CN113221246A - 基于瞬态油耗修正的移动源排放估计方法、系统及介质 - Google Patents
基于瞬态油耗修正的移动源排放估计方法、系统及介质 Download PDFInfo
- Publication number
- CN113221246A CN113221246A CN202110536202.8A CN202110536202A CN113221246A CN 113221246 A CN113221246 A CN 113221246A CN 202110536202 A CN202110536202 A CN 202110536202A CN 113221246 A CN113221246 A CN 113221246A
- Authority
- CN
- China
- Prior art keywords
- fuel
- consumption
- vehicle
- calculating
- transient
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明的一种基于瞬态油耗修正的移动源排放估计方法、系统及介质,通过获取目标车辆的参数数据并处理;划分车辆运行时的动力源提供情况;计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;计算电池和电机为动力源的瞬时电量消耗;分别计算监测路段下电池充电油耗和发动机工作下燃油消耗;利用总油耗、燃油的排放因子计算本次监测中总的尾气排放。本发明利用基与神经网络的瞬态油耗修正模型的瞬态油耗和燃烧排放因子估计移动源发动机的瞬时排放,真实反应路况变化下的瞬时油耗情况以及污染排放情况,可估算移动源在路况变化时的真实油耗与尾气排放量,便于相关部门的管控。
Description
技术领域
本发明涉及环境检测处理技术领域,具体涉及一种基于瞬态油耗修正的移动源排放估计方法、系统及介质。
背景技术
随着我国综合国力的逐步增强,城市交通运输业也得到了快速发展,随之引起的能源问题和环境问题日益严重。因此,有必要在移动源节能减排的研究上加大投入,不仅利于交通运输行业进一步的良性发展,而且可以实现人民对“绿水青山”的美好追求。纯电动汽车可实现一定程度的节能减排,但碍于技术限制,现如今还无法完全替代传统燃油车,为了达到节能减排的要求同时在技术允许的范围内,混合燃料移动源开始逐渐普及。
现有的常规汽车油耗模型分为稳态模型和瞬态模型两类。稳态燃油消耗模型基于发动机转速、扭矩、发动机参数来估计油耗。然而,这些模型仅适用稳态条件,当车辆工作在瞬态时,依照稳态模型计算,往往会得到与实际值相差较大的预测油耗。且瞬态油耗模型对估计真实油耗有着举足轻重的作用。现有的瞬态模型,往往依照瞬态变量(速度、加速度)直接构建模型,虽然有着较高的精度,但由于没有反应坡道的变量,无法准确反应路况变换下对燃油消耗的影响,也无法基于此油耗准确预测尾气排放。
发明内容
本发明提出的一种基于瞬态油耗修正的移动源排放估计方法、系统及介质,采用一种基于BP神经网络的瞬态修正模型和燃烧排放因子的方法,实现针对混合燃料移动源的燃油损耗率估计和污染排放预测。
为实现上述目的,本发明采用了以下技术方案:
一种基于瞬态油耗修正的移动源排放估计方法,包括以下步骤,
(1)获取目标车辆的参数数据,并对采集的数据进行预处理;
(2)划分车辆运行时的动力源提供情况;
(3)计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;
(4)计算电池和电机为动力源的瞬时电量消耗;
(5)分别计算监测路段下电池充电油耗和发动机工作下燃油消耗;
(6)利用总油耗、燃油的排放因子计算本次监测中总的尾气排放。
进一步的,所述获取目标车辆的参数数据包括车辆质量,道路坡度,旋转质量换算系数,车辆行驶速度,车辆行驶加速度,空气阻力系数,机械传动效率,燃油密度,基于发动机扭矩和转速的瞬时油耗率,燃烧排放因子这些参数。
进一步的,所述划分车辆运行时的动力源提供情况,具体包括:
设定汽车临界速度Vc,当车辆行驶速度大于Vc时,认为车辆完全由发动机驱动,当车辆行驶速度小于Vc时,认为由电机和蓄电池提供能量驱动。
进一步的,所述计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率,具体包括:
31)利用汽车滚动阻力系数,车辆质量,道路坡度,旋转质量换算系数,车辆行驶速度,车辆行驶加速度,空气阻力系数,机械传动效率数据计算得到发动机功率;
其中Cr为滚动阻力系数,C0、C1、C2是根据车辆不同车辆标准下的滚动阻力系数,Va为车辆行驶速度;
其中Pe为发动机功率,ηT为机械传动效率,ua为车辆行驶速度,单位为km/h,θ为道路坡度,G为车辆重力,G=mg,g为重力加速度,CD为空气阻力系数,A为车头迎风面积,单位为m2,δ为旋转质量转换系数,m为车辆质量,a为车辆行驶加速度;
32)利用发动机功率,基于发动机扭矩和转速的瞬时油耗率,燃油密度计算得到稳态估计下的单位时间油耗率;
其中Qg为燃油损耗率,单位为cc/s,Pe为发动机功率,b为基于发动机扭矩和转速的瞬时油耗率,通过发动机测试得到相应值,ρg为燃油密度,g为重力加速度;
33)利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;
[1]瞬态校正模型采用单隐层BP神经网络构建,使用车辆行驶速度、加速度以及基于稳态的油耗Qg为输入,将实际瞬时油耗Qc作为模型输出;
Qc=f(v,a,Qg)
[2]模型基于Keras搭建全连接神经网络模型;将以车辆行驶速度、加速度以及算出的基于稳态的油耗Qg以及正是油耗率组成的数据集,采用“极差法”对数据进行归一化,再以9:1的比例,将其划分为训练数据集和测试数据集;
[3]模型中的激活函数采用Adam算法,损失函数为RMSE,当RMSE<1e-4或训练次数Epoch超过5000次时停止训练,Adam中参数设置为lr=0.001即学习率,beta_1=0.9即一阶矩估计指数衰减率,beta_2=0.999即二阶矩估计指数衰减率,隐藏层神经元的数量小于输入层大小的两倍,且大于输入层神经元个数,确定隐藏层神经元范围为[N,2N],N为输入层神经元个数,在隐藏层神经元数量范围内不断尝试,找出最优的神经元个数数值。
其中Xmin为样本的最小值,Xmax为样本的最大值,X为样本值,X*为归一化后的样本值。
进一步的,所述计算电池和电机为动力源的瞬时电量消耗,具体包括:
其中PEM为电机功率,Tm为电机扭矩,ωm为电机转速,ηEM为电机工作效率;
其中Qe为耗电率,单位为kw·h,PEM为电机功率;
43)预设荷电状态(SOC),当前车辆电池荷电值低于预设值时,开始为电池充电。
进一步的,所述分别计算监测路段下电池充电油耗和发动机工作下燃油消耗,具体包括,
其中Qt为总的燃油消耗,单位为g,Qci为第i个采样点的瞬态油耗,ρg为燃油密度,Δt为采样点的时间间隔;
其中Qeg为充电的燃油消耗率cc/s,Ebatt为电池放电功率,bopt为发动机的最佳瞬时消耗率,ρg为燃油密度,g为重力加速度;
其中Qt_e为车辆行驶总路程下用于充电的燃油消耗,Qegi为采样点i处的充电油耗率,ρg为燃油密度,Δt为采样点的时间间隔。
进一步的,所述利用总油耗、燃油的排放因子计算本次监测中总的尾气排放,具体包括:
61)基于利用公式QT=Qt_e+Qt计算所行驶路程下的总油耗:
其中QT为车辆总油耗,Qt_e为用于充电的油耗,Qt为发动机提供动力下的油耗;
62)利用公式Ej=EF基于燃料,j×F计算监测中该车各污染物的排放总量;
其中Ej为机动车的污染物j总排放量,j代表CO,HC,NOx,单位为g;EF基于燃料,j该类车型基于燃料消耗的j排放因子,数据来源于道路遥感测试,单位为g/kg燃料;F为监测车辆的燃料消耗,单位为kg。
另一方面,本发明还公开一种基于瞬态油耗修正的移动源排放估计系统,包括以下单元,
数据采集及处理单元,用于获取目标车辆的参数数据,并对采集的数据进行预处理;
数据划分单元,用于划分车辆运行时的动力源提供情况;
计算单元,用于计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;计算电池和电机为动力源的瞬时电量消耗;分别计算监测路段下电池充电油耗和发动机工作下燃油消耗;以及利用总油耗、燃油的排放因子计算本次监测中总的尾气排放。
第三方面,本发明公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
由上述技术方案可知,本发明的基于瞬态油耗修正的移动源排放估计方法,公布一种基与神经网络的瞬态油耗修正模型,且利用该模型下的瞬态油耗和燃烧排放因子估计移动源发动机的瞬时排放。旨在真实反应路况变化下的瞬时油耗情况以及污染排放情况,可估算移动源在路况变化时的真实油耗与尾气排放量,便于相关部门的管控。
附图说明
图1为本发明流程图;
图2为单隐藏层BP神经网络模型;
图3为稳态和瞬态修正预测值对于真实油耗的绝对误差。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于瞬态油耗修正的移动源排放估计方法,包括以下步骤:
(1)获取目标车辆的车辆质量,道路坡度,旋转质量换算系数,车辆行驶速度,车辆行驶加速度,空气阻力系数,机械传动效率,燃油密度,基于发动机扭矩和转速的瞬时油耗率,燃烧排放因子等参数,并对采集的数据进行预处理。
(2)划分车辆运行时的动力源提供情况。
(3)计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率。
(4)计算电池和电机为动力源的瞬时电量消耗。
(5)分别计算监测路段下电池充电油耗和发动机工作下燃油消耗。
(6)利用总油耗、燃油的排放因子计算本次监测中总的尾气排放。
以下具体说明:
(1)获取目标车辆的车辆质量,道路坡度,旋转质量换算系数,车辆行驶速度,车辆行驶加速度,空气阻力系数,机械传动效率,燃油密度,基于发动机扭矩和转速的瞬时油耗率,电池电量剩余情况,瞬时放电量,电机功率,电机扭矩,电机转速,电机工作效率燃烧排放因子等参数,并对采集的数据进行预处理。
对采集的数据进行缺失值、异常值处理等操作。
(2)划分车辆运行时的动力源提供情况。
设定汽车临界速度Vc,当车辆行驶速度大于Vc时,认为车辆完全由发动机驱动,当车辆行驶速度小于Vc时,认为由电机和蓄电池提供能量驱动(Vc由变速器和离合器共同决定)。
(3)当车辆行驶速度大于Vc时,计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率。
31)利用汽车滚动阻力系数,车辆质量,道路坡度,旋转质量换算系数,车辆行驶速度,车辆行驶加速度,空气阻力系数,机械传动效率数据计算得到发动机功率;
其中Cr为滚动阻力系数,C0、C1、C2是根据车辆不同车辆标准下的滚动阻力系数,Va为车辆行驶速度,C0、C1、C2具体数值如下表:
其中Pe为发动机功率,ηT为机械传动效率,ua为车辆行驶速度(单位为km/h),θ为道路坡度,G为车辆重力(G=mg,g为重力加速度),CD为空气阻力系数,A为车头迎风面积(单位为m2),δ为旋转质量转换系数,m为车辆质量,a为车辆行驶加速度。
32)利用发动机功率,基于发动机扭矩和转速的瞬时油耗率,燃油密度计算得到稳态估计下的单位时间油耗率;
其中Qg为燃油损耗率(单位为cc/s),Pe为发动机功率,b为基于发动机扭矩和转速的瞬时油耗率,可通过发动机测试得到相应值,ρg为燃油密度,g为重力加速度。
33)利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;
[1]瞬态校正模型采用单隐层BP神经网络构建,使用车辆行驶速度、加速度以及基于稳态的油耗Qg为输入,将实际瞬时油耗Qc作为模型输出;
Qc=f(v,a,Qg)
[2]模型基于Keras搭建全连接神经网络模型。将以车辆行驶速度、加速度以及基于步骤(2)(3)算出的基于稳态的油耗Qg以及正是油耗率组成的数据集,为了加快网络训练,采用“极差法”对数据进行归一化,再以9:1的比例,将其划分为训练数据集和测试数据集;
其中Xmin为样本的最小值,Xmax为样本的最大值,X为样本值,X*为归一化后的样本值。
[3]模型中的激活函数采用Adam算法,损失函数为RMSE,当RMSE<1e-4或训练次数Epoch超过5000次时停止训练,Adam中参数设置为lr=0.001(学习率),beta_1=0.9(一阶矩估计指数衰减率),beta_2=0.999(二阶矩估计指数衰减率),基于经验,隐藏层神经元的数量小于输入层大小的两倍,且大于输入层神经元个数,确定隐藏层神经元范围为[N,2N](N为输入层神经元个数),在隐藏层神经元数量范围内不断尝试,找出最优的神经元个数数值。
下表为不同神经元个数时预测油耗与真实油耗的绝对均值(MAE):
(4)当车辆行驶速度小于Vc时,计算电池和电机为动力源的瞬时电量消耗。
其中PEM为电机功率,Tm为电机扭矩,ωm为电机转速,ηEM为电机工作效率(发明中设置为0.8)。
其中Qe为耗电率(单位为kw·h),PEM为电机功率。
43)预设荷电状态(SOC),当前车辆电池荷电值低于预设值时,开始为电池充电。
(5)分别计算监测路段下电池充电油耗和发动机工作下燃油消耗。
其中Qt为总的燃油消耗(单位为g),Qci为第i个采样点的瞬态油耗,ρg为燃油密度,Δt为采样点的时间间隔;
其中Qeg为充电的燃油消耗率(cc/s),Ebatt为电池放电功率,bopt为发动机的最佳瞬时消耗率,ρg为燃油密度,g为重力加速度。
其中Qt_e为车辆行驶总路程下用于充电的燃油消耗,Qegi为采样点i处的充电油耗率,ρg为燃油密度,Δt为采样点的时间间隔。
(6)利用采样点的总油耗,燃油的排放因子计算本次监测中总的尾气排放;
61)基于步骤(5)利用公式QT=Qt_e+Qt计算所行驶路程下的总油耗:
其中QT为车辆总油耗,Qt_e为用于充电的油耗,Qt为发动机提供动力下的油耗。
62)利用公式Ej=EF基于燃料,j×F计算监测中该车各污染物的排放总量;
其中Ej为机动车的污染物j总排放量,j代表CO,HC,NOx(单位为g);EF基于燃料,j代表本发明中该类车型基于燃料消耗的j排放因子(数据来源于道路遥感测试,单位为g/kg燃料);F为本发明中监测车辆的燃料消耗(单位为kg)。
由上述技术方案可知,本发明的基于瞬态油耗修正的移动源排放估计方法,公布一种基与神经网络的瞬态油耗修正模型,且利用该模型下的瞬态油耗和燃烧排放因子估计移动源发动机的瞬时排放。旨在真实反应路况变化下的瞬时油耗情况以及污染排放情况,可估算移动源在路况变化时的真实油耗与尾气排放量,便于相关部门的管控。
另一方面,本发明还公开一种基于瞬态油耗修正的移动源排放估计系统,包括以下单元,
数据采集及处理单元,用于获取目标车辆的参数数据,并对采集的数据进行预处理;
数据划分单元,用于划分车辆运行时的动力源提供情况;
计算单元,用于计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;计算电池和电机为动力源的瞬时电量消耗;分别计算监测路段下电池充电油耗和发动机工作下燃油消耗;以及利用总油耗、燃油的排放因子计算本次监测中总的尾气排放。
第三方面,本发明公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于瞬态油耗修正的移动源排放估计方法,其特征在于:包括以下步骤,
(1)获取目标车辆的参数数据,并对采集的数据进行预处理;
(2)划分车辆运行时的动力源提供情况;
(3)计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;
(4)计算电池和电机为动力源的瞬时电量消耗;
(5)分别计算监测路段下电池充电油耗和发动机工作下燃油消耗;
(6)利用总油耗、燃油的排放因子计算本次监测中总的尾气排放。
2.根据权利要求1所述的基于瞬态油耗修正的移动源排放估计方法,其特征在于:所述获取目标车辆的参数数据包括车辆质量,道路坡度,旋转质量换算系数,车辆行驶速度,车辆行驶加速度,空气阻力系数,机械传动效率,燃油密度,基于发动机扭矩和转速的瞬时油耗率,燃烧排放因子这些参数。
3.根据权利要求2所述的基于瞬态油耗修正的移动源排放估计方法,其特征在于:所述划分车辆运行时的动力源提供情况,具体包括:
设定汽车临界速度Vc,当车辆行驶速度大于Vc时,认为车辆完全由发动机驱动,当车辆行驶速度小于Vc时,认为由电机和蓄电池提供能量驱动。
4.根据权利要求3所述的基于瞬态油耗修正的移动源排放估计方法,其特征在于:所述计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率,具体包括:
31)利用汽车滚动阻力系数,车辆质量,道路坡度,旋转质量换算系数,车辆行驶速度,车辆行驶加速度,空气阻力系数,机械传动效率数据计算得到发动机功率;
其中Cr为滚动阻力系数,C0、C1、C2是根据车辆不同车辆标准下的滚动阻力系数,Va为车辆行驶速度;
其中Pe为发动机功率,ηT为机械传动效率,ua为车辆行驶速度,单位为km/h,θ为道路坡度,G为车辆重力,G=mg,g为重力加速度,CD为空气阻力系数,A为车头迎风面积,单位为m2,δ为旋转质量转换系数,m为车辆质量,a为车辆行驶加速度;
32)利用发动机功率,基于发动机扭矩和转速的瞬时油耗率,燃油密度计算得到稳态估计下的单位时间油耗率;
其中Qg为燃油损耗率,单位为cc/s,Pe为发动机功率,b为基于发动机扭矩和转速的瞬时油耗率,通过发动机测试得到相应值,ρg为燃油密度,g为重力加速度;
33)利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;
[1]瞬态校正模型采用单隐层BP神经网络构建,使用车辆行驶速度、加速度以及基于稳态的油耗Qg为输入,将实际瞬时油耗Qc作为模型输出;
Qc=f(v,a,Qg)
[2]模型基于Keras搭建全连接神经网络模型;将以车辆行驶速度、加速度以及算出的基于稳态的油耗Qg以及正是油耗率组成的数据集,采用“极差法”对数据进行归一化,再以9:1的比例,将其划分为训练数据集和测试数据集;
[3]模型中的激活函数采用Adam算法,损失函数为RMSE,当RMSE<1e-4或训练次数Epoch超过5000次时停止训练,Adam中参数设置为lr=0.001即学习率,beta_1=0.9即一阶矩估计指数衰减率,beta_2=0.999即二阶矩估计指数衰减率,隐藏层神经元的数量小于输入层大小的两倍,且大于输入层神经元个数,确定隐藏层神经元范围为[N,2N],N为输入层神经元个数,在隐藏层神经元数量范围内不断尝试,找出最优的神经元个数数值。
7.根据权利要求6所述的基于瞬态油耗修正的移动源排放估计方法,其特征在于:所述分别计算监测路段下电池充电油耗和发动机工作下燃油消耗,具体包括,
其中Qt为总的燃油消耗,单位为g,Qci为第i个采样点的瞬态油耗,ρg为燃油密度,Δt为采样点的时间间隔;
其中Qeg为充电的燃油消耗率cc/s,Ebatt为电池放电功率,bopt为发动机的最佳瞬时消耗率,ρg为燃油密度,g为重力加速度;
其中Qt_e为车辆行驶总路程下用于充电的燃油消耗,Qegi为采样点i处的充电油耗率,ρg为燃油密度,Δt为采样点的时间间隔。
8.根据权利要求7所述的基于瞬态油耗修正的移动源排放估计方法,其特征在于:所述利用总油耗、燃油的排放因子计算本次监测中总的尾气排放,具体包括:
61)基于利用公式QT=Qt_e+Qt计算所行驶路程下的总油耗:
其中QT为车辆总油耗,Qt_e为用于充电的油耗,Qt为发动机提供动力下的油耗;
62)利用公式Ej=EF基于燃料,j×F计算监测中该车各污染物的排放总量;
其中Ej为机动车的污染物j总排放量,j代表CO,HC,NOx,单位为g;EF基于燃料,j该类车型基于燃料消耗的j排放因子,数据来源于道路遥感测试,单位为g/kg燃料;F为监测车辆的燃料消耗,单位为kg。
9.一种基于瞬态油耗修正的移动源排放估计系统,其特征在于:包括以下单元,
数据采集及处理单元,用于获取目标车辆的参数数据,并对采集的数据进行预处理;
数据划分单元,用于划分车辆运行时的动力源提供情况;
计算单元,用于计算得到稳态估计下的燃油损耗率,并利用神经网络对稳态估计下的燃油损耗率进行瞬态校正,得到瞬态燃油损耗率;计算电池和电机为动力源的瞬时电量消耗;分别计算监测路段下电池充电油耗和发动机工作下燃油消耗;以及利用总油耗、燃油的排放因子计算本次监测中总的尾气排放。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536202.8A CN113221246B (zh) | 2021-05-17 | 2021-05-17 | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536202.8A CN113221246B (zh) | 2021-05-17 | 2021-05-17 | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221246A true CN113221246A (zh) | 2021-08-06 |
CN113221246B CN113221246B (zh) | 2023-07-14 |
Family
ID=77092451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536202.8A Active CN113221246B (zh) | 2021-05-17 | 2021-05-17 | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221246B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570752A (zh) * | 2021-09-23 | 2021-10-29 | 江铃汽车股份有限公司 | 发动机油耗需求的计算方法、系统、存储介质及设备 |
CN114320596A (zh) * | 2021-12-06 | 2022-04-12 | 潍柴动力股份有限公司 | 一种柴油机并车监控方法、装置、电子设备及介质 |
CN114781245A (zh) * | 2022-03-28 | 2022-07-22 | 北京理工大学 | 基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统 |
CN115564149A (zh) * | 2022-12-05 | 2023-01-03 | 中汽研汽车检验中心(昆明)有限公司 | 区域机动车实际道路二氧化碳排放量的预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104627168A (zh) * | 2013-11-06 | 2015-05-20 | 山东政法学院 | 一种基于路况模型的插电式混合动力公交车动态逻辑门限能量管理方法 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
CN111547041A (zh) * | 2020-05-26 | 2020-08-18 | 上海应用技术大学 | 一种并行混合动力汽车的协同优化能量管理方法 |
CN111959490A (zh) * | 2020-08-25 | 2020-11-20 | 吉林大学 | 插电式混合动力汽车模型参考自适应最优能量管理方法 |
CN112036076A (zh) * | 2020-08-13 | 2020-12-04 | 重庆瑞尔科技发展有限公司 | 一种长江内河航运船舶复杂运行情况油耗预测方法及系统 |
CN112115555A (zh) * | 2020-09-24 | 2020-12-22 | 清华大学 | 一种智能网联环境下汽车瞬时油耗监测方法 |
-
2021
- 2021-05-17 CN CN202110536202.8A patent/CN113221246B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104627168A (zh) * | 2013-11-06 | 2015-05-20 | 山东政法学院 | 一种基于路况模型的插电式混合动力公交车动态逻辑门限能量管理方法 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
CN111547041A (zh) * | 2020-05-26 | 2020-08-18 | 上海应用技术大学 | 一种并行混合动力汽车的协同优化能量管理方法 |
CN112036076A (zh) * | 2020-08-13 | 2020-12-04 | 重庆瑞尔科技发展有限公司 | 一种长江内河航运船舶复杂运行情况油耗预测方法及系统 |
CN111959490A (zh) * | 2020-08-25 | 2020-11-20 | 吉林大学 | 插电式混合动力汽车模型参考自适应最优能量管理方法 |
CN112115555A (zh) * | 2020-09-24 | 2020-12-22 | 清华大学 | 一种智能网联环境下汽车瞬时油耗监测方法 |
Non-Patent Citations (3)
Title |
---|
OSKAR WYSOCKI 等: "Heavy duty vehicle fuel consumption modelling based on exploitation data by using artificial neural networks", 《IWANN 2019: ADVANCES IN COMPUTATIONAL INTELLIGENCE》, pages 794 * |
刘焕峰: "基于TPFM和MPC的汽车经济型巡航控制方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 4, pages 035 - 16 * |
金辉 等: "基于瞬态修正的车辆燃油消耗模型建模", 《北京理工大学学报》, vol. 37, no. 5, pages 473 - 484 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570752A (zh) * | 2021-09-23 | 2021-10-29 | 江铃汽车股份有限公司 | 发动机油耗需求的计算方法、系统、存储介质及设备 |
CN113570752B (zh) * | 2021-09-23 | 2022-04-08 | 江铃汽车股份有限公司 | 发动机油耗需求的计算方法、系统、存储介质及设备 |
CN114320596A (zh) * | 2021-12-06 | 2022-04-12 | 潍柴动力股份有限公司 | 一种柴油机并车监控方法、装置、电子设备及介质 |
CN114320596B (zh) * | 2021-12-06 | 2023-05-23 | 潍柴动力股份有限公司 | 一种柴油机并车监控方法、装置、电子设备及介质 |
CN114781245A (zh) * | 2022-03-28 | 2022-07-22 | 北京理工大学 | 基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统 |
CN114781245B (zh) * | 2022-03-28 | 2024-05-28 | 北京理工大学 | 基于油耗强相关参数修正的瞬态汽车油耗估计方法及系统 |
CN115564149A (zh) * | 2022-12-05 | 2023-01-03 | 中汽研汽车检验中心(昆明)有限公司 | 区域机动车实际道路二氧化碳排放量的预测方法及系统 |
CN115564149B (zh) * | 2022-12-05 | 2023-04-07 | 中汽研汽车检验中心(昆明)有限公司 | 区域机动车实际道路二氧化碳排放量的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113221246B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221246A (zh) | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 | |
CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
Li et al. | Multi-objective stochastic MPC-based system control architecture for plug-in hybrid electric buses | |
CN110254418A (zh) | 一种混合动力汽车增强学习能量管理控制方法 | |
Liu et al. | Markov velocity predictor and radial basis function neural network-based real-time energy management strategy for plug-in hybrid electric vehicles | |
Zhao et al. | Real-time energy management for diesel heavy duty hybrid electric vehicles | |
CN102837696B (zh) | 具有在线监测功能的燃料电池叉车混合动力控制系统 | |
CN109895758A (zh) | 一种混合动力汽车发动机扭矩控制方法、系统及车辆 | |
CN104494595B (zh) | 混合动力车辆的功率控制方法及装置、动力系统 | |
CN109263632B (zh) | 一种混合动力车辆的混动工作模式切换控制方法 | |
CN110936949A (zh) | 基于行驶工况的能量控制方法、设备、存储介质及装置 | |
CN111267827B (zh) | 一种混合动力汽车能量管理方法和系统 | |
CN112319462B (zh) | 一种插电式混合动力汽车能量管理方法 | |
CN110543098A (zh) | 插电式混合动力系统构型的选择方法 | |
CN112498334B (zh) | 智能网联混合动力汽车的鲁棒能量管理方法及系统 | |
CN115230485A (zh) | 基于短期功率平滑预测的燃料电池公交车能量管理方法 | |
CN109910640A (zh) | 一种汽车控制方法及系统 | |
Zhou et al. | Research on fuzzy energy management strategy of parallel hybrid electric vehicle | |
Fanesi et al. | Optimize the Mild Hybrid Electric Vehicles control system to reduce the Emission | |
Cerruto et al. | Fuzzy logic based efficiency improvement of an urban electric vehicle | |
CN113267350B (zh) | 一种混合动力叉车爬坡性能评估方法 | |
CN110588841B (zh) | 基于极限节能率评估的插电式混合动力系统构型选择方法 | |
Beatrice et al. | Hybrid storage system management for hybrid electric vehicles under real operating conditions | |
CN206086715U (zh) | 混合动力货车防怠速系统 | |
CN109635484A (zh) | 基于多学科优化的混合动力车辆动力系统优化测试方法 |
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 |