CN117828364A - 还原度确定方法、装置、设备及存储介质 - Google Patents
还原度确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117828364A CN117828364A CN202311866909.0A CN202311866909A CN117828364A CN 117828364 A CN117828364 A CN 117828364A CN 202311866909 A CN202311866909 A CN 202311866909A CN 117828364 A CN117828364 A CN 117828364A
- Authority
- CN
- China
- Prior art keywords
- working condition
- reduction degree
- test
- data
- sub
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 141
- 230000008859 change Effects 0.000 claims abstract description 66
- 239000000446 fuel Substances 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000035772 mutation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Fuel Cell (AREA)
Abstract
本发明公开了一种还原度确定方法、装置、设备及存储介质。提取实际燃料电池发动机运行过程中的工况特征,工况特征包括不同功率变化率对应的起始功率点的分布特征;计算测试工况特征与基准工况特征的余弦相似度,基准工况特征包括实际燃料电池发动机运行过程的全数据的各功率变化率下起始功率点的分布特征;根据测试工况特征与基准工况特征的余弦相似度确定测试工况的还原度。解决了当前构建的测试工况存在的无法评估设计的测试工况与实际运行工况相比的还原度,导致不利于对测试工况的精确度和解释性进行评估的问题,有效的评估了还原度,进一步增强对测试工况的精确度和解释性评估的能力。
Description
技术领域
本发明实施例涉及燃料电池发动机技术领域,尤其涉及一种还原度确定方法、装置、设备及存储介质。
背景技术
燃料电池汽车具有零排放、转换效率高、行驶里程长、加氢反应速度快等优点,是未来动力系统发展的方向之一。目前,车用燃料电池技术的可行性验证已初步完成,但其大规模商业化仍受到其使用寿命的限制。因此,有必要在设计开发阶段,通过合理的测试,以验证燃料电池发动机在实际行驶过程中可以满足燃料电池的设计寿命要求。
但是当前构建的测试工况无法评估设计的测试工况与实际运行工况相比的还原度,因而不利于对测试工况的精确度和解释性进行评估。
发明内容
本发明提供了一种还原度确定方法、装置、设备及存储介质,以解决当前构建的测试工况存在的无法评估设计的测试工况与实际运行工况相比的还原度,导致不利于对测试工况的精确度和解释性进行评估的问题。
根据本发明的一方面,提供了一种还原度确定方法,包括:
提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征;
计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征;
根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。
根据本发明的另一方面,提供了一种测试工况确定方法,包括:
基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集;
利用还原度函数计算各所述子数据集的还原度,其中,所述还原度函数基于如本发明任一实施例所述的还原度确定方法得到;
根据还原度满足要求的子数据集构建测试工况。
根据本发明的另一方面,提供了一种还原度确定装置,包括:
特征提取模块,用于提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征;
相似度计算模块,用于计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征;
还原度确定模块,用于根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。
根据本发明的另一方面,提供了一种测试工况确定装置,包括:
数据集分割模块,用于基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集;
还原度计算模块,用于利用还原度函数计算各所述子数据集的还原度,其中,所述还原度函数基于如本发明任一实施例所述的还原度确定方法得到;
工程构建模块,用于根据还原度满足要求的子数据集构建测试工况。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的还原度确定方法或执行本发明任一实施例所述的测试工况确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的还原度确定方法或实现本发明任一实施例所述的测试工况确定方法。
本发明实施例提供的技术方案,提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征;计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征;根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。通过上述技术方案,利用实际燃料电池发动机运行过程中的工况特征和测试工况特征的相似度确定测试工程的还原度,解决了当前构建的测试工况存在的无法评估设计的测试工况与实际运行工况相比的还原度,导致不利于对测试工况的精确度和解释性进行评估的问题,有效的评估了还原度,进一步增强对测试工况的精确度和解释性评估的能力。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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发明的一些实施例,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是本发明实施例一提供的一种还原度确定方法的流程图;
图2是本发明实施例二提供的一种测试工况确定方法的流程图;
图3是本发明实施例提供的一种循环测试工况的示意图;
图4是本发明实施例提供的一种不同滑动窗口对应的子数据集余弦相似度均值的结果图;
图5是本发明实施例三提供的一种还原度确定装置的结构示意图;
图6是本发明实施例四提供的一种测试工况确定装置的结构示意图;
图7是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种还原度确定方法的流程图,本实施例可适用于评估燃料电池发动机测试工况和实际运行工况相比的还原度的情况,该方法可以由还原度确定装置来执行,该还原度确定装置可以采用硬件和/或软件的形式实现,该还原度确定装置可配置于还原度确定设备中。如图1所示,该方法包括:
S110、提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征。
在本实施例中,燃料电池发动机是氢燃料电池汽车的核心部件,主要包括电堆、发动机控制器、氢气供给系统、空气供给系统等。工况可以理解为燃料电池发动机的工作状态,例如运行和停机等。由于整车运行时将功率需求提供给燃料电池发动机,因此对燃料电池发动机而言时间和功率可以表征其工作状态。不同功率变化率可以理解为不同功率范围在单位时间内的平均变化量。工况特征包括不同功率变化率对应的起始功率点的分布特征。
具体的,为了减少数据维度,需要从获取的数据中提取出有效的特征供后续使用。通过实验验证,变载、各个功率下运行时间等对燃料电池发动机性能影响最大,当工况特征选取为不同功率变化率对应的起始功率点的分布特征时可包含上述影响因素,对燃料电池发动机的实际数据的可解释性高,因此,提取的工况特征包括不同功率变化率对应的起始功率点的分布特征。
在本实施例中,清洗后的数据对应的功率变化率的范围是[0,30]。每个功率变化率下,存在一个起始功率点的分布,本实施例中数据的信息用31个分布来表示,横坐标为起始功率点的范围[0,240](数据集中起始功率点的最小值约为15,最大值为240,为了涵盖所有起始功率点,范围取为[0,240]),纵坐标为每个功率变化率下,每个功率起始点出现的频数。
S120、计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征。
在本实施例中,测试工况包括测试环境中的工况。测试工况特征包括测试环境中的工况特征。全数据包括实际燃料电池发动机运行的若干秒数据。全数据中功率变化率的范围是[0,30],共31个变化率。基准工况特征基于实际的工况特征构建,包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征,示例性的,基准工况特征包括全数据的功率变化率范围为[0,30]的31个分布。具体的分布数值形式如下表,由于完整表占据篇幅较大,将功率变化率范围为[2,29]的28个频数分布进行了省略。
具体的,为了使构造的测试工况具有较大的还原度,需要构建测试工况的比较基准,即基准工况。获取基准工况的基准工况特征和测试工况的测试工况特征,进而通过计算测试工况特征与基准工况特征的余弦相似度,以比较测试工况和基准工况的相似性。相似度越大,说明测试工况与基准工况在不同功率变化率下起始功率点的分布越相似,即工况的构成越相似。
S130、根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。
在本实施例中,测试工况的还原度用于确定测试工况是否能还原实际工况。
具体的,由于测试工况特征与基准工况特征的余弦相似度能够反映测试工况与基准工况的构成相似情况,而基准工程特征基于实际工况特征得到,因此可以通过测试工况特征与基准工况特征的余弦相似度确定测试工况的还原度,以确定测试工况能否还原实际工况。
本发明实施例一提供的技术方案,提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征;计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征;根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。通过上述技术方案,利用实际燃料电池发动机运行过程中的工况特征和测试工况特征的相似度确定测试工程的还原度,解决了当前构建的测试工况存在的无法评估设计的测试工况与实际运行工况相比的还原度,导致不利于对测试工况的精确度和解释性进行评估的问题,有效的评估了还原度,进一步增强对测试工况的精确度和解释性评估的能力。
在一些实施例中,所述计算测试工况特征与基准工况特征的余弦相似度,包括:计算测试工况特征与基准工况特征对应于各所述功率变化率的余弦相似度。通过上述技术方案,实现了测试工况特征与基准工况特征的余弦相似度的计算,为进一步计算还原度奠定基础。
具体的,计算测试工况特征与基准工况特征对应于各所述功率变化率的余弦相似度。其具体的计算公式如下所示:
其中,Cosine Similarity_list表示测试工况特征与基准工况特征的余弦相似度集。Cosine Similarity_listj表示第j个功率变化率下,测试工况特征与基准工况特征的余弦相似度。Aj、Bj分别代表第j个功率变化率下,测试工况特征与基准工况特征,即测试工况与基准工况在第j个功率变化率下起始功率点的分布向量,m代表工况特征的维度数。
在一些实施例中,所述根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度,包括:确定各所述功率变化率相应的权重;将所述测试工况特征与所述基准工况特征对应于各所述功率变化率的余弦相似度与相应的权重相乘的结果相加,得到测试工况的还原度。通过上述技术方案,实现了对测试工况的还原度的计算。
具体的,计算各功率变化率相应的权重,然后将测试工况特征与基准工况特征对应于各功率变化率的余弦相似度与相应的权重相乘,最后将各加权后的余弦相似度相加,得到测试循环工况的还原度。其具体的计算公式如下所示:
其中,n表示功率变化率的个数,Weightsj表示Cosine Similarity_listj对应的权重,权重集可以表示为Weights。
在一些实施例中,所述确定各所述功率变化率相应的权重,包括:计算所述全数据的各所述功率变化率的频数并将各所述频数归一化;将各所述功率变化率归一化后的频数在所述全数据的功率变化总频数中的占比作为相应的权重。通过上述技术方案,合理的确定了功率变化率相应的权重。
在本实施例中,一种功率变化率的频数可以理解为在所有的功率变化率中,该功率变化率出现的次数。
具体的,由于各功率变化率在车辆实际运行中出现的频数不同,故将全数据的各功率变化率的频数占比设为权重更为合理。计算全数据的各功率变化率的频数,将各频数进行归一化处理,以各功率变化率的归一化后的频数在所述全数据的功率变化总频数中的占比作为相应的权重,具体计算如下:
其中,n表示功率变化率的个数,表示全数据中第j个功率变化率的频数。
在一些实施例中,还原度确定方法,还包括:对所述全数据进行以下预处理:清洗所述全数据中的异常值;删除所述全数据中的缺失值;对所述全数据中的燃电功率取整;对秒级间隔的燃电功率差取整并取绝对值。通过上述技术方案,有效的降低了异常数据对分析结果产生的不良影响,进一步增强了还原度计算的准确性。
在本实施例中,异常值指一组测定值中与平均值的偏差超过两倍标准差的测定值,与平均值的偏差超过三倍标准差的测定值,称为高度异常的异常值。缺失值可以理解为全数据中某个或某些属性的值不完整。
具体的,为了得到高质量的全数据,需要选取具有代表性的实际运行数据作为全数据。对于在固定场景可以选择若干次运行数据;对于非固定运行场景可以选择较长时间间隔运行数据。本实例选择20000秒时间功率数据作为全数据。
进而为了保留有效数据,需要将全数据初步处理成便于后续分析的形式。通过将全数据中的异常值清洗掉,防止异常数据对分析结果产生不良影响,实现对冗杂数据的简化。
在本实施例中,将全数据的缺失值进行删除(缺失比例小于0.01%),对全数据中的燃电功率进行取整,对秒级间隔的燃电功率差取整并取绝对值。由于经过数据分析,结果显示秒级间隔的燃电功率差取整后的正负分布基本对称,因此对秒级间隔的燃电功率差取整并取绝对值,能够简化后续操作复杂度。
示例性的,计算测试工况特征与基准工况特征的余弦相似度。功率变化率是[0,30]的31个分布所对应的余弦相似度分别如下:
Cosine Similarity_list=
[0.9114,0.9374,0.9155,0.9455,0.9443,0.9116,0.8702,0.8317,0.8357,0.7884,0.913,0.8136,0.9036,0.8585,0.7887,0.9262,0.727,0.8354,0.7792,0.5722,0.9413,0.9961,0.8715,0.8506,0.9488,0.9317,0.8917,0.7699,0.8237,0.9254,0.9493]。
本实施例中对余弦相似度数值保留4位小数。
功率变化率是[0,30]的31个分布所对应的余弦相似度的权重分别为Weights=[0.06,0.07,0.05,0.05,0.05,0.04,0.04,0.04,0.04,0.03,0.03,0.03,0.03,0.03,0.03,0.03,0.02,0.02,0.02,0.02,0.02,0.02,0.02,0.02,0.02,0.01,0.02,0.01,0.01,0.03,0.11]。
实施例二
图2是本发明实施例二提供的一种测试工况确定方法的流程图,本实施例可适用于基于实际车辆运行数据构建测试工况的情况,该方法可以由测试工况确定装置来执行,该测试工况确定装置可以采用硬件和/或软件的形式实现,该测试工况确定装置可配置于测试工况确定设备中。如图2所示,该方法包括:
S210、基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集。
在本实施例中,滑动窗口用于将全数据分割为子数据集。
具体的,对实际燃料电池发动机运行过程的全数据进行预处理,以保留有效数据,便于后续分析。进而通过滑动窗口将处理后的全数据分割成子数据集,以用于后续构建测试工程。
S220、利用还原度函数计算各所述子数据集的还原度。
其中,所述还原度函数基于如本发明任一实施例所述的还原度确定方法得到。
具体的,用特定窗口大小的滑动窗口对全数据进行分割,将分割得到的子数据集输入封装的还原度函数中,得到分割子数据集的还原度,以后续确定子数据集中还原度较好的若干数据集。
示例性的,在本实施例中用窗口大小为2000的滑动窗口分割全数据,得到的子数据集中具有18000条子数据,利用还原度函数计算子数据可以得到这18000条子数据的还原度,进一步可以找到子数据集中还原度较好的若干子数据,即若干组2000条功率时序数据。
S230、根据还原度满足要求的子数据集构建测试工况。
具体的,还原度满足要求的子数据集包括还原度满足自定义要求的子数据集,根据这些子数据集可以构建测试工程。
本发明实施例二提供的技术方案,通过基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集,利用还原度函数计算各所述子数据集的还原度,根据还原度满足要求的子数据集构建测试工况。基于上述技术方案构建的测试工程更加合理,更加符合实际情况,能够有效提高对燃料电池发动机的验证效果。
在一些实施例中,所述根据还原度满足要求的子数据集构建测试工况,包括:从各所述子数据集选择还原度满足要求的设定数量的子数据集;通过遗传算法求解最优子数据集用于构建测试工况,其中,所述遗传算法的初始种群包括所选择的设定数量的子数据集,所述遗传算法的适应度函数为所述还原度函数,所述遗传算法的优化目标为将1与适应度的差值的绝对值最小化。通过上述技术方案,能够得到最优的测试工况。
在本实施例中,设定数量可以理解为预先设定好的数量。
具体的,确定遗传算法的函数及参数,使最优解具有最大适应度、最小目标函数值。其中,参数的取值范围如下:种群大小:[20,100],迭代次数:[100,500],交叉概率:[0.4,0.99],变异概率:[0.0001,0.1]。示例性的,在本实施例中,变量数量的取值范围为[20,240],种群大小为100,迭代次数为100,交叉概率为0.6,变异概率为0.01。遗传算法的函数包括适应度函数、目标函数和变异运算。适应度函数为封装的还原度函数。目标函数为abs(1-适应度函数)。对于变异运算,种群内每个个体的每个变量都对应(0,1)内随机选取的一个数值,若随机数值大于变异概率,则变量不变异;否则,若变量在个体边界处,变量变异成(20,240)内随机选取的一个数值,若变量不在个体边界,变量变异成(前一变量值,后一变量值)内随机选取的一个数值。变异原则概括如下:
进而通过设置适应度函数、目标函数、轮盘赌选择、交叉运算和变异运算建立遗传算法高维优化模型,其中,变量个数设为特定窗口大小。示例性的,本实施例遗传算法高维优化模型基于Python3.8.3实现,变量个数设为2000。
进而从各子数据集中选择还原度排名靠前且满足设定数量的子数据集,将其设为初始种群,并输入到遗传算法高维优化模型中求解最优子数据集,进而基于该子数据集构建测试工况。
示例性的,从各子数据集中选择还原度排名为前100的子数据集,将其设为初始种群,并输入到遗传算法高维优化模型中求解最优子数据集,进而基于该子数据集构建测试工况,图3是本发明实施例提供的一种循环测试工况的示意图,如图3所示,其中,测试工况包括循环测试工况。其中,初始种群中个体的还原度指标——余弦相似度加权值的最大值是0.7450,经过模型优化,其还原度指标——余弦相似度加权值是0.9040。
在一些实施例中,在基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集之前,还包括:定义设定范围内的多个窗口尺寸;对于各所述窗口尺寸,基于所述窗口尺寸将所述全数据预分割成至少两个预分割子数据集,并确定所述窗口尺寸对应的各所述预分割子数据集的还原度的均值;将最大均值对应的窗口尺寸作为所述滑动窗口的尺寸。通过上述技术方案,有效的确定滑动窗口,为后续分割全数据奠定基础。
在本实施例中,设定范围可以理解为预先设定好的范围。
具体的,自定义设定范围内的多个窗口尺寸,基于每个窗口尺寸分别分割全数据,得到的至少两个预分割子数据集,进一步计算各预分割子数据集的还原度,即各所述预分割子数据集与所述全数据对应于各所述功率变化率的余弦相似度的加权和,然后将预分割子数据集的还原度取平均,将平均值最大对应的窗口尺寸大小设为滑动窗口的尺寸,图4是本发明实施例提供的一种不同滑动窗口对应的子数据集余弦相似度均值的结果图,如图4所示。
示例性的,设定范围是[500,4000],最大均值对应的窗口尺寸为2000,故后续采用窗口大小为2000的滑动窗口分割全数据。
可选的,可以采用网格搜索法确定滑动窗口的大小。自定义一定范围的窗口大小网格,遍历网格中的每个点分割全数据,求解分割得到的子数据集中各子数据的还原度指标——余弦相似度加权值,然后将子数据集中各子数据的还原度数值取平均,将平均值最大的网格点对应的窗口大小设为最终的窗口大小。
实施例三
图5是本发明实施例三提供的一种还原度确定装置的结构示意图。如图5所示,该装置包括:
特征提取模块31,用于提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征;
相似度计算模块32,用于计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征;
还原度确定模块33,用于根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。
本发明实施例一提供的技术方案,解决了当前构建的测试工况存在的无法评估设计的测试工况与实际运行工况相比的还原度,导致不利于对测试工况的精确度和解释性进行评估的问题,有效的评估了还原度,进一步增强对测试工况的精确度和解释性评估的能力。
可选的,相似度计算模块32,具体用于计算测试工况特征与基准工况特征对应于各所述功率变化率的余弦相似度。
可选的,还原度确定模块33,包括:
权重确定单元,用于确定各所述功率变化率相应的权重;
还原度确定单元,用于将所述测试工况特征与所述基准工况特征对应于各所述功率变化率的余弦相似度与相应的权重相乘的结果相加,得到测试工况的还原度。
可选的,还原度确定装置,还包括数据预处理模块,用于对所述全数据进行以下预处理:
清洗所述全数据中的异常值;
删除所述全数据中的缺失值;
对所述全数据中的的燃电功率取整;
对秒级间隔的燃电功率差取整并取绝对值。
本发明实施例所提供的还原度确定装置可执行本发明任意实施例所提供的还原度确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四提供的一种测试工况确定装置的结构示意图。
如图6所示,该装置包括:
数据集分割模块41,用于基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集;
还原度计算模块42,用于利用还原度函数计算各所述子数据集的还原度,其中,所述还原度函数基于如本发明任一实施例所述的还原度确定方法得到;
工程构建模块43,用于根据还原度满足要求的子数据集构建测试工况。
可选的,工程构建模块43包括:
数据集选择单元,用于从各所述子数据集选择还原度满足要求的设定数量的子数据集;
工程构建单元,用于通过遗传算法求解最优子数据集用于构建测试工况,其中,所述遗传算法的初始种群包括所选择的设定数量的子数据集,所述遗传算法的适应度函数为所述还原度函数,所述遗传算法的优化目标为将1与适应度的差值的绝对值最小化。
可选的,测试工况确定装置还包括:
尺寸定义模块,用于定义设定范围内的多个窗口尺寸;
均值确定模块,用于对于各所述窗口尺寸,基于所述窗口尺寸将所述全数据预分割成至少两个预分割子数据集,并确定所述窗口尺寸对应的各所述预分割子数据集的还原度的均值;
尺寸确定模块,用于将最大均值对应的窗口尺寸作为所述滑动窗口的尺寸。
实施例五
图7是本发明实施例五提供的一种电子设备的结构示意图。该电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如还原度确定方法,或者测试工况确定方法。
在一些实施例中,还原度确定方法或者测试工况确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的还原度确定方法或者测试工况确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行还原度确定方法或者测试工况确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种还原度确定方法,其特征在于,包括:
提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征;
计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征;
根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。
2.根据权利要求1所述的方法,其特征在于,所述计算测试工况特征与基准工况特征的余弦相似度,包括:
计算测试工况特征与基准工况特征对应于各所述功率变化率的余弦相似度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度,包括:
确定各所述功率变化率相应的权重;
将所述测试工况特征与所述基准工况特征对应于各所述功率变化率的余弦相似度与相应的权重相乘的结果相加,得到测试工况的还原度。
4.根据权利要求3所述的方法,其特征在于,所述确定各所述功率变化率相应的权重,包括:
计算所述全数据的各所述功率变化率的频数并将各所述频数归一化;
将各所述功率变化率归一化后的频数在所述全数据的功率变化总频数中的占比作为相应的权重。
5.根据权利要求1所述的方法,其特征在于,还包括:对所述全数据进行以下预处理:
清洗所述全数据中的异常值;
删除所述全数据中的缺失值;
对所述全数据中的的燃电功率取整;
对秒级间隔的燃电功率差取整并取绝对值。
6.一种测试工况确定方法,其特征在于,包括:
基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集;
利用还原度函数计算各所述子数据集的还原度,其中,所述还原度函数基于如权利要求1-5任一项所述的还原度确定方法得到;
根据还原度满足要求的子数据集构建测试工况。
7.根据权利要求6所述的方法,其特征在于,所述根据还原度满足要求的子数据集构建测试工况,包括:
从各所述子数据集选择还原度满足要求的设定数量的子数据集;
通过遗传算法求解最优子数据集用于构建测试工况,其中,所述遗传算法的初始种群包括所选择的设定数量的子数据集,所述遗传算法的适应度函数为所述还原度函数,所述遗传算法的优化目标为将1与适应度的差值的绝对值最小化。
8.根据权利要求6所述的方法,其特征在于,在基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集之前,还包括:
定义设定范围内的多个窗口尺寸;
对于各所述窗口尺寸,基于所述窗口尺寸将所述全数据预分割成至少两个预分割子数据集,并确定所述窗口尺寸对应的各所述预分割子数据集的还原度的均值;
将最大均值对应的窗口尺寸作为所述滑动窗口的尺寸。
9.一种还原度确定装置,其特征在于,包括:
特征提取模块,用于提取实际燃料电池发动机运行过程中的工况特征,所述工况特征包括不同功率变化率对应的起始功率点的分布特征;
相似度计算模块,用于计算测试工况特征与基准工况特征的余弦相似度,所述基准工况特征包括实际燃料电池发动机运行过程的全数据的各所述功率变化率下起始功率点的分布特征;
还原度确定模块,用于根据所述测试工况特征与所述基准工况特征的余弦相似度确定测试工况的还原度。
10.一种测试工况确定装置,其特征在于,包括:
数据集分割模块,用于基于滑动窗口将实际燃料电池发动机运行过程的全数据分割成至少两个子数据集;
还原度计算模块,用于利用还原度函数计算各所述子数据集的还原度,其中,所述还原度函数基于如权利要求1-5任一项所述的还原度确定方法得到;
工程构建模块,用于根据还原度满足要求的子数据集构建测试工况。
11.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-5中任一所述的还原度确定方法或执行如权利要求6-8中任一项所述的测试工况确定方法。
12.一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如权利要求1-5中任一所述的还原度确定方法或实现如权利要求6-8中任一项所述的测试工况确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311866909.0A CN117828364A (zh) | 2023-12-29 | 2023-12-29 | 还原度确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311866909.0A CN117828364A (zh) | 2023-12-29 | 2023-12-29 | 还原度确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117828364A true CN117828364A (zh) | 2024-04-05 |
Family
ID=90520476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311866909.0A Pending CN117828364A (zh) | 2023-12-29 | 2023-12-29 | 还原度确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828364A (zh) |
-
2023
- 2023-12-29 CN CN202311866909.0A patent/CN117828364A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN117828364A (zh) | 还原度确定方法、装置、设备及存储介质 | |
CN115665783A (zh) | 一种异常指标溯源方法、装置、电子设备及存储介质 | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
CN116737520B (zh) | 一种日志数据的数据编织方法、装置、设备及存储介质 | |
CN118017503B (zh) | 一种用户用电负荷数据预测方法、系统、终端及存储介质 | |
CN116502841A (zh) | 一种事件的处理方法、装置、电子设备以及介质 | |
CN116151854A (zh) | 一种用户类型确定方法、装置、设备及存储介质 | |
CN117309409A (zh) | 台架性能测试脚本生成方法、装置、电子设备及存储介质 | |
CN116298690A (zh) | 配电网故障位置的定位方法、装置、设备及介质 | |
CN116304796A (zh) | 一种数据分类方法、装置、设备及介质 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
CN117195118A (zh) | 一种数据的异常检测方法、装置、设备及介质 | |
CN117455067A (zh) | 一种电量消耗预测方法、装置、电子设备及存储介质 | |
CN117272833A (zh) | 数据处理方法、装置、设备、介质及产品 | |
CN116205321A (zh) | 用碳量确定方法、装置、设备及存储介质 | |
CN118152806A (zh) | 模型训练方法、电池健康状态的估计方法、设备及介质 | |
CN118100151A (zh) | 一种电网负荷预测方法、装置、设备及存储介质 |
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 |