CN108287313B - 一种燃料电池电堆敏感性测试数据切片方法 - Google Patents
一种燃料电池电堆敏感性测试数据切片方法 Download PDFInfo
- Publication number
- CN108287313B CN108287313B CN201711463137.0A CN201711463137A CN108287313B CN 108287313 B CN108287313 B CN 108287313B CN 201711463137 A CN201711463137 A CN 201711463137A CN 108287313 B CN108287313 B CN 108287313B
- Authority
- CN
- China
- Prior art keywords
- data
- sensitive variable
- vector
- loading current
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及一种燃料电池电堆敏感性测试数据切片方法,敏感性测试时,施加多档加载电流,每档加载电流下敏感变量呈阶梯状变化,多档加载电流过渡过程中存在过渡干扰数据,该方法用于将某一档设定的参考加载电流值下敏感变量阶梯变化过程中对应某一参考敏感变量值时的测试数据切分出来,该方法包括如下步骤:(1)搜索整个测试过程产生的数据,将参考加载电流值下敏感变量为参考敏感变量值的所有数据切分出来组成粗切片数据;(2)采用时间定位法将过渡干扰数据剔除得到待切分的数据的起始时间和结束时间;(3)从粗切片数据将上述起始时间和结束时间中的数据切分出来得到精确切片数据。与现有技术相比,本发明切片效率高,结果准确可靠。
Description
技术领域
本发明涉及一种数据切片方法,尤其是涉及一种燃料电池电堆敏感性测试数据切片方法。
背景技术
敏感性测试是燃料电池比较常见的测试类型。试验的目的是去对比敏感性变量对燃料电池性能影响的程度高低。敏感性测试按照类型分为电堆温度敏感性测试、反应气体进口压力敏感性测试、空气计量比敏感性测试、空气进口温度敏感性测试、空气进口压力敏感性测试、空气相对湿度敏感性测试、冷却液进出口温差敏感性测试、氢气计量比敏感性测试、氢气进口压力敏感性测试、氢气相对湿度敏感性测试等测试实验。敏感性测试数据的数据类型特点是“两种变量,多个参数”。两种变量包括:电流和敏感性变量。敏感性测试数据的处理是需要对每一档电流每一个敏感性变量的阶段进行截断,切片后另行计算。如果整个敏感性的测试都在一档电流下完成,那么这是单调的数据特点,市面上几乎人工都可以完成这种区间筛选计算工作。但是,倘若要求电堆在多个电流下完成多个变量的敏感性测试,那么这时,就需要具体的甄别算法去帮助数据分析师完成数据切片的工作。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种燃料电池电堆敏感性测试数据切片方法。
本发明的目的可以通过以下技术方案来实现:
一种燃料电池电堆敏感性测试数据切片方法,敏感性测试时,施加多档加载电流,每档加载电流下敏感变量呈阶梯状变化,多档加载电流过渡过程中存在过渡干扰数据,该方法用于将某一档设定的参考加载电流值下敏感变量阶梯变化过程中对应某一参考敏感变量值时的测试数据切分出来,该方法包括如下步骤:
(1)搜索整个测试过程产生的数据,将参考加载电流值下敏感变量为参考敏感变量值的所有数据切分出来组成粗切片数据;
(2)采用时间定位法将过渡干扰数据剔除得到待切分的数据的起始时间和结束时间;
(3)从粗切片数据将上述起始时间和结束时间中的数据切分出来得到精确切片数据。
步骤(1)具体为:
(11)建立向量:
将敏感性测试中所有档加载电流组成加载电流向量X=[C1,C2,C3,…,CN],向量X中的第i个元素记作Ci,Ci表示第i档加载电流值,i=1,2,…,N,N表示加载电流总档数,
将呈阶梯状变化敏感变量中的敏感变量变化值组成向量Y=[V1,V2,V3,…,VM],向量Y中的第j个元素记作Cj,Cj表示第j阶敏感变量值,j=1,2,…,M,M表示敏感变量总阶数,
建立切片参考向量Z=[C_refer,V_refer],C_refer表示参考加载电流值,V_refer表示参考敏感变量值;
(12)确定C_refer在向量X中的位置为n,即X[n]=C_refer,X[n]表示向量X中第n个元素,确定V_refer在向量Y中的位置为m,即Y[m]=V_refer,Y[m]表示向量Y中第m个元素;
(13)搜索整个测试过程产生的数据,将加载电流等于X[n]且敏感变量等于Y[m]的数据切分出来组成粗切片数据,同时将其余数据切分成多个小数据片,每个小数据片表示连续时间下加载电流为唯一值且敏感变量为唯一值的数据。
步骤(13)中粗切片数据通过布尔函数扫描得到。
步骤(13)中小数据片记作matrix[p,q],matrix[p,q]表示第p档加载电流值下第q阶敏感变量值时的数据切片,p=1,2,…,N且p≠n,q=1,2,…,M且q≠m。
每个小数据片均通过布尔函数扫描得到。
步骤(2)具体为:
(21)计算小数据片matrix[n,m-1]的末尾时间d0 n以及小数据片matrix[n,m+1]的起始时间d1 n,其中:
(21)计算小数据片matrix[n,m-1]的末尾时间d0 n以及小数据片matrix[n,m+1]的起始时间d1 n,其中:
若n=1且m=1,则d0 n=0;
若n≠1且m=1,则d0 n取matrix[n-1,m]的末尾时间;
若n<N且m=M,则d1 n取matrix[n+1,m]的起始时间;
若n=N且m=M,则d1 n取整个测试过程产生的数据的末尾时间;
(22)将d0 n作为待切分的数据的起始时间,d1 n作为待切分的数据的结束时间,提取加载电流等于X[n]且敏感变量等于Y[m]的数据作为精确切片数据。
与现有技术相比,本发明具有如下优点:
(1)本发明能够实现自动识别切片,能够有效将过渡干扰数据剔除,实现无人参与的数据自动识别切片,切片效率高,很大程度简化数据分析师工作;
(2)本发明采用时间定位法实现待切片的数据的精确定位,结果准确可靠。
附图说明
图1为本发明燃料电池电堆敏感性测试数据切片方法的流程框图;
图2为实施例中敏感性测试时加载电流和敏感变量的变化曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种燃料电池电堆敏感性测试数据切片方法,敏感性测试时,施加多档加载电流,每档加载电流下敏感变量呈阶梯状变化,多档加载电流过渡过程中存在过渡干扰数据,该方法用于将某一档设定的参考加载电流值下敏感变量阶梯变化过程中对应某一参考敏感变量值时的测试数据切分出来,该方法包括如下步骤:
(1)搜索整个测试过程产生的数据,将参考加载电流值下敏感变量为参考敏感变量值的所有数据切分出来组成粗切片数据;
(2)采用时间定位法将过渡干扰数据剔除得到待切分的数据的起始时间和结束时间;
(3)从粗切片数据将上述起始时间和结束时间中的数据切分出来得到精确切片数据。
步骤(1)具体为:
(11)建立向量:
将敏感性测试中所有档加载电流组成加载电流向量X=[C1,C2,C3,…,CN],向量X中的第i个元素记作Ci,Ci表示第i档加载电流值,i=1,2,…,N,N表示加载电流总档数,
将呈阶梯状变化敏感变量中的敏感变量变化值组成向量Y=[V1,V2,V3,…,VM],向量Y中的第j个元素记作Cj,Cj表示第j阶敏感变量值,j=1,2,…,M,M表示敏感变量总阶数,
建立切片参考向量Z=[C_refer,V_refer],C_refer表示参考加载电流值,V_refer表示参考敏感变量值;
(12)确定C_refer在向量X中的位置为n,即X[n]=C_refer,X[n]表示向量X中第n个元素,确定V_refer在向量Y中的位置为m,即Y[m]=V_refer,Y[m]表示向量Y中第m个元素;
(13)搜索整个测试过程产生的数据,将加载电流等于X[n]且敏感变量等于Y[m]的数据切分出来组成粗切片数据,同时将其余数据切分成多个小数据片,每个小数据片表示连续时间下加载电流为唯一值且敏感变量为唯一值的数据。
步骤(13)中粗切片数据通过布尔函数扫描得到。
步骤(13)中小数据片记作matrix[p,q],matrix[p,q]表示第p档加载电流值下第q阶敏感变量值时的数据切片,p=1,2,…,N且p≠n,q=1,2,…,M且q≠m。
每个小数据片均通过布尔函数扫描得到。
步骤(2)具体为:
(21)计算小数据片matrix[n,m-1]的末尾时间d0 n以及小数据片matrix[n,m+1]的起始时间d1 n,其中:
若n=1且m=1,则d0 n=0;
若n≠1且m=1,则d0 n取matrix[n-1,m]的末尾时间;
若n<N且m=M,则d1 n取matrix[n+1,m]的起始时间;
若n=N且m=M,则d1 n取整个测试过程产生的数据的末尾时间;
(22)将d0 n作为待切分的数据的起始时间,d1 n作为待切分的数据的结束时间,提取加载电流等于X[n]且敏感变量等于Y[m]的数据作为精确切片数据。
具体地,如图2所示,燃料电池电堆敏感性测试时,施加的电流包括三档,图中①、②、③表示的是三档加载电流,1,2,3,4,5,6表示的是6阶敏感变量,假设待切片的数据为加载电流为①且对应敏感变量为1时的测试数据,如图2所示,图中a,b和c三个区域均是对应加载电流为①且敏感变量为1,但是b和c区域为加载电流换档过渡过程中存在过渡干扰数据,其实际目的需要将区域a中的数据区分出来。因此,采用上述方法进行切片。
针对该实例,可以发现,N=3,M=6,n=1,m=1。先通过“布尔”将加载电流=X[1]且敏感变量=Y[1]得到粗切片数据,即图中a,b和c三个区域的数据总和,同时通过“布尔”将其余数据也切分出来得到matrix[1,2]、matrix[1,3]、matrix[1,4]、matrix[1,5]、matrix[1,6]、matrix[2,1]、matrix[2,2]、matrix[2,3]、matrix[2,4]、matrix[2,5]、matrix[2,6]、matrix[3,1]、matrix[3,2]、matrix[3,3]、matrix[3,4]、matrix[3,5]、matrix[3,6]。
因为已知n=1,m=1,因此,d0 n默认为0,d1 n需要取matrix[1,2]的起始时间值,由此将d0 n作为待切分的数据的起始时间,d1 n作为待切分的数据的结束时间,可以得到精确切片数据matrix[1,1]。
Claims (3)
1.一种燃料电池电堆敏感性测试数据切片方法,敏感性测试时,施加多档加载电流,每档加载电流下敏感变量呈阶梯状变化,多档加载电流过渡过程中存在过渡干扰数据,其特征在于,该方法用于将某一档设定的参考加载电流值下敏感变量阶梯变化过程中对应某一参考敏感变量值时的测试数据切分出来,该方法包括如下步骤:
(1)搜索整个测试过程产生的数据,将参考加载电流值下敏感变量为参考敏感变量值的所有数据切分出来组成粗切片数据,具体包括步骤(11)~(13):
(11)建立向量:
将敏感性测试中所有档加载电流组成加载电流向量X=[C1,C2,C3,…,CN],向量X中的第i个元素记作Ci,Ci表示第i档加载电流值,i=1,2,…,N,N表示加载电流总档数,
将呈阶梯状变化敏感变量中的敏感变量变化值组成向量Y=[V1,V2,V3,…,VM],向量Y中的第j个元素记作Cj,Cj表示第j阶敏感变量值,j=1,2,…,M,M表示敏感变量总阶数,
建立切片参考向量Z=[C_refer,V_refer],C_refer表示参考加载电流值,V_refer表示参考敏感变量值;
(12)确定C_refer在向量X中的位置为n,即X[n]=C_refer,X[n]表示向量X中第n个元素,确定V_refer在向量Y中的位置为m,即Y[m]=V_refer,Y[m]表示向量Y中第m个元素;
(13)搜索整个测试过程产生的数据,将加载电流等于X[n]且敏感变量等于Y[m]的数据切分出来组成粗切片数据,同时将其余数据切分成多个小数据片,每个小数据片表示连续时间下加载电流为唯一值且敏感变量为唯一值的数据;
步骤(13)中小数据片段记作matrix[p,q],matrix[p,q]表示第p档加载电流值下第q阶敏感变量值时的数据切片,p=1,2,…,N且p≠n,q=1,2,…,M且q≠m;
(2)采用时间定位法将过渡干扰数据剔除得到待切分的数据的起始时间和结束时间,具体包括步骤(21)~(22):
(21)计算小数据片matrix[n,m-1]的末尾时间d0 n以及小数据片matrix[n,m+1]的起始时间d1 n,其中:
若n=1且m=1,则d0 n=0;
若n≠1且m=1,则d0 n取matrix[n-1,m]的末尾时间;
若n<N且m=M,则d1 n取matrix[n+1,m]的起始时间;
若n=N且m=M,则d1 n取整个测试过程产生的数据的末尾时间;
(22)将d0 n作为待切分的数据的起始时间,d1 n作为待切分的数据的结束时间;
(3)从粗切片数据将上述起始时间和结束时间中的数据切分出来得到精确切片数据。
2.根据权利要求1所述的一种燃料电池电堆敏感性测试数据切片方法,其特征在于,步骤(13)中粗切片数据通过布尔函数扫描得到。
3.根据权利要求1所述的一种燃料电池电堆敏感性测试数据切片方法,其特征在于,每个小数据片均通过布尔函数扫描得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463137.0A CN108287313B (zh) | 2017-12-28 | 2017-12-28 | 一种燃料电池电堆敏感性测试数据切片方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463137.0A CN108287313B (zh) | 2017-12-28 | 2017-12-28 | 一种燃料电池电堆敏感性测试数据切片方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108287313A CN108287313A (zh) | 2018-07-17 |
CN108287313B true CN108287313B (zh) | 2020-02-18 |
Family
ID=62832399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711463137.0A Active CN108287313B (zh) | 2017-12-28 | 2017-12-28 | 一种燃料电池电堆敏感性测试数据切片方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108287313B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131311B (zh) * | 2020-08-31 | 2024-03-15 | 湖北德普电气股份有限公司 | 一种氢燃料电池电堆敏感性测试数据切片方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100365424C (zh) * | 2005-03-28 | 2008-01-30 | 西安交通大学 | 燃料电池内部电流密度分布测量垫片 |
US7550737B1 (en) * | 2008-05-16 | 2009-06-23 | The Gillette Company | Battery |
CN105702979B (zh) * | 2014-11-27 | 2018-06-29 | 中国科学院大连化学物理研究所 | 一种燃料电池电堆零度以下环境的启动方法 |
JP2016119249A (ja) * | 2014-12-22 | 2016-06-30 | 株式会社日立製作所 | リチウムイオン二次電池システム |
-
2017
- 2017-12-28 CN CN201711463137.0A patent/CN108287313B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108287313A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931868B (zh) | 时间序列数据异常检测方法和装置 | |
CN102693452A (zh) | 基于半监督回归学习的多模型软测量方法 | |
CN104914723A (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN106452934B (zh) | 一种网络性能指标变化趋势的分析方法和装置 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN110990784A (zh) | 一种基于梯度提升回归树的烟支通风率预测方法 | |
CN112051506B (zh) | 一种相似产品可迁移样本筛选方法、系统及用途 | |
CN108287313B (zh) | 一种燃料电池电堆敏感性测试数据切片方法 | |
CN111583059B (zh) | 基于k-means聚类的分布式能源站典型日负荷获取方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN110634198B (zh) | 一种基于正多胞体滤波的工业系统分层故障诊断方法 | |
CN110348540B (zh) | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 | |
CN116258273A (zh) | 湿式双离合变速器液压预测方法、系统、车辆及存储介质 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN113673827A (zh) | 一种区域水资源脆弱性预警系统及方法 | |
JPH09167152A (ja) | 対話的モデル作成方法 | |
CN117541095A (zh) | 一种农用地土壤环境质量类别划分的方法 | |
Pasaribu et al. | Rainfall forecast of merauke using autoregressive integrated moving average model | |
CN117197057A (zh) | 一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 | |
CN115527610B (zh) | 一种单细胞组学数据的聚类分析方法 | |
CN111178383A (zh) | 一种基于多核支持向量机的电池单体品质分类方法 | |
CN108920428B (zh) | 一种基于联合模糊扩张原理的模糊距离判别方法 | |
CN108089136B (zh) | 一种燃料电池电堆极化曲线测试数据自动切片方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |