基于DRL的巨型星座星地测控链路规划算法

针对巨型星座的星地测控链路规划问题,提出了一种基于深度强化学习的智能规划调度算法。该方法考虑了卫星对于测控站的资源竞争关系和连接关系,设计了环境状态,决策智能体通过感知卫星状态,结合动作选择策略,生成卫星对于测控站的分配方案,并根据反馈的奖励值进行策略的迭代优化。将本算法应用于巨型星座系统的星地测控链路规划任务,仿真结果表明所提出的智能算法可以将测控站天线利用率提升到98%以上,同时有效地降低了天线的切换次数。另外,训练好的模型可以根据未来时刻的星地可视窗口,在30s内快速生成星地测控链路规划方案。

星地测控链路中的功率控制策略研究

对于卫星来说,能源是极其重要的资源,为有效节约星上能源、延长卫星寿命,研究了星地测控链路的功率控制策略;首先,分析了造成星地测控链路信号衰减的因素,在此基础上,建立了卫星下行链路信噪比计算模型,然后,在保证地面设备能够正确解调星上遥测数据的前提下,在星地测控链路中,提出了基于信噪比平衡准则的闭环功率控制策略,最后,利用构建的计算模型,仿真分析了所提功率控制策略对卫星功耗的影响和对雨衰的抑制作用;研究结果表明,所提的功率控制策略能大幅降低卫星功耗,且复杂度低,具有工程实践性,同时,对雨衰有较强的抑制作用,能有效提高设备跟踪时长,保证卫星下行信号接收。