面向智能交通系统和智慧城市的并行排放监管系统 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于机动车尾气排放监管技术领域。背景技术：2.全球气候变暖和大气污染严重影响经济发展和人类健康。从排放来源看，交通运输是主要的人为排放来源之一，所以减少机动车尾气排放对减少大气污染和保护人类健康有着重要意义。在欧盟2020年的排放统计中，交通运输贡献了高达44 %的氮氧化物(nox)、11%的颗粒物和21%的一氧化碳（co）排放。与其他静态排放源不同，交通运输是多种类型车辆共存的动态系统，这无疑增大了车辆排放的监管难度。随着智能交通系统和智慧城市的发展，交通信息的获取更加便捷，利用这些信息建立有效的车辆排放监控系统成为缓解环境压力的关键。3.现有的交通系统排放监管方法按排放法规的发展通常被分为三个阶段。第一阶段，机动车仅需要进行基于固定测试周期下的实验室排放测试，如nedc、ftp和wltc等驾驶工况测试。然而，实验室条件无法完全模拟实际驾驶情况，导致车辆排放估计结果并不精确。第二阶段，新的监管方法侧重于车载测试，即真实驾驶排放测试(rde)。在测试车辆上安装便携式排放测量系统(pems)能够反映真实的排放特性，但pems价格昂贵，难以大规模推广。第三阶段，基于模型的排放监控方法得到了深入研究，作为车辆排放测量的补充解决方案。4.针对车辆排放监测模型，主要有以下问题：1、基于排放因子及平均速度修正的宏观车辆排放模型往往忽略了具体行驶状况，因此，只能得到大概的尾气排放结果，监测精度和适用范围无法达到要求。5.2、基于车辆行驶特征的微观车辆排放模型，即以表征车辆行驶工况的参数为度量指标，部分微观模型依赖于大量的专有信息，可扩展性差。6.3、现有的车辆排放模型通常对现代后处理系统(ats)进行简化处理或忽略，这会导致最终车辆排放结果存在较大的估计误差。技术实现要素：7.本发明的目的是在该排放监管框架中，从智能交通系统中收集外部可用信息作为输入，并根据先验知识构建车辆排放集成模型，用以估计实时排放量并找到可行减排策略的面向智能交通系统和智慧城市的并行排放监管系统。8.本发明具体过程是：整车逆动力学模型以车辆纵向受力分析为基础，其中考虑了空气阻力、摩擦阻力、道路坡度阻力以及加速度要求，总驱动力为：（1）其中，是空气阻力系数，是车辆的瞬时速度，代表车辆前方区域，是环境空气密度，是滚动摩擦系数，是重力加速度，是以弧度为单位的路面坡度，为车辆瞬时加速度，为整车质量；发动机转矩如下：（2）其中，是传动系统的机械效率，是最终车辆传动比，为当前车辆的传动比，为车轮有效半径；发动机的转速如下：（3）其中，是车辆的瞬时速度，代表圆周率；燃油消耗率模型由二维多项式拟合得到，如下式（4）其中，是与发动机排量相关的拟合系数，是对应时刻发动机扭矩，是对应时刻发动机转速，是燃油消耗率；根据不同的燃料，建立了co2转化方程：（5）其中，是co2排放速率，为相关燃料类型转换因子。9.本发明的益效果是：1、本发明针对车辆排放监管问题提出了一种全新的并行车辆尾气排放监管框架，将平行交通层级和平行车辆层级紧密结合，充分挖掘了智能交通和智慧城市的大数据优势；2、以往的基于排放因子及平均速度修正的宏观车辆排放模型无法准确估计单车的尾气排放，而本发明在平行车辆层利用车辆动力学、发动机燃烧等先验知识进行微观排放建模，可以实现对单车排放行为的准确估计；3、本发明针对车辆尾气排放建模考虑了发动机后处理模块对尾气的影响，本发明所设计的排放模型得出的排放估计结果更贴近实际交通环境，排放估计结果的误差更小；4、本发明所提出的模块化集成排放模型是根据排放相关的机理知识搭建的，机理模型比数据驱动模型表现出更好的外推性质，更换相应模块将实现不同车型之间的快速模型切换。附图说明10.图1是整体智能交通系统与智慧城市并行的排放监管框架；图2是模块化集成模型的通用架构；图3是测试数据集上的co2累积排放量估算结果。具体实施方式11.本发明主要提出了一种基于模型的并行车辆尾气排放监管系统以适应实际的交通环境。在该排放监管框架中，从智能交通系统中收集外部可用信息作为输入，并根据先验知识构建车辆排放集成模型，用以估计实时排放量并找到可行的减排策略。采用并行理论通过实际世界和人工世界之间的相互作用来解决复杂交通系统排放问题。本发明提出的并行排放监管框架可以有效避免宏观和部分微观排放模型的弊端，并对智能交通系统的车辆排放实现精准监测和有效管理，最后用一个实际应用案例表明了基于rde测试的排放监管框架的有效性。12.本发明从结构上可以分为两层：上层为平行交通运输层、下层为平行车辆层。13.上层用于规划一些可行方案，比如路线规划、技术潜力分析、城市交通设计等。下层侧重于车辆瞬时排放的估算，提出一种新型模块化集成排放模型作为排放监管系统的核心，当智能交通系统采集到实时的车辆速度、加速度、道路坡度等信息时，可以通过该模型将车辆动力学需求转化为发动机转速和扭矩，进一步估计车辆的实时尾气排放。通过两个层次之间的迭代交互，可以推导出排放感知的最优解，并将其应用于实际交通系统当中。此外，预测模型还可以用来寻找可行的减排策略。通过低成本的计算实验和并行执行，可以实现高效的排放管理，达到节能减排的目的。14.本发明的实现包括以下部分：本发明所述的基于模型的并行车辆尾气排放监管系统有着独特的层级结构。首先，上层智能交通层通过多种传感器获取外部道路信息（车辆速度、加速度、道路坡度），将这些信息作为输入传递到下层平行车辆层进行尾气排放估计。其次，车辆尾气排放与车辆动力学、发动机燃烧进程以及后处理系统的转化效率有着紧密联系。下层的车辆排放模型通过各个不同的子模块实现对尾气排放的逐秒估计，该模型是通过软件系统实现的。软件系统由matlab/simulink高级仿真软件组成。matlab/simulink软件用于车辆尾气排放估计的仿真模型搭建，并提供了仿真实验环境。最后，排放模型得到的排放估计结果反送到上层，为进一步的智能交通规划任务提供排放数据支持，通过两个平行层级的不断交互，寻找切实可行的交通减排策略。15.为详细说明本发明的技术内容、构造特点、实现目的等，下面结合附图对本发明进行全面解释说明：本发明中基于模型的并行车辆尾气排放总体监管系统框架如图1所示，其中上层为平行交通层级侧重于规划城市交通，下层为平行车辆层级更侧重于车辆排放估计。这种并行的排放监管框架的主要功能是实现车辆行驶参数的估计和机动车尾气排放的预测。为了清晰地显示不同功能的执行流程，估计过程用实线表示，预测过程用虚线表示。16.对于一个实时的排放预测任务，基于模型的平行车辆层起主要作用，本发明提出的排放模型是根据排放产生相关机理知识得到的，模型以模块化和层次化的形式进行结构，如图2所示。当智能交通采集到实时的车辆速度、加速度、道路坡度等信息时，可以通过该模型估计车辆瞬时排放量。上层将车辆动力学需求转化为发动机转速和扭矩，中间层估计发动机原始排放和排气状态，下层根据ats模块模拟车辆尾管排放。该模块化集成模型共有五个主要模块：换挡模块、扭矩需求模块、发动机排放模块、排气状态模块和ats模块。各层模块均采用上一层的估计结果作为输入。模块化结构也显著提高了模型的泛化能力。例如，如果只有目标车辆的变速器与本模型不同，只需更换换挡模块即可快速切换模型。此外，由于目前的发动机尾气后处理技术（ats）无法减少co2排放，因此最终的估算结果是发动机的原始排放值。当然，随着碳捕集技术的发展，未来可能会增加相应的模块。对于其他有害排放物(nox、co、pm等)，则根据实际排气系统和排放物类型选择合适的ats模块。17.下面逐步介绍平行车辆层排放模型的实现，首先，整车逆动力学模型以车辆纵向受力分析为基础，其中考虑了空气阻力、摩擦阻力、道路坡度阻力以及加速度要求。总驱动力计算为：（1）其中，是空气阻力系数，是车辆的瞬时速度，代表车辆前方区域，是环境空气密度，是滚动摩擦系数，是重力加速度，是以弧度为单位的路面坡度，为车辆瞬时加速度，为整车质量。[0018] 发动机是车辆动力的来源，能量通过复杂的传动系统传递。因此，发动机转矩可由下式估算：（2）其中，是传动系统的机械效率，是最终车辆传动比，为当前车辆的传动比，为车轮有效半径。[0019]广义变速箱模型采用与车速相关的单参数换挡策略，即不同的车速区间对应不同的传动比，挡位与传动比之间的关系可以通过查询车辆认证手册获取。因此，发动机的转速可以由下式估计：（3）其中，是车辆的瞬时速度，代表圆周率。[0020]发动机排放模块利用燃油消耗实际车辆排放，根据上一级模块输出的发动机转速和扭矩估计燃油消耗率。燃油消耗率模型由二维多项式拟合得到，如下式所示：（4）其中，是与发动机排量相关的拟合系数，是对应时刻发动机扭矩，是对应时刻发动机转速，是燃油消耗率。特别的，一组拟合系数只对一种燃料类型有效，因此该模型的拟合系数应该随燃料类型的改变而更换。[0021]co2排放量与燃油消耗率线性相关。因此根据不同的燃料，建立了co2转化方程：（5）其中，是co2排放速率，单位g/s，为相关燃料类型转换因子。[0022]接下来，通过一个实际的应用案例展示基于rde测试的面向智能交通系统和智慧城市的并行排放监管框架的效果。这里采用的数据集由真实驾驶排放(rde)测试获得，根据测试边界条件和车辆动力学要求，分别选择两条不同路线进行rde试验，测试地点在中国吉林省长春市。第一个rde测试数据用于校准模型参数，第二个rde测试作为测试数据集。采用全套avl pems对某欧6乘用车进行实车测试，测量实时排放、车速、位置和环境温度等数据。本验证案例的重点是二氧化碳（co2）排放量的估计精度，这是基于模型的并行排放监管系统的基础和关键功能。为了全面展示估计模型性能，使用两个应用比较广泛的排放模型作为基准，即sidra模型(微观)和copert模型(宏观)。在copert配置中，测试车辆定义为乘用车、汽油、中型和欧式a/b/c。对于sidra模型，进行了仔细的校准以提高模型精度。rde测试数据集下的模型对比如图3所示，其中mim表示本发明提出的模块化集成模型，es表示发动机状态。为了同时反映整体排放和瞬时排放，将co2累积排放量绘制在图中。由于copert模型是宏观模型，因此仅将整体估计绘制成实心圆圈。实线代表pems侧得的碳排放实际值。所有的比较都集中在rde测试的前2000秒，因为这个时间段存在强烈的瞬态变化的行驶状况，如车辆频繁的启停。发动机排放图是基于稳态数据集开发的，因此不再根据两次rde测试进行进一步校准。此外，提出的mim可以适应内部发动机状态( es )已知或未知的两种不同场景。对比排放估计误差，mim表现出比两种基线模型更好的性能。已知发动机状态的mim的相对误差为0.164 %，未知发动机状态的mim的相对误差为3.96 %。除最终累加结果外，mim的曲线趋势与实测排放结果高度一致，表明mim模型能够对机动车排放进行深入的时空分析。虽然copert模型表现出与mim相近的精度，但copert无法估计瞬态排放，也不能反映不同驾驶风格对排放的影响。本发明使用的数据集来自标准的rde测试，接近copert模型的校准条件。因此，当考虑更加激进的驾驶行为时，copert模型的精度可能会出现一定的退化。在下层车辆层级得到精确的排放估计结果后，上层交通层级则根据排放估计结果进行下一步优化，提出可行的减排策略，如优化城市交通信号灯、监督规范驾驶行为、最优减排路线规划等等。[0023]由此可见，本发明提出的面向智能交通系统和智慧城市的并行排放监管系统能够作为车辆尾气排放精准监管和有效管理的可行方法。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!