CN109993147A - 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 - Google Patents

基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 Download PDF

Info

Publication number
CN109993147A
CN109993147A CN201910292152.6A CN201910292152A CN109993147A CN 109993147 A CN109993147 A CN 109993147A CN 201910292152 A CN201910292152 A CN 201910292152A CN 109993147 A CN109993147 A CN 109993147A
Authority
CN
China
Prior art keywords
data
clustering
solar battery
battery array
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910292152.6A
Other languages
English (en)
Other versions
CN109993147B (zh
Inventor
刘亚杰
张涛
雷洪涛
黄生俊
王锐
曹孟达
明梦君
李训嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910292152.6A priority Critical patent/CN109993147B/zh
Publication of CN109993147A publication Critical patent/CN109993147A/zh
Application granted granted Critical
Publication of CN109993147B publication Critical patent/CN109993147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • G06F2218/10Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于聚类分析的卫星太阳电池阵输出功率衰减评估方法,包括步骤1:获取一段时间内的卫星太阳电池阵遥测参数数据集;步骤2:对遥测参数数据进行数据预处理;步骤3:对预处理后的数据进行聚类分析得到ks组数据;步骤4:对聚类分析后的每组数据进行输出功率衰减估计;步骤5:计算总的衰减估计并输出。通过聚类找到相同的太阳电池阵发电工况点,然后对聚类后每组数据进行周期性识别,消除周期性趋势,在去周期后拟合得到太阳电池阵的在轨衰减情况。对遥测数据的要求更低,且由于考虑了地球反照、天体遮挡等其他因素的影响,使得太阳电池阵衰减估计结果更加精确,计算简单快捷。

Description

基于聚类分析的卫星太阳电池阵输出功率衰减评估方法
技术领域
本发明涉及卫星太阳电池阵领域,具体涉及一种基于聚类分析的卫星太阳电池阵输出功率衰减评估方法。
背景技术
随着我国航天事业的大发展,在轨运行卫星的数量也逐年增加。为了有效的管理和使用好这些卫星,需要地面人员及时掌握卫星关键部件或分系统的健康状态。电源系统是卫星平台最为关键的分系统之一,其中太阳电池阵是卫星电源系统的重要电源,在光照期间不仅负责给卫星的负载进行供电,而且还要向蓄电池等辅助电源进行充电,其性能直接影响着整个航天器的工作状态,因此及时对太阳电池阵的健康状态进行评估就显得尤为重要。
太阳电池阵在太空中的输出功率一般受以下三个方面因素的影响:第一,太阳光照强度,主要受日地距离因素和太阳入射角等影响;第二,工作温度,太阳电池阵光伏发电核心单元为硅太阳能电池,太阳能电池短路电流随温度的升高而升高,而太阳能电池的峰值功率随温度的升高而降低;第三,空间环境,主要受粒子辐照、紫外辐照、微流星体碰撞和冷热交变等因素的影响,使得太阳电池阵特性发生衰降。前两者主要为周期性变化,第三种呈现为长期性的衰减变化,对卫星寿命有较大影响。因此应实时估算太阳电池阵受太空中多种环境因素影响而造成的衰减情况,以对太阳电池阵的健康状态进行及时的评估,为在轨卫星的合理调度与使用等提供辅助决策支持。
在太阳电池阵衰减估计的现有研究中,有以隐马尔科夫模型分析太阳电池阵剩余寿命的方法,也有太阳电池阵输出功率标准公式配合公式中所需参数数据进行衰减估计的方法。但是这两种方法对数据的要求均较高,基于隐马尔可夫模型分析太阳电池阵剩余寿命需要提供在不同场景、不同工况条件下太阳电池阵工作情况的概率分布,而实际情况中很难给出这种概率分布。而基于太阳电池阵输出功率标准公式的方法通常需要温度、太阳入射角、太阳辐射强度等多个参数,而卫星太阳电池阵的电流、电压等参数一般通过电源系统得到,但太阳入射角等参数则需要从卫星姿态控制系统中获得,因此实际情况中这些参数通常无法同时从一个系统或一个途径获得,导致太阳电池阵的退化估计不易实现且计算复杂。
发明内容
本发明要解决的技术问题是提供了一种对遥测数据要求低,数据获取容易,且计算简单的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法。
本发明基于卫星遥测系统中所提供的太阳电池阵温度、日地距离和太阳入射角等遥测参数,对这些参数进行聚类以得到同发电工况下的数据,对同发电工况点的电流值进行周期性补偿,在消除周期性后拟合得到太阳电池阵的在轨衰减情况。
一种基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:包括以下步骤:
步骤1:获取卫星太阳电池阵遥测参数数据集;
步骤2:对遥测参数数据进行数据预处理;
步骤3:对预处理后的数据进行聚类分析得到ks组数据;
步骤4:对聚类分析后的每组数据进行输出功率衰减估计;
步骤5:计算总的衰减估计并输出。
进一步地,步骤1中所述遥测参数数据包括太阳入射角、日地距离因子、电池板温度和太阳电池阵的输出电流数据,其中太阳入射角、日地距离因子、电池板温度为聚类参数。
进一步地,步骤2中所述数据预处理包括对所获取的数据去除离群点,并对聚类参数进行归一化处理。
进一步地,步骤3中所述聚类分析包括:
步骤3.1:设聚类数j=2;
步骤3.2:使用k-means聚类方法对所获取的遥测参数数据进行聚类分组,求取误差平方和,其中,K为所获取的遥测数据的总数量,yi为由第i条遥测数据的三个聚类参数所形成的坐标,1≤i≤K,yj表示聚类分组后第i条遥测数据聚类后所处的第k组的中心点坐标;
步骤3.3:j=j+1,重复步骤3.2,直至j达到预设值时停止,得到每一次聚类的误差平方和SSE,选取使SSE值最小的j值作为最合适聚类数ks
步骤3.4:输出经由最合适聚类数聚类后的ks组遥测数据集。
进一步地,步骤4中对聚类分析后的每组数据进行输出功率衰减估计的方法为:以第j组数据为例,
步骤4.1:识别所获取的太阳电池阵遥测参数数据中输出电流数据的周期,确定太阳电池阵输出电流周期电流公式;
步骤4.1.1:对所获取的太阳电池阵输出电流数据进行周期识别,得到太阳电池阵在所获取的遥测数据时间段内的波峰电流值;
步骤4.1.2:对该时间段内的波峰电流值进行多维拟合得到太阳电池阵输出电流的周期电流公式;
步骤4.2:对经聚类分析后的第j组太阳电池阵输出电流消除周期性趋势得到去周期性输出电流I趋势,,1≤j≤ks
根据步骤4.1.2中的输出电流周期电流公式计算出该组输出电流数据中某一个时间点的理论电流值I理论,该时间点的实际电流值为I实际
则该时间点的电流周期补偿值 表示所获取的太阳电池阵输出电流数据中所有波峰电流的均值;
则得到了消除太阳电池阵输出电流其他周期性因素影响,仅保留空间因素带来的衰减趋势的电流值I趋势=I实际-I补偿,该衰减趋势电流I趋势即为该组输出电流的去周期后电流。
步骤4.3:在得到第j组太阳电池阵输出电流每个时间点的衰减趋势I趋势后,以I趋势为y轴,时间为x轴,以最小二乘回归模型拟合电流变化,得到二维直线回归方程y=kjx+b,kj表示二维直线的斜率,b表示二维直线与y轴的交点;
步骤4.4:计算第j组太阳电池阵衰减量;
计算太阳电池阵衰减量;
I初始输出电流表示初始输出电流,kj表示步骤4.3中对去除周期性的同发电工况点拟合二维直线回归方程y=kjx+b中拟合直线的斜率,Δt为所获取的遥测参数数据的时间段长度。
进一步地,步骤5中所述总的衰减估计为
p总体年衰减=p年衰减1×z1+...+p年衰减j×zj
其中zj为第j组数据占总数据量的百分比;j的取值范围为1≤j≤ks
进一步地,步骤4.1.1中所述周期识别的方法为:
步骤4.1.1.1:寻找到去除离群点后的太阳电池阵输出电流中的最大值;
步骤4.1.1.2:根据所获取的输出电流最大值,设置阈值,得到所获取的历史数据中靠近波峰的点,通过一次聚类得到各个周期内的类波峰点构成的类波峰点簇;
步骤4.1.1.3:设置前向距离,周期内点前向距离设为1,周期间点前向距离设为一个大数,然后二次聚类将每个周期分开;
步骤4.1.1.4:根据步骤4.1.1.3中所得到的各个周期,找到每个周期内的输出电流最大值,即为每个电流周期的波峰电流值。
与现有技术相比本发明所取得的有益效果为:
本发明基于聚类分析的卫星太阳电池阵输出功率衰减评估方法,通过聚类分析将相同的太阳电池阵发电工况点进行聚类,然后对聚类后的同发工况点进行周期性识别,消除周期性趋势,统一对这类卫星轨道位置变化带来的周期性因素进行统一消除,然后对同发电工况点下的电流值进行周期性补偿,在消除周期性后拟合得到太阳电池阵的在轨衰减情况。使得即使没有太阳电池阵输出功率中的标准参数也能够使用其他相关度高的参数进行聚类,同时时间上仅有半年数据也能够提供有效的退化估计,对数据的要求更低,且在周期性识别与消除步骤考虑了标准公式方法中没有考虑到的地球反照、天体遮挡等其他因素的影响,使得太阳电池阵衰减估计结果更加精确,且在应用过程中也更为简便快捷。
附图说明
图1为本发明方法整体流程图;
图2为本发明方法步骤一中太阳电池阵全年温度聚类参数图;
图3为本发明方法步骤一中太阳电池阵全年太阳入射角聚类参数图;
图4为本发明方法步骤一中太阳电池阵全年太阳辐射因子图;
图5为本发明方法步骤二中归一化后的三个聚类参数的空间分布图;
图6为本发明方法步骤三中实确定聚类数实例的结果图;
图7为本发明方法步骤五中太阳电池阵全年输出电流图;
图8为本发明方法步骤五中构造周期识别算法模型流程图;
图9为本发明方法步骤五中一天中数十个完整周期的太阳电池阵输出电流图;
图10为本发明方法周期识别算法模型中一次聚类后的类波峰点簇图;
图11为本发明方法周期识别算法模型中二次聚类图;
图12为本发明方法周期识别算法模型中找到各周期波峰点图;
图13为本发明方法对太阳电池阵全年输出电流进行周期识别算法效果图;
图14为本发明方法步骤八中拟合太阳电池阵输出电流衰减直线图。
具体实施方式
图1至图14给出了本发明基于聚类分析的卫星太阳电池阵输出功率衰减评估方法的一种实施例,如图1所示,包括以下步骤:
步骤1:获取卫星太阳电池阵遥测参数数据集;
根据太阳电池阵输出电流IBOL的标准公式,如下式(1)所示,选取太阳电池阵发电过程中产生影响的三类特征参数(温度、太阳入射角、日地距离因子)和表征输出功率变化的太阳电池阵输出电流作为太阳电池阵遥测参数,然后获取一段时间内的这四个参数的遥测参数数据。
IBOL=IO/(cosαO×FSO×FO)-β×(TO-25) (1)
其中,根据太阳电池阵工作温度To、衰减因子FO和输出电流IO、寿命初期太阳入射角αO以及日地距离因子FSO,计算寿命初期太阳入射角为0°、工作温度为25℃、日地距离因子FSO为1。
根据太阳电池阵结构、发电原理和太阳电池阵输出电流标准公式选取太阳电池阵发电过程中产生的影响的三类特征参数(温度、太阳入射角、日地距离因子)和表征输出功率变化的太阳电池阵输出电流,本实施例中根据现有数据实际情况和对太阳电池阵输出电流作相关度分析,选取太阳电池阵外板和内板温度、太阳输入角ASS1和太阳辐射因子等参数,提取一年数据,分别如图2~4所示。
步骤2:对遥测参数数据进行数据预处理;
太阳电池阵输出电流预处理:通过对全年输出电流数据的图像观察确定波峰和波谷的阈值范围,将超过波峰值50%和低于波谷50%的点定义为离群点,对它们进行去除。
温度聚类参数预处理:选取太阳电池阵的外板温度与内板温度,去除离群点后做太阳电池阵输出电流的相关度分析,相关度分析采用已有的相关度分析方法进行,得到外板相关度为0.9301,内板相关度为0.7651,对其做相关度乘积求和,得到用于聚类的温度参数。对经过相关度分析后的内外板温度做归一化处理,如下式所示。
太阳入射角聚类参数预处理:选取太阳电池阵的输出角ASS1,通过对全年输出角的图像观察设置阈值范围,去除离群点。
日地距离因子聚类参数预处理:日地距离因子对于太阳电池阵输出功率影响在于太阳辐射强度变化,选取太阳辐射因子,通过对全年太阳辐射因子的图像观察设置阈值范围,去除离群点。
本实施例中去除离群点的方法采用常规方法进行,本实施例中根据经验设置各参数的阈值范围,去除离群点。
对用于聚类的参数进行归一化处理,使其全部映射在0-1之间,归一化处理方法为min-maxi标准化(离异标准化)。假设需要归一化的参数为x,则归一化后的参数其中min和max分别为所观察到的参数x的最小值和最大值。
归一化处理:
表1用于聚类的三类参数与太阳电池阵输出电流,图5表示以归一化后的三个聚类参数为x,y,z作的空间分布图。
表1用于聚类的三类参数与太阳电池阵输出电流
时间 电流 温度 输出角 太阳辐射因子
2016/6/1 08:00:52 22.71 0.791371 0.468 0.015686275
2016/6/1 08:41:04 23.08 0.463311 0.468 0.019607843
2016/6/1 08:42:48 23.2 0.594952 0.46 0.592156863
2016/6/1 08:44:34 23.45 0.682681 0.516 0.729411765
2016/6/1 08:48:03 23.69 0.762144 0.608 0.88627451
2016/6/1 08:49:48 23.32 0.803393 0.792 0.898039216
2016/6/1 08:53:18 22.71 0.854261 0.768 0.890196078
步骤3:对预处理后的数据进行聚类分析得到ks组数据;
通过各种聚类方法对比,选择k-means算法进行聚类,能够发挥其聚类效率高的优点,但k-means聚类需要提前确定聚类数,本实施例中选择通过比较每一种聚类数的组内误差平方和大小进行聚类数的确定,选取组内平方和最小的一组聚类数。
步骤3.1:设聚类数j=2;
步骤3.2:使用k-means聚类方法对所获取的遥测参数数据进行聚类分组,求取误差平方和,其中,K为所获取的遥测数据的总数量,yi为由第i条遥测数据的三个聚类参数所形成的坐标,1≤i≤K,yj表示聚类分组后第i条遥测数据聚类后所处的第j组的中心点坐标;
步骤3.3:j=j+1,重复步骤3.2,直至j达到预设值时停止,得到每一次聚类的误差平方和SSE,选取使SSE值最小的j值作为最合适聚类数ks
组内误差平方和SSE其原理为当聚类数目增多,每一个类别中数量越来越少,距离越来越近,因此WSS(within groups sum ofsquares)值是随着聚类数目增多而减少的,最优k值取决于斜率的变化,但WWS减少得很缓慢时,就认为进一步增大聚类数效果也并不能增强聚类效果。前后斜率发生骤变的点被称为肘点(knee point),这个“肘点”就是最佳聚类数目。本实施例中,聚类数预设值J设为10,图6给出了聚类数取2到10时,对应每一个次聚类结果的组内误差平方和。取组内误差平方和最小值为最合适聚类数,本实施例中最合适聚类数为ks=4。
步骤3.4:输出经由最合适聚类数聚类后的ks组遥测数据集。
本实施例对太阳入射角、日地距离因子、温度这三类参数根据步骤3.2中所得的聚类数进行k-means聚类。这里以ks=4时的聚类结果为例进行展示。如表2所示,确定聚类数后,输入选择好的聚类参数和通过SSE确定的聚类数,就能够得到下面表2中的输出结果,前面的组别0-3表示4个组的序号,后面的聚类值表示在所分组内到本组中心点距离的结果。
表2部分实例聚类结果
步骤4:对聚类分析后的每组数据进行输出功率衰减估计;
步骤4.1:识别所获取的太阳电池阵遥测参数数据中输出电流数据的周期,确定太阳电池阵输出电流周期电流公式;
在太阳电池阵发电过程中,不同的温度、太阳入射角和日地距离都会对太阳电池阵的输出电流产生影响。因此通过步骤1中的三个聚类参数进行聚类,得到温度、太阳入射角和日地距离因子带来的影响相同的太阳电池阵发电时间点,即同发电工况点。但太阳电池阵全年输出电流如图7所示,说明太阳电池阵发电过程在全年中除温度、太阳入射角和日地距离因子影响外还受到地球反照、太阳自身波动等周期性影响而带来的波动,因此想要观察太阳电池阵输出功率仅受空间中对太阳电池阵电池板带来的影响需要消除太阳电池阵输出功率中的周期性,仅保留空间影响带来的衰减。
步骤4.1.1:对所获取的太阳电池阵输出电流数据进行周期识别,得到太阳电池阵在所获取的遥测数据时间段内的波峰电流值;以波峰电流值的周期变化表征太阳电池阵输出电流的周期性变化;
周期识别的具体方法为:图8给出了周期识别的流程图;
步骤4.1.1.1:寻找到去除离群点后的太阳电池阵输出电流中的最大值;
步骤4.1.1.2:根据所获取的历史数据中的最大值,设置阈值,得到所获取的历史数据中靠近波峰的点,通过一次聚类得到各个周期内的类波峰点构成的类波峰点簇;
本实施例中,通过设置一个阈值0.9倍的最大值,选取所有大于0.9倍的最大值的点,得到全年输出电流中靠近波峰的点,通过一次聚类得到各个周期内的类波峰点构成的类波峰点簇,如图10所示;
步骤4.1.1.3:设置前向距离,周期内点前向距离设为1,周期间点前向距离设为一个大数,然后二次聚类将每个周期分开;如图11所示;
步骤4.1.1.4:根据步骤4.1.1.3中所得到的各个周期,找到每个周期内的输出电流最大值,即为每个电流周期的波峰电流值,如图12所示;
图13给出了所获取数据中的输出电流进行周期识别后所得到的波峰电流图。
步骤4.1.2:对该时间段内的波峰电流值进行多维拟合得到太阳电池阵输出电流的周期电流公式;
根据步骤4.1.1得到的第j(1≤j≤ks,ks为最合适聚类数)组数据太阳电池阵输出电流的波峰值,以太阳电池阵输出电流波峰点的时间为x轴,电流值为y轴进行多维拟合,考虑到维度过高会导致过拟合,同时在多维拟合过程中,参考拟合结果的误差平方和,选取误差平方和最小的一组解,即五维拟合,得到太阳电池阵波峰输出电流与时间的关系式如下:
太阳电池阵波峰输出电流与时间关系式:y=ax5+bx4+cx3+dx2+ex+f
其中y为太阳电池阵波峰输出电流理论值,x为时间的数值形式表示,a=2.809E-26,b=-1.495E-20,c=1.693E-15,d=1.558E-10,e=-2.147E-05,f=24.21。
步骤4.2:对经聚类分析后的第j组太阳电池阵输出电流消除周期性趋势得到去周期性输出电流I趋势
聚类后的每一组数据表示该组数据是具有相同的同发电工况点,即其电池板温度、太阳入射角和日地距离因子等因素的影响所得到的相同的太阳电池阵发电状况;聚类后的同发电工况点,能够视为温度、太阳辐射因子、太阳入射角等对太阳电池阵影响情况相同的时间点。但此时对太阳电池阵输出电流除空间影响外,仍存在其他周期性因素的影响,因此需要将其周期性消除,对同发电工况点的电流值进行周期性补偿。通过太阳电池阵波峰电流值的周期变化表征太阳电池阵输出电流的周期变化。对电流值进行补偿消除周期性趋势的具体方法为:
首先根据步骤4.1.2中的输出电流周期电流公式计算出该组输出电流数据中某一个时间点的理论电流值I理论,该时间点的实际电流值为I实际
则该时间点的电流周期补偿值其中表示所获取数据中所有波峰电流的均值。
则得到了消除太阳电池阵输出电流其他周期性因素影响,仅保留空间因素带来的衰减趋势的电流值I趋势=I实际-I补偿,该衰减趋势电流I趋势即为该组输出电流的去周期后电流。
步骤4.3:在得到第j组太阳电池阵输出电流每个时间点的衰减趋势I趋势后,以I趋势为y轴,时间为x轴,以最小二乘回归模型拟合电流变化,得到二维直线回归方程y=kjx+b,kj表示二维直线的斜率,b表示二维直线与y轴的交点;本实施例中所进行的拟合采用Matlab拟合工具箱进行拟合。
步骤4.4:计算第j组太阳电池阵衰减量;
在拟合得到的二维直线回归方程y=kjx+b后,进行太阳电池阵衰减估计。由于拟合得到的回归方程表示太阳电池阵输出电流随时间的变化,通过回归方程的斜率kj与所获取的遥测数据的时间段的长度作乘积,得到该段时间内太阳电池阵输出电流的衰减量,将衰减量与该段时间初的太阳电池阵输出电流作比能够得到该段时间太阳电池阵的衰减估计:
I初始输出电流表示初始输出电流,kj表示步骤4.3中对去除周期性的同发电工况点拟合二维直线回归方程y=kjx+b中拟合直线的斜率,Δt为所获取的遥测参数数据的时间段长度,单位为天。
步骤4.5:计算第j组太阳电池阵全年衰减估计:
将该段时间和全年时间作比,取衰减百分比p年衰减j与该比值作除法,即得到太阳电池阵全年衰减估计:
步骤5:计算总衰减量并输出。
p总体年衰减=p年衰减1×z1+...+p年衰减j×zj
其中zj为第j组同发电工况点数据量占总体的百分比。
由于聚类后有不同组的同发电工况点,不同组内数据量不同,占总体数据量的百分比也不同,对每组同发电工况点的年衰减量与每组同发电工况点的数据量占总体百分比做乘积相加,能够得到太阳电池阵输出电流的全年衰减估计。
由于实例数据4月数据缺失,聚类数据时仅采用16年6月至17年3月共10个月,通过聚类,得到四组同发电工况点,根据每组数据量在总体数据占比,得到总体数据的太阳电池阵输出电流的理论年衰减量,列入表3。
表3聚类后各组同状态点衰减量与太阳电池阵输出电流理论衰减量
组别 数据量 数据占比 拟合公式 (16.6.1-17.3.27)衰减率% 理论年衰减量%
1 36026 0.317 y=-0.0003172x+36.9 0.41 0.496
2 43531 0.384 y=-0.001301x+78.03 1.71 2.1
3 9294 0.082 y=-0.001717x+95.41 2.29 2.79
4 24487 0.216 y=-0.000684x+52.04 0.89 1.08
合计 113338 1.168 1.425
综上所述,本发明提供的一种基于聚类的太阳电池阵输出功率衰减评估方法,至少能够带来以下有益效果:
1、本发明提出的基于聚类的太阳电池阵输出功率衰减评估方法不仅考虑太阳电池阵输出电流标准公式中的太阳入射角、温度、日地距离因子等参数,还考虑到太阳活动、地球反照等周期性因素的影响,能够准确评估太阳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、本发明进行衰减估计过程中可根据数据现有情况,对太阳电池阵电流进行相关度分析后,选取和温度、太阳入射角、日地距离因子相关的参数进行聚类分析,不局限于这三类数据,因此对数据要求较低,易于进行太阳电池阵衰减估计。
3、本发明通过对太阳电池阵发电情况根据电流公式中的影响参数进行聚类,并通过太阳电池阵输出电流消除周期性影响,得到太阳电池阵衰减,对于数据量和先验知识要求较低,操作简便,解决了制约太阳电池阵寿命预测过程中由于复杂的处理要求而无法及时获取太阳电池阵衰减的问题,有利于提升卫星平台长期、可靠运行能力。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。

Claims (8)

1.一种基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:包括以下步骤:
步骤1:获取卫星太阳电池阵遥测参数数据集;
步骤2:对遥测参数数据进行数据预处理;
步骤3:对遥测参数数据进行聚类分析得到ks组数据;
步骤4:对聚类分析后的每组数据进行输出功率衰减估计;
步骤5:得到总的衰减估计并输出。
2.根据权利要求1所述的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:步骤1中所述遥测参数数据包括太阳入射角、日地距离因子、电池板温度和太阳电池阵的输出电流数据,其中太阳入射角、日地距离因子、电池板温度为聚类参数。
3.根据权利要求2所述的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:步骤2中所述数据预处理包括对所获取的卫星太阳电池阵遥测参数数据去除离群点,并对聚类参数进行归一化处理。
4.根据权利要求2所述的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:步骤3中所述聚类分析包括:
步骤3.1:设聚类数j=2;
步骤3.2:使用k-means聚类方法对所获取的遥测参数数据进行聚类分组,求取误差平方和,其中,K为所获取的遥测参数数据的总数量,yi为由第i条遥测数据的三个聚类参数所形成的坐标,1≤i≤K,yj表示聚类分组后第i条遥测数据聚类后所处的第j组的中心点坐标;
步骤3.3:j=j+1,重复步骤3.2,直至j达到预设值时停止,得到每一次聚类的误差平方和SSE,选取使SSE值最小的j值作为最合适聚类数ks
步骤3.4:输出经由最合适聚类数聚类后的ks组遥测数据集。
5.根据权利要求4所述的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:步骤4中对聚类分析后的每组数据进行输出功率衰减估计的方法为:
步骤4.1:识别所获取的太阳电池阵遥测参数数据中输出电流数据的周期,确定太阳电池阵输出电流周期电流公式;
步骤4.1.1:对所获取的太阳电池阵输出电流数据进行周期识别,得到太阳电池阵在所获取的遥测数据时间段内的波峰电流值;
步骤4.1.2:对该时间段内的波峰电流值进行多维拟合得到太阳电池阵输出电流的周期电流公式;
步骤4.2:对经聚类分析后的第j组太阳电池阵输出电流消除周期性趋势得到去周期性输出电流I趋势,,1≤j≤ks
根据步骤4.1.2中的输出电流周期电流公式计算出该组输出电流数据中某一个时间点的理论电流值I理论,该时间点的实际电流值为I实际
则该时间点的电流周期补偿值 表示所获取的太阳电池阵输出电流数据中所有波峰电流的均值;
则得到了消除太阳电池阵输出电流其他周期性因素影响,仅保留空间因素带来的衰减趋势的电流值I趋势=I实际-I补偿,该衰减趋势电流I趋势即为该组输出电流的去周期后电流。
步骤4.3:在得到第j组太阳电池阵输出电流每个时间点的衰减趋势I趋势后,以I趋势为y轴,时间为x轴,以最小二乘回归模型拟合电流变化,得到二维直线回归方程y=kjx+b,kj表示二维直线的斜率,b表示二维直线与y轴的交点;步骤4.4:计算第j组太阳电池阵衰减量;
计算太阳电池阵衰减量;
I初始输出电流表示初始输出电流,kj表示步骤4.3中对去除周期性的同发电工况点拟合二维直线回归方程y=kjx+b中拟合直线的斜率,Δt为所获取的遥测参数数据的时间段长度。
6.根据权利要求5所述的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:还包括步骤4.5:计算第j组太阳电池阵全年衰减估计:
7.根据权利要求6所述的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:
步骤5中所述总的衰减估计为
p总体年衰减=p年衰减1×z1+...+p年衰减j×zj
其中其中zj为第j组同发电工况点数据量占总体的百分比,1≤j≤ks
8.根据权利要求5所述的基于聚类分析的卫星太阳电池阵输出功率衰减评估方法:其特征在于:步骤4.1.1中所述周期识别的方法为:
步骤4.1.1.1:寻找到去除离群点后的太阳电池阵输出电流中的最大值;
步骤4.1.1.2:根据所获取的历史数据中的最大值,设置阈值,得到所获取的历史数据中靠近波峰的点,通过一次聚类得到各个周期内的类波峰点构成的类波峰点簇;
步骤4.1.1.3:设置前向距离,周期内点前向距离设为1,周期间点前向距离设为一个大数,然后二次聚类将每个周期分开;
步骤4.1.1.4:根据步骤4.1.1.3中所得到的各个周期,找到每个周期内的输出电流最大值,即为每个电流周期的波峰电流值。
CN201910292152.6A 2019-04-12 2019-04-12 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 Active CN109993147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910292152.6A CN109993147B (zh) 2019-04-12 2019-04-12 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910292152.6A CN109993147B (zh) 2019-04-12 2019-04-12 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法

Publications (2)

Publication Number Publication Date
CN109993147A true CN109993147A (zh) 2019-07-09
CN109993147B CN109993147B (zh) 2021-06-04

Family

ID=67133511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910292152.6A Active CN109993147B (zh) 2019-04-12 2019-04-12 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法

Country Status (1)

Country Link
CN (1) CN109993147B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721154A (zh) * 2021-08-31 2021-11-30 潍柴动力股份有限公司 一种燃料电池工况点选取方法及装置
CN113722933A (zh) * 2021-09-14 2021-11-30 北京博瑞华通科技有限公司 一种燃料电池发动机的衰减分析方法以及衰减分析系统
CN114978040A (zh) * 2022-08-01 2022-08-30 一道新能源科技(衢州)有限公司 基于太阳能电池数据的衰减状况分析方法及系统
CN116800201A (zh) * 2022-12-07 2023-09-22 武汉涛初科技有限公司 一种太阳能发电运行监测方法、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749497A (zh) * 2012-07-13 2012-10-24 北京空间飞行器总体设计部 卫星太阳电池阵电流输出预测及故障诊断方法
CN103294848A (zh) * 2013-05-03 2013-09-11 中国航天标准化研究所 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法
CN103310093A (zh) * 2013-04-19 2013-09-18 中国航天标准化研究所 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法
CN103605884A (zh) * 2013-11-04 2014-02-26 北京航天测控技术有限公司 太阳能电池阵输出功率衰减的预测方法及装置
CN104614684A (zh) * 2015-02-13 2015-05-13 国家电网公司 一种储能电池响应能力的工况评价方法
CN104836529A (zh) * 2015-05-20 2015-08-12 北京空间飞行器总体设计部 一种在轨卫星太阳电池阵输出电流的故障诊断方法
CN104852686A (zh) * 2015-05-27 2015-08-19 中国人民解放军国防科学技术大学 一种基于电流衰减的太阳能电池寿命预测方法
CN104852687A (zh) * 2015-05-27 2015-08-19 中国人民解放军国防科学技术大学 基于电流衰减的空间三结砷化镓太阳能电池片在轨剩余寿命预测方法
CN107729678A (zh) * 2017-11-02 2018-02-23 中国科学院数学与系统科学研究院 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法
CN107748966A (zh) * 2017-11-07 2018-03-02 中国人民解放军国防科技大学 一种太阳同步轨道卫星电源供电能力预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749497A (zh) * 2012-07-13 2012-10-24 北京空间飞行器总体设计部 卫星太阳电池阵电流输出预测及故障诊断方法
CN103310093A (zh) * 2013-04-19 2013-09-18 中国航天标准化研究所 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法
CN103294848A (zh) * 2013-05-03 2013-09-11 中国航天标准化研究所 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法
CN103605884A (zh) * 2013-11-04 2014-02-26 北京航天测控技术有限公司 太阳能电池阵输出功率衰减的预测方法及装置
CN104614684A (zh) * 2015-02-13 2015-05-13 国家电网公司 一种储能电池响应能力的工况评价方法
CN104836529A (zh) * 2015-05-20 2015-08-12 北京空间飞行器总体设计部 一种在轨卫星太阳电池阵输出电流的故障诊断方法
CN104852686A (zh) * 2015-05-27 2015-08-19 中国人民解放军国防科学技术大学 一种基于电流衰减的太阳能电池寿命预测方法
CN104852687A (zh) * 2015-05-27 2015-08-19 中国人民解放军国防科学技术大学 基于电流衰减的空间三结砷化镓太阳能电池片在轨剩余寿命预测方法
CN107729678A (zh) * 2017-11-02 2018-02-23 中国科学院数学与系统科学研究院 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法
CN107748966A (zh) * 2017-11-07 2018-03-02 中国人民解放军国防科技大学 一种太阳同步轨道卫星电源供电能力预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MENGDA CAO ET AL: "Research of A Method of Satellite Power Component Degradation Estimation based on Clustering", 《3RD INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING, INFORMATION SCIENCE & APPLICATION TECHNOLOGY (ICCIA 2019)》 *
R. AZIMI ET AL: "A hybrid method based on a new clustering technique and multilayer perceptron neural networks for hourly solar radiation forecasting", 《ENERGY CONVERSION AND MANAGEMENT》 *
周建宝 等: "可重构卫星锂离子电池剩余寿命预测系统研究", 《仪器仪表学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721154A (zh) * 2021-08-31 2021-11-30 潍柴动力股份有限公司 一种燃料电池工况点选取方法及装置
CN113722933A (zh) * 2021-09-14 2021-11-30 北京博瑞华通科技有限公司 一种燃料电池发动机的衰减分析方法以及衰减分析系统
CN114978040A (zh) * 2022-08-01 2022-08-30 一道新能源科技(衢州)有限公司 基于太阳能电池数据的衰减状况分析方法及系统
CN114978040B (zh) * 2022-08-01 2022-10-25 一道新能源科技(衢州)有限公司 基于太阳能电池数据的衰减状况分析方法及系统
CN116800201A (zh) * 2022-12-07 2023-09-22 武汉涛初科技有限公司 一种太阳能发电运行监测方法、设备及存储介质
CN116800201B (zh) * 2022-12-07 2024-04-26 汇耀品尚能源科技(嘉兴)有限公司 一种太阳能发电运行监测方法、设备及存储介质

Also Published As

Publication number Publication date
CN109993147B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN109993147A (zh) 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法
Dong et al. Storage sizing with peak-shaving policy for wind farm based on cyclic Markov chain model
CN106712037B (zh) 一种考虑电动汽车充电特性和负荷波动极限的电力系统静态电压稳定性评估方法
CN108053149A (zh) 一种考虑气象因素的光伏电站并网风险评估方法
CN102749497A (zh) 卫星太阳电池阵电流输出预测及故障诊断方法
CN104852686A (zh) 一种基于电流衰减的太阳能电池寿命预测方法
CN107703353A (zh) 航天器太阳翼在轨全寿命周期输出功率预示方法和系统
CN117251672A (zh) 基于电力数据的区域行业多维能源碳排放计算方法和装置
CN109543993B (zh) 分析光伏电站的方法、计算机存储介质及计算机设备
CN104852687A (zh) 基于电流衰减的空间三结砷化镓太阳能电池片在轨剩余寿命预测方法
CN117713245A (zh) 考虑新能源多场站短路比的网源协同规划方法及系统
Liang et al. Operation optimization of wind-solar complementary hydrogen production system based on MOGEO
Abazov et al. Search for a Higgs boson in diphoton final states with the D0 detector<? format?> in 9.6 fb-1 of pp¯ collisions at s<? format?>=<? format?> 1.96 TeV
Jiang et al. Data-Driven Chance-Constrained Planning for Distributed Generation: A Partial Sampling Approach
Hu et al. Research on user-transformer relationship based on improved dynamic time warping algorithm
Zhou et al. Elman-Based Forecaster Integrated by AdaboostAlgorithm in 15 min and 24 h ahead Power OutputPrediction Using PM 2.5 Values, PV ModuleTemperature, Hours of Sunshine, and Meteorological Data
CN114239922A (zh) 一种城市多能源协调优化调度方法
Wen et al. Optimal energy management strategy of battery energy storage for primary frequency control
Yiwang et al. Research on Photovoltaic Power Generation Output Forecasting Model Based on Wavelet SVM and Micrometeorological Influencing Factor Analysis
Lu et al. Machine Learning Based Uncertainty-Alleviating Operation Model for Distribution Systems with Energy Storage
CN110007242B (zh) 一种基于波峰电流的太阳电池阵退化估计方法
Luthfi et al. Web-based Monitoring System for Power Electronics Devices on Off-grid Solar Power Generator
Siddula Adaptive Neuro-Fuzzy Controller Based Electric Vehicle Battery Charging System
CN115291538B (zh) 一种光伏储能电站数字仿真方法及系统
Qu et al. An XGBoost Algorithm Based Missing Value Filling Method for Power Data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant