GRNN–DP–MPC Ko-Optimierung für prädiktives Energiemanagement in hybriden UAVs

Warum schlauere Drohnenbatterien wichtig sind

Kleine unbemannte Luftfahrzeuge werden zunehmend zu Arbeitspferden für Aufgaben wie die Inspektion von Stromleitungen, Paketlieferungen und die Überwachung von Wäldern. Doch eine hartnäckige Beschränkung bleibt: die Flugzeit. Jede zusätzliche Minute in der Luft kann mehr Fläche abdecken oder eine sicherere Rückkehr bedeuten. Diese Studie betrachtet solarbetriebene Drohnen, die zusätzlich Lithiumbatterien mitführen, und stellt eine einfache Frage mit komplizierter Antwort: Wie lässt sich Sonnen- und Speicherenergie so jonglieren, dass das Fluggerät länger in der Luft bleibt, ohne die Batterie zu überlasten?

Sonnenkraft mit gespeicherter Energie mischen

Solarhybride Drohnen gewinnen Sonnenenergie über dünne, leichte Solarzellen auf den Tragflächen, während Lithiumbatterien Leistungslücken bei Schatten, steilen Steigflügen oder bewölktem Wetter überbrücken. Die Autoren erstellen zunächst ein detailliertes Bild davon, wie Energie durch ein solches Fluggerät fließt. Sie beschreiben, wie die Paneele Sonnenlicht in Elektrizität umwandeln, abhängig von Sonnenwinkel und Fluglage, wie die Batterie geladen und entladen wird, ohne überbeansprucht zu werden, und wie Motoren, Avionik und Nutzlast in verschiedenen Flugphasen Strom ziehen. Dieses geschlossene Modell erlaubt es, genau zu verfolgen, woher jedes Watt stammt und wohin es geht und bildet das Rückgrat für jede intelligentere Steuerungsstrategie.

Der Drohne beibringen, vorauszublicken

Ein zentrales Problem heutiger Energiestrategien ist, dass sie auf den aktuellen Zustand reagieren statt auf das, was als Nächstes passiert. Das kann dazu führen, dass eine Drohne ihre Batterie früh in einer Mission gierig entlädt und später in Schwierigkeiten gerät. Um das zu vermeiden, nutzen die Autoren eine Form künstlicher neuronaler Netze, genannt Generalized Regression Neural Network (GRNN), um den kurzfristigen Leistungsbedarf des Flugzeugs aus seiner jüngsten elektrischen Historie vorherzusagen. Statt jedes physikalische Detail mühsam zu kodieren, lernt dieses Netz Muster aus realen Flugdaten, etwa typische Leistungsanstiege beim Start oder den gleichmäßigen Verbrauch beim Reiseflug. In Tests mit zehntausenden Datenpunkten schätzt dieser Prädiktor die Batteriespannung mit Fehlern von nur wenigen Prozent und liefert dem Regler damit eine genaue Kurzzeitprognose.

Die beste Nutzung der Batterie planen

Vorauszublicken ist nur die halbe Miete; die Drohne braucht auch eine Methode, um zu entscheiden, wie die Arbeit zwischen Sonne und Batterie aufgeteilt wird. Dafür nutzen die Forscher eine Planungsmethode, die viele mögliche Entscheidungen durchsucht und diejenigen auswählt, die den Batterieverbrauch über ein zukünftiges Zeitfenster minimieren, während die Flugsicherheit erhalten bleibt. Dieser Planer bevorzugt die Nutzung von Solarenergie, wenn sie verfügbar ist, begrenzt schonend die Belastung der Batterie und hält den Ladezustand in einem gesunden Bereich, sodass ausreichend Reserve für die Landung verbleibt. Weil eine solche globale Suche langsam sein kann, betten sie sie in ein rollierendes Steuerungsschema ein, das wiederholt ein kürzeres, leichter zu lösendes Planungsproblem rechnet, nur die erste Entscheidung ausführt und den Plan dann aktualisiert, sobald neue Messungen und Vorhersagen vorliegen.

Die Batterie in Echtzeit auf Kurs halten

Bei langen Flügen können winzige Fehler in Strom- oder Spannungsmessungen dazu führen, dass die geschätzte Batterieladung von der Realität abweicht, was für ein Fluggerät, das niemals unerwartet leer werden darf, gefährlich ist. Die Autoren verweben daher mehrere Sicherheitsprüfungen in ihr System. Die Spannungsprognose des neuronalen Netzes wird kontinuierlich mit Sensormessungen verglichen; wenn die Abweichung eine kleine Schwelle überschreitet, wird die geschätzte Ladung korrigiert. Weitere Prüfungen vergleichen berechnete und gemessene Batterieleistung und steuern die Batterie sanft gegen ein Zielniveau gegen Ende jedes Planungsfensters. Diese geschichteten Schutzmechanismen halten das Bild des Reglers von der Batterie eng an ihrem tatsächlichen Zustand ausgerichtet.

Was das für künftige Drohnenmissionen bedeutet

Getestet in Simulationen und Flugversuchen mit einer hybriden Flugzeug–Multirotor-Plattform, verringerte die neue Strategie den Batterieverbrauch beim Steigen und Sinken und hielt den Ladezustand stabiler als sowohl eine regelbasierte Methode als auch ein jüngerer lernbasierter Ansatz. Praktisch bedeutet das: Die Batterie wird sparsamer eingesetzt, Solarenergie übernimmt mehr Arbeit, und das Fluggerät kann mehr seiner begrenzten Masse für Nutzlast statt für überdimensionierte Batterien verwenden. Für die Leserschaft lautet die Schlussfolgerung, dass die Kombination aus schneller Vorhersage, durchdachter Planung und ständiger Korrektur solarhybriden Drohnen erlaubt, ihre Flugzeit zu verlängern und zuverlässiger zu operieren — ein Schritt hin zu routinemäßigen Langendauer-Missionen in niedriger Höhe.

Zitation: Kan, W., Chen, S., Lei, W. et al. GRNN–DP–MPC Co-optimization for predictive energy management in hybrid UAVs. Sci Rep 16, 15107 (2026). https://doi.org/10.1038/s41598-026-44118-y

Schlüsselwörter: solarhybrides UAV, Energiemanagement, modellprädiktive Regelung, Neuronales Netz Vorhersage, Lithiumbatterie SOC