基于平流层风场预测的浮空器轨迹控制

(整期优先)网络出版时间:2021-05-25
/ 2

基于平流层风场预测的浮空器轨迹控制

李磊

中国电子科技集团公司第三十八研究所 , 安徽省合肥市 230031

要:本文结合我国某地区2005年-2010年风场数据为例,首先采取正交分解法(POD)对风场数据进行降价处理,随后以基于BP神经网络算法预测平流层风场,最后结合其临近的空间浮空器的动力学模型和控制模型,分析BP神经网络风场预测模型对于浮空器轨迹控制的影响,进而为浮空器飞行轨迹控制提供相关参考。

关键词:平流层;风场预测;浮空器轨迹;控制措施

言:

本文所指出的临近空间是介于航空与航天区域之间,并且还没有被人们开发和利用的大气层,其在空间底部的临近区域平流层具备气流稳定和空气流速慢等特点,其底部存在准零风层,高度一般为17-22km大气层内存在的一个上下层纬向风风向相反的层次,全层次风速平均为小于10m/s的区域。而浮空器属于一种人造低动态空间飞行器,一般飞行高度在海拔20-30km之间,其上部携带光学、微博等遥感载荷和无线通信载荷,可以实现对特定区域的长期、全天候和实时以及高分辨率对地观测和高速移动通信,可以为空天预警、战场侦察和实时监视等多种需求提供最新的技术支持。而将浮空器应用到平流层的风场预测当中,主要是通过对浮空器的控制将其送入到不同的风层,结合相对应风层的风场来使浮空器向着所期望的方向和速度进行飞行,在理论上能够以最小的能源和动力来实现区域主流,进而实现对平流层风场进行预测。

  1. POD方法的风场降价模型分析

本文所选用的POD方法,其可对风场数据进行降价处理,在风场模型建立中,设计海拔为60acb7a03ecb7_html_cfa05ea2c46a4d29.gif ,由此得到公式

60acb7a03ecb7_html_db578a79c1cc8364.gifT

(1)。该公式中V表示风速,假设风场的模型统计天数为Md,那么则有60acb7a03ecb7_html_98e8e5f9fa3c5e78.gif ,一般60acb7a03ecb7_html_b55054c4f7f6982b.gif 。结合该公式和式中各项字母的表达含义,可定义相关矩阵:60acb7a03ecb7_html_a83486d9c2f533cd.gif (2)。则60acb7a03ecb7_html_4e4228dcc886199a.gif ,很显然可以理解为R是实对称的正定矩阵,因此可将其分解为60acb7a03ecb7_html_de51f8174a345b5f.gif (3)[1]。该公式中∧表示L个由大到小排列的特征值,表示为(60acb7a03ecb7_html_e0fa04594b009060.gif12>...>λL)组成的对角阵,而D则表示为L个列为互相正交的特征向量dL60acb7a03ecb7_html_226d5cb31d7c9c57.gif ),其属于L维向量的一组基,被称为最优POD基,也被称为POD模态。

以本文所采取的2005年-2010年每天零点所观察和测量风场数据分析,数据中包含该风场零时的风速、湿度和温度以及气压与气象等要素,数据覆盖的高度为0-60km,每隔0.5km所对应的天气数据。而结合空间低动态飞行器驻空期间的高度范围分析,本文主要针对于10-30km的海拔高度范围进行分析[3]

  1. 在识别数据降价处理所需要的模态数量中分布着相对模态能量,其东西方向风场各阶POD模态相对模态能量。其中前5中模态能力所占据的比例明显高于其他地区。其显示出前6阶的POD模态可以对东西方向风场的总特征值捕获99.24%左右。

  2. 而针对于南北风场的相对模态能量分布除了第1阶POD模态之外,其余的模态能量也呈现出逐渐下降的趋势,如果只选择前五种模态来实施降价处理,则难以表达出该风场的主要特征,因此在南北方向其不可根据东西方向一样来进行降价处理。

2、基于BP神经网络的风场短期预测模型

其实除BP神经网络的预测方法之外还有Fourier预测模型,但是在相关实验中表示该模型的精准度不高,因此在对风场的数据进行POD降价处理之后,可采用BP神经网络进行建模,保障数据的精准度。

一般的BP神经网络主要分为前馈网或者感知器,分别为3层,输入层、中间层和输出层。主要的特点在于:各个层次的神经元只与其相邻层次的神经元相互连接,而同一层次的神经元互相之间并没有建立连接,并且各个层次的神经元也不建立反馈连接,因此该系统的前馈型网络层次分明[4]。而BP算法主要是将一组输入和输出的问题转化为一种非线性的映射问题,并且结合梯度的下降算法来迭代求解权值。而为了预测该地区风场,结合POD对2010年10月份之前的风场数据进行降价处理,得到相对应的投影系数,分别是以南北和东西方向第一阶POD模型的投影系数变化为例,结合BP神经网络算法来对其系数的变化进行预测,具体表示如图5所示[5]

60acb7a03ecb7_html_12637cf1cf34633d.png

东西方向

60acb7a03ecb7_html_22ba7f2778621600.png

南北方向

5:基于BP神经网络预测系数和结果分析(时间/d

语:

综上所述,本文基于POD降价处理的方式以BP神经网络预测方法来对该地区平流层风场进行预测分析,其具备预测误差范围波动小、数据精确度高等特点,可以更好的为浮空器飞行轨迹的控制提供重要的参考。

参考文献:

[1]李魁,邓小龙 杨希祥,等.基于平流层风场预测的浮空器轨迹控制[J].北京航空航天大学学报,2019,045(005):1008-1018.

[2]邓小龙,杨希祥,麻震宇,等.基于风场环境利用的平流层浮空器区域驻留关键问题研究进展[J].航空学报,2019,040(008):18-31.

[3]邓小龙,丛伟轩,李魁,等.风场综合利用的新型平流层浮空器轨迹设计[J].宇航学报,2019,40(007):748-757.

[4]邓小龙,杨希祥,麻震宇,等.一种长航时平流层浮空器系统及其发电方法:,CN109649629A[P].2019.

[5]秦利宇,戴秋敏.平流层浮空器的现状和技术趋势[J].科技创新与应用,2020,000(001):156-157.