[發(fā)明專利]一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201611267878.7
• 申請日: 2016-12-31
• 公開（公告）號: CN106650825B
• 公開（公告）日: 2020-05-12
• 發(fā)明（設計）人: 康宇;李澤瑞;陳紹馮;王雪峰;楊鈺瀟
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 楊學明;顧煒

1.一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)，其特征在于：包括道邊空氣污染物濃度估計模塊、道邊空氣污染物濃度預報模塊、城市全局大氣環(huán)境預測模塊、機動車尾氣排放因子估計模塊與機動車尾氣排放特征分析模塊；實現(xiàn)對機動車尾氣遙測數(shù)據(jù)及機動車屬性、行駛工況、檢測時間、氣象條件數(shù)據(jù)的存儲、分析與融合，結合車載診斷系統(tǒng)數(shù)據(jù)庫、便攜式排放測試系統(tǒng)數(shù)據(jù)庫、車檢所離線數(shù)據(jù)庫、交通信息數(shù)據(jù)庫與地理信息數(shù)據(jù)庫，對機動車尾氣遙測數(shù)據(jù)進行分析處理，實現(xiàn)機動車尾氣排放因子估計、機動車尾氣排放特征分析、道邊空氣污染物濃度估計、道邊空氣污染物濃度預測及城市全局環(huán)境預測，為環(huán)保部門的政策制定與執(zhí)法提供科學依據(jù)；

道邊空氣污染物濃度估計模塊，使用一種基于重構深度學習的道邊空氣污染物濃度預測方法來實現(xiàn)，根據(jù)道邊空氣污染物的時空分布特點，基于重構深度學習方法對深度重構Elman模型進行訓練，當訓練完成后，輸入實時的路網(wǎng)信息、氣象信息和交通信息，即可獲得實時的道邊空氣污染物濃度估計值；具體包含以下步驟：

步驟1：基于重構深度學習方法，根據(jù)道邊空氣污染物的時空分布特點，形成道路空氣污染物濃度數(shù)據(jù)集，構建深度重構Elman模型；所述道邊空氣污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；所述深度重構Elman模型包括：主網(wǎng)絡和次網(wǎng)絡；主網(wǎng)絡具有前饋連接和反饋連接結構，含有局部記憶能力，主網(wǎng)絡依次由輸入層、承接層、中間層和輸出層構成；次網(wǎng)絡用于主網(wǎng)絡初始化，次網(wǎng)絡含有一個可視層和一個隱含層；

步驟2：根據(jù)限制玻耳茲曼機的特征，從道邊空氣污染物濃度數(shù)據(jù)集中隨機選取部分數(shù)據(jù)，完成深度重構Elman模型的初始化；

步驟3：采用梯度下降算法，對深度重構Elman模型進行訓練，得到能夠對道邊空氣污染物濃度進行實時預測的深度重構Elman模型，以實時的路網(wǎng)信息、氣象信息、交通信息因素作為Elman模型的輸入，Elman模型輸出為對應的實時道邊空氣污染物濃度；所述路網(wǎng)信息包括路段車道數(shù)、道路綠化程度、道路建筑物高度、建筑物與道邊距離；所述氣象信息包括溫度、濕度、天氣、風速和風向；所述交通信息包括車種比例、車流量、通過時間、停止時間和擁塞時間；

道邊空氣污染物濃度預報模塊，使用一種基于LSTM-RNN模型的空氣污染物濃度預報方法來實現(xiàn)，根據(jù)歷史空氣污染物濃度數(shù)據(jù)，提出基于LSTM-RNN模型的預報方法，模型訓練完成后，該模型可預報當前或未來某一時刻的空氣污染物濃度；具體包含以下步驟：

步驟一，首先收集目標城市較長時間內的空氣污染物濃度數(shù)據(jù)，作為歷史數(shù)據(jù)，并存入數(shù)據(jù)庫；

步驟二，然后通過對收集到的歷史數(shù)據(jù)進行預處理，構造待訓練的LSTM-RNN(LongShort-Term Memory，長短時記憶)模型的訓練樣本數(shù)據(jù)、驗證樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；

步驟三，通過訓練樣本數(shù)據(jù)得到預先訓練的LSTM-RNN模型，然后通過構造的驗證樣本數(shù)據(jù)和測試樣本數(shù)據(jù)微調訓練得到的LSTM-RNN模型參數(shù)，通過進一步修正LSTM-RNN模型參數(shù)，提高LSTM-RNN模型精度，將該修正后的LSTM-RNN模型作為空氣污染物濃度預報模型；

步驟四，將預處理后的目標城市較長時間內的空氣污染物濃度數(shù)據(jù)作為LSTM-RNN模型的輸入數(shù)據(jù)，通過LSTM-RNN模型對輸入數(shù)據(jù)進行學習，最終LSTM-RNN模型輸出得到當前或未來某一時刻的空氣污染物濃度預報的結果；

城市全局大氣環(huán)境預測模塊，使用一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法來實現(xiàn)，結合城市環(huán)境監(jiān)測站點歷史數(shù)據(jù)、全球中尺度氣象預測結果、國家氣象數(shù)據(jù)、城市重點污染源數(shù)據(jù)、城市地理三維模型及機動車尾氣遙測設備的實時監(jiān)測數(shù)據(jù)，利用流體力學CFD作為計算引擎，根據(jù)氣象信息自適應切換環(huán)境質量模式，采用多尺度網(wǎng)格離散化城市模型并引入多組分污染模型，實現(xiàn)城市全局大氣環(huán)境的實時預測；具體包含以下步驟：

步驟一，提取城市三維模型數(shù)據(jù)，使用模型片段數(shù)簡化方法進行所述三維模型融合，并將地理信息映射到所述三維模型，生成具有地理信息的簡化城市三維模型；

步驟二，選定城市的待求解區(qū)域，在待求解區(qū)域中，對步驟一所得簡化城市三維模型進行六面體網(wǎng)格劃分，融入城市重點污染源GIS信息及城市主要街道GIS信息，然后使用多尺度網(wǎng)格劃分方法對重點污染源區(qū)域、主要街道進行細網(wǎng)格劃分，生成多尺度網(wǎng)格化城市三維模型；

步驟三，使用Realizable k-ε湍流模型封閉城市大氣流場方程，加入太陽輻射方程，得到城市大氣流場控制方程；

步驟四，將城市重點污染源的排放數(shù)據(jù)、機動車尾氣排放的實時數(shù)據(jù)通過匹配地理位置坐標點方法，映射到步驟二所得城市三維模型重點污染源位置及主要街道位置所在處，生成城市重點污染源排放時空分布Q_1j(ξ₁，ξ₂，ξ₃，t)，其中ξ₁，ξ₂，ξ₃為坐標變量，t為時間變量；及主要街道尾氣污染物源濃度分布Q_2j(ξ₁，ξ₂，t)，融合城市環(huán)境監(jiān)測站點污染物濃度數(shù)據(jù)，采用雙線性插值生成全局污染物濃度初步估計分布Y_env，j，使用污染物輸送方程綜合上述所述三種數(shù)據(jù)源，即Q_1j(ξ₁，ξ₂，ξ₃，t)、Q_2j(ξ₁，ξ₂，t)和Y_env，j，得到實時污染物輸送模型；

步驟五，將多數(shù)據(jù)源全國尺度風場、污染物分布數(shù)據(jù)及ECMWF氣象數(shù)據(jù)，作為城市模型求解區(qū)域時變邊界參數(shù)，利用大氣邊界層理論得到入流面、出流面、上邊界及下墊面邊界條件；

步驟六，利用計算流體力學CFD求解器在步驟二所得城市三維網(wǎng)格模型上對第三步所得流場控制方程及第四步污染物輸送模型離散化，按步驟五的時變邊界條件，進行城市全局流場求解，得到無氣象因素實時環(huán)境質量分布；

步驟七，結合城市氣象數(shù)據(jù)，針對不同降水氣象，包括降雪和降雨，對第六步CFD湍流模型計算所得無氣象因素實時環(huán)境質量分布的計算結果進行對應沉降作用處理，得到城市實時全局環(huán)境質量分布；

步驟八，在步驟七得到當前時刻城市實時全局環(huán)境質量分布當前時刻環(huán)境質量分布計算結果基礎上，載入下一時刻氣象數(shù)據(jù)，重點污染源排放數(shù)據(jù)，機動車尾氣排放數(shù)據(jù)，進行實時循環(huán)計算，生成城市實時全局環(huán)境質量分布動態(tài)估計；

機動車尾氣排放因子估計模塊，使用一種基于MLP神經(jīng)網(wǎng)絡的機動車尾氣排放因子估計方法來實現(xiàn)，利用機動車尾氣遙測設備采集的實際道路上的機動車尾氣排放數(shù)據(jù)以及其他相關數(shù)據(jù)建立機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫，并據(jù)此建立針對于CO、HC和NO的MLP神經(jīng)網(wǎng)絡模型，實現(xiàn)機動車尾氣排放因子的實時在線估計；具體包含以下步驟：

步驟1：利用機動車尾氣遙感監(jiān)測設備采集的實際道路上的機動車尾氣排放數(shù)據(jù)，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(shù)據(jù)，所述其他相關數(shù)據(jù)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；

步驟2：對步驟1中采集到的機動車的尾氣排放數(shù)據(jù)進行預處理，并建立機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫；

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(shù)據(jù)庫，以及步驟1中采集到的其他相關數(shù)據(jù)分別建立針對于CO、HC和NO的MLP神經(jīng)網(wǎng)絡模型，依據(jù)MLP神經(jīng)網(wǎng)絡模型即實現(xiàn)機動車尾氣排放因子的實時在線估計；

機動車尾氣排放特征分析模塊，使用一種基于聚類分析的車輛尾氣排放特征分析處理方法來實現(xiàn)，采用灰色關聯(lián)分析方法從車輛類型、行駛工況、燃料類型、車輛使用年限、氣象條件中找出影響尾氣排放的主要影響因素，作為車輛尾氣排放特征分析的核心維度特征參數(shù)，利用基于密度的聚類算法對機動車進行尾氣排放貢獻程度的分類；具體包括如下步驟：

(1)抽取機動車尾氣遙測數(shù)據(jù)；

(2)對抽取的機動車尾氣遙測數(shù)據(jù)進行預處理；

(3)對步驟(2)中的預處理后的數(shù)據(jù)，采用灰色關聯(lián)分析方法從車輛類型、行駛工況、燃料類型、車輛使用年限、氣象條件諸多因素找出影響尾氣排放的主要影響因素，作為車輛尾氣排放特征分析處理的核心維度特征參數(shù)，實現(xiàn)尾氣污染物排放影響因素關聯(lián)特征選擇，得到影響尾氣排放的主要影響因素特征屬性；

(4)根據(jù)步驟(3)得到的影響尾氣排放的主要影響因素特征屬性，采用基于密度的聚類算法對檢測車輛尾氣排放特征數(shù)據(jù)進行分類得到分群類別，并計算每個排放分群組別的排放得分，然后根據(jù)排放得分對分群組別排序，構建車輛尾氣排放特征分析處理模型，根據(jù)車輛尾氣排放特征分析處理模型對車輛尾氣排放進行分析處理；

上述五個模塊分別實現(xiàn)不同的數(shù)據(jù)分析功能，選擇不同的模塊即可實現(xiàn)不同的功能；可以單獨使用，也可以兩個或兩個以上組合作用；

在需要獲得實時的道邊空氣污染物濃度估計值時，采用道邊空氣污染物濃度估計模塊；

在根據(jù)歷史空氣污染物濃度數(shù)據(jù)預報當前或未來某一時刻的空氣污染物濃度時，采用道邊空氣污染物濃度預報模塊；

在需要城市全局大氣環(huán)境的實時預測時，采用城市全局大氣環(huán)境預測模塊；

在需要進行機動車尾氣排放因子的實時在線估計時，采用機動車尾氣排放因子估計模塊；

在分析影響尾氣排放的主要影響因素，或對機動車進行尾氣排放貢獻程度進行分類時采用機動車尾氣排放特征分析模塊。