[发明专利]基于时间序列分析原理的卫星锂电池电压预测方法

说明书

本发明公开了一种基于时间序列分析原理的卫星锂电池电压预测方法，采集卫星锂电池在轨工作时全寿命周期的电压数据，并对采集到的数据进行预处理，根据时间序列分析原理，将预处理后的数据重新构建成两组不同长度的电压序列集，分别作为循环神经网络的输入集和输出集。根据序列长度确定神经网络的结构，训练神经网并利用学习率衰减算法优化神经网络训练过程中的学习率；将优化设计得到的循环神经网络模型设置为卫星锂电池的电压预测模型，实现卫星锂电池电压的在线预测。本发明能够高精度预测卫星锂电池的电压，为卫星锂电池的故障诊断提供量化依据。

技术领域

本发明属于卫星锂电池故障诊断技术，具体涉及一种基于时间序列分析原理的卫星锂电池电压预测方法。

背景技术

锂电池受益于其较轻的质量、较低的放电率和长使用寿命等优势，已经成为我国第三代卫星电源系统的主要储能元件。但是，在实际使用过程，锂电池内部存在着一些不可逆的电化学反应，引起锂电池的性能下降和失效，甚至引发安全事故。电压值是诊断卫星锂电池工作状态是否正常的主要指标。然而现有的方法往往是在实时测量获取卫星锂电池在轨工作时的电压值后，对实时测得的数据与历史数据做聚类分析，模糊地诊断卫星锂电池的工作状态。这种方法难以确保诊断的质量和可靠性。因此，需要提出一种电压的趋势预测方案，通过过去一段时间直至当前时刻的电压值，预测未来一段时间内的电压值。将实际值与预测值做残差分析，为卫星锂电池的故障诊断提供量化依据。

卫星锂电池的电压预测问题可以看作一个时间序列的分析与预测问题。神经网络作为一种应用广泛的机器学习方法，它在解决序时间序列分析与预测问题上取得了一定的成效。记忆是处理时间序列问题的必要方法。但是，传统的神经网络缺乏记忆功能，难以充分学习到数据间的序列相关性。同时，绝大部分神经网络的学习率都是一个预先设定好的固定值，过小的预设值大大降低神经网络的训练速度，过大的预设值可能导致网络参数的“摆动”特性。上述问题均易导致神经网络的预测精度难以满足实际工程需求。

发明内容

本发明的目的在于提供一种基于时间序列分析原理的卫星锂电池电压预测方法，解决了卫星锂电池工作时，电压数据的正常与异常的判别缺乏量化依据，导致卫星锂电池故障难以准确识别，存在较高的漏警率与虚警率的问题。

实现本发明目的的技术解决方案为：一种基于时间序列分析原理的卫星锂电池电压预测方法，采集卫星锂电池在轨工作时全寿命周期的电压遥测数据，进行预处理，并根据时间序列分析原理重新构建为两组不同长度的电压序列集后，训练优化循环神经网络；利用得到的优化循环神经网络实现精确地在线预测卫星锂电池的电压变化趋势，为卫星锂电池的故障诊断提供量化依据，具体包括以下步骤：

步骤1、采集卫星锂电池在轨工作时全寿命周期的电压遥测数据，转入步骤2；

步骤2、对采集的卫星锂电池遥测数据进行预处理，得到预处理后的数据，即采样数据向量V，转入步骤3；

步骤3、根据时间序列分析原理，将采样数据向量V重新构建成两组不同长度的电压序列集，一组作为循环神经网络的输入集，另一组作为循环神经网络的输出集，转入步骤4；

步骤4、根据电压序列集的序列长度，确定循环神经网络的结构并构建循环神经网络，转入步骤5；

步骤5、训练构建完成的循环神经网络，并利用学习率衰减算法优化循环神经网络训练过程中的学习率，将训练完成得到的优化循环神经网络设置为卫星锂电池电压预测模型，转入步骤6；

步骤6、利用得到的卫星锂电池电压预测模型实现卫星锂电池电压的在线预测。

本发明与现有技术相比，其显著优点在于：