一種基于MLP神經網絡的機動車尾氣排放因子估計方法與流程
本發明涉及一種機動車尾氣排放因子估計方法，屬于環境處理技術領域。
背景技術：
目前，我國的空氣質量問題非常嚴重，灰霾現象時有發生，特別是京津冀地區更加常見。研究表明，機動車尾氣排放是城市空氣污染的重要來源。我國亟需采取適當措施以減少機動車尾氣排放，而制定措施的前提是我們對機動車尾氣排放情況具有清楚的了解。機動車尾氣排放因子可反映機動車的排放水平，對機動車尾氣排放因子的傳統評估方法是建立影響機動車排放的參數與污染物排放之間的關系，稱之為排放因子模型。國外研究排放因子模型的時間較長，已經建立了MOBOLE、EMFAC、IVE、CMEM、COPERT等多個模型。而大部分都是通過臺架試驗的方法得到數據建立模型，由于實際道路情況復雜，這樣的模型無法真實反映在實際道路上行駛的機動車的尾氣排放。近年來，利用隧道試驗來評估排放因子的方法得到了廣泛的應用，該方法通過現場收集車流和氣象數據，測量隧道進出口污染物濃度，利用質量平衡計算出各種污染物的排放因子，從而反映出實際路況下機動車污染物的排放特性。但由此得到的往往是平均行駛速度下的排放因子或總測試時段內的平均排放因子，因此無法考察機動車行駛工況(不同瞬態車速和加/減速度)對排放特性及排放因子的影響。
申請號201510745166.0的發明專利公布了一種基于機動車比功率的速度對車輛排放因子修正方法，根據車輛行駛速度計算機動車比功率，得到不同速度區間的比功率分布情況，并利用平均速度計算的修正系數對其進行修正。該方法在計算過程中不僅需要車輛的速度、加速度數據，還需要基本排放因子、MOVES數據庫中的排放率等數據的輸入，計算過程較復雜；另一方面，該方法只考慮行駛工況，并未將氣象條件對機動車尾氣排放的影響考慮在內。
由于現在一些城市已經采用安裝在道路旁的機動車尾氣遙感監測設備來獲取機動車行駛時的真實尾氣排放水平，然而每個城市僅安裝了少量機動車尾氣遙感監測設備，只能對行駛在安裝設備的道路上的機動車進行監測。這些機動車尾氣遙感監測設備所獲取的部分機動車真實的尾氣排放數據為評估機動車尾氣排放因子提供了基礎。
技術實現要素：
本發明技術解決問題：為克服排放因子模型采用臺架試驗獲取數據評估機動車排放，與實際道路狀況存在偏差，本發明提供一種基于MLP神經網絡的機動車尾氣排放因子估計方法，可利用機動車尾氣遙感監測設備采集的實際道路上的機動車尾氣排放數據，即機動車行駛時排放的CO2、CO、HC及NO的體積濃度，以及機動車的車型、速度與加速度，以及當前溫度、濕度、壓強、風向與風速的數據，建立MLP神經網絡來估計機動車尾氣排放因子。
本發明技術解決方案：一種基于MLP神經網絡的機動車尾氣排放因子估計方法，包括以下步驟：
步驟1：利用機動車尾氣遙感監測設備采集的實際道路上的機動車尾氣排放數據，即機動車行駛時排放的CO2、CO、HC及NO的體積濃度，以及其他相關數據，包括：機動車的車型、速度與加速度，以及當前溫度、濕度、壓強、風向與風速；
機動車尾氣遙感監測設備的尾氣探測器檢測機動車尾氣中污染物氣體的原理如下：位于道路一側的光源發出特定波長的紅外光和紫外光光束，道路另一側的紅外線和紫外光反光鏡又將其反射回設備的光源檢測器，當道路上有機動車通過時，機動車排放的尾氣會對紅外光和紫外光產生吸收，使得設備接收到的光強減弱，通過分析接收光光譜的變化情況便可計算出車輛行駛排放CO2、CO、HC及NO的體積濃度。同時，機動車尾氣遙感監測設備的速度加速度檢測器利用車輪通過兩條對射光路的時間間隔測量機動車的速度與加速度；機動車尾氣遙感監測設備的圖像采集設備可獲取機動車的車型，我們將機動車分為四類，即輕型汽油車、重型汽油車、輕型柴油車和重型柴油車；利用其他輔助設備可獲取當前時間、天氣、溫度、濕度、壓強、風向與風速。
步驟2：對步驟1中采集到的機動車的尾氣排放數據進行預處理，并建立機動車尾氣CO、HC及NO的排放因子數據庫；
根據機動車尾氣遙感監測設備采集到的機動車行駛時排放的CO2、CO、HC及NO的體積濃度數據計算機動車尾氣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)分別指機動車尾氣CO、HC及NO的排放因子，單位是gL-1；Q為機動車尾氣遙感監測設備采集到的CO與CO2體積濃度的比值；Q’為機動車尾氣遙感監測設備采集到的HC與CO2體積濃度的比值；Q”為機動車尾氣遙感監測設備采集到的NO與CO2體積濃度的比值；Mfuel為機動車燃油的摩爾質量；Dfuel為機動車燃油的密度。
步驟3：基于步驟2所得到的機動車尾氣CO、HC及NO的排放因子數據庫，以及步驟1中采集到的其他相關數據分別建立針對于CO、HC和NO的MLP神經網絡模型，據此即可實現機動車尾氣排放因子的實時在線估計。
CO、HC及NO的排放因子數據和速度、加速度、溫度、濕度、壓強、風向與風速數據，均通過下面的公式進行標準化：
其中，數據記為x，該數據組內最大值和最小值分別記為xmax和xmin，x′為標準化后的數據。
標準化之后，將所有數據先按照車型分為四個數據集，即分別針對于輕型汽油車、重型汽油車、輕型柴油車和重型柴油車的數據集。每個數據集分為訓練集、驗證集和測試集，其中驗證集用來在訓練過程中檢查MLP神經網絡的性能，當性能達到最大值或開始減小的時候訓練就可以終止，測試集可用來評估訓練出的MLP神經網絡的性能。訓練集、驗證集和測試集數據所占比例分別為50％、25％、25％。
使用的MLP神經網絡模型的結構為：一個輸入層、一個隱藏層和一個輸出層的三層結構。MLP神經網絡模型的輸入為速度、加速度、溫度、濕度、壓強、風向與風速，輸出為CO、HC或NO的排放因子，因此輸入層神經元數目為7個，輸出層神經元數目為1個。隱藏層神經元數目采用試驗法決定。
本發明與現有技術相比的優點在于：
(1)本發明采用的機動車尾氣排放數據是由機動車尾氣遙感監測設備采集的實際道路上的數據，一方面，可真實反映機動車在實際工況下的排放水平，另一方面，實際道路結構復雜，便可獲得范圍較大的速度、加速度數據，同時可獲得在各種溫度、濕度、壓強、風向與風速情況下的機動車排放數據。
(2)本發明使用人工神經網絡來建立機動車行駛工況及氣象條件和機動車尾氣排放因子之間的關系，由于行駛工況及氣象條件對排放因子的影響較為復雜，而人工神經網絡即使對輸入輸出之間的復雜非線性關系知之甚少，也可以在訓練過程中不斷接收輸入輸出數據，通過調整神經元之間的連接權值從而建立輸入輸出之間的內在關系。
(3)本發明所使用的MLP神經網絡包含一個隱藏層，這種結構非常簡單，而且一個包含有足夠多神經元的隱藏層能表示所有非線性關系。
附圖說明
圖1為機動車尾氣排放因子估計方法流程圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下對本發明進行進一步詳細說明。
如圖1所示，本發明具體實施過程如下：
步驟1：利用機動車尾氣遙感監測設備采集的實際道路上的機動車尾氣排放數據，即機動車行駛時排放的CO2、CO、HC及NO的體積濃度，以及其他相關數據，包括：機動車的車型、速度與加速度，以及當前溫度、濕度、壓強、風向與風速；
機動車尾氣遙感監測設備的尾氣探測器檢測機動車尾氣中污染物氣體的原理如下：位于道路一側的光源發出特定波長的紅外光和紫外光光束，道路另一側的紅外線和紫外光反光鏡又將其反射回設備的光源檢測器，當道路上有機動車通過時，機動車排放的尾氣會對紅外光和紫外光產生吸收，使得設備接收到的光強減弱，通過分析接收光光譜的變化情況便可計算出車輛行駛排放CO2、CO、HC及NO的體積濃度。同時，機動車尾氣遙感監測設備的速度加速度檢測器利用車輪通過兩條對射光路的時間間隔測量機動車的速度與加速度；機動車尾氣遙感監測設備的圖像采集設備可獲取機動車的車型，我們將機動車分為四類，即輕型汽油車、重型汽油車、輕型柴油車和重型柴油車；利用其他輔助設備可獲取當前時間、天氣、溫度、濕度、壓強、風向與風速。
步驟2：對步驟1中采集到的機動車的尾氣排放數據進行預處理，并建立機動車尾氣CO、HC及NO的排放因子數據庫；
根據機動車尾氣遙感監測設備采集到的機動車行駛時排放的CO2、CO、HC及NO的體積濃度數據計算機動車尾氣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)分別指機動車尾氣CO、HC及NO的排放因子，單位是gL-1；Q為機動車尾氣遙感監測設備采集到的CO與CO2體積濃度的比值；Q’為機動車尾氣遙感監測設備采集到的HC與CO2體積濃度的比值；Q”為機動車尾氣遙感監測設備采集到的NO與CO2體積濃度的比值；Mfuel為機動車燃油的摩爾質量；Dfuel為機動車燃油的密度。
在上式中帶入汽油的摩爾質量和密度的相應數據，得到下面的針對汽油車的排放因子計算公式：
步驟3：基于步驟2所得到的機動車尾氣CO、HC及NO的排放因子數據庫，以及步驟1中采集到的其他相關數據分別建立針對于CO、HC和NO的MLP神經網絡模型，據此即可實現機動車尾氣排放因子的實時在線估計。
CO、HC及NO的排放因子數據和速度、加速度、溫度、濕度、壓強、風向與風速數據，均通過下面的公式進行標準化：
其中，數據記為x，該數據組內最大值和最小值分別記為xmax和xmin，x′為標準化后的數據。
標準化之后，將所有數據先按照車型分為四個數據集，即分別針對于輕型汽油車、重型汽油車、輕型柴油車和重型柴油車的數據集。每個數據集分為訓練集、驗證集和測試集，其中驗證集用來在訓練過程中檢查MLP神經網絡的性能，當性能達到最大值或開始減小的時候訓練就可以終止，測試集可用來評估訓練出的MLP神經網絡的性能。訓練集、驗證集和測試集數據所占比例分別為50％、25％、25％。
使用的MLP神經網絡模型的結構為：一個輸入層、一個隱藏層和一個輸出層的三層結構。MLP神經網絡模型的輸入為速度、加速度、溫度、濕度、壓強、風向與風速，輸出為CO、HC或NO的排放因子，因此輸入層神經元數目為7個，輸出層神經元數目為1個。
隱藏層第i個神經元的輸出yi具有以下形式：
其中，xk是輸入層第k個神經元的輸出；N為輸入層神經元數目；wk,i是輸入層第k個神經元與隱藏層第i個神經元之間的連接權重，k＝0,1,2,…N；bi為第i個偏離常數；f表示激活函數。
將標準化的速度、加速度、溫度、濕度、壓強、風向和風速數據作為MLP神經網絡模型的輸入，CO、HC或NO的排放因子作為輸出。隱藏層神經元的個數可以由實驗確定；示例性的，隱藏層神經元個數分別取2～25，建立相應的MLP神經網絡模型，基于訓練集對模型進行訓練，基于驗證集和測試集分別對訓練所得一系列模型進行對比分析，使得模型性能最佳的隱藏層神經元數目即為最終確定的MLP神經網絡模型的隱藏層神經元數目。在本發明實施例中，經過性能比較和反復試驗，所建立的針對輕型汽油車排放的CO、HC和NO的排放因子的三個MLP神經網絡模型中隱藏層神經元數目分別為13、11和16個。
根據本發明所建立的針對不同車型的CO、HC和NO排放因子的MLP神經網絡模型，對于無法實時監測尾氣排放狀況的機動車，也可根據其行駛工況和氣象條件實現尾氣排放因子的實時在線估計。
提供以上實施例僅僅是為了描述本發明的目的，而并非要限制本發明的范圍。本發明的范圍由所附權利要求限定。不脫離本發明的精神和原理而做出的各種等同替換和修改，均應涵蓋在本發明的范圍之內。
- 還沒有人留言評論。精彩留言會獲得點贊！