基于SE-TCN 网络模型的太阳电池阵温度异常检测

何利健，张 锐，陈文卿

（1.中国科学院 微小卫星创新研究院，上海 201203；2.中国科学院大学，北京 100049）

0 引言

太阳能电池阵是卫星的能源供应系统，其性能的好坏直接决定在轨卫星能否正常稳定运行。电池阵温度作为表征电池阵工作状态的一个重要指标，温度异常势必会对电池阵能源系统产生不利影响。因此，为确保卫星健康运行，根据电池阵历史温度遥测数据的变化规律，预测电池阵温度变化趋势，并根据预测结果评估电池阵性能状态。

目前，传统的时序数据预测技术已相对成熟，有自回归移动平均（Auto Regressive Moving Average，ARMA）［1］、自回归综合移动平均（Auto Regressive Integrated Moving Average，ARIMA）［2-3］、卡尔曼滤波［4-5］、支持向量机（Support Vector Machine，SVM）［6］、最小二 乘支持 向量机（Least Squares Support Vector Machine，LS-SVM）［7-8］和经验模态分解（Empirical Mode Decomposition，EMD）［9］等方法。这些方法研究时间长，理论成熟完善，在很多领域的时序数据预测场景中已得到实际应用。但这些方法只能处理短期自相关任务，难以对时间序列的长期依赖进行建模。

近年来深度学习快速发展，基于深度学习相关理论的时序预测方法已经得到相关学者的高度关注，并对此做了大量研究。文献［10］使用长短期记忆网络（Long Short-Term Memory，LSTM）作为卫星遥测数据预测模型进行单步预测，并提出一个自适应阈值算法来获取最佳阈值，最终达到遥测数据异常检测的目的。文献［11］提出一种结合双通道卷积神经网络（Convolutional Neural Networks，CNN）和LSTM 的模型，并使用此模型对短期光伏功率进行预测，取得了良好效果。文献［12］对通信卫星多维遥测数据分别建立LSTM 模型，并以最大化相关系数与F1分数的方式，为多维遥测数据的故障判定合适的阈值。……