CN115907117A - 一种基于深度学习和动态规划的混动无人机能量管理方法 - Google Patents
一种基于深度学习和动态规划的混动无人机能量管理方法 Download PDFInfo
- Publication number
- CN115907117A CN115907117A CN202211408357.4A CN202211408357A CN115907117A CN 115907117 A CN115907117 A CN 115907117A CN 202211408357 A CN202211408357 A CN 202211408357A CN 115907117 A CN115907117 A CN 115907117A
- Authority
- CN
- China
- Prior art keywords
- power
- prediction
- aircraft
- flight
- energy management
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习和动态规划的混动无人机能量管理方法,属于能量管理策略的预测技术领域。本方法基于Bi‑LSTM双向记忆网络为飞行器未来时域进行精确功率需求预测,兼顾环境信息的预测模块对于模型预测具有高度的泛化性和灵活性,使得预测结果更加综合准确,且减少了直接预测的参数复杂度;在深度学习预测的基础上基于线性规划算法构建滚动优化模块,对预测结果进行反馈校正,提供更为精确的预测结果;在等效燃油消耗最小的基础上构建能量管理优化函数,在满足预测功率的基础上实现总体油耗最小和动力电池及发动机功率分配最优,提高飞行的经济型。本发明适用空中侦察、无人机农业、空中交通监控等领域,降低飞行器总体油耗,提高经济性。
Description
技术领域
本发明涉及一种基于深度学习和动态规划的混动无人机能量管理方法,属于能量管理策略的预测技术领域。
背景技术
为节约资源,实现节能减排和减轻环境污染,混合动力技术已成为动力研究领域的重要方向之一,能量管理的目的就是在满足动力设备行驶需求的前提下,根据设备各部件的系统特性以及设备的工况特性,实现更大程度的节能与经济,最大化系统能量利用效率;然而目前能量管理策略研究主要集中在新能源汽车的能量管理控制策略中,对飞行器的能量管理研究相对不足。目前常用的混合动力飞行器能量管理策略主要集中在基于规则的能量管理,然而飞行器的行驶工况环境复杂,工况存在随机不稳定性,且飞行路径很难有像汽车行驶路线一样的可重复性,因此基于规则的能量管理很难综合考虑实际飞行环境与飞行器飞行状态参数而得到最佳的能量管理策略;基于深度学习的能量管理方法具有高度的泛化性和灵活性,是解决基于规则的能量管理缺点的一种可行途径,而动态规划算法具有很好的全局寻优能力,结合深度学习及动态规划的能量管理策略是一种可行的飞行器能量管理方法。
发明内容
针对基于规则的能量管理,很难综合考虑实际飞行环境与飞行器飞行状态参数而得到最佳的能量管理策略的问题,本发明的主要目的是提出一种基于深度学习和动态规划的混动无人机能量管理方法,通过获取飞行器的历史工况数据实现对未来时域的能量管理策略的预测优化,在保证飞行任务实现的情况下降低飞行器总体油耗,提高经济性。
本发明的目的是通过下述技术方案实现的:
本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法,基于Bi-LSTM双向记忆网络为飞行器未来时域进行精确功率需求预测,兼顾环境信息的预测模块对于模型预测具有高度的泛化性和灵活性,使得预测结果更加综合准确,且减少了直接预测的参数复杂度;在深度学习预测的基础上基于线性规划算法构建滚动优化模块,对预测结果进行反馈校正,提供更为精确的预测结果;在等效燃油消耗最小的基础上构建能量管理优化函数,在满足预测功率的基础上实现总体油耗最小和动力电池及发动机功率分配最优,提高飞行的经济型。
一种基于深度学习和动态规划的混动无人机能量管理方法,包括如下步骤:
步骤1:构建飞行器动力学模型,采集飞行器飞行过程参数;
采集飞行器运行参数数据,提取参数数据包括但不限于飞行速度,飞行高度,风速,温度,锂电池SOC状态及飞行器整体功率需求,对参数数据进行预处理。
步骤2:建立飞行器未来需求功率的预测模块;在已知飞行器历史工况数据的情况下,利用Bi-LSTM的双向记忆网络准确预测未来短时域内飞行器功率需求;
Bi-LSTM预测器模型如下:
Output=fBiLSTM(Input(t))
Output(t)={Pt+1,Pt+2,···,Pt+p}
其中fBiLSTM表示Bi-LSTM的预测器模型,P代表功率,H为飞行高度,t表示当前时刻,h表示历史时刻,p代表未来时刻,vt为当前飞行速度,at为当前飞行加速度。
步骤3:建立兼顾环境信息的能量管理预测模块;选取温度,风速,气压三个环境参数作为描述飞行器飞行环境的环境特征量,为提高预测器的泛化能力和减少参数复杂度,利用K-means聚类算法对环境进行特征分类,建立基于步骤二的兼顾环境的能量预测管理策略;
步骤31:将飞行器所处环境温度、风速和气压作为影响环境特征的特征参数,设定评判环境特征的判别周期,对温度、风速、气压进行每个评判周期的归一化计算。
步骤32:将环境特征分为3类,分别为‘温和型’、‘较差型’和‘恶劣型’,利用K-means方法对特征进行聚类,根据聚类结果对飞行数据标记,将标记数据拆解为训练集和测试集。对于一组特定环境参数,利用KNN临近算法对其寻找合适的类别。
步骤33:对于一组特定环境参数,根据KNN临近算法计算其与训练集各组参数的欧几里得距离,选择合适的K值对其分类,构建的KNN分类器为:
{Input}KNN={P1,P2,P3}
{Output}KNN={M,L,B}=fKNN{Input}KNN
其中P1,P2,P3代表特征参数温度,风速和气压,M,L,B代表环境特征,分别为温和型(mild),较差型(limit),恶劣型(bad)。
步骤34:建立兼顾环境特征的Bi-LSTM功率预测模型:
Output=fBiLSTM-environment(Input(t))
Output(t)={Pt+1,Pt+2,···,Pt+p}
其中fBiLSTM-environment为考虑环境特征的Bi-LSTM功率预测器模型,P代表功率,H为飞行高度,Typeenvironmentt为环境的特征类别,t为当前时刻,h为历史时刻,p为未来时刻,vt为当前飞行速度,at为当前飞行加速度。
步骤4:在步骤3预测功率的基础上,以飞行器等效燃油消耗最少为目标,构建飞行器能量管理优化目标函数,实现电池和发动机的最优功率分配;
优化目标函数设置为:
其中,Efe代表发动机系统的能耗,Eelec代表动力电池的能耗,ΔPec代表发动机系统输出功率变化率,χ和δ分别代表等效燃油消耗和发动机系统功率输出波动程度的权重系数,代表电量转换为燃油消耗的换算系数。
步骤5:在步骤3预测功率和步骤4构建的优化目标函数基础上,利用动态规划算法建立滚动优化模块,实现未来时域功率需求预测的反馈校正和整体燃油最小消耗,提高飞行经济性;
针对优化目标函数建立动态规划过程如下:
JN-k[SOCk,ak]=min{L[SOCk,ak,uk]+JN-(k+1)[SOCk+1,ak+1]}
其中,SOC为电池电量,a为发动机转速,u表示控制序列,k表示控制时段,N表示总控制时段,JN-k[SOCk,ak]为以SOCk和ak为初始状态的后部N-k段子过程的最优性能泛函,SOCk和ak由SOC0和a0及前k段控制所决定,JN-(k+1)[SOCk+1,ak+1]为以SOCk+1和ak+1为初始状态的后部N-(k+1)的最优性能泛函,L[SOCk,ak,uk]为k到k+1段控制的余留代价。
预测优化过程为,由动态规划逐级递推得到发动机最佳控制序列,发动机执行后,将新的飞行器状态反馈给功率预测模块和滚动优化模块,根据反馈信息修正功率预测和功率分配计算;并将新的飞行数据储存到飞行数据库中,提高整个预测管理方法的泛化能力。重复以上预测优化过程,直至飞行任务结束,以降低飞行器总体油耗,提高经济性。
有益效果
1、本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法,基于Bi-LSTM双向记忆网络为飞行器未来时域进行精确功率需求预测,兼顾环境信息的预测模块对于模型预测具有高度的泛化性和灵活性,使得预测结果更加综合准确,减少直接预测的参数复杂度;
2、本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法,在深度学习预测的基础上基于线性规划算法构建滚动优化模块,能够对预测结果进行反馈校正,提供更为精确的预测结果;
3、本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法,在等效燃油消耗的基础上构建能量管理优化函数,在满足预测功率的基础上实现总体油耗最小和动力电池及发动机功率分配最优,提高飞行的经济性。
附图说明
附图1为本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法的全方法流程;
附图2为本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法中兼顾环境特征的功率预测流程;;
附图3为本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法中的滚动优化过程;
附图4为本发明公开的一种基于深度学习和动态规划的混动无人机能量管理方法中的预测优化过程。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅作为本发明的一个说明,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例公开的一种基于深度学习和动态规划的混动无人机能量管理方法,应用于四旋翼无人机的步骤如下:
步骤1:构建飞行器动力学模型,采集飞行器飞行过程参数,具体包括以下步骤:
S11基于飞行器动力学原理建立飞行器动力学模型,在matlab/simulink建立四旋翼无人机动力学模型
S12采集四旋翼无人机在执行实际飞行任务下的飞行状态及飞行环境信息,包括但不限于飞行速度,飞行高度,风速,温度,锂电池SOC状态及飞行器整体功率需求,其中,整体需求功率计算为:
式中P为需求功率,Cp为旋翼功率系数,w为旋翼转速,i为旋翼序号。
对采集参数进行归一化处理:
式中,X表示各类原始数据,Y表示归一化后的数据,下标max和min分别表示最大值和最小值。
步骤2:构建基于Bi-LSTM的飞行器功率预测信息模块,具体包括以下步骤:
S21如附图一所示,Bi-LSTM由两层LSTM网络层组成,一层由过去历史时刻将信息逐层正向向前传递,一层由未来时刻将信息逐层向后传递。
S22 Bi-LSTM预测工作原理如下:
正向传递隐藏状态表达式:
ht=sigmoid(WB1xt+Whht-1+bh)
反向传递隐藏状态表达式:
ht'=sigmoid(WB'1xt+Wh'ht'+1+b'h)
输出yt表达式如下:
yt=tanh(WB2htxt+WB'2ht'+by)
式中,xt表示当前时刻的输入信息,ht表示正向传递过程中当前时刻的隐藏信息,WB1表示输入层到隐藏层的权重矩阵,Wh表示隐藏层到隐藏层的权重矩阵,bh表示输入层到隐藏层的偏差,yt表示当前时刻的输出信息,WB2表示隐藏层到输入层的权重矩阵,by是隐藏层到输出层的偏差,上角标'表表示反向传递过程中相对应的参数表示,下角标t,t-1,t+1分别表示当前时刻,上一时刻和下一时刻。
S23选择预测时域长度10s,将步骤一中归一化后的需求功率、飞行速度、飞行加速度、任务目标飞行高度作为输入,采用Bi-LSTM预测飞行器未来时域需求功率:
Output=fBiLSTM(Input(t))
Output(t)={Pt+1,Pt+2,···,Pt+p}
其中fBiLSTM表示Bi-LSTM的预测器模型,P代表功率,H为飞行高度,t表示当前时刻,h表示历史时刻,p代表未来时刻,vt为当前飞行速度,at为当前飞行加速度,通过Bi-LSTM功率预测器可预测输出考虑飞行器自身工况的未来需求功率。
步骤3:构建基于K-means环境特征聚类的飞行器功率预测信息模块,具体包括以下步骤:
S31将飞行器所处环境温度、风速、气压作为影响环境特征的特征参数,将评判环境特征的判别周期设为10s,对温度、风速和气压进行每个评判周期的归一化计算。
S32利用K-means方法对环境参数进行聚类计算,将环境特征划分为3类,分别为‘温和型’、‘较差型’和‘恶劣型’,根据聚类结果对飞行数据标记,将标记数据的80%作为训练集,20%作为测试集。采用KNN临近算法对训练集进行学习以找到合适K值,并用于测试集测试分类效果。
S33对于S31得到的一组要分类的环境特征,其对应的KNN分类模型为:
{Input}KNN={C1,C2,C3}
{Output}KNN={M,L,B}=fKNN{Input}KNN
其中C1,C2,C3代表特征参数温度,风速和气压,M,L,B代表环境特征,分别为温和型(mild),较差型(limit),恶劣型(bad),fKNN{Input}KNN为KNN分类器。
S34考虑环境特征的功率预测流程如图2所示。功率预测采取步骤2的Bi-LSTM功率预测器,首先根据飞行器当前及历史飞行工况信息,采用KNN环境特征识别器对环境特征进行分类,然后将标记的环境特征,及步骤一归一化的历史需求功率、飞行速度、飞行加速度、目标飞行高度作为Bi-LSTM功率预测器的输入,预测兼顾环境信息的飞行器未来时域功率需求。
S35考虑环境特征的Bi-LSTM功率预测模型的输入和输出分别为:
Output=fBiLSTM-environment(Input(t))
Output(t)={Pt+1,Pt+2,···,Pt+p}
其中fBiLSTM-environment表示考虑环境特征的Bi-LSTM功率预测器模型,P代表功率,H为飞行高度,Typeenvironmentt表示环境的特征类别,t表示当前时刻,h表示历史时刻,p代表未来时刻,vt为当前飞行速度,at为当前飞行加速度。
步骤4:构建等效油耗最少的目标优化函数,具体包括以下步骤:
S41本实施例对象为混合动力飞行器,动力来源为燃油发动机和动力锂电池,动力电池飞行初始SOC不低于60%,在任务过程中动力电池电量仅由发动机供给,因此能够采用等效燃油消耗来计算飞行器的整体能耗,此外,为更好响应飞行器功率变化,将混合动力飞行器能量管理优化目标设为等效燃油消耗和发动机系统输出功率变化率的约束。
构建飞行器能量管理优化目标函数如下:
其中,Efe代表发动机系统的能耗,Eelec代表动力电池的能耗,ΔPec代表发动机系统输出功率变化率,χ和δ分别代表等效燃油消耗和发动机系统功率输出波动程度的权重系数,代表电量转换为燃油消耗的换算系数。
S42将飞行器能量优化状态变量设置为动力电池SOC和发动机输出功率,控制量为发动机输出功率的变化率,表达式如下:
x=[SOC,Pec]
u=[ΔPec]=f(a)
其中,x为状态变量,SOC为锂电池剩余电量,Pec为发动机输出功率,u为控制量,ΔPec为发动机输出功率变化率,a为控制对象发动机转速。
S43兼顾系统整体性能和约束,动力电池,发动机系统,驱动电机需要满足物理约束表达式如下:
其中,Pec为发动机输出功率,SOC为锂电池剩余电量,Pbat为锂电池功率,Ibat为锂电池电流,Pmot为驱动电机功率,Tmot为驱动电机扭矩,max对应允许最大值,min对应允许最小值。
步骤5:在步骤3预测功率和步骤4优化函数的基础上,构建基于动态规划算法的功率预测滚动优化模块和能量管理模块,具体包括以下步骤:
S51建立滚动优化流程如附图3所示,模块主要包括预测,优化和反馈校正。使用Bi-LSTM执行功率预测模块,使用动态规划算法执行控制优化模块,最后通过优化结果实现预测和实际输出之间反馈修正。
S52将预测的需求功率传递给动态规划优化模块,在步骤4构建的目标函数基础上,使用动态规划算法搜索预测时域内的动力电池SOC和发动机功率的最佳控制序列。
S53针对动态规划过程,将电池SOC和发动机转速根据一定步长进行离散。
S54动态规划优化目标函数(步骤S42,S43):
状态变量和控制量:
x=[SOC,Pec]
u=[ΔPec]=f(a)
S55动态规划递推方程:
JN-k[SOCk,ak]=min{L[SOCk,ak,uk]+JN-(k+1)[SOCk+1,ak+1]}
其中,SOC为电池电量,a为发动机转速,u表示控制序列,k表示控制时段,N表示总控制时段,JN-k[SOCk,ak]为以SOCk和ak为初始状态的后部N-k段子过程的最优性能泛函,SOCk和ak由SOC0和a0及前k段控制所决定,JN-(k+1)[SOCk+1,ak+1]为以SOCk+1和ak+1为初始状态的后部N-(k+1)的最优性能泛函,L[SOCk,ak,uk]为k到k+1段控制的余留代价。
S56如附图4所示,由动态规划逐级递推得到发动机最佳控制序列,将第一步控制序列发送给控制对象发动机转速。
S57控制对象执行第一步指令后将新的飞行器状态反馈给功率预测模块和滚动优化模块,包括飞行速度,加速度,动力电池SOC,需求功率。
S58根据反馈信息修正功率预测和功率分配计算;将新的飞行数据储存到飞行数据库中,提高整个预测管理方法的泛化能力。
S59重复上述步骤,直至飞行任务结束。
S60整个方法流程如附图1所示,考虑泛化的环境特征的Bi-LSTM预测器使得飞行器在复杂环境工况下也能预测得到精确的需求功率,结合动态规划强大的寻优能力,最终达到滚动优化的目的,能够显著减少飞行器油耗,且算法稳定性高。
本发明方法结合了双向Bi-LSTM神经网络和动态规划算法。考虑环境特征的Bi-LSTM功率预测算法具有高度的泛化性和灵活性,能够融合多因素影响准确预测飞行器未来所需功率;基于动态规划的预测优化和能量管理算法具有强大的寻优能力,相较于传统的基于规则的能量管理算法,动态优化能够显著提高混合动力平台的能量分配和利用效率;综上可知本方法能够为能量管理策略研究和工程实践带来诸多有益效果。
应理解的是,以上所述的具体描述,是对发明的目的、技术方案和有益效果进行的进一步详细说明,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习和动态规划的混动无人机能量管理方法,其特征在于:包括如下步骤,
步骤1:构建飞行器动力学模型,采集飞行器飞行过程参数;
步骤2:建立飞行器未来需求功率的预测模块;在已知飞行器历史工况数据的情况下,利用Bi-LSTM的双向记忆网络准确预测未来短时域内飞行器功率需求;
步骤3:建立兼顾环境信息的能量管理预测模块;选取温度,风速,气压三个环境参数作为描述飞行器飞行环境的环境特征量,为提高预测器的泛化能力和减少参数复杂度,利用K-means聚类算法对环境进行特征分类,建立基于步骤二的兼顾环境的能量预测管理策略;
步骤4:在步骤3预测功率的基础上,以飞行器等效燃油消耗最少为目标,构建飞行器能量管理优化目标函数,实现电池和发动机的最优功率分配;
步骤5:在步骤3预测功率和步骤4构建的优化目标函数基础上,利用动态规划算法建立滚动优化模块,实现未来时域功率需求预测的反馈校正和整体燃油最小消耗,提高飞行经济性。
2.如权利要求1所述的一种基于深度学习和动态规划的混动无人机能量管理方法,其特征在于:步骤一的实现方法为,
采集飞行器运行参数数据,提取参数数据包括但不限于飞行速度,飞行高度,风速,温度,锂电池SOC状态及飞行器整体功率需求,对参数数据进行预处理。
4.如权利要求3所述的一种基于深度学习和动态规划的混动无人机能量管理方法,其特征在于:步骤三的实现方法为,
步骤31:将飞行器所处环境温度、风速和气压作为影响环境特征的特征参数,设定评判环境特征的判别周期,对温度、风速、气压进行每个评判周期的归一化计算;
步骤32:将环境特征分为3类,分别为‘温和型’、‘较差型’和‘恶劣型’,利用K-means方法对特征进行聚类,根据聚类结果对飞行数据标记,将标记数据拆解为训练集和测试集;对于一组特定环境参数,利用KNN临近算法对其寻找合适的类别;
步骤33:对于一组特定环境参数,根据KNN临近算法计算其与训练集各组参数的欧几里得距离,选择合适的K值对其分类,构建的KNN分类器为:
{Input}KNN={P1,P2,P3}
{Output}KNN={M,L,B}=fKNN{Input}KNN
其中P1,P2,P3代表特征参数温度,风速和气压,M,L,B代表环境特征,分别为温和型(mild),较差型(limit),恶劣型(bad);
步骤34:建立兼顾环境特征的Bi-LSTM功率预测模型:
Output=fBiLSTM-environment(Input(t))
Output(t)={Pt+1,Pt+2,…,Pt+p}
其中fBiLSTM-environment为考虑环境特征的Bi-LSTM功率预测器模型,P代表功率,H为飞行高度,Typeenvironmentt为环境的特征类别,t为当前时刻,h为历史时刻,p为未来时刻,vt为当前飞行速度,at为当前飞行加速度。
6.如权利要求5所述的一种基于深度学习和动态规划的混动无人机能量管理方法,其特征在于:步骤五的实现方法为,
针对优化目标函数建立动态规划过程如下:
JN-k[SOCk,ak]=min{L[SOCk,ak,uk]+JN-(k+1)[SOCk+1,ak+1]}
其中,SOC为电池电量,a为发动机转速,u表示控制序列,k表示控制时段,N表示总控制时段,JN-k[SOCk,ak]为以SOCk和ak为初始状态的后部N-k段子过程的最优性能泛函,SOCk和ak由SOC0和a0及前k段控制所决定,JN-(k+1)[SOCk+1,ak+1]为以SOCk+1和ak+1为初始状态的后部N-(k+1)的最优性能泛函,L[SOCk,ak,uk]为k到k+1段控制的余留代价;
预测优化过程为,由动态规划逐级递推得到发动机最佳控制序列,发动机执行后,将新的飞行器状态反馈给功率预测模块和滚动优化模块,根据反馈信息修正功率预测和功率分配计算;并将新的飞行数据储存到飞行数据库中,提高整个预测管理方法的泛化能力;重复以上预测优化过程,直至飞行任务结束,以降低飞行器总体油耗,提高经济性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408357.4A CN115907117A (zh) | 2022-11-10 | 2022-11-10 | 一种基于深度学习和动态规划的混动无人机能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408357.4A CN115907117A (zh) | 2022-11-10 | 2022-11-10 | 一种基于深度学习和动态规划的混动无人机能量管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907117A true CN115907117A (zh) | 2023-04-04 |
Family
ID=86485073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211408357.4A Pending CN115907117A (zh) | 2022-11-10 | 2022-11-10 | 一种基于深度学习和动态规划的混动无人机能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907117A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172031A (zh) * | 2023-10-27 | 2023-12-05 | 北京航空航天大学 | 一种基于车速规划的飞行汽车电池系统可用能估计方法 |
-
2022
- 2022-11-10 CN CN202211408357.4A patent/CN115907117A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172031A (zh) * | 2023-10-27 | 2023-12-05 | 北京航空航天大学 | 一种基于车速规划的飞行汽车电池系统可用能估计方法 |
CN117172031B (zh) * | 2023-10-27 | 2024-01-19 | 北京航空航天大学 | 一种基于车速规划的飞行汽车电池系统可用能估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
CN104836259B (zh) | 一种多能源船舶微网实时能量优化调度方法 | |
CN116341395B (zh) | 多堆燃料电池飞机的能量管理方法、系统、设备及终端 | |
Yao et al. | Grey Markov prediction-based hierarchical model predictive control energy management for fuel cell/battery hybrid unmanned aerial vehicles | |
CN113794199B (zh) | 一种考虑电力市场波动的风电储能系统最大收益优化方法 | |
CN114771293A (zh) | 一种基于等效消耗最小策略的燃料电池汽车能量管理方法 | |
CN115907117A (zh) | 一种基于深度学习和动态规划的混动无人机能量管理方法 | |
Chen et al. | Power reserve predictive control strategy for hybrid electric vehicle using recognition-based long short-term memory network | |
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 | |
CN111799786A (zh) | 一种基于博弈论的新能源混合电力系统容量配置方法 | |
CN116221021A (zh) | 一种基于多层人工智能体系的风电场协同偏航控制方法 | |
CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
CN109878499A (zh) | 混合动力车辆功率控制方法 | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
CN115021269B (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
CN116054152A (zh) | 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法 | |
Liu et al. | Energy management and system design for fuel cell hybrid unmanned aerial vehicles | |
CN116050461A (zh) | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 | |
Liu et al. | Battery fault diagnosis scheme based on improved RBF neural network | |
Chen et al. | Reinforcement learning-based energy management control strategy of hybrid electric vehicles | |
CN110667540B (zh) | 一种用于电动汽车的电子电力控制动力系统及其控制方法 | |
CN110717260A (zh) | 一种无人机机动能力模型建立方法 | |
TWI829017B (zh) | 智能車輛充放電系統及其方法 | |
Lian et al. | Real‐time energy management strategy for fuel cell plug‐in hybrid electric bus using short‐term power smoothing prediction and distance adaptive state‐of‐charge consumption | |
CN112613180B (zh) | 一种水下无人航行器的能耗优化方法 |
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 |