无人机燃料电池混合动力系统人工神经网络控制策略

李勇,马高山,韩非非,马震宇,李树豪,党利

(郑州航空工业管理学院航空发动机学院,郑州 450046)

未来电力系统和技术在提供最大灵活性和低成本、高能效任务性能方面的创新潜力是一个重要的补充研究领域。特别是电力系统将为全新的推进系统概念打开新的设计自由度,并使分布式推进概念融入机身的新方法成为可能,从而进一步提高飞机的整体效率。最后,电力系统通过利用高度灵活的电动马达和差动推力与分布式推进概念的协同作用,为飞行控制开辟了新的前景。这些好处支持了专注于电动飞机研究的重要性。电动飞机是以储能装置(蓄电池、燃料电池等)给电动机供电,驱动螺旋桨、涵道风扇或其他装置产生飞行动力的飞机[1],新能源电动飞机零排放、低噪声、几乎不对环境产生负面影响,代表着飞机发展的重要方向[2],目前,燃料电池技术在航空中的应用已经受到广泛关注。波音公司已经致力于氢燃料电池在航空中的应用 15 年,其中包括 3 次飞行演示; 空客公司通过跨行业和公私伙伴合作,积极地推进燃料电池推进系统在航空中的试验与应用[3]。

目前,国内外学者围绕电动飞机领域开展了大量的研究工作。范振伟等[4]针对某型双座电动飞机开展了设计与试验研究,完成了电动飞机型号设计批准书 和生产许可取证。王书礼等[5]提出了一种适于可调定桨距螺旋桨电动飞机电推进系统的能效优化方法,该能效优化方法能够有效提高飞机电推进系统效率,使飞机完成一次飞行任务剖面的系统能耗降低了15%以上。李勇等[6]提出了一种基于自适应神经模糊推理系统的电源管理系统控制技术,该控制器为燃料电池供气系统压缩机性能优化提供了一种新颖而全面的途径,优化了燃料电池供气系统的能量利用。雷涛等[7]以电推进飞机的动力系统作为研究对象,分析了采用高压直流供电体制的分布式电推进飞机电气系统,模拟了其在稳定运行状态与断路故障状态下的能量流动关系,同时分析了直流电压等级对电气系统的影响,其研究结果为分布式电推进飞机混合动力系统的设计提供了有价值的正向设计方法。王莉等[8]分析了先进飞机电力系统设计的关键技术,指出了飞机电力系统综合化、智能化的发展特点,并提出了电气化飞机电力系统智能化设计平台的理论框架、功能和特点,分析了支撑电力系统智能化设计平台的关键技术,指出了航空智能化设计的研究方向。

Thounthong等[9]提出了一种以质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)为主、超级电容器为辅助电源的电动客车小型试验台的控制策略,控制方案基于比例积分(proportional,integral,PI)控制器,通过链接电压调节来调节直流母线电压,其研究结果证实了超级电容器可以改善混合电源的系统性能。Schiffer等[10]提出了一种具有两个目标的控制策略:使电池的荷电状态保持在最小值以上,以及在混合系统中获得高效率。如果不能同时满足这两个目标,则优先考虑电池的荷电状态。Berton等[11]分析了燃料电池驱动的小型飞机在起飞和巡航期间的功率分布。对往复式发动机和需要60 kW峰值推进功率的燃料电池和电池驱动的混合动力小型飞机进行了对比评估;分析预测,与往复式发动机相比,先进的PEMFC燃料电池系统可以将飞机的续航里程提高12.5%。Lapena-Rey等[12]研究了燃料电池系统和电池混合电力系统的稳态和动态运行条件,研究结果表明,该燃料电池具有提供比任务持续时间更长的推进功率的能力,而不会对燃料电池性能造成明显的影响。Solomon等[13]针对无人机电力推进系统用永磁式无刷直流电动机的动态性能进行了研究,该无人机燃料电池混合电力推进系统主要由质子交换膜燃料电池、锂离子电池、永磁无刷直流电机和三相逆变器组成。研究表明永磁无刷直流电机具有效率高、转速范围大、转速比转矩特性好等优点,可以改善推进系统的性能。

针对某小型无人机燃料电池和锂电池组成的混合动力系统,在燃料电池作为无人机主要动力源的情况下,对混合动力系统的性能进行验证和评估。通过建立由质子交换膜燃料电池混合动力系统、6自由度飞行器模型和基于神经网络控制器组成的整个系统的仿真模型,来对人工神经网络控制器和模糊逻辑控制器性能进行分析比较,研究结果可为无人机燃料电池混合动力系统效率优化及能量管理提供一定的工程借鉴与参考。

1 混合动力系统模型

无人机混合动力系统可以分为两个子系统:推进器子系统和能量子系统。推进器子系统由螺旋桨、可选齿轮箱和带控制器的电动机组成。推进系统可以包含多个这样的机械子系统,它们可以分布在飞机内部。能量子系统由燃料电池、电池、直流升压变换器(direct current/direct current,DC/DC)、双向变换器和带有三相逆变器的永磁直流无刷电机等电能载体组成。通过组合两种不同的能量载体,形成混合动力推进系统。

该推进系统具有至少一个能量子系统,提供所有推进器子系统所需的功率和能量。该能量子系统采用质子交换膜燃料电池系统作为一次电源,锂离子电池作为二次电源。DC/DC单向变换器提升聚合物交换膜燃料电池输出电压并调节直流母线电压。双向变换器在调节直流母线电压的同时改变电池的功率流向以充电或放电。永磁无刷直流电机在所有飞行条件下都能推动飞机前进。三相功率逆变器将直流母线电流转换为交流电流信号,并连接到永磁无刷直流电机。电机控制器根据霍尔传感器反馈产生逆变器脉冲宽度调制(pulse width modulation,PWM)信号。燃料电池和锂离子电池混合动力推进系统的工作原理如图1所示。

图1 燃料电池和锂离子电池混合动力电推进系统

1.1 混合动力系统控制相关变量计算方法

为了最大限度地提高燃料电池的效率,必须获得并监控燃料电池的最佳工作点。为了实现这一目标,对混合动力系统进行控制器的设计和实现。控制器的结构有两个回路,基于被选择的两个控制变量设计控制回路。第一回路为锂离子电池荷电状态(state of charge,SOC)控制回路,由SOCref作为SOC的参考,由锂离子电池电压和IHV,Bat作为锂离子电池电流反馈组成来表示。第二回路为功率或电流需求控制回路,电流需求ID作为参考由满足负载请求的功率需求和ILV,Bat作为锂离子电池电流反馈组成。混合动力系统控制回路结构如图2所示。

e为参考值与实际值之间的误差

通过将问题一分为二(电流问题和电压问题)来简化满足电力需求的问题。由于燃料电池(fuel cell,FC)降压转换器将总线BUS电压维持在一定的恒定值,因此,电流问题求解的定义式为

ILV(IBUS)=ILV,FC+ILV,Bat

(1)

锂离子电池组能够提供的电流取决于其SOC。SOC通常定义为存储在锂离子电池中的能量与锂离子电池额定能量容量的比率[14],即

(2)

式(2)中:VBat为锂离子电池的瞬时电压;VBat,Max为锂离子电池的最大额定电压。

因此,SOC可以定义为

(3)

SOC的范围从0电量的“0”到充满电的“1”。在确定两个电源之间的电流共享时,关键参数是锂离子电池的SOC。控制目标之一是始终强制执行锂离子电池SOC的上限和下限。本文中锂离子电池SOC界限为0.7～1。

在混合动力系统结构中,锂离子电池的充放电是通过控制双向DC/DC转换器的PWM占空比来实现的。转换器前后锂离子电池电流IHV,Bat和ILV,Bat之间的关系由功率守恒确定,即

(4)

式(4)中:β为功率守恒;VBat为锂电池电压;VBUS为总线电压;ηdischarge、ηcharge分别为放电、充电效率。

当给定电流需求ID和锂离子电池SOC时,如图3所示的双向DC/DC转换器效率图可用于确定锂离子电池(IOP,Bat)所需的电流,以便燃料电池FC提供其理想工作电流(IOP,FC)。因此,一旦指定了IOP,FC,并且测量了ID和SOC,就可以确定IOP,Bat,计算公式为

图3 双向DC/DC转换器效率图

(5)

式(5)中:VMax为充满电时的锂离子电池电压。

每个电源(燃料电池和锂电池)提供的功率和总功率需求计算公式为

PFC=VFCIFC

PBat=VBatIBat

PD=VLVILV=PFC+PBat

(6)

式(6)中:PFC为燃料电池功率;VFC为燃料电池电压;IFC为燃料电池电流;PBat为锂电池功率;VBat为锂电池电压;IBat为锂电池电流;PD为总功率需求;VLV为反馈电压;ILV为反馈电流。

本节提出了一种基于锂离子电池SOC和电流需求确定锂离子电池电流的选择算法。燃料电池FC提供电流需求与电池组提供的电流之间的差值。FC工作电流、电流需求和锂离子电池SOC与式(5)一起用于确定锂离子电池为FC提供其工作电流所需的IOP,Bat。

1.2 混合动力系统电池电流充放电控制

混合动力系统的主要挑战是如何控制锂离子电池电流的充放电。例如,如果锂离子电池充满电,而转换器继续为锂离子电池充电,这种情况可能会损坏甚至导致锂离子电池在充电过程中爆炸。在该混合系统中,通过两个步骤来管理充放电过程:①通过监测锂离子电池电压来优化充放电速率,以确定当时的最佳电流;②确定何时停止/开始充放电过程。

当负载电流等于或小于最佳FC电流时,锂离子电池充电由其SOC进行调整。

(1)如果锂离子电池SOC小于SOCref,则锂离子电池充电电流基准为正,需要FC电流为锂离子电池充电,直到达到其极限。

(2)如果锂离子电池SOC高于SOCref,则锂离子电池充电电流基准等于零。

因此,通过应用这些状态或条件,电池组将保持在所需的SOC。因此,无论负载需求是什么,除非锂离子电池SOC小于SOCref,否则锂离子电池放电电流基准为正,电池电流是必需的。在过渡状态的情况下,即使锂离子电池SOC仍然低于其最大值,也需要锂离子电池电流来为剩余电源供电。

2 控制方法

2.1 人工神经网络

人工神经网络(artificial neural network,ANN)的灵感来自人脑,并可用数学公式来模拟其功能。这个复杂的系统由旨在解决特定问题的不同相互连接的处理元素组成;例如,模式识别、分类或任何需要学习过程的地方。神经网络在感知学习、模式识别、信号处理、建模技术和系统控制等方面得到了巨大的发展和应用[15]。

人工神经网络有如下主要优点。

(1)解决任何非线性问题的能力,如果系统有合适数量的神经元。

(2)神经网络可以通过使用以前从未见过的输入集合来提供令人满意的响应。

(3)当神经网络的一个元素发生故障时,它可以根据它们的并行性质继续逼近。

(4)完成神经网络学习过程后,不需要重新编程。

人工神经网络模型作为一种人工智能方法,具有信息来源丰富、拓扑结构灵活、自学能力强及并行机制明显等优点,已成为航空航天领域研究的热点之一,并已应用于无人机分布式控制、翼型多参数优化设计、航空发动机排气温度预测、翼型非线性气动特性快速预测等方面[16-19]。

2.2 人工神经网络控制器设计

神经网络已成功地应用于动态系统的辨识和控制。多层感知器的通用逼近能力使其成为建立非线性系统模型和实现通用非线性控制器的流行选择[20]。神经网络模型参考控制体系结构如图4所示,使用两个神经网络:控制器网络和对象模型网络。系统运行时,不断比较模型输出和被控对象动态,选择控制信号,以减小闭环系统与模型之间的误差。首先辨识被控对象模型,然后训练控制器,使被控对象输出跟随参考模型输出。

图4 神经网络模型参考控制体系结构

大多数神经网络都是自适应的,它们会根据输入、输出和反馈改变它们的结构,就像人类大脑中的神经元一样。之所以选择自适应神经网络模型参考控制结构,是因为它的在线计算量很小。在本文中,设计了两个自适应模型参考控制器,以使FC混合动力系统的性能达到最优。这两个控制器的动作都基于来自锂离子电池电流(IHV,Bat和ILV,Bat)的反馈信号,目标是控制电池充放电和输出功率,如图5所示。输入是功率需求和锂离子电池SOC,而控制器的输出为进入双向DC/DC转换器的占空比。

图5 神经网络控制器的实现框图

由于FC混动系统具有非线性、时变和输入输出时滞等特点,其控制是一项具有挑战性的任务。使用神经网络进行控制包括以下两个步骤。

(1)系统识别:开发想要控制的神经网络对象模型。

(2)控制设计:使用神经网络对象模型辅助控制器的训练。

每个控制器被训练来控制系统,使其跟随参考模型,并且神经网络对象模型被用来辅助控制器训练。本文中实现的两种充电/放电模式的神经网络对象模型和神经网络控制器的详细信息如表1所示。

表1 充放电模式的目标识别

为了管理DC总线、主电源和锂离子电池之间的能量交换,可以定义以下两种操作模式(或状态)。

(1)充电模式:在该模式下,主电源(FC)向锂离子电池和/或负载提供能量。

(2)放电模式:在该模式下,FC和锂离子电池都向负载提供能量。

3 人工神经网络与模糊逻辑两种控制器对比与分析

本文的目的是研究使用FC和锂离子电池组组成的电动混合动力系统为小型无人飞机提供动力的可行性,为该系统实现人工神经网络(artificial neural network,ANN)控制器设计与验证。为了实现这一点,基于无人机的飞行场景如图6所示。对无人机进行了起飞、爬升、巡航、下降和着陆的仿真分析,考察了系统在不同飞行阶段的性能。

图6 基本无人机的飞行场景

本文研究的混动系统工作场景为飞机爬升到30～60 m的高度,巡航18 km后返回陆地。在这种情况下,使用的是充满电的锂离子电池。飞行各阶段的最大功率需求如表2所示。当电机空转时考虑最小功率需求,油门指令为29%;对于起飞和爬升阶段考虑最大功率需求,油门指令为100%;在其他阶段(巡航和下降、着陆),飞机需要的功率为79.12～442.3 W。

表2 飞行场景功率需求

在这一部分中,提出了基于模糊逻辑控制器的计算方法,并与自适应神经网络控制器进行了比较。为了评估和比较两种控制器的性能,利用模糊逻辑对控制器的性能进行了快速学习。

与完成相同任务的基于模型的控制器或传统控制器相比,模糊控制器的开发成本通常较低。除此之外,模糊控制器相对容易理解和修改规则,并且操作简单。模糊逻辑是概率逻辑或多值逻辑的一种形式;它处理的是近似推理,而不是精确和固定的推理[21]。模糊逻辑控制器的输出通常通过一组规则与输入相关。例如,如果X和Y,则Z。IF部分(前件)定义输入变量的状态,而THEN(后件)给出输出变量的值[22]。模糊逻辑适用于具有复杂的非线性模型的过程,以经验为基础,依赖于操作员的经验,而不是他们对系统的技术理解。

3.1 模糊逻辑控制器的设计

图7所示为Mamdani型模糊逻辑控制器的简单结构,包含四个主要模块。

图7 Mamdani型模糊逻辑控制器控制系统框图

本节设计的模糊逻辑控制器[23-27]的输入变量与前述神经网络控制器的输入变量相同(输入变量为电流需求和电池电压表示的电池充电状态)。图8所示为模糊逻辑控制器的框图。

图8 模糊逻辑控制器框图

模糊逻辑控制器规则遵循的逻辑为:如果电池总SOC小于70%,则需要对电池充电。控制器输出信号进入双向DC/DC转换器的占空比;根据该占空比决定向电池或从电池供应多少电流。例如,如果电流需求高且电池SOC高,则电池将提供电力以辅助FC高效运行。如果电流需求低,电池的SOC低,则FC为发动机供电,并通过双向DC/DC转换器为电池充电。

开发的规则库如表3所示。控制器输出信号和所设计的模糊逻辑控制器的三维曲面如图9所示。

表3 模糊逻辑语言规则表

3.2 两种控制器的对比分析

针对设计的这两个控制器进行了模拟仿真分析,以电池容量减少到6 Ah来评估两个控制器的性能。当两个控制器(人工神经网络和模糊逻辑)在相同的任务持续时间和应用相同的油门命令进行测试时,都成功地满足了无人机飞行的不同阶段的预期性能;当模糊逻辑控制器满足并显示了控制系统的稳定性时,可以在图10中看到一些振荡。油门指令曲线如图10(a)所示,发动机相应的电流需求、燃料电池电流和电池电流分别如图10(b)～图10(d)所示。电池SOC如图10(e)所示。

人工神经网络和模糊逻辑控制器的燃料消耗分别为179 NL/min(标准升/分钟)和183 NL/min。在飞行的不同阶段,燃料电池系统的效率从起飞时的43%到下降时的约49%不等。对于巡航,平均效率约为50%,如图10(f)所示;发动机的功率需求、电池和燃料电池的功率如图10(g)～图10(i)所示;燃料消耗如图10(j)所示。

4 结论

针对某小型无人机燃料电池和电池组成的混合动力系统,为了满足无人机不同飞行阶段的电力需求,分别设计了基于人工神经网络的控制器和基于模糊逻辑的控制器,对这两种控制器的性能进行了模拟仿真分析和比较,得到如下结论。

(1)人工神经网络控制器具有针对给定性能进行优化的能力。人工神经网络控制器的控制性能略好于模糊逻辑控制器,提高了油耗计算的效率。

(2)神经网络控制器的性能良好,该控制器使系统的响应保持在最小超调量、最小上升时间和最小稳态误差范围内。此外,与模糊逻辑控制器相比,使用人工神经网络控制器的方法性能略好。从严格的性能角度来看,人工神经网络控制器提供了更好的性能,在效率和油耗方面比模糊逻辑控制器提高了约1%。这说明在这类系统中,神经网络控制器比经典控制器具有更强的鲁棒性。

(3)提出的基于人工神经网络的控制器设计方法,对各种尺寸和重量构型的无人机燃料电池混合动力控制系统初步设计具有重要的参考价值。