CN111815069B - 基于时间序列分析原理的卫星锂电池电压预测方法 - Google Patents
基于时间序列分析原理的卫星锂电池电压预测方法 Download PDFInfo
- Publication number
- CN111815069B CN111815069B CN202010718770.5A CN202010718770A CN111815069B CN 111815069 B CN111815069 B CN 111815069B CN 202010718770 A CN202010718770 A CN 202010718770A CN 111815069 B CN111815069 B CN 111815069B
- Authority
- CN
- China
- Prior art keywords
- voltage
- lithium battery
- neural network
- satellite lithium
- satellite
- 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.)
- Active
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012731 temporal analysis Methods 0.000 title claims description 17
- 238000000700 time series analysis Methods 0.000 title claims description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 230000000306 recurrent effect Effects 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 17
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 15
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 230000006386 memory function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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:
(1)收集与当前在轨卫星具有近似工作状态的卫星的电源系统的电压历史遥测数据,并根据时间序列分析原理,构建电压序列训练集与测试集。所构建的电压序列集清晰地描述了每个时间段内的卫星锂电池电压信号与前后时间段内的电压信号的内在联系,有效地为探究电压数据内部的序列相关性,实现当前在轨卫星锂电池电压预测提供数据支持。
(2)应用带有反馈结构,具备短时记忆功能的循环神经网络构建卫星锂电池电压预测模型,并利用学习率衰减算法优化神经网络训练过程的学习率参数,增加了网络的拟合能力,在实现利用之前时间段的电压序列预测未来时间段的电压序列间的同时,显著提高了预测的精度。
(3)所建立的卫星锂电池电压预测模型具有预测精度高、预测速度快和泛化能力强的特点。预测结果可以有效地为卫星锂电池的故障诊断提供量化依据,降低卫星锂电池故障诊断的虚警率与漏警率。
附图说明
图1为基于时间序列分析原理的卫星锂电池电压预测方法流程图。
图2为本发明中所使用的循环神经网络的结构图。
图3为使用学习率衰减算法后神经网络训练过程中的学习率变化曲线图。
图4为采用本发明所述的方法预测某型通信卫星的星载锂电池电压时,电压的实际值与预测值对比曲线图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
本发明所述的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。
结合图1,本发明所述的一种基于时间序列分析原理的卫星锂电池电压预测方法,具体步骤如下:
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,具体如下:
采集卫星锂电池在轨工作时全寿命周期的电压遥测数据时,自卫星锂电池首次开始工作起,直至卫星锂电池因故障或失效而被从电池组中切除为止,按照设定的采样时间周期对卫星锂电池的电压数据进行采样。
收集与当前在轨卫星具有近似工作状态的卫星的电源系统的电压历史遥测数据,利用数据驱动方法与时间序列分析原理,分析历史电压遥测数据的变化规律,探究电压数据内部的序列相关性,可以有效地为实现当前在轨卫星锂电池电压预测提供数据支持,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=[v1,v2,…,vt,…,vn];其中,vt为t时刻的电压采样值,n为采样的电压值的个数,具体如下:
所述的预处理包括删除异常数据、插补缺失数据和数据的归一化中的至少一种。
卫星锂电池电压采样数据向量中可能存在野值、缺失值或异常值。这些错误数据会提供错误的电压数据的变化趋势信息。在错误数据较多的情况下,甚至会完全淹没采样数据向量内的有效信息。因此,去除采样数据向量中的野值与异常值,并利用适当方法对采样数据向量中出现的空缺进行平滑地插值补偿,是提高电压预测精度的关键环节,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:
构建方式具体如下:
确定输入集的电压序列的长度为m,输出集的电压序列的长度为l,即利用采样数据向量V中的前m个时刻数据预测后l个时刻的数据。首先,从采样数据向量V中,提取向量Vin1=[v1,v2,…,vm-1,vm],Vin2=[v2,v3,…,vm,vm+1],……,Vin(n-l-m+1)=[vn-l-m+1,vn-l-m+2,…,vn-l-1,vn-l],作为循环神经网络的输入集,记为矩阵Vin;
其次,从采样数据向量V中,提取向量Vou1=[vm+1,vm+2,…,vm+l-1,vm+l],Vou2=[vm+2,vm+3,…,vm+l,vm+l+1],,……,Vou(n-l+1)=[vn-l+1,vn-l+2,…,vn--1,vn],作为循环神经网络的输出集,记为矩阵Vou;
其中,输出序列的长度l根据实际工程应用中的预测时间步长需求与预测精度需求自主确定;输入序列的长度m根据预测精度需求与计算机的计算能力自主确定。一般情况下,m选取的长度越长,预测精度越高,但计算量越大。通常,m选取为l的三倍长度及以上。
按照上述构建方式组成的电压序列集,清晰地描述了每个时间段内的卫星锂电池电压信号与前后时间段内的电压信号的内在联系。结合使用带有反馈结构,具备短时记忆功能的循环神经网络,如图2所示,即可实现利用之前时间段的电压序列预测未来时间段的电压序列。
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:
根据电压序列集的序列长度,确定循环神经网络的结构为m—k—l的三层循环神经网络。其中,输入层神经元的数量为m,隐藏层的神经元数量为k,输出层的神经元数量为l。隐藏层的神经元数量k按公式(2)确定,计算结果四舍五入取整数,a可设置为1到10(包含1和10)间的正数,可根据循环神经网络的预测精度自主调整。
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:
根据学习规则,利用反向传播算法训练神经网络。在神经网络的训练过程中利用学习率衰减算法,控制神经网络的学习率随训练次数的增加而衰减。按公式(1)设置神经网络训练过程中的学习率:
其中,learning_rate_steps为当前训练次数下的学习率;learning_rate为初始学习率,通常为比1小得多的正实数;decay为衰减率,为(0,1)间的实数;global_step为当前训练次数;decay_step为预设的衰减速度,为正整数,可根据拟合效果自行调整。
传统循环神经网络的训练过程中,学习率是一个预设的定值。过小的预设学习率虽然能保证结果的收敛性,但是往往需要很长的训练时间。过大的预设学习率虽然保证较高的训练速度,但是易导致参数的“摆动”特性。因此,在传统循环神经网络的训练过程中,引入学习率衰减算法,使得循环神经网络在训练初期具备较快的参数更新速度,而在训练后期更加注重结果的收敛性与稳定性。
转入步骤6。
步骤6、利用获得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。
利用获得的卫星锂电池电压预测模型,在线预测卫星锂电池电压的应用方法为:从某一时刻q开始预测,向卫星锂电池电压预测模型中输入时刻q之前m个时间步长的电压序列Vinput=[vq-m+1,vq-m+2,…,vq-1,vq],卫星锂电池电压预测模型的输出序列Voutput=[vq+1,vq+2,…,vq+l-1,vq+l]即为预测的时刻q之后l个时间步长的电压值;进一步采集实际的Vou,将Vou拼接至Vin后并重复上述操作,预测q+l时刻之后l个时间步长的电压值,以此类推,实现卫星锂电池电压的长期连续预测,每次预测后,若采集到的实际数据与预测数据的残差超过一定范围,则停止预测,排查导致数据异常的原因。
虽然卫星锂电池电压预测模型在离线训练时需要耗费一定的时间,但是,按照步骤6中所述的应用方式,在线预测时,只需一次前向传递过程即可完成卫星锂电池电压的高精度预测,具备良好的时效性与在线应用能力。
实施例1
结合图1,一种基于时间序列分析原理的卫星锂电池电压预测方法,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:
采集卫星锂电池在轨工作时全寿命周期的电压遥测数据时,自卫星锂电池首次开始工作起,直至卫星锂电池因故障或失效而被从电池组中切除为止,按照设定的采样时间周期对卫星锂电池的电压数据进行采样。
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=[v1,v2,…,vt,…,vn];其中,vt为t时刻的电压采样值,n为采样的电压值的个数,:
对采集到的卫星锂电池遥测数据进行预处理,所述的预处理包括删除异常数据、插补缺失数据和数据的归一化中的至少一种。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:
构建方式具体如下:
根据某型卫星的预测时间步长需求与预测精度需求,确定输出的电压序列的长度为40;根据某型卫星的预测精度需求以及星载计算机的计算能力条件,确定输入的电压序列的长度为200。即利用数据向量V中的前200个时刻数据预测后40个时刻的数据。首先,从采样数据向量V中,提取向量Vin1=[v1,v2,…,v199,v200],Vin2=[v2,v3,…,v200,v201],……,Vin(n-239)=[vn-239,vn-238,…,vn-41,vn-40]作为循环神经网络的输入集,记为矩阵Vin。
其次,从采样数据向量V中,提取向量Vou1=[v201,v202,…,v239,v240],Vou2=[v202,v203,…,v240,v241],……,Vou(n-39)=[vn-39,vn-38,…,vn--1,vn]作为循环神经网络的输出集,记为矩阵Vou。
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:
根据电压序列集的序列长度,并按公式(2)四舍五入取整数后,确定隐藏层神经元的数量。当a取值为5时,循环神经网络具有最佳的预测精度。因此,确定循环神经网络的结构为200—20—40的三层循环神经网络,构建的循环神经网络结构图如图2所示,图中。xt和ot分别为循环神经网络在t时刻的全部输入和输出,st为t时刻隐藏内的值。
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:
根据学习规则,利用反向传播算法训练神经网络。在神经网络的训练过程中利用学习率衰减算法,控制神经网络的学习率随训练次数的增加而衰减。按公式(1)设置神经网络训练过程中的学习率:
其中,learning_rate_steps为当前训练次数下的学习率;learning_rate为初始学习率,通常为比1小得多的正实数,本实施例中确定为0.02;decay为衰减率,为(0,1)间的实数,本实施例中确定为0.4;global_step为当前训练次数;decay_step为衰减速度,为正整数,可根据拟合效果自行调整,本实施例中确定为20。本实施例的神经网络训练过程中,学习率变化曲线如图3所示。
转入步骤6。
步骤6、利用获得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。
利用获得的卫星锂电池电压预测模型,在线实现卫星锂电池电压预测。假设第一次预测时,卫星锂电池电压预测模型的输入为Vin=[v1,v2,…,v199,v200],则模型的输出序列Vou=[v201,v202,…,v239,v240]即为当前时刻模型预测的40个时间步长的电压值。进一步采集实际的Vou,将Vou拼接至Vin后,并取后200步长的电压值作为卫星锂电池电压预测模型的新的时刻的输入Vin=[v41,v42,…,v239,v240],模型的输出序列Vou=[v241,v242,…,v279,v280]即为新的时刻模型预测的40个步长的电压值。以此类推,实现卫星锂电池电压的长期连续预测。每次预测后,若采集到的实际数据与预测数据的残差超过一定范围,则停止预测,排查导致数据异常的原因。
使用本发明所述的一种基于神经网络的卫星锂电池电压预测方法预测某型卫星局部时间段内的锂电池电压,预测值与实际值的对比如图4所示。由图可以看出,卫星锂电池的电压预测值与实际值曲线在该局部时间段内具有较高的贴合度。引入均方根误差(RMSE)评价某型卫星的锂电池电压预测精度。RMSE直观地展现了预测值与真实值的误差大小。RMSE的评价准则定义如公式(3)所示。
预测结果的均方根误差为7mV,具有比较精确的预测结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的改进范围之内。
Claims (8)
1.一种基于时间序列分析原理的卫星锂电池电压预测方法,其特征在于:采集卫星锂电池在轨工作时全寿命周期的电压遥测数据,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;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。
2.根据权利要求1所述的基于时间序列分析原理的卫星锂电池电压预测方法,其特征在于,步骤1中,采集卫星锂电池在轨工作时全寿命周期的电压遥测数据时,自卫星锂电池首次开始工作起,直至卫星锂电池因故障或失效而被从电池组中切除为止,按照设定的采样时间周期对卫星锂电池的电压数据进行采样。
3.根据权利要求2所述的基于时间序列分析原理的卫星锂电池电压预测方法,其特征在于,步骤2中,对采集到的卫星锂电池遥测数据进行预处理,所述的预处理包括删除异常数据、插补缺失数据和数据的归一化中的至少一种;预处理后的数据,记为采样数据向量V=[v1,v2,…,vt,…,vn];其中,vt为t时刻的电压采样值,n为采样的电压值的个数。
4.根据权利要求3所述的基于时间序列分析原理的卫星锂电池电压预测方法,其特征在于,步骤3中,根据时间序列分析原理,将采样数据向量V重新构建为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,构建方式具体如下:
确定输入集的电压序列的长度为m,输出集的电压序列的长度为l,即利用采样数据向量V中的前m个时刻数据预测后l个时刻的数据;首先,从采样数据向量V中,提取向量Vin1=[v1,v2,…,vm-1,vm],Vin2=[v2,v3,…,vm,vm+1],……,Vin(n-l-m+1)=[vn-l-m+1,vn-l-m+2,…,vn-l-1,vn-l],作为循环神经网络的输入集,记为矩阵Vin;
其次,从采样数据向量V中,提取向量Vou1=[vm+1,vm+2,…,vm+l-1,vm+l],Vou2=[vm+2,vm+3,…,vm+l,vm+l+1],,……,Vou(n-l+1)=[vn-l+1,vn-l+2,…,vn--1,vn],作为循环神经网络的输出集,记为矩阵Vou;
n为采样的电压值的个数。
5.根据权利要求4所述的基于时间序列分析原理的卫星锂电池电压预测方法,其特征在于,上述输出序列的长度l根据实际工程应用中的预测时间步长需求与预测精度需求自主确定;输入序列的长度m根据预测精度需求与计算机的计算能力自主确定;m选取为l的三倍长度及以上。
6.根据权利要求5所述的基于时间序列分析原理的卫星锂电池电压预测方法,其特征在于,步骤4中,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,即根据输入与输出的电压序列的长度,确定循环神经网络的层数和每层内神经元的个数。
8.根据权利要求7所述的基于时间序列分析原理的卫星锂电池电压预测方法,其特征在于,步骤6中,利用获得的卫星锂电池电压预测模型,在线预测卫星锂电池电压的应用方法为:从某一时刻q开始预测,向卫星锂电池电压预测模型中输入时刻q之前m个时间步长的电压序列Vinput=[vq-m+1,vq-m+2,…,vq-1,vq],卫星锂电池电压预测模型的输出序列Voutput=[vq+1,vq+2,…,vq+l-1,vq+l]即为预测的时刻q之后l个时间步长的电压值;进一步采集下一时刻的输出序列Voutput,将输出序列Voutput拼接至电压序列Vinput后并重复上述操作,预测q+l时刻之后l个时间步长的电压值,以此类推,实现卫星锂电池电压的长期连续预测,每次预测后,若采集到的实际数据与预测数据的残差超过一定范围,则停止预测,排查导致数据异常的原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718770.5A CN111815069B (zh) | 2020-07-23 | 2020-07-23 | 基于时间序列分析原理的卫星锂电池电压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718770.5A CN111815069B (zh) | 2020-07-23 | 2020-07-23 | 基于时间序列分析原理的卫星锂电池电压预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815069A CN111815069A (zh) | 2020-10-23 |
CN111815069B true CN111815069B (zh) | 2022-08-16 |
Family
ID=72860902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010718770.5A Active CN111815069B (zh) | 2020-07-23 | 2020-07-23 | 基于时间序列分析原理的卫星锂电池电压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815069B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656831B (zh) * | 2022-10-08 | 2024-07-19 | 昆明理工大学 | 一种电池单体电压多步超前预测和故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110687452A (zh) * | 2019-09-05 | 2020-01-14 | 南京理工大学 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
-
2020
- 2020-07-23 CN CN202010718770.5A patent/CN111815069B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110687452A (zh) * | 2019-09-05 | 2020-01-14 | 南京理工大学 | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815069A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
CN113777496A (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
CN112986827A (zh) | 一种基于深度学习的燃料电池剩余寿命预测方法 | |
CN113780153B (zh) | 一种刀具磨损监测和预测方法 | |
CN113759868A (zh) | 一种基于神经网络的工业以太网故障预测方法 | |
CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN115222104A (zh) | 一种基于极限学习机的智能变电站二次设备状态评估方法 | |
CN111815069B (zh) | 基于时间序列分析原理的卫星锂电池电压预测方法 | |
CN116653608B (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN111177916A (zh) | 一种基于机器深度学习的卫星机电类产品寿命预测方法 | |
CN114896865B (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
CN115128469A (zh) | 基于数字孪生的动力锂电池容量退化分析及在线估计方法 | |
CN114186756A (zh) | 一种配电网终端蓄电池储能容量预测方法 | |
Liu et al. | A prognostics approach based on feature fusion and deep BiLSTM neural network for aero-engine | |
CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
CN118395316A (zh) | 基于深度学习的设备故障智能诊断与预警方法及系统 | |
CN115983425A (zh) | 设备损坏预测方法、装置及非易失性存储介质 | |
CN117495601A (zh) | 电力通信网风险智能评估与智能预警一体化方法 | |
CN116362132A (zh) | 一种基于改进lstm的设备剩余寿命预测方法 |
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 |