基于功率跟隨的AUV能量分配策略

張凌志，何 波

(中國海洋大學信息科學與工程學院，山東青島 266100)

隨著自主式水下無人潛航器(以下簡稱AUV)在海洋探索等領域的廣泛應用，很多國家均投入了大量的人力、物力，形成了目前AUV 技術研發的新熱潮。由于AUV 具有搭載傳感器多、活動范圍大、適應環境能力強等優點，可以預測AUV將在軍事、科研等領域發揮越來越重要的作用[1-2]。

鑒于AUV 特殊的工作環境，電池組是其唯一動力來源，也是AUV 能否正常工作、任務正常執行的關鍵。因此保障電池組的安全與提高電池組的利用效率將成為AUV 技術的研發重點[3]。目前，常用的能量分配策略有全局最優控制策略[4]、局部最優控制策略[5]、規則式控制策略[6]等。其中，陳維榮等[7]在混合動力汽車中采用了功率跟隨策略，實現了節能、增加續航里程的目標。根據國家重點研發計劃“基于數據驅動技術和智慧型復合材料的自主式水下航行器研發”項目的需要，針對AUV 特殊的工作特性，本文以實現能量的合理分配、提高AUV 電池組能量的利用效率為研究目標。

1 神經網絡構建功率預測模型

1.1 AUV 系統功耗分析

常規AUV 的系統結構見圖1，鋰離子電池組提供AUV 所需要的所有能量。根據能量守恒定律，AUV 系統的總功率等于儀表系統、動力系統的功率之和。其功率平衡方程為：

圖1 AUV系統結構框架

式中：PAUV為AUV 系統的總功率；PIS為儀表系統所需要的功率；PDS為動力系統所需要的功率。

常規中小型AUV 儀表系統的功能是監控AUV 的實時狀態、通過與岸基的通信實現指令的上傳下達，可以看出，AUV 儀表系統的功率不大，根據功能需求的不同在40～60 W之間；動力系統的主要用電設備是主推電機和舵機，舵機負責控制AUV 的運動方向，功率在40～50 W 左右，主推電機負責AUV 的前進或后退運動，最大功率可達500 W。因此，管理好主推電機的功率是對AUV 進行能量管理的關鍵。

1.2 電機功率預測建模

電機是一個非線性、多變量、復雜的時變系統。電機的功率是與電流、轉速有關的函數，如公式(2)。想要計算實時的功率，就必須獲取實時的效率、電流和轉速。如果要預測下一時刻電機的功率，就等同于預測電機在下一時刻的效率、電流和轉速。

式中：Pin為電機的輸入功率；η 為電機的效率；PA為有功功率；n為實時轉速；T 為電機的轉矩；I為實時電流；KQ為轉矩系數，為定值常數。

通常情況下，AUV 電機的期望轉速是由當前航速和期望航速經過控制算法計算得出的，比較容易獲取。但是電機的效率受到多種因素的影響，例如負載電流、機械損耗、熱損耗等等，難以用數學的方法進行模擬。同樣電機的電流受到轉速、負載的多重影響，亦無法用簡單的數學模型進行預測。因此引入了人工神經網絡的概念進行電機功率的預測。

人工神經網絡(artificial neural network，ANN)具有自主學習、聯想存儲的能力，能夠高速尋找問題的優化解，同時能夠進行復雜模式分類和多維函數映射，能夠解決簡單感知器不能解決的多種問題。 多層前饋神經網絡(multilayer feedforward neural network) 又稱BP 神經網絡(back propagation neural network)，利用梯度下降法和梯度搜索技術，使網絡的輸出值與期望值的誤差、均方差最小[8]。因此，BP 神經網絡具有很強的非線性映射能力，網絡中的層數、神經元個數可以根據實際應用情況任意調節，其網絡結構柔性好。

BP 神經網絡的實現過程主要分為兩步：正向計算過程和反向計算過程。正向計算過程是輸入數據與參考輸出數據從輸入層流入，并在隱含層中進行處理，結束后轉至輸出層，其中每一層的神經元狀態僅能被上一層所影響；反向計算過程是指一旦輸出層沒有得到期望的輸出結果，便會將誤差信號返回，修改各個神經元的參數，重新進行處理，從而使輸入數據與期望輸出的誤差最小。過程如圖2 所示。

圖2 BP神經網絡計算流程

考慮到主推電機的實時有功功率是實時電流與實時轉速的相關函數，想要進行下一時刻的功率預測，必須引入影響主推電機功率的未來變量。在傳統AUV 動力系統中，微控制器通過接收中央控制器發送的期望轉速，來改變主推電機的轉速，從而達到改變AUV 運動狀態的目的。在這個過程中，期望轉速不僅僅影響了主推電機的轉速，同時影響了主推電機的功率。因此，可以將期望轉速作為預測電機功率的未來變量。但期望轉速是由AUV 的實時航速與期望航速通過PID 控制算法計算得出的，本身就存在一定的滯后性，一定程度上會影響電機功率預測的實時效果。為了消除期望航速實時性較差的影響，將AUV 的實時航速與期望航速代替期望航速作為神經網絡的輸入層。

綜上所述，本文以當前電流、當前轉速、當前航速和期望航速四個影響因素作為神經網絡的輸入層，以想要預測的下一時刻的電機功率作為輸出層，進行模型訓練，來消除溫度、海流等不可控因素的影響。根據理論經驗，對于有四組非線性輸入、一組非線性輸出的數據，選擇15 個隱含層節點數就能夠滿足系統誤差與訓練樣本的相關需求，本文構建的神經網絡模型如圖3 所示。

圖3 本文建立的BP 神經網絡模型

使用Matlab 中工具包對主推電機功率進行建模，將實驗測得的參數樣本數據導入網絡進行訓練，設置最大訓練次數為1 000 次，期望誤差設置為1×10-5。經過訓練后的部分訓練結果和均方誤差如圖4 所示，可以看出，網絡訓練在716 次時均方誤差達到最小值，為7.963 3，可以滿足AUV 系統的需要。

圖4 BP 神經網絡訓練結果

2 功率跟隨的能量分配策略

功率跟隨控制策略是規則式控制策略的一種，實現方式通常為根據后端負載需求功率的多少，確定前端輸出功率的分配情況[9]。應用在AUV 中，即是控制DC-DC 模塊輸出功率的最大值，使其符合主推電機的期望功率，在不影響AUV 正常運行狀態的前提下，實現提高能量利用率和提高系統安全性的目標。但AUV 在水下航行時，AUV 的共組狀態受到的海流等外界因素影響嚴重，簡單的能量分配策略可能無法達到良好的效果，如若首先進行工作模式劃分，針對不同工作模式采取針對性的方式，有助于提升能量分配的效果。

2.1 AUV 工作模式劃分

AUV 的工作模式是根據AUV 航行時某一段時間內的實際情況，經過歸納總結出的具有代表性的工作狀態。劃分好的AUV 工作模式，可以用于AUV 能量消耗的預測、AUV 性能的評估，有利于對AUV 的能量進行更加細致的能量管理，實現更好的效果。影響AUV 工作模式的因素有很多，例如海流流速、海流方向、當前航速、期望航速、電機轉速等等。目前，關于AUV 工作模式的研究較少，缺乏統一的工作模式標準。

在研發、實驗的過程中，總結AUV 的運動狀態數據，歸納出了一組較為簡單的、適用于各種不同型號AUV 的工作模式分組：加速模式、減速模式、巡航模式。加速模式是指AUV 的當前時刻期望航速小于下一時刻期望航速，需要加速或者正處于加速過程狀態下的模式；減速模式是指AUV 當前航速大于期望航速，需要減速或者正處于減速過程狀態下的模式；巡航模式是指AUV 當前航速基本與期望航速相差無幾，僅僅對AUV 的速度進行細微調整的工作模式。

通常情況下，通過前一時刻與后一時刻期望航速的差值，就可以得出AUV 是否需要進行工作模式切換，如式(3)。

但在實際應用中發現，采用上述方式只能促使AUV 在期望航速變化時進行瞬時的模式切換。而在期望航速變化后的一段時間內，期望航速是新的定值，AUV 便又恢復到了巡航模式，會使能量管理策略失效，失去能量管理的意義。為了解決工作模式切換無效的問題，將AUV 的當前航速也引入模式判斷標準中：一旦期望航速發生變化，根據實際情況，進入加速或減速模式，直至AUV 的實際航速到達期望航速附近，再次變為巡航模式。

由于受海流等外部因素影響，AUV 的實時航速存在一定的波動，如果以實時航速是否等于期望航速來判定，難免會造成AUV 在不同模式之間頻繁切換，嚴重影響AUV 系統的穩定。因此，額外設置速度閾值VT作為判斷是否進行模式切換的標準：

式中：Vt為t時刻AUV 的實時航速；VDesired,t為t時刻的期望航速；VT為期望航速變化的閾值，用以進行模式判斷。

綜上所述，本文建立的AUV 工作模式選擇方法如圖5 所示。

圖5 AUV 模式選擇思路框圖

2.2 功率跟隨策略

功率跟隨控制策略是指根據后端負載需求功率的多少，確定前端輸出功率的分配情況。應用在AUV 中，即是控制DC-DC 功率變換器輸出功率的最大值，使其符合主推電機的期望功率，在不影響AUV 正常運行狀態的前提下，實現提高能量利用率和提高系統安全性的目標。

鑒于DC-DC 功率變換器是一個時變系統，根據前文建立的AUV 電機功率預測模型，充分考慮不同工作模式下期望達到的效果，使DC-DC 模塊的輸出功率按照公式(5)變化，通過調節kc來實現不同模式下的功率分配以達到良好效果。

式中：PDC,k為在k時刻DC-DC 功率變換器的輸出功率；Pneed,k為k時刻電機的需求功率；kc為調節系數。

加速模式下，當kc為1 時，PDC,k=Pneed,k，DC-DC 功率變換器容易激變，影響電池組的使用壽命。kc越小，越能抑制功率的激變，從而達到提高電池組放電安全性的目標。為了不影響AUV 的各項性能以及任務執行能力，在加速模式下kc不應太小，應根據功率分配后AUV 的響應速度來確定。同時考慮到電池組的輸出能力隨著電壓的降低而降低，在加速模式下將kc設置為一個隨電池組電壓變化而變化的常數，如公式(6)。

式中：UT為電池組的端電壓；VH為電池組的最高放電電壓；VL為電池組的最低放電電壓。

在巡航模式下，雖然AUV 的實時航速會受海流等多種因素影響而出現不可預測的變化，但AUV 會通過內置PID 算法進行實時修正，同時穩定的期望航速也會使主推電機的需求功率處于一個相對穩定的區間。此時，kc應該是一個比較小的值，從而使DC-DC 模塊的輸出功率穩定，經過實驗分析，本文設置AUV 在巡航模式下kc=0.01。

在減速模式下，受到慣性和水中阻力的共同作用，AUV速度會快速下降，DC-DC 的輸出功率也會快速衰減。此時，若kc較小，將會嚴重影響AUV 的減速效率，造成能量浪費，因此，在減速模式下kc應當是一個較大的值。本文設置AUV 在減速模式下kc=1，以保證AUV 的減速效率，減少能量浪費。

最終建立的功率跟隨的能量管理策略如圖6 所示。

圖6 AUV 能量分配策略

3 實驗分析

以中國海洋大學UVL 實驗室設計研發的210 型旗魚AUV 為實驗對象，其電池組參數如表1 所示。210 型旗魚AUV 實物如圖7 所示。

表1 旗魚210 型AUV 電池組參數

圖7 210型旗魚AUV

提取AUV 在南海中進行定點巡航實驗數據，并進行分析。圖8 為AUV 中DC-DC 功率變換器輸出的最大功率對比與進行能量分配前后的功率差值。

圖8 DC-DC功率變換器輸出功率對比圖

由圖8 可以得到，在AUV 巡航模式下，采用功率跟隨能量分配策略的AUV 主推電機輸入功率明顯更加平穩，有效削減了輸入功率的毛刺，節約了4.2% 的能量。在加速模式下，采用功率跟隨的能量分配策略的電機輸入功率稍微滯后于未采用能量分配策略時的輸入功率，AUV 正常的運行并沒有受到影響，有效平滑了電機功率的變化過程，同時節約了7.4% 的能量。由于減速模式下，與未采用能量分配策略的結果無異，因此不做討論。

此外，在加速模式下，AUV 電池組的電壓越高，DC-DC功率變換器輸出功率的變化率越大；反之，輸出功率的變化率越小。那么在AUV 運作的過程中，隨著電池組電壓的逐漸降低，其輸出功率將變得愈發平緩。反饋到AUV 的加速過程中，就是AUV 的加速效率會隨著電池組電壓的降低而變慢，從而減少了電池組輸出電流激變發生的概率，同樣提高了電池組放電的安全性。

4 結語

本文融合了AUV 的實時狀態和期望航速，利用BP 人工神經網絡構建了結合AUV 實時狀態與期望航速的電機功率預測模型，設計了一種基于功率跟隨的具有根據電壓動態調節功能的AUV 電源能量分配控制策略。在實際應用中進行了驗證分析，結果表明：考慮任務需求的能量分配辦法能夠在AUV 需求變化頻繁的時候平緩電池組的輸出；相比于傳統的能量分配策略，考慮任務需求的能量分配方法能夠節約4.2%～7.4% 的能量。所使用的控制策略能夠有效延長動力電池的使用壽命，提升了AUV 電池組的能量利用效率。研究成果對開發AUV 電源高效能量管理方法有重要意義。