基于遥测数据的物理信息驱动预测方法，用于卫星电力系统中太阳能电池板的在轨热电性能分析

《Aerospace Science and Technology》：Telemetry-Driven Physics-Informed Prediction for On-Orbit Thermal–Electrical Performance of Solar Panels in Satellite Power System

针对小卫星在轨热电性能预测的挑战，提出基于物理信息机器学习的多变量联合预测模型。通过 telemetry 驱动的轨道热环境反演提取等效物理参数，构建热电耦合的物理软约束模型，融合实测数据与物理约束，利用 RNN/LSTM 实现温度、电压、电流的协同预测，验证了模型在复杂轨道条件下的稳定性和物理一致性。

　　

Jingyan Xie|Yun-Ze Li

摘要

对于小型卫星和立方体卫星任务而言，机载太阳能电池板是主要的、通常是唯一的能源。准确预测小型卫星太阳能电池板在轨道上的热电性能对于电力系统管理和健康监测至关重要。然而，由于复杂的轨道环境、不稳定的姿态运动以及高精度遥测信息的有限可用性，这一任务仍然具有挑战性。本文提出了一种基于物理知识的机器学习（PIML）预测模型，用于在不确定的轨道环境条件下预测卫星太阳能电池板的表现。该模型通过将测量的遥测数据转换为物理上可接受的信息，避免了对外部详细飞行信息的依赖。开发了一种基于遥测数据的轨道环境反演策略，以从实时遥测数据中推断出太阳能电池板的热环境。基于等效的环境状态，构建了一个热电软约束模型来定义操作的限制范围。将这些基于物理的约束与遥测数据融合后，作为混合输入用于PIML预测模型，这些模型由循环神经网络（RNN）和长短期记忆网络（LSTM）编码。使用TURUS卫星的实时遥测数据对预测模型进行了评估。设计了几种预测场景，结果表明PIML预测模型稳定、物理一致且具有泛化能力。本研究为在遥测信息受限条件下预测轨道上的热电性能提供了实用的解决方案。

引言

随着小型卫星和立方体卫星任务的快速发展，机载太阳能电池板已成为航天器的主要甚至是唯一的能源[1]。它们的热电性能直接决定了能源可用性、热安全性和任务可靠性，特别是对于那些能量存储和热控制能力有限的小型平台而言。因此，准确预测关键性能变量（如面板温度、输出电压和输出电流）对于航天器电力系统和健康监测至关重要。然而，对于在严格的质量、体积和功率限制下运行的小型卫星来说，预测太阳能电池板在轨道上的性能尤其具有挑战性。

实际上，预测太阳能电池板在轨道上的性能仍然具有挑战性。太阳能电池板的热电行为高度时变，并受到多种因素的影响，包括轨道参数、姿态运动、自我遮挡以及阳光-阴影的交替条件[[2], [3]]。此外，有限的遥测带宽和机载资源通常限制了完整轨道信息的可用性。因此，在长期轨道运行期间，难以一致地应用依赖于高精度环境输入的预测方法。

关于卫星太阳能电池板在轨道上的热电性能预测，现有研究主要遵循三种技术路线（如图1所示）：纯物理（数学）预测方法、纯机器学习方法，以及最近出现的基于物理知识的机器学习（PIML）方法[4]。

纯物理预测方法依赖于通过前向模拟的详细物理规则来处理热和电过程。这些研究通常结合轨道动力学、姿态运动、辐射热传递和光伏器件物理来分析温度变化及其对电输出的影响[[5], [6], [7]]。例如，Zhang等人（2019年）使用耦合的热电等效模型研究了温度对太阳能电池板充放电行为和系统级功率特性的影响[8]。Demars等人开发了一个用于立方体卫星平台的热电仿真框架，以研究周期性轨道热环境对电力系统的影响[9]。还进行了高精度热仿真，以分析在复杂几何形状和多辐射源条件下的表面温度变化[10]。尽管这些方法提供了清晰的物理可解释性，但它们需要准确的轨道参数、姿态剖面和详细的几何表示，而这些在实践中很难获得。不确定性限制了纯物理预测方法在遥测信息受限条件下的适用性。

为了减少对高精度物理输入的依赖，引入了纯机器学习方法来进行航天器性能预测。神经网络及其变体在从大数据中捕捉非线性动态方面表现出强大的能力[11]。Kang等人将多层感知器、循环神经网络（RNN）和长短期记忆网络（LSTM）应用于低地球轨道卫星电力系统的遥测数据挖掘[12]。进一步引入了结合在线学习机制的时间序列模型来应对运行条件的变化[13]。类似的机器学习方法也被应用于航天器电力系统的建模和管理，包括基于深度强化学习的能量管理[[14], [15]]、功率最优控制策略[16]，以及机载设备的热能消耗预测[17]。尽管这些方法具有灵活性，但它们仍然主要依赖于数据驱动，预测性能取决于历史数据分布。当运行条件发生显著变化或需要外推预测时，缺乏明确的物理约束会导致物理结果不一致。

为了弥合纯机器学习预测模型和纯物理方法之间的差距，近年来PIML受到了越来越多的关注[18]。通过将控制方程、守恒定律或物理残差嵌入神经网络训练中，PIML在数据有限条件下提高了物理一致性和泛化能力。基于物理的神经网络（PINNs）在航空航天相关应用中表现出良好的性能，例如在观测条件受限的情况下确定轨道[19]、航天器动力学建模[20]、航天器群控制[21]和空间态势感知[22]。

在航天器热系统和能量系统领域，PIML的应用仍处于早期阶段。Tanaka和Nagai通过将热平衡方程作为物理约束引入到轨道热状态估计中[23]。PIML模型能够在温度传感器可用性有限的情况下重建整个航天器的温度场。然而，现有的PIML预测模型仍然主要集中在地面太阳能电力系统上[[24], [25]]。系统性地研究在遥测信息受限、环境不确定和轨道运行条件时变的条件下，航天器太阳能电池板的热电性能预测的研究仍然缺乏。

在这项工作中，提出了一种用于机载卫星太阳能电池板在轨道上热电性能预测的PIML模型。该模型的关键思想是将遥测数据转换为物理上可接受的信息，并利用这些信息进行性能预测。因此，模型的核心是图2中的金字塔形物理信息生成逻辑，它连接了基本的物理定律和数据驱动的预测组件。

从基本的能量平衡关系出发，该模型通过热环境反演策略和热电软约束模型，从轨道上的温度、电压和电流遥测数据构建基于物理的表示。然后将得到的物理信息与遥测数据融合。融合后的输入用于PIML预测模型，以联合预测温度、电压和电流。通过这种方式，模型在预测过程中避免了直接依赖于高精度的轨道和姿态信息，同时保持了物理一致性。

本工作的主要贡献总结如下。

首先，提出了一种基于遥测数据的轨道热环境反演策略，无需依赖高精度的轨道、姿态或几何信息。该方法将复杂且不可观测的轨道热环境压缩为物理上一致的等效环境变量。

其次，基于能量平衡关系和光伏输出特性构建了一个热电软约束模型，为预测过程提供物理指导，并防止物理上不可能的输出。

最后，通过将物理信息与遥测数据融合，开发了一个PIML预测模型，能够在复杂和不规则的轨道条件下联合预测面板的热电性能。

本文的其余部分组织如下。第2节介绍了物理能量平衡公式和基于遥测数据的轨道热环境反演策略。第3节介绍了基于物理的热电软约束的构建。第4节描述了PIML预测模型。第5节介绍了轨道遥测数据集和实验案例设计。第6节讨论了不同案例和编码器之间的预测结果。第7节总结了本文。

章节摘录

卫星太阳能电池板的能量平衡

作为航天器的主要能源，太阳能电池板负责收集和转换入射能量为电能。根据能量守恒和热力学第二定律，太空中太阳能电池板的能量平衡可以用微分方程表示[27]：$C_{pv}\frac{d{T}_{pv}}{dt}=q_{ab}?q_{em}?q_{ele}$其中$C_{pv}$是太阳能电池板的比热容，$T_{pv}$是太阳能电池板的平均温度。吸收的能量$q_{ab}$包括

基于物理的知识的热电软约束

基于第2章开发的基于遥测数据的轨道热环境反演，本章介绍了一个基于物理的知识的热电软约束模型。引入基于物理的软约束的目的是以柔和的方式将控制太阳能电池板运行的基本物理原理嵌入到数据驱动的预测框架中。软约束策略不是强制严格的物理等式约束，而是引导学习过程朝

轨道上太阳能电池板性能的PIML预测模型

从建模的角度来看，预测任务可以表述为一个受基于物理知识的软约束的多输出回归问题。本章提出了一个用于轨道上太阳能电池板性能的PIML预测框架（图5）。目标是在给定反演的热环境和测量到的性能历史的情况下，联合预测下一个时间步长的太阳能电池板的热和电状态。

轨道遥测数据和任务背景

本研究使用的数据来自TSURU卫星的轨道遥测[28]。TSURU是一个1U立方体卫星，由九州工业大学的精益卫星企业和在轨实验实验室在BIRDS-4计划下开发[29]。TSURU卫星的结构配置如图6所示。

该卫星从国际空间站部署到平均高度约为400公里的低地球轨道上

PIML性能预测的结果和讨论

在第5.3节中设计了三个代表性的实验案例。本节展示了预测结果，并讨论了在复杂轨道条件下的性能差异。

结论

本研究开发了一种用于机载卫星太阳能电池板在轨道上热电性能的PIML预测模型。该模型结合了轨道热环境反演策略、基于物理的软约束和时间序列神经网络架构，以预测在复杂和不规则轨道条件下的面板温度、输出电压和输出电流。通过依赖于等效的环境状态而不是高精度的物理模型，所提出的模型

CRediT作者贡献声明

Jingyan Xie：撰写——原始草稿、方法论。Yun-Ze Li：撰写——审阅与编辑、监督。