基于粒子群算法的卫星蓄电池区间预测方法

作者：曹孟达; 张涛; 李文桦; 王羽; 刘亚杰^*

来源：无线电工程, 2020, 50(04): 285-293.

• 电池健康状态
• 粒子群算法
• 上下边界估计法
• 区间预测

卫星在阴影区运行时需要蓄电池提供能源,而锂离子电池由于能量密度大、自放电率低、循环寿命长的优点逐渐成为多数卫星的选择。卫星蓄电池在外太空工作时,容量会随着循环次数的增多而逐渐下降。针对这种健康状态(State of Health,SOH)退化的问题,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)的上下边界估计(Lower Upper Bound Estimation,LUBE)神经网络建立预测模型,将放电过程中的截止电压、样本熵和工作温度作为神经网络模型输入,电池SOH作为神经网络模型输出。在提高预测区间覆盖率(Prediction Intervals Coverage Probability,PICP)的同时减少预测区间宽度(Normalized Mean Prediction Intervals Width,NMPIW),构建了集成指标(Coverage Width-based Criterion,CWC)。基于该指标函数的不可微性,采用PSO优化神经网络模型使CWC尽可能地降低以兼顾PICP和NMPIW指标的最优。采用NASA的18号电池测试数据,对所提区间预测算法的有效性进行了分析验证。

• 单位
  国防科技大学