[发明专利]一种分布式混合电推进飞行器能量管理系统

说明书

本发明公开了一种分布式混合电推进飞行器能量管理系统，包括：先验知识模型，其包括飞行任务剖面内发动机最佳制动比油耗曲线、电池特性曲线和高升力推进器控制规律，用于对强化学习智能体的执行者进行限制；环境模型，其包括分布式混合电推进飞行器运动学、空气动力学模型以及发动机、发电机、储能模块、分布式推进器、大气环境，用于向强化学习智能体输出环境状态观测量；强化学习智能体，用于根据所述环境状态观测量生成并向分布式混合电推进飞行器输出动作变量的控制命令。本发明还公开了一种分布式混合电推进飞行器。相比现有技术，本发明基于深度强化学习算法，并将专家知识以先验知识的形式应用于强化学习模型中，具有更好的性能。

技术领域

本发明涉及分布式混合电推进飞行器技术领域，尤其涉及一种分布式混合电推进飞行器能量管理系统。

背景技术

分布式推进系统是使用多个分布式推进器代替常规大尺寸发动机的动力系统。其中分布式混合电推进系统是指通过发动机驱动发电机发电，结合锂电池等储能与供电装置，用分布在飞行器上不同位置的多个电机驱动推进器提供推力的一种新型航空推进系统。分布式混合电推进具有绿色环保、提升推进系统效率、改善飞机性能、降低噪声和实现短距起降能力等优点。混合动力能量管理系统是混合动力飞机不可缺少的组成部分。通过适当的策略，混合动力飞机可以通过动力源之间的高效合作运行，从而降低燃料消耗和温室气体排放。一般来说，能源管理策略可以大致分为三类：基于规则的方法、基于优化的方法和基于学习的方法。基于规则的EMS(EMS,Energy Management Strategy)包括基于确定性规则和基于模糊规则的EMS。这些方法以其简单、实时性好等优点在混合动力汽车中得到了广泛的应用。然而，有限的优化能力和对人类专业知识的要求阻碍了它的进一步应用。预设规则限制了其在不同行驶循环下的灵活性和最优性。基于优化的EMS可进一步分为全局EMS和实时EMS。与基于规则的EMS不同，基于优化的EMS利用计算机算法对混合动力飞机的燃油经济性进行优化，不依赖于专业工程师的直觉和经验。此外，它还可以获得最佳工作时间，并对不同的行驶循环具有良好的适应性。但是，全局优化方法，如动态规划，需要预先知道飞行任务剖面循环，并且消耗了大量的计算资源。由于其缺点，它不适用于实时控制系统，通常作为离线基准来探索燃油经济性潜力。鉴于此，提出了实时优化方法，包括等效成本最小化策略和模型预测控制。这些方法基于能量消耗的等效假设，采用瞬时功率处理策略来最小化成本函数，在一定程度上提高了EMS的实时性和燃油经济性。然而，现有的EMS计算量大，对复杂的飞行任务剖面适应性差，优化效果较差。近年来，基于学习的分布式混合电推进飞机EMS算法，尤其是强化学习(RL,Reinforcement Learning)算法，已成为一种很有前途的解决方案。在混合动力汽车的能量管理领域，相关研究也表明，RL在复杂行驶工况下具有较强的学习能力和适应性，消耗的计算资源较少。但是，无模型的RL算法，以试错的方式学习最优EMS解，依赖于来自环境的大量真实样本来获得更好的性能，这通常会导致低采样效率。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种分布式混合电推进飞行器能量管理系统，基于深度强化学习进行分布式混合电推进飞行器的能量管理，并将分布式混合电推进飞机中的专家知识以先验知识的形式应用于强化学习模型中，具有更好的性能。

本发明具体采用以下技术方案解决上述技术问题：

一种分布式混合电推进飞行器能量管理系统，包括：

先验知识模型，其包括飞行任务剖面内发动机最佳制动比油耗曲线、电池特性曲线和高升力推进器控制规律，用于对强化学习智能体的执行者网络进行限制；环境模型，其包括分布式混合电推进飞行器运动学、空气动力学模型以及发动机、发电机、储能模块、分布式推进器、大气环境，用于向强化学习智能体输出环境状态观测量；