[发明专利]一种基于飞行数据的无人机混合推进系统能量管控方法

说明书

本发明提供一种基于飞行数据的无人机混合推进系统能量管控方法，基于无人机飞行历史数据建立能量和功率的轮廓图，用核模糊c聚类算法将飞行阶段分为有限状态。基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量；需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型；再根据上述轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式；飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，实现对瞬时功率的最优控制。实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。

技术领域

本发明涉及无人机的能量管理领域，特别是涉及一种基于飞行数据的无人机混合推进系统的智能能量管理方法。

背景技术

随着科学技术的发展，无人机的运用空间越来越广泛。受大气压力和空气温度等影响，混合动力无人机解决了纯燃油无人机的噪声大、高空效率低、响应速度慢以及排放污染环境等问题，也解决了纯电动无人机续航时间短的问题，根据绿色航空的发展思想，混合动力无人机成为了目前研究最受欢迎的模型。

通常实现混合动力无人机的智能能量管理是运用全局优化的方法控制发动机和电机的功率比，但全局优化的方法计算量大，优化较为困难。采用全局规划和瞬时优化的方法结合，快速地协调混合动力无人机发动机和电机的功率分配比，保证发动机工作在高效低能耗区，达到提高燃油的使用效率的目的。

发明内容

针对上述技术问题，本发明提供了一种基于飞行数据的无人机混合推进系统能量管控方法，实现混合推进无人机能量的全局规划和功率瞬时优化的融合优化控制，以提高整个飞行任务平面内混推系统的燃油经济性。

本发明提供了一种基于飞行数据的将功率的瞬时优化和能量的全局规划相融合的无人机混合推进系统的智能能量管理方法，包括以下步骤：

1)从无人机飞行的历史数据中调取飞行需要消耗的功率和能量，建立无人机能量和功率的轮廓图。

2)从无人机的历史数据中读取飞行消耗的能量和功率，并运用核模糊c聚类(kernel fuzzy c-means clustering,KFCM)算法将飞行阶段分为有限状态。同时，基于历史飞行数据利用BP神经网络建立飞行任务参数与飞行环境参数与能量需求和功率需求之间的映射关系，从而建立飞行各阶段所需能量预测模型和需求功率时间序列模型。

3)通过已建立的能量预测模型和需求功率时间序列模型，在无人机飞行前，对规划路径无人机所需消耗的能量和功率预测。

4)根据各阶段飞行需要的能量预测值和功率预测轮廓图进行能量的全局规划，确定各阶段混合推进系统的工作模式。

5)飞行过程中根据不同飞行状态的实时功率需求，采用发动机、电动机和动力电池等关键子系统的效率MAP图，并运用粒子群算法实现对瞬时功率的最优控制。

本发明有益效果在于：本发明运用聚类算法对飞行阶段进行划分，通过BP神经网络建立模型，在飞行前对各阶段的能量进行预测，运用全局规划确定各阶段的工作模式，并采用瞬时优化对无人机飞行过程的控制参数进行优化，大幅度的增加了能量的利用率，提高燃油的经济性。

附图说明

图1为本发明的总体技术方案实施流程示意图；

图2为BP神经网络结构图；

图3为能量预测实施过程示意图。

具体实施方案

下面将对本发明进行更清楚、完整的进一步描述，显然，所描述的实例仅仅是本发明的一部分实例，而不是全部的实施例。