锂离子电池组是卫星平台的核心组成部件之一,其在卫星运行的全寿命周期实现电能的存储和释放。随在轨循环充放电的不断进行,电池组的性能逐渐衰减。健康状态(State of health,SOH)是反映电池组当前性能的重要参数,实现SOH的准确估计,对...
详细信息
锂离子电池组是卫星平台的核心组成部件之一,其在卫星运行的全寿命周期实现电能的存储和释放。随在轨循环充放电的不断进行,电池组的性能逐渐衰减。健康状态(State of health,SOH)是反映电池组当前性能的重要参数,实现SOH的准确估计,对卫星锂离子电池组的地面管控和在轨智能运维均具有重要价值和意义。锂离子电池(组)的健康状态一般通过最大可用容量进行定义。通常情况下,最大可用容量的测量需要对电池(组)进行满充满放,在轨运行过程中无法直接测量。因此,通过寻找与最大可用容量变化呈现强相关的表征参数,实现基于在轨可用参数的最大可用容量估计,成为卫星锂离子电池(组)在轨健康状态估计的必要途径。同时,在地面模拟在轨试验中,需要按照在轨工作机制对卫星锂离子电池(组)进行测试,浅充浅放的测试工况条件下也难以对最大可用容量进行测量。因而,通过地面实现电池(组)最大可用容量准确的等效测量,为在轨健康状态估计模型提供可用的训练样本,也是必须同步解决的难题。更进一步,相比于电池单体,电池组内单体间的不一致性,对最大可用容量的测量和估计也提出了更大的挑战。鉴于此,本文从地面模拟在轨试验中的最大可用容量等效测量、在轨运行时的性能退化表征以及长时健康状态估计模型构建三个方面,开展卫星锂离子电池组在轨健康状态估计方法研究。并利用在实验室开展的在轨等效试验和配套于实际型号的航天器锂离子电池组地面试验,对所提出方法开展验证和评估。首先,针对地面试验体制约束和单体不一致性导致的最大可用容量难以测量的问题,提出一种浅充浅放条件下的卫星锂离子电池组最大可用容量地面等效测量方法。在地面试验测试工况和单体不一致性的共同约束下,建立卫星锂离子电池组放电行为模型;在此基础上,通过模拟组内单体的初始状态和放电倍率,对满充满放测量条件进行虚拟化过程仿真,从而实现最大可用容量地面等效测量。实验结果表明,所提出方法相比基于一阶和二阶等效电路模型的方法,具有更优的精度和稳定性,且能够在地面模拟在轨试验中,连续获取等效测量结果,为在轨健康状态估计提供可用的模型训练样本。其次,针对在轨工况特征约束下性能退化表征参数提取的问题,提出一种基于在轨可监测参数的卫星锂离子电池组在轨性能退化表征方法。通过时间差分、电压差分和电流积分,构建在轨性能退化表征参数簇,实现电池组性能退化的在轨观测;进而对高维退化表征参数进行融合和变换,降低信息冗余,并减小单体不一致性和电压、电流测量中量化误差对退化表征参数的影响,提升在轨性能退化表征的准确性和适应性。实验结果表明,所提方法提取的性能退化表征参数,相比容量增量、平均电压衰减和样本熵等典型参数,与电池组最大可用容量之间具有更高的相关性,可为在轨健康状态估计提供可观测的性能退化表征输入。再次,针对在轨缓慢退化特性下长时最大可用容量估计的误差累积问题,提出一种事件驱动的卫星锂离子电池组在轨最大可用容量估计方法。引入勒贝格采样理论,以在轨性能退化表征参数观测值为驱动,实现最大可用容量估计的时间尺度动态自适应优化,通过减少估计点数降低误差累积;进而建立可变时间尺度的最大可用容量估计状态空间,融合“退化表征参数-最大可用容量”回归模型与性能退化经验模型,进一步降低由于模型训练不充分和退化表征参数观测误差而导致的单周期估计误差,从而实现在轨最大可用容量和健康状态估计。实验结果表明,所提出方法相比基于机器学习和深度学习的典型数据驱动直接估计方法,具有更高的估计精度和稳定性。最后,利用两个实际型号航天器的“2并11串”和“3并11串”锂离子电池组地面模拟在轨试验数据,对本文所提出的卫星锂离子电池组在轨健康状态估计方法进行应用验证。结果表明,本文所提出方法通过“地面-在轨”的关联建模,能够在现有地面试验体制约束和在轨运行工况约束下,分别实现地面试验中的最大可用容量等效测量和在轨运行时的健康状态估计,为卫星锂离子电池组地面试验和在轨运行过程中的性能退化评估和预测提供关键技术支撑。
暂无评论