無人機燃料電池混合動力系統人工神經網絡控制策略

李勇,馬高山,韓非非,馬震宇,李樹豪,黨利

(鄭州航空工業管理學院航空發動機學院,鄭州 450046)

未來電力系統和技術在提供最大靈活性和低成本、高能效任務性能方面的創新潛力是一個重要的補充研究領域。特別是電力系統將為全新的推進系統概念打開新的設計自由度,并使分布式推進概念融入機身的新方法成為可能,從而進一步提高飛機的整體效率。最后,電力系統通過利用高度靈活的電動馬達和差動推力與分布式推進概念的協同作用,為飛行控制開辟了新的前景。這些好處支持了專注于電動飛機研究的重要性。電動飛機是以儲能裝置(蓄電池、燃料電池等)給電動機供電,驅動螺旋槳、涵道風扇或其他裝置產生飛行動力的飛機[1],新能源電動飛機零排放、低噪聲、幾乎不對環境產生負面影響,代表著飛機發展的重要方向[2],目前,燃料電池技術在航空中的應用已經受到廣泛關注。波音公司已經致力于氫燃料電池在航空中的應用 15 年,其中包括 3 次飛行演示; 空客公司通過跨行業和公私伙伴合作,積極地推進燃料電池推進系統在航空中的試驗與應用[3]。

目前,國內外學者圍繞電動飛機領域開展了大量的研究工作。范振偉等[4]針對某型雙座電動飛機開展了設計與試驗研究,完成了電動飛機型號設計批準書 和生產許可取證。王書禮等[5]提出了一種適于可調定槳距螺旋槳電動飛機電推進系統的能效優化方法,該能效優化方法能夠有效提高飛機電推進系統效率,使飛機完成一次飛行任務剖面的系統能耗降低了15%以上。李勇等[6]提出了一種基于自適應神經模糊推理系統的電源管理系統控制技術,該控制器為燃料電池供氣系統壓縮機性能優化提供了一種新穎而全面的途徑,優化了燃料電池供氣系統的能量利用。雷濤等[7]以電推進飛機的動力系統作為研究對象,分析了采用高壓直流供電體制的分布式電推進飛機電氣系統,模擬了其在穩定運行狀態與斷路故障狀態下的能量流動關系,同時分析了直流電壓等級對電氣系統的影響,其研究結果為分布式電推進飛機混合動力系統的設計提供了有價值的正向設計方法。王莉等[8]分析了先進飛機電力系統設計的關鍵技術,指出了飛機電力系統綜合化、智能化的發展特點,并提出了電氣化飛機電力系統智能化設計平臺的理論框架、功能和特點,分析了支撐電力系統智能化設計平臺的關鍵技術,指出了航空智能化設計的研究方向。

Thounthong等[9]提出了一種以質子交換膜燃料電池(proton exchange membrane fuel cell,PEMFC)為主、超級電容器為輔助電源的電動客車小型試驗臺的控制策略,控制方案基于比例積分(proportional,integral,PI)控制器,通過鏈接電壓調節來調節直流母線電壓,其研究結果證實了超級電容器可以改善混合電源的系統性能。Schiffer等[10]提出了一種具有兩個目標的控制策略:使電池的荷電狀態保持在最小值以上,以及在混合系統中獲得高效率。如果不能同時滿足這兩個目標,則優先考慮電池的荷電狀態。Berton等[11]分析了燃料電池驅動的小型飛機在起飛和巡航期間的功率分布。對往復式發動機和需要60 kW峰值推進功率的燃料電池和電池驅動的混合動力小型飛機進行了對比評估;分析預測,與往復式發動機相比,先進的PEMFC燃料電池系統可以將飛機的續航里程提高12.5%。Lapena-Rey等[12]研究了燃料電池系統和電池混合電力系統的穩態和動態運行條件,研究結果表明,該燃料電池具有提供比任務持續時間更長的推進功率的能力,而不會對燃料電池性能造成明顯的影響。Solomon等[13]針對無人機電力推進系統用永磁式無刷直流電動機的動態性能進行了研究,該無人機燃料電池混合電力推進系統主要由質子交換膜燃料電池、鋰離子電池、永磁無刷直流電機和三相逆變器組成。研究表明永磁無刷直流電機具有效率高、轉速范圍大、轉速比轉矩特性好等優點,可以改善推進系統的性能。

針對某小型無人機燃料電池和鋰電池組成的混合動力系統,在燃料電池作為無人機主要動力源的情況下,對混合動力系統的性能進行驗證和評估。通過建立由質子交換膜燃料電池混合動力系統、6自由度飛行器模型和基于神經網絡控制器組成的整個系統的仿真模型,來對人工神經網絡控制器和模糊邏輯控制器性能進行分析比較,研究結果可為無人機燃料電池混合動力系統效率優化及能量管理提供一定的工程借鑒與參考。

1 混合動力系統模型

無人機混合動力系統可以分為兩個子系統:推進器子系統和能量子系統。推進器子系統由螺旋槳、可選齒輪箱和帶控制器的電動機組成。推進系統可以包含多個這樣的機械子系統,它們可以分布在飛機內部。能量子系統由燃料電池、電池、直流升壓變換器(direct current/direct current,DC/DC)、雙向變換器和帶有三相逆變器的永磁直流無刷電機等電能載體組成。通過組合兩種不同的能量載體,形成混合動力推進系統。

該推進系統具有至少一個能量子系統,提供所有推進器子系統所需的功率和能量。該能量子系統采用質子交換膜燃料電池系統作為一次電源,鋰離子電池作為二次電源。DC/DC單向變換器提升聚合物交換膜燃料電池輸出電壓并調節直流母線電壓。雙向變換器在調節直流母線電壓的同時改變電池的功率流向以充電或放電。永磁無刷直流電機在所有飛行條件下都能推動飛機前進。三相功率逆變器將直流母線電流轉換為交流電流信號,并連接到永磁無刷直流電機。電機控制器根據霍爾傳感器反饋產生逆變器脈沖寬度調制(pulse width modulation,PWM)信號。燃料電池和鋰離子電池混合動力推進系統的工作原理如圖1所示。

圖1 燃料電池和鋰離子電池混合動力電推進系統

1.1 混合動力系統控制相關變量計算方法

為了最大限度地提高燃料電池的效率,必須獲得并監控燃料電池的最佳工作點。為了實現這一目標,對混合動力系統進行控制器的設計和實現。控制器的結構有兩個回路,基于被選擇的兩個控制變量設計控制回路。第一回路為鋰離子電池荷電狀態(state of charge,SOC)控制回路,由SOCref作為SOC的參考,由鋰離子電池電壓和IHV,Bat作為鋰離子電池電流反饋組成來表示。第二回路為功率或電流需求控制回路,電流需求ID作為參考由滿足負載請求的功率需求和ILV,Bat作為鋰離子電池電流反饋組成。混合動力系統控制回路結構如圖2所示。

e為參考值與實際值之間的誤差

通過將問題一分為二(電流問題和電壓問題)來簡化滿足電力需求的問題。由于燃料電池(fuel cell,FC)降壓轉換器將總線BUS電壓維持在一定的恒定值,因此,電流問題求解的定義式為

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

(1)

鋰離子電池組能夠提供的電流取決于其SOC。SOC通常定義為存儲在鋰離子電池中的能量與鋰離子電池額定能量容量的比率[14],即

(2)

式(2)中:VBat為鋰離子電池的瞬時電壓;VBat,Max為鋰離子電池的最大額定電壓。

因此,SOC可以定義為

(3)

SOC的范圍從0電量的“0”到充滿電的“1”。在確定兩個電源之間的電流共享時,關鍵參數是鋰離子電池的SOC。控制目標之一是始終強制執行鋰離子電池SOC的上限和下限。本文中鋰離子電池SOC界限為0.7～1。

在混合動力系統結構中,鋰離子電池的充放電是通過控制雙向DC/DC轉換器的PWM占空比來實現的。轉換器前后鋰離子電池電流IHV,Bat和ILV,Bat之間的關系由功率守恒確定,即

(4)

式(4)中:β為功率守恒;VBat為鋰電池電壓;VBUS為總線電壓;ηdischarge、ηcharge分別為放電、充電效率。

當給定電流需求ID和鋰離子電池SOC時,如圖3所示的雙向DC/DC轉換器效率圖可用于確定鋰離子電池(IOP,Bat)所需的電流,以便燃料電池FC提供其理想工作電流(IOP,FC)。因此,一旦指定了IOP,FC,并且測量了ID和SOC,就可以確定IOP,Bat,計算公式為

圖3 雙向DC/DC轉換器效率圖

(5)

式(5)中:VMax為充滿電時的鋰離子電池電壓。

每個電源(燃料電池和鋰電池)提供的功率和總功率需求計算公式為

PFC=VFCIFC

PBat=VBatIBat

PD=VLVILV=PFC+PBat

(6)

式(6)中:PFC為燃料電池功率;VFC為燃料電池電壓;IFC為燃料電池電流;PBat為鋰電池功率;VBat為鋰電池電壓;IBat為鋰電池電流;PD為總功率需求;VLV為反饋電壓;ILV為反饋電流。

本節提出了一種基于鋰離子電池SOC和電流需求確定鋰離子電池電流的選擇算法。燃料電池FC提供電流需求與電池組提供的電流之間的差值。FC工作電流、電流需求和鋰離子電池SOC與式(5)一起用于確定鋰離子電池為FC提供其工作電流所需的IOP,Bat。

1.2 混合動力系統電池電流充放電控制

混合動力系統的主要挑戰是如何控制鋰離子電池電流的充放電。例如,如果鋰離子電池充滿電,而轉換器繼續為鋰離子電池充電,這種情況可能會損壞甚至導致鋰離子電池在充電過程中爆炸。在該混合系統中,通過兩個步驟來管理充放電過程:①通過監測鋰離子電池電壓來優化充放電速率,以確定當時的最佳電流;②確定何時停止/開始充放電過程。

當負載電流等于或小于最佳FC電流時,鋰離子電池充電由其SOC進行調整。

(1)如果鋰離子電池SOC小于SOCref,則鋰離子電池充電電流基準為正,需要FC電流為鋰離子電池充電,直到達到其極限。

(2)如果鋰離子電池SOC高于SOCref,則鋰離子電池充電電流基準等于零。

因此,通過應用這些狀態或條件,電池組將保持在所需的SOC。因此,無論負載需求是什么,除非鋰離子電池SOC小于SOCref,否則鋰離子電池放電電流基準為正,電池電流是必需的。在過渡狀態的情況下,即使鋰離子電池SOC仍然低于其最大值,也需要鋰離子電池電流來為剩余電源供電。

2 控制方法

2.1 人工神經網絡

人工神經網絡(artificial neural network,ANN)的靈感來自人腦,并可用數學公式來模擬其功能。這個復雜的系統由旨在解決特定問題的不同相互連接的處理元素組成;例如,模式識別、分類或任何需要學習過程的地方。神經網絡在感知學習、模式識別、信號處理、建模技術和系統控制等方面得到了巨大的發展和應用[15]。

人工神經網絡有如下主要優點。

(1)解決任何非線性問題的能力,如果系統有合適數量的神經元。

(2)神經網絡可以通過使用以前從未見過的輸入集合來提供令人滿意的響應。

(3)當神經網絡的一個元素發生故障時,它可以根據它們的并行性質繼續逼近。

(4)完成神經網絡學習過程后,不需要重新編程。

人工神經網絡模型作為一種人工智能方法,具有信息來源豐富、拓撲結構靈活、自學能力強及并行機制明顯等優點,已成為航空航天領域研究的熱點之一,并已應用于無人機分布式控制、翼型多參數優化設計、航空發動機排氣溫度預測、翼型非線性氣動特性快速預測等方面[16-19]。

2.2 人工神經網絡控制器設計

神經網絡已成功地應用于動態系統的辨識和控制。多層感知器的通用逼近能力使其成為建立非線性系統模型和實現通用非線性控制器的流行選擇[20]。神經網絡模型參考控制體系結構如圖4所示,使用兩個神經網絡:控制器網絡和對象模型網絡。系統運行時,不斷比較模型輸出和被控對象動態,選擇控制信號,以減小閉環系統與模型之間的誤差。首先辨識被控對象模型,然后訓練控制器,使被控對象輸出跟隨參考模型輸出。

圖4 神經網絡模型參考控制體系結構

大多數神經網絡都是自適應的,它們會根據輸入、輸出和反饋改變它們的結構,就像人類大腦中的神經元一樣。之所以選擇自適應神經網絡模型參考控制結構,是因為它的在線計算量很小。在本文中,設計了兩個自適應模型參考控制器,以使FC混合動力系統的性能達到最優。這兩個控制器的動作都基于來自鋰離子電池電流(IHV,Bat和ILV,Bat)的反饋信號,目標是控制電池充放電和輸出功率,如圖5所示。輸入是功率需求和鋰離子電池SOC,而控制器的輸出為進入雙向DC/DC轉換器的占空比。

圖5 神經網絡控制器的實現框圖

由于FC混動系統具有非線性、時變和輸入輸出時滯等特點,其控制是一項具有挑戰性的任務。使用神經網絡進行控制包括以下兩個步驟。

(1)系統識別:開發想要控制的神經網絡對象模型。

(2)控制設計:使用神經網絡對象模型輔助控制器的訓練。

每個控制器被訓練來控制系統,使其跟隨參考模型,并且神經網絡對象模型被用來輔助控制器訓練。本文中實現的兩種充電/放電模式的神經網絡對象模型和神經網絡控制器的詳細信息如表1所示。

表1 充放電模式的目標識別

為了管理DC總線、主電源和鋰離子電池之間的能量交換,可以定義以下兩種操作模式(或狀態)。

(1)充電模式:在該模式下,主電源(FC)向鋰離子電池和/或負載提供能量。

(2)放電模式:在該模式下,FC和鋰離子電池都向負載提供能量。

3 人工神經網絡與模糊邏輯兩種控制器對比與分析

本文的目的是研究使用FC和鋰離子電池組組成的電動混合動力系統為小型無人飛機提供動力的可行性,為該系統實現人工神經網絡(artificial neural network,ANN)控制器設計與驗證。為了實現這一點,基于無人機的飛行場景如圖6所示。對無人機進行了起飛、爬升、巡航、下降和著陸的仿真分析,考察了系統在不同飛行階段的性能。

圖6 基本無人機的飛行場景

本文研究的混動系統工作場景為飛機爬升到30～60 m的高度,巡航18 km后返回陸地。在這種情況下,使用的是充滿電的鋰離子電池。飛行各階段的最大功率需求如表2所示。當電機空轉時考慮最小功率需求,油門指令為29%;對于起飛和爬升階段考慮最大功率需求,油門指令為100%;在其他階段(巡航和下降、著陸),飛機需要的功率為79.12～442.3 W。

表2 飛行場景功率需求

在這一部分中,提出了基于模糊邏輯控制器的計算方法,并與自適應神經網絡控制器進行了比較。為了評估和比較兩種控制器的性能,利用模糊邏輯對控制器的性能進行了快速學習。

與完成相同任務的基于模型的控制器或傳統控制器相比,模糊控制器的開發成本通常較低。除此之外,模糊控制器相對容易理解和修改規則,并且操作簡單。模糊邏輯是概率邏輯或多值邏輯的一種形式;它處理的是近似推理,而不是精確和固定的推理[21]。模糊邏輯控制器的輸出通常通過一組規則與輸入相關。例如,如果X和Y,則Z。IF部分(前件)定義輸入變量的狀態,而THEN(后件)給出輸出變量的值[22]。模糊邏輯適用于具有復雜的非線性模型的過程,以經驗為基礎,依賴于操作員的經驗,而不是他們對系統的技術理解。

3.1 模糊邏輯控制器的設計

圖7所示為Mamdani型模糊邏輯控制器的簡單結構,包含四個主要模塊。

圖7 Mamdani型模糊邏輯控制器控制系統框圖

本節設計的模糊邏輯控制器[23-27]的輸入變量與前述神經網絡控制器的輸入變量相同(輸入變量為電流需求和電池電壓表示的電池充電狀態)。圖8所示為模糊邏輯控制器的框圖。

圖8 模糊邏輯控制器框圖

模糊邏輯控制器規則遵循的邏輯為:如果電池總SOC小于70%,則需要對電池充電。控制器輸出信號進入雙向DC/DC轉換器的占空比;根據該占空比決定向電池或從電池供應多少電流。例如,如果電流需求高且電池SOC高,則電池將提供電力以輔助FC高效運行。如果電流需求低,電池的SOC低,則FC為發動機供電,并通過雙向DC/DC轉換器為電池充電。

開發的規則庫如表3所示。控制器輸出信號和所設計的模糊邏輯控制器的三維曲面如圖9所示。

表3 模糊邏輯語言規則表

3.2 兩種控制器的對比分析

針對設計的這兩個控制器進行了模擬仿真分析,以電池容量減少到6 Ah來評估兩個控制器的性能。當兩個控制器(人工神經網絡和模糊邏輯)在相同的任務持續時間和應用相同的油門命令進行測試時,都成功地滿足了無人機飛行的不同階段的預期性能;當模糊邏輯控制器滿足并顯示了控制系統的穩定性時,可以在圖10中看到一些振蕩。油門指令曲線如圖10(a)所示,發動機相應的電流需求、燃料電池電流和電池電流分別如圖10(b)～圖10(d)所示。電池SOC如圖10(e)所示。

人工神經網絡和模糊邏輯控制器的燃料消耗分別為179 NL/min(標準升/分鐘)和183 NL/min。在飛行的不同階段,燃料電池系統的效率從起飛時的43%到下降時的約49%不等。對于巡航,平均效率約為50%,如圖10(f)所示;發動機的功率需求、電池和燃料電池的功率如圖10(g)～圖10(i)所示;燃料消耗如圖10(j)所示。

4 結論

針對某小型無人機燃料電池和電池組成的混合動力系統,為了滿足無人機不同飛行階段的電力需求,分別設計了基于人工神經網絡的控制器和基于模糊邏輯的控制器,對這兩種控制器的性能進行了模擬仿真分析和比較,得到如下結論。

(1)人工神經網絡控制器具有針對給定性能進行優化的能力。人工神經網絡控制器的控制性能略好于模糊邏輯控制器,提高了油耗計算的效率。

(2)神經網絡控制器的性能良好,該控制器使系統的響應保持在最小超調量、最小上升時間和最小穩態誤差范圍內。此外,與模糊邏輯控制器相比,使用人工神經網絡控制器的方法性能略好。從嚴格的性能角度來看,人工神經網絡控制器提供了更好的性能,在效率和油耗方面比模糊邏輯控制器提高了約1%。這說明在這類系統中,神經網絡控制器比經典控制器具有更強的魯棒性。

(3)提出的基于人工神經網絡的控制器設計方法,對各種尺寸和重量構型的無人機燃料電池混合動力控制系統初步設計具有重要的參考價值。