无人机混合电源系统配置优化方法及系统

摘要: 本发明涉及无人机混合电源系统配置优化,具体为无人机混合电源系统配置优化方法及系统。背景技术:1、随着无人机技术在军事侦察、物流配送、农业植保、环境监测等领域的广...
无人机混合电源系统配置优化方法及系统

本发明涉及无人机混合电源系统配置优化,具体为无人机混合电源系统配置优化方法及系统。

背景技术:

1、随着无人机技术在军事侦察、物流配送、农业植保、环境监测等领域的广泛应用,其续航能力和能源利用效率已成为制约性能提升的关键瓶颈。目前,无人机动力系统主要采用纯锂电池供电方案,该方案虽具有功率密度高、充放电响应快的优势,但其能量密度较低导致续航时间受限,且在高频次充放电循环下电池老化速度较快,全寿命周期更换成本高昂。氢燃料电池供电方案凭借较高的能量密度能够显著提升续航能力,但其动态响应速度较慢,难以满足无人机在起飞、爬升等阶段的突发大功率需求。

2、现有技术中,公开号为cn117369452a的文件公开了一种无人农机作业控制方法,其核心在于通过图像采集装置、障碍物检测装置和激光雷达共同采集环境数据并融合,确定待作业区域的区域信息,结合无人农机的属性信息,规划出包含出库路径、作业路径和入库路径的全局行驶路径;然后通过导航定位装置或设定地图结合图像采集装置和/或激光雷达获取实时位置信息,控制无人农机按照全局行驶路径行驶并在不同区域执行相应的农机行为,同时在作业过程中通过障碍物检测装置实时检测障碍物并根据障碍物类型执行相应避障策略。但是该方法仅通过自适应遗传算法优化氢燃料电池与锂电池的静态功率分配比例,其目标函数仅考虑初始购置成本与系统质量,未考虑锂电池在全寿命周期内的循环老化成本、温度对老化的加速效应,以及输出参数如氢燃料电池功率、锂电池容量、预期循环寿命的工程约束验证与反馈调整机制,无法处理锂电池老化成本、无法适应温度变化、无法自动验证和修正输出参数工程可行性的技术缺陷,因此亟需无人机混合电源系统配置优化方法及系统。

3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供无人机混合电源系统配置优化方法及系统,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、无人机混合电源系统配置优化方法,具体步骤包括:

4、s1:获取无人机的单次飞行的任务参数、温度参数、预期任务总次数以及氢燃料电池功率比例,并根据任务参数计算无人机的总能耗,基于氢燃料电池功率比例以及总能耗,结合线性累积损伤理论,计算锂电池在单次任务中因放电造成的累积损伤度;

5、s2:基于累积损伤度,构建锂电池老化成本模型,根据模型计算锂电池在单次任务中的老化成本,并引入温度参数作为修正项对所述老化成本进行修正;基于预期任务总次数,计算氢燃料电池成本、锂电池成本参数以及质量成本参数,并据此构建总成本的目标函数模型;

6、s3:基于氢燃料电池功率比例,分别构建能量约束、功率约束和放电深度约束,并计算各约束的违反量参数,根据所述违反量参数以及总成本的目标函数构建适应度函数;采用改进的自适应遗传算法对适应度函数进行优化筛选,得到最优适应度值;

7、s4:将最优适应度值作为调节参数,重新计算单次任务的老化成本,并据此确定锂电池的预期循环寿命,同时重新计算氢燃料电池功率以及锂电池容量;设置反馈条件,若不满足所述反馈条件,则返回步骤s3重新计算最优适应度值,直至满足反馈条件。

8、进一步地,计算锂电池在单次任务中因放电造成的累积损伤度,具体为:

9、通过获取无人机在悬停阶段、巡航阶段和降落阶段各自的功率与对应持续时间的乘积,将三个阶段的能耗相加,得到无人机单次任务的总能耗;

10、根据氢燃料电池功率比例确定锂电池所需承担的能量份额,即用一减去氢燃料电池承担的功率比例系数后乘以总能耗,得到锂电池在本次任务中的实际放电能量;随后,将锂电池的额定容量与额定电压相乘,得到锂电池的最大可用储能;将锂电池实际放电能量除以最大可用储能,得到锂电池在本次任务中的放电深度;最后,对放电深度进行以损伤指数为幂次的非线性放大处理,即计算放电深度的损伤指数次幂,得到的结果即为锂电池在单次任务中因放电造成的累积损伤度。

11、进一步地,计算修正后的老化成本,具体为:

12、将锂电池的初始购买价格除以锂电池在百分之百放电深度下的额定循环寿命,得到锂电池在完全放电条件下单次任务的平均基准老化成本;然后,将该基准老化成本乘以在特定氢燃料电池功率比例下的累积损伤度,由于累积损伤度反映了实际放电深度相对于完全放电的寿命消耗比例,相乘后即可得到该功率比例配置下锂电池单次任务的实际老化成本;最后,将锂电池的实际工作温度减去标准温度,除以温度特征常数,取自然常数e的该次幂作为温度修正因子,将实际老化成本乘以该温度修正因子;从而得到经温度修正后的锂电池单次任务老化成本。

13、进一步地,得到总成本的目标函数模型,具体为:

14、氢燃料电池成本由两部分构成:第一部分是将氢燃料电池单位功率价格乘以氢燃料电池功率比例再乘以单次任务最大功率,得到氢燃料电池系统的初始购置成本,该成本随功率比例增大而线性增加;第二部分是将预期任务总次数乘以氢气单位能量价格再乘以氢燃料电池功率比例再乘以单次任务总能耗,得到全寿命周期内消耗氢气燃料的总成本,该成本同样随功率比例增大而线性增加,两部分相加即为氢燃料电池功率比例下的氢燃料电池总成本;

15、锂电池成本参数同样由两部分构成:第一部分是将锂电池单位能量价格乘以一减去氢燃料电池功率比例再乘以单次任务总能耗,得到锂电池的初始购置成本;第二部分是将预期任务总次数乘以经温度修正后的锂电池单次任务老化成本,得到全寿命周期内锂电池老化更换的总成本,两部分相加即为氢燃料电池功率比例下的锂电池总成本;

16、质量成本参数是将质量成本换算因子乘以氢燃料电池系统质量与锂电池系统质量之和,其中氢燃料电池系统质量由氢燃料电池单位功率质量乘以氢燃料电池功率比例再乘以单次任务最大功率计算得到,锂电池系统质量由锂电池单位能量质量乘以一减去氢燃料电池功率比例再乘以单次任务总能耗计算得到;

17、将氢燃料电池成本、锂电池成本参数和质量成本参数三者相加,即得到氢燃料电池功率比例下的全寿命周期总成本的目标函数。

18、进一步地,构建适应度函数,具体为:

19、能量约束违反量参数的计算逻辑是:首先将氢燃料电池总可用能量乘以氢燃料电池功率比例,得到氢燃料电池在当前功率比例下能够提供的可用能量;将锂电池最大可用储能乘以一减去氢燃料电池功率比例,得到锂电池在当前功率比例下能够提供的可用能量;将这两部分相加,得到混合电源系统在当前配置下的总可用能量;然后用单次任务总能耗减去该总可用能量,若差值为正,则将差值除以单次任务总能耗进行归一化,得到能量约束违反量参数;若差值为负或零,则表明能量满足需求,能量约束违反量参数取零;

20、功率约束违反量参数的计算逻辑是:首先将氢燃料电池最大输出功率乘以氢燃料电池功率比例,得到氢燃料电池在当前功率比例下能够提供的最大功率;将锂电池最大输出功率乘以一减去氢燃料电池功率比例,得到锂电池在当前功率比例下能够提供的最大功率;将这两部分相加,得到混合电源系统在当前配置下的总最大输出功率;然后用单次任务最大功率减去该总最大输出功率,若差值为正,则将差值除以单次任务最大功率进行归一化,得到功率约束违反量参数;若差值为负或零,则表明功率满足需求,功率约束违反量参数取零;

21、放电深度约束违反量参数的计算逻辑是:首先将一减去氢燃料电池功率比例后乘以单次任务总能耗,得到锂电池在当前配置下需要承担的能量;将能量除以锂电池最大可用储能,得到锂电池在本次任务中的实际放电深度;然后用该实际放电深度减去最大允许放电深度,若差值为正,则将该差值除以最大允许放电深度进行归一化,得到放电深度约束违反量参数;若差值为负或零,则表明放电深度满足约束,放电深度约束违反量参数取零;

22、适应度函数的计算逻辑是:首先将总成本目标函数与能量约束违反量参数的平方乘以能量惩罚系数、功率约束违反量参数的平方乘以功率惩罚系数、放电深度约束违反量参数的平方乘以放电深度惩罚系数以及防零正数相加,得到一个综合分母;然后用一除以综合分母,得到适应度值。

23、进一步地,采用改进的自适应遗传算法对适应度函数进行筛选,得到最优的适应度值,具体为:

24、初始化一个包含额定数量个体的种群,每个个体代表一种氢燃料电池功率比例,其值在0到1之间随机生成,计算每个个体对应的适应度值并进行降序排序,将适应度值最高的前2个个体作为精英个体直接复制到下一代,其余个体通过轮盘赌选择方式根据适应度大小随机选取作为父代,具体为:

25、首先计算当前种群中所有个体适应度值的总和,然后对于每个个体,将其适应度值除以适应度总和,得到该个体被选中的概率,接着按照个体顺序累积各个体的选择概率,形成累积概率分布,每个个体的累积概率等于其自身及之前所有个体的选择概率之和;最后在每次选择时,生成一个在0到1之间的随机数,选中使得累积概率大于或等于该随机数的第一个个体;重复上述选择过程,得到父代个体集合;

26、随后采用自适应交叉概率对选出的父代个体进行模拟二进制交叉操作,交叉概率随迭代次数动态调整:在迭代初期交叉概率取值较大,随着迭代次数增加交叉概率逐渐减小;对于每一对父代个体,生成一个零到一之间的随机数,若随机数大于当前代的交叉概率则直接将父代复制为子代而不进行交叉,否则对该对父代执行模拟二进制交叉操作,通过随机生成的分布因子控制两个父代基因的组合比例,产生两个新的子代个体;

27、随后采用自适应变异概率对新生成的子代个体进行多项式变异,变异概率根据当前种群的多样性动态调整:计算当前种群中所有个体适应度的标准差作为多样性指标,若标准差较大表明种群多样性较高则变异概率取较小值,若标准差较小表明种群趋于同质化则变异概率取较大值;对于每个子代个体,生成一个零到一之间的随机数,若随机数大于当前代的变异概率则保持原值不变,否则执行变异操作,通过随机生成的步长因子在原值基础上产生一个微小的正向或负向扰动;

28、对所有新生成的子代个体进行边界裁剪,即如果变异后的子代的值在0到1之间,则保持原值,如果小于0,则直接赋值为0,如果大于1,则直接赋值为1;

29、将所有新生成的子代个体经过边界裁剪后的子代个体与精英个体合并形成下一代种群,上述过程进行反复迭代,直到达到预设的最大迭代次数;最终输出使适应度值最大的最优氢燃料电池功率比例,作为最优适应度值。

30、进一步地,将最优适应度值作为调节参数,具体为:

31、将最优适应度值作为调节参数,重新计算氢燃料电池功率、锂电池容量及锂电池预期循环寿命的计算逻辑如下:首先,从改进的自适应遗传算法中提取使适应度值最大的氢燃料电池功率比例作为最优适应度值;然后,将最优适应度值乘以单次任务最大功率,得到氢燃料电池系统需要配置的额定功率;同时,将一减去最优适应度值后乘以单次任务总能耗,得到锂电池系统需要配置的能量容量;最后,将锂电池在百分之百放电深度下的额定循环寿命除以在最优适应度值下的单次任务累积损伤度,即得到锂电池在实际工作条件下的预期循环寿命。

32、进一步地,设置反馈条件,具体为:

33、首先,设定氢燃料电池功率的下限约束和上限约束、锂电池容量的下限约束和上限约束,以及锂电池预期循环寿命的下限约束;然后,计算得到的氢燃料电池功率、锂电池容量以及锂电池预期循环寿命逐一与对应的约束边界进行比较验证;

34、若三项输出参数均满足各自的约束条件,则说明当前最优配置在工程上可行,直接输出该配置结果;

35、若任一输出参数不满足其约束条件,则根据不满足的约束类型,利用约束边界反向推导氢燃料电池功率比例应满足的目标值:

36、当氢燃料电池功率低于下限约束时,用氢燃料电池功率的下限约束除以单次任务最大功率得到修正目标值;当氢燃料电池功率高于上限约束时,用氢燃料电池功率的上限约束除以单次任务最大功率得到修正目标值;

37、当锂电池容量低于下限约束时,用一减去锂电池容量的下限约束除以单次任务总能耗得到修正目标值;当锂电池容量高于锂电池容量的上限约束时,用一减去容量上限除以单次任务总能耗得到修正目标值;

38、当锂电池预期循环寿命低于下限约束时,先计算第一项即锂电池额定容量与额定电压的乘积除以单次任务总能耗,再计算第二项即额定循环寿命除以锂电池预期循环寿命的下限约束后的损伤指数次幂,最后用一减去第一项和第二项的乘积结果得到修正目标值;

39、当存在多个约束同时不满足时,分别计算每个不满足约束对应的修正目标值,并取其中的最大值作为最终的修正目标值;

40、将自适应遗传算法的初始搜索范围从原有的零到一调整为以最终修正目标值为中心、以范围调节因子为半径的邻域,即下限取零与修正目标值减范围调节因子两者中的较大值,上限取一与修正目标值加范围调节因子两者中的较小值;在此调整后的搜索范围内重新执行遗传算法优化过程,直至达到预设的最大重复次数。

41、本发明还另外提供无人机混合电源系统配置优化系统,所述无人机混合电源系统配置优化系统用于执行上述的无人机混合电源系统配置优化方法,包括:

42、损伤计算模块,用于获取无人机的单次飞行的任务参数、温度参数、预期任务总次数以及氢燃料电池功率比例,并根据任务参数计算无人机的总能耗,基于氢燃料电池功率比例以及总能耗,结合线性累积损伤理论,计算锂电池在单次任务中因放电造成的累积损伤度;

43、目标成本构建模块,用于基于累积损伤度,构建锂电池老化成本模型,根据模型计算锂电池在单次任务中的老化成本,并引入温度参数作为修正项对所述老化成本进行修正;基于预期任务总次数,计算氢燃料电池成本、锂电池成本参数以及质量成本参数,并据此构建总成本的目标函数模型;

44、最优值筛选模块,用于基于氢燃料电池功率比例,分别构建能量约束、功率约束和放电深度约束,并计算各约束的违反量参数,根据所述违反量参数以及总成本的目标函数构建适应度函数;采用改进的自适应遗传算法对适应度函数进行优化筛选,得到最优适应度值;

45、调节反馈模块,用于将最优适应度值作为调节参数,重新计算单次任务的老化成本,并据此确定锂电池的预期循环寿命,同时重新计算氢燃料电池功率以及锂电池容量;设置反馈条件,若不满足所述反馈条件,则返回步骤s3重新计算最优适应度值,直至满足反馈条件。

46、与现有技术相比,本发明的有益效果是:

47、通过引入线性累积损伤理论和温度修正因子,构建了锂电池循环老化成本模型,将单次任务放电深度对电池寿命的非线性影响量化为累积损伤度,并将老化成本纳入总成本目标函数,使优化结果从单纯追求初始购置成本最低转变为全寿命周期总成本最优,有效解决了现有方法忽略电池老化导致长期使用成本偏高的问题,同时温度修正因子能够根据实际工作环境动态调整老化成本估算,提高了模型的适应性和准确性;通过设置能量约束、功率约束和放电深度约束的违反量参数,构建了带惩罚项的适应度函数,能够在遗传算法优化过程中有效排除不可行解,确保优化结果满足无人机任务的基本功率和能量需求,其中放电深度约束直接关联锂电池老化程度,可有效防止优化结果过度依赖锂电池而导致电池过早老化;通过反馈调整机制解决了现有方法优化结果与工程实际脱节的问题,显著提高了方法的鲁棒性和工程实用性。