衛(wèi)星電源電池健康狀態(tài)診斷方法研究.pdf

1、可充放電電池作為衛(wèi)星主要供能元件，對其安全與正常運行起著關(guān)鍵的作用。研究電池健康狀態(tài)診斷方法，給出電池的使用狀態(tài)，預(yù)測電池的性能衰退，可以為衛(wèi)星電池的維護與更換提供有效數(shù)據(jù)與參考，防止由于電池導致的衛(wèi)星失效，造成不可挽回的損失。
　　本文針對衛(wèi)星電池健康狀態(tài)診斷問題進行了深入研究，主要工作如下：
　　提出了一種基于支持向量回歸機粒子濾波(Support Vector Regression-Particle Filter，SV

2、R-PF)的衛(wèi)星鋰離子電池健康狀態(tài)診斷方法。首先根據(jù)衛(wèi)星鋰離子電池阻抗衰退機理與阻抗和容量的相關(guān)性，定義電池健康狀態(tài)變量，提出健康狀態(tài)變量辨識模型與辨識方法，該方法克服了標準粒子濾波具有的粒子貧化效應(yīng)，提高了估計準確度。其次針對現(xiàn)有研究成果在電池剩余有效工作時間(Remaining Useful Life，RUL)預(yù)測過程并未更新RUL概率密度的缺點，利用辨識得到的電池健康狀態(tài)變量，建立了基于SVR-PF的鋰離子電池RUL預(yù)測模型，提出

3、了一種基于SVR-PF的衛(wèi)星鋰離子電池RUL預(yù)測方法。該方法將預(yù)測阻抗值作為量測輸出，充分利用了健康狀態(tài)估計結(jié)果，具有能夠更新RUL概率密度的優(yōu)點，從而提高預(yù)測準確度，為未來衛(wèi)星鋰離子電池的健康狀態(tài)診斷提供了一種可行手段。
　　針對目前衛(wèi)星鋰離子電池阻抗數(shù)據(jù)實時測量手段缺乏，阻抗數(shù)據(jù)難以獲得的情況，提出了一種基于SVR-PF的衛(wèi)星鋰離子電池健康狀態(tài)診斷次優(yōu)方法。該方法根據(jù)容量隨時間的衰退機理建立容量衰退模型，利用容量衰退參數(shù)表示電

4、池健康狀態(tài)，采用SVR-PF辨識容量衰退參數(shù)，對電池的RUL進行預(yù)測，此方法同樣具有能夠更新RUL概率密度的優(yōu)點。采用實測衛(wèi)星鋰離子電池數(shù)據(jù)進行分析和驗證，表明該方法具有較高的預(yù)測準確度。
　　針對基于小樣本的衛(wèi)星鋰離子電池RUL預(yù)測問題，提出了一種基于DS數(shù)據(jù)融合與SVR-PF的衛(wèi)星鋰離子電池RUL組合預(yù)測方法。首先對DS數(shù)據(jù)融合在鋰離子電池RUL預(yù)測中的應(yīng)用進行架構(gòu)，隨后給出了預(yù)測步驟，提出了進行融合預(yù)測的公式，最后建立基于D

5、S數(shù)據(jù)融合與SVR-PF組合的鋰離子電池RUL預(yù)測模型，使得在可用數(shù)據(jù)較少時鋰離子電池的RUL依然能夠被準確的預(yù)測。
　　針對模型難以建立的衛(wèi)星鎳氫電池，提出了基于改進人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)與改進SVR的電池健康狀態(tài)診斷方法。首先針對衛(wèi)星鎳氫電池壓強數(shù)據(jù)為時間序列形式的特點，提出了一種改進的小波自回歸神經(jīng)網(wǎng)絡(luò)電池健康狀態(tài)診斷方法。該方法基于赤池信息準則(Akaike Inform

6、ation Criterion，AIC)更新遺傳算法(Genetic Algorithm，GA)的適應(yīng)度函數(shù)，同時考慮預(yù)測準確度與模型復雜度，對小波神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化，從而提高了預(yù)測的準確度與收斂速度。隨后針對衛(wèi)星鎳氫電池電壓數(shù)據(jù)易于大量獲取的特點，提出了一種改進的SVR電池健康狀態(tài)診斷方法。該方法采用混合核函數(shù)替代常規(guī)SVR中的單一核函數(shù)，利用量子粒子群算法(Quantum Particle Swarm Algorithm，QPSO