[发明专利]太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质

说明书

本发明提供一种航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质。通过训练多个LS‑SVM基模型，利用各个基模型在验证集上的预测精度计算基模型权重，通过加权得到集成LS‑SVM预测模型，作为最终训练好的太阳电池阵发电电流预测模型。获取航天器太阳电池阵发电电流的实际值与太阳电池阵发电电流预测模型所预测出的期望值之间的偏差；设定关于偏差的异常判定准则，基于偏差检测太阳电池阵是否出现异常。本发明能更好的处理航天器遥测数据的预测问题。

技术领域

本发明涉及太阳电池阵性能检测技术领域，特别涉及一种航天器太阳电池阵的发电电流预测模型训练方法及异常检测方法。

背景技术

太阳电池阵作为航天器电源系统中不可缺少的组成部件，在航天器运行至光照区时吸收太阳辐射进行发电，为航天器在轨执行各种活动和任务提供所必需的能量。然而，由于太阳电池阵工作在恶劣的空间环境中，长期暴露在原子氧、质子和电子等腐蚀下，其发电可靠性必然不断下降，直至出现元器件损坏等故障。而太阳电池阵的故障会进一步的导致蓄电池组无法达到满充、航天器无法实现能量平衡等情况，从而使得航天器无法正常的执行在轨任务。鉴于此，如何在航天器太阳电池阵的故障发生之前或发生早期及时检测出其可能表现出的异常，以便及时采取相应的措施，是航天器地面管理人员所面临的挑战之一。

目前，大多数地面监控站都是采用基于人工监测结合阈值的检测方法对航天器太阳电池阵遥测数据进行异常检测：地面技术人员将实时采集得到的遥测数据结合预先设定的阈值来检测参数数据是否超过预设区间，若超过则判定数据出现异常，否则为正常。该方法操作简单，能够筛选出绝大部分太阳电池阵遥测数据异常，但是针对遥测参数进行阈值设定专业性要求高，并且阈值检测法无法检测出像太阳电池阵电池串开路异常等参数值在阈值范围内的异常。

基于数据驱动的异常检测方法能够很好的解决阈值法异常检测时出现的短板，其采用统计、机器学习以及深度学习等理论针对遥测数据的变化规律进行刻画与建模，以识别其中的异常模式。根据度量指标的区别，基于数据驱动的异常检测方法可进一步分为基于统计的方法、基于相似性的方法以及基于偏差的方法三种。基于统计的方法通常会对数据进行整体分布假设，将分布中出现概率较大的值视为正常数据，而将分布中出现概率低于一定阈值的值视为异常数据。然而实际的遥测数据通常较难用预设分布进行刻画，这使得基于统计的方法在面对航天器遥测数据异常检测时效果大打折扣。基于相似性的方法是通过度量相似性指数来筛选数据中的异常部分，对相似性指数表现较低的数据点进行异常标记，基于相似性的方法的异常检测表现对相似性指标十分敏感，若未找到一个合适的相似性度量指标，该方法的异常检测准确率往往不尽如人意。基于偏差的方法根据正常的数据建立模型，将测试数据带入模型得到目标参数的预测期望值，通过计算期望值与实际样本之间的偏差来进行异常检测。基于偏差的方法主要包括分类算法以及预测算法两种：分类算法要求训练数据带有标签，并且正常数据点与异常数据点的数目接近，而航天器遥测数据中大多数都是正常数据，并且通常并没有异常数据的标签，这使得分类算法在航天器遥测数据上并不能取得很好的异常检测效果。相比较而言，预测算法更适合于航天器遥测数据的异常检测，其通过遥测数据占比重大的正常数据来训练模型，并不依赖于数据中是否有足够的异常数据以及异常标签，具有很强的学习能力。

但面对航天器太阳电池阵数据时，由于数据量庞大并且数据中噪声点多，传统的预测算法往往容易出现过拟合情况，造成整体预测误差均值以及方差的增大，因此，其对于航天器太阳电池阵异常的检测能力较差，异常检测准确率较低。

发明内容

针对现有技术中存在的缺陷，本发明提出了一种航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质。

为实现上述技术目的，本发明采用的具体技术方案如下：

航天器太阳电池阵的发电电流预测模型训练方法，包括：

构建n个LS-SVM基模型；