一种基于深度学习的倾转旋翼无人机能量管理优化方法

技术领域

本发明属于飞行器动力技术领域，涉及一种基于深度学习的倾转旋翼无人机能量管理优化方法。

背景技术

传统的无人机型式主要分为多旋翼和固定翼两种。多旋翼无人机能够实现垂直起降，对地形条件要求不高，但飞行速度一般较低，机动性较差；固定翼无人机能够达到较高的巡航速度，但其起降受到地形约束，必须有足够长的跑道支持，使其使用范围受限。倾转旋翼无人机融合了多旋翼垂直起降和固定翼高速巡航的优点，是一款具有极大前景的无人机型式。

传统的基于深度学习的混合动力系统能量管理策略研究中，预测时域长度常为固定值，不同长度的预测时域对预测结果精度有很大影响，进一步会影响系统整体的能量管理效果及计算成本，最佳预测时域长度通常在离线情况下得到，通过训练不同工况得到不同长度预测时域下的能耗，选择最小能耗来确定相对应工况的最佳预测时域长度，无法根据工况变化而实时调整。

发明内容

针对上述本领域中所存在的技术问题，本发明主要目的是提供一种基于深度学习的倾转旋翼无人机能量管理优化方法，基于采集的无人机飞行工况参数构建功率预测神经网络模型，预测不同长度时域下的功率需求；根据不同工况数据利用动态规划算法得到最佳功率需求，基于最佳功率需求构建基于最佳△P逼近的预测时域选择策略，得到神经网络的最佳预测时域和最佳预测时域内功率预测结果，结合构建的无人机系统代价函数，采用动态规划滚动优化混合动力系统能量分配策略，直至得到混合动力系统能量最优分配策略，实现系统最小等效燃油消耗，提高飞行经济性和续航时间。

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的倾转旋翼无人机能量管理优化方法，包括如下步骤：

步骤1：从倾转旋翼无人机飞行数据库中提取历史飞行数据的工况参数，所述飞行数据工况参数包括需求功率、飞行速度、飞行加速度、飞行高度、动力电池荷电状态SOC。将采集飞行数据工况参数进行归一化处理，并构建用于训练后续步骤2中功率预测神经网络模型的数据集。

步骤1.1：提取飞行状态数据，包括需求功率，飞行速度，飞行加速度，飞行高度，动力电池荷电状态，其中需求功率映射为：

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。

步骤1.2：将采集飞行数据工况参数进行归一化处理，并构建用于训练后续步骤2构建的功率预测神经网络模型的数据集。

步骤2：通过分析步骤1中倾转旋翼机飞行数据工况参数，构建用于飞行状态需求功率预测的功率预测神经网络模型。所述功率预测神经网络模型输入包括需求功率、飞行速度、飞行加速度和飞行高度，输出包括对应不同长度预测时域的需求功率。

为了更准确预测需求功率，作为优选，所述功率预测神经网络模型基于Bi-LSTM双向网络构建。

步骤2.1：优选地，利用Bi-LSTM双向网络构建无人机功率需求预测模块，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。

步骤2.2:Bi-LSTM预测网络如下：

正向传递隐藏状态表达式：

h

反向传递隐藏状态表达式：

h

输出y

y

式中，x

步骤2.3：选择预测时域长度，将步骤一中归一化后的需求功率、飞行速度、飞行加速度、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＝f

Output(t)＝{P

其中f

步骤3：基于步骤1获取的无人机不同工况飞行数据，利用动态规划算法计算不同工况下每一时刻的无人机最优需求功率，计算每一时刻与下一时刻的最佳功率变化量ΔP，将每一时刻倾转旋翼机的飞行状态数据与最佳功率变化量ΔP一一对应，建立无人机飞行状态与最佳功率变化量ΔP强相关的预测数据库。

步骤3.1：计算任务工况下的最优P轨迹，进而计算每一步最佳ΔP

步骤3.2：在步骤3.1基础上，提取每一步无人机飞行状态数据信息，建立飞行状态信息与最佳ΔP对应数据库如下：

(X

其中H为飞行高度，v为飞行速度，a为飞行加速度，P为需求功率，Y表示最佳ΔP，X为最佳ΔP对应飞行状态数据，下标表示时间阶段。

步骤4：在步骤3构建的无人机飞行状态数据与最佳功率变化量ΔP强相关数据库的基础上，构建用于预测最佳功率变化量ΔP的深度神经网络，通过所述深度神经网络找到当前飞行状态下的最佳ΔP值。

为了映射无人机飞行状态数据与最佳功率变化量ΔP的关系和实现高效率预测计算，作为优选，步骤4中用于预测最佳功率变化量ΔP的深度神经网络基于DNN神经网络构建。

步骤4.1：优选地，选择DNN神经网络建立ΔP预测模型，预测模型输入为无人机飞行速度，飞行加速度，需求功率，飞行高度,建立预测模型如下：

Y(t)＝f

X(t)＝H

Y(k)＝ΔP

其中H为飞行高度，v为飞行速度，a为飞行加速度，P为需求功率，下标k表示时间阶段。

步骤4.2：将ΔP预测数据库划分为训练集和测试集，训练DNN模型，用测试集验证模型预测结果，直到训练好的DNN模型满足预设精度要求。

步骤5：根据步骤2预测得到的不同长度时域需求功率，对应得到不同时域下ΔP轨迹，比较不同时域下第一步的ΔP值与步骤4预测的最佳ΔP值，将最接近最佳ΔP值的预测时域作为最佳预测时域。

步骤5.1：计算不同时域长度下P轨迹的第一步ΔP

步骤5.2：比较不同时域下第一步ΔP与最佳ΔP的差值：

min|ΔP-ΔP

其中ΔP为DNN预测最佳ΔP，ΔP

步骤6：基于哈密顿优化函数构建考虑发动机油耗和电能等效油耗的无人机等效燃油消耗函数模型，在此基础上考虑发动机功率频繁跳变对发动机性能及寿命的影响，构建了混动系统整体代价函数，结合步骤7滚动优化过程，实现无人机系统代价函数最小，实现无人机系统燃油消耗最小和发动机稳定运行。

步骤6.1：动力电池SOC变化率为：

其中I为电池总线输出电流，Q为电池容量

忽略电池内阻，电池功率计算为：P

使用哈密顿函数来表达动力系统等效油耗为：

其中为

步骤6.2：考虑发动机频繁启停或转速频繁跳变对于发动机寿命的影响，考虑其功率变化量ΔPe，结合上述等效燃油消耗率，无人机系统整体代价函数为：

其中λ和β为权重系数。

步骤7：根据步骤2到步骤5得到无人机系统未来最佳时域长度内最佳预测功率，结合步骤6构建的系统代价函数，利用动态规划算法得到动力系统最佳功率分配，即得到发动机油门的最佳控制序列，选择控制序列第一步对发动机进行控制，第一步控制指令执行后将新的飞行状态数据扩充到飞行工况数据库，更新需求功率预测，循环上述过程实现滚动寻优，直至得到混合动力系统能量最优分配策略，实现系统最小等效燃油消耗，提高飞行经济性和续航时间。

步骤7.1：针对构建的系统代价函数，选择动态规划算法建立滚动优化过程，选择状态变量和控制变量为：

x＝[SOC,P

u＝[ΔP

其中x为状态变量，u为控制变量，SOC为动力电池荷电状态，ΔPe为发动机功率变化量，a为控制对象发动机油门。

动态规划递推方程为：

J

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，J

步骤7.2：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油门，控制对象执行第一步指令后将新的无人机状态反馈最佳时域选择模块及功率预测模块，得到最佳预测时域长度，将最佳预测时域内预测的需求功率再用于动态规划，采用动态规划滚动优化混合动力系统能量分配策略，直至得到混合动力系统能量最优分配策略，实现无人机系统最小等效燃油消耗，提高飞行经济性和续航时间。

有益效果：

1、本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法，基于获取的无人机不同工况飞行数据，利用动态规划算法计算不同工况下每一时刻的无人机最优需求功率，计算每一时刻与下一时刻的最佳功率变化量ΔP，将每一时刻倾转旋翼机的飞行状态数据与最佳功率变化量ΔP一一对应，建立无人机飞行状态与最佳功率变化量ΔP强相关的预测数据库。构建用于预测最佳功率变化量ΔP的深度神经网络，通过所述深度神经网络找到当前飞行状态下的最佳ΔP值，与功率预测器不同时域长度预测的需求功率得到的ΔP相比，得到最佳预测时域的最佳需求功率，提出的ΔP逼近方法能够实时选择不同工况下的最佳预测时域，在最佳时域内进行无人机未来需求功率预测，能够提高功率预测的准确性和无人机系统整体优化效果。

2、本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法，基于哈密顿优化函数构建考虑发动机油耗和电能等效油耗的无人机等效燃油消耗函数模型，在此基础上考虑发动机功率频繁跳变对发动机性能及寿命的影响，将考虑权重的发动机的功率变化量作为代价函数的一环，构建无人机系统整体代价函数，结合动态规划构建的滚动优化过程，得到发动机与动力电池的最佳功率分配，实现无人机系统代价函数最小，使得无人机系统燃油消耗最小和发动机稳定运行，提高飞行经济性和续航时间。

3、本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法，基于功率预测器得到的最佳时域长度内最佳需求功率和构建的系统代价函数，利用动态规划算法得到动力系统最佳功率分配和发动机油门最佳控制序列，选择控制序列第一步对发动机进行控制，第一步控制指令执行后根据新的飞行状态数据更新最佳需求功率预测，循环执行上述过程实现滚动寻优。滚动优化流程能够实现预测需求功率的及时反馈矫正和动力系统实时最佳功率分配，有效提高无人机续航时间。

4、本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法，通过分析倾转旋翼机飞行数据工况参数，构建用于飞行状态需求功率预测的功率预测神经网络模型。在构建功率预测神经网络模型中通过海拔高度表征环境对于无人机不同飞行工况功率的影响，使本发明构建的功率预测神经网络模型适用于无人机在不同海拔高度下的飞行功率预测。

附图说明

图1为本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法的发明方法流程；

图2为本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法的最佳时域选择策略；

图3为本发明公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法的滚动优化流程。

具体实施方式：

如图1所示，本实施例公开的一种基于深度学习的倾转旋翼无人机能量管理优化方法，具体实现步骤如下：

从倾转旋翼无人机飞行数据库中提取历史飞行数据的工况信息，包括需求功率，飞行速度，飞行加速度，飞行高度，动力电池荷电状态(SOC)。

需求功率映射为：

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。

对提取的参数进行归一化处理：

式中，X表示提取源数据，Y表示归一化处理后数据，max和min分别表示最大最小值。

利用Bi-LSTM双向网络构建无人机功率需求预测模块，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，其预测原理如下：

正向传递隐藏状态表达式：

h

反向传递隐藏状态表达式：

h

输出y

y

式中，x

选择预测时域长度，可将时域长度集合选为[5s 10s 15s],将采集数据集中归一化后的需求功率、飞行速度、飞行加速度、飞行高度作为输入，采用建立的功率预测器预测飞行器未来需求功率：

Output＝f

/>

Output(t)＝{P

其中f

选择最佳预测时域预测需求功率，最佳预测时域选择过程如附图2所示，流程如下：

建立ΔP预测数据库；根据动态规划算法计算任务工况的最优功率需求轨迹，计算每一步的最佳ΔP。

提取每一步无人机飞行状态数据信息，建立飞行状态信息与最佳ΔP对应数据库如下：

(X

其中H为飞行高度，v为飞行速度，a为飞行加速度，P为需求功率，Y表示最佳ΔP，X为最佳ΔP对应飞行状态数据，下标表示时间阶段。

在无人机飞行状态数据与最佳ΔP强相关数据库的基础上，建立预测最佳ΔP的深度神经网络，找到当前飞行状态下的最佳ΔP值。

利用DNN神经网络建立ΔP预测模型，预测模型输入为无人机飞行速度，飞行加速度，需求功率，飞行高度,建立预测模型如下：

Y(t)＝f

X(t)＝H

Y(k)＝ΔP

其中H为飞行高度，v为飞行速度，a为飞行加速度，P为需求功率，下标k表示时间阶段。

将ΔP预测数据库划分为训练集和测试集，训练DNN模型直到满足精度要求，用测试集验证模型预测结果。

比较功率预测器不同预测时域下功率轨迹第一步ΔP与ΔP预测网络预测的最佳ΔP的差值：

min|ΔP-ΔP

其中ΔP为DNN预测最佳ΔP，ΔP

动力电池SOC变化率为：

其中I为电池总线输出电流，Q为电池容量

忽略电池内阻，电池功率计算为：P

使用哈密顿函数来表达动力系统等效油耗为：

其中为

考虑发动机频繁启停或转速频繁跳变对于发动机寿命的影响，考虑其功率变化量ΔPe，结合上述等效燃油消耗率，设计系统代价函数为：

其中λ和β为权重系数。

选择动态规划算法建立滚动优化过程，选择状态变量和控制变量为：

x＝[SOC,P

u＝[ΔP

其中x为状态变量，u为控制变量，SOC为动力电池荷电状态，ΔPe为发动机功率变化量，a为控制对象发动机油门。

动态规划递推方程为：

J

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，J

J

由附图1和附图3所示，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油门，控制对象执行第一步指令后将新的飞行器状态反馈最佳时域选择模块及功率预测模块，得到最佳预测时域长度，将最佳预测时域内预测的需求功率再用于动态规划，进行滚动寻优，实现发动机与电池间的最佳功率分配和系统最小成本。

本发明方法结合深度学习算法和动态规划算法，提出的基于ΔP逼近的最佳时域选择方法能够提高系统的整体优化效果和功率预测准确性，在哈密顿函数基础上提出考虑发动机功率变化量的代价函数，结合动态规划滚动寻优算法，能够实现系统的功率分配优化和代价最小，综上，本发明方法能够为倾转旋翼无人机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。