[发明专利]一种基于随机模型预测的多电飞机混合能源能量管理方法

权利要求书

1.一种基于随机模型预测的多电飞机混合能源管理方法，其特征在于，所述混合能源系统根据动态负载模块所需的实时功率，考虑随机扰动的情况下，采用基于随机模型预测控制的预测结果，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；

所述混合能源管理方法的滚动优化过程采用多步即时差分学习与动态规划相结合的方法；

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。

2.根据权利要求1所述的一种基于模型预测的多电飞机混合能源能量管理方法，其特征在于：包括以下步骤：

S1建立随机扰动预测模型；

通过对主发电机(P_mg1、P_mg2)、辅助发电机(P_ag)、锂电池(P_B)和超级电容(P_UC)的功率进行控制，实现系统功率的平衡，保证各供电设备在最优状态下运行；

在采样时刻k，取控制变量为：

u(k)＝[P_mg1(k)，P_mg2(k)，P_UC(k)，P_B(k)，P_ag(k)]^T

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，P_B(k)为锂电池模块的功率，P_ag(k)为辅助发电机模块的功率；

则：

Δu(k)＝u(k)-u(k-1)＝[ΔP_mg1(k)，ΔP_mg2(k)，ΔP_UC(k)，ΔP_B(k)，ΔP_ag(k)]^T

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，ΔP_B(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；

状态变量矩阵为：

x(k)＝u(k)＝[P_mg1(k)，P_mg2(k)，P_UC(k)，P_B(k)，P_ag(k)，SOC_UC(k)，SOC_B(k)]^T其中，SOC_UC(k)为超级电容的荷电状态，SOC_B(k)为锂电池的荷电状态；

输出变量为：

y(k)＝[P_mg1(k)+P_mg2(k)+P_UC(k)+P_B(k)+P_ag(k)，P_mg1(k)，P_mg2(k)，SOC_UC(k)，SOC_B(k)]^T

式中，SOC_UC(k)和SOC_B(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：

式中，SOC_UC(k-1)为超级电容采样时刻前一时刻的荷电状态，SOC_B(k-1)为锂电池采样时刻前一时刻的荷电状态，E_UC、E_B分别为超级电容及锂电池容量；Δt为采样步长，

加入随机扰动的预测模型为：

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，w(k)为k时刻的外界对系统产生的随机扰动，A、B、C分别为状态、输入、输出矩阵，

S2设置约束条件

基于随机模型预测控制策略，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；

S3滚动优化

模型预测控制中的优化部分为在有限时域内进行滚动优化；在每个采样时刻，求解该时刻起预测时域内，使指标函数最优化的未来控制动作，然后推进到下一采样时刻，优化时域也会向前推进；

S4反馈校正

反馈校正根据下式：

y_p(k+i)＝y_m(k+i|k)+e(k)，，i＝0，1，…，N

其中，N_P为预测域；y_m(k+i|k)和y_p(k+i)分别为k时刻预测模型和反馈矫正后输出的预测域内k+i时刻的系统输出；e(k)为预测模型预测的k时刻系统输出与真实输出的误差；

误差为：

e(k)＝y_m(k)-y(k)

其中，y_m(k)为随机模型预测的k时刻系统的输出。