BP神經(jīng)網(wǎng)絡(luò)在液化天然氣客車能耗估算中的應(yīng)用

李紹春，初永玲，廉 靜，廖寶梁，呂承舉，紀(jì)少波

(1. 煙臺(tái)職業(yè)學(xué)院，山東 煙臺(tái) 264670； 2. 山東大學(xué)，能源與動(dòng)力工程學(xué)院，山東 濟(jì)南 250061；3. 山東省交通科學(xué)研究院，山東 濟(jì)南 250031)

0 引 言

近年來(lái)由于我國(guó)不斷向城市化和機(jī)動(dòng)化方向發(fā)展，城市規(guī)模及城市人口數(shù)量持續(xù)增加，城市化率由2000年的36.2%快速增加到2012年的51.3%，市區(qū)面積逐年上升，車輛保有量及居民出行需求隨之增長(zhǎng)[1-2]?？瓦\(yùn)量快速的增長(zhǎng)不僅會(huì)消耗大量人力物力以完善交通設(shè)施提高交通服務(wù)質(zhì)量，也導(dǎo)致機(jī)動(dòng)車能源消耗量大量增加。交通運(yùn)輸行業(yè)能源的消耗占很大比重，故交通運(yùn)輸行業(yè)節(jié)能工作開(kāi)展的好壞將直接影響建設(shè)節(jié)約型行業(yè)的成敗[3]。交通運(yùn)輸主要是消耗汽油和柴油[4]，而如今我國(guó)已躍居世界第二大石油消費(fèi)國(guó)[5]，由此可見(jiàn)，研究交通行業(yè)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(wèn)題[6]。

“十三五”初期，交通運(yùn)輸部、山東省交通運(yùn)輸廳相繼發(fā)布了《交通運(yùn)輸節(jié)能環(huán)?！笆濉卑l(fā)展規(guī)劃》、《交通運(yùn)輸信息化“十三五”發(fā)展規(guī)劃》和《山東省公路水路交通運(yùn)輸節(jié)能減排“十三五”規(guī)劃》等重要文件，要求“有序推進(jìn)省級(jí)能耗統(tǒng)計(jì)監(jiān)測(cè)體系的建設(shè)實(shí)施”[7-9]。目前各級(jí)政府已充分意識(shí)到解決交通能耗問(wèn)題的嚴(yán)峻性及緊迫性，并不斷探尋解決問(wèn)題的有效方法，如利用法律法規(guī)手段、制定相關(guān)政策、大力倡導(dǎo)新能源車輛、規(guī)范駕駛員行為及提倡公共交通等方法[10]。

對(duì)各領(lǐng)域能耗分析及預(yù)測(cè)問(wèn)題，各國(guó)學(xué)者做過(guò)大量相關(guān)研究，并提出多種預(yù)測(cè)模型，包括宏觀預(yù)測(cè)模型及微觀預(yù)測(cè)模型[11-12]。人工神經(jīng)網(wǎng)絡(luò)是一門計(jì)算非線性問(wèn)題學(xué)科，產(chǎn)生于20世紀(jì)初，興起于20世紀(jì)80年代后期，目前應(yīng)用最廣泛的是BP神經(jīng)網(wǎng)絡(luò)(back propagation neutral networks)，BP神經(jīng)網(wǎng)絡(luò)是一種前反饋的神經(jīng)網(wǎng)絡(luò)，能有效解決非線性問(wèn)題，在各個(gè)領(lǐng)域都得到廣泛應(yīng)用[13]。筆者通過(guò)車載設(shè)備獲取車輛營(yíng)運(yùn)數(shù)據(jù)，并提取影響營(yíng)運(yùn)車輛能耗的主要影響因素，提出基于BP神經(jīng)網(wǎng)絡(luò)的能耗監(jiān)測(cè)模型，實(shí)現(xiàn)對(duì)營(yíng)運(yùn)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(jù)。

1 BP神經(jīng)網(wǎng)絡(luò)及算法

BP神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，又稱誤差反向傳播網(wǎng)絡(luò)。3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1，包含輸入層、中間層(隱層)和輸出層。相鄰層直接節(jié)點(diǎn)兩兩連接，同一層內(nèi)節(jié)點(diǎn)互不連接，隔層節(jié)點(diǎn)也無(wú)連接。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)框架Fig. 1 Design framework of BP neural network model

BP神經(jīng)網(wǎng)絡(luò)能進(jìn)行誤差反向傳播，在接收到輸入數(shù)據(jù)后，通過(guò)計(jì)算得到輸出數(shù)據(jù)，并與期望輸出進(jìn)行對(duì)比分析，根據(jù)誤差反向調(diào)整各層各連接節(jié)點(diǎn)之間的權(quán)值和閾值，直到達(dá)到所需精度。因此，BP神經(jīng)網(wǎng)絡(luò)的工作過(guò)程由兩階段組成[14]：一個(gè)是工作階段，信號(hào)正向傳播，神經(jīng)網(wǎng)絡(luò)逐個(gè)計(jì)算每個(gè)輸入節(jié)點(diǎn)的輸入值，并將結(jié)果通過(guò)輸出層輸出；一個(gè)是學(xué)習(xí)階段，在學(xué)習(xí)階段，誤差反向傳播，期望輸出向量不變，輸出層不斷計(jì)算并修改各連接權(quán)值以及閾值。若訓(xùn)練過(guò)程中輸出結(jié)果與期望輸出差別過(guò)大，則將計(jì)算所得誤差分?jǐn)偨o所有單元并對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高神經(jīng)網(wǎng)絡(luò)輸出精度[15-16]。

2 指標(biāo)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(duì)影響車輛能耗各因素的規(guī)律進(jìn)行研究，以確定回歸模型自變量，并為數(shù)據(jù)采集工作提供依據(jù)。影響車輛能耗的因素有很多，包括車輛性能、駕駛?cè)藛T、運(yùn)行條件及企業(yè)管理等各方面。

2.1.1 汽車性能

汽車性能包括發(fā)動(dòng)機(jī)型號(hào)、車輛燃料類型、車輛外形設(shè)計(jì)等制造技術(shù)方面因素。車輛制造技術(shù)對(duì)汽車百公里能耗影響很大，其次發(fā)動(dòng)機(jī)性能偏低、車輛外形設(shè)計(jì)不合理等都會(huì)導(dǎo)致車輛百公里能耗偏高。

2.1.2 車輛運(yùn)行條件

車輛運(yùn)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(shè)備使用，在酷熱或嚴(yán)寒天氣下需使用空調(diào)或加熱裝備會(huì)提高燃油消耗。

2.1.3 企業(yè)對(duì)車輛的管理

包括企業(yè)聘用駕駛員駕齡、車輛維修與保養(yǎng)情況以及企業(yè)運(yùn)營(yíng)管理情況。企業(yè)對(duì)于車輛的統(tǒng)籌安排情況雖不影響車輛能耗，但若空載或?qū)嵼d率較低的行駛里程過(guò)長(zhǎng)，也會(huì)造成嚴(yán)重的燃料浪費(fèi)；車輛在加速、穩(wěn)定行駛與減速工況下耗油不同，頻繁加減速均會(huì)造成油耗升高，因此駕駛員技術(shù)也會(huì)對(duì)油耗造成一定影響。

根據(jù)車輛能耗影響因素，結(jié)合營(yíng)運(yùn)車輛行駛特點(diǎn)及數(shù)據(jù)可得性，確定本次研究的監(jiān)測(cè)指標(biāo)見(jiàn)表1。

表1 車輛能耗監(jiān)測(cè)影響因素Table 1 Influence indicators of vehicle energy consumption monitoring

2.2 數(shù)據(jù)來(lái)源及指標(biāo)提取

筆者以山東省內(nèi)交通運(yùn)輸企業(yè)運(yùn)輸裝備的日常運(yùn)營(yíng)數(shù)據(jù)資源為基礎(chǔ)，包括道路運(yùn)輸企業(yè)的營(yíng)運(yùn)客車，其日常運(yùn)營(yíng)數(shù)據(jù)資源來(lái)源于合作企業(yè)。對(duì)于裝有車載能耗監(jiān)測(cè)系統(tǒng)的車輛，企業(yè)在專業(yè)人員按設(shè)備要求定期校準(zhǔn)條件下，通過(guò)車載設(shè)備獲取車輛能耗信息；對(duì)于車載設(shè)備無(wú)法得到的客運(yùn)量信息及沒(méi)有安裝車載設(shè)備的車輛，則提供報(bào)表人工填寫(xiě)。

結(jié)合前期確定的監(jiān)測(cè)指標(biāo)對(duì)營(yíng)運(yùn)數(shù)據(jù)進(jìn)行處理，提取有效參數(shù)及其數(shù)據(jù)。本次調(diào)查主要目標(biāo)為L(zhǎng)NG型客車，由于調(diào)查對(duì)象為特定企業(yè)，每月大、中、小型車輛數(shù)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(shù)情況的描述性統(tǒng)計(jì)如表2。

表2 集約化LNG客車能耗參數(shù)描述性統(tǒng)計(jì)Table 2 Descriptive statistics of energy consumption parametersfor intensive LNG buses

3 能耗監(jiān)測(cè)實(shí)例

3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

筆者提取山東省運(yùn)輸企業(yè)的營(yíng)運(yùn)數(shù)據(jù)500組，選取其中375組數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，數(shù)據(jù)歸一化處理后輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，模型訓(xùn)練完成后，將剩余125組數(shù)據(jù)作為測(cè)試樣本輸入已建立的預(yù)測(cè)模型，并對(duì)比預(yù)測(cè)值與實(shí)際能耗值，對(duì)模型進(jìn)行評(píng)價(jià)驗(yàn)證。模型設(shè)計(jì)流程如圖2。

圖2 模型設(shè)計(jì)流程Fig. 2 Design process of the estimation model

BP神經(jīng)網(wǎng)絡(luò)只有相鄰層上的節(jié)點(diǎn)相互連接，故在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，重點(diǎn)在于確定網(wǎng)絡(luò)層數(shù)及各層神經(jīng)元個(gè)數(shù)。隱層數(shù)過(guò)少，連接權(quán)值組合數(shù)不足，易導(dǎo)致神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度達(dá)不到要求；隱層數(shù)過(guò)多，則會(huì)導(dǎo)致網(wǎng)絡(luò)泛化能力變差，產(chǎn)生過(guò)度擬合的情況，即對(duì)于樣本數(shù)據(jù)擬合的誤差非常小，但對(duì)于樣本外數(shù)據(jù)誤差會(huì)很大，無(wú)法準(zhǔn)確預(yù)測(cè)。根據(jù)長(zhǎng)期應(yīng)用經(jīng)驗(yàn)，隱層單元數(shù)可用式(1)確定[17]：

(1)

式中：m為輸入神經(jīng)元數(shù)；n為輸出神經(jīng)元數(shù)；a為1～10之間的常數(shù)。

基于前述分析，綜合考慮整個(gè)評(píng)價(jià)，本次研究采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，BP神經(jīng)網(wǎng)絡(luò)基本參數(shù)為：輸入節(jié)點(diǎn)為4，隱含層節(jié)點(diǎn)為10，輸出節(jié)點(diǎn)數(shù)為1。

輸入節(jié)點(diǎn)依次為：綜合百公里能耗，L/百車公里；客運(yùn)周轉(zhuǎn)量，(千人)km；客運(yùn)量，人；客車實(shí)載率，%；載運(yùn)行程，km。

3.2 訓(xùn)練樣本的生成及處理

由表2可見(jiàn)：各指標(biāo)數(shù)據(jù)數(shù)值相差較大。為消除這種數(shù)據(jù)間數(shù)量級(jí)相差過(guò)大而造成模型預(yù)測(cè)誤差較大現(xiàn)象，需對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理。輸入、輸出數(shù)據(jù)的歸一化、反歸一化[18]分別如式(2)、(3)：

(2)

(3)

通過(guò)歸一化及反歸一化公式，對(duì)輸入輸出數(shù)據(jù)進(jìn)行歸一化。筆者將500組數(shù)據(jù)分為兩部分，其中375組數(shù)據(jù)作為模型的訓(xùn)練樣本，剩余125組數(shù)據(jù)作為模型預(yù)測(cè)的檢驗(yàn)樣本。將500組數(shù)據(jù)按照上述方法歸一化處理后，輸入模型。

3.3 使用MATLAB創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)

筆者使用MATLAB中的BP神經(jīng)網(wǎng)絡(luò)工具箱來(lái)進(jìn)行仿真試驗(yàn)。需要經(jīng)歷生成神經(jīng)網(wǎng)絡(luò)、權(quán)值初始化、網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)仿真這4個(gè)基本步驟。

生成神經(jīng)網(wǎng)絡(luò)使用MATLAB提供生成神經(jīng)網(wǎng)絡(luò)的函數(shù)newff( )，輸入R維樣本最大最小值構(gòu)成的R×2維矩陣、各層神經(jīng)元個(gè)數(shù)、各層神經(jīng)元的傳遞函數(shù)及訓(xùn)練用函數(shù)的名稱便可生成BP神經(jīng)網(wǎng)絡(luò)。訓(xùn)練使用trainlm網(wǎng)絡(luò)訓(xùn)練算法，節(jié)點(diǎn)傳遞函數(shù)采用對(duì)數(shù)型S函數(shù)tansig和線性函數(shù)purelin。具體參數(shù)設(shè)置為：訓(xùn)練次數(shù)設(shè)置為50，訓(xùn)練目標(biāo)設(shè)置為0.01。輸入歸一化處理后的樣本數(shù)據(jù)，訓(xùn)練過(guò)程中利用調(diào)整梯度方法不斷調(diào)整權(quán)值和閾值，樣本訓(xùn)練誤差曲線如圖3。從圖3中可看出：誤差訓(xùn)練曲線沒(méi)有較大波動(dòng)，說(shuō)明網(wǎng)絡(luò)收斂性穩(wěn)定。

圖3 樣本訓(xùn)練誤差曲線Fig. 3 Sample training error curve

3.4 模型預(yù)測(cè)結(jié)果分析

實(shí)驗(yàn)誤差評(píng)價(jià)指標(biāo)包括絕對(duì)誤差perr，平均絕對(duì)誤差pMAE，相對(duì)誤差絕對(duì)值K，通過(guò)這3種指標(biāo)對(duì)預(yù)測(cè)模型的預(yù)測(cè)精確度進(jìn)行對(duì)比評(píng)價(jià)[19]。這3種指標(biāo)的計(jì)算如式(4)～(6)：

perr=EM-ES

(4)

(5)

(6)

式中：ES為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值；EM為實(shí)際能耗值；NP為樣本數(shù)。

網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練結(jié)果如圖4。由圖4可知：模型估算能耗與真實(shí)能耗變化趨勢(shì)一致，相對(duì)誤差絕對(duì)值為28.79%，平均絕對(duì)誤差為409 kg，訓(xùn)練樣本誤差相對(duì)較小，可滿足分析精度。

圖4 BP網(wǎng)絡(luò)估算結(jié)果分析Fig. 4 Analysis of estimate result of the BP neural network

將剩余125組數(shù)據(jù)作為測(cè)試樣本輸入訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中，對(duì)比輸出結(jié)果與實(shí)際能耗數(shù)據(jù)見(jiàn)圖5。由圖5(a)可知：網(wǎng)絡(luò)預(yù)測(cè)能耗與實(shí)際能耗吻合度較高，能在當(dāng)前輸入條件下準(zhǔn)確的預(yù)測(cè)出所用能耗；由圖5(b)可得：平均相對(duì)誤差為13%，平均絕對(duì)誤差為276 kg。故此預(yù)測(cè)模型預(yù)測(cè)精度較高，能實(shí)現(xiàn)運(yùn)輸企業(yè)LNG客車能耗的準(zhǔn)確預(yù)測(cè)。

圖5 測(cè)試樣本實(shí)際能耗與模型預(yù)測(cè)能耗對(duì)比Fig. 5 Comparison between actual energy consumption of test samples and the predicted energy consumption of model

4 結(jié) 論

筆者以山東省交通運(yùn)輸企業(yè)營(yíng)運(yùn)客車為研究對(duì)象，進(jìn)行了能耗特性分析，并基于BP神經(jīng)網(wǎng)絡(luò)建立了能耗預(yù)測(cè)模型，得出如下結(jié)論：

1)通過(guò)分析車輛能耗特性，從車輛本身特性、車輛行駛條件及企業(yè)對(duì)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(zhuǎn)量、客運(yùn)量、載運(yùn)行程及實(shí)載率；

2)利用MATLAB建立BP神經(jīng)網(wǎng)絡(luò)，選取部分營(yíng)運(yùn)客車能耗數(shù)據(jù)并進(jìn)行歸一化處理，將處理之后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到車輛能耗神經(jīng)網(wǎng)絡(luò)模型；

3)將BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比。結(jié)果表明：預(yù)測(cè)結(jié)果與實(shí)際結(jié)果平均相對(duì)誤差值在13%左右，能準(zhǔn)確預(yù)測(cè)營(yíng)運(yùn)企業(yè)LNG客車的能耗情況，為制定合理的能耗管控政策及評(píng)估節(jié)能減排效果提供了技術(shù)支撐。