CN117458672B - 无人机的放电控制方法、装置、设备及存储介质 - Google Patents
无人机的放电控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117458672B CN117458672B CN202311753449.0A CN202311753449A CN117458672B CN 117458672 B CN117458672 B CN 117458672B CN 202311753449 A CN202311753449 A CN 202311753449A CN 117458672 B CN117458672 B CN 117458672B
- Authority
- CN
- China
- Prior art keywords
- sample
- unmanned aerial
- aerial vehicle
- battery
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 238000007599 discharging Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000003062 neural network model Methods 0.000 claims description 37
- 230000011664 signaling Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000020595 eating behavior Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 13
- 241000601180 Clematis villosa Species 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 241000282472 Canis lupus familiaris Species 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 235000013527 bean curd Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000282465 Canis Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0063—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with circuits adapted for supplying loads from the battery
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U50/00—Propulsion; Power supply
- B64U50/30—Supply or distribution of electrical power
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Electrochemistry (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Combustion & Propulsion (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种无人机的放电控制方法、装置、设备及存储介质,其中,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,该方法包括:当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。本方法通过改进的无人机的硬件电路以及配合软件逻辑,实现全场景覆盖以及与其它放电保护共存。
Description
技术领域
本发明涉及电池管理领域,尤其涉及一种无人机的放电控制方法、装置、设备及存储介质。
背景技术
随着科学技术的日升月异的发展和人们生活水平的提高,以及人口老龄化和劳动力缺少,越来越多的岗位被自动化设备所替代,但是在野外作业的工作越来越多的岗位也被无人机所替代,比如地震救灾,森林火灾,洪水救灾等救灾现场航拍技术,就是采用无人机技术,而无人机受限于现有电池技术限制,往往仅使用单电池供电,这对电池供电***可靠性提出了较高要求,需确保电池在飞行中不断电。而使用一个固定的电池放电电流值作为参考,配合硬件电路实现电池的飞行模式,也就是在飞行中电池输出放电,然而,由于完全由硬件电路实现,硬件电路仅以放电电流作为参考,电池在非正常使用场景下也无法进行放电保护。
发明内容
本发明的主要目的在于解决现有技术硬件电路仅以放电电流作为参考,电池在非正常使用场景下也无法进行放电保护的技术问题。
本发明第一方面提供了一种无人机的放电控制方法,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路;所述无人机放电控制方法包括:
当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;
通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;
根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。
可选的,在本发明第一方面的第一种实现方式中,所述比对结果包括高电平和低电平,所述无人机还包括电池管理***;
所述根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业包括:
若所述控制电平信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;
若所述控制电平信号为低电平,则通过所述电池管理***获取外部控制信号,并判断所述外部控制信号是否为高电平;
若所述外部控制信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;
若所述外部控制信号为低电平,则控制所述驱动生成电路输出第二有效放电开关驱动信号,并根据所述第二有效放电开关驱动信号控制所述无人机中的电池设备减小放电。
可选的,在本发明第一方面的第二种实现方式中,在所述通过所述电池管理***获取外部控制信号,并判断所述外部控制信号是否为高电平之前,还包括:
获取所述电池设备对应的样本电池的样本工作数据,并根据所述样本工作数据训练得到电荷容量预测模型;
获取所述无人机中的电池设备工作时,所述电流采样电路采集的所述检流电阻的电流值、所述电池管理***采集的所述电池设备的电压值、所述电池设备的电池包温度;
将所述电流值、电压值和所述电池包温度输入所述电荷容量预测模型中,得到所述电池设备的电荷容量,并判断所述电池设备的电荷容量是否小于预设电容阈值;
若是,则将所述外部控制信号设置为低电平;
若否,则将所述外部控制信号设置为高电平。
可选的,在本发明第一方面的第三种实现方式中,所述获取所述电池设备对应的样本电池的样本工作数据,并根据所述样本工作数据训练得到电荷容量预测模型包括:
获取所述电池设备对应的样本电池的样本工作数据,其中,所述样本工作数据包括样本电流值、样本电压值、样本电池包温度和样本实测电荷容量;
对所述样本工作数据进行数据预处理,并获取预设的神经网络模型的初始网络参数,其中,所述初始网络参数包括初始权值和初始阈值;
根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值;
通过所述最优初始权值和最优初始阈值构建所述神经网络模型,并将所述样本电流值、样本电压值和样本电池包温度输入所述神经网络模型,通过所述神经网络模型计算所述样本工作数据对应的样本预估电荷容量;
判断所述样本预估电荷容量与所述样本实测电荷容量的偏差值是否小于所述最优初始阈值;
若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本电流值、样本电压值、样本电池包温度输入所述神经网络模型的步骤,直至所述偏差值小于所述最优初始阈值,得到电荷容量预测模型;
若是,则将所述神经网络模型作为电荷容量预测模型。
可选的,在本发明第一方面的第四种实现方式中,所述根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值包括:
根据所述优化算法和所述样本工作数据生成初始化种群,其中,所述初始化种群包括多个种群个体,各种群个体存在对应的位置信息;
根据预设的移动策略更新各种群个体的位置信息和迭代次数,并根据所述位置信息计算各种群个体对应的适应度值;
判断所述迭代次数是否大于预设迭代阈值;
若否,则返回根据预设的移动策略更新各种群个体的位置信息和迭代次数的步骤,直至所述迭代次数大于预设迭代阈值;
若是,则确定所述多个种群个体中的最优种群个体的最优位置信息,并生成所述最优位置信息的位置矩阵;
根据所述位置矩阵调整所述初始权值和初始阈值对应的权重矩阵和阈值矩阵,并根据调整后的权重矩阵和阈值矩阵确定最优初始权值和最优初始阈值。
可选的,在本发明第一方面的第五种实现方式中,所述移动策略包括集体攻击策略、迫害攻击策略和食腐行为策略;
所述根据预设的移动策略更新各种群个体的位置信息和迭代次数包括:
分别计算所述集体攻击策略、迫害攻击策略和食腐行为策略中各种群个体的第一位置、第二位置和第三位置;
分别计算所述第一位置、第二位置和所述第三位置的适应度值,并将各适应度值中的最大适应度值作为对应的各种群个体的位置信息;
当各种群个体的位置信息更新完成时,更新所述迭代次数。
可选的,在本发明第一方面的第六种实现方式中,所述无人机还包括在位检测电路,在所述当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号之后,还包括:
通过所述在位检测电路生成在位检测信号;
通过所述电池管理***根据所述在位检测信号判断所述电池设备是否处在所述无人机中;
若否,则控制所述驱动生成电路输出无效放电开关驱动信号,并根据所述无效放电开关驱动信号控制所述电池设备停止放电。
本发明第二方面提供了一种无人机的放电控制装置,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,所述无人机的放电控制装置包括:
电流检测模块,用于当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;
比对模块,用于通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;
放电控制模块,用于根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。
本发明第三方面提供了一种无人机的放电控制装置,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述无人机的放电控制设备执行上述的无人机的放电控制方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的无人机的放电控制方法的步骤。
上述无人机的放电控制方法、装置、设备及存储介质,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。本方法通过改进的无人机的硬件电路以及配合软件逻辑,实现全场景覆盖以及与其它放电保护共存。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例中无人机的放电控制方法的第一个实施例示意图;
图2为本发明实施例中无人机的放电控制装置的一个实施例示意图;
图3为本发明实施例中无人机的放电控制装置的另一个实施例示意图;
图4为本发明实施例中无人机的放电控制设备的一个实施例示意图;
图5为本发明实施例中无人机的电路结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种无人机的放电控制方法进行详细介绍。如图1所示,该无人机的放电控制的方法,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,本方法包括如下步骤:
101、当无人机中的电池设备工作时,通过电流采样电路检测流经检流电阻的电流,并生成对应的电压信号;
在本发明的一个实施例中,如图5所示,无人机包括电池设备、检流电阻R1、所述检流电阻的电流采样电路U1、比较电路U2和驱动生成电路,其中,驱动生成电路由npn晶体管Q1,pnp晶体管Q2和Vdd_2,此外,图5中的无人机的电路中还包括延时电路R2,C1,外部控制信号防反灌二极管D1,在位检测电路或芯片OP1与Vdd_1,Vdd_3。
具体的,当所述无人机中的电池设备工作时,通过所述电流采样电路来检测流经所述检流电阻的电流,并生成相应的电压信号。在这种情况下,所述电流采样电路被设计为一个比较器,且该比较器连接到检流电阻的两个端口。比较器是一种常用的电路元件,可以将输入信号与参考电压进行比较,并输出相应的电平信号。在这个特定的电流采样电路中,比较器被用来检测电流是否通过了检流电阻。它的正输入端连接到检流电阻的一端,负输入端连接到检流电阻的另一端,以便监测电流是否从正端流入负端。当电流通过检流电阻时,比较器会对应地调整输出电平。如果电流超过或等于某个设定的阈值,比较器的输出将改变状态,表示电流已经通过了检流电阻。根据比较器的特性和设计,其输出可以是一个数字信号或模拟电压信号。通过将比较器设计为电流采样电路的一部分,可以实现对电池设备电流消耗的监测和测量。检流电阻两端的电流变动将引起比较器输出信号的变化,进而产生对应的电压信号。
进一步的,所述无人机还包括在位检测电路,在所述当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号之后,还包括:通过所述在位检测电路生成在位检测信号;通过所述电池管理***根据所述在位检测信号判断所述电池设备是否处在所述无人机中;若否,则控制所述驱动生成电路输出无效放电开关驱动信号,并根据所述无效放电开关驱动信号控制所述电池设备停止放电。
具体的,通过所述在位检测电路生成在位检测信号;通过所述电池管理***根据所述在位检测信号判断所述电池设备是否处在所述无人机中;若否,则控制所述驱动生成电路输出无效放电开关驱动信号,并根据所述无效放电开关驱动信号控制所述电池设备停止放电。具体而言,***会控制驱动电路输出无效放电开关的驱动信号,并根据该信号控制电池设备停止放电操作。无效放电开关是一种特殊的开关装置,常由 MOSFET 或继电器实现。当无效放电开关关闭时,电流无法通过开关进行放电操作,从而防止电池耗尽能量。通过控制驱动电路输出无效放电开关的驱动信号,可以防止未正确定位的电池设备继续放电,避免无人机的运行受到不稳定电源供应的影响。这样,***能够保证只有在正确***的情况下,电池设备才能进行放电操作,确保无人机的稳定性和安全性。
102、通过比较电路将电压信号和预设的参考电压进行比对,得到比对结果;
在本发明的一个实施例中,通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果,所述比对结果为电平信号VU2,包括高电平和低电平。比对结果通常表现为比较电路输出低电平或高电平的信号。具体操作过程如下:比较电路接收来自电池的电压信号和预设的参考电压作为输入。比较器是比较电路中常用的元件之一,它将这两个输入进行比较,并根据其大小关系产生相应的输出。如果电池的电压信号超过或等于预设的参考电压,比较器会输出高电平信号。这表示电压信号符合或超过了预设标准,可以被认为是正常工作状态或达到某种要求。相反,如果电池的电压信号低于预设的参考电压,比较器会输出低电平信号。这表明电压信号未达到预设标准,存在问题或不满足工作要求。比对结果的低电平或高电平输出信号可以被电池管理***或其他相关控制***所利用。根据比对结果,***可采取相应的措施,如触发报警、调整电池充放电策略、切换备用电源等,以确保设备的安全运行和电池的有效管理。
103、根据比对结果控制驱动生成电路输出放电开关驱动信号,并根据放电开关驱动信号控制无人机的放电作业。
在本发明的一个实施例中,所述比对结果包括高电平和低电平,所述无人机还包括电池管理***;所述根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业包括:若所述控制电平信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;若所述控制电平信号为低电平,则通过所述电池管理***获取外部控制信号,并判断所述外部控制信号是否为高电平;若所述外部控制信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;若所述外部控制信号为低电平,则控制所述驱动生成电路输出第二有效放电开关驱动信号,并根据所述第二有效放电开关驱动信号控制所述无人机中的电池设备减小放电。
具体的,当无人机开始工作后,随电流增大,比较电路或芯片U2输出VU2变为高电平,经由驱动生成电路生成有效的放电开关驱动信号,确保电池放电开关不会关闭。同时由于电池管理***能够识别电池自身是否处于无人机内,其也可以输出外部控制信号,在VU2为低电平时,电池管理***能够驱使驱动生成电路生成有效的放电开关驱动信号,确保电池放电开关不会关闭,而当控制电平信号为低电平以及外部控制信号为低电平,则可以关闭电池放电开关。
进一步的,在所述通过所述电池管理***获取外部控制信号,并判断所述外部控制信号是否为高电平之前,还包括:获取所述电池设备对应的样本电池的样本工作数据,并根据所述样本工作数据训练得到电荷容量预测模型;获取所述无人机中的电池设备工作时,所述电流采样电路采集的所述检流电阻的电流值、所述电池管理***采集的所述电池设备的电压值、所述电池设备的电池包温度;将所述电流值、电压值和所述电池包温度输入所述电荷容量预测模型中,得到所述电池设备的电荷容量,并判断所述电池设备的电荷容量是否小于预设电容阈值;若是,则将所述外部控制信号设置为低电平;若否,则将所述外部控制信号设置为高电平。
具体的,电池管理***中,可以采用一种基于样本数据训练的电池电荷容量预测模型,以实时监测和控制无人机中的电池设备状态。具体来说,首先需要获取所述电池设备对应的样本电池的样本工作数据,并根据这些工作数据进行训练,得到一个准确可靠的电荷容量预测模型。这个模型可以根据每个电池的性能参数和历史工作数据,来预测电池的充放电状态、剩余容量等信息。在实际使用中,当无人机中的电池设备开始工作时,***可以通过电流采样电路、电池管理***等组件来采集电池设备的工作数据,包括检流电阻的电流值、电池的电压值、电池包温度等关键参数。然后将这些数据输入到电荷容量预测模型中,得到电池设备的电荷容量,并与预设电容阈值进行比较。若电池设备的电荷容量小于预设电容阈值,则说明其容量已经不足以维持无人机的正常运行,此时应将外部控制信号设置为低电平,控制电池设备减小放电,以尽快停止无人机的运行,避免出现安全问题。而如果电荷容量大于等于预设电容阈值,则可以继续使用无人机,同时将外部控制信号设置为高电平,以维持无人机的正常运行。
进一步的,所述获取所述电池设备对应的样本电池的样本工作数据,并根据所述样本工作数据训练得到电荷容量预测模型包括:获取所述电池设备对应的样本电池的样本工作数据,其中,所述样本工作数据包括样本电流值、样本电压值、样本电池包温度和样本实测电荷容量;对所述样本工作数据进行数据预处理,并获取预设的神经网络模型的初始网络参数,其中,所述初始网络参数包括初始权值和初始阈值;根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值;通过所述最优初始权值和最优初始阈值构建所述神经网络模型,并将所述样本电流值、样本电压值和样本电池包温度输入所述神经网络模型,通过所述神经网络模型计算所述样本工作数据对应的样本预估电荷容量;判断所述样本预估电荷容量与所述样本实测电荷容量的偏差值是否小于所述最优初始阈值;若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本电流值、样本电压值、样本电池包温度输入所述神经网络模型的步骤,直至所述偏差值小于所述最优初始阈值,得到电荷容量预测模型;若是,则将所述神经网络模型作为电荷容量预测模型。
具体的,获取特定电池设备对应的样本电池的工作数据。这些数据包括样本电流值、样本电压值、样本电池包温度和样本实测电荷容量其中,电荷容量值的变化与电池的总电压,电流等相关,又因为环境温度的变化会影响电池内部化学反应的快慢,从而影响电荷容量的变化,所以电池的温度也是一个影响因素。因此实验选择了与电荷容量关联较大的样本电池的电压、电流、电池设备的温度作为输入变量,电池设备的电荷容量作为输出变量。接下来,为了能够更好地处理这些数据,需要对样本工作数据进行数据预处理。这包括数据清洗、归一化或标准化等技术手段,以便更好地适应后续的处理步骤,例如为了消除指标间的量纲和奇异样本数据的影响,要对输入数据和输出数据归一化。分别将输入矩阵和输出向量进行行归一化到[-1,1]。输入变量是电压、电流和平均温度三个变量,输出变量为电池的电荷容量。对于训练过程来说,输入是电压、电流、温度组成的 3 × M 的矩阵,形式如下:
其中: M 表示样本电池的工作数据的样本总数。输出是电池 电荷容量组成的 1× M 的一个行向量,形式如下:
同时,还需要获取预设的神经网络模型的初始网络参数。这些初始网络参数包括初始权值和初始阈值。这些参数将在构建神经网络模型时使用,并对模型的初始状态进行设定。在神经网络的设置中,使用传统的BP神经网络,该神经网络包括三层结构,包括输入层、隐藏层和输出层,BP 神经网络输入层节点、隐含层节点、输出层节点分别设为 l、m、n,搜索空间维度 R 的计算过程如下:
R = m × l + n × m + m + n
进一步的,所述根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值包括:根据所述优化算法和所述样本工作数据生成初始化种群,其中,所述初始化种群包括多个种群个体,各种群个体存在对应的位置信息;根据预设的移动策略更新各种群个体的位置信息和迭代次数,并根据所述位置信息计算各种群个体对应的适应度值;判断所述迭代次数是否大于预设迭代阈值;若否,则返回根据预设的移动策略更新各种群个体的位置信息和迭代次数的步骤,直至所述迭代次数大于预设迭代阈值;若是,则确定所述多个种群个体中的最优种群个体的最优位置信息,并生成所述最优位置信息的位置矩阵;根据所述位置矩阵调整所述初始权值和初始阈值对应的权重矩阵和阈值矩阵,并根据调整后的权重矩阵和阈值矩阵确定最优初始权值和最优初始阈值。
具体的,定义优化算法中的两个参数N和R。其中,N代表初始化种群的野狗种群规模;R代表搜索空间维度。每只野狗的维度就是其位置向量,它们代表BP神经网络的权值和阈值,对种群个体的位置进行随机初始化,初始化的公式如下:
式中,和/>分别表示野犬i活动位置的下界和上界,/>是[0,1]之间均匀生成的随机数。
为了方便计算,对于种群N,将维度分成四部分,分别是W1、B1、W2、B2。对于W1,初始化一个Nm×l的矩阵,则矩阵的第im-m+1行到第im行为第i只野狗输入层到隐含层的权值矩阵。其他权值矩阵和阈值矩阵定义方式和上述方法一样。构造适应度函数如下:
其中,M为训练样本数量;n为输出层节点数;为样本s的第k个输出节点的期望输出;/>为第k个输出节点在样本s作用下的输出。
在本实施例中,每次迭代会根据移动策略更新种群 中不同角色野犬的最新位置,并且计算相应的适应度,最优适应度对应的野犬位置为最优位置, 然后进入下一次迭代,直到迭代结束,迭代结束后,获得野犬最优位置矩 阵。将位置矩阵分配给 BP 神经网络的权重矩阵和阈值矩阵,根据调整后的权重矩阵和阈值矩阵确定最优初始权值和最优初始阈值。
进一步的,所述移动策略包括集体攻击策略、迫害攻击策略和食腐行为策略;所述根据预设的移动策略更新各种群个体的位置信息和迭代次数包括:分别计算所述集体攻击策略、迫害攻击策略和食腐行为策略中各种群个体的第一位置、第二位置和第三位置;分别计算所述第一位置、第二位置和所述第三位置的适应度值,并将各适应度值中的最大适应度值作为对应的各种群个体的位置信息;当各种群个体的位置信息更新完成时,更新所述迭代次数。
具体的,DOA制定了集体攻击、迫害攻击和食腐行为3种移动策略。目标较大时,野犬们结伴捕猎时采取集体攻击策略,野犬i寻找、包围猎物时的位置为:
式中,和/>分别是野犬i移动前后的位置;/>是发现者中会发起攻击的野犬的位置;/>为发现者数量,范围为[2,M/2],M为野犬种群数量;/>为上一次迭代中发现者的最佳位置;/>是影响野犬位置的比例因子,范围为[2,2]。
目标较小、狩猎难度低时,移动策略为迫害攻击,此时野犬i位置为:
式中,是在[-1,1]区间内均匀生成的随机数,/>是第/>个发现者,其他符号含义与前面相同。
无狩猎活动时,野犬种群在栖息地内随意走动,此时野犬找到腐肉食用的过程为食腐行为,野犬i位置为:
式中,是一个随机生成的二进制数,其他符号含义与前面相同。
通过上述三个移动策略得到三个位置后,根据上述适应度函数确定最佳位置,获得野犬最优位置矩阵。将位置矩阵分配给 BP 神经网络的权重矩阵和阈值矩阵。
在本实施例中,无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。本方法通过改进的无人机的硬件电路以及配合软件逻辑,实现全场景覆盖以及与其它放电保护共存。
上面对本发明实施例中无人机的放电控制方法进行了描述,下面对本发明实施例中无人机的放电控制装置进行描述,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,请参阅图2,本发明实施例中无人机的放电控制装置一个实施例包括:
电流检测模块201,用于当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;
比对模块202,用于通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;
放电控制模块203,用于根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。
本发明实施例中,所述无人机的放电控制装置运行上述无人机的放电控制方法,所述无人机的放电控制装置应用于无人机,无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。本方法通过改进的无人机的硬件电路以及配合软件逻辑,实现全场景覆盖以及与其它放电保护共存。
请参阅图3,本发明实施例中无人机的放电控制装置的第二个实施例包括:
电流检测模块201,用于当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;
比对模块202,用于通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;
放电控制模块203,用于根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。
在本发明的一个实施例中,所述比对结果包括高电平和低电平,所述无人机还包括电池管理***;
所述放电控制模块203具体用于:
若所述控制电平信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;
若所述控制电平信号为低电平,则通过所述电池管理***获取外部控制信号,并判断所述外部控制信号是否为高电平;
若所述外部控制信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;
若所述外部控制信号为低电平,则控制所述驱动生成电路输出第二有效放电开关驱动信号,并根据所述第二有效放电开关驱动信号控制所述无人机中的电池设备减小放电。
在本发明的一个实施例中,所述无人机的放电控制装置还包括信号设置模块204,所述信号设置模块204具体用于:
模型训练单元2041,用于获取所述电池设备对应的样本电池的样本工作数据,并根据所述样本工作数据训练得到电荷容量预测模型;
数据获取单元2042,用于获取所述无人机中的电池设备工作时,所述电流采样电路采集的所述检流电阻的电流值、所述电池管理***采集的所述电池设备的电压值、所述电池设备的电池包温度;
电荷容量预测单元2043,用于将所述电流值、电压值和所述电池包温度输入所述电荷容量预测模型中,得到所述电池设备的电荷容量,并判断所述电池设备的电荷容量是否小于预设电容阈值;
电平设置单元2044,用于若所述电池设备的电荷容量小于预设电容阈值,则将所述外部控制信号设置为低电平,若所述电池设备的电荷容量不小于预设电容阈值,则将所述外部控制信号设置为高电平。
在本发明的一个实施例中,所述模型训练单元2041具体用于:
获取所述电池设备对应的样本电池的样本工作数据,其中,所述样本工作数据包括样本电流值、样本电压值、样本电池包温度和样本实测电荷容量;
对所述样本工作数据进行数据预处理,并获取预设的神经网络模型的初始网络参数,其中,所述初始网络参数包括初始权值和初始阈值;
根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值;
通过所述最优初始权值和最优初始阈值构建所述神经网络模型,并将所述样本电流值、样本电压值和样本电池包温度输入所述神经网络模型,通过所述神经网络模型计算所述样本工作数据对应的样本预估电荷容量;
判断所述样本预估电荷容量与所述样本实测电荷容量的偏差值是否小于所述最优初始阈值;
若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本电流值、样本电压值、样本电池包温度输入所述神经网络模型的步骤,直至所述偏差值小于所述最优初始阈值,得到电荷容量预测模型;
若是,则将所述神经网络模型作为电荷容量预测模型。
在本发明的一个实施例中,所述模型训练单元2041具体还用于:
根据所述优化算法和所述样本工作数据生成初始化种群,其中,所述初始化种群包括多个种群个体,各种群个体存在对应的位置信息;
根据预设的移动策略更新各种群个体的位置信息和迭代次数,并根据所述位置信息计算各种群个体对应的适应度值;
判断所述迭代次数是否大于预设迭代阈值;
若否,则返回根据预设的移动策略更新各种群个体的位置信息和迭代次数的步骤,直至所述迭代次数大于预设迭代阈值;
若是,则确定所述多个种群个体中的最优种群个体的最优位置信息,并生成所述最优位置信息的位置矩阵;
根据所述位置矩阵调整所述初始权值和初始阈值对应的权重矩阵和阈值矩阵,并根据调整后的权重矩阵和阈值矩阵确定最优初始权值和最优初始阈值。
在本发明的一个实施例中,所述移动策略包括集体攻击策略、迫害攻击策略和食腐行为策略;
所述模型训练单元2041具体还用于:
分别计算所述集体攻击策略、迫害攻击策略和食腐行为策略中各种群个体的第一位置、第二位置和第三位置;
分别计算所述第一位置、第二位置和所述第三位置的适应度值,并将各适应度值中的最大适应度值作为对应的各种群个体的位置信息;
当各种群个体的位置信息更新完成时,更新所述迭代次数。
在本发明的一个实施例中,所述无人机还包括在位检测电路,所述无人机的放电控制装置还包括在位检测模块205,所述在位检测模块205具体用于:
通过所述在位检测电路生成在位检测信号;
通过所述电池管理***根据所述在位检测信号判断所述电池设备是否处在所述无人机中;
若否,则控制所述驱动生成电路输出无效放电开关驱动信号,并根据所述无效放电开关驱动信号控制所述电池设备停止放电。
本实施例在上一实施例的基础上,详细描述了各个模块的具体功能以及部分模块的单元构成,通过上述模块和模块中的各单元,应用于无人机,无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;根据所述比对结果控制所述驱动生成电路输出放电开关驱动信号,并根据所述放电开关驱动信号控制所述无人机的放电作业。本方法通过改进的无人机的硬件电路以及配合软件逻辑,实现全场景覆盖以及与其它放电保护共存。
上面图2和图3从模块化功能实体的角度对本发明实施例中的中无人机的放电控制装置进行详细描述,下面从硬件处理的角度对本发明实施例中无人机的放电控制设备进行详细描述。
图4是本发明实施例提供的一种无人机的放电控制设备的结构示意图,该无人机的放电控制设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)410(例如,一个或一个以上处理器)和存储器420,一个或一个以上存储应用程序433或数据432的存储介质430(例如一个或一个以上海量存储设备)。其中,存储器420和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对无人机的放电控制设备400中的一系列指令操作。更进一步地,处理器410可以设置为与存储介质430通信,在无人机的放电控制设备400上执行存储介质430中的一系列指令操作,以实现上述无人机的放电控制方法的步骤。
无人机的放电控制设备400还可以包括一个或一个以上电源440,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口460,和/或,一个或一个以上操作***431,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图4示出的无人机的放电控制设备结构并不构成对本发明提供的无人机的放电控制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述无人机的放电控制方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种无人机的放电控制方法,其特征在于,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,所述无人机还包括电池管理***;所述无人机的放电控制方法包括:
当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;
通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;
根据所述比对结果生成对应的控制电平信号,其中,当所述比对结果为所述电压信号较大时,所述控制电平信号为高电平,当所述参考电压较大时,所述控制电平信号为低电平;若所述控制电平信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;若所述控制电平信号为低电平,则获取所述电池设备对应的样本电池的样本工作数据,其中,所述样本工作数据包括样本电流值、样本电压值、样本电池包温度和样本实测电荷容量;对所述样本工作数据进行数据预处理,并获取预设的神经网络模型的初始网络参数,其中,所述初始网络参数包括初始权值和初始阈值;根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值;通过所述最优初始权值和最优初始阈值构建所述神经网络模型,并将所述样本电流值、样本电压值和样本电池包温度输入所述神经网络模型,通过所述神经网络模型计算所述样本工作数据对应的样本预估电荷容量;判断所述样本预估电荷容量与所述样本实测电荷容量的偏差值是否小于所述最优初始阈值;若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本电流值、样本电压值、样本电池包温度输入所述神经网络模型的步骤,直至所述偏差值小于所述最优初始阈值,得到电荷容量预测模型;若是,则将所述神经网络模型作为电荷容量预测模型;获取所述无人机中的电池设备工作时,所述电流采样电路采集的所述检流电阻的电流值、所述电池管理***采集的所述电池设备的电压值、所述电池设备的电池包温度;将所述电流值、电压值和所述电池包温度输入所述电荷容量预测模型中,得到所述电池设备的电荷容量,并判断所述电池设备的电荷容量是否小于预设电容阈值;若是,则将外部控制信号设置为低电平;若否,则将所述外部控制信号设置为高电平;若所述外部控制信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;若所述外部控制信号为低电平,则控制所述驱动生成电路输出第二有效放电开关驱动信号,并根据所述第二有效放电开关驱动信号控制所述无人机中的电池设备减小放电。
2.根据权利要求1所述的无人机的放电控制方法,其特征在于,所述根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值包括:
根据所述优化算法和所述样本工作数据生成初始化种群,其中,所述初始化种群包括多个种群个体,各种群个体存在对应的位置信息;
根据预设的移动策略更新各种群个体的位置信息和迭代次数,并根据所述位置信息计算各种群个体对应的适应度值;
判断所述迭代次数是否大于预设迭代阈值;
若否,则返回根据预设的移动策略更新各种群个体的位置信息和迭代次数的步骤,直至所述迭代次数大于预设迭代阈值;
若是,则确定所述多个种群个体中的最优种群个体的最优位置信息,并生成所述最优位置信息的位置矩阵;
根据所述位置矩阵调整所述初始权值和初始阈值对应的权重矩阵和阈值矩阵,并根据调整后的权重矩阵和阈值矩阵确定最优初始权值和最优初始阈值。
3.根据权利要求2所述的无人机的放电控制方法,其特征在于,所述移动策略包括集体攻击策略、迫害攻击策略和食腐行为策略;
所述根据预设的移动策略更新各种群个体的位置信息和迭代次数包括:
分别计算所述集体攻击策略、迫害攻击策略和食腐行为策略中各种群个体的第一位置、第二位置和第三位置;
分别计算所述第一位置、第二位置和所述第三位置的适应度值,并将各适应度值中的最大适应度值作为对应的各种群个体的位置信息;
当各种群个体的位置信息更新完成时,更新所述迭代次数。
4.根据权利要求1所述的无人机的放电控制方法,其特征在于,所述无人机还包括在位检测电路,在所述当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号之后,还包括:
通过所述在位检测电路生成在位检测信号;
通过所述电池管理***根据所述在位检测信号判断所述电池设备是否处在所述无人机中;
若否,则控制所述驱动生成电路输出无效放电开关驱动信号,并根据所述无效放电开关驱动信号控制所述电池设备停止放电。
5.一种无人机的放电控制装置,其特征在于,所述无人机包括电池设备、检流电阻、所述检流电阻的电流采样电路、比较电路和驱动生成电路,所述无人机还包括电池管理***;所述无人机的放电控制装置包括:
电流检测模块,用于当所述无人机中的电池设备工作时,通过所述电流采样电路检测流经所述检流电阻的电流,并生成对应的电压信号;
比对模块,用于通过所述比较电路将所述电压信号和预设的参考电压进行比对,得到比对结果;
放电控制模块,用于根据所述比对结果生成对应的控制电平信号,其中,当所述比对结果为所述电压信号较大时,所述控制电平信号为高电平,当所述参考电压较大时,所述控制电平信号为低电平;若所述控制电平信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;若所述控制电平信号为低电平,则获取所述电池设备对应的样本电池的样本工作数据,其中,所述样本工作数据包括样本电流值、样本电压值、样本电池包温度和样本实测电荷容量;对所述样本工作数据进行数据预处理,并获取预设的神经网络模型的初始网络参数,其中,所述初始网络参数包括初始权值和初始阈值;根据预设的优化算法和所述样本工作数据对所述初始权值和初始阈值进行优化,得到最优初始权值和最优初始阈值;通过所述最优初始权值和最优初始阈值构建所述神经网络模型,并将所述样本电流值、样本电压值和样本电池包温度输入所述神经网络模型,通过所述神经网络模型计算所述样本工作数据对应的样本预估电荷容量;判断所述样本预估电荷容量与所述样本实测电荷容量的偏差值是否小于所述最优初始阈值;若否,则根据所述偏差值调整所述神经网络模型的网络参数,并返回将所述样本电流值、样本电压值、样本电池包温度输入所述神经网络模型的步骤,直至所述偏差值小于所述最优初始阈值,得到电荷容量预测模型;若是,则将所述神经网络模型作为电荷容量预测模型;获取所述无人机中的电池设备工作时,所述电流采样电路采集的所述检流电阻的电流值、所述电池管理***采集的所述电池设备的电压值、所述电池设备的电池包温度;将所述电流值、电压值和所述电池包温度输入所述电荷容量预测模型中,得到所述电池设备的电荷容量,并判断所述电池设备的电荷容量是否小于预设电容阈值;若是,则将外部控制信号设置为低电平;若否,则将所述外部控制信号设置为高电平;若所述外部控制信号为高电平,则控制所述驱动生成电路输出第一有效放电开关驱动信号,并根据所述第一有效放电开关驱动信号控制所述无人机中的电池设备维持放电;若所述外部控制信号为低电平,则控制所述驱动生成电路输出第二有效放电开关驱动信号,并根据所述第二有效放电开关驱动信号控制所述无人机中的电池设备减小放电。
6.一种无人机的放电控制设备,其特征在于,所述无人机的放电控制设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述无人机的放电控制设备执行如权利要求1-4中任意一项所述的无人机的放电控制方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-4中任意一项所述无人机的放电控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753449.0A CN117458672B (zh) | 2023-12-20 | 2023-12-20 | 无人机的放电控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753449.0A CN117458672B (zh) | 2023-12-20 | 2023-12-20 | 无人机的放电控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117458672A CN117458672A (zh) | 2024-01-26 |
CN117458672B true CN117458672B (zh) | 2024-03-15 |
Family
ID=89585762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311753449.0A Active CN117458672B (zh) | 2023-12-20 | 2023-12-20 | 无人机的放电控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117458672B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5955869A (en) * | 1996-07-17 | 1999-09-21 | Rathmann; Roland | Battery pack and a method for monitoring remaining capacity of a battery pack |
JP2000324702A (ja) * | 1999-05-10 | 2000-11-24 | Denso Corp | バッテリの放電容量検出方法及びその装置並びに車両用バッテリ制御装置 |
CN108621844A (zh) * | 2018-05-10 | 2018-10-09 | 中南大学 | 一种暴雨道路无人驾驶车辆电量预测方法及预警*** |
CN111458644A (zh) * | 2020-05-12 | 2020-07-28 | 安徽优旦科技有限公司 | 一种新能源电池的放电检测*** |
CN217824338U (zh) * | 2022-06-01 | 2022-11-15 | 深圳市飞猫智能控制有限责任公司 | 一种电池过流检测保护电路 |
CN116388351A (zh) * | 2023-06-05 | 2023-07-04 | 南京邮电大学 | 一种无人机电源自适应管理*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4137496B2 (ja) * | 2002-04-15 | 2008-08-20 | 富士通株式会社 | 残量予測方法 |
WO2019021099A1 (ja) * | 2017-07-25 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 蓄電システム、電子機器及び車両、並びに推定方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
-
2023
- 2023-12-20 CN CN202311753449.0A patent/CN117458672B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5955869A (en) * | 1996-07-17 | 1999-09-21 | Rathmann; Roland | Battery pack and a method for monitoring remaining capacity of a battery pack |
JP2000324702A (ja) * | 1999-05-10 | 2000-11-24 | Denso Corp | バッテリの放電容量検出方法及びその装置並びに車両用バッテリ制御装置 |
CN108621844A (zh) * | 2018-05-10 | 2018-10-09 | 中南大学 | 一种暴雨道路无人驾驶车辆电量预测方法及预警*** |
CN111458644A (zh) * | 2020-05-12 | 2020-07-28 | 安徽优旦科技有限公司 | 一种新能源电池的放电检测*** |
CN217824338U (zh) * | 2022-06-01 | 2022-11-15 | 深圳市飞猫智能控制有限责任公司 | 一种电池过流检测保护电路 |
CN116388351A (zh) * | 2023-06-05 | 2023-07-04 | 南京邮电大学 | 一种无人机电源自适应管理*** |
Non-Patent Citations (1)
Title |
---|
基于CNN-Bi-LSTM的锂离子电池健康状态估算;李凯 等;山东电力技术;20231031;第50卷(第10期);第66-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117458672A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200326667A1 (en) | Robust multimodal sensor fusion for autonomous driving vehicles | |
CN110365647B (zh) | 一种基于pca和bp神经网络的虚假数据注入攻击检测方法 | |
CN112946484B (zh) | 一种基于bp神经网络的soc估计方法、***、终端设备及可读存储介质 | |
CN115616423B (zh) | 液冷储能***以及状态检测方法、装置 | |
Windmann et al. | A stochastic method for the detection of anomalous energy consumption in hybrid industrial systems | |
CN112800116A (zh) | 一种业务数据的异常检测方法及装置 | |
CN112465119A (zh) | 一种基于深度学习的消防险情预警方法及装置 | |
CN111985571A (zh) | 基于改进随机森林算法的低压智能监测终端故障预测方法、装置、介质及设备 | |
CN115618261A (zh) | 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法 | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
CN117458672B (zh) | 无人机的放电控制方法、装置、设备及存储介质 | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN115201678A (zh) | 一种基于灰色预测模型对bldc控制和故障诊断的方法 | |
CN114117787A (zh) | 基于ssa优化bp神经网络的短期风功率预测方法 | |
CN114440858A (zh) | 移动机器人定位丢失检测方法、***、设备及存储介质 | |
CN113959477A (zh) | 基于物联网的环境防治监测提醒方法及*** | |
CN116736142B (zh) | 一种电池组健康状况预警的方法、***及装置 | |
CN113758652A (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
CN117330961A (zh) | 一种电池组监控方法、装置、电子设备及可读存储介质 | |
CN115693916B (zh) | 一种变电站直流电源智能在线监测方法及*** | |
CN116501106A (zh) | 一种温度控制方法及装置、电子设备、存储介质 | |
CN116093497A (zh) | 一种电池热失控概率预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |