本发明涉及一种混合动力无人机需求功率预测方法，特别涉及一种基于元学习的混动无人机多任务需求功率预测方法，属于无人机能量管理。
背景技术：
1、为了应对能源短缺和全球变暖等危机，发展新能源推进技术，降低化石能源消耗并保证运载装备续航能力，是各国推进节能减排事业的核心。全球航空运输领域的碳排量已接近总排量的2.5％，面对未来无人机的大量应用，比如长途物流运输、灾难搜救与环境监测等，低碳环保也是无人机发展过程中必须考虑的问题。
2、以内燃机与锂离子电池组合的混合动力推进技术保证了飞行器在多种工况下的长航时需求，同时降低了排放、能够储存多余能量、提高反应速度，必要时能够实现静音飞行与紧急降落，受到了广泛关注。因此，设计合适的能量管理策略是发挥混合动力技术动力特性与经济价值的关键。
3、提高预测功率的准确度是提升能量管理策略性能的关键，现有需求功率预测通常采用特定任务环境进行训练，所以只能适应某些典型任务。飞行器的飞行任务十分复杂，操作自由度多样，当应用这些常规的任务预测方法预测陌生任务时，无法快速学习新任务特征，导致能量管理方法节能优化效果受限，且浪费时间和计算资源。
技术实现思路
1、针对上述本领域中所存在的技术问题，本发明主要目的是提供一种基于元学习的混动无人机多任务需求功率预测方法，利用元学习混动无人机多任务状态信息预测模型在多个飞行任务上学习普遍适用的元知识，提高混动无人机多任务状态信息预测模型的泛化性，从而使预测模型能够在新任务上快速收敛，结合需求功率计算模型，达到混动无人机多任务需求功率精准预测的目的。
2、本发明的目的是通过下述技术方案实现的。
3、本发明公开的一种基于元学习的混动无人机多任务需求功率预测方法，包括如下步骤：
4、步骤一、提取无人机在历史飞行数据库中的状态信息，包括无人机的飞行速度、飞行加速度、飞行攻角、升降舵偏转角度和无人机所处位置的海拔高度，上述数据称为原始数据；将原始数据进行归一化处理，避免不同量纲对预测效果的影响，归一化后的数据称为归一化数据。
5、步骤二、建立无人机工况分类模型，对无人机当前工况进行分类，将分类结果作为元学习混动无人机多任务状态信息预测模型的输入变量，提高元学习混动无人机多任务状态信息预测模型对混动无人机多任务状态信息的预测精度。
6、s21、对步骤一中影响无人机工况的归一化数据进行统计学特性计算，包括飞行速度、飞行加速度、飞行攻角、升降舵偏转角度，得到工况特征参数；
7、表1飞行工况特征参数
8、
9、s22、对步骤s21得到的飞行工况特征参数进行主成分分析，通过主成分分析法对工况特征参数进行降维，筛选出能够覆盖大部分特征的主成分，命名为特征主成分，采用累计贡献度来筛选覆盖大部分特征的主成分；
10、s23、使用聚类方法对特征主成分进行聚类计算，将工况特征设置为n类，根据聚类结果对特征主成分数据进行标记，称为标记数据；
11、s24、将s23得到的标记数据分为训练集和测试集，使用分类算法在训练集上进行有监督学习，并使用测试集测试分类效果，得到无人机工况分类，并将无人机工况分类结果作为元学习混动无人机多任务状态信息预测模型的输入变量。
12、步骤三、建立混动无人机的需求功率模型，选取其中未知的时序变量作为元学习混动无人机多任务状态信息预测模型的输入变量和输出变量。
13、s31、建立无人机需求功率模型，计算需求功率：
14、
15、式中d为飞行阻力，ρ为空气密度，v为飞行速度，cd为阻力系数，a为无人机参考面积，pd为需求功率；
16、s32、步骤s31建立的无人机需求功率模型中空气密度ρ可根据标准大气模型和当前海拔ht进行计算，当前海拔ht由预定飞行任务决定，阻力系数cd为和攻角有关的函数，由攻角与实验获得的数据进行插值计算，其中飞行速度和攻角为未知的时序变量，选择飞行速度和攻角作为元学习混动无人机多任务状态信息预测模型的输入变量和输出变量。
17、步骤四、在步骤一所获取的状态信息中提取多种环境类型的飞行任务下的状态信息，在不同飞行任务中分别抽取相同且足够时长的数据集作为用于后续步骤五、六训练混动无人机多任务状态信息预测元学习模型的多任务数据集，数据集均为时序数据集。
18、步骤五、建立混动无人机多任务状态信息预测元学习模型的基模型，该基模型采用双向长短时记忆网络bi-lstm预测混动无人机的未来状态信息。
19、s51、将步骤四中获得的多任务数据集按照预定比例分为训练集和验证集，建立基模型数据集；
20、s52、加载数据集，将步骤s51中所获取的基模型数据集用来训练网络，其中，输入为过去hh个时刻的飞行速度vt-hh+1,…,vt和飞行攻角αt-hh+1,…,αt、当前时刻t的飞行加速度αt和飞行工况类别typet和未来hp个时刻的海拔高度ht+1,…,ht+hp，输出为未来hp个时刻的飞行速度vt+1,…,vt+hp和飞行攻角αt+1,…,αt+hp，表示如下：
21、
22、s53、构建bi-lstm神经网络预测模型，bi-lstm由两层长短时记忆网络lstm网络层组成，正向lstm层利用过去较长时间的信息对未来进行预测，逆向lstm层将未来信息的影响反向传播，两层信息结合得到预测信息，lstm层由输入门、遗忘门、输出门和记忆单元组成；
23、s54、用均方误差mse作为损失函数，量化bi-lstm神经网络预测模型在训练过程中的性能；
24、s55、通过步骤s54得到的bi-lstm神经网络预测模型，预测未来hp个时刻的飞行速度和飞行攻角，根据训练结果调整bi-lstm神经网络预测模型的网络结构，选择调整网络结构后的bi-lstm神经网络预测模型，作为混动无人机多任务状态信息预测元学习模型的基模型。
25、步骤六、基于模型无关元学习方法maml构建包含步骤五所得到的基模型的混动无人机多任务状态信息预测元学习模型mlm，使用多任务数据集对元学习模型mlm进行训练，得到训练好的混动无人机多任务状态信息预测元学习模型mlm，maml算法具有内循环基模型和外循环元学习模型两部分的梯度更新。
26、s61、建立元学习模型数据集，将步骤四中获得的多任务数据集按照预定比例分为训练集、验证集和测试集，分别用于模型训练，模型超参数调整和性能测试；在每个子任务中，按照预定比例将子任务数据集分为支持集和查询集；
27、s62、基于模型无关元学习方法maml构建包含步骤五所得到的基模型的混动无人机多任务状态信息预测元学习模型mlm，将元学习模型数据集的训练集中的不同训练任务依次输入到元学习模型mlm中，当任务taskp输入到模型中时，外循环元学习模型mlm参数θp克隆到步骤五构建的内循环基模型中，记为参数θp；
28、s63、选用均方误差mse作为基模型的损失函数，记为
29、s64、使用训练任务中支持集的数据计算基模型损失函数，并进行梯度下降，反向传播更新模型参数，得到
30、s65、使用训练任务中查询集的数据计算参数更新的基模型的损失函数，并进行梯度下降，获取梯度gp；
31、s66、更新外循环元学习模型mlm参数，更新过程如下：
32、θp+1＝θp-v·gp (3)
33、式中θp+1为更新后的外循环元学习模型mlm参数，ν为元学习模型mlm的学习率；将更新后的元模型mlm参数克隆到基模型中，重复步骤s63到s66，进行下一个任务taskp+1的训练，直至训练集中每个任务都参与一次训练；
34、s67、经过每个任务的训练后，即一次训练周期后，得到一个训练好的元学习模型mlm参数，实现元学习模型mlm的参数更新，其参数更新公式为：
35、
36、式中θ0为外循环元学习模型mlm初始参数，θ为训练结束后的模型参数；
37、s68、将元学习模型数据集的验证集中不同任务输入到混动无人机多任务状态信息预测元学习模型mlm中，评估元学习模型mlm泛化能力，直至元学习模型mlm满足预设的泛化能力要求；评估过程同步骤s64和s65，当验证集中所有任务都参与训练后，计算所有训练任务中查询集的损失函数的平均值，判断元学习模型mlm精度是否符合要求，如果符合要求，将步骤s67得到的元学习模型mlm参数θ作为最终的元学习模型mlm参数，输出为θval，如果不符合要求，调整基模型超参数，重复步骤s61到s68；
38、s69、将元学习模型数据集的测试集中不同任务输入到步骤s68中得到的元学习模型mlm进行精度检测，并将元学习模型mlm与相同网络结构的bi-lstm神经网络预测模型进行对比，直至得到训练好的混动无人机多任务状态信息预测元学习模型mlm。
39、步骤七、利用步骤六训练好的混动无人机多任务状态信息预测元学习模型mlm，预测混动无人机未来状态信息并计算需求功率，直至飞行任务结束。
40、s71、当无人机进入陌生环境执行任务时，采集并储存状态信息数据，同步骤s64到s66对状态信息预测元学习模型mlm进行在线更新，得到该任务环境下的预测模型，预测混动无人机未来状态信息：
41、
42、式中fmlm为在线更新后的元学习预测模型mlm；
43、s72、利用步骤三建立的混动无人机的需求功率模型和步骤s71预测的混动无人机未来状态信息，计算需求功率；
44、s73、重复步骤s71到s72，实现适应多任务的混动无人机需求功率预测，直至飞行任务结束。
45、有益效果：
46、1、本发明公开的一种基于元学习的混动无人机多任务需求功率预测方法，基于模型无关元学习方法maml构建混动无人机多任务状态信息预测元学习模型mlm，多任务预测的泛化性能相比同样结构的神经网络预测模型更强，面对多种陌生的复杂场景，能够快速收敛准确预测，消耗的计算时间与计算资源更少，结合需求功率模型计算需求功率使能量管理策略能够有效执行。
47、2、相比bp、rnn和lstm等模型，本发明公开的一种基于元学习的混动无人机多任务需求功率预测方法，使用bi-lstm神经网络预测模型作为元学习基模型，能够有效利用未来和历史时序信息，预测精度更高并且模型的过拟合风险更小，更适合无人机复杂的多任务状态信息预测。
48、3、本发明公开的一种基于元学习的混动无人机多任务需求功率预测方法，建立无人机飞行工况分类模型对无人机所处工况进行分类，并将分类结果作为元学习混动无人机多任务状态信息预测模型的输入变量，工况信息对于无人机未来状态有关键性影响，加入工况信息的多特征输入相比单类型的状态量，多任务预测精度更高，从而使计算得到的需求功率更加准确。
49、4、针对无人机飞行工况复杂的特点，本发明公开的一种基于元学习的混动无人机多任务需求功率预测方法，通过提取无人机在历史飞行数据库中不同飞行任务下的状态信息，包括无人机的飞行速度、飞行加速度、飞行攻角、升降舵偏转角度和无人机所处位置的海拔高度，构建多工况任务数据集，进而保证多任务数据集的有效性，提升多任务数据集训练混动无人机多任务预测元学习模型mlm对无人机复杂场景的适应性。
1.一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤二实现方法为，
3.如权利要求2所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤三实现方法为，
4.如权利要求3所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤五实现方法为，
5.如权利要求4所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤六实现方法为，
6.如权利要求5所述的一种基于元学习的混动无人机多任务需求功率预测方法，其特征在于：步骤七实现方法为，
