一种飞机电动环控系统能效优化的控制方法

1.本发明涉及飞机机舱环境控制，尤其涉及一种飞机电动环控系统(eecs)能效优化的控制方法，属于飞行器热管理系统能效管控技术领域。


背景技术：

2.飞机的环境控制系统通过向机舱提供空气来实现通风和温度控制的功能，为人类维持一个舒适的机舱环境。目前，大多数环境控制系统采用发动机引气的方案，通过对空气循环部件实施一系列控制技术和功率优化技术，将其调整到适当的温度和压力以供应机舱。然而，从发动机排出的空气对发动机燃料消耗具有负面影响。为了确保发动机在经济模式下工作，通常将引气的温度和压力设置为恒定值，这往往高于环境控制系统的实际需要，从而导致大量动力浪费。随着飞行任务的复杂性和整机性能要求的不断提高，这种方法受到越来越多的限制。电动环控系统(eecs)消除了传统的气动系统，并将气源从发动机引气转换为由电动压缩机压缩的环境空气。该系统采用两级压缩两级膨胀的制冷方式，多组阀门协调调节其内循环状态，电动压气机和电动风扇可以根据不同工况自由调节转速。对于同样的飞行任务，可以通过各流道间不同的流量分配而实现同样的控制目标，从而产生能效优化的可能。然而，整个系统非线性强、执行机构多且控制目标间存在强耦合作用，传统的控制策略无法兼顾各控制通道间的协同作用，难以实现系统的能效最优。
3.从国内外的研究现状来看，在控制策略方面，常用区域控制策略，即通过将eecs划分为若干个功能独立的区域来达到降阶的目的，然后为每个区域独立设计控制算法。优化技术研究主要集中在组件级参数优化和系统架构优化。如部分学者分别通过热流法和参数匹配法对制冷系统进行建模，并从最小起飞总重量和燃油损失的角度给出了系统的最优结构和尺寸参数。但对于具体的系统和具体的任务要求，如何将优化方法与控制方法相结合，通过调整系统的工作状态达到优化的目的，目前还缺乏成熟的理论体系和评价方法。
4.近些年来，人工神经网络的兴起引起了学者的广泛关注。神经网络在控制和优化领域的独特优势在于其对非线性函数的高精度逼近能力。在对象信息不足的优化问题中，神经网络经常被用作对象替代物。通过根据具体问题建立具有合适结构的神经网络，可以利用有限的数据高精度地逼近对象。结合数值优化算法求解训练好的神经网络模型，可以得到原问题的近似最优解。目前在环控系统领域，运用神经网络进行相应的控制器及优化器设计还鲜有报告，但在复杂系统以及复杂过程的优化及控制问题中，神经网络已经得到了广泛应用，具有一定的借鉴意义。


技术实现要素：

5.本发明所要解决的技术问题是针对上述背景技术的不足，提供了一种飞机电动环控系统(eecs)能效优化的控制方法，采用如下技术方案：一种飞机电动环控系统能效优化的控制方法，电动环控系统eecs通过额外配置一个电动机驱动的压气机压缩环境空气作为气源，直接从环境大气中引入空气，电动机驱动压气机压缩冲压空气，经过初级散热器冷却
后由压气机增压，接着进入次级换热器继续冷却，冷却后的空气经冷凝器降温除湿后，依次进入一级、二级涡轮冷却器进行冷却，最后获得的冷却空气供入座舱以平衡热载荷；
6.其特征在于：将传统的区域控制策略改变为三变量优化与双目标控制的组合，以eecs的制冷系数(cop)为指标，通过求解不同工况下优化变量的最优解集来最大化cop，在此基础上，通过控制器解算两个控制量的值来满足系统的性能需求；首先，建立一个广义回归神经网络模型，通过各工况下的大量离线数据训练，预测不同工况下eecs的稳态cop；随后，差分进化算法在满足部件性能约束的解空间内搜寻最优cop对应的优化变量解集；最后，通过控制器在最优的操作点下求解相应的控制量，从而实现能效优化控制；
7.包括以下步骤：
8.s1，设计eecs的控制方案，搭建eecs模型
9.在满足座舱的制冷量和供气量需求的基础上，根据eecs的部件配置、控制功能及构架需求分析，设计其优化变量、控制对象和控制量，eecs的控制对象为满足eecs性能的供气量以及通过制冷量和供气量折算出的供气温度，执行机构包括电动压气机、冷风道活门、旁通活门、经济制冷活门和低限活门，其中，旁通活门、经济制冷活门和低限活门改变的均是热流流量，均能够调节相应节点温度最终影响供气温度，而冷风道活门改变的是冷流流量，为最大化eecs的cop，选择将旁通活门、经济制冷活门和低限活门开度作为优化变量。在此基础上，冷风道活门开度作为控制量来满足供气温度需求，电动压气机转速作为控制量来满足供气量需求；
10.s2，获取cop预测模型的学习样本
11.通过广义回归神经网络grnn预测不同环境参数和操作参数下eecs的稳态cop，grnn的输入包含巡航高度、飞行马赫数、座舱热载荷三个环境参数和旁通活门开度、经济制冷活门开度、低限活门开度三个操作参数，grnn的输出为电动压气机的出口温度和座舱的供气温度，通过大量仿真数据收集学习样本，样本的数量取最低约2400组方可较好地描述eecs特性，具体做法为：按梯度设置巡航高度、飞行马赫数和座舱热载荷三个环境参数，在一组环境参数下，按梯度设置旁通活门开度、经济制冷活门开度和低限活门开度三个操作参数，通过两个pid控制器分别控制电动压气机转速和冷风道活门开度来满足座舱供气量需求和制冷量需求，记录稳态下电动压气机的出口温度和座舱供气温度作为学习样本；
12.s3，构建广义回归神经网络grnn的拓扑结构
13.grnn为四层网络，包括输入层、模式层、求和层和输出层，输入层设置六个神经元，分别对应当前的巡航高度、飞行马赫数、座舱热载荷、旁通活门开度、经济制冷活门开度和低限活门开度，输入层神经元直接将输入变量传递给模式层，模式层的神经元数目为学习样本数，单个神经元的输出为：
[0014][0015]
其中，x＝[x1,x2,...,x6]是网络的六个输入向量，xi是第i个神经元对应的学习样本，σ为神经元宽度。
[0016]
求和层采用两种神经元进行求和计算，总数量为输出向量维数加一；第一种对模式层的所有输出直接相加，其输出sd可以描述为
[0017][0018]
第二种对模式层的输出进行加权求和，其输出sn可以描述为
[0019][0020]
其中，y
ij
是第i个输出样本中的第j个元素。
[0021]
输出层设置两个神经元，分别对应电动压气机的出口温度t
ec
和座舱的供气温度t
cab
。输出层将求和层的输出相除，即：
[0022][0023]
设座舱空气再循环流量为供气量的一半，取再循环空气经风扇的温升为4℃，则eecs的cop由下式得到：
[0024][0025]
其中，q为座舱制冷量，w为eecs的系统耗功，c
p
为空气的定压比热容，t
sa
为供气温度，t
amb
为环境温度，为供气流量。
[0026]
s4，训练广义回归神经网络grnn模型；
[0027]
将s2获取的学习样本平均分为两组，其中一组作为训练集对广义回归神经网络进行训练，另一组作为测试集用于验证grnn对于不同工况系统cop预测的准确度。
[0028]
s5，设定差分进化算法的个体和适应度函数；
[0029]
差分进化算法中的每个个体代表一组阀门开度，每次迭代后的个体值被代入预测模型得到相应的预测值，经转化得到cop数值作为差分进化算法的适应度值；
[0030]
s6，设定差分进化算法参数
[0031]
差分进化算法的种群数量取30-100，最大迭代次数取100-200，变异因子和交叉因子取值根据算法收敛结果的优劣进行选取；
[0032]
s7，根据eecs性能需求和部件的工作特性对差分进化算法施加约束；
[0033]
差分进化算法求得的解集需要满足以下条件，第一类条件：每一组解需要在同一制冷量和供气量条件下生成；2)每一组解要兼顾eecs运行状态，阀门的开度应在0-90度内，压气机的出口温度和冷凝器的入口温度需要在正常工作范围内；
[0034]
对于第一类条件，由于grnn的学习样本已经通过pid控制器处理过，因此，只需要针对第二类条件施加约束，压气机的出口温度应低于210摄氏度；冷凝器的入口温度应高于露点；阀门的开度应在0-90度内；
[0035]
s8，进行差分进化算法的迭代计算，求解最优cop对应的操作参数
[0036]
(1)初始化
[0037]
差分进化算法中的每个个体都是代表一组阀门开度的三维向量，描述为：初始种群可以通过从可行域中随机生成。
[0038]
x0＝x
l
+(x
u-x
l
)
·
rand(1,np)(6)
[0039]
其中，x
l
为个体取值下界，xu为个体取值上界，np为种群数量；
[0040]
(2)变异
[0041]
通过将两个独立个体加权到另一个个体上来生成变异向量，为后代群体奠定基础。变异个体描述为：
[0042]
v(i)＝x(r1)+f
·
(x(r2)-x(r3))；i＝1,2,...,np；r1,r2,r3∈(1,np),r1≠r2≠r3(7)
[0043]
其中，f是变异因子；
[0044]
(3)交叉
[0045]
为了增强种群的多样性，将部分变异的个体放入种群中：
[0046][0047]
其中cr为交叉因子，d
rand
是1到3的随机整数，确保至少有一维变量来自变异操作；
[0048]
(4)选择
[0049]
每次迭代完成后，通过计算比较个体的适应度值，选出较优的个体进行下一次迭代。重复(2)至(4)，直至达到预设的最大迭代次数，最终得到最优cop对应的阀门开度：
[0050][0051]
其中g为迭代次数，f为适应度函数即cop。
[0052]
优选地，所述s2中，通过仿真数据收集学习样本的数量取4200组。
[0053]
进一步地，所述s6中，变异因子和交叉因子取值根据算法收敛结果的优劣进行选取的方法是：对算法进行十次相互独立的随机初始化试验，当每次试验结果算法均能在最大迭代次数内收敛，且在所有的收敛结果中cop的最大值与最小值的偏差小于5％时，认为变异因子和交叉因子的取值合适；否则对变异因子和交叉因子进行缩放，并重新进行十次相互独立的随机初始化试验，直至收敛结果能满足评定准则。
[0054]
优选地，所述s6中，差分进化算法取种群数量为50，最大迭代次数取200。变异因子取0.7，交叉因子取0.5。
[0055]
本发明的优点及显著效果：
[0056]
(1)电动环控系统eecs是一个复杂的五输入四输出系统，该能效优化控制策略通过引入优化变量将其转化为双输入双输出系统。与现有技术相比，采用本方法后可以有效提升系统cop，同时降低控制系统的复杂度。
[0057]
(2)综合考虑eecs的内部因素和外部因素，将广义回归神经网络用于系统稳态cop的预测，可以大幅提升预测精度，适用于多种复杂工况。
[0058]
(3)采用差分进化算法优化广义回归神经网络输出的预测值，由于广义回归神经网络是离线训练好的，仅是一个数学模型，该方法的求解速度远快于在线优化算法，更符合工程上的实际应用。
[0059]
(4)本发明算法可实现性和可靠性高，仿真结果表明，相较于传统策略，本发明可以有效提高eecs能效。
附图说明
[0060]
图1为电动环控系统eecs原理图；
[0061]
图2为电动环控系统eecs模型图；
[0062]
图3为神经网络预测模型示意图；
[0063]
图4(a)为预测模型在训练集上的拟合精度；
[0064]
图4(b)为预测模型在测试集上的拟合精度；
[0065]
图5为给定包线内不同控制策略仿真结果。
具体实施方式
[0066]
下面结合附图对发明的技术方案进行详细说明：
[0067]
电动环控系统eecs的工作原理如图1所示。图中，m为电动机，c为压气机，f为风扇机，t1为一级涡轮，t2为二级涡轮，phx为初级换热器，shx为次级换热器，rhx为回热器，con为冷凝器，ws为水分离器。飞机在高空飞行时环境温度和压力很低，无法直接进入机舱。首先需要通过电动压气机对冲压空气进行增压，增压后的气体温度和压力升高，随后经过初级散热器冷却。为了进一步降低温度，气体接着进入空气循环机进一步调节：先由压气机增压，接着进入次级换热器继续冷却。冷却后的空气经冷凝器降温除湿后，依次进入一级、二级涡轮冷却器进行膨胀降温，最后获得的冷却空气与座舱的部分再循环空气混合后供入座舱，以满足座舱的制冷量和新鲜空气需求。系统工作状态通过电动压气机、电动风扇和多组控制阀门共同调节。电动压气机直接影响进气状态，通过调节电动压气机转速可控制系统的供气量。电动风扇和冷风道活门的作用是调节冷风道空气流量，作为系统的唯一热沉，冷风道空气直接影响了初级散热器和次级散热器的效率，因此调节冷风道流量可以间接控制供气温度。涡轮旁通活门的作用是引一股热流与二级涡轮出口的冷却空气进行掺混，从而直接对供气温度进行调控。低温限制活门的作用是使部分气流旁通一级涡轮，将冷凝器的入口温度限制在露点以上，防止冷凝器入口发生结冰冻堵。经济制冷活门一般在环境温度和湿度都很低的高空巡航工况下开启，此时不需要对空气进行冷凝和除水，且仅通过二级涡轮单级膨胀即可获得低温气流。开启经济制冷活门使系统切换为单级膨胀，可以降低系统能耗。此外，还需要对压气机出口温度进行控制，防止压气机超温导致故障，然而，在上述一一对应的控制策略下，压气机出口温度只能依靠所有执行机构共同调节，不但提升了控制的复杂度，还无法兼顾系统能效。
[0068]
本发明在eecs工作原理的基础上，提出一种飞机eecs能效优化控制策略，该策略以提升eecs能效为目标，选择将旁通活门、经济制冷活门和低限活门开度作为优化变量。在此基础上，冷风道活门开度作为控制量来满足供气温度需求，电动压气机转速作为控制量来满足供气量需求。而压气机出口温度和冷凝器入口温度的控制，仅视为优化过程中的约束。
[0069]
上述的飞机电动环控系统eecs能效优化控制策略，具体包括如下步骤：
[0070]
step1:设计系统的能效优化控制策略
[0071]
在满足座舱的制冷量和供气量的性能需求的基础上，通过改进控制策略来最大化系统cop，从而降低能耗。根据电动环控系统的部件配置、控制功能及构架需求分析，设计其优化变量、控制对象和控制量。电动环控系统的主要功能是为座舱提供维持乘客正常生命
活动所需的新鲜空气，同时平衡座舱的热载荷从而将座舱温度控制在舒适的范围内。系统的控制对象为满足系统性能的供气量以及通过制冷量和供气量折算出的供气温度。可用的执行机构包括电动压气机、冷风道活门、旁通活门、经济制冷活门和低限活门。其中，三个活门均可以调节相应节点温度最终影响供气温度。而冷风道活门改变的是冷流流量，其它活门改变的均是热流流量，为最大化系统cop，选择将旁通活门、经济制冷活门和低限活门开度作为优化变量。在此基础上，冷风道活门开度作为控制量来满足供气温度需求，电动压气机转速作为控制量来满足供气量需求。
[0072]
step2:获取cop预测模型的学习样本
[0073]
系统的稳态cop取决于系统外部条件和系统内部条件两个方面。系统外部条件包括飞行环境和座舱热载荷，系统内部条件即系统的工作状态，由优化阀门的开度。广义回归神经网络用于建立cop与这些参数间的映射关系，并预测出不同参数下系统的稳态cop。本发明通过大量仿真数据收集到4200组学习样本，系统仿真模型如图2所示，其具体做法为：按梯度设置巡航高度、飞行马赫数、座舱热载荷(环境参数)，在一组环境参数下，按梯度设置旁通活门开度、经济制冷活门开度和低限活门开度(操作参数)，通过两个pid控制器分别控制电动压气机转速和冷风道活门开度来满足座舱供气量需求和制冷量需求，记录稳态下电动压气机的出口温度和座舱供气温度作为学习样本。
[0074]
step3:构建广义回归神经网络的拓扑结构
[0075]
本发明建立的广义回归神经网络的拓扑结构如图3所示。输入层设置六个神经元，分别对应当前的巡航高度、飞行马赫数、座舱热载荷、旁通活门开度、经济制冷活门开度和低限活门开度。输入层神经元直接将输入变量传递给模式层。模式层的神经元数目为学习样本数，单个神经元的输出可描述为
[0076][0077]
其中，x＝[x1,x2,...,x6]是网络的六个输入向量，xi是第i个神经元对应的学习样本，σ为神经元宽度。
[0078]
求和层采用两种神经元进行求和计算，总数量为输出向量维数加一；第一种对模式层的所有输出直接相加，其输出sd可以描述为
[0079][0080]
第二种对模式层的输出进行加权求和，其输出sn可以描述为
[0081][0082]
其中，y
ij
是第i个输出样本中的第j个元素。
[0083]
输出层设置两个神经元，分别对应电动压气机的出口温度t
ec
和座舱的供气温度t
cab
。输出层将求和层的输出相除，即：
[0084][0085]
设座舱空气再循环流量为供气量的一半，取再循环空气经风扇的温升为4℃，则eecs的cop由下式得到：
[0086][0087]
其中，q为座舱制冷量，w为eecs的系统耗功，c
p
为空气的定压比热容，t
sa
为供气温度，t
amb
为环境温度，为供气流量。
[0088]
step4:训练广义回归神经网络模型
[0089]
将获取的4200组样本平均分为两组，其中一组作为训练集对广义回归神经网络进行训练，另一组作为测试集用于验证广义回归神经网络对于不同工况系统cop预测的准确度。
[0090]
step5:设定差分进化算法的个体和适应度函数
[0091]
差分进化算法中的每个个体代表一组阀门开度，每次迭代后的个体值被代入预测模型得到相应的预测值，经转化得到cop数值作为差分进化算法的适应度值。
[0092]
step6:设定差分进化算法参数；
[0093]
依据设计经验，一般种群数量取30-100，最大迭代次数取100-200，差分进化算法更容易收敛。本方案取种群数量为50，最大迭代次数取200。变异因子和交叉因子的选取依赖于实验经验，本方案通过多次调试最终选取变异因子为0.7，交叉因子为0.5。
[0094]
step7:根据系统性能需求和部件的工作特性对算法施加约束
[0095]
差分进化算法求得的解集需要满足以下两类条件才有实际意义：1)每一组解需要在同一制冷量和供气量条件下生成；2)每一组解要兼顾系统运行状态，阀门的开度应在0-90度内，压气机的出口温度和冷凝器的入口温度需要在正常工作范围内。
[0096]
其中对于第一类条件，由于广义回归神经网络的学习样本已经通过pid控制器处理过，神经网络相应地泛化了这个规则。因此，只需要针对第二类条件施加约束：压气机的出口温度应低于210摄氏度；冷凝器的入口温度应高于露点；阀门的开度应在0-90度内，即变量的上下界为0-90。
[0097]
step8:进行差分进化算法的迭代计算，求解最优cop对应的操作参数
[0098]
(1)初始化
[0099]
差分进化算法中的每个个体都是代表一组阀门开度的三维向量，可以描述为：初始种群可以通过从可行域中随机生成。
[0100]
x0＝x
l
+(x
u-x
l
)
·
rand(1,np)(6)
[0101]
其中，x
l
为个体取值下界，xu为个体取值上界，np为种群数量；
[0102]
(2)变异
[0103]
通过将两个独立个体加权到另一个个体上来生成变异向量，为后代群体奠定基础。变异个体可以描述为：
[0104]
v(i)＝x(r1)+f
·
(x(r2)-x(r3))；i＝1,2,...,np；r1,r2,r3∈(1,np),r1≠r2≠r3(7)
[0105]
其中，f是变异因子。
[0106]
(3)交叉
[0107]
为了增强种群的多样性，将部分变异的个体放入种群中。
[0108][0109]
其中cr为交叉因子，决定了交叉过程发生的概率。d
rand
是1到3的随机整数，确保至少有一维变量来自变异操作。
[0110]
(4)选择
[0111]
每次迭代完成后，通过计算比较个体的适应度值，选出较优的个体进行下一次迭代。重复(2)至(4)，直到达到预设的最大迭代次数，最终可以得到最优cop对应的阀门开度。
[0112][0113]
其中g为迭代次数，f为适应度函数即cop。
[0114]
以下基于仿真案例对本发明实施例的一种飞机电动环控系统智能控制方法进行更为详细的说明:
[0115]
本算例选取40kw热载荷，6-10km巡航的经典工况进行计算。图4(a)和图4(b)展示了广义回归神经网络的拟合精度，图4(a)为预测模型在训练集上的拟合结果，相应的r2为0.9877，图4(b)为预测模型在测试集上的拟合结果，相应的r2为0.9910，足见训练好的广义回归神经网络对于系统的稳态cop有足够高的预测精度。
[0116]
图5对比了同一控制目标，即40kw制冷量，400g/s供气量下，不同控制策略的系统稳态cop。包括经典区域控制策略，巡航经济制冷策略和本发明使用的能效优化控制策略。可以看到，在所有测试工况下，能效优化控制策略对应的系统cop最高。
[0117]
以上己经描述了本发明的各实施例，上述说明仅是示例性的，不限于所披露的各实施例。此外，本发明提出的能效优化控制策略，不仅适用于电动环控系统，同样适用于具有相似性质的多控制目标多执行机构复杂系统的优化控制问题，在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说，仅需要进行相应的参数修改即可应用。

技术特征：
1.一种飞机电动环控系统能效优化的控制方法，电动环控系统eecs通过额外配置一个电动机驱动的压气机压缩环境空气作为气源，直接从环境大气中引入空气，电动机驱动压气机压缩冲压空气，经过初级散热器冷却后由压气机增压，接着进入次级换热器继续冷却，冷却后的空气经冷凝器降温除湿后，依次进入一级、二级涡轮冷却器进行冷却，最后获得的冷却空气供入座舱以平衡热载荷；其特征在于：将传统的区域控制策略改变为三变量优化与双目标控制的组合，以eecs的制冷系数cop为指标，通过求解不同工况下优化变量的最优解集来最大化cop，在此基础上，通过控制器解算两个控制量的值来满足系统的性能需求；首先，建立一个广义回归神经网络模型，通过各工况下的大量离线数据训练，预测不同工况下eecs的稳态cop；随后，差分进化算法在满足部件性能约束的解空间内搜寻最优cop对应的优化变量解集；最后，通过控制器在最优的操作点下求解相应的控制量，从而实现能效优化控制；包括以下步骤：s1，设计eecs的控制方案，搭建eecs模型在满足座舱的制冷量和供气量需求的基础上，根据eecs的部件配置、控制功能及构架需求分析，设计其优化变量、控制对象和控制量，eecs的控制对象为满足eecs性能的供气量以及通过制冷量和供气量折算出的供气温度，执行机构包括电动压气机、冷风道活门、旁通活门、经济制冷活门和低限活门，其中，旁通活门、经济制冷活门和低限活门改变的均是热流流量，均能够调节相应节点温度最终影响供气温度，而冷风道活门改变的是冷流流量，为最大化eecs的cop，选择将旁通活门、经济制冷活门和低限活门开度作为优化变量，在此基础上，冷风道活门开度作为控制量来满足供气温度需求，电动压气机转速作为控制量来满足供气量需求；s2，获取cop预测模型的学习样本通过广义回归神经网络grnn预测不同环境参数和操作参数下eecs的稳态cop，grnn的输入包含巡航高度、飞行马赫数、座舱热载荷三个环境参数和旁通活门开度、经济制冷活门开度、低限活门开度三个操作参数，grnn的输出为电动压气机的出口温度和座舱的供气温度，通过大量仿真数据收集学习样本，样本的数量不少于2400组，具体做法为：按梯度设置巡航高度、飞行马赫数和座舱热载荷三个环境参数，在一组环境参数下，按梯度设置旁通活门开度、经济制冷活门开度和低限活门开度三个操作参数，通过两个pid控制器分别控制电动压气机转速和冷风道活门开度来满足座舱供气量需求和制冷量需求，记录稳态下电动压气机的出口温度和座舱供气温度作为学习样本；s3，构建广义回归神经网络grnn的拓扑结构grnn为四层网络，包括输入层、模式层、求和层和输出层，输入层设置六个神经元，分别对应当前的巡航高度、飞行马赫数、座舱热载荷、旁通活门开度、经济制冷活门开度和低限活门开度，输入层神经元直接将输入变量传递给模式层，模式层的神经元数目为学习样本数，单个神经元的输出为：其中，x＝[x1,x2,...,x6]是网络的六个输入向量，x
i
是第i个神经元对应的学习样本，σ为神经元宽度；
求和层采用两种神经元进行求和计算，总数量为输出向量维数加一；第一种对模式层的所有输出直接相加，其输出s
d
可以描述为第二种对模式层的输出进行加权求和，其输出s
n
可以描述为其中，y
ij
是第i个输出样本中的第j个元素；输出层设置两个神经元，分别对应电动压气机的出口温度t
ec
和座舱的供气温度t
cab
，输出层将求和层的输出相除，即：设座舱空气再循环流量为供气量的一半，取再循环空气经风扇的温升为4℃，则eecs的cop由下式得到：其中，q为座舱制冷量，w为eecs的系统耗功，c
p
为空气的定压比热容，t
sa
为供气温度，t
amb
为环境温度，为供气流量；s4，训练广义回归神经网络grnn模型；将s2获取的学习样本平均分为两组，其中一组作为训练集对广义回归神经网络进行训练，另一组作为测试集用于验证grnn对于不同工况系统cop预测的准确度；s5，设定差分进化算法的个体和适应度函数；差分进化算法中的每个个体代表一组阀门开度，每次迭代后的个体值被代入预测模型得到相应的预测值，经转化得到cop数值作为差分进化算法的适应度值；s6，设定差分进化算法参数差分进化算法的种群数量取30-100，最大迭代次数取100-200，变异因子和交叉因子取值根据算法收敛结果的优劣进行选取；s7，根据eecs性能需求和部件的工作特性对差分进化算法施加约束；差分进化算法求得的解集需要满足以下条件，第一类条件：每一组解需要在同一制冷量和供气量条件下生成；2)每一组解要兼顾eecs运行状态，阀门的开度应在0-90度内，压气机的出口温度和冷凝器的入口温度需要在正常工作范围内；对于第一类条件，由于grnn的学习样本已经通过pid控制器处理过，因此，只需要针对第二类条件施加约束，压气机的出口温度应低于210摄氏度；冷凝器的入口温度应高于露点；阀门的开度应在0-90度内；s8，进行差分进化算法的迭代计算，求解最优cop对应的操作参数(1)初始化差分进化算法中的每个个体都是代表一组阀门开度的三维向量，描述为：初始种群可以通过从可行域中随机生成，
x0＝x
l
+(x
u-x
l
)
·
rand(1,np)(6)其中，x
l
为个体取值下界，x
u
为个体取值上界，np为种群数量；(2)变异通过将两个独立个体加权到另一个个体上来生成变异向量，为后代群体奠定基础，变异个体描述为：v(i)＝x(r1)+f
·
(x(r2)-x(r3))；i＝1,2,...,np；r1,r2,r3∈(1,np),r1≠r2≠r3(7)其中，f是变异因子；(3)交叉为了增强种群的多样性，将部分变异的个体放入种群中：其中cr为交叉因子，d
rand
是1到3的随机整数，确保至少有一维变量来自变异操作；(4)选择每次迭代完成后，通过计算比较个体的适应度值，选出较优的个体进行下一次迭代，重复(2)至(4)，直至达到预设的最大迭代次数，最终得到最优cop对应的阀门开度：其中g为迭代次数，f为适应度函数即cop。2.根据权利要求1所述的飞机电动环控系统的能效优化控制方法，其特征在于：所述s2中，通过仿真数据收集学习样本的数量取4200组。3.根据权利要求1或2所述的飞机电动环控系统的能效优化控制方法，其特征在于：所述s6中，所述变异因子和交叉因子取值根据算法收敛结果的优劣进行选取的方法是：对算法进行十次相互独立的随机初始化试验，当每次试验结果算法均能在最大迭代次数内收敛，且在所有的收敛结果中cop的最大值与最小值的偏差小于5％时，认为变异因子和交叉因子的取值合适；否则对变异因子和交叉因子进行缩放，并重新进行十次相互独立的随机初始化试验，直至收敛结果能满足评定准则。4.根据权利要求3所述的飞机电动环控系统的能效优化控制方法，其特征在于：所述s6中，差分进化算法取种群数量为50，最大迭代次数取200，变异因子取0.7，交叉因子取0.5。

技术总结
本发明公开了一种飞机电动环控系统(EECS)能效优化的控制方法，将传统的区域控制策略改变为三变量优化与双目标控制的组合，以系统的性能系数(COP)为指标，通过求解不同工况下优化变量的最优解集来最大化COP。在此基础上，通过控制器解算两个控制量的值来满足系统的性能需求。首先，建立一个GRNN模型，通过各工况下的大量离线数据训练，使其能够准确预测不同工况下系统的稳态COP。随后，DE算法在满足部件性能约束的解空间内搜寻最优COP对应的优化变量解集。最后，通过控制器在最优的操作点下求解相应的控制量，从而实现能效优化控制。从而实现能效优化控制。从而实现能效优化控制。


技术研发人员：郑峰婴 何中泽 张镜洋 胡文超 傅杰城 金行健 朱文杰
受保护的技术使用者：南京航空航天大学
技术研发日：2022.11.14
技术公布日：2023/5/13