[发明专利]一种飞机自适应动力与热管理系统的能量管理策略

权利要求书

1.一种飞机自适应动力与热管理系统的能量管理策略，飞机自适应动力与热管理系统包括半闭式空气制冷循环单元和组合动力单元，飞机自适应动力与热管理系统对应不同的飞行状态，划分为5种工作模式：(1)发动机起动模式；(2)辅助动力模式；(3)巡航模式；(4)短时作战模式；(5)应急动力模式，其特征在于：具体包括如下步骤：

步骤A，根据飞机自适应动力与热管理系统的系统方案、部件配置、控制功能及构架需求分析，设计飞机自适应动力与热管理系统控制对象，控制量及执行机构，控制对象为满足系统性能的制冷量及电能，控制量为燃油输入量及系统发动机进口引气量，执行机构为对应的控制阀门；

步骤B，分析飞机自适应动力与热管理系统各模式下的工作原理及能量传递方式，建立系统动态仿真平台，设计制冷量及电能动态调节控制器，满足系统电能及制冷量的需求；

步骤C，以起飞总重量法为评价体系，在保证能量需求的前提下，分析影响系统燃油损失的因素，系统固定质量不变，在飞行过程中使燃油量及发动机引气量的调配最优是飞机自适应动力与热管理系统能量优化的方向，通过改变系统发动机进口引气流量和燃油箱流量，实现能量优化；

步骤D，采用瞬时能量优化法对各模式下某一瞬时工况的飞机自适应动力与热管理系统进行能量优化，计算“等效燃油消耗最少”下的系统发动机进口引气流量和燃油箱流量，得出该瞬态下的最优工作点，以动态地再分配各个状态变量；

步骤E，在瞬时优化能量管理策略大量运算样本的基础上，结合BP神经网络实时进行飞机自适应动力与热管理系统的能量管理；

步骤D具体包括如下步骤：

步骤I，计算某一模式某一工况下飞机自适应动力与热管理系统的能量优化值，以该时刻总的燃油消耗作为优化目标求解控制变量，以实现该时刻的燃油消耗最小，飞机自适应动力与热管理系统在该工况下的工作时间为τ，电能及制冷量均是由燃油量q_m,f及发动机引气量q_m,bl共同提供，若系统处于应急动力模式下，则q_m,f＝0,q_m,bl＝0，不需要进行能量优化，其他模式下对于飞机自适应动力与热管理系统有：

W_e＝f_We(q_m,f,q_m,bl)，

式中，表示不同工作模式下，由飞机自适应动力与热管理系统动态仿真平台通过输入燃油量q_m,f及发动机引气量q_m,bl得到相应的电能及制冷量的关系式，合理分配燃油量q_m,f及发动机引气量q_m,bl来优化系统的工作点，即在飞机飞行状态变化不大的时间τ内，寻优计算得到优化的燃油量和发动机引气量，使得系统在该状态下的燃油代偿最小，在计算过程中系统装置的固有质量保持不变，因此在优化计算时不考虑系统装置的固有质量，系统燃油代偿损失可表示为：

Δm_T＝m_F+m_f,F+m_f,bl

式中，系统消耗燃油量m_F、运输它所需的燃油量m_f,F及发动机引气引起的燃油代偿损失m_f,bl，电能及制冷量还需满足在不同工作模式下的最小需求，需满足以下条件：

W_e≥W_{e_min},Q_c≥Q_{c_min}

式中，W_e为电能，Q_c为制冷量，W_{e_min}及Q_{c_min}由系统需求给定最小电能和制冷量值；

输入设定合理范围内的q_m,f及q_m,bl，判断系统是否满足电能及制冷量的需求，若满足则计算燃油代偿值，若不满足则重新选取q_m,f,q_m,bl值，最终选取使得燃油代偿值最低的q_m,f及q_m,bl；

步骤II，对飞机自适应动力与热管理系统各模式下的全工况进行优化计算，具体计算过程如步骤I所述，得到系统在各工况点上燃油量及发动机引气量的最优组合，完成飞机自适应动力与热管理系统能量初步优化；

步骤E具体包括如下步骤：

步骤a，建立神经网络控制器，基于BP神经网络的实时能量管理策略的实现主要采用含有一个隐层的3层BP神经网络结构的控制器，只要隐层神经元节点数足够多，该网络就具有模拟任意复杂的非线性映射的能力，输入层有四个神经元，分别与瞬时优化能量管理策略中的关键输入量对应，为飞行高度h，飞行马赫数Ma，电能W_e，制冷量需求值Q，输出层有两个，代表燃油量及发动机引气量，

输出层中神经元可表述为：

式中，y_i是神经网络控制器的输出，W_jk是隐层的第j个神经元和第i个输出层的神经元之间的连接权值；是输出层神经元的闭值；n是隐层的神经元数目；f为激活函数，反映了样本输入和输出之间的对应关系,这里采用S型函数：

此外，z_j为是隐层第j个神经元的输出值，可表示为：

式中，x_i，其中i＝1，...，4代表四个输入信号，W_ij为输入层到隐层的连接权值，b_j为隐层第j个神经元的闭值；

步骤b，在多个典型工况中设置不同的初始条件，采用瞬时优化能量管理策略离线仿真求得的最优控制规则，控制规则的输入输出与神经网络的输入输出对应，将这些控制规则作为待选的训练样本，然后基于模糊c-均值聚类算法对样本进行分类，从每一类中均匀的提取部分样本作为神经网络控制器的训练样本，在进行训练之前对上面选取的训练样本标准化，将网络的输入、输出数据限制在[0,l]区间内，其转换式如下：

式中x_i代表输入或输出数据，x_min代表所有样本该输入、输出数据的最小值，

x_max代表所有样本该输入、输出数据的最大值；

步骤c，编写仿真程序，搭建仿真验证平台，分析仿真计算结果。