基于BNN-PF的卫星锂离子电池多工况SOH估计

利用在轨可测参数准确估计卫星锂离子电池的健康状态,对卫星的安全可靠运行至关重要。对于卫星锂离子电池的健康状态估计,性能退化表征和评估都需要适应多种工况。针对卫星锂离子电池在多种工况下,模型和数据中的不确定性带来的表征参数的有效性和评估结果的可靠性不足的问题,本文提出了一种基于BNN-PF的概率性健康状态估计方法。从卫星锂离子电池充电过程的可测参数中提取不同的健康因子来表征性能退化,将排列熵与主成分分析法相结合,提高特征对不同任务的适应能力。在此基础上,采用贝叶斯神经网络估计锂离子电池的健康状态并量化不确定性,基于粒子滤波算法融合经验模型得到的不确定性,进一步增强了所提方法对多工况的适应性。实验结果表明,本文所提方法对多工况下的卫星锂离子电池健康状态估计具有良好的适应性和通用性。交叉验证试验结果显示,最大估计误差小于0.01,且多数结果的估计区间覆盖率大于0.95,表明方法在空间应用场景下具有良好的前景。

高轨卫星用锂电池地面恒流和恒压充电技术

为了解决高轨卫星锂电池地面充电问题,从充电需求着手,提出一种基于恒流和恒压方式的阶梯式降电流充电方法,并设计了自主充电软件。该软件已在某高轨卫星测试中应用,135 Ah电池组充满耗时约10 h,温升小于8℃。应用结果表明,采用阶梯式降电流充电方法能安全有效实现卫星用锂电池地面充电,并可推广应用。