在于，包括以下步骤：

步骤1：建立预测模型；

根据电推进无人机动力系统的能流关系，以状态空间方程作为模型预测控制MPC的预测模型；

设定锂电池电荷状态SOC、燃料电池的氢气消耗量m_fc以及锂电池的等效氢气消耗量m_bat为状态变量x＝[SOC,m_fc,m_bat]^T；选取燃料电池输出功率P_fc和锂电池输出功率P_bat作为控制变量u＝[P_fc,P_bat]^T；以产生的推进功率和系统总的等效氢耗量作为系统输出变量y，建立预测模型，形式如式(1)所示：

x^k+1＝Ax^k+Bu^k

y^k+1＝Cx^k+1+Du^k (1)

其中，A为状态矩阵，B为控制矩阵，C为输出状态矩阵，D为决策输出矩阵，k表示步数；

状态矩阵A、控制矩阵B、输出状态矩阵C以及决策输出矩阵D的推导如下：

锂电池电荷状态SOC与锂电池消耗的能量E_bat及锂电池的最大储存能量E_bat,max有如下关系：

SOC(k)＝E_bat(k)/E_bat,max (2)

对式(2)进行微分得到锂电池输出功率与SOC动态变化率的关系，如式(3)所示：

而锂电池的等效氢耗量和其所消耗的电量有关，而燃料电池的氢气消耗量与燃料电池所发出的电量有关，即：

其中，LHV_H2为氢气的低热值，η_fc为燃料电池的标称效率,F_fc为燃料电池输出能量；

对式(5)两端同时进行微分，得到锂电池的等效氢气消耗率与锂电池输出功率、燃料电池的氢气消耗率与燃料电池输出功率的关系，如式(6)和(7)所示：

对式(6)和式(7)进行前向欧拉离散化处理得到：

其中，T_S表示系统控制步长；

将总的能耗量用燃料电池的氢气消耗量、燃料电池权重系数K_ef、锂电池等效能耗以及锂电池的权重系数K_bat表示，如式(11)所示：

m_h2(k)＝K_efm_fc(k)+K_batm_bat(k) (11)

将推进功率需求用燃料电池功率、锂电池功率、变换器效率和调速器效率来表示，如式(12)所示：

其中，P_pro(k)表示第k步的推进功率，η_dc1和η_dc2分别表示蓄电池和燃料电池所接的DC/DC变换器的效率，η_inverter表示调速器的效率；

由式(2)-式(12)能够得到系统的状态空间方程，如式(13)和(14)所示：

通过系统的状态空间方程建立得到预测模型的状态矩阵A、控制矩阵B、输出状态矩阵C以及决策输出矩阵D，如式(15)-式(18)所示：

步骤2：滚动优化；

假设预测步数为p，则在时刻k时最优控制序列表示为：[u(k),u(k+1|k),u(k+2|k),…,u(k+p-1|k)]，在k+1时刻最优控制序列表示为：[u(k+1),u(k+2|k+1),u(k+2|k+1),…,u(k+p|k+1)]，控制过程中每一步都以此类推；

步骤3：反馈校正；

反馈校正环节对预测模型进行在线修正，首先监控被控对象的实际输出，以反馈控制方式对预测模型进行修正、补偿，然后再进行优化；

步骤4：参考轨迹；

设置一条期望曲线，使系统的当前输出值y(k)跟踪期望曲线，从而达到设定值y_r(k)，则期望曲线就是参考轨迹y_r(k)；

采用深度BP神经网络构建推进功率预测模型来为系统输出功率来提供参考轨迹，提高控制算法的鲁棒性和自适应性；

通过深度BP神经网络推进功率预测模型预测得到推进功率的预测值P_{pro_ref}，再对燃料电池和锂电池的能耗曲线进行函数拟合得到混合能源系统的等效氢耗量，以等效氢耗量最小为目标函数，形成电推进飞机动力系统的二次优化模型如式(19)和(20)所示：

通过二次优化模型求解得到最优的等效氢耗量

二者组成模型预测控制的参考轨迹向量组

以式(19)为目标通过滚动优化求解出与参考值误差最小的输入控制向量u^*，以此对分布式电推进无人机动力系统进行控制；

Images