通过利用长短期记忆网络为电流控制充电，延长CubeSat的邱健蓄电池寿命，用于太阳能预测

最近，小型卫星和立方星的数量激增。限制任务持续时间的关键因素是电池寿命。通常，当太阳能电池板产生足够的电力时，电池会立即充电。然而，这种做法会导致额外的充电压力和因电流振幅过高而导致的劣化。本研究提出基于太阳能预测的分布式充电策略，以减轻充电压力，从而延长电池寿命，确保充足充电且不影响航天器运行。拟议的发电预测方法依赖于基于GOMX-4A卫星遥测数据训练的长短时记忆（LSTM）网络 。所提LSTM方法表现优于一个数量级，均方根误差（RMSE）为0.2274瓦特，而使用季节性自回归移动平均的基线预测RMSE为1.2406瓦特。利用LSTM方法预测的发电量，电流通过拟议的充电乘数控制分配，使中位充电电流减少72.0882%。通过文献中的电化学模型评估了锂离子电池可能的直接影响，确认该策略有效减少锂电镀造成的劣化。此外，示例场景中25°C时的容量衰减减少了0.0849%。降解减缓的程度将根据所需的任务特性、操作条件、具体化学成分以及所用电池类型而有所不同。

图形摘要

卫星已成为当今文明通信、监测和太空探索的关键技术。传统上，航天市场由拥有丰富资源的国家航天机构主导;过去几十年，太空的商业化程度有所提升[1]。这促成了立方卫星[2]的引入，这是一类纳米卫星（1–10公斤）和微卫星（10–100公斤），采用标准化尺寸系统。立方星由10×10×10厘米的基单元组成（1U尺寸），通常由商用现成（COTS）组件构成。尺寸和重量限制对其动力系统施加限制，包括必须保持小型的电池。电池需要在需要时提供足够的电力，并保证足够的循环寿命，以支持整个任务的全程。然而，鉴于上述要求，电池过大是不受欢迎的，因此必须优化电池管理。
立方卫星主要使用锂离子（Li-ion）电池，因其能量密度远高于其他商业化次级电池技术。为了在典型的近地轨道（LEO）条件下（即每年5500个周期）下实现足够的周期寿命，每个周期的放电深度被限制在最大10%至40%之间[3]。其他直接或间接显著影响锂离子电池循环寿命的因素包括温度、电荷状态（SOC）和电流速率[4]。任务期间电池温度主要由航天器的热设计和目标任务决定[5]。通常，高温加速副反应，导致电池劣化加剧，尤其是消耗锂离子的固体电解质界面（SEI）层的生长。关于SOC水平，避免在极端SOC水平（即几乎完全充满电或完全放电的电池）之间循环是有益的。将锂离子电池存放在过高的SOC水平下也会导致更快的劣化[6]。为了减少SOC对循环寿命的影响，立方卫星中的锂离子电池单元通常未完全充满电。尤其是对于带有石墨阳极的电池，充电电流幅度已被确定为强烈的劣化影响因素。尤其是，电流幅度越大，容量下降越快 [7]， [8]， [9]， [10]。此外，在低温条件下，过大的充电电流会导致锂电镀，导致电池迅速劣化并带来潜在的安全隐患[11]。因此，控制和优化充电电流幅度可以延长CubeSat锂离子电池的周期寿命。这种优化必须与确保电池在下一次日食时获得足够的电荷以支撑负载相关。
小卫星电池充放电的优化已被多位研究人员研究。Jain和Simon[12]应用遗传算法优化小卫星的能量管理，主要关注任务调度。电池的重点在于确保它们在阳光下充满电，且在日食时不会完全耗尽。Mostacciuolo等人[13]采用了基于模型的优化方法，用于小型卫星的电池充电过程。优化旨在最大限度地减少充电时间、能量损失和温度变化。Kokoette [14] 提出采用社交群体优化技术代替粒子群体优化，以优化电池充电时间和效率。Wognsen 等人[15]利用UPPAAL STRATEGO优化电池寿命，考虑周期深度，并配合CubeSat的有效载荷任务调度。本研究提出通过控制充电电流幅度来优化电池充电。振幅被计算为确保电池在每个日照周期结束时达到目标充电状态（SOC）所需的最小值。这并非易事，因为准确预测未来太阳能发电量有助于确定电池在即将到来的阳光期如何充电。
预测太阳能发电的最常见方法之一是使用统计模型，其中预测基于历史数据。一般来说，统计模型有两种类型：线性（时间序列）模型和机器学习模型[16]。目前，对于短暂的预报时间——从五分钟到四小时不等——的传统方法是使用统计线性模型。特别是，在这方面表现最好的模型是自回归整合移动平均（ARIMA）[17]。近年来，机器学习模型已被证明是传统方法的有力竞争者，因为它们的表现与传统方法相当甚至更好[18]。
根据Voyant等人[18]的综述，太阳能预测中值得关注的机器学习方法包括支持矢量机（SVM）、前馈神经网络（FNN，如多层感知器（MLP）、k最近邻、回归树、增强、袋装和随机森林。这些方法展现出与传统方法相似甚至更好的预测特性。目前，在这些方法中，MLP最为流行，SVM使用较少，其他方法则很少被使用。随着传统机器学习方法表现良好，下一步直觉是探究其最新继承者——深度学习的潜力。有趣的是，深度学习在太阳能预报领域[16]以及风能[19]和微电网等邻近领域[20]中表现优于传统机器学习方法。
深度学习采用了比传统机器学习方法更复杂的架构。太阳能预测涉及时间序列数据，使得循环神经网络（RNN）因其在处理顺序数据方面的有效性而特别有趣。然而，原版RNN在学习长期依赖时面临固有挑战，常常遇到爆炸或消失梯度等问题。为解决这些问题，一种常见的方法是使用一种称为长短期记忆（LSTM）网络的RNN变体[21]。
关于太阳能预测，Jebli等人[22]研究了线性回归、随机森林算法、支持向量回归（SVR）和多层感知器（MLP），预测周期为30分钟。他们得出结论，只有MLP才适合执行此类任务。Alzahrani等人[16]将MLP和SVM与LSTM进行了比较，发现LSTM在短期太阳辐照度预测方面优于它们。Mishra等人[23]使用小波变换分解太阳时间序列数据，并以频率序列作为LSTM的输入。这包括温度、风速、气压、云量和湿度等多种气象因素。Zheng 等人[24]提出了对 LSTM 参数进行粒子群优化，以提升其在 30 分钟预测间隔内相比基础 LSTM 的性能。Ghimire等人[25]提出了一个卷积神经网络（CNN）与LSTM集成，用于预测每半小时的全球太阳辐射。基于这些工作，可以得出结论：在太阳能发电预测的背景下，LSTM网络架构优于传统的机器学习方法如FNN、SVM和MLP。
自然，太空中太阳能电池板的条件与地球不同。在地球上，总太阳辐照度是直接辐照度、漫射辐照度（如云层散射的辐照度）和地面反射辐照度的总和[26]。地球上的太阳辐照度取决于地理位置、一天中的时间、天气和季节等因素。然而，在太空中，主要的发电辐射源是太阳和反照率（地球对太阳辐射的漫反射）。地球发射的红外辐射和宇宙微波背景辐射的影响，相较于上述来源分别是中性或可忽略的。卫星的轨道、几何形状、姿态（朝向）和日历都会影响太阳能电池板在太空中暴露的太阳辐照度量[27]。值得注意的是，立方星通常被太阳能电池板覆盖，从六面覆盖，导致定位和角度变化，增加了预测复杂性。Al Radi 和 Ghenai [28] 应用了基础神经网络来预测立方卫星的太阳平均功率输出。然而，他们并未考虑时间序列的输入和输出。Wu等人[29]采用了一种无监督学习方法来预测轨道上太阳能电池板的当前生成情况。然而，该方法在两颗“典型”近地轨道（LEO）卫星上应用并演示，但未提供其结构、姿态和轨道的详细规格，导致无法对其适用性进行详细评估。基于模型的太阳能发电预测由东生等人[30]引入，用于简化的姿态稳定卫星，配备单轴安装的太阳能电池板并实现太阳跟踪。
在最先进技术的背景下，本文提出了两项主要贡献：（i）基于LSTM网络的立方星太阳能电池板发电预测;（ii）提出立方卫星电池充电策略，以减轻高振幅电流充电带来的压力，从而延长其寿命。季节性ARIMA（SARIMA）模型作为太阳能发电预测的基线，结果均方根误差（RMSE）为1.2405瓦。相比之下，提出的LSTM模型在RMSE小一个数量级（0.2274瓦）下实现了更高的精度。电池寿命延长策略的核心是通过将充电周期分散在整个太阳能发电周期内，从而降低充电电流幅度，从而降低充电电流的压力。与无调节充电相比，所提策略分别将SARIMA和LSTM方法的功率预测中位充电电流降低了71.6793%和72.0882%。这两个结果都接近理想值73.4467%的减排，而这一减排是在所有太阳能发电事先完全确定的情况下实现的。通过文献中的电化学模型评估了所提策略对锂离子电池降解的影响，证实该策略有效减少了锂电镀造成的降解。一年低地球轨道任务后实现的容量衰减减为0.0849%，该策略在更严苛的条件下有巨大潜力实现进一步减排。