一种氢能无人机智能管理方法、系统、电子设备及存储介质与流程

本发明涉及无人机智能管理，具体涉及一种氢能无人机智能管理方法、系统、电子设备及存储介质。

背景技术：

1、氢能无人机，以氢燃料电池为核心动力源，因其续航时间长、载重能力强、低温适应性好等优势，在电力巡检、物流运输、农业植保等工业级应用场景中展现出巨大潜力。

2、然而，与技术成熟的锂电池无人机相比，氢能无人机的剩余续航时间预测是公认的技术难题。锂电池的剩余电量可以通过相对简单的电压－容量映射关系进行估算。但氢燃料电池的续航能力受到多种因素的复杂非线性耦合影响，例如：氢气瓶内的压力和温度共同决定了可用氢气量；燃料电池电堆的效率会随着运行时间和工况发生动态衰减；环境温度、气压及风速等外部条件会显著影响电堆性能和飞行气动功耗；无人机在悬停、巡航、爬升等不同飞行工况下的功率需求差异巨大。

3、现有技术中，常将锂电池无人机的续航估计算法简单移植至氢能无人机，但由于底层动力原理的根本差异，这种做法导致的预测误差通常超过15%。这带来了两种极端的不良后果：一是为保证安全，任务规划时留出过大的续航冗余，导致无人机频繁提前返航，严重浪费了其长续航优势和单次飞行的作业能力；二是续航估计过于乐观，导致无人机在执行任务中途因燃料耗尽而无法返航，造成设备坠毁、货物损失甚至引发次生安全事故。

4、此外，当无人机在飞行途中发现续航不足以完成原定计划时，现有技术普遍缺乏智能、自动化的任务重规划能力。通常依赖于地面站的操作员进行人工判断和手动调整航线，这种方式不仅效率低下，而且在紧急情况下极易因操作员的紧张或误判而导致决策失误。因此，亟待一种能够精确预测续航并进行自动化任务动态重规划的技术方案。

技术实现思路

1、为解决上述背景技术中存在的氢能无人机续航预测不准、任务规划僵化、安全冗余不足等技术问题，本发明提供了一种氢能无人机智能管理方法、系统、电子设备及存储介质。

2、本发明提供了一种氢能无人机智能管理方法，包括：实时获取氢能无人机飞行过程中的多源运行数据，所述多源运行数据至少包括燃料状态、电堆状态、环境状态以及飞行状态；将所述多源运行数据输入至结合时序卷积网络与多头注意力机制的预先训练时序深度学习模型，输出当前时刻的剩余飞行时间估计值和基于分位数回归的不确定性区间；当基于所述不确定性区间确定的风险调整续航值指示剩余续航不足以完成原计划的剩余任务时，求解以最大化待完成任务的加权价值为优化目标、并以所述风险调整续航值为约束的优化问题，以确定调整后的任务航点序列；基于所述调整后的任务航点序列，并依据至少包括任务调整、直接返航和紧急备降层级的安全路径规划策略，生成供所述氢能无人机执行的调整后飞行路径。

3、进一步地，将所述多源运行数据输入至所述时序深度学习模型之前，所述方法还包括：基于所述多源运行数据构造衍生特征，所述衍生特征包括氢气消耗率、电堆效率衰减率或功率波动指数中的至少一种。

4、进一步地，所述安全路径规划策略包括：若所述风险调整续航值足够完成部分航点，则所述调整后飞行路径的生成采用任务调整层级；若所述风险调整续航值不足以完成任何作业航点但足以返航，则所述调整后飞行路径的生成采用直接返航层级，所述调整后飞行路径为直达返航点的路径；若所述风险调整续航值不足以返航，则所述调整后飞行路径的生成采用紧急备降层级，所述调整后飞行路径为前往最近安全备降点的路径。

5、进一步地，所述方法还包括：当检测到实际氢气消耗率与模型预测值之间的偏差超出预设阈值时，利用近期的实际飞行数据对所述时序深度学习模型的参数进行在线更新。

6、进一步地，所述方法还包括：将所述调整后飞行路径在人机交互界面上进行可视化呈现。

7、进一步地，所述燃料状态包括氢气瓶压力和温度；所述电堆状态包括电堆电压、电流和功率；所述环境状态包括环境温度、气压和风速；所述飞行状态包括历史飞行工况序列。

8、进一步地，所述时序卷积网络用于捕获氢气消耗模式在不同时间尺度上的依赖关系；所述多头注意力机制用于自适应地学习所述多源运行数据中的不同特征在不同飞行阶段对续航影响的动态权重。

9、本发明还提供了一种氢能无人机智能管理系统，包括：获取模块，用于实时获取氢能无人机飞行过程中的多源运行数据，所述多源运行数据至少包括燃料状态、电堆状态、环境状态以及飞行状态；预测模块，用于将所述多源运行数据输入至结合时序卷积网络与多头注意力机制的预先训练时序深度学习模型，输出当前时刻的剩余飞行时间估计值和基于分位数回归的不确定性区间；任务优化模块，用于当基于所述不确定性区间确定的风险调整续航值指示剩余续航不足以完成原计划的剩余任务时，求解以最大化待完成任务的加权价值为优化目标、并以所述风险调整续航值为约束的优化问题，以确定调整后的任务航点序列；路径生成模块，用于基于所述调整后的任务航点序列，并依据至少包括任务调整、直接返航和紧急备降层级的安全路径规划策略，生成供所述氢能无人机执行的调整后飞行路径。

10、本发明还提供了一种电子设备，包括处理器和存储器，所述存储器上存储有计算机指令，所述计算机指令被所述处理器执行时，实现如上述任一所述的方法。

11、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的方法。

12、与现有技术相比，本发明通过构建从数据感知、智能预测到决策优化的闭环管理流程，具有以下有益效果：

13、1.预测精度高，运行可靠性强。本发明采用的结合时序卷积网络与多头注意力机制的时序深度学习模型，专为氢能无人机复杂非线性的续航特性设计，能够将续航预测误差从现有技术的15%以上降低至5%以内，显著提升了续航预测的准确性和可靠性。

14、2.决策依据科学，安全性高。本发明不仅提供续航时间的点估计，还输出不确定性区间，使得系统可以基于风险调整续航值进行决策。结合包含任务调整、直接返航和紧急备降的三级安全路径规划策略，构筑了严密的多层安全防线，从根本上避免了因续航耗尽导致的坠机风险。

15、3.任务效率最大化，经济效益好。当续航不足时，能够自动进行任务重规划，在确保安全返航的前提下，以最大化加权价值为目标，智能筛选出最优的任务子集，避免了提前返航，最大程度优化了单次飞行的有效作业量，提升了经济效益。

16、4.自适应能力强，适用性广。本发明通过在线更新，模型能够持续学习，自适应于不同无人机个体、不同电堆老化程度以及突发环境变化，确保了模型在长期使用过程中的稳定性和准确性，实现了“一机一模”的个性化适配，具有良好的适用性。

1.一种氢能无人机智能管理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将所述多源运行数据输入至所述时序深度学习模型之前，所述方法还包括：

3.根据权利要求1所述的方法，其特征在于，所述安全路径规划策略包括：

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1所述的方法，其特征在于，所述燃料状态包括氢气瓶压力和温度；所述电堆状态包括电堆电压、电流和功率；所述环境状态包括环境温度、气压和风速；所述飞行状态包括历史飞行工况序列。

7.根据权利要求1所述的方法，其特征在于，所述时序卷积网络用于捕获氢气消耗模式在不同时间尺度上的依赖关系；所述多头注意力机制用于自适应地学习所述多源运行数据中的不同特征在不同飞行阶段对续航影响的动态权重。

8.一种氢能无人机智能管理系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机指令，所述计算机指令被所述处理器执行时，实现权利要求1-7任一所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一所述的方法。