[發明專利]基于時間序列分析原理的衛星鋰電池電壓預測方法

有效

• 申請號: 202010718770.5
• 申請日: 2020-07-23
• 公開（公告）號: CN111815069B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 李偉宸;張登峰
• 申請（專利權）人: 南京理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06Q10/06;H01M10/052;G06N3/04;G06N3/08
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱沉雁

本發明公開了一種基于時間序列分析原理的衛星鋰電池電壓預測方法，采集衛星鋰電池在軌工作時全壽命周期的電壓數據，并對采集到的數據進行預處理，根據時間序列分析原理，將預處理后的數據重新構建成兩組不同長度的電壓序列集，分別作為循環神經網絡的輸入集和輸出集。根據序列長度確定神經網絡的結構，訓練神經網并利用學習率衰減算法優化神經網絡訓練過程中的學習率；將優化設計得到的循環神經網絡模型設置為衛星鋰電池的電壓預測模型，實現衛星鋰電池電壓的在線預測。本發明能夠高精度預測衛星鋰電池的電壓，為衛星鋰電池的故障診斷提供量化依據。

技術領域

本發明屬于衛星鋰電池故障診斷技術，具體涉及一種基于時間序列分析原理的衛星鋰電池電壓預測方法。

背景技術

鋰電池受益于其較輕的質量、較低的放電率和長使用壽命等優勢，已經成為我國第三代衛星電源系統的主要儲能元件。但是，在實際使用過程，鋰電池內部存在著一些不可逆的電化學反應，引起鋰電池的性能下降和失效，甚至引發安全事故。電壓值是診斷衛星鋰電池工作狀態是否正常的主要指標。然而現有的方法往往是在實時測量獲取衛星鋰電池在軌工作時的電壓值后，對實時測得的數據與歷史數據做聚類分析，模糊地診斷衛星鋰電池的工作狀態。這種方法難以確保診斷的質量和可靠性。因此，需要提出一種電壓的趨勢預測方案，通過過去一段時間直至當前時刻的電壓值，預測未來一段時間內的電壓值。將實際值與預測值做殘差分析，為衛星鋰電池的故障診斷提供量化依據。

衛星鋰電池的電壓預測問題可以看作一個時間序列的分析與預測問題。神經網絡作為一種應用廣泛的機器學習方法，它在解決序時間序列分析與預測問題上取得了一定的成效。記憶是處理時間序列問題的必要方法。但是，傳統的神經網絡缺乏記憶功能，難以充分學習到數據間的序列相關性。同時，絕大部分神經網絡的學習率都是一個預先設定好的固定值，過小的預設值大大降低神經網絡的訓練速度，過大的預設值可能導致網絡參數的“擺動”特性。上述問題均易導致神經網絡的預測精度難以滿足實際工程需求。

發明內容

本發明的目的在于提供一種基于時間序列分析原理的衛星鋰電池電壓預測方法，解決了衛星鋰電池工作時，電壓數據的正常與異常的判別缺乏量化依據，導致衛星鋰電池故障難以準確識別，存在較高的漏警率與虛警率的問題。

實現本發明目的的技術解決方案為：一種基于時間序列分析原理的衛星鋰電池電壓預測方法，采集衛星鋰電池在軌工作時全壽命周期的電壓遙測數據，進行預處理，并根據時間序列分析原理重新構建為兩組不同長度的電壓序列集后，訓練優化循環神經網絡；利用得到的優化循環神經網絡實現精確地在線預測衛星鋰電池的電壓變化趨勢，為衛星鋰電池的故障診斷提供量化依據，具體包括以下步驟：

步驟1、采集衛星鋰電池在軌工作時全壽命周期的電壓遙測數據，轉入步驟2；

步驟2、對采集的衛星鋰電池遙測數據進行預處理，得到預處理后的數據，即采樣數據向量V，轉入步驟3；

步驟3、根據時間序列分析原理，將采樣數據向量V重新構建成兩組不同長度的電壓序列集，一組作為循環神經網絡的輸入集，另一組作為循環神經網絡的輸出集，轉入步驟4；

步驟4、根據電壓序列集的序列長度，確定循環神經網絡的結構并構建循環神經網絡，轉入步驟5；

步驟5、訓練構建完成的循環神經網絡，并利用學習率衰減算法優化循環神經網絡訓練過程中的學習率，將訓練完成得到的優化循環神經網絡設置為衛星鋰電池電壓預測模型，轉入步驟6；

步驟6、利用得到的衛星鋰電池電壓預測模型實現衛星鋰電池電壓的在線預測。

本發明與現有技術相比，其顯著優點在于：