CN106650287A

CN106650287A - 一种基于mlp神经网络的机动车尾气排放因子估计方法

Info

Publication number: CN106650287A
Application number: CN201611267901.2A
Authority: CN
Inventors: 康宇; 李泽瑞; 岳龙川; 曹洋; 谭小彬
Original assignee: University of Science and Technology of China USTC
Current assignee: University of Science and Technology of China USTC
Priority date: 2016-12-31
Filing date: 2016-12-31
Publication date: 2017-05-10

Abstract

本发明公开了一种基于MLP神经网络的机动车尾气排放因子估计方法，包括以下步骤：利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及其他相关数据，包括：机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速；对采集到的机动车的尾气排放数据进行预处理，并建立机动车尾气CO、HC及NO的排放因子数据库；基于机动车尾气CO、HC及NO的排放因子数据库，以及机动车尾气遥感监测设备采集到的其他相关数据分别建立针对于CO、HC和NO的MLP神经网络模型，据此即可实现机动车尾气排放因子的实时在线估计。

Description

一种基于MLP神经网络的机动车尾气排放因子估计方法

技术领域

本发明涉及一种机动车尾气排放因子估计方法，属于环境处理技术领域。

背景技术

目前，我国的空气质量问题非常严重，灰霾现象时有发生，特别是京津冀地区更加常见。研究表明，机动车尾气排放是城市空气污染的重要来源。我国亟需采取适当措施以减少机动车尾气排放，而制定措施的前提是我们对机动车尾气排放情况具有清楚的了解。机动车尾气排放因子可反映机动车的排放水平，对机动车尾气排放因子的传统评估方法是建立影响机动车排放的参数与污染物排放之间的关系，称之为排放因子模型。国外研究排放因子模型的时间较长，已经建立了MOBOLE、EMFAC、IVE、CMEM、COPERT等多个模型。而大部分都是通过台架试验的方法得到数据建立模型，由于实际道路情况复杂，这样的模型无法真实反映在实际道路上行驶的机动车的尾气排放。近年来，利用隧道试验来评估排放因子的方法得到了广泛的应用，该方法通过现场收集车流和气象数据，测量隧道进出口污染物浓度，利用质量平衡计算出各种污染物的排放因子，从而反映出实际路况下机动车污染物的排放特性。但由此得到的往往是平均行驶速度下的排放因子或总测试时段内的平均排放因子，因此无法考察机动车行驶工况(不同瞬态车速和加/减速度)对排放特性及排放因子的影响。

申请号201510745166.0的发明专利公布了一种基于机动车比功率的速度对车辆排放因子修正方法，根据车辆行驶速度计算机动车比功率，得到不同速度区间的比功率分布情况，并利用平均速度计算的修正系数对其进行修正。该方法在计算过程中不仅需要车辆的速度、加速度数据，还需要基本排放因子、MOVES数据库中的排放率等数据的输入，计算过程较复杂；另一方面，该方法只考虑行驶工况，并未将气象条件对机动车尾气排放的影响考虑在内。

由于现在一些城市已经采用安装在道路旁的机动车尾气遥感监测设备来获取机动车行驶时的真实尾气排放水平，然而每个城市仅安装了少量机动车尾气遥感监测设备，只能对行驶在安装设备的道路上的机动车进行监测。这些机动车尾气遥感监测设备所获取的部分机动车真实的尾气排放数据为评估机动车尾气排放因子提供了基础。

发明内容

本发明技术解决问题：为克服排放因子模型采用台架试验获取数据评估机动车排放，与实际道路状况存在偏差，本发明提供一种基于MLP神经网络的机动车尾气排放因子估计方法，可利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速的数据，建立MLP神经网络来估计机动车尾气排放因子。

本发明技术解决方案：一种基于MLP神经网络的机动车尾气排放因子估计方法，包括以下步骤：

步骤1：利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及其他相关数据，包括：机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速；

机动车尾气遥感监测设备的尾气探测器检测机动车尾气中污染物气体的原理如下：位于道路一侧的光源发出特定波长的红外光和紫外光光束，道路另一侧的红外线和紫外光反光镜又将其反射回设备的光源检测器，当道路上有机动车通过时，机动车排放的尾气会对红外光和紫外光产生吸收，使得设备接收到的光强减弱，通过分析接收光光谱的变化情况便可计算出车辆行驶排放CO2、CO、HC及NO的体积浓度。同时，机动车尾气遥感监测设备的速度加速度检测器利用车轮通过两条对射光路的时间间隔测量机动车的速度与加速度；机动车尾气遥感监测设备的图像采集设备可获取机动车的车型，我们将机动车分为四类，即轻型汽油车、重型汽油车、轻型柴油车和重型柴油车；利用其他辅助设备可获取当前时间、天气、温度、湿度、压强、风向与风速。

步骤2：对步骤1中采集到的机动车的尾气排放数据进行预处理，并建立机动车尾气CO、HC及NO的排放因子数据库；

根据机动车尾气遥感监测设备采集到的机动车行驶时排放的CO2、CO、HC及NO的体积浓度数据计算机动车尾气CO、HC及NO的排放因子，方法如下：

其中，CO(gL^-1)、HC(gL^-1)和NO(gL^-1)分别指机动车尾气CO、HC及NO的排放因子，单位是gL^-1；Q为机动车尾气遥感监测设备采集到的CO与CO2体积浓度的比值；Q’为机动车尾气遥感监测设备采集到的HC与CO2体积浓度的比值；Q”为机动车尾气遥感监测设备采集到的NO与CO2体积浓度的比值；M_fuel为机动车燃油的摩尔质量；D_fuel为机动车燃油的密度。

步骤3：基于步骤2所得到的机动车尾气CO、HC及NO的排放因子数据库，以及步骤1中采集到的其他相关数据分别建立针对于CO、HC和NO的MLP神经网络模型，据此即可实现机动车尾气排放因子的实时在线估计。

CO、HC及NO的排放因子数据和速度、加速度、温度、湿度、压强、风向与风速数据，均通过下面的公式进行标准化：

其中，数据记为x，该数据组内最大值和最小值分别记为x_max和x_min，x′为标准化后的数据。

标准化之后，将所有数据先按照车型分为四个数据集，即分别针对于轻型汽油车、重型汽油车、轻型柴油车和重型柴油车的数据集。每个数据集分为训练集、验证集和测试集，其中验证集用来在训练过程中检查MLP神经网络的性能，当性能达到最大值或开始减小的时候训练就可以终止，测试集可用来评估训练出的MLP神经网络的性能。训练集、验证集和测试集数据所占比例分别为50％、25％、25％。

使用的MLP神经网络模型的结构为：一个输入层、一个隐藏层和一个输出层的三层结构。MLP神经网络模型的输入为速度、加速度、温度、湿度、压强、风向与风速，输出为CO、HC或NO的排放因子，因此输入层神经元数目为7个，输出层神经元数目为1个。隐藏层神经元数目采用试验法决定。

本发明与现有技术相比的优点在于：

(1)本发明采用的机动车尾气排放数据是由机动车尾气遥感监测设备采集的实际道路上的数据，一方面，可真实反映机动车在实际工况下的排放水平，另一方面，实际道路结构复杂，便可获得范围较大的速度、加速度数据，同时可获得在各种温度、湿度、压强、风向与风速情况下的机动车排放数据。

(2)本发明使用人工神经网络来建立机动车行驶工况及气象条件和机动车尾气排放因子之间的关系，由于行驶工况及气象条件对排放因子的影响较为复杂，而人工神经网络即使对输入输出之间的复杂非线性关系知之甚少，也可以在训练过程中不断接收输入输出数据，通过调整神经元之间的连接权值从而建立输入输出之间的内在关系。

(3)本发明所使用的MLP神经网络包含一个隐藏层，这种结构非常简单，而且一个包含有足够多神经元的隐藏层能表示所有非线性关系。

附图说明

图1为机动车尾气排放因子估计方法流程图。

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，以下对本发明进行进一步详细说明。

如图1所示，本发明具体实施过程如下：

在上式中带入汽油的摩尔质量和密度的相应数据，得到下面的针对汽油车的排放因子计算公式：

使用的MLP神经网络模型的结构为：一个输入层、一个隐藏层和一个输出层的三层结构。MLP神经网络模型的输入为速度、加速度、温度、湿度、压强、风向与风速，输出为CO、HC或NO的排放因子，因此输入层神经元数目为7个，输出层神经元数目为1个。

隐藏层第i个神经元的输出y_i具有以下形式：

其中，x_k是输入层第k个神经元的输出；N为输入层神经元数目；w_k,i是输入层第k个神经元与隐藏层第i个神经元之间的连接权重，k＝0,1,2,…N；b_i为第i个偏离常数；f表示激活函数。

将标准化的速度、加速度、温度、湿度、压强、风向和风速数据作为MLP神经网络模型的输入，CO、HC或NO的排放因子作为输出。隐藏层神经元的个数可以由实验确定；示例性的，隐藏层神经元个数分别取2～25，建立相应的MLP神经网络模型，基于训练集对模型进行训练，基于验证集和测试集分别对训练所得一系列模型进行对比分析，使得模型性能最佳的隐藏层神经元数目即为最终确定的MLP神经网络模型的隐藏层神经元数目。在本发明实施例中，经过性能比较和反复试验，所建立的针对轻型汽油车排放的CO、HC和NO的排放因子的三个MLP神经网络模型中隐藏层神经元数目分别为13、11和16个。

根据本发明所建立的针对不同车型的CO、HC和NO排放因子的MLP神经网络模型，对于无法实时监测尾气排放状况的机动车，也可根据其行驶工况和气象条件实现尾气排放因子的实时在线估计。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims

1.一种基于MLP神经网络的机动车尾气排放因子估计方法，其特征在于包括以下步骤：

步骤1：利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及其他相关数据，所述其他相关数据包括：机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速；

步骤3：基于步骤2所得到的机动车尾气CO、HC及NO的排放因子数据库，以及步骤1中采集到的其他相关数据分别建立针对于CO、HC和NO的MLP神经网络模型，依据MLP神经网络模型即实现机动车尾气排放因子的实时在线估计。

2.根据权利要求1所述的基于MLP神经网络的机动车尾气排放因子估计方法，其特征在于：所述步骤2中，对机动车尾气排放数据进行预处理的方法如下：

C O ({gL}^{- 1}) = \frac{Q}{1 + Q + (3 Q^{'} / 0.493)} \times \frac{28}{M_{f u e l}} \times D_{f u e l}

H C ({gL}^{- 1}) = \frac{Q^{'} / 0.493}{1 + Q + (3 Q^{'} / 0.493)} \times \frac{44}{M_{f u e l}} \times D_{f u e l}

N O ({gL}^{- 1}) = \frac{Q^{''}}{1 + Q + (3 Q^{'} / 0.493)} \times \frac{30}{M_{f u e l}} \times D_{f u e l}

3.根据权利要求1所述的基于MLP神经网络的机动车尾气排放因子估计方法，其特征在于：所述步骤3中，建立针对于CO、HC和NO的MLP神经网络模型的方法如下：

在进行MLP神经网络模型构造之前，所有数据，包括速度、加速度、温度、湿度、压强、风向与风速及CO、HC和NO的排放因子，都需进行标准化，方法如下：

x^{'} = \frac{x - x_{\min}}{x_{m a x} - x_{\min}}

其中，数据记为x，该数据组内最大值和最小值分别记为x_max和x_min，x′为标准化后的数据；

标准化之后，将所有数据先按照车型分为四个数据集，即分别针对于轻型汽油车、重型汽油车、轻型柴油车和重型柴油车的数据集；每个数据集分为训练集、验证集和测试集，其中验证集用来在训练过程中检查MLP神经网络的性能，当性能达到最大值或开始减小的时候训练终止，测试集用来评估训练出的MLP神经网络的性能；

使用上述所得的训练集中的数据来训练MLP神经网络，采用的MLP神经网络模型的结构为：一个输入层、一个隐藏层和一个输出层的三层结构；MLP神经网络模型的输入为速度、加速度、温度、湿度、压强、风向与风速，输出为CO、HC或NO的排放因子，输入层神经元数目为7个，输出层神经元数目为1个，隐藏层神经元数目采用试验法决定。

4.根据权利要求2所述的基于MLP神经网络的机动车尾气排放因子估计方法，其特征在于：所述训练集、验证集和测试集数据所占比例分别为50％、25％、25％。