一种基于模型预测的多电飞机混合能源能量管理系统及方法

1.本发明属于能量管理领域，具体涉及一种基于模型预测的多电飞机混合能源能量管理系统及其执行方法。


背景技术：

2.随着飞机电气化程度不断增加，多电飞机采用了越来越多的电力系统作为其二次能源系统，因此多电飞机需要大容量的供电系统。270v高压直流系统极大地增加了供电容量，并且具有电网质量轻，易实现不中断供电的特点，已在军用多电飞机f35和f22上得到了应用。为了实现可靠的270v供电，多电飞机通常采用混合能源供电模式。不同能源系统间的电能需要合理管理才能保证多电飞机安全稳定的运行，常用于多电飞机混合能源系统的能量管理策略有状态机控制策略、模糊逻辑控制策略、经典pi控制策略和等效燃料消耗最小策略。
3.文献“wangt,qil,chenw,etal.applicationofenergymanagementstrategybasedonstatemachineinfuelcellhybridpowersystem[c]//2017ieeetransportationelectrificationconferenceandexpo,asia-pacific(itecasia-pacific).ieee,2017.”针对空气冷却燃料电池和锂电池结合的混合能源系统，提出了一种基于状态机的能量管理策略。该策略以开关规则控制为基础，根据负载功率需求和锂电池的soc确定每个电源系统的参考输出功率，可以满足不同负荷功率的需求，并实现能量的动态分配。但对于系统的不同初始条件，状态机控制策略的控制效果差异大，适应性差。
[0004]
文献“xiec，xux,bujlop,etal.fuelcellandlithiumironphosphatebatteryhybridpowertrainwithanultracapacitorbankusingdirectparallelstructure[j].journalofpowersources,2015,279:487-494.”针对燃料电池、磷酸锂电池和超级电容并联的混合能源系统，提出了一种基于模糊逻辑控制的能量管理策略，实现了稳定直流总线电压的目的。但模糊逻辑控制策略的控制精度低，动态品质差，缺乏系统性。
[0005]
文献“motaponsn,dessaintla,al-haddadk.acomparativestudyofenergymanagementschemesforafuel-cellhybridemergencypowersystemofmore-electricaircraft[j].ieeetransactionsonindustrialelectronics,2013,61(3):1320-1334.”指出基于pi控制的能量管理策略可以实现在线优化，以保证燃料电池系统稳定提供负载所需功率。但经典pi控制策略会降低系统的相对稳定性，而且它的参数整定困难，不易调节，适用性低。
[0006]
文献“zhangg,chenw,jiny,etal.studyonequivalentconsumptionminimizationstrategyforfuelcellhybridtramway[c]//transportationelectrificationasia-pacific.ieee,2017.”提出一种适用于燃料电池混合动力有轨电车的等效燃料消耗策略，可以保证负载所需能量的有效分配和母线电压的稳定性。但等效燃料消耗策略的等效因子的取值需要根据负载工况调整，否则优化效果下降，适用性较差。
[0007]
同时以上策略的提出均是基于含有燃料电池的混合能源系统，具有一定的局限性，不一定适用于发电机、锂电池和超级电容之间的能量管理。


技术实现要素：

[0008]
本发明针对以上几种策略的不足，提出了一种基于模型预测的多电飞机混合能源能量管理系统及策略，主要解决了常用控制策略的局限性和适用性差的问题，同时实现在线优化和更好的控制精度。具体地，本发明的目的在于改善以下几个方面：
[0009]
1.现有的控制策略对工况变化及参数调整的适应能力差。
[0010]
2.传统的优化控制策略需要在已知飞机运行工况的前提下才能得到全局最优解，不能实现实时控制。
[0011]
3.一般的优化控制策略计算量大，计算速度慢，对微处理器的要求很高。
[0012]
4.目前研究的系统通常以燃料电池为主，具有局限性，不易扩展到其他系统。
[0013]
本发明提出一种基于模型预测的多电飞机混合能源管理系统，所述混合能源系统，包括：能量管理模块、部件间协同控制模块、三发电机模块、锂电池、超级电容模块、电能变换器模块以及动态负载模块；
[0014]
所述能量管理模块，根据动态负载模块所需的实时功率，采用基于模型预测控制(mpc)的预测结果，依据能量管理策略对三个发电机、锂电池和超级电容进行功率分配；
[0015]
所述部件间协同控制模块，根据功率分配的结果控制三个发电机、锂电池和超级电容的功率输出；
[0016]
所述电能变换器模块，将三个发电机、锂电池和超级电容输出的电能转换为270v高压直流电，输送给动态负载模块。
[0017]
进一步地，所述动态负载负载功率可以在双发电机工作时达到400kw，在三发电机工作时达到800kw。
[0018]
进一步地，应用于多电飞机混合能量管理系统，包括以下步骤：
[0019]
s1混合能源系统建模
[0020]
s11进行供电单元的建模，发电机采用三级式无刷同步发电机，该发电机由永磁副励磁机、励磁机和主发电机组成，这三个部分的发电机均采用dq建模法进行建模，锂电池根据3.7v/10ah的锂电池单体参数，构建基于理论分析的功能模型，超级电容基于其电气特性构建经典模型；
[0021]
s12进行电能变换器件的建模，双向变换器采用非隔离型两相交错并联双向拓扑结构，整流器采用六脉波整流器；
[0022]
s13采用下垂控制法进行部件间的协同控制；
[0023]
s2构建基于模型预测控制(mpc)的能量管理算法
[0024]
s21建立预测模型
[0025]
在采样时刻k，取控制变量u(k)为：
[0026]
u(k)＝[p
mg1
(k),p
mg2
(k),p
uc
(k),pb(k),p
ag
(k)]
t
[0027]
其中，p
mg1
(k)为主发电机1的功率，p
mg2
(k)为主发电机2的功率， p
uc
(k)为超级电容模块的功率，pb(k)为锂电池模块的功率，p
ag
(k)为辅助发电机模块的功率。
[0028]
则：
[0029]
δu(k)＝u(k)-u(k-1)＝[δp
mg1
(k),δp
mg2
(k),δp
uc
(k),δpb(k),δp
ag
(k)]
t
[0030]
其中，δu(k)为控制量当前时刻与上一时刻的变化量，δp
mg1
(k)为主发电机1的功率的变化量，δp
mg2
(k)为主发电机2的功率的变化量，δp
uc
(k)为超级电容模块的功率的变化量，δpb(k)为锂电池模块的功率的变化量，δp
ag
(k)为辅助发电机模块的功率的变化量。
[0031]
状态变量矩阵x(k)为：
[0032]
x(k)＝u(k)＝[p
mg1
(k)，p
mg2
(k),p
uc
(k),pb(k),p
ag
(k),soc
uc
(k),socb(k)]
t
[0033]
其中，soc
uc
(k)为超级电容的荷电状态，socb(k)为锂电池的荷电状态。
[0034]
输出变量矩阵y(k)为：
[0035]
y(k)＝[p
mg1
(k) p
mg2
(k) p
uc
(k) pb(k) p
ag
(k),p
mg1
(k),p
mg2
(k),soc
uc
(k),socb(k)]
t
[0036]
式中，soc
uc
(k)和socb(k)分别为超级电容和锂电池的荷电状态，相邻采样时刻荷电状态与功率的关系应满足：
[0037][0038]
式中，soc
uc
(k-1)为超级电容采样时刻前一时刻的荷电状态， socb(k-1)为锂电池采样时刻前一时刻的荷电状态，e
uc
、eb分别为超级电容及锂电池容量；
△
t为采样步长，
[0039]
离散化预测模型为：
[0040][0041]
式中，k为当前采样时刻；δu(k)为控制量当前时刻与上一时刻的变化量， x(k 1)为下一时刻的状态变量矩阵，y(k)为当前时刻的输出变量矩阵，a、b、 c分别为状态、输入、输出矩阵。
[0042][0043][0044]
s22设置约束条件
[0045]
基于模型预测控制策略，考虑两种储能装置的特性，设置控制和状态约束，为混合
能源系统各模块提供优化的控制信号。
[0046]
s221设置系统输出功率约束
[0047]
假设系统无损耗，负载功率为两台主发电机(p
mg1
、p
mg2
)、辅助发电机 (p
ag
)、锂电池(pb)和超级电容(p
uc
)的功率之和，满足：
[0048]
p
mg1
(k i|k) p
mg2
(k i|k) p
uc
(k i|k) pb(k i|k) p
ag
(k i|k)＝p
load
[0049]
其中，x(k i|k)为当前采样时刻k对k i时刻x的预测值；p
load
为负载功率。
[0050]
s222设置充放电功率约束：
[0051][0052]
其中，x(k i|k)为当前采样时刻k对k i时刻x的预测值；p
mg_max
为主发电机的最大功率；p
uc_min
、p
uc_max
分别为超级电容的最小、最大功率；p
b_min
、 p
b_max
分别为锂电池的最小、最大功率；p
ag_max
为辅助发电机功率。
[0053]
s223设置荷电状态约束：
[0054][0055]
soc
uc_min
、soc
uc_max
为超级电容的最小、最大荷电状态；soc
b_min
、 soc
b_max
为锂电池的最小、最大荷电状态。soc
uc
(k i|k)、socb(k i|k)分别为超级电容、锂电池在当前采样时刻k在k i时刻的荷电状态预测输出值。
[0056]
s3滚动优化过程
[0057]
考虑到混合能源系统的安全和经济运行，系统控制目标主要分为两个部分：
[0058]
s31在系统运行过程中，应在各采样时刻尽可能满足负荷需求的前提下，维持系统功率的分配平衡，保证各分布式单元正常运行；
[0059]
s32为了保护发电机的寿命，优先保证发电机输出功率维持不变；
[0060]
系统的优化模型采用控制对象在未来采样点上的输出值和期望轨迹的差值。因此，定义满足控制目标的优化模型，也就是目标函数j为：
[0061][0062]
式中，k＝0,1,2
…
；q为预测输出误差的正定加权系数矩阵；p
mean
为系统平均功率，也就是系统的参考轨迹；p
mg1
(k i/k)、p
mg2
(k i/k)为当前采样时刻k在 k i时刻的两个主发电机功率预测输出值。
[0063]
最终得到三个发电机，锂电池，超级电容的最优功率分配，实现多电飞机混合能源系统能量智能最优分配。
[0064]
由此，所述发电机的输出功率可以始终维持在额定值。
[0065]
本发明首先依据混合能源系统结构建立模型信息，然后综合利用历史信息和模型信息对目标函数进行滚动优化，达到全局最优的控制效果，最后将测量所得电信号和预测输出就行比较，修正输出参数，输出参数为发电机，锂电池和超级电容的功率分配，据此实
现多电飞机不同运行工况下的能量智能最优分配。
附图说明
[0066]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0067]
图1为本发明中混合能源能量管理系统架构框图。
具体实施方式
[0068]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0069]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0070]
根据图1所示的系统架构，首先进行供电单元的建模。发电机采用三级式无刷同步发电机，该发电机由永磁副励磁机、励磁机和主发电机组成，这三个部分的发电机均采用dq建模法进行建模。锂电池根据某型号3.7v/10ah的锂电池单体参数，构建基于理论分析的功能模型。超级电容基于其电气特性构建经典模型。然后进行电能变换器件的建模，双向变换器采用非隔离型两相交错并联双向拓扑结构，整流器采用六脉波整流器模型。最后供电单元之间的协同控制采用下垂控制算法，完成了混合能源系统的建模。
[0071]
本发明提出了一种基于模型预测的多电飞机混合能源能量管理系统，搭建一种由三级式无刷同步发电机、高比能量锂离子电池、高比功率超级电容器、 ac/dc变换器和两相交错并联双向dc-dc变换器组成的混合能源系统。该系统双发电机工作时峰值功率可达400kw，三发电机工作时峰值功率可达800kw，其中混合储能模块采用有源主动式的架构，供电单元间的协同控制采用下垂控制。
[0072]
本发明主要解决了常用控制策略的局限性和适用性差的问题，同时实现在线优化和更好的控制精度，适用于多电飞机的能量管理。其技术方案包括两大模块：混合能源系统建模和基于模型预测的能量管理算法。
[0073]
本发明提出一种基于模型预测的多电飞机混合能源管理系统，所述混合能源系统，包括：能量管理模块、部件间协同控制模块、三发电机模块、锂电池、超级电容模块、电能变换器模块以及动态负载模块；
[0074]
所述能量管理模块，根据动态负载模块所需的实时功率，采用基于模型预测控制(mpc)的预测结果，依据能量管理策略对三个发电机、锂电池和超级电容进行功率分配；
[0075]
所述部件间协同控制模块，根据功率分配的结果控制三个发电机、锂电池和超级电容的功率输出；
[0076]
所述电能变换器模块，将三个发电机、锂电池和超级电容输出的电能转换为270v
高压直流电，输送给动态负载模块。
[0077]
进一步地，所述动态负载负载功率可以在双发电机工作时达到400kw，在三发电机工作时达到800kw。
[0078]
进一步地，应用于多电飞机混合能量管理系统的方法，包括以下步骤：
[0079]
s1混合能源系统建模
[0080]
s11进行供电单元的建模，发电机采用三级式无刷同步发电机，该发电机由永磁副励磁机、励磁机和主发电机组成，这三个部分的发电机均采用dq建模法进行建模，锂电池根据3.7v/10ah的锂电池单体参数，构建基于理论分析的功能模型，超级电容基于其电气特性构建经典模型；
[0081]
s12进行电能变换器件的建模，双向变换器采用非隔离型两相交错并联双向拓扑结构，整流器采用六脉波整流器；
[0082]
s13采用下垂控制法进行部件间的协同控制；
[0083]
s2构建基于模型预测控制(mpc)的能量管理算法
[0084]
s21建立预测模型
[0085]
在采样时刻k，取控制变量u(k)为：
[0086]
u(k)＝[p
mg1
(k),p
mg2
(k),p
uc
(k),pb(k),p
ag
(k)]
t
[0087]
其中，p
mg1
(k)为主发电机1的功率，p
mg2
(k)为主发电机2的功率， p
uc
(k)为超级电容模块的功率，pb(k)为锂电池模块的功率，p
ag
(k)为辅助发电机模块的功率。
[0088]
则：
[0089]
δu(k)＝u(k)-u(k-1)＝[δp
mg1
(k),δp
mg2
(k),δp
uc
(k),δpb(k),δp
ag
(k)]
t
[0090]
其中，δu(k)为控制量当前时刻与上一时刻的变化量，δp
mg1
(k)为主发电机1的功率的变化量，δp
mg2
(k)为主发电机2的功率的变化量，δp
uc
(k)为超级电容模块的功率的变化量，δpb(k)为锂电池模块的功率的变化量，δp
ag
(k)为辅助发电机模块的功率的变化量。
[0091]
状态变量矩阵x(k)为：
[0092]
x(k)＝u(k)＝[p
mg1
(k)，p
mg2
(k),p
uc
(k),pb(k),p
ag
(k),soc
uc
(k),socb(k)]
t
[0093]
其中，soc
uc
(k)为超级电容的荷电状态，socb(k)为锂电池的荷电状态。
[0094]
输出变量矩阵y(k)为：
[0095]
y(k)＝[p
mg1
(k) p
mg2
(k) p
uc
(k) pb(k) p
ag
(k),p
mg1
(k),p
mg2
(k),soc
uc
(k),socb(k)]
t
[0096]
式中，soc
uc
(k)和socb(k)分别为超级电容和锂电池的荷电状态，相邻采样时刻荷电状态与功率的关系应满足：
[0097][0098]
式中，soc
uc
(k-1)为超级电容采样时刻前一时刻的荷电状态， socb(k-1)为锂电池采样时刻前一时刻的荷电状态，e
uc
、eb分别为超级电容及锂电池容量；
△
t为采样步长，
[0099]
离散化预测模型为：
[0100][0101]
式中，k为当前采样时刻；δu(k)为控制量当前时刻与上一时刻的变化量， x(k 1)
为下一时刻的状态变量矩阵，y(k)为当前时刻的输出变量矩阵，a、b、 c分别为状态、输入、输出矩阵。
[0102][0103][0104]
s22设置约束条件
[0105]
基于模型预测控制策略，考虑两种储能装置的特性，设置控制和状态约束，为混合能源系统各模块提供优化的控制信号。
[0106]
s221设置系统输出功率约束
[0107]
假设系统无损耗，负载功率为两台主发电机(p
mg1
、p
mg2
)、辅助发电机 (p
ag
)、锂电池(pb)和超级电容(p
uc
)的功率之和，满足：
[0108]
p
mg1
(k i|k) p
mg2
(k i|k) p
uc
(k i|k) pb(k i|k) p
ag
(k i|k)＝p
load
[0109]
其中，x(k i|k)为当前采样时刻k对k i时刻x的预测值；p
load
为负载功率。
[0110]
s222设置充放电功率约束：
[0111][0112]
其中，x(k i|k)为当前采样时刻k对k i时刻x的预测值；p
mg_max
为主发电机的最大功率；p
uc_min
、p
uc_max
分别为超级电容的最小、最大功率；p
b_min
、 p
b_max
分别为锂电池的最小、最大功率；p
ag_max
为辅助发电机功率。
[0113]
s223设置荷电状态约束：
[0114][0115]
soc
uc_min
、soc
uc_max
为超级电容的最小、最大荷电状态；soc
b_min
、 soc
b_max
为锂电池的最小、最大荷电状态。
[0116]
s3滚动优化过程
[0117]
考虑到混合能源系统的安全和经济运行，系统控制目标主要分为两个部分：
[0118]
s31在系统运行过程中，应在各采样时刻尽可能满足负荷需求的前提下，维持系统功率的分配平衡，保证各分布式单元正常运行；
[0119]
s32为了保护发电机的寿命，优先保证发电机输出功率维持不变；
[0120]
系统的优化模型采用控制对象在未来采样点上的输出值和期望轨迹的差值。因此，定义满足控制目标的优化模型，也就是目标函数j为：
[0121][0122]
式中，k＝0,1,2
…
；q为预测输出误差的正定加权系数矩阵；p
mean
为系统平均功率，也就是系统的参考轨迹；p
mg1
(k i/k)、p
mg2
(k i/k)为当前采样时刻k在 k i时刻的两个主发电机功率预测输出值。
[0123]
基于模型预测的能量管理算法具体实施步骤如下：
[0124]
步骤一：搭建由两台三级式无刷同步发电机、锂离子电池、超级电容器、 ac/dc变换器和双向dc-dc变换器组成的混合能源系统架构，引出各分布式单元的功率及soc接口作为模型预测算法的前端输入；
[0125]
步骤二：设置系统输入、输出数目，各分布式单元约束条件，采样周期ts，算法运行周期t，预测步长n以及加权系数矩阵q的值；
[0126]
步骤三：根据系统初始条件及设计目标，计算所预测模型中涉及的各系数矩阵；
[0127]
步骤四：利用quadprog函数求解二次规划问题最优解，获得使目标函数最小的下一步的控制变量增量δu(k)，并计算控制变量u(k)；
[0128]
步骤五：若k《t，令k＝k 1，并重复二至五的步骤，直到k＝t时停止控制行为，注意在迭代过程中应当始终满足功率与soc的约束条件。
[0129]
本发明能够实现如下有益效果：
[0130]
1)所述能量管理策略可以实现负载功率峰值不同时，三个发电机、锂电池和超级电容之间的能量智能最优分配，控制精度高；
[0131]
2)所述能量管理策略可以使发电机在投入使用时一直维持在额定功率，不受负载变化的干扰，保证发电机的效率最大化，提高发电机寿命；
[0132]
3)所述能量管理策略可以利用超级电容平抑系统功率缺额，保证锂电池处于理想的荷电状态，延长锂电池寿命；
[0133]
4)所述能量管理算法计算量较小，计算速度快，降低了对微处理器的要求，降低了成本。
[0134]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。