机动车能耗、排放机器学习建模
Date:
机动车能耗、排放模型是评估和管理交通污染的核心工具。运用模型对机动车排放和能耗的定量表征不但具有科学意义，更具有决策意义。然而，现有模型的建模方法论主要成型于二十年前，主流模型的建模思路均是通过少量的“代用参数”（速度、比功率等）对机动车排放和能耗进行表征。随着机器学习、人工智能技术的发展，数据驱动的模型开始在排放建模中展现出强大的潜力。此类模型不再局限于传统物理意义明确的单一参数，而是能够从高维、多源的运行与环境变量中自动学习出复杂的非线性映射关系，实现对排放行为更精细的刻画。这种方法在提升模型拟合精度的同时，也增强了模型在不同使用场景下的泛化能力。在这样的背景下，完成了以下工作：
（1）机动车能耗建模
数据是实测数据：
输入特征： 参数包括：VSP, RPA, J, slope, avg.v, var.v, avg.a, var.a, sum.h, Δs等。 部分参数的计算公式：
\[VSP = v \left[ 1.1a + 9.81 \left( a \tan(\sin \theta) \right) + 0.132 \right] + 0.000302v^3\] \[RPA = \frac{ \int_{T-5}^{T} (v_i \times a_i^+) \, dt }{x}\] \[J = \frac{da}{dt} = \frac{d^2v}{dt^2}\]目标值的计算公式：
\[E_{BEV} = C_f U_{bi} I_{bi} (t_{i+1} - t_i)^{\zeta_i}\] \[E_{ICEV} = \frac{F_{Ci}}{F_E}\] \[E_{PHEV} = \frac{F_{Ci}}{F_E} + C_f U_{bi} I_{bi} (t_{i+1} - t_i)^{\zeta_i}\]建模方法为GridsearchCV，即为网格搜索，使用XGBOOST完成建模。
（2）重型车辆NOx排放建模
数据是从OBM数据平台中下载的数据。
输入特征和目标值：
其中， \(v\) 为速度， \(v_{t-1}\) 为前一秒的车辆速度， \(v_{t+1}\) 为后一秒的车辆速度（下同）。 \(T_{out}\) 为发动机净输出扭矩， \(T_{f}\) 为发动机摩擦扭矩，RPM为发动机转速， \(F_{fuel}\) 为车辆燃油消耗率， MAF为进气量， \(T_{SCR-in}\) 为SCR装置的入口温度， \(T_{SCR-out}\) 为SCR装置的出口温度。
分为两种模型，第一种是没有经过SCR装置的NOx排放模型；第二种是经过SCR装置的NOx排放模型。 目标值的计算公式：
\[NO_{\text{mass},x,\text{up},t} = \frac{0.001 \times 46}{3600 \times 22.4} \times \frac{1}{\rho_e} \times NO_{x,\text{up-stream},t} \times \left( F_{\text{fuel},t} \times \rho_{\text{fuel}} + \text{MAF}_t \right)\] \[NO_{\text{mass},x,\text{down},t} = \frac{0.001 \times 46}{3600 \times 22.4} \times \frac{1}{\rho_e} \times NO_{x,\text{down-stream},t} \times \left( F_{\text{fuel},t} \times \rho_{\text{fuel}} + \text{MAF}_t \right)\]建模流程采用了贝叶斯优化，流程图如下：
📎 GitHub源码仓库：Starbutterflies/zeping_only