【技術實現步驟摘要】
本專利技術涉及車輛碳排放預測，具體提出一種數字孿生輔助智能網聯車輛碳排放預測系統及方法。
技術介紹
1、智能網聯車輛碳排放的評估與優化是指通過分析車輛目前的行駛狀態來獲取車輛的碳排放數據，并根據評估的結果來通過數字孿生技術模擬駕駛行為得到碳減排的各種方案，讓目標及時的采取相應措施來使車輛的碳排放量減少。
2、數字孿生技術就是在虛擬世界構建一個能夠反映現實物理實體各種特征的虛擬數字模型，數字孿生技術現在已經逐漸滲透到了各個領域，其中就包括車輛的碳排放預測。
3、目前車輛采用的碳排放預測大都是基于行駛里程、燃油消耗和統計模型等方法來完成的，基于行駛里程的方法是依據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確反映不同車型、車況、駕駛習慣和路況等因素的影響，會導致預測結果不夠精確。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，結合燃油的碳排放系數來計算碳排放量，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。基于統計模型的方法是利用大量歷史數據建立統計模型，如回歸分析模型，來預測車輛的碳排放量，存在著模型完整性不足、易受環境因素影響等問題，會使得車輛碳排放數據的可靠性與準確性得不到保證。
技術實現思路
1、本專利技術所要解決的技術問題是：提供一種結合數字孿生技術的智能網聯車輛的碳排放評估與優化的方法，通過將數字孿生與深度學習相結合并應用于碳排放的預測環節中，模擬各種駕駛行為來得到碳排放的預測結
2、本專利技術為解決上述技術問題，提供了一種數字孿生輔助智能網聯車輛碳排放預測系統，系統包括：
3、數據采集模塊：通過位于車輛各個設備與部件上（驅動電機，空調系統，電池管理系統，車載電子設備，動力轉向系統和制動系統等）的數據傳感器來對車輛運行過程中的相關數據進行收集記錄，即記錄環境參數與車輛在給定外界環境下在當前速度時的部件能耗，來構建車輛的運行傳感數據集。
4、數字孿生模塊：根據數據采集模塊獲取的車輛的運行傳感數據集與車輛運行中其他部件（能耗與車輛運行狀態無關的部件）的工作參數以及車輛的一些靜態信息（車輛的設計參數、制造商提供的技術規格等）來構建目標車輛的數字孿生模型，并放置在車載邊緣設備上，同時根據車載邊緣設備實時收集到的車輛各部件信息與環境信息來對數字孿生模型的相關參數進行更新，確保數字孿生模型能夠反映車輛的實時狀況。
5、評估模塊：根據數據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，并與碳排放量超標界限做對比，判斷碳排放量是否超標，若排放量超標，則由預測模塊來獲取最優的碳減排駕駛方案。
6、預測模塊：建立基于cnn的碳排放的動態預測模型，導入車輛的運行傳感數據集進行學習，使得動態預測模型在輸入車輛速度與環境參數時能夠輸出車輛部件（驅動電機，空調系統，電池管理系統等）在后面時刻的能耗等預測結果。將碳排放的動態預測模型與數字孿生模型相結合來模擬多種駕駛行為，具體由數字孿生模型完成基于當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，再結合碳排放的動態預測模型實現基于仿真車況下的預測，最終獲得車輛各部件在后面時刻的預期功耗，進而得到車輛在多種模擬駕駛行為下的預測碳排放量，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行動態展示，給予用戶直觀的車輛碳排放信息。當評估與優化模塊收集到最優的碳減排方案時，方案將通過屏幕反饋給用戶。
8、另一方面本專利技術提供了一種數字孿生輔助智能網聯車輛碳排放預測方法，方法包括：
9、s1、記錄安裝在車輛上的傳感器所收集的信息；在智能網聯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環境參數；
10、s2、根據步驟s1收集的車輛運行過程中的數據，即在給定外界環境下車輛在某速度時的部件能耗，構成車輛的運行傳感數據集；
11、s3、根據車輛的運行傳感數據集與傳感器收集到的車輛部件實時的工作狀態，以及車輛的靜態信息構建目標車輛的數字孿生模型；將構建好的車輛數字孿生模型加載在車載邊緣設備上來處理傳感器收集的信息，同時根據實時收集到的各部件信息與環境信息來對數字孿生模型的相關參數進行更新，使數字孿生模型能夠反映實時的車輛狀況；
12、s4、根據s1構建的車輛的運行傳感數據集，得到車輛在運行過程中各種情況下各個部件的能耗，利用卷積神經網絡cnn建立碳排放的動態預測模型；
13、s5、車載邊緣設備根據車輛傳感器獲取的碳排放信息來進行評估，若此時車輛的整體碳排放量超標，則數字孿生模型將與碳排放的預測模型相結合來進行駕駛行為的模擬，并進入步驟s6，若未超標則車輛傳感器持續收集信息來完善各種駕駛環境下車輛各部件的能耗，并將完善后的數據集導入cnn進行訓練，進入步驟s8；
14、s6、首先由步驟s3構建的數字孿生模型完成基于當前時刻t的車輛狀態下某一種駕駛行為的模擬仿真，獲得下一時刻t+1的車輛運行狀態以及參數a與參數b，再由步驟s3構建的卷積神經網絡實現t+1時刻車輛各部件的能耗預測，進而得到車輛采取該種駕駛行為方案時的預測碳排放量；多次循環上述流程，獲得模擬多種駕駛行為方案所得的碳排放數據進行篩選，選出排放量在未超標的條件下合理且最優的方案；
15、s7、根據模擬各種駕駛行為所得的碳排放數據進行篩選，選出排放量在未超標的條件下合理且最優的駕駛行為方案，進入步驟s8；
16、s8、收集信息實現可視化，將車輛上傳感器收集到的碳排放數據進行可視化構建，將各個部件對應的能耗通過車載屏幕反饋給用戶，完成動態展示，讓用戶了解車輛的整體碳排放情況；當步驟s7中獲取到最優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，供給用戶選擇執行。
17、進一步地，步驟s1中，基于獲得的車輛部件能耗，結合電能碳排放因子，將兩者相乘，得到車輛的碳排放量。
18、進一步地，步驟s2中，運行傳感數據集采用三元組<a，b，c>的形式；參數a代表的是傳感器收集的車輛實時車速；參數b代表的是傳感器收集的車輛的環境參數，共由三位數字組構成，數字組中第一位表示車輛外部的天氣環境，第二位表示當前車輛行駛狀態，第三位表示當前路況，包括上坡程度、下坡程度、路面平坦無坡度、路面顛簸；參數c代表的是此時車輛部件對應的能耗，共由兩位數字組構成，數字組中第一位表示車輛某一部件的編號，第二位表示對應部件此時的耗電量。
19、進一步地，步驟s4中，基于cnn的碳排放的動態預測模型的建立流程為，將步驟s2建立的運行傳感數據集導入cnn進行訓練，輸入為車輛運行數據集中的參數a與參數b，即本文檔來自技高網...
【技術保護點】
1.數字孿生輔助智能網聯車輛碳排放預測系統，其特征在于：所述系統包括如下部分：
2.根據權利要求1所述的數字孿生輔助智能網聯車輛碳排放預測系統，其特征在于：數字孿生模塊中，根據車載邊緣設備實時收集到的車輛各部件信息與環境信息來對數字孿生模型的相關參數進行更新，確保數字孿生模型能夠反映車輛的實時狀況。
3.根據權利要求1所述的數字孿生輔助智能網聯車輛碳排放預測系統，其特征在于：預測模塊中，將碳排放的動態預測模型與數字孿生模型相結合來模擬多種駕駛行為，由數字孿生模型完成基于當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，再結合碳排放的動態預測模型實現基于仿真車況下的預測，最終獲得車輛各部件在后面時刻的預期功耗，進而得到車輛在多種模擬駕駛行為下的預測碳排放量，并由此篩選得到碳排放量最低的方案。
4.根據權利要求1-3中任一項所述的數字孿生輔助智能網聯車輛碳排放預測系統的碳排放預測方法，其特征在于：所述方法包括如下步驟：
5.根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟S1中，基于獲得的車輛部件能耗
6.?根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟S2中，運行傳感數據集采用三元組<a，b，c?>的形式；參數a代表的是傳感器收集的車輛實時車速；參數b代表的是傳感器收集的車輛的環境參數，共由三位數字組構成，數字組中第一位表示車輛外部的天氣環境，第二位表示當前車輛行駛狀態，第三位表示當前路況，包括上坡程度、下坡程度、路面平坦無坡度、路面顛簸；參數c代表的是此時車輛部件對應的能耗，共由兩位數字組構成，數字組中第一位表示車輛某一部件的編號，第二位表示對應部件此時的耗電量。
7.根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟S4中，基于CNN的碳排放的動態預測模型的建立流程為，將步驟S2建立的運行傳感數據集導入CNN進行訓練，輸入為車輛運行數據集中的參數a與參數b，即輸入車輛當前的速度與此時環境參數，輸出為運行數據集中的參數c，即對應部件正常工作時的功耗；使經過訓練后的CNN碳排放的動態預測模型在輸入車輛速度與環境參數時，能夠輸出車輛部件在后面時刻即將產生能耗的預測結果；同時持續補充車輛的運行傳感數據集并導入CNN碳排放的動態預測模型進行訓練，保證預測結果的準確性。
8.根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟S6中，所述預測駕駛行為的能耗的流程為，首先由車載導航確定目前可行的路線與對應的路況，并記錄為路線1、路線2、……、路線n，其中n≥1且為整數；再設定方向參數A、速度參數B、車載設備參數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的駕駛行為，如左轉，右轉，直行；其中B為與車輛行駛速度有關的駕駛行為，包括加速、減速、保持當前車速；其中C為與車載設備有關的駕駛行為；由此得到一系列由某一路線與A、B、C三種駕駛行為聯合組成的駕駛行為調整策略，再通過數字孿生模型和碳排放動態預測模型對駕駛策略進行預測，得到所對應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。
9.根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，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，即由碳排放的動態預測模塊排除掉碳排放量仍然超標的方案，得到方案1、方案2、……、方案v，m≥v≥1，v為整數；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，以及與當前車輛行駛環境相沖突的方案，得到方案1、方案2、……、方案k，m≥v≥k≥1，k為整數；第三步篩選是按照碳排放量最低的標準進行排序，選擇出經過前述兩步篩選后剩余的方案中碳排放量最低的方案，得到最優的駕駛行為方案。
10.根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟S8中，在用戶選擇執行碳減排駕駛行為方案時，數字孿生模型與碳排放的預測模型通過將模擬所得的車況及碳排放數據與實際執行中所得的數據進行對比，根據誤差來不斷地對模型的相關參數進行優化和調整。
...【技術特征摘要】
1.數字孿生輔助智能網聯車輛碳排放預測系統，其特征在于：所述系統包括如下部分：
2.根據權利要求1所述的數字孿生輔助智能網聯車輛碳排放預測系統，其特征在于：數字孿生模塊中，根據車載邊緣設備實時收集到的車輛各部件信息與環境信息來對數字孿生模型的相關參數進行更新，確保數字孿生模型能夠反映車輛的實時狀況。
3.根據權利要求1所述的數字孿生輔助智能網聯車輛碳排放預測系統，其特征在于：預測模塊中，將碳排放的動態預測模型與數字孿生模型相結合來模擬多種駕駛行為，由數字孿生模型完成基于當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，再結合碳排放的動態預測模型實現基于仿真車況下的預測，最終獲得車輛各部件在后面時刻的預期功耗，進而得到車輛在多種模擬駕駛行為下的預測碳排放量，并由此篩選得到碳排放量最低的方案。
4.根據權利要求1-3中任一項所述的數字孿生輔助智能網聯車輛碳排放預測系統的碳排放預測方法，其特征在于：所述方法包括如下步驟：
5.根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟s1中，基于獲得的車輛部件能耗，結合電能碳排放因子，將兩者相乘，得到車輛的碳排放量。
6.?根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟s2中，運行傳感數據集采用三元組<a，b，c?>的形式；參數a代表的是傳感器收集的車輛實時車速；參數b代表的是傳感器收集的車輛的環境參數，共由三位數字組構成，數字組中第一位表示車輛外部的天氣環境，第二位表示當前車輛行駛狀態，第三位表示當前路況，包括上坡程度、下坡程度、路面平坦無坡度、路面顛簸；參數c代表的是此時車輛部件對應的能耗，共由兩位數字組構成，數字組中第一位表示車輛某一部件的編號，第二位表示對應部件此時的耗電量。
7.根據權利要求4所述的數字孿生輔助智能網聯車輛碳排放預測方法，其特征在于：步驟s4中，基于cnn的碳排放的動態預測模型的建立流程為，將步驟s2建立的運行傳感數據集導入cnn進行訓練，輸入為車輛運行數據集中的參數a與參數b，即輸入車輛當前的速度與...
【專利技術屬性】
技術研發人員：郭永安，李曾杰，周沂，王宇翱，孫洪波，
申請(專利權)人：邊緣智能研究院南京有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。