基于粒子群算法的卫星蓄电池区间预测方法
发布时间：2021-02-11 17:04
卫星在阴影区运行时需要蓄电池提供能源,而锂离子电池由于能量密度大、自放电率低、循环寿命长的优点逐渐成为多数卫星的选择。卫星蓄电池在外太空工作时,容量会随着循环次数的增多而逐渐下降。针对这种健康状态（State of Health,SOH）退化的问题,提出一种基于粒子群算法（Particle Swarm Optimization,PSO）的上下边界估计（Lower Upper Bound Estimation,LUBE）神经网络建立预测模型,将放电过程中的截止电压、样本熵和工作温度作为神经网络模型输入,电池SOH作为神经网络模型输出。在提高预测区间覆盖率（Prediction Intervals Coverage Probability,PICP）的同时减少预测区间宽度（Normalized Mean Prediction Intervals Width,NMPIW）,构建了集成指标（Coverage Width-based Criterion,CWC）。基于该指标函数的不可微性,采用PSO优化神经网络模型使CWC尽可能地降低以兼顾PICP和NMPIW指标的最优。采用NASA的18号电池...
【文章来源】：无线电工程. 2020,50(04)
【文章页数】：9 页
【部分图文】：
健康状态区间预测方法流程
从遥测数据中提取与SOH相关的退化特征参数。蓄电池放电过程中，放电电压随着放电过程逐渐下降，放电结束时所对应的最低电压即为放电截止电压，如图2所示。随着蓄电池循环放电次数的增多，蓄电池性能下降，电池自满电状态开始放出同一电量后的放电截止电压会逐渐下降，能够很好地表征蓄电池SOH的退化过程，因此本文采用放电截止电压作为分析电池性能的特征量之一。但仅仅采用放电截止电压作为神经网络模型输入，对锂离子蓄电池退化过程中的容量恢复效应等局部波动不敏感，因此在从放电电压数据中进一步提取样本熵。由于样本熵是一种量化时间序列波动的规律性和不可预测性的非线性动力学参数，能够很好地捕捉锂离子蓄电池SOH的局部变化[24-25]:对于有N个数据组成的时间序列{x(n)}=x(1),x(2),...,x(N)，计算步骤如下[26]:
现有的直接区间预测方法中，LUBE神经网络是较为经典和常用的，其结构如图3所示，是对变量在未来一段时间的波动范围进行预测，在本文中即对锂离子蓄电池SOH一个上下界范围的估计。这个上下界的估计范围组成的预测区间由下限Li和上限Ui组成，其中预测结果yi以一定概率存在于预测区间，在这个区间的可能性称为置信水平。通常采用区间覆盖率(Prediction Intervals Coverage Probability,PICP)和区间宽度(Normalized Mean Prediction Intervals Width,NMPIW)来衡量预测区间的质量[27]。区间覆盖率PICP是通过计算有多少个真实值位于预测区间内来衡量的，其定义如下，当真实值落在预测区间内时，Ci为1，否则Ci为0。
【参考文献】：
期刊论文
[1]一种基于聚类的卫星太阳电池阵衰减估计方法[J]. 曹孟达,张涛,李训嘉,刘亚杰. 无线电工程. 2019(05)
[2]基于GA优化BP神经网络的微电网蓄电池健康状态评估[J]. 邓伟锋,李振璧. 电测与仪表. 2018(21)
[3]基于贪婪策略的灵巧卫星启发式任务规划算法[J]. 徐崇彦,何川东,邹冬冬. 无线电工程. 2018(10)
[4]基于混合算法的电池健康状态估计[J]. 申江卫,苏晓波,王泽林,刘骥鹏. 电源技术. 2018(06)
[5]基于粒子滤波算法的锂离子电池剩余寿命预测方法研究[J]. 张凝,徐皑冬,王锴,韩晓佳,Seung Ho Hong. 高技术通讯. 2017(08)
[6]航天器遥测数据异常检测综述[J]. 彭喜元,庞景月,彭宇,刘大同. 仪器仪表学报. 2016(09)
[7]基于粒子群算法的雷达网优化部署方法研究[J]. 郑贵文,蒋奎. 无线电工程. 2016(01)
[8]基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J]. 杨锡运,关文渊,刘玉奇,肖运启. 中国电机工程学报. 2015(S1)
[9]锂离子电池健康评估和寿命预测综述[J]. 刘大同,周建宝,郭力萌,彭宇. 仪器仪表学报. 2015(01)
[10]粒子群优化神经网络电动汽车SOC估算方法[J]. 王业琴,刘一星. 电源技术. 2013(05)
硕士论文
[1]基于GSO-ELM的锂离子电池剩余寿命间接预测方法研究[D]. 吴婧睿.大连海事大学 2017
[2]空间电源系统仿真及锂离子电池剩余寿命预测研究[D]. 闫晓华.哈尔滨工业大学 2015
[3]基于粒子滤波的锂离子电池剩余寿命预测方法研究[D]. 罗悦.哈尔滨工业大学 2012
本文编号：3029433
【文章来源】：无线电工程. 2020,50(04)
【文章页数】：9 页
【部分图文】：
健康状态区间预测方法流程
从遥测数据中提取与SOH相关的退化特征参数。蓄电池放电过程中，放电电压随着放电过程逐渐下降，放电结束时所对应的最低电压即为放电截止电压，如图2所示。随着蓄电池循环放电次数的增多，蓄电池性能下降，电池自满电状态开始放出同一电量后的放电截止电压会逐渐下降，能够很好地表征蓄电池SOH的退化过程，因此本文采用放电截止电压作为分析电池性能的特征量之一。但仅仅采用放电截止电压作为神经网络模型输入，对锂离子蓄电池退化过程中的容量恢复效应等局部波动不敏感，因此在从放电电压数据中进一步提取样本熵。由于样本熵是一种量化时间序列波动的规律性和不可预测性的非线性动力学参数，能够很好地捕捉锂离子蓄电池SOH的局部变化[24-25]:对于有N个数据组成的时间序列{x(n)}=x(1),x(2),...,x(N)，计算步骤如下[26]:
现有的直接区间预测方法中，LUBE神经网络是较为经典和常用的，其结构如图3所示，是对变量在未来一段时间的波动范围进行预测，在本文中即对锂离子蓄电池SOH一个上下界范围的估计。这个上下界的估计范围组成的预测区间由下限Li和上限Ui组成，其中预测结果yi以一定概率存在于预测区间，在这个区间的可能性称为置信水平。通常采用区间覆盖率(Prediction Intervals Coverage Probability,PICP)和区间宽度(Normalized Mean Prediction Intervals Width,NMPIW)来衡量预测区间的质量[27]。区间覆盖率PICP是通过计算有多少个真实值位于预测区间内来衡量的，其定义如下，当真实值落在预测区间内时，Ci为1，否则Ci为0。
【参考文献】：
期刊论文
[1]一种基于聚类的卫星太阳电池阵衰减估计方法[J]. 曹孟达,张涛,李训嘉,刘亚杰. 无线电工程. 2019(05)
[2]基于GA优化BP神经网络的微电网蓄电池健康状态评估[J]. 邓伟锋,李振璧. 电测与仪表. 2018(21)
[3]基于贪婪策略的灵巧卫星启发式任务规划算法[J]. 徐崇彦,何川东,邹冬冬. 无线电工程. 2018(10)
[4]基于混合算法的电池健康状态估计[J]. 申江卫,苏晓波,王泽林,刘骥鹏. 电源技术. 2018(06)
[5]基于粒子滤波算法的锂离子电池剩余寿命预测方法研究[J]. 张凝,徐皑冬,王锴,韩晓佳,Seung Ho Hong. 高技术通讯. 2017(08)
[6]航天器遥测数据异常检测综述[J]. 彭喜元,庞景月,彭宇,刘大同. 仪器仪表学报. 2016(09)
[7]基于粒子群算法的雷达网优化部署方法研究[J]. 郑贵文,蒋奎. 无线电工程. 2016(01)
[8]基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J]. 杨锡运,关文渊,刘玉奇,肖运启. 中国电机工程学报. 2015(S1)
[9]锂离子电池健康评估和寿命预测综述[J]. 刘大同,周建宝,郭力萌,彭宇. 仪器仪表学报. 2015(01)
[10]粒子群优化神经网络电动汽车SOC估算方法[J]. 王业琴,刘一星. 电源技术. 2013(05)
硕士论文
[1]基于GSO-ELM的锂离子电池剩余寿命间接预测方法研究[D]. 吴婧睿.大连海事大学 2017
[2]空间电源系统仿真及锂离子电池剩余寿命预测研究[D]. 闫晓华.哈尔滨工业大学 2015
[3]基于粒子滤波的锂离子电池剩余寿命预测方法研究[D]. 罗悦.哈尔滨工业大学 2012
本文编号：3029433
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3029433.html
