衛(wèi)星在陰影區(qū)運(yùn)行時(shí)需要蓄電池提供能源,而鋰離子電池由于能量密度大、自放電率低、循環(huán)壽命長的優(yōu)點(diǎn)逐漸成為多數(shù)衛(wèi)星的選擇。衛(wèi)星蓄電池在外太空工作時(shí),容量會隨著循環(huán)次數(shù)的增多而逐漸下降。針對這種健康狀態(tài)（State of Health,SOH）退化的問題,提出一種基于粒子群算法（Particle Swarm Optimization,PSO）的上下邊界估計(jì)（Lower Upper Bound Estimation,LUBE）神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型,將放電過程中的截止電壓、樣本熵和工作溫度作為神經(jīng)網(wǎng)絡(luò)模型輸入,電池SOH作為神經(jīng)網(wǎng)絡(luò)模型輸出。在提高預(yù)測區(qū)間覆蓋率（Prediction Intervals Coverage Probability,PICP）的同時(shí)減少預(yù)測區(qū)間寬度（Normalized Mean Prediction Intervals Width,NMPIW）,構(gòu)建了集成指標(biāo)（Coverage Width-based Criterion,CWC）�；谠撝笜�(biāo)函數(shù)的不可微性,采用PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)模型使CWC盡可能地降低以兼顧PICP和NMPIW指標(biāo)的最優(yōu)。采用NASA的18號電池... 

【文章來源】：無線電工程. 2020,50(04)

【文章頁數(shù)】：9 頁

【部分圖文】：

健康狀態(tài)區(qū)間預(yù)測方法流程

從遙測數(shù)據(jù)中提取與SOH相關(guān)的退化特征參數(shù)。蓄電池放電過程中，放電電壓隨著放電過程逐漸下降，放電結(jié)束時(shí)所對應(yīng)的最低電壓即為放電截止電壓，如圖2所示。隨著蓄電池循環(huán)放電次數(shù)的增多，蓄電池性能下降，電池自滿電狀態(tài)開始放出同一電量后的放電截止電壓會逐漸下降，能夠很好地表征蓄電池SOH的退化過程，因此本文采用放電截止電壓作為分析電池性能的特征量之一。但僅僅采用放電截止電壓作為神經(jīng)網(wǎng)絡(luò)模型輸入，對鋰離子蓄電池退化過程中的容量恢復(fù)效應(yīng)等局部波動不敏感，因此在從放電電壓數(shù)據(jù)中進(jìn)一步提取樣本熵。由于樣本熵是一種量化時(shí)間序列波動的規(guī)律性和不可預(yù)測性的非線性動力學(xué)參數(shù)，能夠很好地捕捉鋰離子蓄電池SOH的局部變化[24-25]:對于有N個(gè)數(shù)據(jù)組成的時(shí)間序列{x(n)}=x(1),x(2),...,x(N)，計(jì)算步驟如下[26]:

現(xiàn)有的直接區(qū)間預(yù)測方法中，LUBE神經(jīng)網(wǎng)絡(luò)是較為經(jīng)典和常用的，其結(jié)構(gòu)如圖3所示，是對變量在未來一段時(shí)間的波動范圍進(jìn)行預(yù)測，在本文中即對鋰離子蓄電池SOH一個(gè)上下界范圍的估計(jì)。這個(gè)上下界的估計(jì)范圍組成的預(yù)測區(qū)間由下限Li和上限Ui組成，其中預(yù)測結(jié)果yi以一定概率存在于預(yù)測區(qū)間，在這個(gè)區(qū)間的可能性稱為置信水平。通常采用區(qū)間覆蓋率(Prediction Intervals Coverage Probability,PICP)和區(qū)間寬度(Normalized Mean Prediction Intervals Width,NMPIW)來衡量預(yù)測區(qū)間的質(zhì)量[27]。區(qū)間覆蓋率PICP是通過計(jì)算有多少個(gè)真實(shí)值位于預(yù)測區(qū)間內(nèi)來衡量的，其定義如下，當(dāng)真實(shí)值落在預(yù)測區(qū)間內(nèi)時(shí)，Ci為1，否則Ci為0。

【參考文獻(xiàn)】：
期刊論文
[1]一種基于聚類的衛(wèi)星太陽電池陣衰減估計(jì)方法[J]. 曹孟達(dá),張濤,李訓(xùn)嘉,劉亞杰.  無線電工程. 2019(05)
[2]基于GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)蓄電池健康狀態(tài)評估[J]. 鄧偉鋒,李振璧.  電測與儀表. 2018(21)
[3]基于貪婪策略的靈巧衛(wèi)星啟發(fā)式任務(wù)規(guī)劃算法[J]. 徐崇彥,何川東,鄒冬冬.  無線電工程. 2018(10)
[4]基于混合算法的電池健康狀態(tài)估計(jì)[J]. 申江衛(wèi),蘇曉波,王澤林,劉驥鵬.  電源技術(shù). 2018(06)
[5]基于粒子濾波算法的鋰離子電池剩余壽命預(yù)測方法研究[J]. 張凝,徐皚冬,王鍇,韓曉佳,Seung Ho Hong.  高技術(shù)通訊. 2017(08)
[6]航天器遙測數(shù)據(jù)異常檢測綜述[J]. 彭喜元,龐景月,彭宇,劉大同.  儀器儀表學(xué)報(bào). 2016(09)
[7]基于粒子群算法的雷達(dá)網(wǎng)優(yōu)化部署方法研究[J]. 鄭貴文,蔣奎.  無線電工程. 2016(01)
[8]基于粒子群優(yōu)化的核極限學(xué)習(xí)機(jī)模型的風(fēng)電功率區(qū)間預(yù)測方法[J]. 楊錫運(yùn),關(guān)文淵,劉玉奇,肖運(yùn)啟.  中國電機(jī)工程學(xué)報(bào). 2015(S1)
[9]鋰離子電池健康評估和壽命預(yù)測綜述[J]. 劉大同,周建寶,郭力萌,彭宇.  儀器儀表學(xué)報(bào). 2015(01)
[10]粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)電動汽車SOC估算方法[J]. 王業(yè)琴,劉一星.  電源技術(shù). 2013(05)

碩士論文
[1]基于GSO-ELM的鋰離子電池剩余壽命間接預(yù)測方法研究[D]. 吳婧睿.大連海事大學(xué) 2017
[2]空間電源系統(tǒng)仿真及鋰離子電池剩余壽命預(yù)測研究[D]. 閆曉華.哈爾濱工業(yè)大學(xué) 2015
[3]基于粒子濾波的鋰離子電池剩余壽命預(yù)測方法研究[D]. 羅悅.哈爾濱工業(yè)大學(xué) 2012



本文編號：3029433