BP神经网络在液化天然气客车能耗估算中的应用

李绍春，初永玲，廉 静，廖宝梁，吕承举，纪少波

(1. 烟台职业学院，山东 烟台 264670； 2. 山东大学，能源与动力工程学院，山东 济南 250061；3. 山东省交通科学研究院，山东 济南 250031)

0 引 言

近年来由于我国不断向城市化和机动化方向发展，城市规模及城市人口数量持续增加，城市化率由2000年的36.2%快速增加到2012年的51.3%，市区面积逐年上升，车辆保有量及居民出行需求随之增长[1-2]。客运量快速的增长不仅会消耗大量人力物力以完善交通设施提高交通服务质量，也导致机动车能源消耗量大量增加。交通运输行业能源的消耗占很大比重，故交通运输行业节能工作开展的好坏将直接影响建设节约型行业的成败[3]。交通运输主要是消耗汽油和柴油[4]，而如今我国已跃居世界第二大石油消费国[5]，由此可见，研究交通行业巨大的能源消耗原因，有效降低交通能耗已成为亟待解决的问题[6]。

“十三五”初期，交通运输部、山东省交通运输厅相继发布了《交通运输节能环保“十三五”发展规划》、《交通运输信息化“十三五”发展规划》和《山东省公路水路交通运输节能减排“十三五”规划》等重要文件，要求“有序推进省级能耗统计监测体系的建设实施”[7-9]。目前各级政府已充分意识到解决交通能耗问题的严峻性及紧迫性，并不断探寻解决问题的有效方法，如利用法律法规手段、制定相关政策、大力倡导新能源车辆、规范驾驶员行为及提倡公共交通等方法[10]。

对各领域能耗分析及预测问题，各国学者做过大量相关研究，并提出多种预测模型，包括宏观预测模型及微观预测模型[11-12]。人工神经网络是一门计算非线性问题学科，产生于20世纪初，兴起于20世纪80年代后期，目前应用最广泛的是BP神经网络(back propagation neutral networks)，BP神经网络是一种前反馈的神经网络，能有效解决非线性问题，在各个领域都得到广泛应用[13]。笔者通过车载设备获取车辆营运数据，并提取影响营运车辆能耗的主要影响因素，提出基于BP神经网络的能耗监测模型，实现对营运车辆能耗信息的宏观把控，为提出有效降低能耗的措施提供理论依据。

1 BP神经网络及算法

BP神经网络是一种前馈型神经网络，又称误差反向传播网络。3层神经网络结构如图1，包含输入层、中间层(隐层)和输出层。相邻层直接节点两两连接，同一层内节点互不连接，隔层节点也无连接。

图1 BP神经网络模型设计框架Fig. 1 Design framework of BP neural network model

BP神经网络能进行误差反向传播，在接收到输入数据后，通过计算得到输出数据，并与期望输出进行对比分析，根据误差反向调整各层各连接节点之间的权值和阈值，直到达到所需精度。因此，BP神经网络的工作过程由两阶段组成[14]：一个是工作阶段，信号正向传播，神经网络逐个计算每个输入节点的输入值，并将结果通过输出层输出；一个是学习阶段，在学习阶段，误差反向传播，期望输出向量不变，输出层不断计算并修改各连接权值以及阈值。若训练过程中输出结果与期望输出差别过大，则将计算所得误差分摊给所有单元并对网络进行优化，提高神经网络输出精度[15-16]。

2 指标提取

2.1 车辆能耗影响因素

在建立车辆能耗分析模型前，需对影响车辆能耗各因素的规律进行研究，以确定回归模型自变量，并为数据采集工作提供依据。影响车辆能耗的因素有很多，包括车辆性能、驾驶人员、运行条件及企业管理等各方面。

2.1.1 汽车性能

汽车性能包括发动机型号、车辆燃料类型、车辆外形设计等制造技术方面因素。车辆制造技术对汽车百公里能耗影响很大，其次发动机性能偏低、车辆外形设计不合理等都会导致车辆百公里能耗偏高。

2.1.2 车辆运行条件

车辆运行条件包括车辆行驶速度、道路条件及气候条件等。车辆行驶速度反映路况拥堵情况，相同的行驶里程，车辆在拥堵路段油耗明显偏高；车辆行驶路线中，上坡路段比例越高，相同行驶里程所耗能量越高；气候条件影响车载设备使用，在酷热或严寒天气下需使用空调或加热装备会提高燃油消耗。

2.1.3 企业对车辆的管理

包括企业聘用驾驶员驾龄、车辆维修与保养情况以及企业运营管理情况。企业对于车辆的统筹安排情况虽不影响车辆能耗，但若空载或实载率较低的行驶里程过长，也会造成严重的燃料浪费；车辆在加速、稳定行驶与减速工况下耗油不同，频繁加减速均会造成油耗升高，因此驾驶员技术也会对油耗造成一定影响。

根据车辆能耗影响因素，结合营运车辆行驶特点及数据可得性，确定本次研究的监测指标见表1。

表1 车辆能耗监测影响因素Table 1 Influence indicators of vehicle energy consumption monitoring

2.2 数据来源及指标提取

笔者以山东省内交通运输企业运输装备的日常运营数据资源为基础，包括道路运输企业的营运客车，其日常运营数据资源来源于合作企业。对于装有车载能耗监测系统的车辆，企业在专业人员按设备要求定期校准条件下，通过车载设备获取车辆能耗信息；对于车载设备无法得到的客运量信息及没有安装车载设备的车辆，则提供报表人工填写。

结合前期确定的监测指标对营运数据进行处理，提取有效参数及其数据。本次调查主要目标为LNG型客车，由于调查对象为特定企业，每月大、中、小型车辆数及驾驶员平均驾龄基本不变，不归入本次建模影响因素。综上，整理得到的各类型车辆能耗参数情况的描述性统计如表2。

表2 集约化LNG客车能耗参数描述性统计Table 2 Descriptive statistics of energy consumption parametersfor intensive LNG buses

3 能耗监测实例

3.1 BP神经网络结构

笔者提取山东省运输企业的营运数据500组，选取其中375组数据作为训练样本数据，数据归一化处理后输入神经网络进行训练，模型训练完成后，将剩余125组数据作为测试样本输入已建立的预测模型，并对比预测值与实际能耗值，对模型进行评价验证。模型设计流程如图2。

图2 模型设计流程Fig. 2 Design process of the estimation model

BP神经网络只有相邻层上的节点相互连接，故在设计网络结构时，重点在于确定网络层数及各层神经元个数。隐层数过少，连接权值组合数不足，易导致神经网络预测精度达不到要求；隐层数过多，则会导致网络泛化能力变差，产生过度拟合的情况，即对于样本数据拟合的误差非常小，但对于样本外数据误差会很大，无法准确预测。根据长期应用经验，隐层单元数可用式(1)确定[17]：

(1)

式中：m为输入神经元数；n为输出神经元数；a为1～10之间的常数。

基于前述分析，综合考虑整个评价，本次研究采用三层神经网络结构模型，BP神经网络基本参数为：输入节点为4，隐含层节点为10，输出节点数为1。

输入节点依次为：综合百公里能耗，L/百车公里；客运周转量，(千人)km；客运量，人；客车实载率，%；载运行程，km。

3.2 训练样本的生成及处理

由表2可见：各指标数据数值相差较大。为消除这种数据间数量级相差过大而造成模型预测误差较大现象，需对输入数据进行归一化处理。输入、输出数据的归一化、反归一化[18]分别如式(2)、(3)：

(2)

(3)

通过归一化及反归一化公式，对输入输出数据进行归一化。笔者将500组数据分为两部分，其中375组数据作为模型的训练样本，剩余125组数据作为模型预测的检验样本。将500组数据按照上述方法归一化处理后，输入模型。

3.3 使用MATLAB创建BP神经网络

笔者使用MATLAB中的BP神经网络工具箱来进行仿真试验。需要经历生成神经网络、权值初始化、网络训练和网络仿真这4个基本步骤。

生成神经网络使用MATLAB提供生成神经网络的函数newff( )，输入R维样本最大最小值构成的R×2维矩阵、各层神经元个数、各层神经元的传递函数及训练用函数的名称便可生成BP神经网络。训练使用trainlm网络训练算法，节点传递函数采用对数型S函数tansig和线性函数purelin。具体参数设置为：训练次数设置为50，训练目标设置为0.01。输入归一化处理后的样本数据，训练过程中利用调整梯度方法不断调整权值和阈值，样本训练误差曲线如图3。从图3中可看出：误差训练曲线没有较大波动，说明网络收敛性稳定。

图3 样本训练误差曲线Fig. 3 Sample training error curve

3.4 模型预测结果分析

实验误差评价指标包括绝对误差perr，平均绝对误差pMAE，相对误差绝对值K，通过这3种指标对预测模型的预测精确度进行对比评价[19]。这3种指标的计算如式(4)～(6)：

perr=EM-ES

(4)

(5)

(6)

式中：ES为BP神经网络预测值；EM为实际能耗值；NP为样本数。

网络预测模型的训练结果如图4。由图4可知：模型估算能耗与真实能耗变化趋势一致，相对误差绝对值为28.79%，平均绝对误差为409 kg，训练样本误差相对较小，可满足分析精度。

图4 BP网络估算结果分析Fig. 4 Analysis of estimate result of the BP neural network

将剩余125组数据作为测试样本输入训练后的神经网络中，对比输出结果与实际能耗数据见图5。由图5(a)可知：网络预测能耗与实际能耗吻合度较高，能在当前输入条件下准确的预测出所用能耗；由图5(b)可得：平均相对误差为13%，平均绝对误差为276 kg。故此预测模型预测精度较高，能实现运输企业LNG客车能耗的准确预测。

图5 测试样本实际能耗与模型预测能耗对比Fig. 5 Comparison between actual energy consumption of test samples and the predicted energy consumption of model

4 结 论

笔者以山东省交通运输企业营运客车为研究对象，进行了能耗特性分析，并基于BP神经网络建立了能耗预测模型，得出如下结论：

1)通过分析车辆能耗特性，从车辆本身特性、车辆行驶条件及企业对车辆的管理这3方面考虑，得出影响车辆能耗的主要因素，分别为周转量、客运量、载运行程及实载率；

2)利用MATLAB建立BP神经网络，选取部分营运客车能耗数据并进行归一化处理，将处理之后的数据作为神经网络样本数据，对神经网络进行训练，得到车辆能耗神经网络模型；

3)将BP神经网络输出结果与实际数据进行对比。结果表明：预测结果与实际结果平均相对误差值在13%左右，能准确预测营运企业LNG客车的能耗情况，为制定合理的能耗管控政策及评估节能减排效果提供了技术支撑。