CN117236082B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117236082B CN117236082B CN202311518965.5A CN202311518965A CN117236082B CN 117236082 B CN117236082 B CN 117236082B CN 202311518965 A CN202311518965 A CN 202311518965A CN 117236082 B CN117236082 B CN 117236082B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- data set
- vehicle
- data
- performance
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 329
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000015556 catabolic process Effects 0.000 claims description 28
- 238000006731 degradation reaction Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004806 packaging method and process Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000012351 Integrated analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及燃料电池技术,具体涉及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,基于大数据平台中燃料电池车辆在实际道路行驶过程中的数据来进行燃料电池性能衰减分析与预测,其相对于燃料电池发动机在台架测试中性能衰减情况,能够更加准确的反映在苛刻实际道路工况下的燃料电池性能变化情况,对于实际产品开发指导意义更强。该方法无需开展燃料电池发动机的耐久性试验,而是基于大数据平台中车辆实际行驶数据来进行性能衰减分析与预测,大幅节约了试验周期与人力成本。该方法能够实现燃料电池发动机在预设运行工况区间中相应性能指标的衰减分析与预测,能够随着车辆运行时间的增加而持续更新,并且操作简便,灵活性高。
Description
技术领域
本发明涉及燃料电池技术,具体涉及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。
背景技术
燃料电池车辆是新能源车辆的一个重要分支,由于其加注速度快、效率高、噪音低、零排放等优点,被认为是未来车辆的最终解决方案之一,但其大规模商用化应用仍受到耐久性限制。对燃料电池系统进行衰减预测,能够为系统控制和健康管理提供参考,有助于提升其使用寿命,促进其大规模商业化应用。然而,以往的研究工作只是用实验对性能退化的规律进行阐述,并没有将其量化。
燃料电池车辆在实际运行时,面临着诸如温湿度变化、振动等复杂的使用环境,且包括启停、怠速、变载等多变的运行工况及其他苛刻挑战,也造成了燃料电池发动机的性能衰减,如额定输出功率随着运行时间增加而逐渐下降。目前燃料电池发动机的耐久性能主要是通过测试台架来进行测试,该方法需要消耗大量的测试资源且需要较长的测试时长。
此外,燃料电池发动机的耐久性测试通常按照固定的测试工况来进行,虽然该测试工况涵盖了燃料电池发动机运行时的高、中、低负荷,但是燃料电池车辆在道路行驶时会受到实际道路交通的影响,导致其实际经历的运行工况与上述测试工况存在差异,因此基于台架测试的燃料电池发动机性能衰减情况与燃料电池实车在道路行驶过程中发动机性能衰减情况存在偏差。为了满足燃料电池车辆在实际运行时的发动机性能衰减分析与预测需求,亟需一种时效性好、成本低、操作简便的方法。
发明内容
根据本发明第一方面,本发明请求保护一种基于大数据平台的燃料电池性能衰减预测方法,包括:
从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将所述运行数据封装成候选数据集S1;
对所述候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2;
获取所述燃料电池车辆在有效数据集S2中的出行数据集S2n,从所述出行数据集S2n中提取燃料电池的运行数据集S2n’;
设定所述燃料电池的预设性能指标,结合所述燃料电池在所述运行数据集S2n’中的工作时间,得到所述燃料电池的性能指标变化情况与累计工作时间总和;
对所述燃料电池的性能指标变化情况与累计工作时间总和进行曲线拟合,构建燃料电池性能随燃料电池的工作时间增加时的性能指标衰减预测模型;
基于所述衰减预测模型对所述燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测。
根据本发明第二方面,本发明请求保护一种基于大数据平台的燃料电池性能衰减预测系统,包括:
调取模块,从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将所述运行数据封装成候选数据集S1;
预处理模块,对所述候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2;
片段设置模块,获取所述燃料电池车辆在有效数据集S2中的出行数据集S2n,从所述出行数据集S2n中提取燃料电池的运行数据集S2n’;
整合分析模块,设定所述燃料电池的预设性能指标,结合所述燃料电池在所述运行数据集S2n’中的工作时间,得到所述燃料电池的性能指标变化情况与累计工作时间总和;
模型构建模块,对所述燃料电池的性能指标变化情况与累计工作时间总和进行曲线拟合,构建燃料电池性能随燃料电池的工作时间增加时的性能指标衰减预测模型;
预测模块,基于所述衰减预测模型对所述燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测。
根据本发明第三方面,本发明请求保护一种基于大数据平台的燃料电池性能衰减预测系统,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述处理器执行时实现所述的一种基于大数据平台的燃料电池性能衰减预测方法。
基于所述衰减预测模型对所述燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测。本发明涉及燃料电池技术,具体涉及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,基于燃料电池车辆在实际道路行驶过程中的数据来进行燃料电池性能衰减分析与预测,其相对于台架测试的燃料电池发动机性能衰减情况,能够更加准确的反映在苛刻实际道路工况下的燃料电池性能变化情况,对于实际产品开发指导意义更强,无需开展燃料电池发动机的耐久性试验,而是基于实际行驶数据来进行性能衰减分析与预测,大幅节约了试验周期与人力成本;燃料电池性能衰减预测能够随着车辆运行时间的增加而持续更新,并且能够设置特定的工况区间来实现相应性能指标的分析,操作简便,灵活性高。
附图说明
图1为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测方法的工作流程图;
图2为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测方法的燃料电池运行数据获取工作流程图;
图3为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测方法的工作时间总和计算流程图;
图4为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测方法的燃料电池单日工作时间总和以及累计工作时间总和图;
图5为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测方法的燃料电池运行电压变化图;
图6为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测方法的燃料电池性能指标变化趋势预测图;
图7为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测系统的结构模块图;
图8为本发明所涉及的一种基于大数据平台的燃料电池性能衰减预测系统的系统结构图。
具体实施方式
根据本发明第一实施例,参照附图1,本发明请求保护一种基于大数据平台的燃料电池性能衰减预测方法,包括步骤:
S100,从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将运行数据封装成候选数据集S1;
S200,对候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2;
S300,获取燃料电池车辆在有效数据集S2中的出行数据集S2n,从出行数据集S2n中提取燃料电池的运行数据集S2n’;
S400,设定燃料电池的预设性能指标,结合燃料电池在运行数据集S2n’中的工作时间,得到燃料电池的性能指标变化情况与累计工作时间总和;
S500,对燃料电池的性能指标变化情况与累计工作时间总和进行曲线拟合,构建燃料电池性能随燃料电池的工作时间增加时的性能指标衰减预测模型;
S600,基于衰减预测模型对燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测。
进一步的,步骤S100,具体包括:
燃料电池车辆的运行数据至少包括数据发送时间、车辆状态、累计里程、燃料电池电流与燃料电池电压;
车辆状态至少包括启动状态、熄火状态;
燃料电池的性能指标至少包括燃料电池电流与燃料电池电压;
将上述运行数据封装为集合形式,得到候选数据集S1。
进一步的,步骤S200,具体包括:
对候选数据集S1进行空白行检测处理,当识别出候选数据集S1中存在完全空白行数据时,删除该行数据,当识别出候选数据集S1中存在部分空白行数据时,基于相邻行数据进行判定处理;
对候选数据集S1进行异常值判定处理,当候选数据集S1中的数据存在数值突变情况时,基于相邻行数据进行判定处理。
其中,在该实施例中,当识别出候选数据集S1中存在完全空白行数据时,也就是说整行都是空白时,此时该行没有数据,将此行做删除处理;
当识别出候选数据集S1中存在部分空白行数据时,其中,数据发送时间和车辆状态数据不为空,但是燃料电池的相关数据缺失,结合其余运行数据来判断,如果车辆状态是“熄火”,不用处理,保留该行数据;如果车辆状态是“启动”, 此时该行数据明显错误,将此行做删除处理;
异常值判定处理时,当候选数据集S1中的数据存在数值突变情况时,此时该行有数据,但是数据值明显有错误或者不合理,针对这类数据,需要进行判定后进行处理。
进一步的,参照附图2,步骤S300,具体包括:
S301,依据车辆状态对燃料电池车辆在预设时间区间内的运行状况进行划分,提取燃料电池车辆处于有效行驶区间内的多次出行行为,得到燃料电池车辆在有效数据集S2中的出行数据集S2n;
S302,获取多次燃料电池车辆的出行数据集S2n中燃料电池处于工作状态的数据,得到燃料电池处于工作状态的运行区间;
S303,采集燃料电池在运行区间内的燃料电池的性能指标集合,结合燃料电池车辆的数据发送时间构成燃料电池的运行数据集S2n’;
其中,在该实施例中,大数据平台导出的原始数据经过数据清洗处理后,形成该时间区间内燃料电池车辆的有效数据,设定该数据集合为S2,基于S2进行后续的数据分析;
提取燃料电池车辆处于有效行驶区间内的数据,其中,车辆状态为“启动”与“熄火”,作为车辆行驶的判断依据;
步骤S301中,按照数据发送时间的时间顺序,从车辆状态第一次出现“启动”(t1时刻),一直持续到车辆状态由“启动”变为“熄火”(此处,熄火为t2时刻),即t1时刻到t2时刻的时间段,作为车辆此次出行行为的数据(第1次出行),该数据集合为S2.1;
步骤S302中,提取车辆每次出行行为中(S2.1、S2.2、S2.3…S2.n)燃料电池处于工作状态的数据。燃料电池车辆中有两种动力来源,动力电池系统、燃料电池,这两种动力来源组合起来为车辆提供行驶的动力;
将S2.1、S2.2、S2.3…S2.n的车辆每次出行行为形成集合作为燃料电池车辆的出行数据集S2n;
以燃料电池电流与燃料电池电压作为判断依据,找到燃料电池处于工作状态的运行区间;
燃料电池功率P=燃料电池电流I与燃料电池电压V的乘积;
步骤S303中,在S2.1的数据集合中,按照数据发送时间的时间顺序,以燃料电池功率P第一次超过100W(燃料电池工作的判断值,可以是100W,也可以根据实际需要设定为其他数值)作为判断依据(t3时刻),作为燃料电池开始工作的时刻。以燃料电池功率P降低至100W下作为燃料电池停止工作的时刻(t4时刻)。选择S2.1数据集合中t3时刻到t4时刻的时间段,作为燃料电池处于工作状态的运行区间,该区间的数据集合记为S2.1’。
;
表示燃料电池在S2.1’数据集合中的工作时间;
在S2.1’的数据集合中,按照数据发送时间的时间顺序,燃料电池电流I形成的集合为,燃料电池电压V形成的集合为/>,燃料电池功率P形成的集合为/>,同时记录车辆的发送时间的日期为/>,其中M表示月份(1月-12月),N表示日期(1号-31号);
由于燃料电池车辆在日期为存在多次出行驾驶,因此按照上述步骤能够形成S2.1’、S2.2’直至S2.n’数据集合中的燃料电池性能指标以及燃料电池的工作时间,/>,/>;
其中,S2.1’、S2.2’直至S2.n’数据集合构成燃料电池的运行数据集S2n’。
进一步的,燃料电池处于工作状态的运行区间为燃料电池运行时功率超过预设功率阈值至燃料电池运行时功率低于预设功率阈值之间的时间区间;
将燃料电池的运行功率超过预设功率阈值下的状态认定为燃料电池处于工作状态。
进一步的,参照附图3,步骤S400,具体包括:
S401,从运行数据集S2n’中选择燃料电池在每个运行区间内处于预设性能指标下的其他性能指标;
S402,依据燃料电池车辆的数据发送时间,得到指定日期中燃料电池单日工作时间总和以及燃料电池处于预设性能指标下的其他性能指标的平均值;
S403,基于燃料电池车辆在预设时间区间内的行驶数据,得到燃料电池车辆运行时间增加时燃料电池的性能指标变化情况;
其中,在该实施例中,为了进行燃料电池系统性能衰减的分析,需要有性能指标,但是燃料电池的工作区间很大,在不同的电流下都能工作,这就导致没法统一了。所以为了统一,需要先确定一个特定的运行区间,比如大部分取电流为120A附近,以该电流120A作为预设性能指标,获取该条件下燃料电池的电压作为后续性能衰减分析的其他性能指标。
在上述S2.1’、S2.2’直至S2.n’的数据集合中,选择每个集合中燃料电池电流、电压或者功率处于特定区间的数据,得到燃料电池性能指标的数据。
;
其中表示燃料电池电流处于特定区间/>的数值,/>表示燃料电池电流特定区间的下限值,/>表示燃料电池电流特定区间的上限值,/>表示数据包含于的含义,/>,/>,/>分别表示在S2.1’、S2.2’直至S2.n’的数据集合中燃料电池电流数值为/>时对应的燃料电池电压,/>,/>,/>分别表示在S2.1’、S2.2’直至S2.n’的数据集合中燃料电池电流数值为/>时对应的燃料电池功率。
其中,在该实施例中,步骤S402中,经过多个数据处理步骤后,以车辆的数据发送时间日期作为判断依据,进一步得到日期为中燃料电池处于特定区间的性能指标的平均值。
;
其中表示日期为/>中燃料电池电流数值为/>时对应的燃料电池电压的平均值,其中/>表示日期为/>中燃料电池电流数值为/>时对应的燃料电池功率的平均值,/>表示取平均值的含义,/>表示日期,M表示月份,N表示日期。
同理,以车辆的发送时间日期作为判断依据,进一步得到日期为中燃料电池单日工作时间总和。
;
表示日期为/>中燃料电池单日工作时间总和,/>,/>,/>分别表示在S2.1’、S2.2’直至S2.n’数据集合中燃料电池的工作时间。
具体的,步骤S401和S402中的预设性能指标可以为燃料电池的电流、电压和功率中的任意一个;所述其他性能指标为剩余的其他两个指标中的一个或两个。
参照图4,为实际大数据平台中依照上述方法提取的燃料电池随着车辆行驶日期的单日工作时间总和以及累计工作时间总和的变化情况。
步骤S403中,具体包括:
基于燃料电池车辆在一段时间内行驶数据的处理,得到随着车辆运行时间增加时燃料电池性能指标的变化情况。
;
其中表示车辆出行的日期集合,/>表示车辆在出行日期中的燃料电池累计工作时间总和,/>表示车辆在出行日期中对应的燃料电池电压值,/>表示车辆在出行日期中对应的燃料电池功率值;
例如Day1-1,Day1-2一直到Day1-30组成了1月份出行日期的分布,表示车辆在1月1号到1月30号的每一天都有出行。如果其中有一天没有出行,那么tDay的数据集合中,就没有这一天所对应的日期。
对每日燃料电池工作时间求和,得到车辆在一段时间内燃料电池累计的工作时间的变化情况。
;
其中表示截至车辆第/>日出行时累计燃料电池工作时间,/>表示车型累计出行日数,/>表示对/>的第1个元素到第/>个元素进行求和。
参照附图5,为基于图4的大数据平台中的燃料电池车辆运行情况,取燃料电池的电流值作为预设性能指标,电压值作为其他性能指标,表明燃料电池运行电压随着车辆行驶日期的变化情况;
其中,在该实施例中,燃料电池的电压值可以采取取整近似值或其他的方式在图5中设置,如某日燃料电池运行电压为199.2伏,在图5中对应的电压为200伏。
进一步的,步骤S500,具体包括:
基于燃料电池的性能指标变化情况以及燃料电池累计工作时间总和,按照最小二乘法曲线拟合方法,以一元线性方程建立燃料电池性能随着车辆运行时间增加时的衰减以及预测公式:
;
;
其中,/>分别表示燃料电池电流数值为/>时对应的燃料电池电压指标与燃料电池功率指标,/>,/>分别表示电压指标衰减系数与功率指标衰减系数,/>表示燃料电池累计工作时间总和,/>,/>表示常数项。
参照图6,在图5的基础上按照最小二乘法曲线拟合方法,以一元线性方程建立燃料电池性能随着车辆运行时间增加时的衰减以及预测公式,燃料电池运行特定电压区间随着燃料电池累计运行时间的变化情况与预测公式;
在附图6中,横轴已经完成拟合到燃料电池累计工作时间总和约为280h小时,后续将拟合的曲线延长,就可以通过拟合出来的公式来计算横轴为300h、500h等时候,燃料电池性能指标的数值了,完成了对所述燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测。
根据本发明第二实施例,参照图7,本发明请求保护一种基于大数据平台的燃料电池性能衰减预测系统,包括:
调取模块,从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将运行数据封装成候选数据集S1;
预处理模块,对候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2;
片段设置模块,获取燃料电池车辆在有效数据集S2中的出行数据集S2n,从出行数据集S2n中提取燃料电池的运行数据集S2n’;
整合分析模块,设定燃料电池的预设性能指标,结合燃料电池在运行数据集S2n’中的工作时间,得到燃料电池的性能指标变化情况与累计工作时间总和;
模型构建模块,对燃料电池的性能指标变化情况与累计工作时间总和进行曲线拟合,构建燃料电池性能随燃料电池的工作时间增加时的性能指标衰减预测模型;
预测模块,基于衰减预测模型对燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测。
根据本发明第三实施例,参照图8,本发明请求保护一种基于大数据平台的燃料电池性能衰减预测系统,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行计算机可读指令,使得处理器执行时实现的一种基于大数据平台的燃料电池性能衰减预测方法。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种设备或组件可以通过硬件实现,也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成,程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义,这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于大数据平台的燃料电池性能衰减预测方法,其特征在于,包括:
从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将所述运行数据封装成候选数据集S1;
对所述候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2;
获取所述燃料电池车辆在有效数据集S2中的出行数据集S2n,从所述出行数据集S2n中提取燃料电池的运行数据集S2n’;
设定所述燃料电池的预设性能指标,结合所述燃料电池在所述运行数据集S2n’中的工作时间,得到所述燃料电池的性能指标变化情况与累计工作时间总和;
对所述燃料电池的性能指标变化情况与累计工作时间总和进行曲线拟合,构建燃料电池性能随燃料电池的工作时间增加时的性能指标衰减预测模型;
基于所述衰减预测模型对所述燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测;
所述从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将所述运行数据封装成候选数据集S1,具体包括:
燃料电池车辆的运行数据至少包括数据发送时间、车辆状态、累计里程、燃料电池电流与燃料电池电压;
所述车辆状态至少包括启动状态、熄火状态;
燃料电池的性能指标至少包括燃料电池电流与燃料电池电压;
将上述运行数据封装为集合形式,得到候选数据集S1;
所述对所述候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2,具体包括:
对所述候选数据集S1进行空白行检测处理,当识别出所述候选数据集S1中存在完全空白行数据时,删除该行数据,当识别出所述候选数据集S1中存在部分空白行数据时,基于相邻行数据进行判定处理;
对所述候选数据集S1进行异常值判定处理,当所述候选数据集S1中的数据存在数值突变情况时,基于相邻行数据进行判定处理;
所述获取所述燃料电池车辆在有效数据集S2中的出行数据集S2n,从所述出行数据集S2n中提取燃料电池的运行数据集S2n’,具体包括:
依据所述车辆状态对所述燃料电池车辆在所述预设时间区间内的运行状况进行划分,提取所述燃料电池车辆处于有效行驶区间内的多次出行行为,得到燃料电池车辆在有效数据集S2中的出行数据集S2n;
获取多次所述燃料电池车辆的出行数据集S2n中燃料电池处于工作状态的数据,得到所述燃料电池处于工作状态的运行区间;
采集所述燃料电池在运行区间内的燃料电池的性能指标集合,结合所述燃料电池车辆的数据发送时间构成燃料电池的运行数据集S2n’;
所述设定所述燃料电池的预设性能指标,结合所述燃料电池在所述运行数据集S2n’中的工作时间,得到所述燃料电池的性能指标变化情况与累计工作时间总和,具体包括:
从所述运行数据集S2n’中选择燃料电池在每个运行区间内处于预设性能指标下的其他性能指标;
依据所述燃料电池车辆的数据发送时间,得到指定日期中所述燃料电池单日工作时间总和以及燃料电池处于预设性能指标下的其他性能指标的平均值;
基于所述燃料电池车辆在预设时间区间内的行驶数据,得到所述燃料电池车辆运行时间增加时燃料电池的性能指标变化情况。
2.如权利要求1所述的一种基于大数据平台的燃料电池性能衰减预测方法,其特征在于,所述燃料电池处于工作状态的运行区间为所述燃料电池运行时功率超过预设功率阈值至所述燃料电池运行时功率低于所述预设功率阈值之间的运行区间;
将所述燃料电池的运行功率超过预设功率阈值下的状态认定为燃料电池处于工作状态。
3.如权利要求2所述的一种基于大数据平台的燃料电池性能衰减预测方法,其特征在于,所述基于所述燃料电池车辆在预设时间区间内的行驶数据,得到所述燃料电池车辆运行时间增加时燃料电池的性能指标变化情况,具体包括:
获取所述燃料电池车辆的出行日期,得到所述出行日期下燃料电池处于工作状态的单日工作时间总和、累计工作时间总和性能指标。
4.如权利要求3所述的一种基于大数据平台的燃料电池性能衰减预测方法,其特征在于,所述对所述燃料电池的性能指标变化情况与累计工作时间总和进行曲线拟合,构建燃料电池性能随车辆运行时间增加时的衰减预测模型,具体包括:
基于燃料电池的性能指标变化情况以及燃料电池累计工作时间总和,按照最小二乘法曲线拟合方法,以一元线性方程建立燃料电池性能随着车辆运行时间增加时的衰减以及预测公式:
;
;
其中,/>分别表示燃料电池电流数值为/>时对应的燃料电池电压指标与燃料电池功率指标,/>,/>分别表示电压指标衰减系数与功率指标衰减系数,/>表示燃料电池累计工作时间总和,/>,/>表示常数项。
5.一种基于大数据平台的燃料电池性能衰减预测系统,其特征在于,包括:
调取模块,从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将所述运行数据封装成候选数据集S1;
预处理模块,对所述候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2;
片段设置模块,获取所述燃料电池车辆在有效数据集S2中的出行数据集S2n,从所述出行数据集S2n中提取燃料电池的运行数据集S2n’;
整合分析模块,设定所述燃料电池的预设性能指标,结合所述燃料电池在所述运行数据集S2n’中的工作时间,得到所述燃料电池的性能指标变化情况与累计工作时间总和;
模型构建模块,对所述燃料电池的性能指标变化情况与累计工作时间总和进行曲线拟合,构建燃料电池性能随燃料电池的工作时间增加时的性能指标衰减预测模型;
预测模块,基于所述衰减预测模型对所述燃料电池车辆在未来行驶时间内燃料电池性能指标的变化趋势进行预测;
所述从燃料电池车辆大数据平台中调取预设时间区间内燃料电池车辆的运行数据,将所述运行数据封装成候选数据集S1,具体包括:
燃料电池车辆的运行数据至少包括数据发送时间、车辆状态、累计里程、燃料电池电流与燃料电池电压;
所述车辆状态至少包括启动状态、熄火状态;
燃料电池的性能指标至少包括燃料电池电流与燃料电池电压;
将上述运行数据封装为集合形式,得到候选数据集S1;
所述对所述候选数据集S1进行清洗处理,得到在预设时间区间内的燃料电池车辆的有效数据集S2,具体包括:
对所述候选数据集S1进行空白行检测处理,当识别出所述候选数据集S1中存在完全空白行数据时,删除该行数据,当识别出所述候选数据集S1中存在部分空白行数据时,基于相邻行数据进行判定处理;
对所述候选数据集S1进行异常值判定处理,当所述候选数据集S1中的数据存在数值突变情况时,基于相邻行数据进行判定处理;
所述获取所述燃料电池车辆在有效数据集S2中的出行数据集S2n,从所述出行数据集S2n中提取燃料电池的运行数据集S2n’,具体包括:
依据所述车辆状态对所述燃料电池车辆在所述预设时间区间内的运行状况进行划分,提取所述燃料电池车辆处于有效行驶区间内的多次出行行为,得到燃料电池车辆在有效数据集S2中的出行数据集S2n;
获取多次所述燃料电池车辆的出行数据集S2n中燃料电池处于工作状态的数据,得到所述燃料电池处于工作状态的运行区间;
采集所述燃料电池在运行区间内的燃料电池的性能指标集合,结合所述燃料电池车辆的数据发送时间构成燃料电池的运行数据集S2n’;
所述设定所述燃料电池的预设性能指标,结合所述燃料电池在所述运行数据集S2n’中的工作时间,得到所述燃料电池的性能指标变化情况与累计工作时间总和,具体包括:
从所述运行数据集S2n’中选择燃料电池在每个运行区间内处于预设性能指标下的其他性能指标;
依据所述燃料电池车辆的数据发送时间,得到指定日期中所述燃料电池单日工作时间总和以及燃料电池处于预设性能指标下的其他性能指标的平均值;
基于所述燃料电池车辆在预设时间区间内的行驶数据,得到所述燃料电池车辆运行时间增加时燃料电池的性能指标变化情况。
6. 一种存储介质,其特征在于,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述处理器执行时实现如权利要求1-4中任意一项所述的一种基于大数据平台的燃料电池性能衰减预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518965.5A CN117236082B (zh) | 2023-11-15 | 2023-11-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518965.5A CN117236082B (zh) | 2023-11-15 | 2023-11-15 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236082A CN117236082A (zh) | 2023-12-15 |
CN117236082B true CN117236082B (zh) | 2024-01-23 |
Family
ID=89086584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311518965.5A Active CN117236082B (zh) | 2023-11-15 | 2023-11-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236082B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608131A (zh) * | 2021-07-20 | 2021-11-05 | 西南交通大学 | 一种动态机车工况下pemfc电堆衰退性能检测方法 |
CN113809365A (zh) * | 2021-08-18 | 2021-12-17 | 东风汽车集团股份有限公司 | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 |
CN114419355A (zh) * | 2022-01-18 | 2022-04-29 | 重庆大学 | 基于聚类算法的燃料电池寿命快速预测方法 |
CN115098999A (zh) * | 2022-05-25 | 2022-09-23 | 同济大学 | 一种多模态融合的燃料电池系统性能衰减预测方法 |
CN115230485A (zh) * | 2022-07-22 | 2022-10-25 | 大连理工大学 | 基于短期功率平滑预测的燃料电池公交车能量管理方法 |
CN115267552A (zh) * | 2022-07-27 | 2022-11-01 | 浙江极氪智能科技有限公司 | 车辆电池健康状态评估方法、装置、设备及存储介质 |
CN115372842A (zh) * | 2022-08-23 | 2022-11-22 | 北京亿华通科技股份有限公司 | 一种车用燃料电池的耐久性预测方法 |
CN115389964A (zh) * | 2022-10-24 | 2022-11-25 | 杭州科工电子科技有限公司 | 一种电池寿命预测方法 |
CN116151114A (zh) * | 2023-02-23 | 2023-05-23 | 武汉理工大学 | 基于混合框架的元宇宙下燃料电池寿命预测方法及系统 |
CN116466253A (zh) * | 2023-04-19 | 2023-07-21 | 东风汽车集团股份有限公司 | 一种燃料电池衰减的分析方法和装置 |
CN116542144A (zh) * | 2023-05-06 | 2023-08-04 | 中国第一汽车股份有限公司 | 电池能量预测方法、装置以及存储介质和车辆 |
CN116794545A (zh) * | 2023-06-21 | 2023-09-22 | 安徽理安极科技有限公司 | 一种基于云边协同的电池健康预测方法和系统 |
CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
CN116914194A (zh) * | 2023-07-18 | 2023-10-20 | 湖南大学 | 云端协同的燃料电池剩余使用寿命远程监控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2023003968A (es) * | 2020-10-05 | 2023-04-24 | Alakai Tech Corporation | Sistema y metodo de evaluacion y monitoreo de salud para vehiculos electricos de combustible limpio. |
-
2023
- 2023-11-15 CN CN202311518965.5A patent/CN117236082B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608131A (zh) * | 2021-07-20 | 2021-11-05 | 西南交通大学 | 一种动态机车工况下pemfc电堆衰退性能检测方法 |
CN113809365A (zh) * | 2021-08-18 | 2021-12-17 | 东风汽车集团股份有限公司 | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 |
CN114419355A (zh) * | 2022-01-18 | 2022-04-29 | 重庆大学 | 基于聚类算法的燃料电池寿命快速预测方法 |
CN115098999A (zh) * | 2022-05-25 | 2022-09-23 | 同济大学 | 一种多模态融合的燃料电池系统性能衰减预测方法 |
CN115230485A (zh) * | 2022-07-22 | 2022-10-25 | 大连理工大学 | 基于短期功率平滑预测的燃料电池公交车能量管理方法 |
CN115267552A (zh) * | 2022-07-27 | 2022-11-01 | 浙江极氪智能科技有限公司 | 车辆电池健康状态评估方法、装置、设备及存储介质 |
CN115372842A (zh) * | 2022-08-23 | 2022-11-22 | 北京亿华通科技股份有限公司 | 一种车用燃料电池的耐久性预测方法 |
CN115389964A (zh) * | 2022-10-24 | 2022-11-25 | 杭州科工电子科技有限公司 | 一种电池寿命预测方法 |
CN116151114A (zh) * | 2023-02-23 | 2023-05-23 | 武汉理工大学 | 基于混合框架的元宇宙下燃料电池寿命预测方法及系统 |
CN116466253A (zh) * | 2023-04-19 | 2023-07-21 | 东风汽车集团股份有限公司 | 一种燃料电池衰减的分析方法和装置 |
CN116542144A (zh) * | 2023-05-06 | 2023-08-04 | 中国第一汽车股份有限公司 | 电池能量预测方法、装置以及存储介质和车辆 |
CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
CN116794545A (zh) * | 2023-06-21 | 2023-09-22 | 安徽理安极科技有限公司 | 一种基于云边协同的电池健康预测方法和系统 |
CN116914194A (zh) * | 2023-07-18 | 2023-10-20 | 湖南大学 | 云端协同的燃料电池剩余使用寿命远程监控方法 |
Non-Patent Citations (3)
Title |
---|
基于GA-ELM 算法的燃料电池性能预测模型;刘智宇等;《电池》;第第53卷卷(第第3期期);全文 * |
质子交换膜燃料电池膜电极耐久性 相关标准简析;王睿迪等;《标准对比》;全文 * |
质子交换膜燃料电池运行工况参数敏感性分析;杨子荣等;《吉林大学学报(工学版)》;第第52 卷卷(第第9 期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117236082A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7200762B2 (ja) | 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム | |
CN109425835B (zh) | 一种电池寿命、基于大数据的车辆性能检测方法及系统 | |
CN113902198A (zh) | 一种机油寿命预测方法、装置、电子设备和存储介质 | |
CN113688558B (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及系统 | |
US20210276531A1 (en) | Vehicle power management system and method | |
CN113705839B (zh) | 一种燃料电池电堆的预测性维护方法以及维护系统 | |
Ye et al. | Passenger flow prediction in bus transportation system using ARIMA models with big data | |
CN114274780A (zh) | 车辆续航里程预测方法、装置、设备和存储介质 | |
CN112721743A (zh) | 基于充电-用氢模式的燃料电池汽车剩余里程预测方法 | |
CN117236082B (zh) | 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 | |
CN113838303B (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
CN113343487B (zh) | 基于大数据分析的电动推土机用电池试验方案的生成方法 | |
CN111897810B (zh) | 建立定量化不同尺度区域间大气污染联防联控方案的方法 | |
CN117291304A (zh) | 电动汽车充放电可调节能力预测方法、装置、设备及介质 | |
CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
CN115169630A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
CN112785044B (zh) | 公共交通工具的实时满载率预测方法、装置、设备和介质 | |
Pedersen et al. | Generating geospatially realistic driving patterns derived from clustering analysis of real EV driving data | |
CN114066076B (zh) | 一种基于多租户的网约车预测方法及装置 | |
CN112711794B (zh) | 车辆的热能耗评价方法、装置及具有其的车辆 | |
CN117907866A (zh) | 基于时间序列的电池衰减值预测方法、相关方法及装置 | |
CN117039855B (zh) | 一种电力系统的负荷智能预测方法及系统 | |
CN117993958A (zh) | 一种电动汽车充电需求预测方法、装置及可读存储介质 | |
CN117207840A (zh) | 一种基于实车运行数据的续驶里程评估方法 | |
US20210390406A1 (en) | Machine learning apparatus, machine learning system, machine learning method, and program |
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 |