CN117348620A - 一种无人机电池仓湿度控制方法及存储介质 - Google Patents

一种无人机电池仓湿度控制方法及存储介质 Download PDF

Info

Publication number
CN117348620A
CN117348620A CN202311205338.6A CN202311205338A CN117348620A CN 117348620 A CN117348620 A CN 117348620A CN 202311205338 A CN202311205338 A CN 202311205338A CN 117348620 A CN117348620 A CN 117348620A
Authority
CN
China
Prior art keywords
humidity
control
unmanned aerial
aerial vehicle
mpc
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
Application number
CN202311205338.6A
Other languages
English (en)
Inventor
崔福星
谢炜
王满平
陈挺
刘宏卫
金湘钧
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.)
Hangzhou Kelin Electric Co ltd
Original Assignee
Hangzhou Kelin Electric Co ltd
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 Hangzhou Kelin Electric Co ltd filed Critical Hangzhou Kelin Electric Co ltd
Priority to CN202311205338.6A priority Critical patent/CN117348620A/zh
Publication of CN117348620A publication Critical patent/CN117348620A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D22/00Control of humidity
    • G05D22/02Control of humidity characterised by the use of electric means

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种无人机电池仓湿度控制方法,包括:湿度传感器进行数据采集;将采集的数据用时间序列表示;基于采集数据建立MPC模型进行湿度预测和控制决策;同时设无人机电池仓湿度控制系统是一个离散时间系统;引入DS理论对MPC的预测信息进行判定,处理不确定性和噪声;对每个证据进行置信度计算,利用传感器数据的不确定性和置信度信息;在每个时间步循环S1~S4,根据每个时间步下最终的控制策略,将湿度控制在目标范围内使无人机电池仓湿度稳定在目标范围内,解决了传统的无人机电池仓湿度控制系统可能产生湿度偏离目标、控制不稳定、无法适应复杂环境等缺陷。

Description

一种无人机电池仓湿度控制方法及存储介质
技术领域
本发明涉及无人机技术领域,特别涉及一种无人机电池仓湿度控制方法及存储介质。
背景技术
无人机电池仓是无人机内部专门用于存放电池的区域。电池是无人机的能量来源;湿度对电池的性能和寿命有直接影响。高湿度可能导致电池内部产生腐蚀和氧化,降低电池性能和寿命。过高湿度会增加电池发生短路或漏电的风险,从而引发电池过热、起火或爆炸等安全问题。湿度的波动可能影响无人机电池的输出稳定性,进而影响飞行稳定性和性能。
但是传统的无人机电池仓湿度控制系统存在如下技术缺陷亟需解决:传统系统通常采用固定的湿度控制方案,无法根据实时湿度变化和环境条件进行动态调整。这可能导致湿度偏离目标值,无法实现精确控制。传统系统缺乏对复杂多变环境的适应能力,如温度、湿度变化、气压等因素,无法灵活应对各种工作条件。传统系统通常采用简单的开关控制或定时控制,缺乏优化算法来最大程度地提高控制效率和电池寿命。
为此,提出一种无人机电池仓湿度控制方法及存储介质。
发明内容
有鉴于此,本发明实施例希望提供一种无人机电池仓湿度控制方法及存储介质,以解决或缓解现有技术中存在的技术问题,即传统的无人机电池仓湿度控制系统可能产生湿度偏离目标、控制不稳定、无法适应复杂环境等缺陷,并对此至少提供一种有益的选择;
本发明实施例的技术方案是这样实现的:
第一方面
一种无人机电池仓湿度控制方法:MPC模型基于离散时间系统的状态空间表示,通过建立系统的状态和控制输入模型,实时预测未来湿度,并优化控制策略。其中具体的:
P1、MPC在每个时间步都根据最新数据进行优化,适应动态环境。
P2、可根据预测结果调整控制输入,实现精确控制湿度,避免偏离目标。
DS理论的应用:DS理论用于处理不确定性和噪声,提高系统的鲁棒性。在湿度控制中,DS理论将MPC模型的预测结果视为证据集合,通过置信度计算对证据进行融合和判定。其中具体的:
P1、不确定性处理:DS理论能有效处理传感器数据的不确定性,减少不确定性对控制结果的影响。
P2、数据融合:将多个数据源的信息融合,增强控制决策的准确性和可靠性。
本申请综合运用MPC模型和DS理论,实时预测和优化控制,智能调整湿度控制策略。考虑未来状态变化,保持控制的稳定性和平滑性。处理复杂环境,灵活应对温度、湿度等多种因素的变化。处理不确定性,提高控制系统对噪声和扰动的鲁棒性。
本申请的该技术广泛应用于无人机及其他需要精确湿度控制的领域。无人机电池仓湿度控制是无人机性能和安全的重要保障,同时,类似的技术也可应用于其他设备的湿度控制,提高设备性能和可靠性。基于MPC模型与DS理论的无人机电池仓湿度控制技术为传统湿度控制系统的缺陷提供了解决方案。通过智能化控制和不确定性处理,实现更精确、稳定、适应性强的湿度控制。这一技术的应用前景广阔,有望在无人机及其他领域推动智能化控制的发展。
第二方面
一种存储介质:所述存储介质内存储有用于执行如上述所述的湿度控制方法的程序指令。可用于储存和读取有用于执行湿度控制方法的程序指令。在我们所讨论的湿度控制技术中,这种存储介质可以是一种非易失性存储介质,如闪存或硬盘,也可以是易失性存储介质,如随机存储器(RAM)。在存储介质中,储存有执行MPC模型+DS理论湿度控制方法所需的程序指令。这些指令包含了实现MPC模型的数学计算、DS理论的证据融合和不确定性处理算法等关键步骤。该程序指令通过特定的软件开发工具或编程语言编写,以适应控制系统的硬件架构和功能需求。通过将湿度控制方法的程序指令存储在介质中,控制系统可以在实际运行时读取这些指令,并按照指令的顺序和逻辑来执行湿度控制算法。由于存储介质具有非易失性或易失性的特性,控制系统可以在开机时加载并持续使用程序指令,保证湿度控制方法的稳定运行。
与现有技术相比,本发明的有益效果是:
一、提高湿度控制精度:MPC模型能够实时预测湿度变化趋势,并根据实际情况优化控制策略,从而实现更精确的湿度控制。DS理论的应用能处理不确定性,提高湿度控制的准确性,有效降低湿度偏离目标值的风险。
二、增强控制系统稳定性:MPC模型考虑了系统动态特性,预测未来状态变化并动态调整控制输入,使得控制系统更加稳定和平滑。DS理论的鲁棒性处理能力能减少不确定性对控制结果的影响,进一步增强系统的稳定性。
三、提高能源利用效率:MPC模型通过优化控制策略,使得电池湿度在目标范围内波动较小,从而减少能量的浪费,提高能源利用效率,延长电池寿命。
四、增强环境适应性:MPC模型+DS理论的组合使得控制系统能够适应复杂多变的工作环境,包括温度、湿度等多种因素的变化。这使得无人机在不同环境条件下都能保持稳定的湿度控制。
五、提升飞行安全性:通过有效控制电池湿度,降低电池过热、漏电等安全风险,大幅提升无人机飞行过程的安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的逻辑示意图;
图2为本发明的实施例五的控制程序示意图;
图3为本发明的实施例五的控制程序示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制;
在现有技术中,无人机电池仓湿度控制技术旨在优化电池性能、提高飞行安全和稳定性。传统控制系统可能存在湿度偏离目标、控制不稳定、无法适应复杂环境等问题。为解决这些缺陷,引入MPC模型(模型预测控制)和DS理论(证据理论)作为核心技术组合,实现智能化湿度控制;为此,请参阅图1,本具体实施方式将提供相关技术方案以解决上述技术需求:
一种无人机电池仓湿度控制方法,包括无人机电池仓、安装在无人机电池仓内的湿度传感器和无人机电池仓温度控制系统,实施如下步骤:
S1、湿度传感器进行数据采集;将采集的数据用时间序列表示;
S2、基于采集的湿度数据,建立MPC模型。MPC模型是一种模型预测控制方法,通过离散时间系统的状态空间表示,在每个时间步对未来湿度进行预测和优化控制。MPC模型根据系统的动态特性和控制输入的变化率,逐步调整控制策略,使得预测的湿度逐渐接近目标值;
S3、引入DS理论对MPC模型的预测信息进行判定,处理不确定性和噪声。将MPC模型的预测结果视为证据集合,每个预测值作为一个证据元素。DS理论计算每个证据元素的置信度和可信度,考虑传感器数据的不确定性和置信度信息,实现对证据的融合和判定;
S4、在每个时间步循环执行S1~S3的过程,不断采集湿度数据,更新MPC模型的预测结果,并进行DS理论的判定。最终得到优化的控制策略,将湿度控制在目标范围内,使得无人机电池仓湿度稳定在预设的目标范围内
在本方案中,通过湿度传感器采集实时数据,建立MPC模型预测未来湿度,然后利用DS理论处理不确定性,优化控制策略。通过循环执行这一过程,不断优化控制策略,实现对无人机电池仓湿度的智能化、稳定化控制。该方法综合了数据驱动的预测与优化以及不确定性处理的方法,提高了湿度控制的准确性和稳定性,适应复杂多变的工作环境,为无人机飞行提供了更高的安全性和性能稳定性。
总结性的,针对传统技术中的相关问题,本具体实施方式基于上述所提供的一种无人机电池仓湿度控制方法及存储介质,采用了如下的技术手段或特征实现了解决:MPC模型+DS理论(证据理论)的技术内容有潜力解决传统无人机电池仓湿度控制系统所存在的湿度偏离目标、控制不稳定、无法适应复杂环境等缺陷。其中:
(1)解决湿度偏离目标:MPC模型在每个时间步基于实时湿度数据进行预测,通过优化目标函数,使得预测的湿度逐步接近目标值。这种动态调整控制策略能够更精确地控制湿度,避免湿度偏离目标值。
(2)解决控制不稳定:MPC模型采用模型预测控制方法,考虑了系统的动态特性和未来状态变化,根据实时数据实时调整控制输入,使得控制更加稳定。DS理论提供了处理不确定性的数学框架,对传感器数据和模型预测进行融合和判定,提高了控制系统的鲁棒性和稳健性。
(3)适应复杂环境:MPC模型+DS理论的组合可以灵活适应复杂多变的工作环境。MPC模型可以实时根据传感器数据进行预测和优化,DS理论可以处理不确定性,融合不同数据源的信息,使得系统能够适应温度、湿度等多个环境因素的变化。
进一步的:MPC模型利用控制论的思想,基于离散时间系统的状态空间模型进行预测和优化控制。通过在每个时间步内计算最优控制输入序列,使得系统状态逐步接近目标状态,并考虑了控制输入的变化率,以确保控制的平滑性。这样的动态优化控制方法有助于解决传统控制策略中固定或简单控制的局限性。DS理论则为处理不确定性提供了一种有效的数学工具。它能够对不同数据源的信息进行融合和判定,计算每个证据的置信度和可信度,从而在控制过程中更加全面地考虑系统的不确定性和噪声。这样可以增强控制系统对环境变化的适应性,减少不确定性带来的影响。MPC模型+DS理论的技术内容在原理层面上通过优化控制和不确定性处理,有望解决传统无人机电池仓湿度控制系统的缺陷,实现更精确、稳定、适应性强的湿度控制。
以上具体实施方式的各技术特征可以进行任意的组合,为使描述简洁,未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
实施例一
为使本发明的上述具体实施方式更加明显易懂,接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
在S1中,包括:数据采集:湿度传感器实时采集湿度数据,将采集的数据用时间序列表示,设为h(t),其中t表示时间。
在本实施例中,湿度传感器是一种传感器设备,能够实时感知并测量无人机电池仓内的湿度值。传感器通过特定的检测元件,将湿度的物理量转换成电信号,随着时间的推移不断输出湿度数据h(t)。采集到的湿度数据按照采样时间的顺序排列,形成时间序列。这个时间序列用h(t)来表示,其中t表示时间。时间序列是一种按时间顺序组织的数据集合,用于记录湿度值随时间变化的趋势和模式。
具体的,S1阶段中湿度数据的采集和表示是为后续的湿度控制步骤(S2~S4)提供基础数据。通过湿度传感器实时采集的h(t)时间序列数据,我们可以构建湿度模型,并利用MPC模型进行湿度预测和控制决策。DS理论可用于处理h(t)数据的不确定性,提高控制系统的鲁棒性和稳健性。通过这一过程,无人机电池仓湿度控制方法能够实现智能化、精确化的湿度控制,提高无人机飞行的安全性和性能稳定性。
以上实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
实施例二
为使本发明的上述具体实施方式更加明显易懂,接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
MPC模型建立:
a.设无人机电池仓湿度控制系统是一个离散时间系统,用状态空间表示;在无人机电池仓湿度控制系统中,我们使用状态空间模型来描述系统的演变过程。状态空间模型以状态向量x(t)和控制输入向量u(t)为基础,通过状态方程和输出方程来描述系统的动态行为:
x(t+1)=Ax(t)+Bu(t)+w(t)
h(t)=Cx(t)+v(t)
其中,x(t)是系统的状态向量,u(t)是控制输入向量,h(t)是湿度测量值,状态方程表示了系统的状态在一个时间步内的变化规律。其中,A是状态转移矩阵,描述状态向量x(t)在时间步长后的演变情况;B是控制输入矩阵,表示控制输入向量u(t)对系统状态的影响;w(t)是过程噪声,表示系统状态的不确定性和外部扰动。
输出方程将状态向量映射到湿度测量值h(t)。C是输出矩阵,描述状态向量与湿度测量值之间的关系;v(t)是观测噪声,表示湿度测量的误差和不确定性。
b.设定MPC优化目标函数,为了实现湿度控制优化目标函数为最小化湿度误差和控制输入变化:
湿度误差部分:该部分的目标是使预测湿度值和参考湿度值之间的误差尽量接近零,从而使得湿度控制逐步逼近目标参考值。
minimize J=∑(h(t+k)-href(t+k))2
控制输入变化部分:该部分的目标是使控制输入的变化尽量平滑,避免过大的控制输入变化,从而增强控制系统的稳定性。
Σ(Δu(t+k))2
其中U=[u(t),u(t+1),...,u(t+N-1)]是控制输入序列,href(t+k)是湿度的参考值,N是优化时间步长,Δu(t+k)是控制输入变化量;
c.约束条件:根据无人机电池仓湿度控制系统的物理限制和性能需求,设置控制输入的约束条件。该部分的目标是使预测湿度值和参考湿度值之间的误差尽量接近零,从而使得湿度控制逐步逼近目标参考值。为了确保控制系统满足物理限制和性能需求,我们设定控制输入的约束条件。这些约束条件可以包括最大湿度值、最小湿度值、最大控制输入量等。通过约束条件的设定,优化过程中的控制输入将受到限制,从而确保控制系统在安全和合理的范围内运行。
在本实施例中,通过MPC模型的建立和优化目标函数的设定,结合约束条件的设置,我们能够构建一个有效的湿度控制系统。该系统将根据湿度传感器采集的实时数据,通过优化控制输入序列,使得无人机电池仓湿度逐步接近目标参考值,并保持稳定的控制输入变化,从而实现智能化、精确化的湿度控制。
以上实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
实施例三
为使本发明的上述具体实施方式更加明显易懂,接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
MPC预测控制:
c.在每个时间步,利用当前的状态x(t)和MPC模型对未来湿度进行预测:在每个时间步,利用当前的状态x(t)和MPC模型对未来湿度进行预测。MPC模型通过状态空间表示,可以根据当前状态x(t)以及控制输入序列U=[u(t),u(t+1),...,u(t+N-1)],预测未来k步的湿度值:
h(t+k)=Cx(t+k|t)
其中,x(t+k|t)是基于当前状态的k步预测;
d.根据MPC优化目标函数,计算最优控制输入序列U*:
U*=argminUJ
根据MPC优化目标函数,计算最优控制输入序列U*。优化目标函数为最小化湿度误差和控制输入变化;
J=Σ(h^(t+k)-h_ref(t+k))^2+Σ(Δu(t+k))^2
J1部分表示未来湿度预测值和参考湿度值之间的误差,J2部分表示控制输入变化的平方。在每个时间步,通过调整控制输入序列U,最小化J,即找到使得湿度误差和控制输入变化最小的最优控制输入序列U*
c.应用第一个控制输入u(t)并更新系统状态:
x(t+1)=Ax(t)+Bu(t)
具体的,MPC模型预测:通过状态方程x(t+1)=Ax(t)+Bu(t)+w(t),计算当前状态x(t)在控制输入序列U下的k步预测状态x(t+k|t)。然后,通过输出方程h(t)=Cx(t)+v(t),得到对应的湿度预测值h(t+k)=Cx(t+k|t)。
根据计算得到的最优控制输入序列U*,选择其中的第一个控制输入u*(t)作为当前时刻的控制输入,即u(t)=u*(t)。然后,根据系统的状态方程x(t+1)=Ax(t)+Bu(t),更新系统的状态,得到新的状态x(t+1)。
进一步的,在本实施例中,MPC预测控制是一种基于模型预测的控制策略。通过MPC模型对未来湿度进行预测,结合优化目标函数和约束条件,计算得到最优控制输入序列U*,并应用第一个控制输入u(t)更新系统状态。这样,在每个时间步都会根据最新的状态和预测信息来优化控制输入,使得系统能够智能化地实现湿度控制,逐步逼近目标参考值,同时保持控制输入的稳定性,从而提高无人机电池仓湿度控制的精度和稳定性。
以上实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
实施例四
为使本发明的上述具体实施方式更加明显易懂,接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
DS理论(证据理论)判定:
a.将MPC模型的预测结果h(t+k)视为一种证据,构建证据集合E,其中每个元素表示一个预测值;
b.对每个证据进行置信度计算,可以利用传感器数据的不确定性和置信度信息,将它们表示为DS理论中的Belief和Plausibility。
证据融合和输出:
a.使用DS理论的证据融合规则,将所有预测值h(t+k)融合为最终的湿度估计值H(t+k)。
将MPC模型的预测结果h(t+k)视为一种证据,并构建证据集合E,其中每个元素表示一个预测值。在MPC模型中,每个时间步都可以得到一个对未来湿度的预测值h(t+k),因此将这些预测值作为证据元素存储在证据集合E中。
b.将H(t+k)作为最终的湿度控制目标值,与当前湿度测量值h(t)进行比较,设计控制策略来调整控制输入u(t),使湿度逐步接近H(t+k)。
控制执行:根据最终的控制策略,执行控制输入u(t),将湿度控制在目标范围内。对每个证据进行置信度计算,利用传感器数据的不确定性和置信度信息。DS理论中,置信度(Belief)和可信度(Plausibility)是用于衡量证据的可信程度的度量。根据传感器的准确性和噪声等因素,计算每个预测值h(t+k)对应的Belief和Plausibility。
具体的,
a.证据融合:利用DS理论的证据融合规则,将所有预测值h(t+k)融合为最终的湿度估计值H(t+k)。通过考虑不同预测值的置信度和可信度,DS理论能够有效地处理不确定性和噪声,得到更准确的湿度估计结果。
b.设计控制策略:将H(t+k)作为最终的湿度控制目标值,与当前湿度测量值h(t)进行比较。通过设定控制目标值H(t+k)和当前湿度测量值h(t)之间的误差,设计控制策略来调整控制输入u(t),使湿度逐步接近H(t+k)。
在本实施例中,根据最终的控制策略,执行控制输入u(t),将湿度控制在目标范围内。控制系统将根据当前湿度测量值和最终目标值H(t+k),不断调整控制输入u(t),并根据MPC模型对未来湿度的预测,实现智能化的湿度控制。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
实施例五
为使本发明的上述具体实施方式更加明显易懂,接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的实施例的限制。
进一步的,请参阅图2~3,本实施例提供一种存储介质,该存储介质内存储有用于执行如实施例一至四的控制程序,其原理如下:
MPC模型原理:MPC模型(模型预测控制)是一种控制策略,它通过建立离散时间系统的状态空间表示,以状态向量和控制输入向量为基础,预测未来的系统状态和输出,并在每个时间步优化控制输入序列,使得系统输出逐步接近目标参考值。在这里,MPC模型用状态向量x(t)和控制输入向量u(t)来描述无人机电池仓湿度控制系统的动态行为,通过状态方程和输出方程来计算未来湿度的预测值,并根据优化目标函数来调整控制输入序列,实现湿度控制的优化和稳定。
DS理论(证据理论)原理:DS理论是一种处理不确定性和噪声的数学工具,它可以根据证据的可信程度对不同的预测结果进行融合和判定。在无人机电池仓湿度控制中,我们将MPC模型的预测结果h^(t+k)视为一种证据,每个预测值作为一个证据元素存储在证据集合E中。DS理论根据每个证据元素的置信度和可信度计算,将这些预测值进行融合,得到最终的湿度估计值H(t+k)。通过这种方式,DS理论能够处理传感器数据的不确定性和噪声,提高湿度估计的准确性。
控制执行原理:在每个时间步,根据MPC模型的优化控制输入序列U和DS理论的湿度估计值H(t+k),选取第一个控制输入u(t)作为当前时刻的控制输入,即u(t)=u(t)。然后根据状态方程更新系统的状态,x(t+1)=Ax(t)+Bu(t)。这样,在每个时间步循环执行S1~S4的过程中,通过不断更新控制输入和系统状态,实现湿度控制目标的逐步接近,使得无人机电池仓湿度稳定在目标范围内。
以上所述实施例仅表达了本发明的相关实际应用的实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种无人机电池仓湿度控制方法,包括无人机电池仓、安装在无人机电池仓内的湿度传感器和无人机电池仓温度控制系统,其特征在于:实施如下步骤:
S1、湿度传感器进行数据采集;将采集的数据用时间序列表示;
S2、基于采集数据建立MPC模型进行湿度预测和控制决策;同时设无人机电池仓湿度控制系统是一个离散时间系统;
S3、引入DS理论对MPC的预测信息进行判定,处理不确定性和噪声;对每个证据进行置信度计算,利用传感器数据的不确定性和置信度信息;
S4、在每个时间步循环S1~S4,根据每个时间步下最终的控制策略,将湿度控制在目标范围内使无人机电池仓湿度稳定在目标范围内。
2.根据权利要求1所述的湿度控制方法,其特征在于:在所述S1中,包括:
数据采集:湿度传感器实时采集湿度数据,将采集的数据用时间序列表示,设为h(t),其中t表示时间。
3.根据权利要求1所述的湿度控制方法,其特征在于:在所述S2中:
MPC模型建立:
a.设无人机电池仓湿度控制系统是一个离散时间系统,用状态空间表示:
x(t+1)=Ax(t)+Bu(t)+w(t)
h(t)=Cx(t)+v(t)
其中,x(t)是系统的状态向量,u(t)是控制输入向量,h(t)是湿度测量值,w(t)和v(t)分别是过程噪声和观测噪声;
b.设定MPC优化目标函数,所述优化目标函数为最小化湿度误差和控制输入变化:
minimize J=∑(h(t+k)-href(t+k))2+∑(Δu(t+k))2
其中U=[u(t),u(t+1),...,u(t+N-1)]是控制输入序列,href(t+k)是湿度的参考值,N是优化时间步长,Δu(t+k)是控制输入变化量;
c.约束条件:根据无人机电池仓湿度控制系统的物理限制和性能需求,设置控制输入的约束条件。
4.根据权利要求3所述的湿度控制方法,其特征在于:所述约束条件为最大湿度变化率或控制输入限幅。
5.根据权利要求3所述的湿度控制方法,其特征在于:MPC预测控制:
a.在每个时间步,利用当前的状态x(t)和MPC模型对未来湿度进行预测:
h(t+k)=Cx(t+k|t)
其中,x(t+k|t)是基于当前状态的k步预测;
b.根据MPC优化目标函数,计算最优控制输入序列U*:
U*=argminUJ
c.应用第一个控制输入u(t)并更新系统状态:
x(t+1)=Ax(t)+Bu(t)。
6.根据权利要求5所述的湿度控制方法,其特征在于:在所述S3中:
DS理论(证据理论)判定:
a.将MPC模型的预测结果h(t+k)视为一种证据,构建证据集合E,其中每个元素表示一个预测值;
b.对每个证据进行置信度计算,可以利用传感器数据的不确定性和置信度信息,将它们表示为DS理论中的Belief和Plausibility。
7.根据权利要求6所述的湿度控制方法,其特征在于:证据融合和输出:
a.使用DS理论的证据融合规则,将所有预测值h(t+k)融合为最终的湿度估计值H(t+k);
b.将H(t+k)作为最终的湿度控制目标值,与当前湿度测量值h(t)进行比较,设计控制策略来调整控制输入u(t),使湿度逐步接近H(t+k);
c.控制执行:根据最终的控制策略,执行控制输入u(t),将湿度控制在目标范围内。
8.一种存储介质,其特征在于:所述存储介质内存储有用于执行如权利要求1~7任意一项所述的湿度控制方法的程序指令。
CN202311205338.6A 2023-09-18 2023-09-18 一种无人机电池仓湿度控制方法及存储介质 Pending CN117348620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311205338.6A CN117348620A (zh) 2023-09-18 2023-09-18 一种无人机电池仓湿度控制方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311205338.6A CN117348620A (zh) 2023-09-18 2023-09-18 一种无人机电池仓湿度控制方法及存储介质

Publications (1)

Publication Number Publication Date
CN117348620A true CN117348620A (zh) 2024-01-05

Family

ID=89365809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311205338.6A Pending CN117348620A (zh) 2023-09-18 2023-09-18 一种无人机电池仓湿度控制方法及存储介质

Country Status (1)

Country Link
CN (1) CN117348620A (zh)

Similar Documents

Publication Publication Date Title
CN110647042B (zh) 一种基于数据驱动的机器人鲁棒学习预测控制方法
CN112487702B (zh) 一种锂离子电池剩余使用寿命预测方法
Khooban et al. T–S fuzzy model predictive speed control of electrical vehicles
US8473079B2 (en) Fast algorithm for model predictive control
Chen et al. A modified MPC-based optimal strategy of power management for fuel cell hybrid vehicles
CN113227808A (zh) 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序
CN113051769B (zh) 基于非对称损失与混合智能优化算法的功率曲线建模方法
CN117277357B (zh) 采用液流电池的新型火电储能调频方法、系统及电子设备
CN112731183B (zh) 一种基于改进的elm的锂离子电池寿命预测方法
Kowsari et al. A novel stochastic predictive stabilizer for DC microgrids feeding CPLs
CN111723982A (zh) 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
CN115936248A (zh) 基于注意力网络的电力负荷预测方法、装置及系统
Pozzi et al. Lexicographic model predictive control strategy in ageing-aware optimal charging procedure for lithium-ion batteries
Rauh et al. Robust iterative learning observers based on a combination of stochastic estimation schemes and ellipsoidal calculus
CN116908707B (zh) 一种基于sa-lstm神经网络的锂电池剩余寿命预测方法及设备
CN117348620A (zh) 一种无人机电池仓湿度控制方法及存储介质
Pozzi et al. Deep learning-based predictive control for the optimal charging of a lithium-ion battery with electrochemical dynamics
Manrique et al. MPC tracking under time-varying polytopic constraints for real-time applications
Pozzi et al. A neural network-based approximation of model predictive control for a lithium-ion battery with electro-thermal dynamics
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
CN115001002A (zh) 一种求解储能参与削峰填谷的优化调度方法和系统
Frank et al. Control Algorithms: Exploration of control algorithms used in the automated control of battery chargers.
CN117751296A (zh) 控制充电信号以对可充电的电池单元或电池进行充电的方法和装置
Li et al. An iterative learning based compensation in model predictive control for DC/DC boost converter
Casagrande et al. Learning-based MPC using differentiable optimisation layers for microgrid energy management

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication