CN116466253A - 一种燃料电池衰减的分析方法和装置 - Google Patents
一种燃料电池衰减的分析方法和装置 Download PDFInfo
- Publication number
- CN116466253A CN116466253A CN202310424409.5A CN202310424409A CN116466253A CN 116466253 A CN116466253 A CN 116466253A CN 202310424409 A CN202310424409 A CN 202310424409A CN 116466253 A CN116466253 A CN 116466253A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- data
- output voltage
- model
- operation data
- 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.)
- Pending
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 114
- 230000008859 change Effects 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 20
- 238000004458 analytical method Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 9
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000002411 adverse Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002161 passivation Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 230000011712 cell development Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池衰减的分析方法和装置，所述分析方法通过获取燃料电池在不同输出功率下的运行数据，运行数据包括燃料电池的输出电压和引起输出电压变化的多种物理量，可以较为完整表征燃料电池在实际使用的衰减过程，将运行数据输入预设的预测处理模型，由于预测处理模型为两层结构的Stacking融合模型，在基于输出电压与每种物理量的变化关系，确定每种物理量引起输出电压变化的重要度信息时，可以准确得出每种物理量对输出电压造成衰减的重要度，通过重要度信息能够精准确定出引起燃料电池衰减的目标物理量，方法整体以大数据为基础锁定燃料电池性能衰减的影响因素，进而提高了燃料电池衰减分析的准确性。
Description
技术领域
本发明涉及电池衰减分析的技术领域，尤其涉及一种燃料电池衰减的分析方法和装置。
背景技术
氢燃料电池开发的一个难点是对其性能衰减的研究，目前性能衰减的研究焦点主要聚集在输出电压的衰减，在输出电压衰减中各特征的重要度需要进行分析确定。通过影响燃料电池系统输出电压衰减特征重要度的研究，可将影响燃料电池系统性能衰减的因素锁定到具体的影响因素上，以便能够更进一步的得出电压衰减的真实原因，同时研发人员可根据锁定的具体影响因素，进行针对性的分析预判，为燃料电池系统性能设计优化和改进提供支撑。
因此，如何提高燃料电池衰减分析的准确性，是目前亟待解决的技术问题。
发明内容
本发明的一种燃料电池衰减的分析方法和装置，提高了燃料电池衰减分析的准确性。
本发明实施例提供了以下方案：
第一方面，本发明实施例提供了一种燃料电池衰减的分析方法，所述方法包括：
获取燃料电池在不同输出功率下的运行数据，其中，所述运行数据包括所述燃料电池的输出电压和引起所述输出电压变化的多种物理量；
将所述运行数据输入预设的预测处理模型，其中，所述预测处理模型为两层结构的Stacking融合模型；
所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息；
根据所述重要度信息，确定引起所述燃料电池衰减的目标物理量。
在一种可选的实施例中，所述获取燃料电池在不同输出功率下的运行数据，包括：
获取所述燃料电池的预设工况曲线，其中，所述预设工况曲线为电池输出功率随测试时间变化的曲线；
根据所述预设工况曲线控制所述燃料电池循环运行，并以预设周期接收所述燃料电池循环运行时的通讯报文；
在所述燃料电池的循环运行次数达到次数阈值时停止运行，并对所述通讯报文进行拆解以获得所述运行数据。
在一种可选的实施例中，所述根据所述预设工况曲线控制所述燃料电池循环运行，包括：
控制所述燃料电池以所述预设工况曲线运行，并获取循环运行时间；
判断所述循环运行时间是否达到时间阈值；
若是，则对所述燃料电池进行活化处理，并继续以所述预设工况曲线控制所述燃料电池循环运行。
在一种可选的实施例中，所述获取燃料电池在不同输出功率下的运行数据之后，所述方法还包括：
根据预设的分割时间段将所述运行数据存储为目标格式的多个数据文件；
根据预设的处理工具对所述多个数据文件进行数据清洗，以更新所述运行数据。
在一种可选的实施例中，所述获取燃料电池在不同输出功率下的运行数据之后，所述方法还包括：
配置处理工具的处理参数，其中，所述处理参数至少包括数据抽取的间隔数量；
根据所述处理工具对初始运行数据进行数据抽取，并将抽取的数据确定为所述运行数据。
在一种可选的实施例中，所述将所述运行数据输入预设的预测处理模型之前，所述方法还包括：
获取训练集和测试集，以及构建初始处理模型，其中，所述初始处理模型的第一层结构包括CatBoost子模型、XGBoost子模型和LightGM子模型，所述初始处理模型的第二层结构包括回归子模型；
根据所述训练集和所述测试集对所述初始处理模型进行训练和交叉验证；
在所述初始处理模型训练结果的平均绝对误差达到设定目标时停止训练，以获得所述预测处理模型。
在一种可选的实施例中，所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息之前，所述方法还包括：
获取所述输出电压进行滤波处理的单次处理数量；
根据所述单次处理数量对初始输出电压进行均值滤波处理，以获得所述输出电压。
第二方面，本发明实施例还提供了一种燃料电池衰减的分析装置，所述装置包括：
第一获取模块，用于获取燃料电池在不同输出功率下的运行数据，其中，所述运行数据包括所述燃料电池的输出电压和引起所述输出电压变化的多种物理量；
输入模块，用于将所述运行数据输入预设的预测处理模型，其中，所述预测处理模型为两层结构的Stacking融合模型；
第一确定模块，用于所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息；
第二确定模块，用于根据所述重要度信息，确定引起所述燃料电池衰减的目标物理量。
第三方面，本发明实施例还提供了一种电子设备，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电子设备执行第一方面中任一项所述方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本发明的一种燃料电池衰减的分析方法和装置与现有技术相比，具有以下优点：
本发明的分析方法，通过获取燃料电池在不同输出功率下的运行数据，运行数据包括燃料电池的输出电压和引起输出电压变化的多种物理量，可以较为完整表征燃料电池在实际使用的衰减过程，将运行数据输入预设的预测处理模型，由于预测处理模型为两层结构的Stacking融合模型，在基于输出电压与每种物理量的变化关系，确定每种物理量引起输出电压变化的重要度信息时，可以准确得出每种物理量对输出电压造成衰减的重要度，通过重要度信息能够精准确定出引起燃料电池衰减的目标物理量，方法整体以大数据为基础锁定燃料电池性能衰减的影响因素，进而提高了燃料电池衰减分析的准确性；可以为燃料电池的使用寿命提高和性能指标提升的优化设计提供可靠支撑。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种燃料电池衰减的分析方法的流程图；
图2-1为本发明实施例提供的燃料电池的循环工况时序表；
图2-2为本发明实施例提供的预设工况曲线的示意图；
图3为本发明实施例提供的通讯报文的数据定义表；
图4-1为本发明实施例提供的活化工况的时序表；
图4-2为本发明实施例提供的活化工况曲线图；
图5-1为本发明实施例提供的滤波处理的电压曲线图；
图5-2为本发明实施例提供的电压曲线图的局部放大示意图；
图6为本发明实施例提供的预测处理模型的结构示意图；
图7为本发明实施例提供的输出电压的预测曲线图；
图8为本发明实施例提供的特征重要度的柱状图；
图9为本发明实施例提供的特征重要度的排序表；
图10为本发明实施例提供的重要度排序表；
图11为本发明实施例提供的一种燃料电池衰减的分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
燃料电池多应用于氢能源汽车上，使其具有高效率、零排放、加氢时间短、续航里程长等优势，燃料电池的衰减对车辆续航具有重要意义，对于燃料电池的衰减特征分析尚未形成科学的技术线路，导致衰减分析的准确性不足，下面本发明实施例将具体阐述如何提高衰减分析的准确性。
请参阅图1，图1为本发明实施例提供的一种燃料电池衰减分析方法的流程图，所述方法包括：
S11、获取燃料电池在不同输出功率下的运行数据，其中，所述运行数据包括所述燃料电池的输出电压和引起所述输出电压变化的多种物理量。
具体的，燃料电池在实际使用时，会基于负载的功率需求进行功率输出，以燃料电池搭载于车辆应用为例，燃料电池的控制器会基于车辆VCU(vehicle Control Unit，整车控制器)下发的功率需求指令，控制氢泵、水泵和背压阀等附件在对应的状态下工作，以使燃料电池输出需求功率。为使运行数据准确表征燃料电池实际使用过程中的衰减，可以基于实际应用场景确定不同输出功率的具体值。由于燃料电池输出的是直流电，其衰减可以通过电压压降进行表征，输出电压的变化与多种物理量存在关联，例如单片最小电压、燃料电池的输出功率、空压机的实际开度、背压阀的开度设定值和DCDC(Direct Current-Direct Current，直流转换器)的输出电流等，可以通过燃料电池上的各种传感器以预设周期采集输出电压和多种物理量，以获取运行数据。其中，多种物理量可以是燃料电池运行过程中的多种被控量，还可以包括引起输出电压变化的关联物理量。
在实际应用时，若燃料电池不同功率过于混乱，得出的运行数据会过于繁杂，对数据分析的准确性可能存在影响。基于此，在一种具体的实施方式中，获取燃料电池在不同输出功率下的运行数据，包括：
获取燃料电池的预设工况曲线，其中，预设工况曲线为电池输出功率随测试时间变化的曲线，预设工况曲线可以尽可能覆盖燃料电池实际使用场景下的输出功率；根据预设工况曲线控制燃料电池循环运行，并以预设周期接收燃料电池循环运行时的通讯报文；在燃料电池的循环运行次数达到次数阈值时停止运行，并对通讯报文进行拆解以获得运行数据。
具体的，预设工况曲线可以是燃料电池耐久性测试的测试曲线，请参阅图2和图3，例如设定耐久性测试的一个循环周期为1800s，设定每个工况点的持续时间和系统输出功率，输出功率占据额定功率(或称PE)的不同百分比，包括12.5％PE、25％PE、62.5％PE、100％PE等，以更准确模拟燃料电池实际应用场景的工作状态。燃料电池基于预设工况曲线持续循环运行，输出功率12kW，持续3分钟；将功率拉载到40kW，持续10分钟；再进行功率拉载到40kW，持续10分钟；最后进行功率拉载到70kW，持续2分钟；功率降载到10kW；再降至怠速。当前循环结束后，进行下一个周期继续循环运行，以获取更多的运行数据，当循环运行次数达到次数阈值时，说明数据量已经可以充分表征燃料电池的衰减过程，则停止循环运行。其中，次数阈值可以通过技术人员的经验确定，也可以基于标定试验确定，例如2000次，能够表征燃料电池在持续使用过程中的衰减即可。
需要说明的是，引起输出电压变化的物理量种类较多，种类可多达79类，为保障多种物理量在循环运行过程中能够准确采集和存储，可以通过通讯报文传输运行数据，例如通过CAN(Controller Area Network，控制器局域网总线)通讯报文，请参阅图3，每种物理量定义一个对应的变量，变量的数据类型基于物理量的数据精度确定。将数据采集终端与燃料电池的控制器进行通讯连接，控制器控制燃料电池以预设工况曲线运行，并以预设周期采集输出电压和多种物理量，赋值至对应的设定变量，将各变量编制至通讯报文中发送至数据采集终端，数据采集终端对通讯报文进行拆解，即可获取运行数据。预设周期可以基于需求自由设定，例如将预设周期设定为0.272s。
在实际应用时，由于燃料电池的自身属性限制，在使用过程中会存在钝化，为获取更多的运行数据会进行较多次循环运行，循环过程中的电池钝化对燃料电池性能衰减分析会产生不利影响。基于此，在一种具体的实施方式中，根据预设工况曲线控制燃料电池循环运行，包括：
控制燃料电池以预设工况曲线运行，并获取循环运行时间，可以通过软件计时器计量循环运行时间；判断循环运行时间是否达到时间阈值；若是，则对燃料电池进行活化处理，并继续以预设工况曲线控制燃料电池循环运行。
具体的，循环运行时间表征了燃料电池基于预设工况曲线的连续运行时间，循环运行时间达到时间阈值时，说明燃料电池的钝化可能对衰减分析产生不利影响，则对燃料电池进行活化处理，活化处理可以拟定活化工况实施。请参阅图4-1和4-2，为达到更好的活化效果，可以将活化工况的输出功率逐步递增设置，以额定功率80KW的燃料电池为例，可以设定以额定功率的10％递增拉载，即以8KW、16KW、24KW、32KW、40KW、48KW、56KW、64KW、72KW进行梯度拉载，每个梯度的运行时间保持180s，再以预设梯度进行降载，每次降载幅度大于拉载幅度，例如在降载至额定功率的50％后，以25％进行降载，直至降低至怠速。采用该种方式对燃料电池进行活化，可以保障活化质量和活化效率。
由于运行数据的数据量较大，存在多次对通讯报文的拆解处理，数据的传输和处理过程中可能存在无效值和缺失值，对燃料电池衰减的准确性同样存在不利影响。基于此，在一种具体的实施方式中，获取燃料电池在不同输出功率下的运行数据之后，方法还包括：
根据预设的分割时间段将运行数据存储为目标格式的多个数据文件；根据预设的处理工具对多个数据文件进行数据清洗，以更新运行数据。
具体的，数据清洗用于发现并纠正运行数据中可识别的错误文件或数据，包括检查数据一致性，处理无效值和缺失值等。可以将运行数据的采集时间作为分割时间段，例如以天数为单位建立多个文件夹，将运行数据进行分割并存储为csv格式，运行数据对应的采集时间存储至对应的文件夹中，将Python作为处理工具进行数据检查，无效值和缺失值多在文件尾部几行，利用Python的删除行操作进行处理即可。进行一致性检测时，可以基于每次采集数据的字段数量确定，例如通讯报文中定义的字段数量为79个，当前次报文拆解后的字段数量低于79个，则确定该通讯报文拆解的数据无效，对其进行删除。需要说明的是，数据文件存储时应命名规范，命名还包括的数据时序，通过时序便于确定性能衰减特征，便于后续进行分析处理。数据清洗还包括将运行数据中重复的数据文件进行删除，以保障数据分析的准确性。
由于运行数据通过多次循环测试获得，测试时间可能多达几个月，运行数据的体量较大，若均用于后期分析，将耗费大量的时间和计算机算力成本。基于此，在一种具体的实施方式中，获取燃料电池在不同输出功率下的运行数据之后，方法还包括：
配置处理工具的处理参数，处理参数可以通过变量进行定义，例如通过变量赋值确定每次进行数据抽取的抽取间隔数量；完成处理参数的配置后，根据处理工具对初始运行数据进行数据抽取，并将抽取的数据确定为运行数据。
具体的，数据抽取同样可以将Python作为处理工具，在Python的函数Padas DataFrame中定义抽取存储变量df_total和抽取间隔变量dev，例如定义dev＝99，运行处理工具后，利用函数Padas Data Frame的Append方法将抽取的当前数据赋值给抽取存储变量df_total，直到所有运行数据遍历结束后停止，抽取处理后运行数据更加精简，便于提高燃料电池的衰减分析效率。
可以理解，抽取间隔变量的定义可以基于数据抽取的目标数据量进行确定，例如通过Python数据检索功能，获取每个数据文件的数据量，基于总体数据量和目标数据量确定处理参数中的抽取间隔。
请参阅图5-1，燃料电池在拉载和降载过程中伴随控制量的变化，可能引起输出电压较大的跳变波动，图中可以看出输出电压曲线出现锯齿状波动，该种数据同样对衰减分析的准确性造成不利影响。基于此，在一种具体的实施方式中，数据处理方法还包括：
获取输出电压进行滤波处理的单次处理数量；根据单次处理数量对初始输出电压进行均值滤波处理，以获得输出电压。
具体的，单次处理数量表征了均值滤波处理时单次的数据处理个数，可以通过滑动平均值滤波函数move_avg(num_list,n)对其进行定义，其中，n为单次处理数量；num_list为预滤波的数据总数。进行均值滤波时，计算滑动窗口中n个输出电压的平均值，替换对应的原输出电压，将初始输出电压进行均值滤波后即可获得准确的输出电压。请继续参阅图5-1和5-2，输出电压未进行均值滤波前，部分数据存在较大波动，由图的局部放大图可以发现，滤波后不影响曲线的变化规律，但小范围锯齿状的波动基本消除。需要说明的是，均值滤波需要保持一定适度，由于燃电系统耐久工况是多次拉载的动态工况组合，要确保每个动态工况下都有记录，如果滤波太大会失真，无法反映实际工况，通常可以设定单次处理数量为3，对于运行数据具有较好的适用性。
通过上述方式对运行数据处理后，获得的运行数据较为精简准确，可以对其进行数据探索，数据探索目的是对要分析的数据有个大概的了解，弄清数据集质量、大小、特征、样本数量、数据类型、数据的概率分布等。数据探索主要包括数据质量探索和数据特征分析，同样可以基于Python实施，读取有效数据后可以查看数据有效字段，查看数据的记录特征，例如查看前10行和后10行的记录特征等。还可以查看每种数据的含义、最大值、最小值等信息，查看数据两个变量之间的相关性，取值范围为[-1,1]，取值接近-1，表示反相关，类似反比例函数，取值接近1，表正相关；查看各变量数据相关性的热力图关系；通过数据可视化查看采样时间与电堆输出电压的散点图；查看数据变量空记录的直方图；查看电堆输出电压的异常值、中位数、四分之一、二分位数的分布情况等。通过数据探索可以了解运行数据是否符合后期的分析处理要求，便于对整体分析质量进行把控；获取燃料电池的运行数据后进入步骤S12。
S12、将所述运行数据输入预设的预测处理模型，其中，所述预测处理模型为两层结构的Stacking融合模型。
具体的，预测处理模型的第一层结构为多个基础学习子模型，每个基础学习子模型输出运行数据的初级处理结果，多个基础学习子模型可以包含CatBoost子模型、XGBoost子模型和LightGM子模型中的任意两个，也可以为三个均包含；第二层结构为次级学习子模型用于组织利用初级处理结果，也就是将基础学习子模型的答案作为输入，让次级学习子模型组织给基础学习子模型的答案分配权重，以提高数据处理的准确性，输入运输数据时可以将其存储至预设地址，通过预测处理模型的数据端口进行读取。
在实际应用时，由于两层结构的Stacking融合模型可以多种形式表征，若训练不足对预测结果的准确性将产生不利影响。基于此，在一种具体的实施方式中，将运行数据输入预设的预测处理模型之前，方法还包括：
获取训练集和测试集，以及构建初始处理模型，其中，初始处理模型的第一层结构包括CatBoost子模型、XGBoost子模型和LightGM子模型，初始处理模型的第二层结构包括回归子模型；根据训练集和测试集对初始处理模型进行训练和交叉验证；在初始处理模型训练结果的平均绝对误差达到设定目标时停止训练，以获得预测处理模型。
具体的，请参阅图6，初始处理模型为Stacking框架，Stacking是一种分层模型集成框架，第一层由三个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为特征加入训练集进行再训练，从而得到完整的Stacking模型。CatBoost子模型、XGBoost子模型和LightGM子模型可以通过第三方软件包导入至框架中，回归子模型可以为LR/Linear Regression，可以构造函数get_predict_w()定义模型的训练方式，定义get_predict_w(model,data,label＝'label',feature＝[],cate_feature＝[],random_state＝2018,n_splits＝5,model_type＝'lgb')，其中，变量model表征回归子模型选取第一层结构中三个子模型之一的具体训练集；data为运行数据的变量，即关联抽取的所有数据；label定义最终预测的特征变量，即输出电压CVMvE_u_FCStackVolt；feature用于定义多个物理量的数字特征变量；cate_feature用于定义多个物理量的类型特征变量，需要通过函数LabelEncoder()进行编码转换，即进行n个类别值编码为0～n-1之间的整数，建立起一一映射编码转换；random_state用于定义随机种子；n_split用于对训练数据的K折交叉验证，增加训练数据的样本利用率，提升预测模型的准确度，对其赋值5时进行5折交叉验证；model_type定义训练算法为lgb、xgb或ctb。
完成函数的变量定义后进行训练，需要说明的是，CatBoost子模型、XGBoost子模型和LightGM子模型采用的算法均可通过特征重要度分类方法获得所有重要度特征，包括数字特征和类型特征的重要度数据；特征重要度对于变量自相关性不敏感，在变量间存在相关性的时候，特征重要性指标可能与实际想要的结果有所偏差；需要对此部分进行处理，以减小偏差。训练集和测试集可以基于运行数据按比例抽取获得，训练集包括第一训练集和第二训练集，CatBoost子模型、XGBoost子模型和LightGM子模型通过第一训练集实施训练，回归子模型采用第一训练集和第二训练集实施训练。训练过程中通过函数model.fit()进行设定训练预设次数后返回损失值(或称loss)和测量指标，通过函数model.predict()进行预测，获得测试集的预测结果；通过特征重要性(或称model.feature_importances_)分类方法获得每个特征变量的重要度指标。
训练后函数get_predict_w()的返回结果为：Return pd.concat([train_data,test_data],sort＝True,ignore_index＝True),test_data[predict_label],
feature_importances。其中，concat([train_data,test_data])为训练集和测试集的合集DataFrame；est_data[predict_label]为测试集的预测结果；feature_importances为三种算法的5折交叉验证获得的所有特征变量的重要度指标平均值的顺序排列结果。三种算法的5折交叉验证的权重计算，以及所有特征变量的重要度指标均采用输出值的平均值进行计算。请参阅图7，图中已知实际输出电压和实际输出电压预测的对应曲线较为近似，说明模型训练结果较好。
为进一步确定模型的训练效果，需要进行训练评估，训练评估用于过度拟合检测和最佳模型选择。其评估指标eval_metric参数，选择“MAE”优化器基于平均绝对误差实施，其作用就是根据训练时的损失函数求出的损失值，对使用的算法进行更新，更新包括对各子模型的参数调整。训练结果的所有特征重要度的计算包含在get_predict_w()函数处理中；通过特征重要性分类方法，获得每个特征变量的重要度指标；CatBoost子模型、XGBoost子模型和LightGM子模型的5折交叉验证结果的所有特征重要度结果取均值。请参阅图8和图9，初始处理模型完成一次训练后输出对应的平均绝对误差，当平均绝对误差变化较小时，说明模型拟合效果较好，则停止训练，将抽取的运行数据输入预测处理模型进入步骤S13。
S13、所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息。
具体的，每种物理量对输出电压均存在不同程度的影响，例如在燃料电池的拉载过程中，由于燃料电池的控制存在滞后性，背压阀的开度和输出电压存在对应的变化关系，背压阀开度控制量与目标量的差值越大，对输出电压的影响越大，对应采集的输出电压波动幅度越大。基于每种物理量和输出电压的变化关系，可以确定出每种物理量对输出电压的重要度，引起输出电压波动幅度越大，重要度越大；反之，引起输出电压波动幅度越小，重要度越小。基于该种对应关系进行排序，即可得出重要度信息。重要度信息表征了每种物理量对输出电压变化的影响程度，可以通过图表排序表征，也可以通过数值量化表征，在此不作具体限制。
请参阅图10，通过表格表征重要度信息时，可以通过预测处理模型计算每种物理量的重要度分值，以百分比的形式表征每种物理量的重要度分值。为使重要度信息具有较好的可读性，可以将各物理量和对应定义的特征变量输出至表格中，并进行排序，将重要度分值的前10位以降序排列在表格中，重要度分值较小的物理量统计在排序末位，确定每种物理量引起输出电压变化的重要度信息后进入步骤S14。
S14、根据所述重要度信息，确定引起所述燃料电池衰减的目标物理量。
具体的，重要度信息表征了燃料电池中多种物理量引起输出电压变化的重要度，燃料电池的衰减直接表现形式是电压衰减，因此可以基于重要度信息确定对燃料电池造成衰减影响较大的目标物理量。其中，目标物理量的边界定义可以基于技术人员的经验确定，也可以基于标定实验确定，能够适用燃料电池优化方向的要求即可，例如在燃料电池的使用寿命优化场景下，选取图10中TOP1-5的物理量作为目标物理量。
可以理解，根据经验燃料电池的单片电压最小值(CVMvE_u_FCellVoltMin)是直接影响其性能衰减的非常重要的原因之一，由上面的特征重要度分值64.2，充分说明这一点，同时远远大于其它特征因素对燃电系统性能衰减的影响程度；DCDC低边实际电流(EPMvE_i_DCDCLoSideAct)，特征重要度分值6.02，DCDC高边实际电流(EPMvE_i_DCDCHiSideAct)，特征重要度分值3.5，说明DCDC低边实际电流比DCDC高边实际电流，对燃电系统性能衰减的影响程度要高，符合逻辑。根据以上分析，在提升燃电系统寿命、提高燃料电池系统性能指标问题上，可重点关注TOP1-10的特征变量的优化和改善。直流变换器用于直流电源的电压或电流转换，DCDC低边实际电流表征的是直流变换器位于低压一端的电流值，DCDC高边实际电流表征的是直流变换器位于高压一端的电流值。
基于与分析方法同样的发明构思，本发明实施例还提供了一种燃料电池衰减的分析装置，请参阅图11，所述装置包括：
第一获取模块101，用于获取燃料电池在不同输出功率下的运行数据，其中，所述运行数据包括所述燃料电池的输出电压和引起所述输出电压变化的多种物理量；
输入模块102，用于将所述运行数据输入预设的预测处理模型，其中，所述预测处理模型为两层结构的Stacking融合模型；
第一确定模块103，用于所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息；
第二确定模块104，用于根据所述重要度信息，确定引起所述燃料电池衰减的目标物理量。
在一种可选的实施例中，所述第一获取模块，包括：
获取子模块，用于获取所述燃料电池的预设工况曲线，其中，所述预设工况曲线为电池输出功率随测试时间变化的曲线；
控制接收子模块，用于根据所述预设工况曲线控制所述燃料电池循环运行，并以预设周期接收所述燃料电池循环运行时的通讯报文；
拆解获得子模块，用于在所述燃料电池的循环运行次数达到次数阈值时停止运行，并对所述通讯报文进行拆解以获得所述运行数据。
在一种可选的实施例中，所述控制接收子模块，包括：
控制单元，用于控制所述燃料电池以所述预设工况曲线运行，并获取循环运行时间；
判断单元，用于判断所述循环运行时间是否达到时间阈值；
处理单元，用于在所述循环运行时间达到时间阈值时，则对所述燃料电池进行活化处理，并继续以所述预设工况曲线控制所述燃料电池循环运行。
在一种可选的实施例中，所述装置还包括：
存储模块，用于根据预设的分割时间段将所述运行数据存储为目标格式的多个数据文件；
清洗更新模块，用于根据预设的处理工具对所述多个数据文件进行数据清洗，以更新所述运行数据。
在一种可选的实施例中，所述装置还包括：
配置模块，用于配置处理工具的处理参数，其中，所述处理参数至少包括数据抽取的间隔数量；
抽取模块，用于根据所述处理工具对初始运行数据进行数据抽取，并将抽取的数据确定为所述运行数据。
在一种可选的实施例中，所述装置还包括：
第二获取模块，用于获取训练集和测试集，以及构建初始处理模型，其中，所述初始处理模型的第一层结构包括CatBoost子模型、XGBoost子模型和LightGM子模型，所述初始处理模型的第二层结构包括回归子模型；
训练验证模块，用于根据所述训练集和所述测试集对所述初始处理模型进行训练和交叉验证；
第一获得模块，用于在所述初始处理模型训练结果的平均绝对误差达到设定目标时停止训练，以获得所述预测处理模型。
在一种可选的实施例中，所述装置还包括：
第三获取模块，用于获取所述输出电压进行滤波处理的单次处理数量；
第二获得模块，用于根据所述单次处理数量对初始输出电压进行均值滤波处理，以获得所述输出电压。
基于与分析方法同样的发明构思，本发明实施例还提供了一种电子设备，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电子设备执行分析方法中任一项所述方法的步骤。
基于与分析方法同样的发明构思，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现分析方法中任一项所述方法的步骤。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
通过获取燃料电池在不同输出功率下的运行数据，运行数据包括燃料电池的输出电压和引起输出电压变化的多种物理量，可以较为完整表征燃料电池在实际使用的衰减特征，将运行数据输入预设的预测处理模型，由于预测处理模型为两层结构的Stacking融合模型，在基于输出电压与每种物理量的变化关系，确定每种物理量引起输出电压变化的重要度信息时，可以准确得出每种物理量对输出电压造成衰减的重要度，通过重要度信息能够精准确定出引起燃料电池衰减的目标物理量，方法整体以大数据为基础锁定燃料电池性能衰减的影响因素，进而提高了燃料电池衰减特征分析的准确性；可以为燃料电池的使用寿命提高和性能指标提升的优化设计提供可靠支撑。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种燃料电池衰减的分析方法，其特征在于，所述方法包括：
获取燃料电池在不同输出功率下的运行数据，其中，所述运行数据包括所述燃料电池的输出电压和引起所述输出电压变化的多种物理量；
将所述运行数据输入预设的预测处理模型，其中，所述预测处理模型为两层结构的Stacking融合模型；
所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息；
根据所述重要度信息，确定引起所述燃料电池衰减的目标物理量。
2.根据权利要求1所述的燃料电池衰减的分析方法，其特征在于，所述获取燃料电池在不同输出功率下的运行数据，包括：
获取所述燃料电池的预设工况曲线，其中，所述预设工况曲线为电池输出功率随测试时间变化的曲线；
根据所述预设工况曲线控制所述燃料电池循环运行，并以预设周期接收所述燃料电池循环运行时的通讯报文；
在所述燃料电池的循环运行次数达到次数阈值时停止运行，并对所述通讯报文进行拆解以获得所述运行数据。
3.根据权利要求2所述的燃料电池衰减的分析方法，其特征在于，所述根据所述预设工况曲线控制所述燃料电池循环运行，包括：
控制所述燃料电池以所述预设工况曲线运行，并获取循环运行时间；
判断所述循环运行时间是否达到时间阈值；
若是，则对所述燃料电池进行活化处理，并继续以所述预设工况曲线控制所述燃料电池循环运行。
4.根据权利要求1所述的燃料电池衰减的分析方法，其特征在于，所述获取燃料电池在不同输出功率下的运行数据之后，所述方法还包括：
根据预设的分割时间段将所述运行数据存储为目标格式的多个数据文件；
根据预设的处理工具对所述多个数据文件进行数据清洗，以更新所述运行数据。
5.根据权利要求1所述的燃料电池衰减的分析方法，其特征在于，所述获取燃料电池在不同输出功率下的运行数据之后，所述方法还包括：
配置处理工具的处理参数，其中，所述处理参数至少包括数据抽取的间隔数量；
根据所述处理工具对初始运行数据进行数据抽取，并将抽取的数据确定为所述运行数据。
6.根据权利要求1所述的燃料电池衰减的分析方法，其特征在于，所述将所述运行数据输入预设的预测处理模型之前，所述方法还包括：
获取训练集和测试集，以及构建初始处理模型，其中，所述初始处理模型的第一层结构包括CatBoost子模型、XGBoost子模型和LightGM子模型，所述初始处理模型的第二层结构包括回归子模型；
根据所述训练集和所述测试集对所述初始处理模型进行训练和交叉验证；
在所述初始处理模型训练结果的平均绝对误差达到设定目标时停止训练，以获得所述预测处理模型。
7.根据权利要求1所述的燃料电池衰减的分析方法，其特征在于，所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息之前，所述方法还包括：
获取所述输出电压进行滤波处理的单次处理数量；
根据所述单次处理数量对初始输出电压进行均值滤波处理，以获得所述输出电压。
8.一种燃料电池衰减的分析装置，其特征在于，所述装置包括：
第一获取模块，用于获取燃料电池在不同输出功率下的运行数据，其中，所述运行数据包括所述燃料电池的输出电压和引起所述输出电压变化的多种物理量；
输入模块，用于将所述运行数据输入预设的预测处理模型，其中，所述预测处理模型为两层结构的Stacking融合模型；
第一确定模块，用于所述预测处理模型基于所述输出电压与每种物理量的变化关系，确定所述每种物理量引起所述输出电压变化的重要度信息；
第二确定模块，用于根据所述重要度信息，确定引起所述燃料电池衰减的目标物理量。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电子设备执行权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310424409.5A CN116466253A (zh) | 2023-04-19 | 2023-04-19 | 一种燃料电池衰减的分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310424409.5A CN116466253A (zh) | 2023-04-19 | 2023-04-19 | 一种燃料电池衰减的分析方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116466253A true CN116466253A (zh) | 2023-07-21 |
Family
ID=87174819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310424409.5A Pending CN116466253A (zh) | 2023-04-19 | 2023-04-19 | 一种燃料电池衰减的分析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116466253A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
-
2023
- 2023-04-19 CN CN202310424409.5A patent/CN116466253A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
| CN117236082B (zh) * | 2023-11-15 | 2024-01-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| US20200372342A1 (en) | Systems and methods for predictive early stopping in neural network training | |
| CN109873425B (zh) | 基于深度学习和用户行为的电力系统调整潮流方法及系统 | |
| CN116466253A (zh) | 一种燃料电池衰减的分析方法和装置 | |
| CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
| CN114047452A (zh) | 一种确定电池循环寿命的方法及装置 | |
| CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
| CN115441456A (zh) | 一种电网调度支持系统故障诊断方法及装置 | |
| WO2018182442A1 (en) | Machine learning system and method for generating a decision stream and automonously operating device using the decision stream | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN113902181A (zh) | 公变重过载的短期预测方法及设备 | |
| CN117330987A (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN111783930A (zh) | 一种基于路径状态的神经网络测试充分性评估方法 | |
| CN115730717A (zh) | 基于迁移学习策略结合多通道的电力负荷预测方法及系统 | |
| CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
| CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
| CN112365024A (zh) | 一种基于深度学习的高压直流换流站能效预测方法及系统 |
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 |