近年来,全球汽车保有量飞速增长,汽车尾气排放带来了巨大的环境影响和能源危机。我国目前拥有汽车24123.2万辆,石化能源消耗占全球19%,汽车污染物年平均排放总量为4359.7万吨,因此在能源供应、环境保护等方面面临着巨大挑战。如何通过新兴技术、交通管理和政策实现汽车的节能减排是交通学者长期关注的课题。本文针对汽车的节能减排问题,从油耗预测和节能驾驶行为优化两方面开展深入研究。首先,利用车联网获取的重型货车微观驾驶数据对卡车的能耗进行数据分析,对比了不同驾驶行为对油耗的影响。通过相关性分析验证了卡车运行状态与油耗之间的相关性。提出了一种基于车辆速度的车辆运行状态实时自动划分算法,将车辆运行状态自动划分为加速、减速、巡航三种模式。在此基础上,基于能量守恒定律提出了一种基于物理与数据驱动的油耗预测混合模型—能量消耗指数(ECI)模型。该模型对不同运行模式下的油耗使用不同的计算方式,对计算结果进行加权求和得到总油耗。通过与3种经典油耗预测模型进行对比实验后,发现该模型有更强的预测能力和通用性。其次,为了提高油耗的预测精度,本文提出了一种基于lstm深度网络的车辆油耗预测算法。该算法从网络参数选取方面对传统的lstm算法进行优化,将时间序列的数据转化为监督学习序列数据,提高了预测精度。同时为了明晰哪些车辆运行参数在油耗预测中发挥主导作用,本文对不同输入参数对油耗预测精度的影响进行了敏感度分析,实验结果表明,当输入为速度和加速度时预测效果最优。最后,针对车辆在行驶过程中“Stop and go”引起车辆燃油消耗增加的问题,提出了基于最优巡航速度(OESC)的智能网联汽车生态驾驶策略,使车辆在不停车的情况下能够顺利通过交通信号灯。为了验证OESC生态驾驶策略的燃油经济性,本文提出了一种离散速度轨迹优化(DSTO)模型,该模型以燃油消耗最小为系统目标函数,制定了相关约束条件,证明了目标函数存在最优解。对上述两种速度轨迹优化方法进行对比分析,发现两种轨迹优化方法节油性能几乎一致,但在时间效率方面OESC生态驾驶策略远远优于DSTO模型。因此OESC生态驾驶策略不仅能有效地减少燃油消耗,而且具有一定的工程应用价值。本文针对汽车排放问题,建立了两种汽车油耗预测模型,实现了对汽车油耗的精准预测,为生态驾驶行为优化提供依据。在此基础上,本文提出了一种最优巡航车速的生态驾驶策略,该策略有效解决了车辆行驶过程中的“Stop and go”现象,同时减少了车辆行驶过程中的燃油消耗。本文研究具有一定的社会经济价值。
暂无评论