BP神經網絡在液化天然氣客車能耗估算中的應用

李紹春，初永玲，廉 靜，廖寶梁，呂承舉，紀少波

(1. 煙臺職業學院，山東 煙臺 264670； 2. 山東大學，能源與動力工程學院，山東 濟南 250061；3. 山東省交通科學研究院，山東 濟南 250031)

0 引 言

近年來由于我國不斷向城市化和機動化方向發展，城市規模及城市人口數量持續增加，城市化率由2000年的36.2%快速增加到2012年的51.3%，市區面積逐年上升，車輛保有量及居民出行需求隨之增長[1-2]。客運量快速的增長不僅會消耗大量人力物力以完善交通設施提高交通服務質量，也導致機動車能源消耗量大量增加。交通運輸行業能源的消耗占很大比重，故交通運輸行業節能工作開展的好壞將直接影響建設節約型行業的成敗[3]。交通運輸主要是消耗汽油和柴油[4]，而如今我國已躍居世界第二大石油消費國[5]，由此可見，研究交通行業巨大的能源消耗原因，有效降低交通能耗已成為亟待解決的問題[6]。

“十三五”初期，交通運輸部、山東省交通運輸廳相繼發布了《交通運輸節能環保“十三五”發展規劃》、《交通運輸信息化“十三五”發展規劃》和《山東省公路水路交通運輸節能減排“十三五”規劃》等重要文件，要求“有序推進省級能耗統計監測體系的建設實施”[7-9]。目前各級政府已充分意識到解決交通能耗問題的嚴峻性及緊迫性，并不斷探尋解決問題的有效方法，如利用法律法規手段、制定相關政策、大力倡導新能源車輛、規范駕駛員行為及提倡公共交通等方法[10]。

對各領域能耗分析及預測問題，各國學者做過大量相關研究，并提出多種預測模型，包括宏觀預測模型及微觀預測模型[11-12]。人工神經網絡是一門計算非線性問題學科，產生于20世紀初，興起于20世紀80年代后期，目前應用最廣泛的是BP神經網絡(back propagation neutral networks)，BP神經網絡是一種前反饋的神經網絡，能有效解決非線性問題，在各個領域都得到廣泛應用[13]。筆者通過車載設備獲取車輛營運數據，并提取影響營運車輛能耗的主要影響因素，提出基于BP神經網絡的能耗監測模型，實現對營運車輛能耗信息的宏觀把控，為提出有效降低能耗的措施提供理論依據。

1 BP神經網絡及算法

BP神經網絡是一種前饋型神經網絡，又稱誤差反向傳播網絡。3層神經網絡結構如圖1，包含輸入層、中間層(隱層)和輸出層。相鄰層直接節點兩兩連接，同一層內節點互不連接，隔層節點也無連接。

圖1 BP神經網絡模型設計框架Fig. 1 Design framework of BP neural network model

BP神經網絡能進行誤差反向傳播，在接收到輸入數據后，通過計算得到輸出數據，并與期望輸出進行對比分析，根據誤差反向調整各層各連接節點之間的權值和閾值，直到達到所需精度。因此，BP神經網絡的工作過程由兩階段組成[14]：一個是工作階段，信號正向傳播，神經網絡逐個計算每個輸入節點的輸入值，并將結果通過輸出層輸出；一個是學習階段，在學習階段，誤差反向傳播，期望輸出向量不變，輸出層不斷計算并修改各連接權值以及閾值。若訓練過程中輸出結果與期望輸出差別過大，則將計算所得誤差分攤給所有單元并對網絡進行優化，提高神經網絡輸出精度[15-16]。

2 指標提取

2.1 車輛能耗影響因素

在建立車輛能耗分析模型前，需對影響車輛能耗各因素的規律進行研究，以確定回歸模型自變量，并為數據采集工作提供依據。影響車輛能耗的因素有很多，包括車輛性能、駕駛人員、運行條件及企業管理等各方面。

2.1.1 汽車性能

汽車性能包括發動機型號、車輛燃料類型、車輛外形設計等制造技術方面因素。車輛制造技術對汽車百公里能耗影響很大，其次發動機性能偏低、車輛外形設計不合理等都會導致車輛百公里能耗偏高。

2.1.2 車輛運行條件

車輛運行條件包括車輛行駛速度、道路條件及氣候條件等。車輛行駛速度反映路況擁堵情況，相同的行駛里程，車輛在擁堵路段油耗明顯偏高；車輛行駛路線中，上坡路段比例越高，相同行駛里程所耗能量越高；氣候條件影響車載設備使用，在酷熱或嚴寒天氣下需使用空調或加熱裝備會提高燃油消耗。

2.1.3 企業對車輛的管理

包括企業聘用駕駛員駕齡、車輛維修與保養情況以及企業運營管理情況。企業對于車輛的統籌安排情況雖不影響車輛能耗，但若空載或實載率較低的行駛里程過長，也會造成嚴重的燃料浪費；車輛在加速、穩定行駛與減速工況下耗油不同，頻繁加減速均會造成油耗升高，因此駕駛員技術也會對油耗造成一定影響。

根據車輛能耗影響因素，結合營運車輛行駛特點及數據可得性，確定本次研究的監測指標見表1。

表1 車輛能耗監測影響因素Table 1 Influence indicators of vehicle energy consumption monitoring

2.2 數據來源及指標提取

筆者以山東省內交通運輸企業運輸裝備的日常運營數據資源為基礎，包括道路運輸企業的營運客車，其日常運營數據資源來源于合作企業。對于裝有車載能耗監測系統的車輛，企業在專業人員按設備要求定期校準條件下，通過車載設備獲取車輛能耗信息；對于車載設備無法得到的客運量信息及沒有安裝車載設備的車輛，則提供報表人工填寫。

結合前期確定的監測指標對營運數據進行處理，提取有效參數及其數據。本次調查主要目標為LNG型客車，由于調查對象為特定企業，每月大、中、小型車輛數及駕駛員平均駕齡基本不變，不歸入本次建模影響因素。綜上，整理得到的各類型車輛能耗參數情況的描述性統計如表2。

表2 集約化LNG客車能耗參數描述性統計Table 2 Descriptive statistics of energy consumption parametersfor intensive LNG buses

3 能耗監測實例

3.1 BP神經網絡結構

筆者提取山東省運輸企業的營運數據500組，選取其中375組數據作為訓練樣本數據，數據歸一化處理后輸入神經網絡進行訓練，模型訓練完成后，將剩余125組數據作為測試樣本輸入已建立的預測模型，并對比預測值與實際能耗值，對模型進行評價驗證。模型設計流程如圖2。

圖2 模型設計流程Fig. 2 Design process of the estimation model

BP神經網絡只有相鄰層上的節點相互連接，故在設計網絡結構時，重點在于確定網絡層數及各層神經元個數。隱層數過少，連接權值組合數不足，易導致神經網絡預測精度達不到要求；隱層數過多，則會導致網絡泛化能力變差，產生過度擬合的情況，即對于樣本數據擬合的誤差非常小，但對于樣本外數據誤差會很大，無法準確預測。根據長期應用經驗，隱層單元數可用式(1)確定[17]：

(1)

式中：m為輸入神經元數；n為輸出神經元數；a為1～10之間的常數。

基于前述分析，綜合考慮整個評價，本次研究采用三層神經網絡結構模型，BP神經網絡基本參數為：輸入節點為4，隱含層節點為10，輸出節點數為1。

輸入節點依次為：綜合百公里能耗，L/百車公里；客運周轉量，(千人)km；客運量，人；客車實載率，%；載運行程，km。

3.2 訓練樣本的生成及處理

由表2可見：各指標數據數值相差較大。為消除這種數據間數量級相差過大而造成模型預測誤差較大現象，需對輸入數據進行歸一化處理。輸入、輸出數據的歸一化、反歸一化[18]分別如式(2)、(3)：

(2)

(3)

通過歸一化及反歸一化公式，對輸入輸出數據進行歸一化。筆者將500組數據分為兩部分，其中375組數據作為模型的訓練樣本，剩余125組數據作為模型預測的檢驗樣本。將500組數據按照上述方法歸一化處理后，輸入模型。

3.3 使用MATLAB創建BP神經網絡

筆者使用MATLAB中的BP神經網絡工具箱來進行仿真試驗。需要經歷生成神經網絡、權值初始化、網絡訓練和網絡仿真這4個基本步驟。

生成神經網絡使用MATLAB提供生成神經網絡的函數newff( )，輸入R維樣本最大最小值構成的R×2維矩陣、各層神經元個數、各層神經元的傳遞函數及訓練用函數的名稱便可生成BP神經網絡。訓練使用trainlm網絡訓練算法，節點傳遞函數采用對數型S函數tansig和線性函數purelin。具體參數設置為：訓練次數設置為50，訓練目標設置為0.01。輸入歸一化處理后的樣本數據，訓練過程中利用調整梯度方法不斷調整權值和閾值，樣本訓練誤差曲線如圖3。從圖3中可看出：誤差訓練曲線沒有較大波動，說明網絡收斂性穩定。

圖3 樣本訓練誤差曲線Fig. 3 Sample training error curve

3.4 模型預測結果分析

實驗誤差評價指標包括絕對誤差perr，平均絕對誤差pMAE，相對誤差絕對值K，通過這3種指標對預測模型的預測精確度進行對比評價[19]。這3種指標的計算如式(4)～(6)：

perr=EM-ES

(4)

(5)

(6)

式中：ES為BP神經網絡預測值；EM為實際能耗值；NP為樣本數。

網絡預測模型的訓練結果如圖4。由圖4可知：模型估算能耗與真實能耗變化趨勢一致，相對誤差絕對值為28.79%，平均絕對誤差為409 kg，訓練樣本誤差相對較小，可滿足分析精度。

圖4 BP網絡估算結果分析Fig. 4 Analysis of estimate result of the BP neural network

將剩余125組數據作為測試樣本輸入訓練后的神經網絡中，對比輸出結果與實際能耗數據見圖5。由圖5(a)可知：網絡預測能耗與實際能耗吻合度較高，能在當前輸入條件下準確的預測出所用能耗；由圖5(b)可得：平均相對誤差為13%，平均絕對誤差為276 kg。故此預測模型預測精度較高，能實現運輸企業LNG客車能耗的準確預測。

圖5 測試樣本實際能耗與模型預測能耗對比Fig. 5 Comparison between actual energy consumption of test samples and the predicted energy consumption of model

4 結 論

筆者以山東省交通運輸企業營運客車為研究對象，進行了能耗特性分析，并基于BP神經網絡建立了能耗預測模型，得出如下結論：

1)通過分析車輛能耗特性，從車輛本身特性、車輛行駛條件及企業對車輛的管理這3方面考慮，得出影響車輛能耗的主要因素，分別為周轉量、客運量、載運行程及實載率；

2)利用MATLAB建立BP神經網絡，選取部分營運客車能耗數據并進行歸一化處理，將處理之后的數據作為神經網絡樣本數據，對神經網絡進行訓練，得到車輛能耗神經網絡模型；

3)將BP神經網絡輸出結果與實際數據進行對比。結果表明：預測結果與實際結果平均相對誤差值在13%左右，能準確預測營運企業LNG客車的能耗情況，為制定合理的能耗管控政策及評估節能減排效果提供了技術支撐。