CN103605884A - 太阳能电池阵输出功率衰减的预测方法及装置 - Google Patents

Abstract

本发明公开了一种太阳能电池阵输出功率衰减的预测方法及装置，通过P＝V×I＝P₀×J×cos(θ)×η预测太阳能电池阵输出功率衰减，V、I分别表示太阳电池阵的工作电压和工作电流；P表示太阳电池阵在轨工作输出功率；P₀表示太阳电池阵的理论最大输出功率；J表示太阳光强系数；θ表示太阳入射角；η表示衰减因子；通过轨道分析计算得到太阳光强系数J，通过卫星运行轨道信息和太阳电池阵姿态信息计算获得太阳入射角θ，并通过分析在轨卫星遥测参数数据方法获得衰减因子η，通过粒子滤波法根据观测值实时调整太阳光强系数J、太阳入射角θ和衰减因子η状态更新的值，带入上式预测太阳能电池阵输出功率衰减。上述方法能准确估计太阳能电池阵输出功率的衰减，从而为卫星设计和轨道管理提供参考。

Description

太阳能电池阵输出功率衰减的预测方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种太阳能电池阵输出功率衰减的预测方法及装置。

背景技术

太阳电池阵是在轨卫星的主要能量来源，其输出功率在很大程度上决定了卫星的使用价值。在卫星整个生命周期，卫星负载对功率的需求变化较小，但是太阳电池阵输出功率不断衰减；在卫星寿命初期、中期时，卫星负载对功率的需求小于太阳电池阵输出功率，可以保持卫星的功率平衡；然而当卫星处于寿命末期时，太阳电池阵输出功率衰减较大，可能会影响卫星的正常运行。但是目前还没有一种方法能够实时预测太阳能电池阵输出功率衰减，以为卫星的设计和在轨控制管理提供参考。

发明内容

鉴于上述的分析，本发明旨在提供一种太阳能电池阵输出功率衰减的预测方法及装置，用以解决现有技术中不能实时预测太阳能电池阵输出功率衰减的问题。

本发明主要是通过以下技术方案实现的：

一种太阳能电池阵输出功率衰减的预测方法，该预测方法包括：

通过P＝V×I＝P₀×J×cos(θ)×η预测太阳能电池阵输出功率衰减，其中，V、I分别表示太阳电池阵的工作电压和工作电流；P表示太阳电池阵在轨工作输出功率；P₀表示太阳电池阵的理论最大输出功率；J表示太阳光强系数；θ表示太阳入射角；η表示衰减因子；并通过轨道分析计算得到太阳光强系数J，通过卫星运行轨道信息和太阳电池阵姿态信息计算获得太阳入射角θ，并通过分析在轨卫星遥测参数数据方法获得衰减因子η。

优选地，所述太阳光强系数

t表示太阳电池阵在轨的天数，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，在近日点附近，太阳光强系数较大，远日点附近，太阳光强系数较小，太阳光强系数为年周期变化。

优选地，所述太阳入射角

其中，t表示太阳电池阵在轨的天数，θ₀表示南北回归线所在纬度值，T₀表示航天器进入太空的初始日期与同年近日点的天数差，β₀表示常量，值为101。

优选地，所述衰减因子t表示太阳电池阵在轨的天数，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率。

优选地，太阳能电池阵输出功率衰减预测的公式为：

其中，t表示太阳电池阵在轨的天数，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，在近日点附近，太阳光强系数较大，远日点附近，太阳光强系数较小，太阳光强系数为年周期变化，θ₀表示南北回归线所在纬度值，β₀表示常量，值为101。

通过粒子滤波法根据观测值实时调整太阳光强系数J、太阳入射角θ和衰减因子η状态更新的值，并带入上式预测太阳能电池阵输出功率衰减的步骤具体包括：

设置太阳电池阵最大衰减因子ξ、太阳电池阵随时间的衰减的速率σ的初始值分别为ξ₀、σ₀，i为时间点的模型参数更新值分别为ξ_i+1、σ_i+1；过程噪声、观测噪声分别服从正态分布n_p～N(0,s_p)、n_m～N(0,s_m)，j为粒子个数，粒子个数设置为l，i时间点的输出功率实际测量值、预测值、导数分别为P_i、

dP_i/dt，

状态方程更新公式为： $\begin{array}{c}\mathrm{\ξ}(i+1,j)=\mathrm{\ξ}(i,j)+n_p,\mathrm{\ξ}(0,j)={\mathrm{\ξ}}_0+n_p,\\ \mathrm{\σ}(i+1,j)=\mathrm{\σ}(i,j)+n_p,\mathrm{\σ}(0,j)={\mathrm{\σ}}_0+n_p,\\ {\tilde{P}}_{i+1}(i+1,j)=P_i+\frac{{\mathrm{dP}}_i}{\mathrm{dt}}\·\mathrm{\Δt}+n_p,\\ i=\mathrm{0,1,2},...;j=\mathrm{1,2},...l\end{array}$

观测方程更新公式为：P_i+1＝P_i+1+n_m,i＝0,1,2,…

权值更新公式为： $\begin{array}{c}w(i+1,j)=\frac{\stackrel{\‾}{w}(i+1,j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\stackrel{\‾}{w}(i+1,j)},\\ \stackrel{\‾}{w}(i+1,j)=\frac{1}{\sqrt{2\mathrm{\π}}\×s_m}{e}^{-\frac{{({\tilde{P}}_{i+1}(i+1,j)-P_{i+1})}^2}{{{2s}_m}^2},}\\ i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}$

预测结果更新公式为： $\begin{array}{c}{\mathrm{\ξ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\ξ}}_{i+1}(i+1,j)}{l},\\ {\mathrm{\σ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\σ}}_{i+1}(i+1,j)}{l},\\ {\tilde{P}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\tilde{P}}_{i+1}(i+1,j)}{l},\\ 0\≤c_j\≤l,\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j=1,i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}.$

本发明还提供了一种太阳能电池阵输出功率衰减的预测装置，该预测装置包括：

计算单元，用于通过轨道分析计算得到太阳光强系数J，通过卫星运行轨道信息和太阳电池阵姿态信息计算获得太阳入射角θ，并通过分析在轨卫星遥测参数数据方法获得衰减因子η；

预测单元，用于根据所述计算单元得到的结果，通过P＝V×I＝P₀×J×cos(θ)×η预测太阳能电池阵输出功率衰减，其中，V、I分别表示太阳电池阵的工作电压和工作电流；P表示太阳电池阵在轨工作输出功率；P₀表示太阳电池阵的理论最大输出功率；J表示太阳光强系数；θ表示太阳入射角；η表示衰减因子。

优选地，所述计算单元具体用于，计算太阳光强系数，所述太阳光强系数

t表示太阳电池阵在轨的天数，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，在近日点附近，太阳光强系数较大，远日点附近，太阳光强系数较小，太阳光强系数为年周期变化。

优选地，所述计算单元具体用于，计算太阳入射角，所述太阳入射角其中，t表示太阳电池阵在轨的天数，θ₀表示南北回归线所在纬度值，T₀表示航天器进入太空的初始日期与同年近日点的天数差，β₀表示常量，值为101。

优选地，所述计算单元具体用于，计算衰减因子，所述衰减因子t表示太阳电池阵在轨的天数，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率。

优选地，所述预测单元具体用于，根据下述公式预测太阳能电池阵输出功率衰减，

其中，t表示太阳电池阵在轨的天数，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，在近日点附近，太阳光强系数较大，远日点附近，太阳光强系数较小，太阳光强系数为年周期变化，θ₀表示南北回归线所在纬度值，β₀表示常量，值为101。

所述计算单元具体用于，设置太阳电池阵最大衰减因子ξ、太阳电池阵随时间的衰减的速率σ的初始值分别为ξ₀、σ₀，i为时间点的模型参数更新值分别为ξ_i+1、σ_i+1；过程噪声、观测噪声分别服从正态分布n_p～N(0,s_p)、n_m～N(0,s_m)，j为粒子个数，设置为l，i时间点的输出功率实际测量值、预测值、导数分别为P_i、

dP_i/dt，

状态方程更新公式为： $\begin{array}{c}\mathrm{\ξ}(i+1,j)=\mathrm{\ξ}(i,j)+n_p,\mathrm{\ξ}(0,j)={\mathrm{\ξ}}_0+n_p,\\ \mathrm{\σ}(i+1,j)=\mathrm{\σ}(i,j)+n_p,\mathrm{\σ}(0,j)={\mathrm{\σ}}_0+n_p,\\ {\tilde{P}}_{i+1}(i+1,j)=P_i+\frac{{\mathrm{dP}}_i}{\mathrm{dt}}\·\mathrm{\Δt}+n_p,\\ i=\mathrm{0,1,2},...;j=\mathrm{1,2},...l\end{array}$

观测方程更新公式为：P_i+1＝P_i+1+n_m,i＝0,1,2,…

权值更新公式为： $\begin{array}{c}w(i+1,j)=\frac{\stackrel{\‾}{w}(i+1,j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\stackrel{\‾}{w}(i+1,j)},\\ \stackrel{\‾}{w}(i+1,j)=\frac{1}{\sqrt{2\mathrm{\π}}\×s_m}{e}^{-\frac{{({\tilde{P}}_{i+1}(i+1,j)-P_{i+1})}^2}{{{2s}_m}^2},}\\ i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}$

预测结果更新公式为： $\begin{array}{c}{\mathrm{\ξ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\ξ}}_{i+1}(i+1,j)}{l},\\ {\mathrm{\σ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\σ}}_{i+1}(i+1,j)}{l},\\ {\tilde{P}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\tilde{P}}_{i+1}(i+1,j)}{l},\\ 0\≤c_j\≤l,\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j=1,i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}.$

本发明提供的一种太阳能电池阵输出功率衰减的预测方法及装置，提出的太阳能电池阵输出功率衰减的预测模型综合预测以太阳光强、太阳入射角和衰减因子随时间的变化趋势对功率的影响和作用，能够准确估计太阳能电池阵输出功率的衰减，从而为卫星的设计和轨道管理提供参考。

本发明的其他特征和优点将在随后的说明书中阐述，并且部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

图1为本发明实施例1的太阳能电池阵输出功率预测方法的流程图；

图2为本发明实施例1的粒子滤波法的流程示意图；

图3为本发明实施例1的基于粒子滤波的太阳阵输出功率实时预测流程示意图；

图4为本发明实施例2的太阳能电池阵输出功率预测装置的结构示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。为了清楚和简化目的，当其可能使本发明的主题模糊不清时，将省略本文所描述的器件中已知功能和结构的详细具体说明。

实施例1

本发明设计了太阳能电池阵输出功率衰减的预测方法。主要应用于地球同步卫星太阳能电池阵输出功率的预测，参见图1和2，该方法分为粒子滤波法和太阳阵输出功率预测方法2部分。

本发明首先根据太阳电池阵的主要影响因素：太阳光强、入射角、衰减的变化规律，建立太阳电池阵输出功率的仿真模型，将该模型中的未知参数和输出功率的实时预测结果作为粒子滤波状态方程，以输出功率实时观测值作为观测方程；并对卫星观测值进行预处理，计算一天内太阳电池阵实际输出功率的平均值；然后，根据太阳电池阵实际输出功率不断更新例子的权重大小和样本位置，修正最初的仿真模型，并进行输出功率预测。

图2是粒子滤波法的流程示意图，如图2所示，本发明实施例首先总结太阳电池阵功率衰减的影响因素，和影响因素随时间的变化趋势，以及对功率的影响作用。影响太阳电池阵输出功率的因素主要有太阳光强、太阳入射角和衰减因子三部分。太阳光强和太阳入射角两部分可以通过轨道计算得到，有年周期的变化趋势，使得太阳电池阵输出功率也有年周期变化的趋势；衰减因子是空间粒子辐照衰减因子、紫外辐照衰减因子、受微流星体碰撞和冷热交变等因素的综合，具有指数变化特征，使得太阳电池阵输出功率也有指数变化的趋势，可以通过在地面对太阳电池阵进行粒子辐射等一系列仿真实验，或分析采集的在轨卫星遥测参数数据等方法获得。

根据地球同步轨道卫星的运行信息，设计太阳阵输出功率模型，

P＝V×I＝P₀×J×cos(θ)×η

公式中，V、I分别表示太阳电池阵的工作电压和工作电流；P表示太阳电池阵在轨工作输出功率；P₀表示太阳电池阵的理论最大输出功率；J表示太阳光强系数；θ表示太阳入射角；η表示衰减因子。其中，太阳光强J、太阳入射角θ和衰减因子η分别可以表示成时间t的函数，其中太阳入射角θ、太阳光强系数J以及衰减因子η的具体公式如下：

$\mathrm{\η}(t,\mathrm{\ξ},\mathrm{\σ})=\mathrm{\ξ}+(1-\mathrm{\ξ})\×e^{-\frac{t}{\mathrm{\σ}}}$

由上述各式可以得到太阳电池阵输出功率P随时间t的变化模型为：

由该模块可知，P随在轨时间t呈指数衰减的年周期变化。因此，太阳电池阵输出功率模型中仅存在ξ和σ两个未知参数，在确定ξ和σ后，即可预测任意时间点t对应的太阳电池阵输出功率。

上一公式中，t表示太阳电池阵在轨的天数，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，θ₀表示南北回归线所在纬度值，T₀表示航天器进入太空的初始日期与同年近日点的天数差，β表示常量，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率。

太阳电池阵输出功率模型在任意时间点t，仅存在ξ和σ两个未知参数；通过卫星在轨运行信息和遥测数据，准确地估计这两个参数的取值，就可以较准确地预测出未来一段时间内太阳电池阵的输出功率P。

图3是本发明实施例的基于粒子滤波的太阳阵输出功率实时预测流程示意图。如图3所示，太阳电池阵输出功率模型，是一个受非高斯噪声影响的非线性动态模型。由太阳阵输出功率公式可知，太阳电池阵的衰减因子受许多不确定因素影响，理想状态下，衰减因子时间变化函数的ξ和σ保持不变，即衰减因子仅仅由太阳电池阵在轨时间长度确定，这样显然不符合空间环境及其复杂的实际情况，不能反映太阳电池阵输出功率的动态变化趋势。

粒子滤波法根据观测值不断调整粒子的权重大小和样本位置，最后通过调整后的粒子信息修正最初的经验条件分布，估计出系统状态和参数。该算法是一种递推滤波算法，可以用来估计任意非线性非高斯随机系统的状态和参数，可以很好的解决太阳电池阵输出功率模型更新与功率预测问题。

以经验模型中衰减因子参数ξ、σ以及输出功率的实时预测结果作为粒子滤波状态方程；以输出功率实时观测值作为观测方程。在观测值和粒子预测结果的差异，与观测噪声有近似的概率分布的假设前提下，以观测噪声概率分布函数，作为观测值和粒子预测结果的差异值的概率，根据公式（1）估计粒子的权重；接下来，重新选择粒子，对权值较大的粒子多采样，对权值较小的粒子少采样或不采样，并根据公式（2），进行模型参数修正和输出功率预测；然后重复以上粒子状态更新等操作，进行下一时刻的模型参数修正和输出功率预测。

设置经验模型未知参数ξ、σ的初始值分别为ξ₀、σ₀，i时间点的模型参数更新值分别为ξ_i+1、σ_i+1；过程噪声、观测噪声分别服从正态分布n_p～N(0,s_p)、n_m～N(0,s_m)，粒子个数设置为l，i时间点的输出功率实际测量值、预测值、导数分别为P_i、

dP_i/dt，状态方程更新公式为：

ξ(i+1,j)＝ξ(i,j)+n_p,ξ(0,j)＝ξ₀+n_p,

σ(i+1,j)＝σ(i,j)+n_p,σ(0,j)＝σ₀+n_p,

${\tilde{P}}_{i+1}(i+1,j)=P_i+\frac{{\mathrm{dP}}_i}{\mathrm{dt}}\·\mathrm{\Δt}+n_p,$

i＝0,1,2,…;j＝1,2,…l，

观测方程更新公式为：

P_i+1＝P_i+1+n_m,i＝0,1,2,…

权值更新公式为：

$w(i+1,j)=\frac{\stackrel{\‾}{w}(i+1,j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\stackrel{\‾}{w}(i+1,j)},$

$\stackrel{\‾}{w}(i+1,j)=\frac{1}{\sqrt{2\mathrm{\π}}\×s_m}{e}^{-\frac{{({\tilde{P}}_{i+1}(i+1,j)-P_{i+1})}^2}{{{2s}_m}^2}},$

i＝0,1,2,…，j＝1,2,…l     （1）

模型及预测结果更新公式为：

${\mathrm{\ξ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\ξ}}_{i+1}(i+1,j)}{l},$

${\mathrm{\σ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\σ}}_{i+1}(i+1,j)}{l},$

${\tilde{P}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\tilde{P}}_{i+1}(i+1,j)}{l},$

$0\≤c_j\≤l,\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j=1,i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l---\left(2\right)$

本发明提出的太阳能电池阵输出功率衰减的预测模型综合预测以太阳光强、太阳入射角和衰减因子随时间的变化趋势对功率的影响和作用，能够准确估计太阳能电池阵输出功率的衰减，从而为卫星的设计和轨道管理提供参考。

实施例2

本发明实施例提供了一种太阳能电池阵输出功率衰减的预测装置，参见图4，该预测装置包括：

计算单元，用于通过轨道分析计算得到太阳光强系数J，通过卫星运行轨道信息和太阳电池阵姿态信息计算获得太阳入射角θ，并通过分析在轨卫星遥测参数数据方法获得衰减因子η，并通过粒子滤波法根据观测值实时调整太阳光强系数J、太阳入射角θ和衰减因子η状态更新的值，；

预测单元，用于根据所述计算单元得到的结果，通过P＝V×I＝P₀×J×cos(θ)×η预测太阳能电池阵输出功率衰减，其中，V、I分别表示太阳电池阵的工作电压和工作电流；P表示太阳电池阵在轨工作输出功率；P₀表示太阳电池阵的理论最大输出功率；J表示太阳光强系数；θ表示太阳入射角；η表示衰减因子。

其中，本发明实施例中所述计算单元具体用于，计算太阳光强系数，所述太阳光强系数

t表示太阳电池阵在轨的天数，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，在近日点附近，太阳光强系数较大，远日点附近，太阳光强系数较小，太阳光强系数为年周期变化。

本发明实施例中所述计算单元具体用于，计算太阳入射角，所述太阳入射角其中，t表示太阳电池阵在轨的天数，θ₀表示南北回归线所在纬度值，T₀表示航天器进入太空的初始日期与同年近日点的天数差，β₀表示常量，值为101。

本发明实施例中所述计算单元具体用于，计算衰减因子，所述衰减因子

t表示太阳电池阵在轨的天数，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率。

本发明实施例中所述计算单元具体用于，设置太阳电池阵最大衰减因子ξ、太阳电池阵随时间的衰减的速率σ的初始值分别为ξ₀、σ₀，i为时间点的模型参数更新值分别为ξ_i+1、σ_i+1；过程噪声、观测噪声分别服从正态分布n_p～N(0,s_p)、n_m～N(0,s_m)，j为粒子个数，设置为l，i时间点的输出功率实际测量值、预测值、导数分别为P_i、

dP_i/dt，

状态方程更新公式为： $\begin{array}{c}\mathrm{\ξ}(i+1,j)=\mathrm{\ξ}(i,j)+n_p,\mathrm{\ξ}(0,j)={\mathrm{\ξ}}_0+n_p,\\ \mathrm{\σ}(i+1,j)=\mathrm{\σ}(i,j)+n_p,\mathrm{\σ}(0,j)={\mathrm{\σ}}_0+n_p,\\ {\tilde{P}}_{i+1}(i+1,j)=P_i+\frac{{\mathrm{dP}}_i}{\mathrm{dt}}\·\mathrm{\Δt}+n_p,\\ i=\mathrm{0,1,2},...;j=\mathrm{1,2},...l\end{array}$

观测方程更新公式为：P_i+1＝P_i+1+n_m,i＝0,1,2,…

权值更新公式为： $\begin{array}{c}w(i+1,j)=\frac{\stackrel{\‾}{w}(i+1,j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\stackrel{\‾}{w}(i+1,j)},\\ \stackrel{\‾}{w}(i+1,j)=\frac{1}{\sqrt{2\mathrm{\π}}\×s_m}{e}^{-\frac{{({\tilde{P}}_{i+1}(i+1,j)-P_{i+1})}^2}{{{2s}_m}^2},}\\ i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}$

预测结果更新公式为： $\begin{array}{c}{\mathrm{\ξ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\ξ}}_{i+1}(i+1,j)}{l},\\ {\mathrm{\σ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\σ}}_{i+1}(i+1,j)}{l},\\ {\tilde{P}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\tilde{P}}_{i+1}(i+1,j)}{l},\\ 0\≤c_j\≤l,\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j=1,i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}.$

综上所述，本发明提供的一种太阳能电池阵输出功率衰减的预测方法及装置，至少能够带来以下的有益效果：

1、本发明提出的太阳能电池阵输出功率衰减的预测模型综合预测以太阳光强、太阳入射角和衰减因子随时间的变化趋势对功率的影响和作用，能够准确估计太阳能电池阵输出功率的衰减，从而为卫星的设计和轨道管理提供参考；

2、本发明通过粒子滤波法根据观测值实时调整太阳光强系数J、太阳入射角θ和衰减因子η状态更新的值，保证计算结果的准确性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种太阳能电池阵输出功率衰减的预测方法，其特征在于，包括：

通过P＝V×I＝P₀×J×cos(θ)×η预测太阳能电池阵输出功率衰减，其中，V、I分别表示太阳电池阵的工作电压和工作电流；P表示太阳电池阵在轨工作输出功率；P₀表示太阳电池阵的理论最大输出功率；J表示太阳光强系数；θ表示太阳入射角；η表示衰减因子；通过轨道分析计算得到太阳光强系数J，通过卫星运行轨道信息和太阳电池阵姿态信息计算获得太阳入射角θ，并通过分析在轨卫星遥测参数数据方法获得衰减因子η，通过粒子滤波法根据观测值实时调整太阳光强系数J、太阳入射角θ和衰减因子η状态更新的值，带入上式预测太阳能电池阵输出功率衰减。

2.根据权利要求1所述的预测方法，其特征在于，

所述太阳光强系数

t表示太阳电池阵在轨的天数，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，在近日点附近，太阳光强系数较大，远日点附近，太阳光强系数较小，太阳光强系数为年周期变化。

3.根据权利要求1所述的预测方法，其特征在于，

所述太阳入射角其中，t表示太阳电池阵在轨的天数，θ₀表示南北回归线所在纬度值，T₀表示航天器进入太空的初始日期与同年近日点的天数差，β₀表示常量，值为101。

4.根据权利要求1所述的预测方法，其特征在于，

所述衰减因子

t表示太阳电池阵在轨的天数，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率。

5.根据权利要求1-4中任意一项所述的预测方法，其特征在于，通过粒子滤波法根据观测值实时调整太阳光强系数J、太阳入射角θ和衰减因子η状态更新的值，并带入上式预测太阳能电池阵输出功率衰减的步骤具体包括：

设置太阳电池阵最大衰减因子ξ、太阳电池阵随时间的衰减的速率σ的初始值分别为ξ₀、σ₀，i为时间点的模型参数更新值分别为ξ_i+1、σ_i+1；过程噪声、观测噪声分别服从正态分布n_p～N(0,s_p)、n_m～N(0,s_m)，j为粒子个数，粒子个数设置为l，i时间点的输出功率实际测量值、预测值、导数分别为P_i、

dP_i/dt，

状态方程更新公式为： $\begin{array}{c}\mathrm{\ξ}(i+1,j)=\mathrm{\ξ}(i,j)+n_p,\mathrm{\ξ}(0,j)={\mathrm{\ξ}}_0+n_p,\\ \mathrm{\σ}(i+1,j)=\mathrm{\σ}(i,j)+n_p,\mathrm{\σ}(0,j)={\mathrm{\σ}}_0+n_p,\\ {\tilde{P}}_{i+1}(i+1,j)=P_i+\frac{{\mathrm{dP}}_i}{\mathrm{dt}}\·\mathrm{\Δt}+n_p,\\ i=\mathrm{0,1,2},...;j=\mathrm{1,2},...l\end{array}$

观测方程更新公式为：P_i+1＝P_i+1+n_m,i＝0,1,2,…

权值更新公式为： $\begin{array}{c}w(i+1,j)=\frac{\stackrel{\‾}{w}(i+1,j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\stackrel{\‾}{w}(i+1,j)},\\ \stackrel{\‾}{w}(i+1,j)=\frac{1}{\sqrt{2\mathrm{\π}}\×s_m}{e}^{-\frac{{({\tilde{P}}_{i+1}(i+1,j)-P_{i+1})}^2}{{{2s}_m}^2},}\\ i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}$

预测结果更新公式为： $\begin{array}{c}{\mathrm{\ξ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\ξ}}_{i+1}(i+1,j)}{l},\\ {\mathrm{\σ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\σ}}_{i+1}(i+1,j)}{l},\\ {\tilde{P}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\tilde{P}}_{i+1}(i+1,j)}{l},\\ 0\≤c_j\≤l,\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j=1,i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}.$

6.一种太阳能电池阵输出功率衰减的预测装置，其特征在于，包括：

计算单元，用于通过轨道分析计算得到太阳光强系数J，通过卫星运行轨道信息和太阳电池阵姿态信息计算获得太阳入射角θ，并通过分析在轨卫星遥测参数数据方法获得衰减因子η，并通过粒子滤波法根据观测值实时调整太阳光强系数J、太阳入射角θ和衰减因子η状态更新的值，；

预测单元，用于根据所述计算单元得到的结果，通过P＝V×I＝P₀×J×cos(θ)×η预测太阳能电池阵输出功率衰减，其中，V、I分别表示太阳电池阵的工作电压和工作电流；P表示太阳电池阵在轨工作输出功率；P₀表示太阳电池阵的理论最大输出功率；J表示太阳光强系数；θ表示太阳入射角；η表示衰减因子。

7.根据权利要求6所述的预测装置，其特征在于，

所述计算单元具体用于，计算太阳光强系数，所述太阳光强系数

t表示太阳电池阵在轨的天数，J₀表示卫星所在轨道标准光强，T₀表示航天器进入太空的初始日期与同年近日点的天数差，α表示卫星运行时太阳光强的变化系数，在近日点附近，太阳光强系数较大，远日点附近，太阳光强系数较小，太阳光强系数为年周期变化。

8.根据权利要求6所述的预测装置，其特征在于，

所述计算单元具体用于，计算太阳入射角，所述太阳入射角

其中，t表示太阳电池阵在轨的天数，θ₀表示南北回归线所在纬度值，T₀表示航天器进入太空的初始日期与同年近日点的天数差，β₀表示常量，值为101。

9.根据权利要求6所述的预测装置，其特征在于，所述计算单元具体用于，计算衰减因子，所述衰减因子t表示太阳电池阵在轨的天数，ξ表示太阳电池阵最大衰减因子，σ表示太阳电池阵随时间的衰减的速率。

10.根据权利要求6-9中任意一项所述的预测装置，其特征在于，

所述计算单元具体用于，设置太阳电池阵最大衰减因子ξ、太阳电池阵随时间的衰减的速率σ的初始值分别为ξ₀、σ₀，i为时间点的模型参数更新值分别为ξ_i+1、σ_i+1；过程噪声、观测噪声分别服从正态分布n_p～N(0,s_p)、n_m～N(0,s_m)，j为粒子个数，设置为l，i时间点的输出功率实际测量值、预测值、导数分别为P_i、

dP_i/dt，

状态方程更新公式为： $\begin{array}{c}\mathrm{\ξ}(i+1,j)=\mathrm{\ξ}(i,j)+n_p,\mathrm{\ξ}(0,j)={\mathrm{\ξ}}_0+n_p,\\ \mathrm{\σ}(i+1,j)=\mathrm{\σ}(i,j)+n_p,\mathrm{\σ}(0,j)={\mathrm{\σ}}_0+n_p,\\ {\tilde{P}}_{i+1}(i+1,j)=P_i+\frac{{\mathrm{dP}}_i}{\mathrm{dt}}\·\mathrm{\Δt}+n_p,\\ i=\mathrm{0,1,2},...;j=\mathrm{1,2},...l\end{array}$

观测方程更新公式为：P_i+1＝P_i+1+n_m,i＝0,1,2,…

权值更新公式为： $\begin{array}{c}w(i+1,j)=\frac{\stackrel{\‾}{w}(i+1,j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\stackrel{\‾}{w}(i+1,j)},\\ \stackrel{\‾}{w}(i+1,j)=\frac{1}{\sqrt{2\mathrm{\π}}\×s_m}{e}^{-\frac{{({\tilde{P}}_{i+1}(i+1,j)-P_{i+1})}^2}{{{2s}_m}^2},}\\ i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}$

预测结果更新公式为： $\begin{array}{c}{\mathrm{\ξ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\ξ}}_{i+1}(i+1,j)}{l},\\ {\mathrm{\σ}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\mathrm{\σ}}_{i+1}(i+1,j)}{l},\\ {\tilde{P}}_{i+1}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j\×{\tilde{P}}_{i+1}(i+1,j)}{l},\\ 0\≤c_j\≤l,\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{c}_j=1,i=\mathrm{0,1,2},...,j=\mathrm{1,2},...l\end{array}.$

Images