CN115711148A - 一种基于车流车型的城市地下交通隧道智能通风方法与装置 - Google Patents
一种基于车流车型的城市地下交通隧道智能通风方法与装置 Download PDFInfo
- Publication number
- CN115711148A CN115711148A CN202211068112.1A CN202211068112A CN115711148A CN 115711148 A CN115711148 A CN 115711148A CN 202211068112 A CN202211068112 A CN 202211068112A CN 115711148 A CN115711148 A CN 115711148A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- vehicle
- traffic flow
- traffic
- considering
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Abstract
本发明公开了一种基于车流车型的城市地下交通隧道智能通风方法与装置,包括:车流量检测模块、智能控制模块以及风门控制器和变频风机,所述车流量检测模块包括车辆红外线检测器和信号转换器;该方法主要是利用长短期记忆网络(LSTM),即一种时间递归神经网络,适用于处理和预测时间序列中间隔和延迟相对较长的重要事件,来预测隧道内不同车型的交通流、车型(重点新能源车比例),从而根据预测的交通流来计算隧道内的需风量,进而对隧道内通风系统的变频风机进行智能控制,达到既能保证隧道内的污染物浓度低于规范限定值、又能减少通风系统运行能耗的目的。
Description
技术领域
本发明涉及公路隧道技术领域,具体为一种基于车流及车型的城市地下交通隧道智能通风方法与装置。
背景技术
随着城市的发展,建设城市地下交通隧道成为缓解地面交通拥堵的重要手段。与一般公路隧道相比,城市地下道路大多建于城市中心区,隧道设置多个出入口与地面连接,存在分叉隧道,因此结构形式较一般的山岭公路隧道复杂。城市地下道路交通特征主要体现为交通量大,隧道进、出口有交通信号灯管制,行车速度慢(限速40-60km/h),同时隧道内部具有明显车流高峰期。隧道内通行车辆排放尾气,由于隧道为半封闭地下空间。为满足隧道内污染物浓度限值要求,通风系统设计已成为隧道工程中所考虑的一项重要内容。
隧道通风的方式按车道空间的空气流动方式,可以分为自然通风和机械通风。其中,机械通风方式又分为纵向通风方式、半横向通风方式、全横向通风方式和组合通风方式四种。对于城市长距离地下交通隧道,普遍采用纵向通风加排风竖井的通风方式。
公路隧道通风系统通过控制隧道内开启射流风机数量和位置,从而稀释隧道内污染气体浓度,例如,CO,NOX等,保证隧道内空气质量符合相关技术规范要求,保障隧道内行车人员的舒适性和安全性。结合现场以及资料调研,城市地下隧道通风系统存在以下问题:
1)缺乏针对车流量变化的动态控制。城市道路地下通风设计所需风量是在假设隧道内污染物浓度全线超标情况下给定的。然而,在隧道的实际运行过程中,隧道内的交通特性及隧道内污染物分布都具有动态变化规律,大大增加了隧道通风系统运行的复杂性。现有公路隧道通风系统控制方法通常是以时段、经验作为判断依据,采取台数控制法整台开启或关闭射流风机,控制手段较为单一,造成整个隧道通风系统的运营效率低下,且能耗偏高、效果不明,极不符合交通运输行业的发展趋势。
2)针对车流量、车型尤其今年来新能源汽车量的变化,通风系统没有形成相应的运行调整方案。隧道内机动车排放产生的污染物会对浓度分布产生影响,因此有必要对隧道内污染物排放特性进行研究。随着机动车逐年更新替代、机动车执行排放标准的愈发严格、执行新排放标准的机动车比例逐年增加、以及我国现阶段机动车CO及NOx排放因子的更新,CO及NOx基准排放量大幅度下降,各个工况CO及NOx需风量大大减少。在新能源汽车交通量日益增长的趋势下,低排放甚至是零排放的新能源汽车会导致隧道污染物浓度降低。如果简单按照最初设计方案进行通风系统运行,会导致公路隧道开启过多数量的风机,导致运营能耗增加。
3)公路隧道通风系统智能化控制水平不高,无法实现节能运行。对于长隧道,通风系统负荷达到隧道运营总用电负荷的90%以上,但通风系统的开启通常会导致隧道运营能耗过大,风机运行过程中产生的噪声也会对隧道内驾乘人员以及隧道附近居民生活和健康造成很大影响。
如何客观把握城市地下道路交通特征、机动车污染物排放特征,得到隧道内污染物浓度分布特性,同时考虑隧道内部污染物浓度限值要求,合理开启风机,并评价车流形成的交通风力与通风系统共同作用时产生的耦合断面风速对隧道内污染物浓度的影响,以及制定相应的风机开启策略来实现对污染物的精准控制。
隧道内污染物浓度既与车流量有关,而且与车型(尾气排放量)相关。一方面,利用隧道短时交通流预测也可以称为调整隧道通风系统运行方案、从而实现通风节能运行的一个重要途径。另一方面,目前公路隧道通风如果只考虑交通量不考虑车型,会导致风机开启过于保守造成能源浪费。
现有隧道智能控制通风大多以交通量及污染物浓度作为判断隧道内需风量的依据。在中国专利(专利号:200810045351.9)中公开了一种高速公路路段多隧道集合式智能通风控制方法,该发明利用利用先行隧道根据实测的交通流、污染物浓度数据,预测出下一控制周期的交通流数据及污染物浓度;各隧道再根据污染物预测值采用智能模糊推理的方式,对风机的开启数量进行控制。该方法能够更精确地提前预测隧道内交通流及烟雾、CO浓度变化,从而提前控制射流风机的开启数量,通风控制效果好,同时又减少能量消耗,提高风机的使用寿命。但该发明没有对车辆类型进行监测预测,不能良好的排除低排放的新能源汽车的影响,会导致对隧道内污染物预测值偏保守,造成资源浪费。
关于隧道内交通量的预测,目前利用现有车道的实时和历史交通流数据,通过建立合适的模型能够实现对下一时段的交通流情况进行预测。交通流的预测可分为长期预测、中期预测和短期预测,它们可服务于不同的研究领域。其中,短时预测可以预测在未来较短的一个时间内的车流量状况,能满足交通控制系统对实时性和准确性的要求,有利于制定正确的控制策略,这对缓解交通的堵塞,减少机动车的废气排放和降低交通事故的发生率等有着重要的现实意义。
本发明主要是利用长短期记忆网络(LSTM,Long Short-Term Memory),即一种时间递归神经网络,适用于处理和预测时间序列中间隔和延迟相对较长的重要事件,来预测隧道内不同车型的交通流。LSTM算法作为RNN中的一员,一方面,能应用以前或者更久远的数据来进行后面数据预测;另一方面,由于网络中遗忘门等记忆单元的存在,也使得它克服了一般循环神经网络(RNN,Recurrent Neural Network)的梯度消失问题。选择LSTM神经网络算法得到最终预测的车流量,能够降低车流量预测模型的泛化误差,提高准确率。同时需要根据各类车型的比例,预测短时间车流中新能源车俩的比例。根据预测的交通流量、车辆类型等因素来计算隧道内的需风量,进而对隧道内的变频风机进行智能控制,达到既能保证隧道内的通风质量又能减少能量消耗的目的。
发明内容
本发明要解决的技术问题是提供一种基于车流车型的公路隧道智能通风方法与装置,该装置通过预测公路隧道内不同车型的车流量、车型(主要是能能源车的比例),对通风设备进行智能变频控制,可有效节约公路隧道通风系统的能耗与降低风机的损耗。
一种基于车流车型的公路隧道智能通风方法与装置包括:车流量检测模块、智能控制模块以及风门控制器和变频风机,所述车流量检测模块包括车辆红外线检测器和信号转换器,信号转换器与车辆红外线检测器相接;所述智能控制模块包括存储器、中央处理器、计算单元以及中央控制器,中央处理器分别与存储器、信号转换器、计算单元相连,所述风门控制器与中央处理器相连,所述风门控制器与变频风机相连。
进一步的,所述车辆红外线检测器布置在隧道内部,用于获取隧道内的车辆通行信息;
进一步的,所述计算单元含有计算机程序,包括神经网络预测计算和需风量计算,在神经网络计算后可得到预测的交通量,再进行需风量的计算;
本发明还提供一种基于车流车型的公路隧道智能通风方法,包括以下步骤:
S1:隧道内的车辆红外线检测器获取隧道内车辆的通行信息,其中,所述隧道内车辆信息包括隧道内车辆交通量、车辆类型(柴油、汽油,新能源汽车)及车型信息(小汽车、公交车、卡车等);
每隔预定时间△t,车辆红外线检测器通过信号转换器将△t时间间隔内采集到的隧道内车辆通行信息汇总发给中央处理器;
S2:中央处理器将车辆通行信息进行处理,存储隧道内不同车辆类型的交通量;
S3:神经网络预测计算中心建立LSTM神经网络模型,利用S2中存储的n个时段隧道内经过的不同车辆类型的交通量值构建数据集,训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量;
S4:根据S3中预测所得第n+1个时刻的隧道内不同车辆类型的交通量,通过需风量计算中心计算得到隧道需风量值;
S5:所述中央控制器通过接收计算单元的需风量计算结果,控制风门控制器,控制变频风机的运行状态改变隧道内的通风风量,从而达到隧道通风变频节能的效果。
进一步的,S3中利用数据集训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量具体步骤为:
S31:获取车流量历史数据。通过信号转换器转换车辆红外射线检测器存储的历史数据中m组n个时段不同车辆类型的交通量值(每个时段相隔△t),并将信号传递给中央处理器;
S32:数据预处理。在神经网络预测计算中心对获取到的m组n个时段经过的不同车型的车流量值进行数据预处理,即删除重复数据和缺失数据。数据预处理非常重要,数据预处理的好坏会对模型的预测精度产生影响;
S33:数据集构建。利用预处理后的数据构建数据集,数据集主要包括训练集和预测集;针对单一某路段,将清理后的数据,按时间戳的前后顺序排列,将路段每隔15分钟的车流量数值提取出来作为车流量时间序列。判断车流量时间序列是否是平稳时间序列,如果是平稳序列(平稳时间序列是指均值和方差没有系统变化并严格消除了周期变化的序列)则直接构造数据集,若不平稳则对其进行差分,利用差分后的数据构造数据集,得到预测车流量值时进行相应的逆变换。最后将数据输入模型之前对数据进行归一化处理,以便于模型训练,得到更好的结果;
进一步的,对输入数据进行归一化处理的具体计算表达式为:
其中,Xit为车流量值,minXi为输入序列所有车流量值中的最小值,maxXi为输入序列所有车流量值中的最大值。
S34:模型的构建与训练。建立LSTM神经网络模型,利用预先的构建数据集训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得预测的车流量。使用建立的短时车流量预测模型对测试集进行预测,将结果和实际车流量进行对比,评估模型的性能,不断完善模型。
进一步的,LSTM网络根据隧道历史数据计算得到预测数据,公式如下:
ft=σ(Wxfxt+Whfht-1+bf) (2)
it=σ(Wxixi+Whiht-1+bi) (3)
ot=σ(Wxoxt+Whoht-1+bo) (6)
mt=tanh(ct) (7)
ht=ot·mt (8)
其中,ft,it,ot,分别表示当前时刻遗忘门输出,输入门输出、输出门输出,·表示点乘,Wf,Wi,Wc,Wo分别表示遗忘门、输入门、存储状态、输出门的权重参数,bf,bi,bc,bo分别表示遗忘门、输入门、存储状态、输出门的偏置,xt,ht,ct,分别表示输入参数、输出参数及存储状态参数,ct-1,ht-1分别表示上一时刻的存储状态参数和输出参数,c~表示存储单元的状态,σ表示sigmod函数;
进一步的,本发明采用均方误差MSE作为损失函数,用来评价指标来评估所建立的车流量预测模型的效果。
其中,均方误差MSE:
式中,fi表示LSTM神经网络的预测值,x(n+1)m表示真实的欲预测的第n+1个时刻的车流量值,m为神经网络输入的样本数目:
S35:利用完善的模型进行车流量的预测,得到第n+1个时刻的不同车型的车流量。
进一步的,根据下式得到烟尘排放预测量:
式中:
QVI:隧道烟尘排放预测量,单位m2/s;
qVI:隧道烟尘基准排放量,单位m2/(veh·km);
fa(VI):隧道内考虑烟尘的车辆的车况系数;
fd(VI):隧道内考虑烟尘的车辆的车密度系数;
fh(VI):考虑烟尘的海拔高度系数;
fiv(VI):隧道内考虑烟尘的车辆的纵坡-车速系数;
L:隧道长度,单位米;
Nm(VI):隧道内考虑烟尘的车辆的预测交通量,单位veh/h;
fm(VI):隧道内考虑烟尘的车辆的车型系数;
nVI:隧道内考虑烟尘的车辆的车型类别数;
注意:对于新能源汽车,认为烟尘排放量为0,Nm(VI)不包含新能源汽车的数量和类型。
进一步的,根据下式得到隧道稀释烟尘的需风量:
式中:
Qreq(VI):隧道稀释烟尘的需风量,单位m3/s;
K:隧道烟尘基准排放量,单位m2/(veh·km);
进一步的,根据下式得到CO排放预测量:
式中:
QCO:隧道CO排放预测量,单位m3/s;
qCO:隧道CO基准排放量,单位m3/(veh·km);
fa(CO):隧道内考虑CO的车辆的车况系数;
fd(CO):隧道内考虑CO的车辆的车密度系数;
fh(CO):考虑CO的海拔高度系数;
fiv(CO):隧道内考虑CO的车辆的纵坡-车速系数;
Nm(CO):隧道内考虑CO的车辆的预测交通量,单位veh/h;
fm(CO):隧道内考虑CO的车辆的车型系数;
nCO:隧道内考虑CO的车辆的车型类别数;
注意:对于新能源汽车,认为CO排放量为0,Nm(co)不包含新能源汽车的数量和类型。
进一步的,根据下式得到隧道稀释CO的需风量:
式中:
Qreq(CO):隧道稀释CO的需风量,单位m3/s;
QCO:隧道CO排放预测量,单位m3/s;
δ:CO设计浓度,单位PPm;
P0:标准大气压,取101.325kN/m2;
P:隧址设计气压,单位kN/m2;
T:隧道夏季的设计气温,单位K;
T0:标准气温,取273K;
进一步的,根据下式计算隧道第一换气需风量:
式中:
Qreq(ac1):隧道第一换气需风量,单位m3/s;
Ar:隧道计算面积,单位m2;
ns:隧道每小时换气次数,取3次/h;
进一步的,根据下式计算隧道第二换气需风量:
Qreq(acq2)=vac·Ar (15)
式中:
Qreq(ac2):隧道第二换气需风量,单位m3/s;
vac:隧道换气风速,取1.5m/s;
进一步的,取隧道第一换气需风量Qreq(ac1)和隧道第二换气需风量Qreq(ac2)的最大值,作为最终得到的隧道换气需风量Qreq(ac);
进一步的,取隧道稀释烟尘的需风量Qreq(VI)、隧道全长稀释CO的需风量Qreq(CO)和隧道换气需风量Qreq(ac)中的最大值,作为隧道内所需的通风量Qr,即:
Qr=max(Qreq(VI),Qreq(CO),Qreq(ac)) (16)
本发明的技术方案的优点如下:
(1)本发明通过车辆红外线检测器实时得到通过隧道的车辆通行信息,通过数据中心处理得到不同类型车辆的交通量,根据预测隧道内的交通量,可以实现按需通风的目的,通过动态调整隧道内各个风机的状态,实现“智能化”隧道通风,节约隧道整体运营能耗;
(2)本发明通过预测下一时刻隧道内不同车型的交通量,提前对隧道内的变频风机进行控制,避免了因风机变频造成的时间延迟导致无法实时满足隧道内通风质量;
(3)本发明利用LSTM神经网络中遗忘门等单元的存在,对交通流历史数据进行学习和预测,能够考虑交通流量序列前后时刻的联系,从而能很好的适应交通流量的历史依赖性,提高了隧道内车流量的预测精度。
附图说明
图1为控制流程示意图;
图2为LSTM神经网络算法流程示意图;
图3为LSTM神经网络模型图;
图4为装置示意图。
图中:1:车流量红外线检测器;2:变频风机;3:风门控制器;4:信号转换器;5:中央控制器;6:计算单元;7:存储器。
具体实施方式
本发明要解决的技术问题是提供一种基于车流车型的公路隧道智能通风方法与装置,该装置通过LSTM神经网络模型预测下一时刻的公路隧道内不同车型的车流量,通过对不同车型车流量的污染物排放以及隧道内需风量,对通风设备进行智能变频控制,有效节约公路隧道通风系统的能耗与降低风机的损耗,并且节能效果显著。
一种基于车流车型的公路隧道智能通风方法与装置包括:车流量检测模块、智能控制模块以及风门控制器3和变频风机2,所述车流量检测模块包括车辆红外线检测器1和信号转换器4,信号转换器4与车辆红外线检测器1相接;所述智能控制模块包括存储器7、计算单元6以及中央控制器5,中央控制器5分别与存储器7、信号转换器4、计算单元相连,所述风门控制器3与中央控制器5相连,所述风门控制器3与变频风机2相连。
进一步的,所述车辆红外线检测器1布置在隧道内部,用于获取隧道内的车辆通行信息;
进一步的,所述计算单元6含有计算机程序,包括神经网络预测计算和需风量计算,在神经网络计算后可得到预测的交通量,再进行需风量的计算;
采用本发明实现基于车流车型的监测以及短时间预测的公路隧道智能通风控制的完整方法步骤如下:
S1:隧道内的车辆红外线检测器1获取隧道内车辆的通行信息,其中,所述隧道内车辆信息包括隧道内车辆交通量、车辆燃油类型及车型信息;
每隔预定时间△t,车辆红外线检测器1通过信号转换器4将△t时间间隔内采集到的隧道内车辆通行信息汇总发给中央控制器5;
进一步的,间隔时间△t为车辆通过整个隧道的时间。设隧道长为L,平均车速为v,则△t=L/v;
进一步的,所述车辆红外线检测器1布置在隧道内部,该车辆红外线检测器1是波束检测装置的一种,是通过由于红外线的发射或反射与接收的信号,来提供公路车流中不同车辆的各种参数,如车辆的流量值、车道的占有率、及车辆分类等。在不同的方向上获得同一车辆同一时间不同的信息信号,同一路口上的多个红外线检测器,不会发生不同红外线检测器在发射红外线和接收红外线间的相互干扰。并且红外线检测器能自动生成二维或三维的监视图像,来更好地对车辆进行分类;
进一步的,所述车辆类型包括隧道内考虑CO的车辆、隧道内考虑烟尘的车辆以及新能源汽车,所述车型信息包括大型车、中型车、和小型车。
进一步的,隧道内考虑CO的车辆包括汽油车类型和柴油车类型;隧道内考虑烟尘的车辆包括汽油车类型和柴油车类型;
S2:中央控制器5将车辆通行信息进行处理,存储隧道内不同车辆类型的交通量;
进一步的,所述中央控制器5将信号传输给计算单元6,作为计算单元6的前馈反馈信号,执行所述利用LSTM神经网络车流量预测方法的步骤;
S3:神经网络预测计算中心建立LSTM神经网络模型,利用S2中存储的n个时段隧道内经过的不同车辆类型的交通量值构建数据集,训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量;
进一步的,所述神经网络预测计算是利用LSTM神经网络模型预测第n+1时刻的车流量,LSTM神经网络模型是在LSTM神经网络模型中建立遗忘门和输入门,利用遗忘门控制选择的数据集被遗忘的程度,利用输入门控制下一时刻的信息,通过梯度下降的方法向后传播梯度值,经过多次迭代之后,得到最优LSTM参数进而得到最优LSTM神经网络模型,通过最优LSTM神经网络模型得到下一时刻的预测不同车辆类型的交通量。
进一步的,S3中利用数据集训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量具体步骤为:
S31:获取车流量历史数据。通过信号转换器4转换车辆红外线检测器1存储的历史数据中m组n个时段不同车辆类型的交通量值(每个时段相隔△t),并将信号传递给中央控制器5;
S32:数据预处理。在神经网络预测计算中心对获取到的m组n个时段经过的不同车型的车流量值进行数据预处理,即删除重复数据和缺失数据。数据预处理非常重要,数据预处理的好坏会对模型的预测精度产生影响;
S33:数据集构建。利用预处理后的数据构建数据集,数据集主要包括训练集和预测集;针对单一某路段,将清理后的数据,按时间戳的前后顺序排列,将路段每隔15min的车流量数值提取出来作为车流量时间序列。判断车流量时间序列是否是平稳时间序列,如果是平稳序列(平稳时间序列是指均值和方差没有系统变化并严格消除了周期变化的序列)则直接构造数据集,若不平稳则对其进行差分,利用差分后的数据构造数据集,得到预测车流量值时进行相应的逆变换。最后将数据输入模型之前对数据进行归一化处理,以便于模型训练,得到更好的结果;
进一步的,对输入数据进行归一化处理的具体计算表达式为:
其中,Xit为车流量值,minXi为输入序列所有车流量值中的最小值,maxXi为输入序列所有车流量值中的最大值。
S34:模型的构建与训练。建立LSTM神经网络模型,利用预先的构建数据集训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得预测的车流量。使用建立的短时车流量预测模型对测试集进行预测,将结果和实际车流量进行对比,评估模型的性能,不断完善模型。
进一步的,LSTM网络根据隧道历史数据计算得到预测数据,公式如下:
ft=σ(Wxfxt+Whfht-1+bf) (2)
it=σ(Wxixi+Whiht-1+bi) (3)
ot=σ(Wxoxt+Whoht-1+bo) (6)
mt=tanh(ct) (7)
ht=ot·mt (8)
其中,ft,it,ot,分别表示当前时刻遗忘门输出,输入门输出、输出门输出,·表示点乘,Wf,Wi,Wc,Wo分别表示遗忘门、输入门、存储状态、输出门的权重参数,bf,bi,bc,bo分别表示遗忘门、输入门、存储状态、输出门的偏置,xt,ht,ct,分别表示输入参数、输出参数及存储状态参数,ct-1,ht-1分别表示上一时刻的存储状态参数和输出参数,c~表示存储单元的状态,σ表示sigmod函数;
进一步的,本发明采用均方误差MSE作为损失函数,用来评价指标来评估所建立的车流量预测模型的效果。
其中,MSE:
式中,fi表示LSTM神经网络的预测值,x(n+1)m表示真实的欲预测的第n+1个时刻的车流量值,m为神经网络输入的样本数目:
S35:利用完善的模型进行车流量的预测,得到第n+1个时刻的不同车型的车流量。
S4:根据S3中预测所得第n+1个时刻的隧道内不同车辆类型的交通量,通过需风量计算中心计算得到隧道需风量值;
进一步的,S4中隧道需风量值计算过程如下:
当车辆驶入隧道后,通过中央控制器5对车辆数据进行分析处理,可根据每台车辆的车型类别,进而可统计得到本次采集控制周期中,第n+1个时刻的预测隧道内车辆以下信息:
隧道内考虑烟尘的车辆的车况系数fa(VI)、隧道内考虑烟尘的车辆的车密度系数fd(VI)、隧道内考虑烟尘的车辆的纵坡-车速系数fiv(VI)、隧道内考虑烟尘的车辆的预测交通量Nm(VI)、隧道内考虑烟尘的车辆的车型系数fm(VI)、隧道内考虑烟尘的车辆的车型类别数nVI、隧道内考虑CO的车辆的车况系数fa(CO)、隧道内考虑CO的车辆的车密度系数fa(CO)、隧道内考虑CO的车辆的车密度系数fd(CO)、隧道内考虑CO的车辆的纵坡-车速系数fiv(CO)、隧道内考虑CO的车辆的预测交通量Nm(CO)、隧道内考虑CO的车辆的车型系数fm(CO)、隧道内考虑CO的车辆的车型类别数nco;
进一步的,根据下式得到烟尘排放预测量:
式中:
QVI:隧道烟尘排放预测量,单位m2/s;
qVI:隧道烟尘基准排放量,单位m2/(veh·km);
fa(VI):隧道内考虑烟尘的车辆的车况系数;
fd(VI):隧道内考虑烟尘的车辆的车密度系数;
fh(VI):考虑烟尘的海拔高度系数;
fiv(VI):隧道内考虑烟尘的车辆的纵坡-车速系数;
L:隧道长度,单位米;
Nm(VI):隧道内考虑烟尘的车辆的预测交通量,单位veh/h;
fm(VI):隧道内考虑烟尘的车辆的车型系数;
nVI:隧道内考虑烟尘的车辆的车型类别数;
注意:对于新能源汽车,认为烟尘排放量为0,Nm(VI)不包含新能源汽车的数量和类型。
进一步的,根据下式得到隧道稀释烟尘的需风量:
式中:
Qreq(VI):隧道稀释烟尘的需风量,单位m3/s;
K:隧道烟尘基准排放量,单位m2/(veh·km);
进一步的,根据下式得到CO排放预测量:
式中:
QCO:隧道CO排放预测量,单位m3/s;
qCO:隧道CO基准排放量,单位m3/(veh·km);
fa(CO):隧道内考虑CO的车辆的车况系数;
fd(CO):隧道内考虑CO的车辆的车密度系数;
fh(CO):考虑CO的海拔高度系数;
fiv(CO):隧道内考虑CO的车辆的纵坡-车速系数;
Nm(CO):隧道内考虑CO的车辆的预测交通量,单位veh/h;
fm(CO):隧道内考虑CO的车辆的车型系数;
nCO:隧道内考虑CO的车辆的车型类别数;
注意:对于新能源汽车,认为CO排放量为0,Nm(co)不包含新能源汽车的数量和类型。
进一步的,根据下式得到隧道稀释CO的需风量:
式中:
Qreq(CO):隧道稀释CO的需风量,单位m3/s;
QCO:隧道CO排放预测量,单位m3/s;
δ:CO设计浓度,单位PPm;
P0:标准大气压,取101.325kN/m2;
P:隧址设计气压,单位kN/m2;
T:隧道夏季的设计气温,单位K;
T0:标准气温,取273K;
进一步的,根据下式计算隧道第一换气需风量:
式中:
Qreq(ac1):隧道第一换气需风量,单位m3/s;
Ar:隧道计算面积,单位m2;
ns:隧道每小时换气次数,取3次/h;
进一步的,根据下式计算隧道第二换气需风量:
Qreq(acq2)=vac·Ar (15)
式中:
Qreq(ac2):隧道第二换气需风量,单位m3/s;
vac:隧道换气风速,取1.5m/s;
进一步的,取隧道第一换气需风量Qreq(ac1)和隧道第二换气需风量Qreq(ac2)的最大值,作为最终得到的隧道换气需风量Qreq(ac);
进一步的,取隧道稀释烟尘的需风量Qreq(VI)、隧道全长稀释CO的需风量Qreq(CO)和隧道换气需风量Qreq(ac)中的最大值,作为隧道内所需的通风量Qr,即:
Qr=max(Qreq(VI),Qreq(CO),Qreq(ac)) (16)
S5:所述中央控制器5通过接收计算单元6的需风量计算结果,控制风门控制器3,控制变频风机2的运行状态改变隧道内的通风风量,从而达到隧道通风变频节能的效果。
需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其做出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。同时,实施例中公知的具体结构及特性等常识在此未作过多描述。最后,本发明要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种基于车流车型的公路隧道智能通风装置,其特征在于,包括:车流量检测模块、智能控制模块以及风门控制器(3)和变频风机(2),所述车流量检测模块包括车辆红外线检测器(1)和信号转换器(4);信号转换器(4)与车辆红外线检测器(1)相接;所述智能控制模块包括存储器(7)、计算单元(6)以及中央控制器(5),中央控制器(5)分别与存储器(7)、信号转换器(4)、计算单元相连,所述风门控制器(3)与中央控制器(5)相连,所述风门控制器(3)与变频风机(2)相连。
2.根据权利要求1所述的一种基于车流车型的公路隧道智能通风装置,其特征在于,车辆红外线检测器(1)布置在隧道内部,该车辆红外线检测器(1)是波束检测装置,在不同的方向上获得同一车辆同一时间不同的信息信号,同一路口上的多个红外线检测器,不发生不同红外线检测器在发射红外线和接收红外线间的相互干扰,红外线检测器能自动生成二维或三维的监视图像,对车辆进行分类。
3.一种根据权利要求1-2任一所述基于车流车型的公路隧道智能通风装置的方法,其特征在于,该方法执行步骤如下:
S1:隧道内的车辆红外线检测器(1)获取隧道内车辆的通行信息,其中,所述隧道内车辆信息包括隧道内车辆交通量、车辆燃油类型及车型信息;
每隔预定时间△t,车辆红外线检测器(1)通过信号转换器(4)将△t时间间隔内采集到的隧道内车辆通行信息汇总发给中央控制器(5);
S2:中央控制器(5)将车辆通行信息进行处理,存储隧道内不同车辆类型的交通量;
S3:神经网络预测计算中心建立LSTM神经网络模型,利用S2中存储的n个时段隧道内经过的不同车辆类型的交通量值构建数据集,训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量;
S4:根据S3中预测所得第n+1个时刻的隧道内不同车辆类型的交通量,通过需风量计算中心计算得到隧道需风量值;
S5:所述中央控制器(5)通过接收计算单元(6)的需风量计算结果,控制风门控制器(3),控制变频风机(2)的运行状态改变隧道内的通风风量,从而达到隧道通风变频节能的效果。
4.根据权利要求3所述的基于车流车型的公路隧道智能通风方法,其特征在于:利用LSTM神经网络车流量预测方法的步骤如下:
STM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量具体步骤为:
S1:获取车流量历史数据;通过信号转换器4转换车辆红外线检测器1存储的历史数据中m组n个时段不同车辆类型的交通量值即每个时段相隔△t,并将信号传递给中央控制器;
S2:数据预处理;在神经网络预测计算中心对获取到的m组n个时段经过的不同车型的车流量值进行数据预处理,即删除重复数据和缺失数据;数据预处理非常重要,数据预处理的好坏会对模型的预测精度产生影响;
S3:数据集构建;利用预处理后的数据构建数据集,数据集主要包括训练集和预测集;针对单一某路段,将清理后的数据,按时间戳的前后顺序排列,将路段每隔15min的车流量数值提取出来作为车流量时间序列;判断车流量时间序列是否是平稳时间序列,如果是平稳序列则直接构造数据集,若不平稳则对其进行差分,利用差分后的数据构造数据集,得到预测车流量值时进行相应的逆变换;最后将数据输入模型之前对数据进行归一化处理,以便于模型训练,得到更好的结果;
进一步的,对输入数据进行归一化处理的具体计算表达式为:
其中,Xit为车流量值,minXi为输入序列所有车流量值中的最小值,maxXi为输入序列所有车流量值中的最大值;
S4:模型的构建与训练;建立LSTM神经网络模型,利用预先的构建数据集训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得预测的车流量;使用建立的短时车流量预测模型对测试集进行预测,将结果和实际车流量进行对比,评估模型的性能,不断完善模型;
进一步的,LSTM网络根据隧道历史数据计算得到预测数据,公式如下:
ft=σ(Wxfxt+Whfht-1+bf) (2)
it=σ(Wxixi+Whiht-1+bi) (3)
ot=σ(Wxoxt+Whoht-1+bo) (6)
mt=tanh(ct) (7)
ht=ot·mt (8)
其中,ft,it,ot,分别表示当前时刻遗忘门输出,输入门输出、输出门输出,·表示点乘,Wf,Wi,Wc,Wo分别表示遗忘门、输入门、存储状态、输出门的权重参数,bf,bi,bc,bo分别表示遗忘门、输入门、存储状态、输出门的偏置,xt,ht,ct,分别表示输入参数、输出参数及存储状态参数,ct-1,ht-1分别表示上一时刻的存储状态参数和输出参数,c~表示存储单元的状态,σ表示sigmod函数;
进一步的,本发明采用均方误差MSE作为损失函数,用来评价指标来评估所建立的车流量预测模型的效果;
其中,MSE:
式中,fi表示LSTM神经网络的预测值,x(n+1)m表示真实的欲预测的第n+1个时刻的车流量值,m为神经网络输入的样本数目:
S5:利用完善的模型进行车流量的预测,得到第n+1个时刻的不同车型的车流量。
5.根据权利要求3所述的基于车流车型的公路隧道智能通风方法,其特征在于:所述需风量的计算步骤如下:
S1:当车辆驶入隧道后,通过中央控制器5对车辆数据进行分析处理,可根据每台车辆的车型类别,进而可统计得到本次采集控制周期中,第n+1个时刻的预测隧道内车辆以下信息:
隧道内考虑烟尘的车辆的车况系数fa(VI)、隧道内考虑烟尘的车辆的车密度系数fd(VI)、隧道内考虑烟尘的车辆的纵坡-车速系数fiv(VI)、隧道内考虑烟尘的车辆的预测交通量Nm(VI)、隧道内考虑烟尘的车辆的车型系数fm(VI)、隧道内考虑烟尘的车辆的车型类别数nVI、隧道内考虑CO的车辆的车况系数fa(CO)、隧道内考虑CO的车辆的车密度系数fa(CO)、隧道内考虑CO的车辆的车密度系数fd(CO)、隧道内考虑CO的车辆的纵坡-车速系数fiv(CO)、隧道内考虑CO的车辆的预测交通量Nm(CO)、隧道内考虑CO的车辆的车型系数fm(CO)、隧道内考虑CO的车辆的车型类别数nco;
S2:根据下式得到烟尘排放预测量:
式中:
QVI:隧道烟尘排放预测量,单位m2/s;
qVI:隧道烟尘基准排放量,单位m2/(veh·km);
fa(VI):隧道内考虑烟尘的车辆的车况系数;
fd(VI):隧道内考虑烟尘的车辆的车密度系数;
fh(VI):考虑烟尘的海拔高度系数;
fiv(VI):隧道内考虑烟尘的车辆的纵坡-车速系数;
L:隧道长度,单位米;
Nm(VI):隧道内考虑烟尘的车辆的预测交通量,单位veh/h;
fm(VI):隧道内考虑烟尘的车辆的车型系数;
nVI:隧道内考虑烟尘的车辆的车型类别数;
注意:对于新能源汽车,认为烟尘排放量为0,Nm(VI)不包含新能源汽车的数量和类型;
S3:根据下式得到隧道稀释烟尘的需风量:
式中:
Qreq(VI):隧道稀释烟尘的需风量,单位m3/s;
K:隧道烟尘基准排放量,单位m2/(veh·km);
S4:根据下式得到CO排放预测量:
式中:
QCO:隧道CO排放预测量,单位m3/s;
qCO:隧道CO基准排放量,单位m3/(veh·km);
fa(CO):隧道内考虑CO的车辆的车况系数;
fd(CO):隧道内考虑CO的车辆的车密度系数;
fh(CO):考虑CO的海拔高度系数;
fiv(CO):隧道内考虑CO的车辆的纵坡-车速系数;
Nm(CO):隧道内考虑CO的车辆的预测交通量,单位veh/h;
fm(CO):隧道内考虑CO的车辆的车型系数;
nCO:隧道内考虑CO的车辆的车型类别数;
注意:对于新能源汽车,认为CO排放量为0,Nm(co)不包含新能源汽车的数量和类型;
S5:根据下式得到隧道稀释CO的需风量:
式中:
Qreq(CO):隧道稀释CO的需风量,单位m3/s;
QCO:隧道CO排放预测量,单位m3/s;
δ:CO设计浓度,单位PPm;
P0:标准大气压,取101.325kN/m2;
P:隧址设计气压,单位kN/m2;
T:隧道夏季的设计气温,单位K;
T0:标准气温,取273K;
S6:根据下式计算隧道第一换气需风量:
式中:
Qreq(ac1):隧道第一换气需风量,单位m3/s;
Ar:隧道计算面积,单位m2;
ns:隧道每小时换气次数,取3次/h;
S7:根据下式计算隧道第二换气需风量:
Qreq(acq2)=vac·Ar (15)
式中:
Qreq(ac2):隧道第二换气需风量,单位m3/s;
vac:隧道换气风速,取1.5m/s;
S8:取隧道第一换气需风量Qreq(ac1)和隧道第二换气需风量Qreq(ac2)的最大值,作为最终得到的隧道换气需风量Qreq(ac);
S9:取隧道稀释烟尘的需风量Qreq(VI)、隧道全长稀释CO的需风量Qreq(CO)和隧道换气需风量Qreq(ac)中的最大值,作为隧道内所需的通风量Qr,即:
Qr=max(Qreq(VI),Qreq(CO),Qreq(ac)) (16)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211068112.1A CN115711148A (zh) | 2022-09-01 | 2022-09-01 | 一种基于车流车型的城市地下交通隧道智能通风方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211068112.1A CN115711148A (zh) | 2022-09-01 | 2022-09-01 | 一种基于车流车型的城市地下交通隧道智能通风方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115711148A true CN115711148A (zh) | 2023-02-24 |
Family
ID=85230597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211068112.1A Pending CN115711148A (zh) | 2022-09-01 | 2022-09-01 | 一种基于车流车型的城市地下交通隧道智能通风方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115711148A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117287406A (zh) * | 2023-11-10 | 2023-12-26 | 春意环境科技有限公司 | 一种数字化节能风机的节能控制系统及方法 |
-
2022
- 2022-09-01 CN CN202211068112.1A patent/CN115711148A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117287406A (zh) * | 2023-11-10 | 2023-12-26 | 春意环境科技有限公司 | 一种数字化节能风机的节能控制系统及方法 |
CN117287406B (zh) * | 2023-11-10 | 2024-02-23 | 春意环境科技有限公司 | 一种数字化节能风机的节能控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086946B (zh) | 一种常规能源和新能源公交车辆的污染气体排放预测方法 | |
CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
Yang et al. | Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization | |
US20210291614A1 (en) | Health protection system for passengers on a train in a polluted indoor environment and method thereof | |
CN111951549B (zh) | 在网联车辆环境下的自适应交通信号灯控制方法及系统 | |
CN107248283A (zh) | 一种考虑路段关键度的城市区域路网运行状态评价方法 | |
CN113380052B (zh) | 基于etc数据的驶入服务区车流量预测方法及装置 | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN102136190A (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
CN105569707A (zh) | 基于环境预测的公路隧道通风前馈控制方法 | |
WO2019214016A1 (zh) | 基于LoRa技术的多功能LED智能路灯系统 | |
CN115711148A (zh) | 一种基于车流车型的城市地下交通隧道智能通风方法与装置 | |
CN103955135A (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 | |
CN112324485A (zh) | 一种基于大数据的隧道通风管理一体化智能系统 | |
CN114973733A (zh) | 一种信号交叉口处混合流下网联自动车轨迹优化控制方法 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
Shang et al. | Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data | |
CN111914217A (zh) | 一种机场环境承载力评价与预测方法 | |
CN111594253B (zh) | 基于etc门架系统的公路隧道智能通风控制系统及方法 | |
CN112862196A (zh) | 一种基于模糊逻辑理论的地铁站台乘客分布预测系统 | |
Ma et al. | Short-term traffic flow prediction based on genetic artificial neural network and exponential smoothing | |
CN114819423B (zh) | 应用gis技术及数据信息融合系统的碳排治理系统 | |
CN111752199A (zh) | 一种基于实时监测和大数据学习技术的自动化智能风机管理系统及方法 | |
Chen et al. | The impact of truck proportion on traffic safety using surrogate safety measures in China |
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 |