CN114919752A - 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 - Google Patents
一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 Download PDFInfo
- Publication number
- CN114919752A CN114919752A CN202210450516.0A CN202210450516A CN114919752A CN 114919752 A CN114919752 A CN 114919752A CN 202210450516 A CN202210450516 A CN 202210450516A CN 114919752 A CN114919752 A CN 114919752A
- Authority
- CN
- China
- Prior art keywords
- soc
- super capacitor
- model
- batt
- power
- 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
Links
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 239000000446 fuel Substances 0.000 title claims abstract description 88
- 239000001257 hydrogen Substances 0.000 title claims abstract description 88
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 88
- 238000007726 management method Methods 0.000 title claims abstract description 61
- 239000003990 capacitor Substances 0.000 claims abstract description 77
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 50
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 49
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 39
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000011217 control strategy Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000010287 polarization Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
- B64D27/026—Aircraft characterised by the type or position of power plants comprising different types of power plants, e.g. combination of a piston engine and a gas-turbine
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种基于ECMS‑MPC的氢燃料混合动力无人机能量管理方法,该方法包括建立以氢燃料电池为主电源,锂离子电池和超级电容作为辅助电源的无人机混合动力系统对象模型;并搭建能量管理系统模型,结合等效氢耗量最小策略和模型预测控制策略,以燃料经济性为优化目标,运用ECMS原理进行MPC有限时域内的优化目标函数最小值的求解环节,从而实现系统的最优能量分配。本发明将锂电池与超级电容消耗的电量等效转化为氢耗量,进行基于模型预测控制的系统能量管理,在有效提高经济性的同时,可兼顾能量管理策略的优化精度与实时性,具有良好的性能。
Description
技术领域
本发明属于能量管理领域,具体涉及一种氢燃料混合动力无人机在不同运行工况下的能量管理策略。
背景技术
接触器作为一种控制负载的电器设备广泛地应用于多种输电、配电和用电场合。接触器在工作过程之中通常会根据控制线圈上的控制信号进行主触点的闭合或分断,以实现对负载的通断控制。在接触器工作过程中,主触点频繁的通断极易导致主触点拉弧,瞬间的高温电弧将损伤主触点或在主触点表面产生氧化杂质从而降低接触器的电气性能。接触器的健康状态好快和故障是否发生对整个输电、配电和用电系统能否稳定、正常运行具有重要的影响。
故障预测与健康管理技术通过采集和监测被管理设备的运行状态和特征参数变化,特征数据经过特定算法的处理,对被管理设备的未发生故障进行预测和推断,并得到被管理设备的健康状态等信息,有针对性地指导设备的维修和维护工作。使用故障预测与健康管理技术能够有效降低被管理设备的故障率,提高被管理设备的运行稳定性和可靠性。
燃料电池是一种通过氧化还原反应将化学能直接转换为电能的电化学电池,具有较高的转换效率,并且反应产物只有水和热能,理论上对环境几乎无污染。因此,近年来在航空领域,燃料电池开始逐步取代传统的化石能源,成为飞行器新的动力源。但是由于燃料电池输出特性较软,响应速度较慢,难以满足飞行过程中复杂多变的外部环境以及飞行姿势变换所需的瞬时大功率,因此需要配合储能元件形成氢燃料混合动力系统,实现电源优势互补。
能源管理策略是混合动力无人机研究的核心技术,目前多数文献针对的是混合动力汽车的应用,主要分为基于规则与基于优化算法两种。基于规则的能量管理策略虽然简单易实现,但是通常需要依靠专家经验进行规则制定,在无人机的复杂工况下适用性较差。为了改善基于规则的能量管理策略存在的不足,国内外学者们提出了基于优化算法的能量管理策略,分为全局优化和瞬时优化。然而基于全局优化的能量管理策略如动态规划技术、二次规划法等,具有较大的计算量且需提前获取全局工况,在线实时的应用受到限制。基于模型预测控制策略的瞬时优化能量管理策略通过在线求解开环优化问题的方法获得最优解,具有更好的控制鲁棒性,已在汽车领域得到广泛应用,但在混合动力无人机中研究较少。因此,本发明面向氢燃料混合动力无人机,结合等效氢耗量最小算法与模型预测控制策略,实现无人机各电源的更优能量分配。
发明内容
本发明的目的是,提出一种基于ECMS-MPC的氢燃料混合动力无人机能量管理方法,本方法在模型预测控制算法中引入等效氢耗量的概念,将锂离子电池和超级电容所消耗的电能等效为燃料电池所消耗的氢气,以氢耗量最小为主要优化目标,将等效氢消耗最小算法应用到模型预测控制框架中,进行有限时域内的优化目标函数最小值的求解,得到无人机不同时刻下的最优能量分配结果。
通过等效氢消耗最小算法和模型预测控制算法的有机结合,可以在能量分配过程中充分考虑各电源的燃料消耗程度,在满足负载功率需求的前提下提高系统的燃料经济性;针对等效因子的取值问题,引入了基于锂离子电池和超级电容荷电状态的惩罚函数,对算法中的等效因子初始值进行动态修正,避免了固定等效因子值对系统造成的影响,提高了模型预测控制的工况适用性。
本发明所采用的技术方案主要包括无人机氢燃料混合动力系统对象模型搭建和能量管理系统模型搭建两部分。
(1)无人机氢燃料混合动力系统对象模型搭建
无人机氢燃料混合动力系统对象模型,具体包括燃料电池模型、锂离子电池模型、超级电容模型、BUCK变换器模型和双向DC/DC变换器模型。首先,进行电源模块的搭建,其中燃料电池依据极化特性构建其输出电压数学模型,锂离子电池依据实验数据构建自回归各态历经等效电路模型,超级电容模型依据数据手册构建经典等效电路模型;接着进行功率变换器模型搭建,其中BUCK变换器模型和双向DC/DC变换器模型均采用开关模型,最后搭建基于自适应下垂控制的功率控制模块,形成混合动力系统对象模型。
(2)能量管理系统模型搭建
能量管理系统根据设定的系统优化目标函数和采集的系统对象模型中各模块输出电压、电流等实时数据,基于等效氢消耗最小算法进行模型预测控制中目标函数最优解的求解,通过不断的滚动优化,得到不同时刻的系统各电源最优分配方案。
本发明提出一种基于ECMS-MPC的氢燃料混合动力无人机能量管理方法,实现了等效氢耗量最小策略和模型预测控制策略在无人机混合动力系统中的有机结合。其特征在于,所述无人机采用以氢燃料电池为主电源,锂离子电池和超级电容作为辅助电源的混合动力系统提供能量;能量管理系统根据设定的系统优化性能指标和采集的系统物理层实时数据,采用基于等效氢耗量最小的模型预测控制能量管理策略进行系统各电源最优功率分配方案设计。
基于ECMS-MPC的氢燃料混合动力无人机能量管理方法,包括以下步骤:
步骤1.搭建无人机氢燃料混合动力系统对象模型;
无人机氢燃料混合动力系统对象模型,具体包括燃料电池模型、锂离子电池模型、超级电容模型、BUCK变换器模型、双向DC/DC变换器模型和功率控制模块,其中燃料电池依据极化特性构建其输出电压数学模型,锂离子电池依据实验数据构建自回归各态历经等效电路模型,超级电容模型依据数据手册构建经典等效电路模型,BUCK变换器模型和双向DC/DC变换器模型构建开关模型,功率控制模块利用自适应下垂控制算法进行变换器的电压、电流控制。
步骤2.构建基于ECMS-MPC的能量管理系统;
(1)建立预测模型
在当前采样时刻k,选取燃料电池、锂离子电池和超级电容的输出功率作为控制变量。
u(k)=[Pfc(k),Pbatt(k),Psc(k)]
式中,u(k)表示控制变量,Pfc(k)表示燃料电池输出功率,Pbatt(k)表示锂离子电池输出功率,Psc(k)表示超级电容输出功率。
选取燃料电池氢耗量速率、锂电池和超级电容SOC为状态变量:
x(k)=[mfc(k),SOCbatt(k),SOCsc(k)]
式中,x(k)表示k采样时刻状态变量,mfc(k)表示k采样时刻燃料电池氢耗量速率,SOCbatt(k)表示k采样时刻锂电池SOC,SOCsc(k)表示k采样时刻超级电容SOC。
则预测模型为:
式中,k表示当前采样时刻;y(k)表示输出变量,为燃料电池的输出功率;A、B、C分别表示状态、控制和输出矩阵。
(2)优化目标函数设计
能量管理策略的主要优化目标是使得混合动力系统在整个运行过程的总耗量最小,因此,利用等效氢消耗最小算法进行优化目标函数的设计。优化目标函数为燃料电池、锂电池和超级电容的等效氢耗速率之和,即:
式中,p表示预测时域长度,mfc(t)表示燃料电池的氢耗量速率,mbatt(t)表示锂离子电池的等效氢耗量速率,msc(t)表示超级电容等效氢耗量速率,s1、s2分别为锂电池和超级电容的等效因子。
(3)设置系统约束条件
系统输出功率约束条件
Pload(k)=Pfc(k)+Pbatt(k)+Psc(k)
式中,Pload(k)表示系统负载功率需求参考值,Pfc(k)、Pbatt(k)、Psc(k)分别表示燃料电池、锂离子电池和超级电容的输出功率。
充放电功率约束条件
式中,Pfc_max为燃料电池最大输出功率;Pbatt_max、Pbatt_min分别为锂电池的最大放电功率和充电功率;Psc_max、Psc_min分别为超级电容的最大放电功率和充电功率。
状态约束条件
式中,SOCbatt_min、SOCbatt_max分别表示分别表示锂电池的SOC最大值和最小值,SOCsc_min、SOCsc_max分别表示超级电容的SOC最大值和最小值。
模型预测控制算法根据实时采集的测量信息,所设定的预测模型、约束条件和结合等效氢耗量最小算法所设计的目标函数,进行有限时域内的滚动优化,以得到无人机不同时刻下的燃料电池、锂电池和超级电容的最优能量管理分配结果。
进一步地,锂电池和超级电容的等效氢耗速率计算公式分别为:
式中,mbatt为锂电池等效氢耗速率;Pbatt为锂离子电池的输入/输出功率;mfc,avg、Pfc,avg分别为燃料电池的平均氢耗量速率和平均输出功率;Rbatt_dis、Rbatt_char分别表示锂电池的放电等效内阻和充电等效内阻;Ubatt_ocv表示锂电池实时开路电压。
式中,msc为超级电容的等效氢耗速率;Psc为超级电容的输入/输出功率;ηsc_dis为超级电容实时放电效率;ηsc_char为其实时充电效率。
进一步地,锂电池和超级电容的等效因子取值公式为:
式中,k1、k2分别为锂电池和超级电容的初始等效因子;SOCbatt(t)、SOCsc(t)分别为锂电池和超级电容的SOC当前值;SOCbatt_E、SOCsc_E分别为二者的SOC平衡点。
本发明的有益效果是:
(1)所述能量管理系统实现了等效氢耗量最小算法与模型预测控制算法在无人机混合动力系统中的有机结合,可以得到各电源的实时等效氢耗量,提高系统的燃料经济性;
(2)所述能量管理系统采用基于锂离子电池和超级电容荷电状态的惩罚函数,对算法中的等效因子初始值进行动态修正,可有效提高锂离子电池和超级电容的SOC平衡性,延长其使用寿命。
(3)所述能量管理系统无需提前得知系统的全部负载工况,将全局优化问题分解为每个采样周期的局部最优问题,降低了计算成本,具有较好的实用性。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1为无人机氢燃料混合动力系统架构框图。
图2为无人机飞行任务剖面图;
图3为基于状态机的能量管理策略流程图;
图4为基于ECMS-MPC的能量管理策略框图;
图5为基于ECMS-MPC能量管理策略下各电源功率曲线;
图6为基于ECMS-MPC能量管理策略下各电源SOC曲线;
图7为基于状态机能量管理策略下各电源功率曲线;
图8为基于ECMS-MPC能量管理策略下各电源SOC曲线。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图及具体实施方式对本发明作进一步的说明。
第一部分:搭建无人机氢燃料混合动力系统对象模型
无人机氢燃料混合动力系统的架构框图如图1所示,具体包括燃料电池模型、锂离子电池模型、超级电容模型、BUCK变换器模型、双向DC/DC变换器模型和功率控制模块。
首先进行各关键部件的建模。燃料电池依据极化特性构建其输出电压数学模型,锂离子电池依据实验数据构建自回归各态历经等效电路模型,超级电容模型依据数据手册构建经典等效电路模型,BUCK变换器模型和双向DC/DC变换器模型构建开关模型。接着根据图1的系统架构,燃料电池通过BUCK变换器模型连接至直流母线,锂离子电池和超级电容分别通过双向DC/DC变换器模型连接至母线,最后,搭建基于自适应下垂控制的功率控制模块对变换器的输出电压、电流进行控制。
第二部分:搭建能量管理系统模型
能量管理系统通过基于ECMS-MPC的能量管理策略对各电源进行实时能量分配,下面进行详细说明。
1、建立预测模型
在当前采样时刻k,选取燃料电池、锂离子电池和超级电容的输出功率作为控制变量。
u(k)=[Pfc(k),Pbatt(k),Psc(k)] (1)
式中u(k)表示控制变量,Pfc(k)表示燃料电池输出功率,Pbatt(k)表示锂离子电池输出功率,Psc(k)表示超级电容输出功率。
对于无人机混合动力系统来说,燃料电池氢耗量速率、锂电池和超级电容SOC可以反映整个飞行过程中无人机的状态变化,因此,本文选取的状态变量为:
x(k)=[mfc(k),SOCbatt(k),SOCsc(k)] (2)
式中x(k)表示k采样时刻状态变量,mfc(k)表示k采样时刻燃料电池氢耗量速率,SOCbatt(k)表示k采样时刻锂电池SOC,SOCsc(k)表示k采样时刻超级电容SOC。
其中燃料电池氢耗量速率采用功率估算法进行计算:
式中,mfc表示燃料电池氢耗量速率;Pfc表示燃料电池的输出功率;ηfc表示燃料电池当前的工作功率;LHV表示氢气的低热值。
无人机混合动力系统的输出量为燃料电池、锂电池和超级电容的输出功率之和,因此本文的预测模型为:
式中,k表示当前采样时刻;y(k)表示输出变量,为燃料电池的输出功率;A、B、C分别表示状态、控制和输出矩阵。
其中,Ts为采样时间;Ebatt_max、Esc_max分别为锂电池和超级电容的最大可用电能。
2、优化目标函数设计
本发明中能量管理策略的主要优化目标是使得混合动力系统在整个运行过程的总耗量最小,因此,利用等效氢消耗最小算法,将锂离子电池和超级电容的电量消耗等效为氢气消耗,进行优化目标函数的设计。
锂离子电池的等效氢耗量速率可以通过燃料电池平均氢耗量速率与平均输出功率的比值间接计算得出,考虑到锂离子电池的充放电迟滞现象,等效氢耗量速率的计算包括充电和放电两种情况。
式中,mbatt为锂电池等效氢耗速率;Pbatt为锂离子电池的输入/输出功率;mfc,avg、Pfc,avg分别为燃料电池的平均氢耗量速率和平均输出功率;Rbatt_dis、Rbatt_char分别表示锂电池的放电等效内阻和充电等效内阻;Ubatt_ocv表示锂电池实时开路电压。
超级电容的等效氢耗量速率计算公式与锂电池相同,但是其内阻相较锂电池很小,因此将其充放电内阻等效为同一个常数,计算公式进一步简化为:
式中,msc为超级电容的等效氢耗速率;Psc为超级电容的输入/输出功率;ηsc_dis为超级电容实时放电效率;ηsc_char为其实时充电效率。
优化目标函数为燃料电池、锂电池和超级电容的等效氢耗速率之和,即:
式中,p表示预测时域长度,mfc(t)表示燃料电池的氢耗量速率,mbatt(t)表示锂离子电池的等效氢耗量速率,msc(t)表示超级电容等效氢耗量速率,s1、s2分别为锂电池和超级电容的等效因子。
在基于ECMS的模型预测控制算法中,等效因子的选取对能量管理策略的优化效果有着重大影响。无人机飞行状态复杂,固定的等效因子无法较好的维持储能元件SOC的平衡,因此,引入惩罚函数,进行等效因子的动态修正。
式中,k1、k2分别为锂电池和超级电容的初始等效因子;SOCbatt(t)、SOCsc(t)分别为锂电池和超级电容的SOC当前值;SOCbatt_E、SOCsc_E分别为二者的SOC平衡点。
(3)设置系统约束条件
系统输出功率约束条件
Pload(k)=Pfc(k)+Pbatt(k)+Psc(k) (10)
式中,Pload(k)表示系统负载功率需求参考值,Pfc(k)、Pbatt(k)、Psc(k)分别表示燃料电池、锂离子电池和超级电容的输出功率。
充放电功率约束条件
式中,Pfc_max为燃料电池最大输出功率;Pbatt_max、Pbatt_min分别为锂电池的最大放电功率和充电功率;Psc_max、Psc_min分别为超级电容的最大放电功率和充电功率。
荷电状态约束条件
式中,SOCbatt_min、SOCbatt_max分别表示分别表示锂电池的SOC最大值和最小值,SOCsc_min、SOCsc_max分别表示超级电容的SOC最大值和最小值。
下面结合实际案例具体介绍:
通过阅读参考文献,参考某轻型电动飞机的功率参数,设定了如图2所示的无人机任务剖面,燃料电池、锂离子电池和超级电容的物理参数如表1所示。
表1案例中无人机电源参数表
对于无人机中燃料电池、锂离子电池和超级电容的初始约束如表2所示。
表2案例中燃料电池、锂离子电池和超级电容的初始约束
为了更好的验证模型的可行性和准确性,将无人机在飞行过程中各电源能量分配分别通过基于状态机的能量管理策略和基于ECMS-MPC的能量管理策略,得到不同方法下的能量分配方法,并进行比对。
基于状态机的能量管理策略将混合动力系统负载需求功率、锂电池和超级电容的SOC当前值作为输入参数,并结合各电源的最大充放电功率限制、锂电池和超级电容SOC的工作范围等约束条件进行状态机的规则制定,如图3所示。
基于ECMS-MPC能量管理策略框图如图4所示,通过采集无人机的实时信号,如锂电池和超级电容的SOC、燃料电池的氢耗量等,用于预测模型相关参数的校正和迭代更新。接着根据预测模型给出的输出变量和系统负载功率参考轨迹,基于等效氢消耗最小算法进行目标函数最优解的求解,不断更新产生新的控制变量,输入给基于燃料电池-锂电池-超级电容的混合动力系统,从而完成一个闭环的控制过程,实现滚动优化,不断更新无人机的各项参数和状态。
仿真设定锂离子电池和超级电容的初始SOC值分别为0.5和0.7,燃料电池始终处于氢气和氧气的气体分压均为2bar,工作温度323.15K的工作环境中,运行时长360s,在两种能量管理策略下各电源的功率曲线与SOC变换曲线如图8所示。
从图中可知,两种能量管理策略均可满足系统负载功率需求,锂电池和超级电容SOC始终处于安全工作范围内。在相同的仿真条件下,基于状态机的混合动力系统等效氢耗量为0.346kg,燃料电池平均效率为53.99%,基于ECMS-MPC的系统等效氢耗量为0.328kg,燃料电池平均效率为64.4%。由此可见,相较于状态机,基于ECMS的模型预测控制能量管理策略节约了5.2%的氢气,燃料电池的平均工作效率提高了约10%。综上所述,相较于基于规则的状态机能量管理策略,基于ECMS-MPC能量管理策略在满足系统功率需求的同时,可以提高燃料电池整体的工作效率,更好地发挥锂电池和超级电容的辅助作用,并有效地降低系统氢耗量,提高系统的经济性,实现系统最优功率分配。
Claims (3)
1.一种基于ECMS-MPC的氢燃料混合动力无人机能量管理方法,实现了等效氢耗量最小策略和模型预测控制策略在无人机混合动力系统中的有机结合;其特征在于:
所述无人机采用以氢燃料电池为主电源,锂离子电池和超级电容作为辅助电源的混合动力系统提供能量;能量管理系统根据设定的系统优化性能指标和采集的系统物理层实时数据,采用基于等效氢耗量最小的模型预测控制能量管理策略进行系统各电源最优功率分配方案设计;
包括以下步骤:
步骤1.搭建无人机氢燃料混合动力系统对象模型
无人机氢燃料混合动力系统对象模型,具体包括燃料电池模型、锂离子电池模型、超级电容模型、BUCK变换器模型、双向DC/DC变换器模型和功率控制模块,其中燃料电池依据极化特性构建其输出电压数学模型,锂离子电池依据实验数据构建自回归各态历经等效电路模型,超级电容模型依据数据手册构建经典等效电路模型,BUCK变换器模型和双向DC/DC变换器模型构建开关模型,功率控制模块利用自适应下垂控制算法进行变换器的电压、电流控制;
步骤2.构建基于ECMS-MPC的能量管理系统
(1)建立预测模型
在当前采样时刻k,选取燃料电池、锂离子电池和超级电容的输出功率作为控制变量。
u(k)=[Pfc(k),Pbatt(k),Psc(k)]
式中,u(k)表示控制变量,Pfc(k)表示燃料电池输出功率,Pbatt(k)表示锂离子电池输出功率,Psc(k)表示超级电容输出功率。
选取燃料电池氢耗量速率、锂电池和超级电容SOC为状态变量:
x(k)=[mfc(k),SOCbatt(k),SOCsc(k)]
式中,x(k)表示k采样时刻状态变量,mfc(k)表示k采样时刻燃料电池氢耗量速率,SOCbatt(k)表示k采样时刻锂电池SOC,SOCsc(k)表示k采样时刻超级电容SOC。
则预测模型为:
式中,k表示当前采样时刻;y(k)表示输出变量,为燃料电池的输出功率;A、B、C分别表示状态、控制和输出矩阵;
(2)优化目标函数设计
能量管理策略的主要优化目标是使得混合动力系统在整个运行过程的总耗量最小,因此,利用等效氢消耗最小算法进行优化目标函数的设计。优化目标函数为燃料电池、锂电池和超级电容的等效氢耗速率之和,即:
式中,p表示预测时域长度,mfc(t)表示燃料电池的氢耗量速率,mbatt(t)表示锂离子电池的等效氢耗量速率,msc(t)表示超级电容等效氢耗量速率,s1、s2分别为锂电池和超级电容的等效因子;
(3)设置系统约束条件
系统输出功率约束条件
Pload(k)=Pfc(k)+Pbatt(k)+Psc(k)
式中,Pload(k)表示系统负载功率需求参考值,Pfc(k)、Pbatt(k)、Psc(k)分别表示燃料电池、锂离子电池和超级电容的输出功率;
充放电功率约束条件
式中,Pfc_max为燃料电池最大输出功率;Pbatt_max、Pbatt_min分别为锂电池的最大放电功率和充电功率;Psc_max、Psc_min分别为超级电容的最大放电功率和充电功率。
状态约束条件
式中,SOCbatt_min、SOCbatt_max分别表示分别表示锂电池的SOC最大值和最小值,SOCsc_min、SOCsc_max分别表示超级电容的SOC最大值和最小值;
模型预测控制算法根据实时采集的测量信息,所设定的预测模型、约束条件和结合等效氢耗量最小算法所设计的目标函数,进行有限时域内的滚动优化,以得到无人机不同时刻下的燃料电池、锂电池和超级电容的最优能量管理分配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210450516.0A CN114919752B (zh) | 2022-04-26 | 2022-04-26 | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210450516.0A CN114919752B (zh) | 2022-04-26 | 2022-04-26 | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114919752A true CN114919752A (zh) | 2022-08-19 |
CN114919752B CN114919752B (zh) | 2024-05-03 |
Family
ID=82806668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210450516.0A Active CN114919752B (zh) | 2022-04-26 | 2022-04-26 | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114919752B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384167A (zh) * | 2023-06-05 | 2023-07-04 | 西北工业大学 | 燃料电池无人机动力系统寿命优化的能量管理方法及系统 |
CN117799502A (zh) * | 2024-03-01 | 2024-04-02 | 西北工业大学宁波研究院 | 一种uuv的混合动力系统的能源管理方法 |
CN117922384A (zh) * | 2024-03-25 | 2024-04-26 | 山东大学 | 一种燃料电池混合动力纯电船舶的能量控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011116127A1 (de) * | 2011-10-15 | 2013-04-18 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben einer Brennstoffzelleneinrichtung eines Brennstoffzellen-Hybridfahrzeugs |
CN211253048U (zh) * | 2019-12-16 | 2020-08-14 | 宇领星际航空(苏州)有限公司 | 一种氢燃料电池动力的无人机 |
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 |
US20220052361A1 (en) * | 2020-08-12 | 2022-02-17 | Alakai Technologies Corporation | Fuel cell oxygen delivery system, method and apparatus for clean fuel electric aircraft |
-
2022
- 2022-04-26 CN CN202210450516.0A patent/CN114919752B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011116127A1 (de) * | 2011-10-15 | 2013-04-18 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben einer Brennstoffzelleneinrichtung eines Brennstoffzellen-Hybridfahrzeugs |
CN211253048U (zh) * | 2019-12-16 | 2020-08-14 | 宇领星际航空(苏州)有限公司 | 一种氢燃料电池动力的无人机 |
US20220052361A1 (en) * | 2020-08-12 | 2022-02-17 | Alakai Technologies Corporation | Fuel cell oxygen delivery system, method and apparatus for clean fuel electric aircraft |
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 |
Non-Patent Citations (1)
Title |
---|
王天宏;李奇;韩莹;洪志湖;刘涛;陈维荣;: "燃料电池混合发电系统等效氢耗瞬时优化能量管理方法", 中国电机工程学报, no. 14, 20 July 2018 (2018-07-20), pages 163 - 172 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384167A (zh) * | 2023-06-05 | 2023-07-04 | 西北工业大学 | 燃料电池无人机动力系统寿命优化的能量管理方法及系统 |
CN116384167B (zh) * | 2023-06-05 | 2023-08-18 | 西北工业大学 | 燃料电池无人机动力系统寿命优化的能量管理方法及系统 |
CN117799502A (zh) * | 2024-03-01 | 2024-04-02 | 西北工业大学宁波研究院 | 一种uuv的混合动力系统的能源管理方法 |
CN117799502B (zh) * | 2024-03-01 | 2024-05-14 | 西北工业大学宁波研究院 | 一种uuv的混合动力系统的能源管理方法 |
CN117922384A (zh) * | 2024-03-25 | 2024-04-26 | 山东大学 | 一种燃料电池混合动力纯电船舶的能量控制方法及系统 |
CN117922384B (zh) * | 2024-03-25 | 2024-06-04 | 山东大学 | 一种燃料电池混合动力纯电船舶的能量控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114919752B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | State of art on energy management strategy for hybrid-powered unmanned aerial vehicle | |
Chen et al. | Optimization of sizing and frequency control in battery/supercapacitor hybrid energy storage system for fuel cell ship | |
CN114919752B (zh) | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 | |
Valverde et al. | Design, planning and management of a hydrogen-based microgrid | |
Wang et al. | Adaptive current distribution method for parallel-connected PEMFC generation system considering performance consistency | |
Li et al. | A novel hybrid propulsion system configuration and power distribution strategy for light electric aircraft | |
CN116341395B (zh) | 多堆燃料电池飞机的能量管理方法、系统、设备及终端 | |
Seenumani et al. | A hierarchical optimal control strategy for power management of hybrid power systems in all electric ships applications | |
Lü et al. | Extension control strategy of a single converter for hybrid PEMFC/battery power source | |
Song et al. | A decentralized energy management strategy for a fuel cell–battery hybrid electric vehicle based on composite control | |
Santos et al. | Evaluation of a fuel cell system designed for unmanned aerial vehicles | |
Sun et al. | Energy management strategy for FCEV considering degradation of fuel cell | |
Liu et al. | A novel adaptive model predictive control for proton exchange membrane fuel cell in DC microgrids | |
CN113682203A (zh) | 基于燃料电池有轨电车全生命周期状态的能量调控方法 | |
Mossa et al. | Performance dynamics improvement of a hybrid wind/fuel cell/battery system for standalone operation | |
CN117254491A (zh) | 一种风光氢储微网系统时域滚动优化方法及系统 | |
CN112467717A (zh) | 一种基于模糊控制的混合能源系统实时负荷分配方法 | |
Laird et al. | Graph-based design and control optimization of a hybrid electrical energy storage system | |
Liu et al. | A novel adaptive model predictive control strategy of solid oxide fuel cell in DC microgrids | |
CN116244888A (zh) | 基于mpc序列凸优化的混合电动无人机能源管理方法 | |
Tian et al. | An H 2-consumption-minimization-based energy management strategy of hybrid fuel cell/battery power system for UAVs | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
Cha et al. | Power management optimisation of a battery/fuel cell hybrid electric ferry | |
Sun et al. | Adaptive Energy Management Strategy of Fuel Cell Electric Vehicle | |
Naxin et al. | Research on energy management strategy for electric vehicles with hybrid battery/capacitor energy storage system |
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 |