广东工业大学学报 ›› 2023, Vol. 40 ›› Issue (01): 107-112.doi: 10.12052/gdutxb.220103

• • 上一篇    下一篇

基于BP神经网络的车辆碳排放测算研究

彭美春1, 阳晨1, 李君平1, 叶伟斌1, 黄文伟2   

  1. 1. 广东工业大学 机电工程学院，广东 广州 510006;
    2. 深圳职业技术学院 汽车与交通学院，广东 深圳 518055
  • 收稿日期:2022-06-08 出版日期:2023-01-25 发布日期:2023-01-12
  • 作者简介:彭美春(1963-),女,教授,博士,主要研究方向为机动车排放污染等,E-mail:mcpeng@gdut.edu.cn
  • 基金资助:
    深圳市环境科研课题项目(2019XY1368STZF)

A Research on Vehicle Carbon Emission Calculating Method Based on BP Neural Network

Peng Mei-chun1, Yang Chen1, Li Jun-ping1, Ye Wei-bin1, Huang Wen-wei2   

  1. 1. School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510006, China;
    2. School of Automotive and Transportation Engineering, Shenzhen Polytechnic, Shenzhen 518055, China
  • Received:2022-06-08 Online:2023-01-25 Published:2023-01-12

HTML

PDF (PC)

1511

摘要： 研究轻型车辆碳排放测算方法，分析车辆碳排放与运行工况关系。基于车辆实际行驶污染物排放(Real Drive Emission, RDE)车载测试数据，以CO2当量CO2e代表碳排放，分析得出碳排放速率随车速、比功率(Vehicle Specific Power, VSP)增大而上升；运用BP (Back Propagation) 神经网络算法建立车辆碳排放与车速、加速度、比功率多参数间非线性关系测算模型，计算得出世界轻型车测试循环(World Light Vehicle Test Cycle，WLTC)、新欧洲行驶循环(New European Driving Cycle, NEDC)和中国轻型商用车行驶工况(China Light-duty Vehicle Test Cycle-commercial Car, CLTC-C)3种台架测试循环工况下的碳排放因子。比较发现3种台架测试循环工况下的碳排放因子均高于实际道路行驶碳排放因子，其中WLTC下碳排放因子最高，其次是NEDC，再是CLTC-C，原因是加速度越大、车速越高的测试工况导致碳排放增加。

关键词: 轻型汽油车, 碳排放, 神经网络, 测算方法, 实际行驶污染物, 测试工况

Abstract: The carbon emission calculating method of light vehicle is studied, and the relationship between vehicle carbon emission and operating conditions analyzed. Based on the on-board test data of real drive emission (RDE) of vehicles, the carbon emission is represented by CO2 equivalent CO2e. It is indicated that the carbon emission rate increases with the increase of vehicle speed and specific power. The Back Propagation (BP) neural network algorithm is used to establish the nonlinear relationship between vehicle carbon emission and speed, acceleration and vehicle specific power (VSP), and calculate the carbon emission factors under three bench test cycle conditions of World Light Vehicle Test Cycle (WLTC), New European Driving Cycle (NEDC) and China Light-duty Vehicle Test Cycle-commercial Car (CLTC-C). It is found that the carbon emission factors under the three bench test cycle conditions are higher than the actual road driving carbon emission factors, among which the carbon emission factor under WLTC is the highest, followed by NEDC and CLTC-C. The reason is that the test conditions with higher acceleration and speed lead to increased carbon emissions.

Key words: light-duty gasoline vehicle, carbon emissions, neural network, calculation method, real drive emission (RDE), test cycles

中图分类号: 

  • U467.1+1
[1] 周菊. 汽车业碳中和: “倒逼”还未开始[EB/OL]. (2021-06-18) . http://www.eeo.com.cn/2021/0618/492132.shtml.
[2] 国家市场监督管理总局, 中国国家标准化管理委员会. GB/T 38146.1-2019中国汽车行驶工况 第1部分: 轻型汽车[S]. 北京: 中国标准出版社, 2019.
[3] 彭美春, 朱兵禄, 胡红斐, 等. 重型货运车辆碳排放特性研究[J]. 安全与环境学报, 2016, 16(1): 269-272.
PENG M C, ZHU B L, HU H F, et al. Study on the carbon emission characteristics of the heavy duty freight trucks [J]. Journal of Safety and Environment, 2016, 16(1): 269-272.
[4] 刘明, 何超, 李加强, 等. 基于比功率与发动机功率的重型柴油车实际道路排特性[J]. 科学技术与工程, 2018, 18(34): 64-70.
LIU M, HE C, LI J Q, et al. Actual road emission characteristics of heavy-duty diesel vehicle based on vehicle specific power and engine power [J]. Science Technology and Engineering, 2018, 18(34): 64-70.
[5] DEMIR E, BEKTAS T, LAPORTE G. A review of recent research on green road freight transportation [J]. European Journal of Operational Research, 2014, 237(3): 775-793.
[6] BOWYER D P, AKCELIK R, BIGGS D C. Guide to fuel consumption analyses for urban traffic management[M]. Melbourne: Australian Road Research Board, 1985.
[7] 彭美春, 廖清睿, 曾隆隆, 等. 道路营运新能源汽车减碳测算[J]. 广东工业大学学报, 2020, 37(2): 39-44.
PENG M C, LIAO Q R, ZENG L L, et al. Calculation of carbon reduction for new energy vehicles in road transportation [J]. Journal of Guangdong University of Technology, 2020, 37(2): 39-44.
[8] 柳邵辉, 王昊, 郑天雷, 等. 欧美轻型汽车二氧化碳排放法规修订草案研究[J]. 中国汽车, 2021(9): 10-16.
LIU S H, WANG H, ZHENG T L, et al. Research on the revised draft of CO2 emission regulations for light-duty vehicles in Europe and USA [J]. China Auto, 2021(9): 10-16.
[9] 崔莹, 张明顺. 中欧乘用车碳排放水平对比研究[J]. 环境监测管理与技术, 2018, 30(6): 6-9.
CUI Y, ZHANG M S. Comparative study of CO2 emission level between the passenger cars from China and European Union [J]. The Administration and Technique of Environmental Monitoring, 2018, 30(6): 6-9.
[10] 陈盛樑, 罗宇, 黄川, 等. 汽车尾气三效催化转化器及其最新进展[J]. 重庆大学学报(自然科学版) , 2002(9): 90-93.
CHEN S L, LUO Y, HUANG C, et al. Three-effect catalytic converter of vehicle exhaust and the latest development [J]. Journal of Chongqing University (Natural Science Edition) , 2002(9): 90-93.
[11] 曾恩山, 熊锐, 吴坚, 等. 车用催化剂的台架快速老化研究[J]. 广东工业大学学报, 2016, 33(6): 49-52,56.
ZENG E S, XIONG R, WU J, et al. A study of rapid aging of automotive catalyst on the bench [J]. Journal of Guangdong University of Technology, 2016, 33(6): 49-52,56.
[12] 何立强. 中国机动车温室效应污染物排放清单及其削减潜力研究[D]. 北京: 中国环境科学研究院, 2014.
[13] 王一帆. 成都市机动车碳排放量计算探析[D]. 成都: 西南交通大学, 2011.
[14] 孙凤. 面向交通排放测算的轻重型车比功率分布特性与模型研究[D]. 北京: 北京交通大学, 2012.
[15] 赵金元, 马振, 唐海亮. BP神经网络和多元线性回归模型对碳排放预测的比较[J]. 科技和产业, 2020, 20(11): 172-176.
ZHAO J Y, MA Z, TANG H L. Comparison of BP neural network and multiple linear regression models for carbon emissions prediction [J]. Science Technology and Industry, 2020, 20(11): 172-176.
[16] 刘天舒. BP神经网络的改进研究及应用[D]. 哈尔滨: 东北农业大学, 2011.
[1] 谢国波, 林立, 林志毅, 贺笛轩, 文刚. 基于YOLOv4-MP的绝缘子爆裂缺陷检测方法[J]. 广东工业大学学报, 2023, 40(02): 15-21.
[2] 张锐, 吕俊. 基于分离结果信噪比估计与自适应调频网络的单通道语音分离技术[J]. 广东工业大学学报, 2023, 40(02): 45-54.
[3] 邱俊豪, 程志键, 林国怀, 任鸿儒, 鲁仁全. 具有执行器故障的非线性系统指定性能控制[J]. 广东工业大学学报, 2023, 40(02): 55-63.
[4] 陈靖宇, 吕毅. 基于脉冲神经网络的冷链制冷机结霜检测方法[J]. 广东工业大学学报, 2023, 40(01): 29-38.
[5] 叶文权, 李斯, 凌捷. 基于多级残差U-Net的稀疏SPECT图像重建[J]. 广东工业大学学报, 2023, 40(01): 61-67.
[6] 刘洪伟, 林伟振, 温展明, 陈燕君, 易闽琦. 基于MABM的消费者情感倾向识别模型——以电影评论为例[J]. 广东工业大学学报, 2022, 39(06): 1-9.
[7] 章云, 王晓东. 基于受限样本的深度学习综述与思考[J]. 广东工业大学学报, 2022, 39(05): 1-8.
[8] 彭积广, 肖涵臻. 模型预测控制下多移动机器人的跟踪与避障[J]. 广东工业大学学报, 2022, 39(05): 93-101.
[9] 黎耀东, 任志刚, 吴宗泽. 基于深度神经网络的注塑过程预测控制[J]. 广东工业大学学报, 2022, 39(05): 120-126,136.
[10] 曾江毅, 李志生, 欧耀春, 金宇凯. 季节指数改进的PM2.5质量浓度组合预测模型研究[J]. 广东工业大学学报, 2022, 39(03): 89-94.
[11] Gary Yen, 栗波, 谢胜利. 地球流体动力学模型恢复的长短期记忆网络渐进优化方法[J]. 广东工业大学学报, 2021, 38(06): 1-8.
[12] 郭心德, 丁宏强. 离散制造智能工厂场景的AGV路径规划方法[J]. 广东工业大学学报, 2021, 38(06): 70-76.
[13] 卢晓晴, 方媛, 梁泽奇. 农村用电碳排放变化驱动因素研究[J]. 广东工业大学学报, 2021, 38(05): 90-96.
[14] 黄剑航, 王振友. 基于特征融合的深度学习目标检测算法研究[J]. 广东工业大学学报, 2021, 38(04): 52-58.
[15] 马少鹏, 梁路, 滕少华. 一种轻量级的高光谱遥感图像分类方法[J]. 广东工业大学学报, 2021, 38(03): 29-35.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 2017 《广东工业大学学报》编辑部
地址：广州市东风东路729号广东工业大学 邮编：510090
电话：020-37626653,020-37626139,020-37626396
邮箱：xbzrb@gdut.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发