CN115063050A - 一种基于大数据的重型柴油车NOx排放清单确定方法 - Google Patents

一种基于大数据的重型柴油车NOx排放清单确定方法 Download PDF

Info

Publication number
CN115063050A
CN115063050A CN202210977925.6A CN202210977925A CN115063050A CN 115063050 A CN115063050 A CN 115063050A CN 202210977925 A CN202210977925 A CN 202210977925A CN 115063050 A CN115063050 A CN 115063050A
Authority
CN
China
Prior art keywords
average
data
heavy
emission
subtype
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
Application number
CN202210977925.6A
Other languages
English (en)
Inventor
钱枫
邱金浩
王洁
祝能
王超
许小伟
邓明星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202210977925.6A priority Critical patent/CN115063050A/zh
Publication of CN115063050A publication Critical patent/CN115063050A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

一种基于大数据的重型柴油车NOx排放清单确定方法，包括：基于排量对重型柴油车进行分类；获取重型柴油车运行及排放数据，并进行数据预处理；确定对NOx排放因子的影响权重大的活动因子；计算每一个网格内的平均行驶时间
Figure 925144DEST_PATH_IMAGE001
、平均车速
Figure 338808DEST_PATH_IMAGE002
、平均转速S avg、平均SCR床温
Figure 612663DEST_PATH_IMAGE003
、平均燃料流量k avg及平均废气流量M avg ；获得设定时段内的各子类型单台平均排放量M i ；得到每一个子类型NOx排放总量；基于子类型NOx排放总量构建目标区域在设定时段内的排放清单；本方法建立可以实时数据更新的重型柴油车NOx排放因子预测模型，实现了重型柴油车NOx动态排放清单编制，提高了排放清单计算的准确性与灵活性。

Description

一种基于大数据的重型柴油车NOx排放清单确定方法
技术领域
本发明涉及NOx排放清单的确定领域，具体说是一种基于大数据的重型柴油车NOx排放清单确定方法。
背景技术
排放清单是某一特定时间和空间尺度上，基于不同的排放源分类编制的大气污染物排放种类和排放总量的汇总。机动车污染物排放清单不仅是研究机动车对大气污染问题的重要基础数据，而且制定减排方案和具体措施需要详细的排放清单作为依据，排放清单的可靠性对其在空气质量管理的实践应用尤为重要。然而我国在排放清单技术体系建设和国家移动源排放清单编制方面的进度仍远远落后于空气质量管理决策的迫切需求，问题突出。目前排放清单主要集中在静态的宏观排放总量的层面上，不能体现动态的时空排放分布，也就无法快速高效地识别非道路移动机械活动高值的排放区域，未真正构建出一套基于实时工作状况的排放清单计算体系。
另外一方面，目前对实车行驶和排放数据利用程度低，以往研究只对各排放阶段的数量占比、不同燃料使用分布、不同类型机械占比、不同功率段分布等进行简单的数据挖掘，缺乏大数据分析和应用的支撑，无法有效地监管非道路移动机械具体的排放行为，制定科学的监管措施，缺乏利用实时获取的海量实车行驶和排放数据进行污染物排放清单的构建研究。
发明内容
针对现有技术的以上缺陷或改进需求，本发明要解决的是现有技术排放清单的确定方法不能体现动态的时空排放分布，无法快速高效地识别非道路移动机械活动高值的排放区域，未真正构建出一套基于实时工作状况的排放清单计算体系、缺乏大数据分析和应用的支撑的问题。
为了实现上述目的，本发明涉及一种基于大数据的重型柴油车NOx排放清单确定方法，包括如下步骤：
步骤1：基于排量对重型柴油车进行分类，得到不同的重型柴油车子类型；
步骤2：基于OBD装置获取重型柴油车运行及排放数据，并对获取的数据进行数据预处理，数据预处理包括缺失值填补、数据降噪；
步骤3：通过回归分析，确定对NOx排放因子的影响权重大的活动因子；
步骤4：在中观尺度下对各子类型重型柴油车活动因子分布特征分析，计算每一个 网格内的平均行驶时间
Figure 770931DEST_PATH_IMAGE001
、平均车速
Figure 309228DEST_PATH_IMAGE002
、平均转速S avg、平均SCR床温
Figure 192871DEST_PATH_IMAGE003
、平均燃料 流量k avg及平均废气流量M avg ；
步骤5：基于步骤4的计算数据，采用随机森林回归模型对重型柴油车NOx排放因子进行预测；搭建重型柴油车NOx排放因子预测模型，编制基于大数据的重型柴油车NOx排放清单计算模型,获得设定时段内的各子类型单台平均排放量M i ；
步骤6：基于各子类型单台平均排放量M i 以及各子类型平均运行数量Ni得到每一个子类型NOx排放总量Ei；
步骤7：基于子类型NOx排放总量Ei构建目标区域在设定时段内的排放清单。
进一步的，所述步骤2中缺失值填补的方法为：根据数据缺失时间的长短，将缺失数据分为短时缺失、长时缺失两类；根据参数自身的特性，将参数分为可突变参数和不可突变参数；不可突变参数时序性较为明显，车辆累计里程与时间接近线性相关；对于不可突变参数的短时缺失，采用线性插值的方法对缺失数据进行补齐；不可突变参数与其他某个或某几个参数之间具有关联性；对于不可突变参数的长时缺失，采用多元回归法进行填补，即利用其他相关联的参数来拟合；对于可突变参数的短时缺失，采用均值替代的方法补齐数据；对于可突变参数的长时缺失，采用分段处理的方法，即舍弃掉缺失数据对应时间段内的所有字段，再对切割得到的前后两段数据分别处理与分析。
进一步的，所述步骤2中数据降噪的方法为，数据降噪处理前应对照不同平台的协议，重新对报文进行解析，保证数据质量；由于重型柴油车运行工况具有重复性，运用相似工况下的数据得到离群点的估计值，且离群点的临近点能够反映出该点的真实数据；结合以上两点特性，选择非局部均值去噪法对已经剔除范围外离群点后的数据进行去噪处理。
进一步的，所述步骤3通过回归分析，确定对NOx排放因子的影响权重大的车辆活动因子的方法为：首先计算重型柴油车活动因子间的线性相关系数，对具有强相关性的活动因子进行回归方程预测，量化车辆活动因子的影响权重系数；基于该权重系数，确定5个重要车辆活动因子及对NOx排放因子的影响程度关系为车速>SCR床温>废气流量>发动机转速>燃料流量。
进一步的，所述步骤4的具体方法为：将柴油车行驶工况的转速和扭矩百分比划分 为10×10的网格，转速在0~500rpm内划分为第一个网格；转速从500rpm开始到2750rpm之间 的，按照250rpm等长度划分为9个网格；扭矩百分比从0~100%按照10%的等长度划分为10个 网格；计算每一个网格内的平均行驶时间
Figure 869840DEST_PATH_IMAGE001
、平均车速
Figure 979878DEST_PATH_IMAGE002
、平均转速S avg、平均SCR床温
Figure 931654DEST_PATH_IMAGE003
、平均燃料流量k avg及平均废气流量M avg ，具体计算方式如下：
4.1、重型柴油车的行驶时间在网格内的概率分布计算方法见下式：
Figure 138644DEST_PATH_IMAGE004
(1)
其中：表示概率；
Figure 642307DEST_PATH_IMAGE005
表示所有样本点；
Figure 364275DEST_PATH_IMAGE006
为满足下标条件
Figure 323004DEST_PATH_IMAGE007
下设 定区域内的样本点数；表示转速；表示转速的分区；表示扭矩百分比；表示扭矩百分比的分 区；
通过步骤2预处理后的数据可以得到目标时段内不同子类型重型柴油车的平均运 行时间
Figure 56605DEST_PATH_IMAGE008
；
由平均运行时间
Figure 137693DEST_PATH_IMAGE008
与时间分布概率
Figure 284641DEST_PATH_IMAGE009
相乘得到每个网格内的平均行驶时间
Figure 702852DEST_PATH_IMAGE001
：
Figure 681173DEST_PATH_IMAGE010
(2)
4.2、每个网格内平均车速
Figure 542950DEST_PATH_IMAGE011
的计算方法见式：
Figure 177193DEST_PATH_IMAGE012
(3)
其中：
Figure 540041DEST_PATH_IMAGE013
为满足下标条件
Figure 231923DEST_PATH_IMAGE014
下的速度值，n v 表示满足 设定区域内的速度值的样本点数；
4.3、每个网格内平均转速
Figure 592497DEST_PATH_IMAGE015
通过扭矩-转速表查表得到；
4.4、每个网格内平均SCR床温
Figure 776354DEST_PATH_IMAGE016
的计算方法见式：
Figure 614997DEST_PATH_IMAGE017
(4)
Figure 177696DEST_PATH_IMAGE018
(5)
其中：t up表示SCR入口温度；t down表示SCR出口温度；表示SCR床温；
Figure 771489DEST_PATH_IMAGE019
表示满足下标条件
Figure 36117DEST_PATH_IMAGE020
下的温度值；n t 表示满足设定区域内温度t的样本点数;
4.5、每个网格内的平均燃料流量k avg计算方法见式：
Figure 944030DEST_PATH_IMAGE021
(6)
其中：
Figure 751449DEST_PATH_IMAGE022
表示满足下标条件
Figure 125929DEST_PATH_IMAGE014
下的燃料流量；n k 表示 满足设定区域内燃料流量的样本点数；
4.6、每个网格内的平均废气流量M avg 计算方法分别见式：
Figure 956482DEST_PATH_IMAGE023
(7)
Figure 199245DEST_PATH_IMAGE024
(8)
其中：M mass表示发动机废气质量流量；M air表示发动机进气质量流量；M fuel表示发动 机燃油质量流量；为燃油密度；
Figure 991663DEST_PATH_IMAGE025
为满足上标条件
Figure 864941DEST_PATH_IMAGE026
下的发动机废 气质量流量， n M 表示满足设定区域内废气流量的样本点数；
上述公式（1）~（8）的等号右边参数数据均可通过步骤2中预处理后的数据中得到。
进一步的，所述步骤5的具体方法为：
第一步：将各参数的平均值作为输入条件，结合NOx排放因子预测模型，计算每一 个网格内的NOx排放因子
Figure 979528DEST_PATH_IMAGE027
；Model表示采用随机森 林回归的NOx排放因子预测模型；
第二步：用每个网格内平均车速
Figure 901348DEST_PATH_IMAGE011
和平均行驶时间
Figure 417780DEST_PATH_IMAGE001
计算行驶里程，结合 第一步中的NOx排放因子计算每个网格内的排放总量，最后求和得到设定时段内的各子类 型单台平均排放量M i ，具体计算公式如下：
Figure 461959DEST_PATH_IMAGE028
（9）
其中：M i 表示子类型单车NOx排放量； j表示第j个网格；i表示子类型，即发动机排 量类型；
Figure 454055DEST_PATH_IMAGE029
、
Figure 976303DEST_PATH_IMAGE030
、
Figure 550504DEST_PATH_IMAGE031
、
Figure 686956DEST_PATH_IMAGE032
、
Figure 776135DEST_PATH_IMAGE033
、
Figure 39757DEST_PATH_IMAGE034
分别表示每一个网格内的平均车速、平 均转速、平均SCR床温、平均燃料流量、平均废气流量、平均行驶时间，w为网格数量。
进一步的，所述步骤6的方法为：以研究区域内子类型的平均运行数量N i 作为子类型保有量结合公式（9）进行计算，即可获得每一个子类型NOx排放总量E i ，具体计算公式参考下式：
Figure 468464DEST_PATH_IMAGE035
（10）
其中：N i 表示子类型的平均运行数量；E i 表示子类型NOx排放总量。
进一步的，所述步骤7的方法为：将目标区域在设定时间段内所有的子类型排放总量Ei进行累加，即可得到目标区域在设定时段内的排放清单。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的基于大数据的重型柴油车NOx排放清单确定方法，基于大数据分析方法的排放清单建立路径，通过对海量的重型柴油车实时数据获取动态排放信息，提出了一套数据预处理方案，以提高数据真实性和可用性，建立可以实现实时数据更新的重型柴油车NOx排放因子预测模型，实现了基于排放大数据的重型柴油车NOx动态排放清单编制。
2.本发明的基于大数据的重型柴油车NOx排放清单确定方法，通过实时获取单台非道路机械的运行及排放数据，根据重型柴油车实际运行与排放数据确定出单台机械准确的开工状态，即实际运行数量及实际运行时间，提高排放清单计算的准确性与灵活性。
附图说明
图1是发明较佳实施例提供的一种基于大数据的重型柴油车NOx排放清单确定方法的步骤示意图；
图2是发明较佳实施例的重型柴油车远程监控平台数据预处理方案示意图；
图3是发明较佳实施例的搭建重型柴油车NOx排放因子预测模型所采用机器学习模型示意图；
图4是发明较佳实施例基于大数据分析方法预测NOx排放清单的计算示意图。
具体实施方式
下面将结合附图对本发明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。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，都属于本发明保护的范围。附图为示意图，不限定实际保护范围，实际保护范围以权利要求书文字说明为准。
本发明具体涉及基于大数据的重型柴油车排放清单的计算系统，适用于安装OBD装置获取单台重型柴油车的运行数据和排放数据的场景（《重型柴油车污染物排放限值及测量方法（中国第六阶段）》强制规定在重型柴油车上加装OBD装置）。下面将详细地描述本申请基于大数据构建重型柴油车NOx排放清单的确定方法；
请参考图1，排放清单的确定方法，适用于安装OBD装置获取重型柴油车的运行数据和排放数据的场景。该确定方法包括如下步骤：
步骤1：基于排量对重型柴油车进行分类，得到不同的重型柴油车子类型；不同排量的重型柴油车在行驶时间、车速、SCR床温、燃料流量、NOx排放因子等运行和排放参数中具有不同的分布特征，将排量作为划分重型柴油车类型的标准是编制重型柴油车排放清单的一种优选方式。在综合远程监控平台重型柴油车发动机排量发现，绝大部分柴油车大致分布在6种不同大小的排量下，即2.98L、4.26L、5.20L、6.87L、8.50L、11.05L，为了方便描述，将6种排量称为V1~V6。
步骤2：请参考图2，基于OBD装置获取重型柴油车运行及排放数据，并对获取的数据进行数据预处理，数据预处理包括缺失值填补、数据降噪；
在数据收集、传送和存储过程中，由于受到硬件设备限制、采集环境多变、传输有效性以及存储可靠性等多种因素的影响，原生态的数据包含了大量不规范值甚至缺失值，这样的数据集完整性差、噪声大、一致性低，对后续的数据挖掘和建模制造了极大的障碍。
重型柴油车排放大数据原始数据中存在的问题分为两大类：数据缺失、数据噪声。数据缺失即数据不完整，数据的部分或全部参数没有字段，显示为空；数据噪声则指数据中游离在集群外的无效点。考虑到重型柴油车排放大数据的时序性突出，参数间关联性较强，制定了如下方案来解决上述问题：
缺失值填补的方法为：根据数据缺失时间的长短，将缺失数据分为短时缺失、长时缺失两类；根据参数自身的特性，将参数分为可突变参数和不可突变参数；不可突变参数时序性较为明显，车辆累计里程与时间接近线性相关；对于不可突变参数的短时缺失，采用线性插值的方法对缺失数据进行补齐；不可突变参数与其他某个或某几个参数之间具有关联性；对于不可突变参数的长时缺失，采用多元回归法进行填补，即利用其他相关联的参数来拟合；对于可突变参数的短时缺失，采用均值替代的方法补齐数据；对于可突变参数的长时缺失，采用分段处理的方法，即舍弃掉缺失数据对应时间段内的所有字段，再对切割得到的前后两段数据分别处理与分析。
数据降噪的方法为，数据降噪处理前应对照不同平台的协议，重新对报文进行解析，保证数据质量；由于重型柴油车运行工况具有重复性，运用相似工况下的数据得到离群点的估计值，且离群点的临近点能够反映出该点的真实数据；结合以上两点特性，选择非局部均值去噪法对已经剔除范围外离群点后的数据进行去噪处理。
步骤3：通过回归分析，确定对NOx排放因子的影响权重大的活动因子；
所述步骤3通过回归分析，确定对NOx排放因子的影响权重大的车辆活动因子的方法为：首先计算重型柴油车活动因子间的线性相关系数，对具有强相关性的活动因子进行回归方程预测，量化车辆活动因子的影响权重系数；基于该权重系数，确定5个重要车辆活动因子及对NOx排放因子的影响程度关系为车速>SCR床温>废气流量>发动机转速>燃料流量；进行后续预测模型搭建的时候充分考虑不同车辆活动因子的影响权重的基础上对排放因子模型进行搭建并以训练集与测试集绝对系数的平均值作为模型的评价指标进行模型调参工作。
步骤4：请参考图3，图4，在中观尺度下对各子类型重型柴油车活动因子分布特征 分析，计算每一个网格内的平均行驶时间
Figure 651184DEST_PATH_IMAGE001
、平均车速
Figure 617872DEST_PATH_IMAGE002
、平均转速S avg、平均SCR床温
Figure 544239DEST_PATH_IMAGE003
、平均燃料流量k avg及平均废气流量M avg ；
具体方法为：将柴油车行驶工况的转速和扭矩百分比划分为10×10的网格，转速 在0~500rpm内划分为第一个网格；转速从500rpm开始到2750rpm之间的，按照250rpm等长度 划分为9个网格；扭矩百分比从0~100%按照10%的等长度划分为10个网格；计算每一个网格 内的平均行驶时间
Figure 499557DEST_PATH_IMAGE001
、平均车速
Figure 322019DEST_PATH_IMAGE002
、平均转速S avg、平均SCR床温
Figure 385790DEST_PATH_IMAGE003
、平均燃料流量k avg及平均废气流量M avg ，具体计算方式如下：
4.1、重型柴油车的行驶时间在网格内的概率分布计算方法见下式：
Figure 974904DEST_PATH_IMAGE004
(1)
其中：表示概率；
Figure 378203DEST_PATH_IMAGE005
表示所有样本点；
Figure 433884DEST_PATH_IMAGE006
为满足下标条件
Figure 329159DEST_PATH_IMAGE007
下设定区域内的样本点数；表示转速；表示转速的分区；表示扭矩百分比；表示扭矩百分比 的分区；
通过步骤2预处理后的数据可以得到目标时段内不同子类型重型柴油车的平均运 行时间
Figure 66170DEST_PATH_IMAGE008
；
由平均运行时间
Figure 120714DEST_PATH_IMAGE008
与时间分布概率
Figure 206351DEST_PATH_IMAGE009
相乘得到每个网格内的平均行驶时间
Figure 182397DEST_PATH_IMAGE001
：
Figure 254258DEST_PATH_IMAGE010
(2)
4.2、每个网格内平均车速
Figure 304254DEST_PATH_IMAGE011
的计算方法见式：
Figure 436158DEST_PATH_IMAGE012
(3)
其中：
Figure 633921DEST_PATH_IMAGE013
为满足下标条件
Figure 899686DEST_PATH_IMAGE014
下的速度值，n v 表示满足 设定区域内的速度值的样本点数；
4.3、每个网格内平均转速S avg通过扭矩-转速表查表得到；
表1某排量下发动机扭矩-转速表
Figure 928822DEST_PATH_IMAGE036
4.4、每个网格内平均SCR床温
Figure 169310DEST_PATH_IMAGE016
的计算方法见式：
Figure 792053DEST_PATH_IMAGE017
(4)
Figure 471296DEST_PATH_IMAGE018
(5)
其中：t up表示SCR入口温度；t down表示SCR出口温度；表示SCR床温；
Figure 479572DEST_PATH_IMAGE019
表示满足下标条件
Figure 890962DEST_PATH_IMAGE020
下的温度值；n t 表示满足设定区域内温度t的样本点数;
4.5、每个网格内的平均燃料流量k avg计算方法见式：
Figure 125634DEST_PATH_IMAGE021
(6)
其中：
Figure 218355DEST_PATH_IMAGE022
表示满足下标条件
Figure 159766DEST_PATH_IMAGE014
下的燃料流量；n k 表示 满足设定区域内燃料流量的样本点数；
4.6、每个网格内的平均废气流量M avg 计算方法分别见式：
Figure 69953DEST_PATH_IMAGE023
(7)
Figure 668554DEST_PATH_IMAGE024
(8)
其中：M mass表示发动机废气质量流量；M air表示发动机进气质量流量；M fuel表示发动 机燃油质量流量；为燃油密度；
Figure 627283DEST_PATH_IMAGE025
为满足上标条件
Figure 485518DEST_PATH_IMAGE026
下的发动机废 气质量流量， n M 表示满足设定区域内废气流量的样本点数；
上述公式（1）~（8）的等号右边参数数据均可通过步骤2中预处理后的数据中得到。
步骤5：基于步骤4的计算数据，采用随机森林回归模型对重型柴油车NOx排放因子进行预测；搭建重型柴油车NOx排放因子预测模型，编制基于大数据的重型柴油车NOx排放清单计算模型,获得设定时段内的各子类型单台平均排放量M i ；
具体方法为：
第一步：将各参数的平均值作为输入条件，结合NOx排放因子预测模型，计算每一 个网格内的NOx排放因子
Figure 441972DEST_PATH_IMAGE027
；Model表示采用随机森 林回归的NOx排放因子预测模型；随机森林模型在分类和回归上均具有较好的表现，并且在 回归分析上同时适用于线性回归和非线性回归，随机森林模型示意图如图3所示
第二步：用每个网格内平均车速
Figure 120078DEST_PATH_IMAGE011
和平均行驶时间
Figure 882498DEST_PATH_IMAGE001
计算行驶里程，结合 第一步中的NOx排放因子计算每个网格内的排放总量，最后求和得到设定时段内的各子类 型单台平均排放量M i ，具体计算公式如下：
Figure 985452DEST_PATH_IMAGE037
（9）
其中：M i 表示子类型单车NOx排放量；j表示第j个网格；i表示子类型，即发动机排 量类型；
Figure 971863DEST_PATH_IMAGE029
、
Figure 606106DEST_PATH_IMAGE030
、
Figure 578742DEST_PATH_IMAGE031
、
Figure 411568DEST_PATH_IMAGE032
、
Figure 693514DEST_PATH_IMAGE033
、
Figure 549475DEST_PATH_IMAGE034
分别表示每一个网格内的平均车速、平 均转速、平均SCR床温、平均燃料流量、平均废气流量、平均行驶时间，w为网格数量。
步骤6：基于各子类型单台平均排放量M i 以及各子类型平均运行数量Ni得到每一个子类型NOx排放总量Ei；
具体方法为：以研究区域内子类型的平均运行数量N i 作为子类型保有量结合公式（9）进行计算，即可获得每一个子类型NOx排放总量E i ，具体计算公式参考下式：
Figure 716014DEST_PATH_IMAGE035
（10）
其中：N i 表示子类型的平均运行数量；E i 表示子类型NOx排放总量。
步骤7：基于子类型NOx排放总量Ei构建目标区域在设定时段内的排放清单：
将目标区域在设定时间段内所有的子类型排放总量Ei进行累加，即可得到目标区域在设定时段内的排放清单。
以上显示和描述了本发明的基本原理和主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的结构关系及原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种基于大数据的重型柴油车NOx排放清单确定方法，其特征在于，包括如下步骤：
步骤1：基于排量对重型柴油车进行分类，得到不同的重型柴油车子类型；
步骤2：基于OBD装置获取重型柴油车运行及排放数据，并对获取的数据进行数据预处理，数据预处理包括缺失值填补、数据降噪；
步骤3：通过回归分析，确定对NOx排放因子的影响权重大的活动因子；
步骤4：在中观尺度下对各子类型重型柴油车活动因子分布特征分析，计算每一个网格 内的平均行驶时间
Figure 221783DEST_PATH_IMAGE001
、平均车速
Figure 940209DEST_PATH_IMAGE002
、平均转速S avg、平均SCR床温
Figure 80203DEST_PATH_IMAGE003
、平均燃料流量k avg及平均废气流量M avg ；
步骤5：基于步骤4的计算数据，采用随机森林回归模型对重型柴油车NOx排放因子进行预测；搭建重型柴油车NOx排放因子预测模型，编制基于大数据的重型柴油车NOx排放清单计算模型,获得设定时段内的各子类型单台平均排放量M i ；
步骤6：基于各子类型单台平均排放量M i 以及各子类型平均运行数量Ni得到每一个子类型NOx排放总量Ei；
步骤7：基于子类型NOx排放总量Ei构建目标区域在设定时段内的排放清单。
2.根据权利要求1所述的基于大数据的重型柴油车NOx排放清单确定方法，其特征在于，所述步骤2中缺失值填补的方法为：根据数据缺失时间的长短，将缺失数据分为短时缺失、长时缺失两类；根据参数自身的特性，将参数分为可突变参数和不可突变参数；不可突变参数时序性较为明显，车辆累计里程与时间接近线性相关；对于不可突变参数的短时缺失，采用线性插值的方法对缺失数据进行补齐；不可突变参数与其他某个或某几个参数之间具有关联性；对于不可突变参数的长时缺失，采用多元回归法进行填补，即利用其他相关联的参数来拟合；对于可突变参数的短时缺失，采用均值替代的方法补齐数据；对于可突变参数的长时缺失，采用分段处理的方法，即舍弃掉缺失数据对应时间段内的所有字段，再对切割得到的前后两段数据分别处理与分析。
3.根据权利要求1所述的基于大数据的重型柴油车NOx排放清单确定方法，其特征在于：所述步骤2中数据降噪的方法为，数据降噪处理前应对照不同平台的协议，重新对报文进行解析，保证数据质量；由于重型柴油车运行工况具有重复性，运用相似工况下的数据得到离群点的估计值，且离群点的临近点能够反映出该点的真实数据；结合以上两点特性，选择非局部均值去噪法对已经剔除范围外离群点后的数据进行去噪处理。
4.根据权利要求1所述的基于大数据的重型柴油车NOx排放清单确定方法，其特征在于，所述步骤3通过回归分析，确定对NOx排放因子的影响权重大的车辆活动因子的方法为：首先计算重型柴油车活动因子间的线性相关系数，对具有强相关性的活动因子进行回归方程预测，量化车辆活动因子的影响权重系数；基于该权重系数，确定5个重要车辆活动因子及对NOx排放因子的影响程度关系为车速>SCR床温>废气流量>发动机转速>燃料流量。
5.根据权利要求1所述的基于大数据的重型柴油车NOx排放清单确定方法，其特征在 于：所述步骤4的具体方法为：将柴油车行驶工况的转速和扭矩百分比划分为10×10的网 格，转速在0~500rpm内划分为第一个网格；转速从500rpm开始到2750rpm之间的，按照 250rpm等长度划分为9个网格；扭矩百分比从0~100%按照10%的等长度划分为10个网格；计 算每一个网格内的平均行驶时间
Figure 722537DEST_PATH_IMAGE001
、平均车速
Figure 139743DEST_PATH_IMAGE002
、平均转速S avg、平均SCR床温
Figure 904437DEST_PATH_IMAGE003
、 平均燃料流量k avg及平均废气流量M avg ，具体计算方式如下：
4.1、重型柴油车的行驶时间在网格内的概率分布计算方法见下式：
Figure 734989DEST_PATH_IMAGE004
(1)
其中：表示概率；
Figure 367965DEST_PATH_IMAGE005
表示所有样本点；
Figure 29890DEST_PATH_IMAGE006
为满足下标条件
Figure 903169DEST_PATH_IMAGE007
下 设定区域内的样本点数；表示转速；表示转速的分区；表示扭矩百分比；表示扭矩百分比的 分区；
通过步骤2预处理后的数据可以得到目标时段内不同子类型重型柴油车的平均运行时 间
Figure 893121DEST_PATH_IMAGE008
；
由平均运行时间
Figure 939575DEST_PATH_IMAGE008
与时间分布概率
Figure 659269DEST_PATH_IMAGE009
相乘得到每个网格内的平均行驶时间
Figure 890399DEST_PATH_IMAGE001
：
Figure 226703DEST_PATH_IMAGE010
(2)
4.2、每个网格内平均车速
Figure 14530DEST_PATH_IMAGE011
的计算方法见式：
Figure 526414DEST_PATH_IMAGE012
(3)
其中：
Figure 538232DEST_PATH_IMAGE013
为满足下标条件
Figure 830673DEST_PATH_IMAGE014
下的速度值，n v 表示满足设定 区域内的速度值的样本点数；
4.3、每个网格内平均转速S avg通过扭矩-转速表查表得到；
4.4、每个网格内平均SCR床温
Figure 343563DEST_PATH_IMAGE015
的计算方法见式：
Figure 834587DEST_PATH_IMAGE016
(4)
Figure 220569DEST_PATH_IMAGE017
(5)
其中：t up表示SCR入口温度；t down表示SCR出口温度；表示SCR床温；
Figure 672410DEST_PATH_IMAGE018
表示 满足下标条件
Figure 802040DEST_PATH_IMAGE019
下的温度值；n t 表示满足设定区域内温度t的样本点数;
4.5、每个网格内的平均燃料流量k avg计算方法见式：
Figure 147571DEST_PATH_IMAGE020
(6)
其中：
Figure 891405DEST_PATH_IMAGE021
表示满足下标条件
Figure 892859DEST_PATH_IMAGE014
下的燃料流量；n k 表示满足设 定区域内燃料流量的样本点数；
4.6、每个网格内的平均废气流量M avg 计算方法分别见式：
Figure 622918DEST_PATH_IMAGE022
(7)
Figure 963900DEST_PATH_IMAGE023
(8)
其中：M mass表示发动机废气质量流量；M air表示发动机进气质量流量；M fuel表示发动机燃 油质量流量；为燃油密度；
Figure 691685DEST_PATH_IMAGE024
为满足上标条件
Figure 977173DEST_PATH_IMAGE025
下的发动机废气质 量流量， n M 表示满足设定区域内废气流量的样本点数；
上述公式（1）~（8）的等号右边参数数据均可通过步骤2中预处理后的数据中得到。
6.根据权利要求5所述的基于大数据的重型柴油车NOx排放清单确定方法，其特征在于：所述步骤5的具体方法为：
第一步：将各参数的平均值作为输入条件，结合NOx排放因子预测模型，计算每一个网 格内的NOx排放因子
Figure 901135DEST_PATH_IMAGE026
；Model表示采用随机森林回 归的NOx排放因子预测模型；
第二步：用每个网格内平均车速
Figure 158941DEST_PATH_IMAGE027
和平均行驶时间
Figure 854365DEST_PATH_IMAGE001
计算行驶里程，结合第一步 中的NOx排放因子计算每个网格内的排放总量，最后求和得到设定时段内的各子类型单台 平均排放量M i ，具体计算公式如下：
Figure 768094DEST_PATH_IMAGE028
（9）
其中：M i 表示子类型单车NOx排放量； j表示第j个网格；i表示子类型，即发动机排量类 型；
Figure 839955DEST_PATH_IMAGE029
、
Figure 952268DEST_PATH_IMAGE030
、
Figure 474385DEST_PATH_IMAGE031
、
Figure 672148DEST_PATH_IMAGE032
、
Figure 547700DEST_PATH_IMAGE033
、
Figure 452202DEST_PATH_IMAGE034
分别表示每一个网格内的平均车速、平均转 速、平均SCR床温、平均燃料流量、平均废气流量、平均行驶时间，w为网格数量。
7.根据权利要求6所述的基于大数据的重型柴油车NOx排放清单确定方法，其特征在于，所述步骤6的方法为：以研究区域内子类型的平均运行数量N i 作为子类型保有量结合公式（9）进行计算，即可获得每一个子类型NOx排放总量E i ，具体计算公式参考下式：
Figure 958270DEST_PATH_IMAGE035
（10）
其中：N i 表示子类型的平均运行数量；E i 表示子类型NOx排放总量。
8.根据权利要求7所述的基于大数据的重型柴油车NOx排放清单确定方法，其特征在于，所述步骤7的方法为：将目标区域在设定时间段内所有的子类型排放总量Ei进行累加，即可得到目标区域在设定时段内的排放清单。
CN202210977925.6A 2022-08-16 2022-08-16 一种基于大数据的重型柴油车NOx排放清单确定方法 Pending CN115063050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210977925.6A CN115063050A (zh) 2022-08-16 2022-08-16 一种基于大数据的重型柴油车NOx排放清单确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210977925.6A CN115063050A (zh) 2022-08-16 2022-08-16 一种基于大数据的重型柴油车NOx排放清单确定方法

Publications (1)

Publication Number Publication Date
CN115063050A true CN115063050A (zh) 2022-09-16

Family

ID=83208072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210977925.6A Pending CN115063050A (zh) 2022-08-16 2022-08-16 一种基于大数据的重型柴油车NOx排放清单确定方法

Country Status (1)

Country Link
CN (1) CN115063050A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955916A (zh) * 2023-09-19 2023-10-27 中汽研汽车检验中心(武汉)有限公司 一种轻型车蒸发排放总量计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110823585A (zh) * 2019-11-06 2020-02-21 清华大学 基于obd远程排放监控数据的重型车尾气中nox排放因子获取方法
CN111612670A (zh) * 2020-04-27 2020-09-01 清华大学 一种构建机动车排放清单的方法、装置和计算机设备
CN111639683A (zh) * 2020-05-14 2020-09-08 上海工程技术大学 基于obd技术评价柴油车氮氧化物排放等级的方法
CN112559972A (zh) * 2021-02-25 2021-03-26 北京英视睿达科技有限公司 基于电子标签的非道路机械排放清单的计算方法及系统
CN112964476A (zh) * 2020-12-25 2021-06-15 中汽研汽车检验中心（天津）有限公司 一种重型柴油车实际道路颗粒物排放在线预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110823585A (zh) * 2019-11-06 2020-02-21 清华大学 基于obd远程排放监控数据的重型车尾气中nox排放因子获取方法
CN111612670A (zh) * 2020-04-27 2020-09-01 清华大学 一种构建机动车排放清单的方法、装置和计算机设备
CN111639683A (zh) * 2020-05-14 2020-09-08 上海工程技术大学 基于obd技术评价柴油车氮氧化物排放等级的方法
CN112964476A (zh) * 2020-12-25 2021-06-15 中汽研汽车检验中心（天津）有限公司 一种重型柴油车实际道路颗粒物排放在线预测方法
CN112559972A (zh) * 2021-02-25 2021-03-26 北京英视睿达科技有限公司 基于电子标签的非道路机械排放清单的计算方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨强等: "基于远程通讯技术的混动公交车SCR系统运行及NO_x排放特征", 《环境科学》 *
胡磬遥: "基于车用氮氧化物传感器的工程机械NO_x排放因子测量方法研究", 《环境科学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955916A (zh) * 2023-09-19 2023-10-27 中汽研汽车检验中心(武汉)有限公司 一种轻型车蒸发排放总量计算方法
CN116955916B (zh) * 2023-09-19 2023-12-26 中汽研汽车检验中心(武汉)有限公司 一种轻型车蒸发排放总量计算方法

Similar Documents

Publication Publication Date Title
CN113806675B (zh) 一种NOx排放与油耗特征分析方法
CN112528491B (zh) 发动机sof原始排放的计算方法、装置、存储介质及电子设备
CN115063050A (zh) 一种基于大数据的重型柴油车NOx排放清单确定方法
CN114048591A (zh) 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质
CN115564149B (zh) 区域机动车实际道路二氧化碳排放量的预测方法及系统
CN112486962A (zh) 一种提取组合短片段计算重型柴油车NOx排放的方法
CN112682132A (zh) 一种基于obd系统的远程监控平台的尿素加注点尿素质量分析方法
CN116558834A (zh) Pems排放分析方法、装置、计算机设备和存储介质
CN114991922A (zh) 一种车辆NOx排放超标的实时预警方法
CN117743745A (zh) 一种针对重型车NOx排放因子的估算方法及估算终端
CN116541654B (zh) 农用收获机械污染物排放量测算方法及装置
CN117171921A (zh) 柴油颗粒物尾气净化装置健康状态评估处理方法和装置
CN114033533B (zh) Dpf主动再生周期确定方法、装置、电子设备及存储介质
CN115163266B (zh) 一种颗粒捕集器灰分负荷确定方法、装置、设备和介质
CN114033532B (zh) Dpf主动再生周期确定方法、装置、电子设备及存储介质
CN115270476A (zh) 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质
CN114060132B (zh) 一种基于排放远程监控的NOx传感器作弊甄别方法
CN112507518B (zh) 一种用户综合油耗计算方法和装置
CN114755025A (zh) 基于远程在线监测燃油清净增效剂的节油降碳评测方法
CN112523850A (zh) 车辆后处理系统的可视化诊断方法、系统及诊断设备
Li et al. Emission Evaluation for Diesel Vehicles Under Typical Operating Conditions
US11946401B2 (en) Method for predicting urea crystal build-up in an engine system
CN116861199B (zh) 一种燃油清净增效剂的减排测评方法、设备和存储介质
CN117389791B (zh) 一种柴油车能耗异常归因方法
CN114964794B (zh) 一种快速评价cDPF装置耐久过程中平衡点温度的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220916