GRNN–DP–MPC 协同优化用于混合动力无人机的预测能量管理

为什么更聪明的无人机电池很重要

小型无人机正成为执行巡视输电线路、快递投送和森林巡查等任务的主力。然而有一个难以突破的限制仍然存在：飞行时间。每多一分钟的滞空时间都可能意味着更大的覆盖面积或更安全的返航。这项研究聚焦于既有太阳能又携带锂电池的混合动力无人机，提出了一个看似简单但答案复杂的问题：我们如何在太阳能和储存电力之间进行协调，使飞行器在不过度损耗电池的情况下保持更长时间的滞空？

将阳光与储能混合使用

太阳能混合无人机通过铺设在机翼上的薄型、轻量化太阳能电池板获取日照能量，而锂电池在阴影、陡升或多云天气时弥补功率缺口。作者首先构建了一个详尽的能量流动模型，描述面板如何根据太阳角度和飞行姿态将光转为电、锂电池如何在不过载的情况下充放电，以及电机、航空电子设备和有效载荷在不同飞行阶段如何消耗功率。这个闭环模型让他们可以精确追踪每一瓦特的来源与去向，为任何更智能的控制策略提供基础。

教会无人机向前“看”

当前能量策略的一个关键问题是它们往往对当前情况作出反应，而非对未来做出预测。这可能导致无人机在任务早期过度耗用电池，从而在后期陷入困境。为避免这种情况，作者采用了一类称为广义回归神经网络（GRNN）的人工神经网络，从近期的电气历史中预测飞机的短期功率需求。与逐一编码每个物理细节相比，该网络通过真实飞行数据学习模式，例如起飞时的典型功率突增或巡航时的稳定耗电。在数万条数据的测试中，这一预测器对电池电压的估计误差仅为百分之几，为控制器提供了准确的短期预测。

规划电池的最佳使用方式

向前看只是问题的一半；无人机还需要一种决策方式来分配太阳能和电池的工作。为此，研究者采用了一种在多种可能选择中搜索并挑选出在未来窗口内最小化电池使用且保证飞行安全的规划方法。该规划器偏向在有太阳能时优先使用太阳能、温和限制电池的高负荷并将荷电保持在健康范围内，以确保有足够的储备用于着陆。由于这种全局搜索可能计算量大，他们将其置于滚动控制框架中，反复求解较短且更易计算的规划问题，仅实施首个决策，然后随着新测量与预测的到来更新计划。

实时保持电池估计可信

在长时间飞行中，电流或电压测量中的微小误差会导致估算的电池荷电状态偏离真实值，这对必须避免意外耗尽的飞行器来说存在风险。因此作者在系统中加入了多层安全校验。神经网络的电压预测会持续与传感器读数比对；当差距超过小阈值时，估算的荷电会被修正。额外的校验将计算的和测得的电池功率进行比较，并在每个规划窗口结束时温和地将电池导向目标水平。这些分层的保障措施使控制器对电池状态的认识与真实状态保持紧密一致。

这对未来无人机任务意味着什么

在对一型混合固定翼–多旋翼无人机的仿真与飞行实验中，新策略在爬升与下降阶段降低了电池功率需求，并使荷电状态比基于规则的方法和近期的学习型方法更加稳定。实际效果是电池使用更节制，太阳能承担更多工作，飞行器可把有限的重量分配给更有用的有效载荷而不是过大的电池。对读者而言，结论是：快速的预测、周详的规划与持续的校正相结合，可以让太阳能混合无人机延长飞行时间并提高运行可靠性，这是实现低空常态化长续航任务的一步。

引用: 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

关键词: 太阳能混合无人机, 能量管理, 模型预测控制, 神经网络预测, 锂电池荷电状态