使用PyFMI的Master模块获取FMU联合仿真结果的问题

我尝试使用PyFMI的Master模块对两个Matlab-Simulink导出的FMU进行联合仿真，代码如下：

from pyfmi import Master
""" Loading FMUs, establishing connection between models, defining Master simulator and simulation options """
dummy_model = load_fmu('dummy.fmu', log_level = 4)
batt_model = load_fmu('battery.fmu', log_level = 4)

models = [dummy_model, batt_model]
connection = [(dummy_model, 'P_to_batt_fmu', batt_model, 'P_to_batt_fmu')]

mastersim = Master(models, connection)
opts = mastersim.simulate_options()
opts['step_size'] = 1000
opts['result_handling'] = 'memory'

""" Simulating """
res = mastersim.simulate(final_time = 1000, options = opts)

仿真过程正常，但从res中获取结果时遇到问题：Simulink模型中的输出变量（如'Ibatt'、'SoC'、'Qbatt'）并未作为res的键存在，当前res的结构为：

{0: <pyfmi.common.algorithm_drivers.AssimuloSimResult object at 0x000002B3AC3CCF10>,
 <pyfmi.fmi.FMUModelCS2 object at 0x000002B3AB8BC800>: <pyfmi.common.algorithm_drivers.AssimuloSimResult object at 0x000002B3AC3CCF10>,
 1: <pyfmi.common.algorithm_drivers.AssimuloSimResult object at 0x000002B3AC3CE1A0>,
 <pyfmi.fmi.FMUModelCS2 object at 0x000002B3AB889670>: <pyfmi.common.algorithm_drivers.AssimuloSimResult object at 0x000002B3AC3CE1A0>}

而单独仿真单个FMU时，res.keys()就是Simulink输出变量名，符合预期：

batt_model = load_fmu('battery.fmu', log_level = 4)

opts = batt_model.simulate_options()

opts['ncp'] = 1000

res = batt_model.simulate(final_time=1000, options = opts)

我的问题是：

1. 使用Master时，如何在res中找到目标变量？
2. 如何便捷地处理这些变量？

目前我通过设置opts['result_handling'] = 'file'，可以从results.txt文件中处理结果，但更希望在内存中存储和处理结果。

问题1：获取目标变量 #

Master模块返回的res字典中，每个键对应一个参与联合仿真的FMU模型——可以是模型在列表中的索引（比如0对应dummy_model，1对应batt_model），也可以是FMU对象本身（比如batt_model）。对应的值是该模型独立仿真时会返回的AssimuloSimResult对象，结构和单独仿真完全一致。

所以要提取目标变量，只需先通过索引或模型对象拿到对应模型的结果集，再通过变量名访问：

# 方式1：通过模型索引获取
batt_result = res[1]
ibatt = batt_result['Ibatt']
soc = batt_result['SoC']

# 方式2：通过FMU对象获取
batt_result = res[batt_model]
qbatt = batt_result['Qbatt']

问题2：便捷处理变量 #

推荐将每个模型的结果转换为Pandas DataFrame，方便后续的数据分析、可视化等操作：

1. 单个模型结果转DataFrame #

import pandas as pd

# 获取电池模型的结果
batt_result = res[1]
# 提取时间序列和所有变量，组合成DataFrame
batt_df = pd.DataFrame({
    'time': batt_result['time'],
    'Ibatt': batt_result['Ibatt'],
    'SoC': batt_result['SoC'],
    'Qbatt': batt_result['Qbatt']
})

# 查看前5行数据
print(batt_df.head())

2. 批量提取所有模型变量 #

如果需要同时处理多个模型的结果，可以写一个简单的工具函数：

def fmu_result_to_df(result_obj):
    """将AssimuloSimResult转换为DataFrame"""
    data = {var: result_obj[var] for var in result_obj.keys()}
    return pd.DataFrame(data)

# 转换所有模型的结果
dummy_df = fmu_result_to_df(res[0])
batt_df = fmu_result_to_df(res[1])

# 合并两个模型的结果（按时间对齐）
combined_df = pd.merge(dummy_df, batt_df, on='time', suffixes=('_dummy', '_batt'))

3. 直接访问变量数组 #

如果不需要DataFrame，也可以直接将变量提取为NumPy数组进行数值计算：

import numpy as np

soc_array = np.array(batt_result['SoC'])
# 计算SoC的平均值
avg_soc = np.mean(soc_array)

内容的提问来源于stack exchange，提问作者glitchb3rt