【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及車輛碳排放預(yù)測，具體提出一種數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)及方法。
技術(shù)介紹
1、智能網(wǎng)聯(lián)車輛碳排放的評估與優(yōu)化是指通過分析車輛目前的行駛狀態(tài)來獲取車輛的碳排放數(shù)據(jù)，并根據(jù)評估的結(jié)果來通過數(shù)字孿生技術(shù)模擬駕駛行為得到碳減排的各種方案，讓目標(biāo)及時的采取相應(yīng)措施來使車輛的碳排放量減少。
2、數(shù)字孿生技術(shù)就是在虛擬世界構(gòu)建一個能夠反映現(xiàn)實物理實體各種特征的虛擬數(shù)字模型，數(shù)字孿生技術(shù)現(xiàn)在已經(jīng)逐漸滲透到了各個領(lǐng)域，其中就包括車輛的碳排放預(yù)測。
3、目前車輛采用的碳排放預(yù)測大都是基于行駛里程、燃油消耗和統(tǒng)計模型等方法來完成的，基于行駛里程的方法是依據(jù)車輛的行駛里程以及單位里程的平均碳排放因子來計算總碳排放量。但平均碳排放因子無法準(zhǔn)確反映不同車型、車況、駕駛習(xí)慣和路況等因素的影響，會導(dǎo)致預(yù)測結(jié)果不夠精確。而基于燃油消耗的方法是通過測量或估算車輛的燃油消耗，結(jié)合燃油的碳排放系數(shù)來計算碳排放量，燃油消耗的測量或估算可能存在誤差，且沒有考慮車輛在不同工況下燃油效率的變化。基于統(tǒng)計模型的方法是利用大量歷史數(shù)據(jù)建立統(tǒng)計模型，如回歸分析模型，來預(yù)測車輛的碳排放量，存在著模型完整性不足、易受環(huán)境因素影響等問題，會使得車輛碳排放數(shù)據(jù)的可靠性與準(zhǔn)確性得不到保證。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)所要解決的技術(shù)問題是：提供一種結(jié)合數(shù)字孿生技術(shù)的智能網(wǎng)聯(lián)車輛的碳排放評估與優(yōu)化的方法，通過將數(shù)字孿生與深度學(xué)習(xí)相結(jié)合并應(yīng)用于碳排放的預(yù)測環(huán)節(jié)中，模擬各種駕駛行為來得到碳排放的預(yù)測結(jié)
2、本專利技術(shù)為解決上述技術(shù)問題，提供了一種數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)，系統(tǒng)包括：
3、數(shù)據(jù)采集模塊：通過位于車輛各個設(shè)備與部件上（驅(qū)動電機，空調(diào)系統(tǒng)，電池管理系統(tǒng)，車載電子設(shè)備，動力轉(zhuǎn)向系統(tǒng)和制動系統(tǒng)等）的數(shù)據(jù)傳感器來對車輛運行過程中的相關(guān)數(shù)據(jù)進(jìn)行收集記錄，即記錄環(huán)境參數(shù)與車輛在給定外界環(huán)境下在當(dāng)前速度時的部件能耗，來構(gòu)建車輛的運行傳感數(shù)據(jù)集。
4、數(shù)字孿生模塊：根據(jù)數(shù)據(jù)采集模塊獲取的車輛的運行傳感數(shù)據(jù)集與車輛運行中其他部件（能耗與車輛運行狀態(tài)無關(guān)的部件）的工作參數(shù)以及車輛的一些靜態(tài)信息（車輛的設(shè)計參數(shù)、制造商提供的技術(shù)規(guī)格等）來構(gòu)建目標(biāo)車輛的數(shù)字孿生模型，并放置在車載邊緣設(shè)備上，同時根據(jù)車載邊緣設(shè)備實時收集到的車輛各部件信息與環(huán)境信息來對數(shù)字孿生模型的相關(guān)參數(shù)進(jìn)行更新，確保數(shù)字孿生模型能夠反映車輛的實時狀況。
5、評估模塊：根據(jù)數(shù)據(jù)采集模塊中采集的車輛各個部件的能耗實時計算車輛各個部件的碳排放量總和，并與碳排放量超標(biāo)界限做對比，判斷碳排放量是否超標(biāo)，若排放量超標(biāo)，則由預(yù)測模塊來獲取最優(yōu)的碳減排駕駛方案。
6、預(yù)測模塊：建立基于cnn的碳排放的動態(tài)預(yù)測模型，導(dǎo)入車輛的運行傳感數(shù)據(jù)集進(jìn)行學(xué)習(xí)，使得動態(tài)預(yù)測模型在輸入車輛速度與環(huán)境參數(shù)時能夠輸出車輛部件（驅(qū)動電機，空調(diào)系統(tǒng)，電池管理系統(tǒng)等）在后面時刻的能耗等預(yù)測結(jié)果。將碳排放的動態(tài)預(yù)測模型與數(shù)字孿生模型相結(jié)合來模擬多種駕駛行為，具體由數(shù)字孿生模型完成基于當(dāng)前時刻的駕駛行為模擬與仿真，得到后面時刻的車輛運行狀態(tài)，再結(jié)合碳排放的動態(tài)預(yù)測模型實現(xiàn)基于仿真車況下的預(yù)測，最終獲得車輛各部件在后面時刻的預(yù)期功耗，進(jìn)而得到車輛在多種模擬駕駛行為下的預(yù)測碳排放量，并由此篩選得到碳排放量最低的方案。
7、可視化模塊：車載屏幕將傳感器收集到的各個部件的碳排放量進(jìn)行動態(tài)展示，給予用戶直觀的車輛碳排放信息。當(dāng)評估與優(yōu)化模塊收集到最優(yōu)的碳減排方案時，方案將通過屏幕反饋給用戶。
8、另一方面本專利技術(shù)提供了一種數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，方法包括：
9、s1、記錄安裝在車輛上的傳感器所收集的信息；在智能網(wǎng)聯(lián)車輛的各個主要運行部件上安裝傳感器，檢測部件具體的能耗情況和收集相關(guān)環(huán)境參數(shù)；
10、s2、根據(jù)步驟s1收集的車輛運行過程中的數(shù)據(jù)，即在給定外界環(huán)境下車輛在某速度時的部件能耗，構(gòu)成車輛的運行傳感數(shù)據(jù)集；
11、s3、根據(jù)車輛的運行傳感數(shù)據(jù)集與傳感器收集到的車輛部件實時的工作狀態(tài)，以及車輛的靜態(tài)信息構(gòu)建目標(biāo)車輛的數(shù)字孿生模型；將構(gòu)建好的車輛數(shù)字孿生模型加載在車載邊緣設(shè)備上來處理傳感器收集的信息，同時根據(jù)實時收集到的各部件信息與環(huán)境信息來對數(shù)字孿生模型的相關(guān)參數(shù)進(jìn)行更新，使數(shù)字孿生模型能夠反映實時的車輛狀況；
12、s4、根據(jù)s1構(gòu)建的車輛的運行傳感數(shù)據(jù)集，得到車輛在運行過程中各種情況下各個部件的能耗，利用卷積神經(jīng)網(wǎng)絡(luò)cnn建立碳排放的動態(tài)預(yù)測模型；
13、s5、車載邊緣設(shè)備根據(jù)車輛傳感器獲取的碳排放信息來進(jìn)行評估，若此時車輛的整體碳排放量超標(biāo)，則數(shù)字孿生模型將與碳排放的預(yù)測模型相結(jié)合來進(jìn)行駕駛行為的模擬，并進(jìn)入步驟s6，若未超標(biāo)則車輛傳感器持續(xù)收集信息來完善各種駕駛環(huán)境下車輛各部件的能耗，并將完善后的數(shù)據(jù)集導(dǎo)入cnn進(jìn)行訓(xùn)練，進(jìn)入步驟s8；
14、s6、首先由步驟s3構(gòu)建的數(shù)字孿生模型完成基于當(dāng)前時刻t的車輛狀態(tài)下某一種駕駛行為的模擬仿真，獲得下一時刻t+1的車輛運行狀態(tài)以及參數(shù)a與參數(shù)b，再由步驟s3構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)t+1時刻車輛各部件的能耗預(yù)測，進(jìn)而得到車輛采取該種駕駛行為方案時的預(yù)測碳排放量；多次循環(huán)上述流程，獲得模擬多種駕駛行為方案所得的碳排放數(shù)據(jù)進(jìn)行篩選，選出排放量在未超標(biāo)的條件下合理且最優(yōu)的方案；
15、s7、根據(jù)模擬各種駕駛行為所得的碳排放數(shù)據(jù)進(jìn)行篩選，選出排放量在未超標(biāo)的條件下合理且最優(yōu)的駕駛行為方案，進(jìn)入步驟s8；
16、s8、收集信息實現(xiàn)可視化，將車輛上傳感器收集到的碳排放數(shù)據(jù)進(jìn)行可視化構(gòu)建，將各個部件對應(yīng)的能耗通過車載屏幕反饋給用戶，完成動態(tài)展示，讓用戶了解車輛的整體碳排放情況；當(dāng)步驟s7中獲取到最優(yōu)的碳減排駕駛行為方案時，此方案將通過車載屏幕反饋給用戶，供給用戶選擇執(zhí)行。
17、進(jìn)一步地，步驟s1中，基于獲得的車輛部件能耗，結(jié)合電能碳排放因子，將兩者相乘，得到車輛的碳排放量。
18、進(jìn)一步地，步驟s2中，運行傳感數(shù)據(jù)集采用三元組<a，b，c>的形式；參數(shù)a代表的是傳感器收集的車輛實時車速；參數(shù)b代表的是傳感器收集的車輛的環(huán)境參數(shù)，共由三位數(shù)字組構(gòu)成，數(shù)字組中第一位表示車輛外部的天氣環(huán)境，第二位表示當(dāng)前車輛行駛狀態(tài)，第三位表示當(dāng)前路況，包括上坡程度、下坡程度、路面平坦無坡度、路面顛簸；參數(shù)c代表的是此時車輛部件對應(yīng)的能耗，共由兩位數(shù)字組構(gòu)成，數(shù)字組中第一位表示車輛某一部件的編號，第二位表示對應(yīng)部件此時的耗電量。
19、進(jìn)一步地，步驟s4中，基于cnn的碳排放的動態(tài)預(yù)測模型的建立流程為，將步驟s2建立的運行傳感數(shù)據(jù)集導(dǎo)入cnn進(jìn)行訓(xùn)練，輸入為車輛運行數(shù)據(jù)集中的參數(shù)a與參數(shù)b，即本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
1.數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)，其特征在于：所述系統(tǒng)包括如下部分：
2.根據(jù)權(quán)利要求1所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)，其特征在于：數(shù)字孿生模塊中，根據(jù)車載邊緣設(shè)備實時收集到的車輛各部件信息與環(huán)境信息來對數(shù)字孿生模型的相關(guān)參數(shù)進(jìn)行更新，確保數(shù)字孿生模型能夠反映車輛的實時狀況。
3.根據(jù)權(quán)利要求1所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)，其特征在于：預(yù)測模塊中，將碳排放的動態(tài)預(yù)測模型與數(shù)字孿生模型相結(jié)合來模擬多種駕駛行為，由數(shù)字孿生模型完成基于當(dāng)前時刻的駕駛行為模擬與仿真，得到后面時刻的車輛運行狀態(tài)，再結(jié)合碳排放的動態(tài)預(yù)測模型實現(xiàn)基于仿真車況下的預(yù)測，最終獲得車輛各部件在后面時刻的預(yù)期功耗，進(jìn)而得到車輛在多種模擬駕駛行為下的預(yù)測碳排放量，并由此篩選得到碳排放量最低的方案。
4.根據(jù)權(quán)利要求1-3中任一項所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)的碳排放預(yù)測方法，其特征在于：所述方法包括如下步驟：
5.根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟S1中，基于獲得的車輛部件能耗
6.?根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟S2中，運行傳感數(shù)據(jù)集采用三元組<a，b，c?>的形式；參數(shù)a代表的是傳感器收集的車輛實時車速；參數(shù)b代表的是傳感器收集的車輛的環(huán)境參數(shù)，共由三位數(shù)字組構(gòu)成，數(shù)字組中第一位表示車輛外部的天氣環(huán)境，第二位表示當(dāng)前車輛行駛狀態(tài)，第三位表示當(dāng)前路況，包括上坡程度、下坡程度、路面平坦無坡度、路面顛簸；參數(shù)c代表的是此時車輛部件對應(yīng)的能耗，共由兩位數(shù)字組構(gòu)成，數(shù)字組中第一位表示車輛某一部件的編號，第二位表示對應(yīng)部件此時的耗電量。
7.根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟S4中，基于CNN的碳排放的動態(tài)預(yù)測模型的建立流程為，將步驟S2建立的運行傳感數(shù)據(jù)集導(dǎo)入CNN進(jìn)行訓(xùn)練，輸入為車輛運行數(shù)據(jù)集中的參數(shù)a與參數(shù)b，即輸入車輛當(dāng)前的速度與此時環(huán)境參數(shù)，輸出為運行數(shù)據(jù)集中的參數(shù)c，即對應(yīng)部件正常工作時的功耗；使經(jīng)過訓(xùn)練后的CNN碳排放的動態(tài)預(yù)測模型在輸入車輛速度與環(huán)境參數(shù)時，能夠輸出車輛部件在后面時刻即將產(chǎn)生能耗的預(yù)測結(jié)果；同時持續(xù)補充車輛的運行傳感數(shù)據(jù)集并導(dǎo)入CNN碳排放的動態(tài)預(yù)測模型進(jìn)行訓(xùn)練，保證預(yù)測結(jié)果的準(zhǔn)確性。
8.根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟S6中，所述預(yù)測駕駛行為的能耗的流程為，首先由車載導(dǎo)航確定目前可行的路線與對應(yīng)的路況，并記錄為路線1、路線2、……、路線n，其中n≥1且為整數(shù)；再設(shè)定方向參數(shù)A、速度參數(shù)B、車載設(shè)備參數(shù)C三者排列組合得到一系列的駕駛行為；其中A為與車輛行駛方向有關(guān)的駕駛行為，如左轉(zhuǎn)，右轉(zhuǎn)，直行；其中B為與車輛行駛速度有關(guān)的駕駛行為，包括加速、減速、保持當(dāng)前車速；其中C為與車載設(shè)備有關(guān)的駕駛行為；由此得到一系列由某一路線與A、B、C三種駕駛行為聯(lián)合組成的駕駛行為調(diào)整策略，再通過數(shù)字孿生模型和碳排放動態(tài)預(yù)測模型對駕駛策略進(jìn)行預(yù)測，得到所對應(yīng)的碳減排方案及其碳排放量，即方案1、方案2、……、方案m，m≥1，m為整數(shù)。
9.根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟S7中，對于駕駛行為方案的合理且最優(yōu)的判斷包括如下篩選流程，第一步篩選用于去除碳排放量高的方案，即由碳排放的動態(tài)預(yù)測模塊排除掉碳排放量仍然超標(biāo)的方案，得到方案1、方案2、……、方案v，m≥v≥1，v為整數(shù)；第二步篩選基于方案合理性，排除車速過低與車速過高的方案，以及與當(dāng)前車輛行駛環(huán)境相沖突的方案，得到方案1、方案2、……、方案k，m≥v≥k≥1，k為整數(shù)；第三步篩選是按照碳排放量最低的標(biāo)準(zhǔn)進(jìn)行排序，選擇出經(jīng)過前述兩步篩選后剩余的方案中碳排放量最低的方案，得到最優(yōu)的駕駛行為方案。
10.根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟S8中，在用戶選擇執(zhí)行碳減排駕駛行為方案時，數(shù)字孿生模型與碳排放的預(yù)測模型通過將模擬所得的車況及碳排放數(shù)據(jù)與實際執(zhí)行中所得的數(shù)據(jù)進(jìn)行對比，根據(jù)誤差來不斷地對模型的相關(guān)參數(shù)進(jìn)行優(yōu)化和調(diào)整。
...【技術(shù)特征摘要】
1.數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)，其特征在于：所述系統(tǒng)包括如下部分：
2.根據(jù)權(quán)利要求1所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)，其特征在于：數(shù)字孿生模塊中，根據(jù)車載邊緣設(shè)備實時收集到的車輛各部件信息與環(huán)境信息來對數(shù)字孿生模型的相關(guān)參數(shù)進(jìn)行更新，確保數(shù)字孿生模型能夠反映車輛的實時狀況。
3.根據(jù)權(quán)利要求1所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)，其特征在于：預(yù)測模塊中，將碳排放的動態(tài)預(yù)測模型與數(shù)字孿生模型相結(jié)合來模擬多種駕駛行為，由數(shù)字孿生模型完成基于當(dāng)前時刻的駕駛行為模擬與仿真，得到后面時刻的車輛運行狀態(tài)，再結(jié)合碳排放的動態(tài)預(yù)測模型實現(xiàn)基于仿真車況下的預(yù)測，最終獲得車輛各部件在后面時刻的預(yù)期功耗，進(jìn)而得到車輛在多種模擬駕駛行為下的預(yù)測碳排放量，并由此篩選得到碳排放量最低的方案。
4.根據(jù)權(quán)利要求1-3中任一項所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測系統(tǒng)的碳排放預(yù)測方法，其特征在于：所述方法包括如下步驟：
5.根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟s1中，基于獲得的車輛部件能耗，結(jié)合電能碳排放因子，將兩者相乘，得到車輛的碳排放量。
6.?根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟s2中，運行傳感數(shù)據(jù)集采用三元組<a，b，c?>的形式；參數(shù)a代表的是傳感器收集的車輛實時車速；參數(shù)b代表的是傳感器收集的車輛的環(huán)境參數(shù)，共由三位數(shù)字組構(gòu)成，數(shù)字組中第一位表示車輛外部的天氣環(huán)境，第二位表示當(dāng)前車輛行駛狀態(tài)，第三位表示當(dāng)前路況，包括上坡程度、下坡程度、路面平坦無坡度、路面顛簸；參數(shù)c代表的是此時車輛部件對應(yīng)的能耗，共由兩位數(shù)字組構(gòu)成，數(shù)字組中第一位表示車輛某一部件的編號，第二位表示對應(yīng)部件此時的耗電量。
7.根據(jù)權(quán)利要求4所述的數(shù)字孿生輔助智能網(wǎng)聯(lián)車輛碳排放預(yù)測方法，其特征在于：步驟s4中，基于cnn的碳排放的動態(tài)預(yù)測模型的建立流程為，將步驟s2建立的運行傳感數(shù)據(jù)集導(dǎo)入cnn進(jìn)行訓(xùn)練，輸入為車輛運行數(shù)據(jù)集中的參數(shù)a與參數(shù)b，即輸入車輛當(dāng)前的速度與...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：郭永安，李曾杰，周沂，王宇翱，孫洪波，
申請(專利權(quán))人：邊緣智能研究院南京有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。