CN113255143B - 一种分布式混合电推进飞行器能量管理系统 - Google Patents
一种分布式混合电推进飞行器能量管理系统 Download PDFInfo
- Publication number
- CN113255143B CN113255143B CN202110612933.6A CN202110612933A CN113255143B CN 113255143 B CN113255143 B CN 113255143B CN 202110612933 A CN202110612933 A CN 202110612933A CN 113255143 B CN113255143 B CN 113255143B
- Authority
- CN
- China
- Prior art keywords
- hybrid electric
- electric propulsion
- reinforcement learning
- energy management
- distributed hybrid
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种分布式混合电推进飞行器能量管理系统,包括:先验知识模型,其包括飞行任务剖面内发动机最佳制动比油耗曲线、电池特性曲线和高升力推进器控制规律,用于对强化学习智能体的执行者进行限制;环境模型,其包括分布式混合电推进飞行器运动学、空气动力学模型以及发动机、发电机、储能模块、分布式推进器、大气环境,用于向强化学习智能体输出环境状态观测量;强化学习智能体,用于根据所述环境状态观测量生成并向分布式混合电推进飞行器输出动作变量的控制命令。本发明还公开了一种分布式混合电推进飞行器。相比现有技术,本发明基于深度强化学习算法,并将专家知识以先验知识的形式应用于强化学习模型中,具有更好的性能。
Description
技术领域
本发明涉及分布式混合电推进飞行器技术领域,尤其涉及一种分布式混合电推进飞行器能量管理系统。
背景技术
分布式推进系统是使用多个分布式推进器代替常规大尺寸发动机的动力系统。其中分布式混合电推进系统是指通过发动机驱动发电机发电,结合锂电池等储能与供电装置,用分布在飞行器上不同位置的多个电机驱动推进器提供推力的一种新型航空推进系统。分布式混合电推进具有绿色环保、提升推进系统效率、改善飞机性能、降低噪声和实现短距起降能力等优点。混合动力能量管理系统是混合动力飞机不可缺少的组成部分。通过适当的策略,混合动力飞机可以通过动力源之间的高效合作运行,从而降低燃料消耗和温室气体排放。一般来说,能源管理策略可以大致分为三类:基于规则的方法、基于优化的方法和基于学习的方法。基于规则的EMS(EMS,Energy Management Strategy)包括基于确定性规则和基于模糊规则的EMS。这些方法以其简单、实时性好等优点在混合动力汽车中得到了广泛的应用。然而,有限的优化能力和对人类专业知识的要求阻碍了它的进一步应用。预设规则限制了其在不同行驶循环下的灵活性和最优性。基于优化的EMS可进一步分为全局EMS和实时EMS。与基于规则的EMS不同,基于优化的EMS利用计算机算法对混合动力飞机的燃油经济性进行优化,不依赖于专业工程师的直觉和经验。此外,它还可以获得最佳工作时间,并对不同的行驶循环具有良好的适应性。但是,全局优化方法,如动态规划,需要预先知道飞行任务剖面循环,并且消耗了大量的计算资源。由于其缺点,它不适用于实时控制系统,通常作为离线基准来探索燃油经济性潜力。鉴于此,提出了实时优化方法,包括等效成本最小化策略和模型预测控制。这些方法基于能量消耗的等效假设,采用瞬时功率处理策略来最小化成本函数,在一定程度上提高了EMS的实时性和燃油经济性。然而,现有的EMS计算量大,对复杂的飞行任务剖面适应性差,优化效果较差。近年来,基于学习的分布式混合电推进飞机EMS算法,尤其是强化学习(RL,Reinforcement Learning)算法,已成为一种很有前途的解决方案。在混合动力汽车的能量管理领域,相关研究也表明,RL在复杂行驶工况下具有较强的学习能力和适应性,消耗的计算资源较少。但是,无模型的RL算法,以试错的方式学习最优EMS解,依赖于来自环境的大量真实样本来获得更好的性能,这通常会导致低采样效率。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种分布式混合电推进飞行器能量管理系统,基于深度强化学习进行分布式混合电推进飞行器的能量管理,并将分布式混合电推进飞机中的专家知识以先验知识的形式应用于强化学习模型中,具有更好的性能。
本发明具体采用以下技术方案解决上述技术问题:
一种分布式混合电推进飞行器能量管理系统,包括:
先验知识模型,其包括飞行任务剖面内发动机最佳制动比油耗曲线、电池特性曲线和高升力推进器控制规律,用于对强化学习智能体的执行者网络进行限制;环境模型,其包括分布式混合电推进飞行器运动学、空气动力学模型以及发动机、发电机、储能模块、分布式推进器、大气环境,用于向强化学习智能体输出环境状态观测量;
强化学习智能体,用于根据所述环境状态观测量生成并向分布式混合电推进飞行器输出动作变量的控制命令;所述强化学习智能体为学习了螺旋桨控制策略和能量管理策略的深度确定性策略梯度强化学习智能体,使用一个具有观察和动作这两个输入和一个输出的深度神经网络作为评价者网络,并使用具有一个观察输入和一个动作输出的深度神经网络作为执行者网络。
优选地,所述环境状态观测量包括所述分布式混合电推进飞行器的速度、高度、加速度、航迹角、电池电量。
优选地,所述动作变量包括:发动机功率、巡航螺旋桨功率、高升力螺旋桨功率。
优选地,所述强化学习智能体的终止训练条件isdone具体如下:
isdone=|ψ|≥X1∨|φ|≥X2∨|a|≥X3∨|Alt(t)ref-Alt(t)|≥X4∨Alt(t)<X5其中,ψ和φ分别为偏航角与滚转角,a为加速度,Alt(t)和Alt(t)ref分别为飞行任务剖面高度、飞行任务剖面参考高度,X1~X5为预设阈值。
优选地,所述强化学习智能体的奖励函数为:
其中,α、β、γ、μ、ε、κ为常系数,fuel(T,ω)为发动机实时燃油消耗,SOC(t)、SOCref分别为t时刻的电池电量以及参考电池电量,V(t)、Alt(t)分别为t时刻的飞行任务剖面速度与高度,V(t)ref、Alt(t)ref分别为飞行任务剖面参考速度与参考高度,T、ω分别为发动机转矩和转速,Tf为总飞行时长。
优选地,所述强化学习智能体在训练过程中所使用的评价指标包括燃油经济性以及算法的收敛效率和鲁棒性;所述燃油经济性是指电池电量在最优工作区间的前提下,在相同的非训练飞行任务剖面内测试算法的总燃油消耗量;所述算法的收敛效率是指在电量约束下相邻迭代点之间的距离;所述算法的鲁棒性是指在不同飞行任务剖面内的燃油经济性的平均值和标准差。
基于同一发明构思还可以得到以下技术方案:
一种分布式混合电推进飞行器,包括能量管理系统,所述能量管理系统为如上任一技术方案所述分布式混合电推进飞行器能量管理系统。
相比现有技术,本发明技术方案具有以下有益效果:
1)本发明技术方案采取了深度强化学习方法,解决了基于规则的方法中在不同飞行任务剖面循环下的不具有灵活性和最优性的问题,基于优化的方法在机载应用中存在计算量大,对复杂的飞行任务剖面适应性差,优化效果较差的问题,在复杂飞行任务剖面内具有较强的学习能力和适应性,消耗的计算资源较少。
2)本发明技术方案采取了基于知识的深度强化学习方法,将分布式混合电推进飞机中的专家知识以先验知识的形式应用于强化学习模型中,提高了强化学习中智能体的学习效率、分布式混合电推进飞机的燃油经济性、分布式混合电推进飞机的飞行控制稳定性。
附图说明
图1为具体实施例中分布式混合电推进飞机的硬件结构示意图;
图2为本发明分布式混合电推进飞行器能量管理系统的建立流程;
图3为具体实施例中分布式混合电推进飞行器能量管理系统的结构示意图。
具体实施方式
针对现有技术不足,本发明的解决思路是将深度强化学习方法应用于分布式混合电推进飞行器的能量管理,根据分布式混合电推进飞行器的特点对深度强化学习方法优化,并将分布式混合电推进飞机中的专家知识以先验知识的形式应用于强化学习模型中,从而获得实时性、燃油经济性、鲁棒性等方面性能更好的分布式混合电推进飞行器能量管理系统。
具体地,本发明所提出的分布式混合电推进飞行器能量管理系统,包括:先验知识模型,其包括飞行任务剖面内发动机最佳制动比油耗曲线、电池特性曲线和高升力推进器控制规律,用于对强化学习智能体的执行者网络进行限制;环境模型,其包括分布式混合电推进飞行器运动学、空气动力学模型以及发动机、发电机、储能模块、分布式推进器、大气环境,用于向强化学习智能体输出环境状态观测量;
强化学习智能体,用于根据所述环境状态观测量生成并向分布式混合电推进飞行器输出动作变量的控制命令;所述强化学习智能体为学习了螺旋桨控制策略和能量管理策略的深度确定性策略梯度强化学习智能体,使用一个具有观察和动作这两个输入和一个输出的深度神经网络作为评价者网络,并使用具有一个观察输入和一个动作输出的深度神经网络作为执行者网络。
为了便于公众理解,下面通过一个具体实施例并结合附图来对本发明的技术方案进行详细说明:
本实施例分布式混合电推进飞机的硬件结构如图1所示,该飞行器机翼由分布在翼尖的1组巡航螺旋桨、翼身的6组高升力螺旋桨组成,每个螺旋桨由单独的电机提供动力。发动机驱动发电机将机械能转化为电能,结合能量分配器与储能装置为分布在机翼上的多组电推进系统提供动力。
本发明根据分布式混合电推进飞行器的特点,将深度强化学习方法应用于分布式混合电推进飞行器的能量管理,构建出实时性、燃油经济性、鲁棒性等方面性能更好的分布式混合电推进飞行器能量管理系统。本实施例中所述能量管理系统的建立过程如图1所示,具体如下:
S1、建立先验知识模型:建立包括飞行任务剖面内发动机最佳制动比油耗(BSFC)曲线、电池特性曲线和高升力推进器控制规律的先验知识模型。具体包括以下步骤:
S11:发动机制动比油耗曲线模型:确定飞行任务剖面内发动机最优制动比油耗曲线;
S12:电池特性曲线确定电池工作范围:根据电池的特性曲线,确定在电池在飞行任务剖面内不同电压、温度、电量时的最优工作范围;
S13:高升力推进器控制规律模型:建立起飞阶段内根据飞行器实时速度、高度得到的高升力推进器控制规律模型;
S14:由上述建立的飞行任务剖面内发动机最佳制动比油耗曲线、电池特性曲线和高升力推进器控制规律建立先验知识模型,对强化学习智能体的执行者网络进行限制。
S2、建立环境模型:建立分布式混合电推进飞机运动学、空气动力学模型以及发动机、发电机、储能模块、分布式推进器、大气环境等模型。
S3、创建强化学习智能体:建立深度确定性策略梯度(Deep DeterministicPolicy Gradient,DDPG)智能体,同时学习螺旋桨控制策略以及能量管理策略。
S4、确定算法变量空间:定义DDPG智能体算法所需的观测变量、动作变量、终止训练条件以及奖励函数。具体包括以下步骤:
S41、创建环境观测变量:本实施例的环境观测变量包括飞行器速度、高度、加速度、航迹角、电池电量等;
S42、创建动作变量:本实施例的动作变量包括发动机功率、巡航螺旋桨功率、高升力螺旋桨功率;
S43、创建终止训练条件:设置适当的终止训练条件,以确定事件终止的条件,终止条件表征了事件明显进展顺利或进展不顺利,如果智能体达到其目标或无法恢复地远离其目标,则可以终止该事件。本实施例中的终止训练条件isdone 具体如下:
isdone=|ψ|≥X1∨|φ|≥X2∨|a|≥X3∨|Alt(t)ref-Alt(t)|≥X4∨Alt(t)<X5
其中,ψ和φ分别为偏航角与滚转角,a为加速度,Alt(t)和Alt(t)ref分别为飞行任务剖面高度、飞行任务剖面参考高度,X1~X5为预设阈值;本实施例中的终止训练条件isdone具体如下:
isdone=|ψ|≥30°∨|φ|≥30°∨|a|≥500m/s2∨|Alt(t)ref-Alt(t)|≥500m∨Alt(t)<-10m
即阈值X1~X5分别设置为30°、30°、500m/s2、500m、-10m;
S44、创建奖励函数:本实施例中的奖励函数与发动机实时燃油消耗,电池电量(SOC)的偏差,飞行器速度、高度偏差,以及实际仿真时间占总飞行时长的比例有关,具体的奖励函数为:
其中,α、β、γ、μ、ε、κ为常系数,fuel(T,ω)为发动机实时燃油消耗, SOC(t)、SOCref分别为t时刻的电池电量以及参考电池电量,V(t)、Alt(t)分别为 t时刻的飞行任务剖面速度与高度,V(t)ref、Alt(t)ref分别为飞行任务剖面参考速度与参考高度,T、ω分别为发动机转矩和转速,Tf为总飞行时长。
S5、创建执行者-评价者神经网络:评价者网络,创建一个具有两个输入(观察和动作)和一个输出的深度神经网络;执行者网络,DDPG智能体使用执行者表示要执行的操作。需创建一个具有一个观察输入,一个动作输出的深度神经网络。具体包括以下步骤:
S51、创建评价者神经网络:创建观测层:确定输入层、全连接层、激活函数层参数,构造观测层;创建动作层:确定输入层、全连接层参数,构造动作层;创建输出层:确定附加层、激活函数层、全连接层参数,构造输出层。由上述创建的观测、动作、输出层,构造评价者网络。
S52、创建执行者神经网络:确定功能输入层、全连接层、双曲正切层、全连接层参数,由上述创建的各层构造执行者神经网络。
S6、训练强化学习智能体:设置强化学习智能体训练参数,当训练过程中奖励值趋于收敛状态且总奖励值达到设定目标值时,结束训练过程并保存智能体模型。具体包括以下步骤:
S61、配置环境与算法模型,搭建分布式混合电推进飞行器与智能体的交互学习框架;
S62、定义训练参数,设置最大训练轮数、步长、神经网络学习率、终止奖励值等参数;
S63、初始化智能体,从环境中获得初始观测值S0,算初始作用a0=μ(S0),其中μ(S)为当前策略;
S64、当前操作设置为初始操作a←a0,并将当前观测值设置为初始观测值 s←s0;
S65、将动作a应用与环境,并获得下一次观测值s1和奖励r,从经验集合 (s,a,r,s1)中学习,并计算下一个动作a1=u(s1),用下一个动作更新当前操作a←a1,并用下一个观测值更新当前观测值s←s1;
S66、如果训练满足终止条件则结束训练,否则继续进行当前操作。
S7、在线测试阶段:采用非训练的飞行任务剖面测试算法的有效性,使用评价指标来评价算法效果。本实施例中的评价指标具体包括:
(1)燃油经济性:在相同的非训练飞行任务剖面内测试算法的总燃油消耗量,同时考虑电池电量是否在最优工作区间。
(2)收敛效率:策略的收敛性由相邻迭代点之间的距离和电量约束来判断,具体如下式:
(3)鲁棒性:评估深度强化学习模型在不同的飞行任务剖面内的鲁棒性,由下式定义:
其中,fueleco表示燃油经济性,μ和σ分别代表燃油经济性的平均值和标准差。
建立完成的分布式混合电推进飞行器能量管理系统结构如图3所示,其以分布式混合电推进飞行器系统的运动学、空气动力学模型作为环境,强化学习智能体通过观测飞行器在环境中的特征,给出以人类经验知识为约束的持续动作命令:即发动机功率和螺旋桨功率,然后再通过目标函数得到奖励值来判断智能体的输出动作命令是否合理与最优。专家知识缩小了本研究中发动机的工作区间、减少了巡航、高升力螺旋桨的耦合工作组合方式,以及确定了电池的充电范围。
Claims (7)
1.一种分布式混合电推进飞行器能量管理系统,其特征在于,包括:
先验知识模型,其包括飞行任务剖面内发动机最佳制动比油耗曲线、电池特性曲线和高升力推进器控制规律,用于对强化学习智能体的执行者网络进行限制;
环境模型,其包括分布式混合电推进飞行器运动学、空气动力学模型以及发动机、发电机、储能模块、分布式推进器、大气环境,用于向强化学习智能体输出环境状态观测量;
强化学习智能体,用于根据所述环境状态观测量生成并向分布式混合电推进飞行器输出动作变量的控制命令;所述强化学习智能体为学习了螺旋桨控制策略和能量管理策略的深度确定性策略梯度强化学习智能体,使用一个具有观察和动作这两个输入和一个输出的深度神经网络作为评价者网络,并使用具有一个观察输入和一个动作输出的深度神经网络作为执行者网络。
2.如权利要求1所述分布式混合电推进飞行器能量管理系统,其特征在于,所述环境状态观测量包括所述分布式混合电推进飞行器的速度、高度、加速度、航迹角、电池电量。
3.如权利要求1所述分布式混合电推进飞行器能量管理系统,其特征在于,所述动作变量包括:发动机功率、巡航螺旋桨功率、高升力螺旋桨功率。
4.如权利要求1所述分布式混合电推进飞行器能量管理系统,其特征在于,所述强化学习智能体的终止训练条件isdone具体如下:
isdone=|ψ|≥X1∨|φ|≥X2∨|a|≥X3∨|Alt(t)ref-Alt(t)|≥X4∨Alt(t)<X5
其中,ψ和φ分别为偏航角与滚转角,a为加速度,Alt(t)和Alt(t)ref分别为飞行任务剖面高度、飞行任务剖面参考高度,X1~X5为预设阈值。
6.如权利要求1所述分布式混合电推进飞行器能量管理系统,其特征在于,所述强化学习智能体在训练过程中所使用的评价指标包括燃油经济性以及算法的收敛效率和鲁棒性;所述燃油经济性是指电池电量在最优工作区间的前提下,在相同的非训练飞行任务剖面内测试算法的总燃油消耗量;所述算法的收敛效率是指在电量约束下相邻迭代点之间的距离;所述算法的鲁棒性是指在不同飞行任务剖面内的燃油经济性的平均值和标准差。
7.一种分布式混合电推进飞行器,包括能量管理系统,其特征在于,所述能量管理系统为如权利要求1~6任一项所述分布式混合电推进飞行器能量管理系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612933.6A CN113255143B (zh) | 2021-06-02 | 2021-06-02 | 一种分布式混合电推进飞行器能量管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612933.6A CN113255143B (zh) | 2021-06-02 | 2021-06-02 | 一种分布式混合电推进飞行器能量管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255143A CN113255143A (zh) | 2021-08-13 |
CN113255143B true CN113255143B (zh) | 2021-11-16 |
Family
ID=77185926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110612933.6A Active CN113255143B (zh) | 2021-06-02 | 2021-06-02 | 一种分布式混合电推进飞行器能量管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255143B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637327A (zh) * | 2022-03-16 | 2022-06-17 | 哈尔滨逐宇航天科技有限责任公司 | 基于深度策略性梯度强化学习的在线轨迹生成制导方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208360507U (zh) * | 2018-06-22 | 2019-01-11 | 北京航空航天大学 | 一种分布式电推进飞机 |
CN110458443A (zh) * | 2019-08-07 | 2019-11-15 | 南京邮电大学 | 一种基于深度强化学习的智慧家庭能量管理方法及系统 |
CN112036603A (zh) * | 2020-07-28 | 2020-12-04 | 南京航空航天大学 | 一种基于双堆燃料电池的混合储能系统能量管理策略 |
CN112433525A (zh) * | 2020-11-16 | 2021-03-02 | 南京理工大学 | 基于模仿学习及深度强化学习的移动机器人导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200108732A1 (en) * | 2018-10-09 | 2020-04-09 | Regents Of The University Of Minnesota | Physical model-guided machine learning framework for energy management of vehicles |
-
2021
- 2021-06-02 CN CN202110612933.6A patent/CN113255143B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208360507U (zh) * | 2018-06-22 | 2019-01-11 | 北京航空航天大学 | 一种分布式电推进飞机 |
CN110458443A (zh) * | 2019-08-07 | 2019-11-15 | 南京邮电大学 | 一种基于深度强化学习的智慧家庭能量管理方法及系统 |
CN112036603A (zh) * | 2020-07-28 | 2020-12-04 | 南京航空航天大学 | 一种基于双堆燃料电池的混合储能系统能量管理策略 |
CN112433525A (zh) * | 2020-11-16 | 2021-03-02 | 南京理工大学 | 基于模仿学习及深度强化学习的移动机器人导航方法 |
Non-Patent Citations (5)
Title |
---|
An Energy Management Strategy for DC Hybrid Electric Propulsion System of Marine Vessels;Thessaloniki, Greece;《2018 5th International Conference on Control, Decision and Information Technologies (CoDIT’18)》;20180413;80-85页 * |
分布式电推进飞机电力系统研究综述;孔祥浩;《航空学报》;20180125;1-17页 * |
分布式电推进飞机设计技术综述;黄俊;《航空学报》;20210325;1-17页 * |
燃料电池无人机混合电源动态平衡能量管理策略;雷涛;《航空学报》;20201225;1-15页 * |
美空军研究实验室展示分布式混合电推进飞机概念;穆作栋;《中国航空报》;20200121;1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255143A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wall et al. | A survey of hybrid electric propulsion for aircraft | |
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 | |
Yao et al. | Grey Markov prediction-based hierarchical model predictive control energy management for fuel cell/battery hybrid unmanned aerial vehicles | |
CN116341395B (zh) | 多堆燃料电池飞机的能量管理方法、系统、设备及终端 | |
CN112060983B (zh) | 一种新能源无人机混合电源架构评估方法 | |
Tielin et al. | Analysis of technical characteristics of fixed-wing VTOL UAV | |
Liu et al. | A control architecture to coordinate energy management with trajectory tracking control for fuel cell/battery hybrid unmanned aerial vehicles | |
US20220402621A1 (en) | Power distribution control system and method for aircraft | |
CN113255143B (zh) | 一种分布式混合电推进飞行器能量管理系统 | |
Chakraborty et al. | Sizing and Analysis of a Tilt-Wing Aircraft with All-Electric and Hybrid-Electric Propulsion Systems | |
Chakraborty et al. | Design and Sizing of a Dual-Purpose Hybrid-Electric Ducted Fan Lift-Plus-Cruise Aircraft | |
Lyu et al. | Tilting path optimization of tilt quad rotor in conversion process based on ant colony optimization algorithm | |
Cinar et al. | Sizing and optimization of novel general aviation vehicles and propulsion system architectures | |
Chakraborty et al. | Sizing of Tilt-Wing Aircraft with All-Electric and Hybrid-Electric Propulsion | |
Clarke et al. | Evaluating the Performance and Acoustic Footprint of Aircraft for Regional and Urban Air Mobility | |
Zhang et al. | Energy management strategy of hybrid PEMFC-PV-battery propulsion system for low altitude UAVs | |
Chen et al. | Comprehensive optimization of the unmanned tilt-wing cargo aircraft with distributed propulsors | |
Gao et al. | A health-aware energy management strategy for fuel cell hybrid electric UAVs based on safe reinforcement learning | |
CN111506096B (zh) | 一种尾推式双涵道无人机模糊自适应姿态控制方法 | |
Avera et al. | Scalability of Hybrid-Electric Propulsion for VTOL UAS | |
CN113200148A (zh) | 一种基于深度强化学习的氢燃料无人机能量管理方法 | |
Bai et al. | Fuzzy-based optimal energy management strategy of series hybrid-electric propulsion system for UAVs | |
CN109491403B (zh) | 一种协同高空长航时无人机连接控制方法 | |
Min et al. | A Data-Driven MPC Energy Optimization Management Strategy for Fuel Cell Distributed Electric Propulsion UAV | |
Lei | Energy management system and strategy for a fuel cell/battery hybrid power |
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 |