高超声速飞行器多源能量动态优化管理方法研究

王小平，陈丽君，金行健，梁国梁，陈俞初，施良宇

1.航空工业金城南京机电液压工程研究中心，江苏 南京 211106

2.南京航空航天大学，江苏 南京 211106

随着飞行器向多电/全电的方向发展，高超声速飞行器对用电的需求也越来越大，这对飞行器上的电能生成系统提出了更高要求，涡轮基组合动力下的多源能量提取是亟待解决的核心技术[1-2]。涡轮基组合动力主要通过主动力进气/油气总焓提取、轴功率提取、热能提取及燃油冷㶲利用等方法实现多源电能生成，这些均会对主动力单位燃油消耗率、涡轮动力压气机稳定裕度、冲压动力进气稳定裕度、燃烧稳定性等性能产生影响，且不同能量提取方式及其参数对主动力的性能影响程度与影响机理不同[3-5]。因此加强多源能量提取对主动力性能影响机理及对多源能量优化管理方法研究，有利于促进高超声速飞行器系统技术的平衡发展，满足其更高推重比和更低的燃料消耗率的综合优化设计方法要求。

目前优化方法应用在飞行器的能量管理策略的相关成果较少，鉴于优化方法在其他混合动力系统的能量管理策略中的应用较为广泛[6]，如地铁、混合动力汽车、混合动力船舶等，可为解决高超声速飞行器的多源优化管理问题提供有效途径。杨少兵[7]等将遗传算法用于地铁能耗管理及运行图优化；李平等[8]用粒子群算法优化了多工况下混合动力汽车的燃油消耗；Cheng等[9]、陈征等[10]将进化算法用于插电式混合动力汽车的能量优化管理策略。粒子群算法适合在动态、多目标优化环境中寻优，与传统优化算法相比，计算速度更快，全局搜索能力更好，易于在工程上实现应用。高超声速飞行器的飞行参数高动态变化会引起主动力和其能量关联部件强非线性变化，这导致多源能量提取系统能效演化呈多峰值、不连续特征。因此，研究基于粒子群算法的高超声速飞行器多源能量动态优化管理方法十分必要。

本文从综合化的多源能量高效管控的角度，对高超声速飞行器主动力及多源能量提取系统进行建模，对多源能量提取系统进行能效和管理策略进行分析，以此为基础提出多源能量优化管理方法，最后验证了该方法的可行性和有效性。

1 高超声速飞行器主动力及多源能量提取系统建模

1.1 并联式涡轮基组合循环发动机模型

本文选取并联式涡轮基组合循环（TBCC）发动机作为高超声速飞行器的主动力进行建模。并联式TBCC发动机由涡轮发动机和冲压发动机并联组合而成，其并联式的双通道相对独立，因而研制难度相对较小，具有很好的工程应用前景，是国内外发展高超声速飞行器的主要动力[11-12]。图1为并联式TBCC发动机结构，针对并联式TBCC发动机的特性，对发动机的涡轮发动机、冲压发动机两个独立的通道分别进行建模[13-16]。

图1 并联式TBCC发动机结构Fig.1 Structure diagram of parallel TBCC engine

1.2 多源能量提取系统模型

如图2 所示，在涡轮发动机模式拟采用三种能量提取方式：轴功提取发电、引气发电和燃气发电。轴功提取发电从涡扇发动机的高/低压经过齿轮箱调节传动比后带动电机发电；引气发电从涡扇发动机的高压级/中间级/外涵道引出气体驱动电机发电；燃气发电在引出气体后经过燃烧室燃烧再驱动电机发电。

图2 涡轮发动机模式的多源能量提取系统Fig.2 Multi source energy extraction system for turbine engine mode

如图3 所示，在冲压发动机模式拟采用4 种能量提取方式：引气发电、燃气发电、半导体温差发电和蓄电池。引气发电、燃气发电是从冲压发动机的隔离段引出气体驱动电机；半导体温差发电即从燃烧室壁面引热，形成的温差使P、N 型热电偶产生电势差，从而给负载供电；蓄电池由化学能直接转化为电能，无须从发动机中提取能量，仅有重量造成燃油代偿。

图3 冲压发动机模式的多源能量提取系统Fig.3 Multi-source energy extraction system for ramjet engine mode

2 多源能量提取能效分析及优化管理策略

2.1 多源能量提取对发动机能效影响机理

本文以单位推力下燃油消耗率的变化（ΔSFC）为评价指标，其中ΔSFC 为多源能量提取前后单位推力燃油消耗率的差值。数值仿真对比了宽域飞行包线内多源能量提取对发动机的性能影响。

表1 为涡轮发动机模式仿真工况。从图4 可以得出，随着飞行高度、马赫数的上升，轴功提取发电、燃气发电、引气发电依次为最适用的能量提取方式；对于轴功提取发电，随着高压轴转速的降低，适用的提取部位从高压轴变化至低压轴；对于引气发电和燃气发电，随着冲压空气能量的增大，适用的提取部位的变化趋势为从高压级至中间级、外涵道。

图4 涡轮发动机模式多源能量提取的ΔSFC对比Fig.4 ΔSFC comparison of multi-source energy extraction in turbine engine mode

表1 涡轮发动机模式多源能量提取能效分析工况Table 1 Energy efficiency analysis of multi-source energy extraction in turbine engine mode

表2为冲压发动机模式仿真工况。从图5可以得出，在H>21km，Ma>4时，适用的能量提取方式由引气发电变为半导体温差发电。由于此时空气涡轮的效率过低，引气发电不再适用，而半导体温差发电的效率随温差增大而升高，此时半导体温差发电的燃油经济性优于引气发电。

图5 冲压发动机模式多源能量提取的ΔSFC对比Fig.5 ΔSFC comparison of multi-source energy extraction in ramjet engine mode

表2 冲压发动机模式多源能量提取能效分析工况Table 2 Energy efficiency analysis of multi-source energy extraction in ramjet engine mode

2.2 多源能量优化管理策略

根据多源能量提取的能效分析可以得出，随着飞行状态改变，多源能量提取系统的燃油消耗会随着提取方式不同而改变，故在飞行包线内需要进行多源能量优化管理以获得最优的燃油经济性。

本文拟采用瞬时能量优化控制策略的方法实现系统的能效优化。如图6 所示，该方法根据当前飞行状态判断系统的工作模式，分析系统的能量形式，自动选择适用的能量提取方式进行多源能量提取，在保证主发稳定裕度的基础上，以每个时刻的总燃油量作为目标进行寻优，保证每个时刻的燃油消耗最小，实现宽域飞行包线内多源能量提取的能量利用率最高。

图6 瞬时能量优化策略Fig.6 Multi source instantaneous energy efficiency optimization strategy

综上所述，高超声速飞行器多源能量优化分配目标函数F描述如下

式中：Wfturbine、Wframjet分别为涡轮发动机模式、冲压发动机模式的燃油量；P1,1、P1,2为涡轮发动机模式高压轴、低压轴轴功提取发电的输出功率；P2,1、P2,2、P2,3为涡轮发动机模式高压级、中间级、外涵道引气发电的输出功率；P3,1、P3,2、P3,3为涡轮发动机模式高压级、中间级、外涵道燃气发电的输出功率；P4、P5、P6、P7为冲压发动机模式引气发电、燃气发电、半导体温差发电、蓄电池的输出功率。约束如下

式中：SMturbine和SMramjet为涡轮发动机模式、冲压发动机模式的稳定裕度限制；SMhpc、SMlpc、SMinlet为高压压气机、低压压气机、进气道的稳定裕度；Pdemand1、Pdemand2为涡轮发动机模式、冲压发动机模式的负载功率需求。

3 基于改进粒子群算法的多源能量优化管理方法

3.1 改进粒子群算法

粒子群算法本质是一种随机搜索算法，通过适应度值来评价个体的优劣程度和进行一定的随机搜索。该算法中惯性权重w对粒子群算法的性能至关重要，它负责平衡粒子群的全局搜索能力和局部搜索能力：w较大，则全局收敛能力较强，局部收敛能力较弱；w较小，则局部收敛能力较强，全局收敛能力较弱。

因此，可在算法搜索过程中对惯性权重w进行自适应动态变化：计算整个粒子群适应度值的平均值，并与当前粒子的适应度值相比较，以判断当前适应度值的优劣性。个体适应值较好的粒子对当前最优解临近区域做局部细致搜寻，个体适应值差的粒子会以较大步长搜寻。本文自适应惯性权重w更新公式如下：

式中：wmax、wmin为惯性权重的最大值、最小值，fi为当前粒子的适应值，fav、fmin分别为当前整个粒子群适应值的平均值和最小值。此更新方法把惯性权重的变化与粒子的位置状态信息关联起来，以更加精确地调整惯性权重，进而保证了整个群体解的多样性，减少了算法陷入局部极值的概率，提高了粒子群算法的收敛性。

在多源能量优化管理过程中，可将多源能量提取的输出功率视为粒子，将系统的总燃油消耗视为适应度值，多源能量优化流程如图7所示。

图7 改进粒子群算法优化流程Fig.7 Multi source energy optimization process based on PSO

3.2 多源瞬时能量优化仿真验证

对于高超声速发动机主动力及多源能量提取模型，在宽域飞行包线内验证基于粒子群算法的高超声速飞行器多源能量优化管理方法的有效性。粒子群优化算法参数见表3。

表3 粒子群优化算法参数Table 3 Parameters of PSO algorithm

如图8 所示，在涡轮发动机模式经过多源瞬时能量优化后，多源能量提取系统ΔSFC都低于优化前。其中，前25个工况ΔSFC 微量减小，即多源能量提取的燃油消耗可优化空间较小；后17个工况ΔSFC减小幅度较大，即优化后燃油消耗有明显下降。

图8 涡轮发动机模式多源瞬时能量优化后ΔSFC的对比Fig.8 Comparison between ΔSFC after multi-source instantaneous energy optimization in turbine engine mode

从图9 中可以得出，由于轴功提取发电对发动机能效影响规律近似线性，所以在前25 个工况中，轴功提取的输出功率占主要比例，可优化的空间较小，降低的燃油量占总燃油量的0.006%～0.048%；而引气/燃气发电在一定提取量下可以提高压气机的效率，其提取量和ΔSFC 呈较强的非线性关系，因此在后17 个工况中，引气/燃气发电的输出功率占主要比例，经过瞬时能量优化后燃油量减小幅度较大，降低的燃油量占总燃油量的0.071%～0.307%。在涡轮发动机模式飞行包线内，优化后平均降低的燃油量占总燃油量的0.0948%。

图9 涡轮发动机模式多源瞬时能量优化后减小的燃油量占总燃油量的比例Fig.9 Ratio of reduced fuel quantity to total fuel quantity after multi-source instantaneous energy optimization in turbine engine mode

如图10所示，在冲压发动机模式经过多源瞬时能量优化后，多源能量提取系统ΔSFC都低于优化前，且随着飞行高度、马赫数的升高，ΔSFC减少的幅度在变小。

图10 冲压发动机模式多源瞬时能量优化后ΔSFC的对比Fig.10 Comparison between ΔSFC after multi-source instantaneous energy optimization in ramjet engine mode

从图11 中可以得出，在冲压发动机模式，由于蓄电池对发动机的影响仅表现为重量造成的燃油代偿损失，因此蓄电池输出部分功率可以较好地弥补引气发电、半导体温差发电造成的功率代偿，经过能量优化后在降低的燃油量占总燃油量的0.082%～0.165%。在冲压发动机模式飞行包线内，优化后平均降低的燃油量占总燃油量的0.1229%。

图11 冲压发动机模式多源瞬时能量优化后减小的燃油量占总燃油量的比例Fig.11 Ratio of reduced fuel quantity to total fuel quantity after multi-source instantaneous energy optimization in ramjet engine mode

4 结论

本文首先对高超声速飞行器的主动力及多源能量提取系统进行建模，再分析多源能量提取对发动机的性能影响机理和多源能量优化管理策略，最后提出一种基于改进粒子群算法的高超声速飞行器宽域多源能量动态优化管理方法，并对其进行数值仿真验证，实现了在宽域飞行包线内对高超声速飞行器的能效管控，有效减少了系统油耗。主要结论如下：

（1）本文提出了一种自适应惯性权重修正方法来改进粒子群算法，减少算法陷入局部极值的概率，可适应多源能量提取系统的强非线性变化，提升系统优化效果。

（2）经过仿真验证，多源能量优化管理后平均降低的燃油量在涡轮发动机模式占总燃油量的0.0948%，在冲压发动机模式占总燃油量的0.1229%。