一种基于底盘测功机数据和道路负载功率的混合机器学习方法，用于CNG车辆能耗与道路排放建模

《Materials》：A Hybrid Machine Learning Approach to Energy Consumption and Road Emissions Modeling of CNG Vehicles Based on Chassis Dynamometer Data and Road Load Power

　　

摘要

本研究对比分析了在真实驾驶条件（RDE）下，使用压缩天然气（CNG）作为燃料的车辆的能耗和气体排放情况，以及利用从底盘测功机数据开发的机器学习（ML）模型预测的数值。分析的参数包括能耗（EC）以及二氧化碳（CO₂）、一氧化碳（CO）、总碳氢化合物（HC）、甲烷（CH₄）和氮氧化物（NO_X）。这些模型是使用有限且易于获取的预测因子进行训练的，主要包括车辆速度和加速度。研究提出了一种混合建模方法，将实验室数据与实际运行条件下的验证结果相结合。此外，还引入了道路负载功率（P_rl）作为表示车辆运行负载的新预测因子。结果表明，这些模型能够有效捕捉排放趋势，其中二氧化碳（CO₂的预测一致性最高。引入P_rl后，预测准确性得到了提高，二氧化碳的预测准确性从大约64%提升到71%，总碳氢化合物的预测准确性从57%提升到61%。对于二氧化碳（CO₂，模型的预测结果与实际测量值的一致性达到了80–82%，能耗的预测准确性也达到了类似水平。所提出方法的一个关键优势在于它依赖于较少的输入变量，这不仅提高了模型的实用性，还保持了较高的预测精度。此外，使用精确的实验室数据增强了模型的稳健性，并且该方法能够估算甲烷（CH₄的排放量，而甲烷通常不是标准便携式排放测量系统（PEMSs）能够测量的。研究结果证实了这种混合机器学习框架的有效性，并强调了在真实世界排放和能耗建模中纳入负载相关参数的重要性。