王珑迪　何超

摘 要：为建立一种轻型汽油车NOx排放预测模型，在昆明市内采用便携式车载排放测试系统（Portable Emission Measurement System，PEMS）对一辆轻型汽油车进行实际行驶污染物排放（Real Drive Emission，RDE）测试；利用主成分分析算法（Principal Component Analysis，PCA）对影响轻型汽油车排放的特征参数进行降维，将降维后的数据作为门控循环单元神经网络（Gated Recurrent Unit，GRU）的输入，建立基于PCA-GRU的排放预测模型，对轻型汽油车的NOx的排放量进行瞬时预测。结果表明，PCA-GRU模型对NOx的预测结果的平均绝对误差为0.133mg/s，绝对系数为0.88，相比于单一的GRU模型，分别提高了42.4%和8.6%。该排放预测模型可以实现对轻型汽油车NOx排放较准确的预测，具有一定的工程价值。

关键词：便携式车载排放测试系统 RDE測试 主成分分析 门控循环单元神经网络 排放预测模型

1 引言

随着机动车保有量的不断增加，机动车成为污染物排放的主要贡献者[1]，控制机动车污染物排放成为改善人类居住环境的关键。建立排放预测模型可以有效监测机动车污染物排放量，为环保部门制定减排措施提供参考依据。随着机器学习的发展，神经网络被广泛应用于机动车排放预测领域，戴金池等在[2]AVL部分流稀释采样发动机台架上进行欧洲瞬态循环试验（ETC）和欧洲稳态循环试验（ESC），将处理时间序列问题的LSTM神经网络用于柴油机NOx的预测，结果显示，相对于其他模型，LSTM模型在柴油机NOx排放预测方面具有更好的预测能力，具有更高的准确性和更强的泛化性能。Liu等[3]提出了一种基于主成分分析（PCA）和遗传算法（GA）的支持向量机的集成方法，建立了柴油机NOx瞬态排放预测模型，在稳态的运行条件下，该模型对训练集和测试集表现出了较高的准确率，并且与单个SVM模型和传统ANN模型相比，所提出的最优SVM集成模型在预测精度和泛化能力方面表现更优秀。但上述研究是以台架试验数据建立的模型，只能反映试验车辆在特定工况下的排放水平，与机动车在实际道路行驶的排放差别较大。基于此，本研究采用便携式车载排放测试系统对一辆轻型汽油车进行实际行驶污染物排放测试（RDE测试），利用测得的数据建立基于PCA-GRU的轻型汽油车排放预测模型，实现对轻型汽油车实际道路NOx排放的准确预测。

2 方法论

2.1 主成分分析

主成分分析（Principal Component Analysis，PCA）是一种使用广泛的数据降维算法[4]，由于高维数据包含许多冗余的信息，这些信息会影响数据处理和模型构建的效率和准确性，主成分分析可以将n维特征通过线性变化映射到k维上，得到新的k维特征，使得新的k维特征之间的相关性最小化，具体步骤为：

1）对所有样本进行标准化，使每个特征具有相同的重要性，标准化公式为：

式中，为标准化后的数据，为初始数据，为初始数据的平均值，为初始数据的标准差。

2）之后构造协方差矩阵，计算协方差矩阵的特征值和特征向量，最后通过计算累计贡献率选取前k个主成分，达到特征降维的目的。

2.2 门控循环单元神经网络

门控循环单元神经网络（Gated Recurrent Unit，GRU）是一种基于LSTM神经网络的变体[5]，LSTM解决了循环神经网络RNN中梯度消失和梯度爆炸的问题，与LSTM比较，GRU保持了LSTM的性能，并且只有更新门和重置门，更新门用于控制上一时刻信息保存到当前时刻的量，重置门用于决定当前时刻信息如何与上一时刻信息结合，GRU结构得到优化，训练速度提升。因此能有效处理时间序列问题。图1为GRU网络原理图。

2.3 PCA-GRU模型

排放预测模型的输入过多，会导致模型响应时间变长，预测精度降低，因此利用主成分分析进行降维，建立基于PCA-GRU的轻型汽油车NOX排放预测模型。流程图如图2所示，具体步骤如下：

1）采用便携式车载测试排放系统PEMS对一辆轻型汽油车进行RDE试验，采集试验过程中车辆污染物浓度和车辆信息；

2）选取影响轻型汽油车排放的特征参数，利用主成分分析进行降维；

3）将降维后的数据作为GRU神经网络的输入，得到轻型汽油车NOx的排放预测结果。

3 试验结果与分析

3.1 RDE试验

RDE试验是指实际行驶污染物排放（Real Drive Emission，RDE）测试，我国在制定国Ⅵ排放标准时从欧Ⅵ标准引入，RDE试验作为车辆类型认证的必要条件之一，要求新车型必须满足RDE试验的排放要求，以更准确地评估车辆尾气排放情况，加强车辆排放监管和保护环境。随着中国环保法规的不断升级，RDE试验在中国的推广应用将越来越广泛。

选择一辆国Ⅴ轻型汽油车作为RDE试验测试车辆，车辆主要技术参数见表1。

便携式车载排放测试系统（Portable Emission Measurement System，PEMS）包括：

1）SEMTECH-ECOSTAR车载气体排放测量系统：用于检测试验车辆行驶时的污染物排放浓度和排放速率；

2）电子流量计：用于记录车辆排气质量流量；

3）GPS定位系统：用于确定试验车辆位置和海拔高度等；

4）OBD车载诊断系统：用于采集车辆行驶时的车速、发动机转速、燃油率、负荷百分比等参数。

将PEMS安装到测试车辆上，根据《轻型汽车污染物排放限制及测量方法（中国第六阶段）》规划实验道路，测试车辆按市区-市郊-高速的顺序在昆明市实际道路上行驶，三种行驶里程占比分别为34%、33%、33%，允许误差在10%以内。试验持续90～120min，整个试验过程由PEMS设备记录污染物浓度和车辆信息等。将采集到的数据分为训练集、验证集和测试集，占总样本比例分别为75%、15%、10%。

3.2 建立PCA-GRU排放预测模型

车速与车辆动力需求和驾驶行为等因素密切相关，对机动车排放水平具有重要的影响；发动机转速和负荷百分比是决定车速的主要参数；排气温度会影响车辆后处理装置中的催化剂活性，从而影响排放；排气流量和燃油率也与车辆的排放水平。因此，选取车速、排气温度、排气流量、负荷百分比、发动机转速、燃油率等6个参数进行标准化。将标准化之后的数据进行主成分分析计算得到协方差矩阵的特征值和每个特征值的方差贡献率，列于表1，由表1可知，前4个主成分的累计贡献率为97.478%，可以代表6个参数的大部分信息，因此，选取前4个主成分作为GRU神经网络的输入，NOx作为GRU神经网络的输出。

主成分特征向量计算结果如下：

式中：F1，F2，F3，F4表示主成分特征向量，Y1，Y2，…，Y6表示标准化处理后的数据。

在機器学习中，超参数的设置很大程度上影响了模型的性能和泛化能力，合理的超参数设置可以使模型在训练过程中快速收敛，防止过拟合，并提高模型的训练效率和泛化能力。本文选定的GRU神经网络超参数为：GRU神经网络的步长设置为6，批处理大小为45，迭代次数为180次，学习率为0.001，GRU为2层，每层神经元数量均为50。选用平均绝对误差MAE和绝对系数R2作为排放预测模型评价指标，MAE越小，表明排放预测模型的精度越高；绝对系数R2的取值范围在0到1之间，当绝对系数R2越接近1时，说明模型对数据的拟合程度越好。公式如下：

式中，为预测模型的预测结果，为实际值。

3.3 试验结果分析

对轻型汽油车NOx的排放预测结果如图3所示。

由图可知，GRU单一模型对轻型汽油车NOx瞬时排放率的预测效果不是很理想，存在较大误差，这是由于未经过主成分分析处理的数据中包含冗余信息和噪声，这些会对模型的预测结果造成干扰，导致模型的预测精度降低。而PCA-GRU排放预测模型的NOx预测结果与实测值在整体趋势上一致，将单一GRU模型与PCA-GRU模型的NOx预测结果的平均绝对误差MAE和绝对系数R2列于表3，相比与GRU模型，PCA-GRU模型的MAE提高了42.4%，绝对系数R2提高了8.6%，表明PCA-GRU排放预测模型不仅能够更好地提取和保留原始数据中的重要特征信息，还减少了原始数据中的冗余信息和噪声，从而使模型具有良好的预测性能，可以实现轻型汽油车NOx精度较高的预测。

4 结论

本研究利用便携式车载排放测试系统对一辆轻型汽油车进行了实际行驶污染物排放测试，根据采集到的试验数据，分析后确定了与车辆排放相关的车速、排气温度、排气流量、负荷百分比、发动机转速、燃油率等6个特征参数，通过主成分分析算法对6个参数进行降维处理，得到4个主成分，然后将4个主成分作为GRU神经网络的输入建立基于PCA-GRU的排放预测模型，对轻型汽油车NOx进行排放预测。结果表明，所建立的排放预测模型对轻型汽油车NOx排放预测的平均绝对误差MAE为0.133mg/s，绝对系数R2为0.88，相较于单一GRU模型的0.231mg/s和0.81，预测准确性分别提高了42.4%和8.6%，说明通过主成分分析降维，使得模型对数据的理解更加深入和准确，模型结构更加合理，提高了模型的预测能力。因此，基于PCA-GRU的排放预测模型可以对实际道路中轻型汽油车NOx瞬时排放量实现较精准的预测。

参考文献：

[1]中国环境保护部.《中国移动源环境管理年报（2021）》发布[J]. 中国能源，2021，42（8）：1.

[2]戴金池，庞海龙，俞妍，等. 基于LSTM神经网络的柴油机NOx排放预测[J]. 内燃机学报，2020，38（5）：457-463.

[3]Liu B，Hu J，Yan F W，et al. A novel optimal support vector machine ensemble model for NOx emissions prediction of a diesel engine[J]. Measurement，2016，92：183-192.

[4]XIA W，SONG T，YAN Z. A method for recognition of mixed gas composition based on PCA and KNN[C].Proceedings of the 19th International Conference on Optical Communications and Networks.2021：1-3.

[5]KYUNGHYUN CHO，BART VAN MERRIEENBOER，CAGLAR GULCEHRE，et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation[C]. //Conference on empirical methods in natural language processing， vol. 3： Conference on empirical methods in natural language processing （EMNLP 2014）， 25-29 October 2014， Doha， Qatar.：Association for Computational Linguistics， 2014：1724-1734.