本发明涉及电池能量管理，具体涉及一种基于神经网络识别的自适应模糊能量管理方法及其系统。
背景技术：
1、目前，各国众多研究者对水下无人航行器（uuv）都进行了大量的研究。uuv可以自主控制，隐蔽性强、安全可靠、高效灵活。目前，广泛应用于uuv能源系统的主要有柴油机和锂电池组，但是柴油机由于机械噪声振动大、红外隐蔽性差、尾气排放受背压影响等，不利于uuv的潜伏；而锂电池虽然噪声较低、反应快速，但是锂电池的比能量较低，我们只能通过提高锂电池组的规模来提高航程，但是目前的技术难以方便的进行大规模快速充电。因此，我们使用燃料电池和锂离子混合动力系统为uuv提供动力，燃料电池具有能量转换效率高、噪音低、隐蔽性强、洁净无污染、可长时间工作等特点，由于燃料和氧化剂等活性物质都是从电池外部供给，因此，原则上只要这些原料不断输入，产物不断地排除，燃料电池就能持续发电。燃料电池航行时没有噪音，且不会放出热量，航行器在水下不易识别。目前常用固体氧化物燃料电池（sofc）和质子交换膜燃料电池（pemfc）。
2、水下智能体的实际工况复杂多变，负载的功率也随之变化，对于混合动力系统，为了根据不同工况的用电需求，合理调度柔性电池组与常规锂电池组的输出功率，使得供电能够满足负载的需求，避免电力过剩或不足的情况，提高整体的经济性，能量管理策略（ems）的重要性不言而喻。能量管理策略（ems）通常是通过人为经验设置合适的阈值，对多个动力源进行功率协调分配。然而由于阈值的设定只能是一组固定的参数，难以适应不同工况下的系统，控制性能往往无法达到最优，进而提出许多优化能量管理策略。
3、目前，常见的能量管理策略主要分为基于规则的能量管理策略和基于优化的能量管理策略。基于规则的能量管理策略分为基于确定性规则和基于模糊规则，基于确定性规则的包括功率跟随控制、混合控制策略、状态机等，基于模糊规则的包括模糊控制等；基于优化的能量管理策略分为实时优化和全局优化，实时优化包括等效燃油消耗最小算法、神经网络、模型预测控制算法等，全局优化包括动态规划、线性规划、遗传算法、粒子群算法等。对于优化型控制策略来说，需要提前预知工况，使用优化控制算法，通过求解不同约束条件下目标函数的极值来获取系统最优解，对工况的适应性不强，而且全局优化的计算时间较长；对于规则性能量管理策略，其需要依据设计人员的专业知识、数学模型或实验结果设计一组基本控制规则，基于此规则确定燃料电池和锂电池的功率分配，虽然这种方法较为可靠，但是其对工程师的经验依赖性很高。
技术实现思路
1、为了克服现有技术中的不足，本发明主要解决现有技术中模糊控制参数寻优复杂，以及等效氢耗量过多的问题。本发明提供一种基于神经网络识别的自适应模糊能量管理方法及其系统。该方法通过设定模糊规则，以及利用改进的遗传算法对模糊控制器离线寻优，在保证水下智能体性能的前提下，降低了等效氢耗量，解决了模糊控制参数寻优复杂的问题，提高水下智能体运动工况识别能量管理策略的经济性。
2、本发明第一个目的是提供一种基于神经网络识别的自适应模糊能量管理方法，用于水下智能体采用的燃料电池和动力电池的能量管理，包括：
3、获取水下智能体运动时的特征参数，并根据特征参数获取水下智能体的运动工况；获取动力电池的荷电状态；
4、根据特征参数以及运动工况获取水下智能体在该运动工况下的需求功率；
5、构建模型控制器，以水下智能体的需求功率和动力电池的荷电状态作为输入量，以燃料电池的输出功率作为输出量；
6、根据水下智能体当前运动工况的需求功率，以及动力电池的荷电状态和燃料电池的输出功率设置模糊控制器的模糊规则，并确定模糊控制器的参数；
7、采用改进的遗传算法对模糊控制器进行优化，并对当前运动工况下模糊控制器的参数进行离线寻优，获取优化后的模糊控制器；
8、根据优化后的模糊控制器对水下智能体在线实时模糊控制。
9、优选的，所述水下智能体的运动工况是按照以下步骤获取：
10、获取历史水下智能体运动时的特征参数，根据历史水下智能体运动时的特征参数确定水下智能体的多种运动工况；
11、将每种运动工况下对应的特征参数作为网络输入，将该运动工况作为网络输出，对bp神经网络进行训练，直至收敛，获取训练好的bp神经网络；
12、根据待确认的运动工况下的特征参数，经训练好的bp神经网络，获取对应的运动工况。
13、优选的，所述特征参数包括水下智能体的最高速度、平均速度和平均加速度。
14、优选的，所述运动工况包括弓形滑翔、底栖停留或扑翼机动。
15、优选的，所述水下智能体在该运动工况下的需求功率，包括：
16、根据水下智能体相关参数以及运动工况下的速度-时间曲线，获取该运动工况下的需求功率；
17、其中水下智能体相关参数包括动力电池的容量和工作电压，燃料电池的峰值功率、燃料以及氧化剂。
18、优选的，所述模型控制器是将输入量模糊化，并经模糊推理后，通过去模糊化获得输出量；
19、其中，所述模糊化和去模糊化过程均采用的是梯形隶属度函数。
20、优选的，所述模糊控制器的参数包括模糊化和去模糊化过程时，所采用梯形隶属度函数中的拐点横坐标值。
21、优选的，所述改进的遗传算法是对未改进的遗传算法中的选择概率、交叉率以及变异率进行自适应调整；
22、其中，根据进化次数和最大进化次数进行对选择概率进行自适应调整，获取自适应选择概率；
23、根据最大交叉率和最小交叉率，以及个体的最大适应度和个体的平均适应度对交叉率进行自适应调整，获取自适应交叉率；
24、根据最大变异率和最小变异率对变异率进行自适应调整，获取自适应变异率。
25、优选的，对模糊控制器进行优化时，采用燃料电池的氢耗量和动力电池的等效氢耗量之和作为优化目标函数。
26、本发明第二个目的是提供一种基于神经网络识别的自适应模糊能量管理系统，包括：
27、数据获取模块，用于获取水下智能体运动时的特征参数，并根据特征参数获取水下智能体的运动工况；获取动力电池的荷电状态；根据特征参数以及运动工况获取水下智能体在该运动工况下的需求功率；
28、模糊控制模块，用于构建模型控制器，以水下智能体的需求功率和动力电池的荷电状态作为输入量，以燃料电池的输出功率作为输出量；根据水下智能体当前运动工况的需求功率，以及动力电池的荷电状态和燃料电池的输出功率设置模糊控制器的模糊规则，并确定模糊控制器的参数；采用改进的遗传算法对模糊控制器进行优化，并对当前运动工况下模糊控制器的参数进行离线寻优，获取优化后的模糊控制器；
29、自适应管理模块，用于根据优化后的模糊控制器对水下智能体在线实时模糊控制。
30、本发明至少具有如下有益效果：
31、本发明提供了一种基于神经网络识别的自适应模糊能量管理方法及其系统，本发明通过设定模糊规则，以及利用改进的遗传算法对模糊控制器离线寻优，在保证水下智能体性能的前提下，降低了等效氢耗量，解决了模糊控制参数寻优复杂的问题，使得整个能量管理过程中的算法收敛性得到提高，保证后续结果的精确性。
32、本发明由于神经网络在解决非线性映射问题上比较好，实时性强，因此结合神经网络进行在线对运动工况的识别，可以更好地识别数据。
33、本发明提供的模糊规则是根据大量的经验设定出来的，并且隶属度函数也影响模糊控制器的精确性，传统的遗传算法使用轮盘赌法选择个体，并且交叉率和突变率固定不变，这种方法得到的结果误差较大。为了减小误差，产生新的结构个体的同时不损失进化速度，本发明采用选择概率在原方法的基础上结合迭代数进行自适应调整，并且采用自适应交叉和变异，这种方法减少了较好个体的破坏率，促进适应度高的个体的进化，进一步在保证水下智能体性能的前提下，降低了等效氢耗量，保证后续结果的准确性。
1.一种基于神经网络识别的自适应模糊能量管理方法，用于水下智能体采用的燃料电池和动力电池的能量管理，其特征在于，包括：
2.根据权利要求1所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，所述水下智能体的运动工况是按照以下步骤获取：
3.根据权利要求1所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，所述特征参数包括水下智能体的最高速度、平均速度和平均加速度。
4.根据权利要求1所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，所述运动工况包括弓形滑翔、底栖停留或扑翼机动。
5.根据权利要求1所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，所述水下智能体在该运动工况下的需求功率，包括：
6.根据权利要求1所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，所述模型控制器是将输入量模糊化，并经模糊推理后，通过去模糊化获得输出量；其中，所述模糊化和去模糊化过程均采用的是梯形隶属度函数。
7.根据权利要求6所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，所述模糊控制器的参数包括模糊化和去模糊化过程时，所采用梯形隶属度函数中的拐点横坐标值。
8.根据权利要求1所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，所述改进的遗传算法是对未改进的遗传算法中的选择概率、交叉率以及变异率进行自适应调整；
9.根据权利要求1所述的基于神经网络识别的自适应模糊能量管理方法，其特征在于，对模糊控制器进行优化时，采用燃料电池的氢耗量和动力电池的等效氢耗量之和作为优化目标函数。
10.一种基于神经网络识别的自适应模糊能量管理系统，其特征在于，包括：
