关于飞行汽车混合动力系统的DGRU替代建模方法的研究

《Energy》：Research on the DGRU surrogate modeling method for the hybrid power system of a flying car

　　• 提出一种适用于多模式飞行汽车的动态混合动力系统模型
• 构建一个用于任务驱动数据集生成的闭环仿真框架
• 开发一种面向闭环的改进型DGRU替代模型，用于混合动力系统的替换
• 用DGRU近似动态模型，并将仿真时间减少88%

**引言**
随着城市空中出行概念的快速发展，飞行汽车因其垂直起降能力和高机动性，成为未来短距离低空运输的重要技术途径[1]。例如，倾转旋翼飞行汽车结合了旋翼机的悬停能力和固定翼飞机的巡航效率，使其在城市场客交通、紧急支援和区域通勤方面具有巨大潜力[2]。然而，由于当前电池的特定能量限制，纯电动飞行汽车在续航里程、载荷和飞行包线方面仍然存在明显限制，难以满足长距离、高效率和多任务适应性的要求[3]。因此，将发动机、发电机和储能系统结合起来形成混合动力推进架构被认为是提高飞行汽车整体性能和工程可行性的重要策略[4]。同时，倾转旋翼混合动力飞行汽车需要飞行动力学、轨迹跟踪和能源管理之间的多系统耦合，其建模和控制复杂性远大于传统地面车辆和单一电动推进飞机[5]。

在混合动力汽车领域，已经形成了一个相对成熟的研究体系，主要集中在动力总成架构设计、组件模型构建和能源管理策略优化方面[6]。传统研究大多基于发动机、电机和电池等组件的特性图建立准静态模型，并通过基于规则的控制、离线优化查找表或等效消耗最小化策略来实现在线能源管理[7]。随着智能交通和数据驱动控制的发展，混合动力系统的能源管理研究已发展为预测控制和智能控制框架[8]。近年来，强化学习、深度强化学习和分层自适应方法被用于混合动力系统的功率分配和模式切换控制[9]。例如，周等人[10]使用改进的TD3深度强化学习方法研究了混合动力汽车的能源管理。唐等人进行了多项关于分层自适应控制、发动机启停协调和双重深度强化学习的研究[11][12][13]。一些研究还利用基于机器学习的速度预测来提高复杂驾驶条件下的控制性能[14]。总体而言，现有研究主要集中在地面车辆上，其功率需求相对稳定，且大多仍基于准静态模型。对飞行汽车在多种操作模式和飞行阶段下的动态功率响应和模式耦合关注不足。

为了更真实地描述混合动力系统在复杂任务中的动态行为，一些近期研究开始关注基于前向仿真和动态机制模型的系统建模方法[15]。现有研究表明，发动机、发电机、电池和增程器的动态特性可能导致较低级别的执行器难以准确跟踪上级能源管理功率指令，从而影响燃油经济性、工作点分布甚至车辆控制质量[16]。在增程和混合动力系统的研究中，仅依赖策略级优化不足以完全反映系统的动态执行过程和多个组件的功率协调特性[17]。此外，对于动态增程器协调和电池与增程器之间的功率耦合等问题，现有研究开始从系统动力学角度重新审视混合动力控制和建模方法[18][19][20]。这些研究表明，对于具有多个飞行阶段和操作模式切换特性的飞行汽车，构建一个包含发动机、电机、发电机、电池、离合器和直流母线动态特性的混合动力系统机制模型对于准确评估系统瞬态响应和能耗至关重要。

然而，高保真动态机制模型通常包含大量非线性组件模型和紧密耦合的状态变量。尽管它们可以提高建模精度，但常常导致较高的计算成本，不适合大规模条件分析、参数优化和快速控制器迭代。为了减少复杂系统仿真所需的时间，神经网络替代模型逐渐被用于增程和混合动力系统的近似建模和优化[21]。人工神经网络、基于LSTM的模型和多网络框架已被证明能有效表示复杂动力系统的非线性行为，在多模式能源管理、速度预测和控制策略加速方面具有广泛应用前景[22][23][24]。此外，基于学习的智能体（如深度强化学习）逐渐在复杂混合动力系统控制中发挥关键决策作用。神经网络替代模型的可信应用不仅取决于网络结构，还取决于数据集构建、训练-测试划分和泛化评估程序的标准化。同时，黄等人将深度学习应用于增程车辆的性能改进控制，证明了深度学习方法在复杂混合动力系统快速建模和控制中的可行性[25]。然而，针对倾转旋翼飞行汽车的混合动力系统的替代建模研究，特别是那些面向多操作模式、飞行任务驱动条件和闭环耦合仿真的研究仍然有限。与现有主要依赖基于MAP的准静态动力系统模型和开环仿真的飞行汽车混合动力研究不同，本研究建立了一个考虑发动机、电机、发电机、电池、离合器和直流母线实际运行特性和动态响应的动态混合动力系统模型。通过集成动态混合动力系统、飞行汽车空气动力学、轨迹跟踪控制和能源管理策略，进一步构建了闭环耦合仿真框架。在该框架中，采用了DGRU替代模型来替换动态混合动力系统。主要的方法学贡献在于结合了动态机制建模、任务驱动数据集生成和闭环替代模型。所提出的DGRU替代模型旨在学习从操作模式、转子速度需求和转子扭矩需求到转子输出和累积能量状态的系统级时间映射。其必要性不仅通过开环预测精度进行评估，还通过重复训练统计、未见条件验证和闭环替代性能进行评估。这为多模式飞行汽车混合动力系统的高效能源管理导向仿真提供了一条替代建模途径。

基于此，本文研究了多模式倾转旋翼飞行汽车的混合动力系统，开发了一个考虑系统动态响应的前向机制模型，并使用DGRU构建了时间替代模型。通过将动态机制模型与传统准静态映射模型进行比较，实现了对高保真混合动力系统的快速近似，为多模式飞行汽车混合动力系统的建模、能源管理和高效仿真提供了参考。

**本文的主要贡献如下：**
(1) 提出了一种适用于多模式飞行汽车混合动力系统的动态机制建模方法，建立了考虑发动机、电机、发电机、电池和直流母线动态响应的动态机制模型，从而更真实地描述了多阶段飞行任务中的瞬态功率耦合和能量状态演变。
(2) 提出了一种结合动态机制模型、飞行汽车空气动力学、轨迹跟踪控制和能源管理策略的闭环前向仿真框架。与基于开环操作轮廓的仿真不同，所提出的框架从闭环耦合仿真中生成任务驱动的动态混合动力系统数据集，实现了从飞行任务跟踪到时间监督学习样本构建的完整过程。
(3) 提出了一种面向闭环的改进型DGRU替代建模方法，用于飞行汽车的动态混合动力系统。其主要贡献在于将替代学习与耦合飞行仿真相结合：该模型使用任务驱动的闭环数据进行训练，并嵌入相同的仿真框架中，以预测多模式运行期间的推进输出和累积能量状态。该模型学习了从操作模式、转子速度需求和转子扭矩需求到转子速度、转子扭矩、燃料消耗增量和电池SOC增量的映射，因此可以直接嵌入闭环耦合仿真框架。与MAP准静态模型相比，它更好地近似了动态机制模型；与高保真动态模型相比，显著减少了闭环仿真时间。

**部分内容摘要**
选择多模式飞行汽车混合动力系统作为研究对象，如图1所示。所建模的飞行汽车是一个概念性的多模式倾转旋翼平台。倾转旋翼配置和飞行任务定义受到了现有UAM和倾转旋翼飞机研究的启发，而具体数值参数的选择是为了确保轨迹跟踪的可行性、完整的飞行阶段覆盖和代表性的混合动力系统。

**由于混合动力系统的动态机制模型包括发动机、电机、发电机和电池等多个动态子模块，在长时间耐力和多条件任务下进行单次仿真需要大量的计算和仿真时间。这不利于后续的大规模能源管理策略优化，尤其难以满足强化学习方法对大量交互样本的要求。**

**飞行汽车混合动力系统的DGRU基替代模型构建**
飞行汽车的混合动力系统包括多个时间尺度下的动态响应。转子需求和电机响应的变化是相对快速的动态过程，而发动机速度响应具有更明显的滞后特性，燃料消耗和SOC是累积状态变量。这些多时间尺度效应完全体现在系统的输入输出序列中。例如，相同的转子扭矩需求会导致不同的燃料消耗和SOC变化。

**替代模型训练和开环测试**
为了验证替代模型对动态混合动力系统输入输出关系的近似能力，基于相同的数据集、输入输出接口和训练-验证-测试划分方法，以开环方式训练和测试了TCN、GRU、LSTM-GRU和DGRU神经网络。主要训练参数列在表2中。图6显示了四种替代模型（TCN、GRU、LSTM-GRU和DGRU）的训练损失曲线。

**结论**
开发了一种多模式飞行汽车混合动力系统的动态机制模型和闭环耦合仿真框架。该前向闭环仿真系统集成了发动机、电机、发电机、电池、离合器和直流母线等功率组件的动态响应，以及飞行汽车空气动力学、轨迹跟踪控制和能源管理策略。该框架可以更真实地描述混合动力系统的响应。

**作者贡献声明**
Jin Zhilin：撰写——审稿与编辑、监督、资源管理、项目管理、方法论、资金获取、概念化；
Gao Zhengheng：撰写——审稿与编辑、原始稿撰写、可视化、验证、软件开发、方法论、调查、数据分析、概念化。

**利益冲突声明**
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Jin Zhilin报告获得了中国国家自然科学基金（51775269）的财务支持。如果还有其他作者，他们声明没有已知的可能影响本文工作的财务利益或个人关系。