CN117454779B - 道路交通移动源能耗预测方法、电子设备及存储介质 - Google Patents

道路交通移动源能耗预测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN117454779B
CN117454779B CN202311800552.6A CN202311800552A CN117454779B CN 117454779 B CN117454779 B CN 117454779B CN 202311800552 A CN202311800552 A CN 202311800552A CN 117454779 B CN117454779 B CN 117454779B
Authority
CN
China
Prior art keywords
vehicle
road
energy consumption
working condition
traffic
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.)
Active
Application number
CN202311800552.6A
Other languages
English (en)
Other versions
CN117454779A (zh
Inventor
丘建栋
罗舒琳
屈新明
张凯
赵昱博
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202311800552.6A priority Critical patent/CN117454779B/zh
Publication of CN117454779A publication Critical patent/CN117454779A/zh
Application granted granted Critical
Publication of CN117454779B publication Critical patent/CN117454779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

道路交通移动源能耗预测方法、电子设备及存储介质，属于智能交通技术领域。为解决交通出行活动用能的实时预测，本发明包括基于抽样道路监测设备实时采集断面分车型交通量，利用LSTM对未来1小时内的断面交通量进行预测，利用交通仿真模型进行OD迭代反推，直至模型推演分车型路段流量与抽样预测分车型流量误差最小即为模型标定收敛，推算未来1小时内所有路段的不同车型、不同燃油类型的预测车辆交通量，估算柴油车、汽油车的实时能耗；估算电动车的电能消耗总量；基于柴油车、汽油车的实时能耗、电动车的电能消耗总量，计算道路交通的能源需求强度。本发明为解决交通出行活动用能的实时消纳提供思路。

Description

道路交通移动源能耗预测方法、电子设备及存储介质
技术领域
本发明属于智能交通技术领域，具体涉及道路交通移动源能耗预测方法、电子设备及存储介质。
背景技术
城市道路交通作为一种高效、便捷的交通方式，已经在越来越多的城市得到广泛应用。然而，城市道路交通系统的能耗及排放问题日益凸显。比功率模型是一种个体交通运行能耗计算方法，基于车辆个体运行车速、启停规律进行能耗计量，对数据采集要求高。当前，个体运行数据采集技术难以实现车辆全覆盖，限制了比功率模型的推广应用。
发明内容
本发明要解决的问题是交通出行活动用能的实时预测，提出道路交通移动源能耗预测方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种道路交通移动源能耗预测方法，包括如下步骤：
S1. 基于抽样道路监测设备实时采集断面分车型交通量，利用LSTM对未来1小时内的断面交通量进行预测，利用交通仿真模型进行OD迭代反推，直至模型推演分车型路段流量与抽样预测分车型流量误差最小即为模型标定收敛，推算未来1小时内所有路段的不同车型、不同燃油类型的预测车辆交通量，其中，代表第i个路段、第j个车型、第p个燃油类型的车辆交通量；
S2. 基于步骤S1得到的预测车辆交通量计算柴油车、汽油车的尾气排放量，然后估算柴油车、汽油车的实时能耗；
S3. 基于浮动车抽样采集道路交通GPS数据，利用机器学习聚类确定道路典型工况曲线，利用LSTM对未来1小时内的道路的典型工况曲线进行预测，并以道路典型工况曲线代表车辆个体缺省工况曲线，结合步骤S1得到的预测车辆交通量，估算电动车的电能消耗总量；
S4.基于步骤S2得到的柴油车、汽油车的实时能耗、步骤S3得到的电动车的电能消耗总量，计算道路交通的能源需求强度。
进一步的，步骤S1中的车辆车型包括大中客车、大中型货车、小汽车、摩托车4类，j为 1、2、3、4中的一个，燃油类型包括汽油车、柴油车、电动车3类，p为1、2、3中的一个。
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1. 基于步骤S1得到的车辆交通量结合对应车型及拥堵状态下的排放因子，计算汽油车、柴油车的尾气排放量，计算表达式为：
；
其中，为第i个路段、第j个车型、第p个燃油类型的车辆的尾气排放量，/>为第i个路段车队平均行驶里程；/>为第i个路段、第j个车型、第p个燃油类型的车辆的排放因子，/>为车型，/>为道路拥堵程度，/>为第p个燃油类型的车辆的尾气排放总量；
S2.2. 根据车辆的尾气排放量估算汽、柴油车实时能耗：基于燃油燃烧反应式和燃油碳质量平衡原理，基于步骤S2.1得到的汽油车、柴油车的尾气排放量，预测柴油车、汽油车未来1小时的能耗量，计算表达式为：
；
其中，为柴油车、汽油车未来1小时的能耗量，/>为第i个路段、第j个车型、第p个燃油类型的车辆的汽油或柴油消耗量，/>分别为第i个路段、第j个车型、第p个燃油类型的车辆的CO2、CO、CH排放量，/>分别为气体CO2、CO、CH中C原子的质量分数。
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1. 基于抽样浮动车实时采集道路交通GPS数据，利用地图匹配技术还原浮动车运行轨迹，获取车辆运行道路名称、道路等级，从百度地图或高德地图接入对应道路拥堵等级数据，利用道路等级与道路拥堵等级将实时GPS数据切分为道路GPS工况单元；
S3.2. 对步骤S3.1得到的道路GPS工况单元进行工况特征提取，计算道路GPS工况单元的特征值，包括平均速度、平均停车占比和平均相对正向加速度，得到道路GPS工况特征样本；
S3.3. 构建道路GPS工况单元聚类模型；
S3.3.1. 初始化：随机选择k个初始聚类中心，记为；
S3.3.2. 样本聚类：计算每个样本与聚类中心的距离，将距离聚类中心最小的聚类中心标记为对应样本的聚类中心，计算表达式为：
；
其中，t为迭代次数，k为聚类中心的序号，x z 为样本值，z为样本序号，为第t次迭代时样本/>的聚类中心；
S3.3.3. 更新聚类中心：计算聚类中心与聚类到该类别的样本的距离均值，将该值作为新的聚类中心，计算表达式为：
；
S3.3.4. 模型迭代：重复步骤S3.3.2-S3.3.3直至道路GPS工况单元聚类模型收敛，收敛条件为前后2次迭代的聚类中心变化量小于阈值，收敛条件的表达式为：
；
S3.4. 基于步骤S3.3得到收敛后的道路GPS工况单元聚类模型，对步骤S3.2得到的道路GPS工况特征值样本进行分类，统计道路GPS工况特征值被聚类到第k个族群的样本数量，样本数量最多的族群标定为当前的道路的典型工况族群，表达式为：
；
S3.5. 基于步骤S3.4得到的当前的道路的典型工况族群，根据工况特征值与典型工况族群k的距离大小，选择特征值与典型工况族群距离最小的样本作为典型工况样本，提取典型工况样本特征值对应的工况曲线，作为电动车在道路上的典型工况曲线；
S3.6. 基于道路典型工况曲线，利用道路典型工况曲线前后2个车速计算瞬时车辆加速度，将车速与车辆加速度代入动力学模型计算曲线上某一点的瞬态能耗，再聚合曲线上所有瞬态点的能耗，获得整个典型工况下单辆车的运行能耗，计算单个车辆在某个轨迹点的瞬时驱动力，计算表达式为：
；
其中，为滚动阻力，/>为空气阻力，/>坡度阻力，/>加速阻力，/>为滚动阻力系数，/>为空气阻力系数，/>为车速，/>为车辆质量，/>为车辆旋转质量换算系数，/>为重力系数，/>为时间；
S3.7. 基于步骤S3.6计算的瞬时驱动力计算单个车辆在各个轨迹点的秒级瞬时能耗，统计计算车辆在整个典型工况曲线下的功率，计算表达式为：
；
基于单车典型能耗和预测交通量，计算道路中电动车个体的典型能耗，并集计获得路段i的电动车的电能消耗总量：
；
其中，为第i个路段、第j个车型、电动车的交通量；/>为第i个路段、第j个车型、电动车的电能消耗量。
进一步的，步骤S4的中路段未来1小时电力及化石能源的预测能耗需求强度计算表达式为：
。
一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种道路交通移动源能耗预测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种道路交通移动源能耗预测方法。
本发明的有益效果：
本发明所述的一种道路交通移动源能耗预测方法，从交通化石能源和可再生能源消耗角度，结合碳平衡原理和动力学模型，预测道路尺度分能源类型的车队能耗，为交通分布式储能与能源优化提供思路。基于抽样GPS数据，组合运用模型预测、动力学方程，在排放因子和全样GPS数据缺失条件下，提出基于少量抽样GPS数据聚类提取典型道路工况的方法，并对道路尺度各车型能耗进行全量估算，克服了大规模交通实时能耗估算数据获取难、估算体系缺失问题。
本发明所述的一种道路交通移动源能耗预测方法，提出基于交通模型和抽样数据的交通能耗预测方法，从道路排放和比功率模型的角度，结合碳平衡原理及比功率计算，提出道路尺度分用能类型的能源实时预测优化方法，为解决交通出行活动用能的实时消纳提供思路。
附图说明
图1为本发明所述的一种道路交通移动源能耗预测方法的流程图；
图2为本发明所述的一种道路交通移动源能耗预测方法的切分道路GPS工况单元的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1和附图2详细说明如下：
具体实施方式一：
一种道路交通移动源能耗预测方法，包括如下步骤：
S1. 基于抽样道路监测设备实时采集断面分车型交通量，利用LSTM对未来1小时内的断面交通量进行预测，利用交通仿真模型进行OD迭代反推，直至模型推演分车型路段流量与抽样预测分车型流量误差最小即为模型标定收敛，推算未来1小时内所有路段的不同车型、不同燃油类型的预测车辆交通量，其中，代表第i个路段、第j个车型、第p个燃油类型的车辆交通量；
进一步的，LSTM方法是基于文献“罗向龙,李丹阳,杨彧等. 基于KNN-LSTM的短时交通流预测 [J]. 北京工业大学学报, 2018, 44 (12): 1521-1527”实现；
进一步的，模型标定收敛是基于文献“丘建栋,唐易,暨育雄等. 高速公路立体复合扩容设计的仿真模型研究 [J/OL]. 系统仿真学报, 1-9[2023-12-15]
https://doi.org/10.16182/j.issn1004731x.joss.23-0007；
刘恒,丘建栋,方杰等. 城市连绵区高速公路交通量建模预测研究 [J]. 交通信息与安全, 2014, 32 (03): 73-77”实现；
进一步的，步骤S1中的车辆车型包括大中客车、大中型货车、小汽车、摩托车4类，j为 1、2、3、4中的一个，燃油类型包括汽油车、柴油车、电动车3类，p为1、2、3中的一个；
S2. 基于步骤S1得到的预测车辆交通量计算柴油车、汽油车的尾气排放量，然后估算柴油车、汽油车的实时能耗；
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1. 基于步骤S1得到的车辆交通量结合对应车型及拥堵状态下的排放因子，计算汽油车、柴油车的尾气排放量，计算表达式为：
；
其中，为第i个路段、第j个车型、第p个燃油类型的车辆的尾气排放量，/>为第i个路段车队平均行驶里程；/>为第i个路段、第j个车型、第p个燃油类型的车辆的排放因子，/>为车型，/>为道路拥堵程度，/>为第p个燃油类型的车辆的尾气排放总量；
S2.2. 根据车辆的尾气排放量估算汽、柴油车实时能耗：基于燃油燃烧反应式和燃油碳质量平衡原理，基于步骤S2.1得到的汽油车、柴油车的尾气排放量，预测柴油车、汽油车未来1小时的能耗量，计算表达式为：
；
其中，为柴油车、汽油车未来1小时的能耗量，/>为第i个路段、第j个车型、第p个燃油类型的车辆的汽油或柴油消耗量，/>分别为第i个路段、第j个车型、第p个燃油类型的车辆的CO2、CO、CH排放量，/>分别为气体CO2、CO、CH中C原子的质量分数；
S3. 基于浮动车抽样采集道路交通GPS数据，利用机器学习聚类确定道路典型工况曲线，利用LSTM对未来1小时内的道路的典型工况曲线进行预测，并以道路典型工况曲线代表车辆个体缺省工况曲线，结合步骤S1得到的预测车辆交通量，估算电动车的电能消耗总量；
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1. 基于抽样浮动车实时采集道路交通GPS数据，利用地图匹配技术还原浮动车运行轨迹，获取车辆运行道路名称、道路等级，从百度地图或高德地图接入对应道路拥堵等级数据，利用道路等级与道路拥堵等级将实时GPS数据切分为道路GPS工况单元；
进一步的，地图匹配技术是基于文献“刘张,王心迪,闫小勇. 面向复杂城市道路网络的GPS轨迹匹配算法 [J]. 电子科技大学学报, 2016, 45 (06): 1008-1013”实现；
S3.2. 对步骤S3.1得到的道路GPS工况单元进行工况特征提取，计算道路GPS工况单元的特征值，包括平均速度、平均停车占比和平均相对正向加速度，得到道路GPS工况特征样本；
S3.3. 构建道路GPS工况单元聚类模型；
S3.3.1. 初始化：随机选择k个初始聚类中心，记为；
S3.3.2. 样本聚类：计算每个样本与聚类中心的距离，将距离聚类中心最小的聚类中心标记为对应样本的聚类中心，计算表达式为：
；
其中，t为迭代次数，k为聚类中心的序号，x z 为样本值，z为样本序号，为第t次迭代时样本/>的聚类中心；
S3.3.3. 更新聚类中心：计算聚类中心与聚类到该类别的样本的距离均值，将该值作为新的聚类中心，计算表达式为：
；
S3.3.4. 模型迭代：重复步骤S3.3.2-S3.3.3直至道路GPS工况单元聚类模型收敛，收敛条件为前后2次迭代的聚类中心变化量小于阈值，收敛条件的表达式为：
；
S3.4. 基于步骤S3.3得到收敛后的道路GPS工况单元聚类模型，对步骤S3.2得到的道路GPS工况特征值样本进行分类，统计道路GPS工况特征值被聚类到第k个族群的样本数量，样本数量最多的族群标定为当前的道路的典型工况族群，表达式为：
；
S3.5. 基于步骤S3.4得到的当前的道路的典型工况族群，根据工况特征值与典型工况族群k的距离大小，选择特征值与典型工况族群距离最小的样本作为典型工况样本，提取典型工况样本特征值对应的工况曲线，作为电动车在道路上的典型工况曲线；
进一步的，步骤S3.5得到的道路典型工况曲线具有代表性，除浮动车以外，道路上其余车辆的缺省运行工况用道路典型工况曲线替代。典型工况曲线本质上是一条时间速度曲线，其数学表示是由多个瞬时速度组成的时间序列数据，本实施方式指代一个小时内浮动监测车按一定时间周期（通常15s上传一次数据，称为瞬态信息）上传的巡态车速集合。道路交通运行规律具有连续性和时空规律，同理，以过去三个小时的工况曲线时序车速为输入，即t、t-1、t-2的典型工况曲线，利用LSTM预测未来1小时，即t+1时段内道路的典型工况曲线。
S3.6. 基于道路典型工况曲线，利用道路典型工况曲线前后2个车速计算瞬时车辆加速度，将车速与车辆加速度代入动力学模型计算曲线上某一点的瞬态能耗，再聚合曲线上所有瞬态点的能耗，获得整个典型工况下单辆车的运行能耗，计算单个车辆在某个轨迹点的瞬时驱动力，计算表达式为：
；
其中，为滚动阻力，/>为空气阻力，/>坡度阻力，/>加速阻力，/>为滚动阻力系数，/>为空气阻力系数，/>为车速，/>为车辆质量，/>为车辆旋转质量换算系数，/>为重力系数，/>为时间；
S3.7. 基于步骤S3.6计算的瞬时驱动力计算单个车辆在各个轨迹点的秒级瞬时能耗，统计计算车辆在整个典型工况曲线下的功率，计算表达式为：
；
基于单车典型能耗和预测交通量，计算道路中电动车个体的典型能耗，并集计获得路段i的电动车的电能消耗总量：
；
其中，为第i个路段、第j个车型、电动车的交通量；/>为第i个路段、第j个车型、电动车的电能消耗量；
S4. 基于步骤S2得到的柴油车、汽油车的实时能耗、步骤S3得到的电动车的电能消耗总量，计算道路交通的能源需求强度；
进一步的，步骤S4中路段未来1小时电力及化石能源的预测能耗需求强度计算表达式为：
。
具体实施方式二：
一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种道路交通移动源能耗预测方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种道路交通移动源能耗预测方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种道路交通移动源能耗预测方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种道路交通移动源能耗预测方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (7)

1.一种道路交通移动源能耗预测方法，其特征在于，包括如下步骤：
S1.基于抽样道路监测设备实时采集断面分车型交通量，利用LSTM对未来1小时内的断面交通量进行预测，利用交通仿真模型进行OD迭代反推，直至模型推演分车型路段流量与抽样预测分车型流量误差最小即为模型标定收敛，推算未来1小时内所有路段的不同车型、不同燃油类型的预测车辆交通量，其中，qijp代表第i个路段、第j个车型、第p个燃油类型的车辆交通量；
S2.基于步骤S1得到的预测车辆交通量计算柴油车、汽油车的尾气排放量，然后估算柴油车、汽油车的实时能耗；
S3.基于浮动车抽样采集道路交通GPS数据，利用机器学习聚类确定道路典型工况曲线，利用LSTM对未来1小时内的道路的典型工况曲线进行预测，并以道路典型工况曲线代表车辆个体缺省工况曲线，结合步骤S1得到的预测车辆交通量，估算电动车的电能消耗总量；
S4.基于步骤S2得到的柴油车、汽油车的实时能耗、步骤S3得到的电动车的电能消耗总量，计算道路交通的能源需求强度。
2.根据权利要求1所述的一种道路交通移动源能耗预测方法，其特征在于，步骤S1中的车辆车型包括大中客车、大中型货车、小汽车、摩托车4类，j为1、2、3、4中的一个，燃油类型包括汽油车、柴油车、电动车3类，p为1、2、3中的一个。
3.根据权利要求2所述的一种道路交通移动源能耗预测方法，其特征在于，步骤S2的具体实现方法包括如下步骤：
S2.1.基于步骤S1得到的车辆交通量结合对应车型及拥堵状态下的排放因子，计算汽油车、柴油车的尾气排放量，计算表达式为：
其中，EMijp为第i个路段、第j个车型、第p个燃油类型的车辆的尾气排放量，VKTi为第i个路段车队平均行驶里程；EFijp为第i个路段、第j个车型、第p个燃油类型的车辆的排放因子，αi为车型，λj为道路拥堵程度，EMp为第p个燃油类型的车辆的尾气排放总量；
S2.2.根据车辆的尾气排放量估算汽、柴油车实时能耗：基于燃油燃烧反应式和燃油碳质量平衡原理，基于步骤S2.1得到的汽油车、柴油车的尾气排放量，预测柴油车、汽油车未来1小时的能耗量，计算表达式为：
其中，为柴油车、汽油车未来1小时的能耗量，Eijp为第i个路段、第j个车型、第p个燃油类型的车辆的汽油或柴油消耗量，EMijp(CO2)、EMijp(CO)、EMijp(CH)分别为第i个路段、第j个车型、第p个燃油类型的车辆的CO2、CO、CH排放量，/>分别为气体CO2、CO、CH中C原子的质量分数。
4.根据权利要求3所述的一种道路交通移动源能耗预测方法，其特征在于，步骤S3的具体实现方法包括如下步骤：
S3.1.基于抽样浮动车实时采集道路交通GPS数据，利用地图匹配技术还原浮动车运行轨迹，获取车辆运行道路名称、道路等级，从百度地图或高德地图接入对应道路拥堵等级数据，利用道路等级与道路拥堵等级将实时GPS数据切分为道路GPS工况单元；
S3.2.对步骤S3.1得到的道路GPS工况单元进行工况特征提取，计算道路GPS工况单元的特征值，包括平均速度、平均停车占比和平均相对正向加速度，得到道路GPS工况特征样本；
S3.3.构建道路GPS工况单元聚类模型；
S3.3.1.初始化：随机选择k个初始聚类中心，记为
S3.3.2.样本聚类：计算每个样本与聚类中心的距离，将距离聚类中心最小的聚类中心标记为对应样本的聚类中心，计算表达式为：
其中，t为迭代次数，k为聚类中心的序号，xz为样本值，z为样本序号，为第t次迭代时样本xz的聚类中心；
S3.3.3.更新聚类中心：计算聚类中心与聚类到聚类中心类别的样本的距离均值，将该值作为新的聚类中心，计算表达式为：
S3.3.4.模型迭代：重复步骤S3.3.2-S3.3.3直至道路GPS工况单元聚类模型收敛，收敛条件为前后2次迭代的聚类中心变化量小于阈值ε，收敛条件的表达式为：
S3.4.基于步骤S3.3得到收敛后的道路GPS工况单元聚类模型，对步骤S3.2得到的道路GPS工况特征值样本进行分类，统计道路GPS工况特征值被聚类到第k个族群的样本数量nk，样本数量最多的族群标定为当前的道路的典型工况族群，表达式为：
max[nk]；
S3.5.基于步骤S3.4得到的当前的道路的典型工况族群，根据工况特征值与典型工况族群k的距离大小，选择特征值与典型工况族群距离最小的样本作为典型工况样本，提取典型工况样本特征值对应的工况曲线，作为电动车在道路上的典型工况曲线；
S3.6.基于道路典型工况曲线，利用道路典型工况曲线前后2个车速计算瞬时车辆加速度，将车速与车辆加速度代入动力学模型计算曲线上某一点的瞬态能耗，再聚合曲线上所有瞬态点的能耗，获得整个典型工况下单辆车的运行能耗，计算单个车辆在某个轨迹点的瞬时驱动力Ft，计算表达式为：
其中，Ff为滚动阻力，Fw为空气阻力，Fs为坡度阻力，Fl为加速阻力，A为滚动阻力系数，C为空气阻力系数，v为车速，m为车辆质量，δ为车辆旋转质量换算系数，g为重力系数，t为时间；
S3.7.基于步骤S3.6计算的瞬时驱动力计算单个车辆在各个轨迹点的秒级瞬时能耗，统计计算车辆在整个典型工况曲线下的功率eij，计算表达式为：
基于单车典型能耗和预测交通量，计算道路中电动车个体的典型能耗，并集计获得路段i的电动车的电能消耗总量
其中，qij3为第i个路段、第j个车型、电动车的交通量；Eij3为第i个路段、第j个车型、电动车的电能消耗量。
5.根据权利要求4所述的一种道路交通移动源能耗预测方法，其特征在于，步骤S4的中路段未来1小时电力及化石能源的预测能耗需求强度Ei计算表达式为：
6.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-5任一项所述的一种道路交通移动源能耗预测方法的步骤。
7.一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，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的一种道路交通移动源能耗预测方法。
CN202311800552.6A 2023-12-26 2023-12-26 道路交通移动源能耗预测方法、电子设备及存储介质 Active CN117454779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311800552.6A CN117454779B (zh) 2023-12-26 2023-12-26 道路交通移动源能耗预测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311800552.6A CN117454779B (zh) 2023-12-26 2023-12-26 道路交通移动源能耗预测方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117454779A CN117454779A (zh) 2024-01-26
CN117454779B true CN117454779B (zh) 2024-04-30

Family

ID=89582263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311800552.6A Active CN117454779B (zh) 2023-12-26 2023-12-26 道路交通移动源能耗预测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117454779B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838971A (zh) * 2014-03-12 2014-06-04 中国航天系统工程有限公司 一种城市路网动态交通能耗及排放的计算方法
DE102014014308A1 (de) * 2014-09-25 2016-03-31 Steffen Knöfler Verfahren zur Bestimmung handlungsleitender Formate des Kraftstoffverbrauchs
EP4075408A1 (fr) * 2021-04-14 2022-10-19 IFP Energies nouvelles Procédé de détermination de la quantité d'émission polluantes émises par un véhicule sur un brin d'un réseau routier
CN115455681A (zh) * 2022-09-02 2022-12-09 江苏城乡建设职业学院 一种面向多载运工具的通勤交通碳排放空间分布估算方法
CN115935672A (zh) * 2022-12-19 2023-04-07 吉林大学 一种融合工况预测信息的燃料电池汽车能耗计算方法
JP7318076B1 (ja) * 2022-03-28 2023-07-31 中汽研汽車検験中心（天津）有限公司 作業条件の切り替えの車両の燃料消費量に対する影響の評価方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838971A (zh) * 2014-03-12 2014-06-04 中国航天系统工程有限公司 一种城市路网动态交通能耗及排放的计算方法
DE102014014308A1 (de) * 2014-09-25 2016-03-31 Steffen Knöfler Verfahren zur Bestimmung handlungsleitender Formate des Kraftstoffverbrauchs
EP4075408A1 (fr) * 2021-04-14 2022-10-19 IFP Energies nouvelles Procédé de détermination de la quantité d'émission polluantes émises par un véhicule sur un brin d'un réseau routier
JP7318076B1 (ja) * 2022-03-28 2023-07-31 中汽研汽車検験中心（天津）有限公司 作業条件の切り替えの車両の燃料消費量に対する影響の評価方法
CN115455681A (zh) * 2022-09-02 2022-12-09 江苏城乡建设职业学院 一种面向多载运工具的通勤交通碳排放空间分布估算方法
CN115935672A (zh) * 2022-12-19 2023-04-07 吉林大学 一种融合工况预测信息的燃料电池汽车能耗计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jiang P 等.Energy consumption prediction and optimization of industrial robots based on LSTM.Journal of Manufacturing Systems.地137-148页. *
城市道路路段燃油经济性评价模型;冯雨芹;冷军强;张亚平;李涵武;张春平;;华南理工大学学报(自然科学版);20110815(08);第104-107页 *

Also Published As

Publication number Publication date
CN117454779A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN107103754B (zh) 一种道路交通状况预测方法及系统
CN109697854B (zh) 多维度的城市道路交通状态评估方法
CN103106280B (zh) 一种道路网络环境下不确定时空轨迹数据的范围查询方法
CN111381170A (zh) 基于大数据的电动汽车电池包健康状态预测方法及系统
CN112549970A (zh) 车辆续航里程预测方法、装置、车辆及存储介质
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN112509317B (zh) 基于机器学习算法的公交实时到站预测方法、装置和设备
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
CN112818036A (zh) 基于云端大数据的电动车剩余里程预估方法和装置
CN115759462A (zh) 一种电动汽车用户的充电行为预测方法、装置及电子设备
CN111002975B (zh) 车辆能量管理方法、系统、电子设备和存储介质
CN116341773A (zh) 车辆需求预测方法、装置、计算机设备和存储介质
CN115146478A (zh) 基于优化算法的行驶工况构建方法、装置及相关设备
CN113744541B (zh) 对抗图卷积网络的路网排放缺失时空分布重构方法及系统
CN109145401B (zh) 一种计算机动车排放清单的方法、系统及终端设备
CN117454779B (zh) 道路交通移动源能耗预测方法、电子设备及存储介质
CN111444286B (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN116664025A (zh) 装卸货位置点生成方法、装置及设备
CN115100847B (zh) 面向低渗透率网联车轨迹数据的排队服务时间估计方法
CN110688436A (zh) 一种基于行车轨迹的改进型GeoHash道路聚类方法
CN112529311B (zh) 一种基于图卷积分析的道路流量预测方法和装置
Maity et al. Data-driven probabilistic energy consumption estimation for battery electric vehicles with model uncertainty
CN115759470A (zh) 一种基于机器学习的航班飞行全过程燃油消耗预测方法

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