基于PCA-GRU的轻型汽油车NOx排放预测

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。     

基于组合模型的高原环境GDI汽油车排放预测

为预测高原环境下缸内直喷(Gasoline Direct Injection, GDI)汽油车CO和PN的瞬时排放量，开发并评估了一套基于深度学习的排放预测模型。利用便携式车载排放测试系统对一辆GDI汽油车进行实际道路排放测试；加入奇异谱分析对原始时间序列进行处理，剔除时间序列中的异常值；利用XGBoost模型对GDI汽油车的CO和PN的瞬时排放进行初步预测，并利用SVR模型进行残差修正得到最终的预测结果。将预测结果与实际道路排放试验中使用PEMS设备测量的实际值进行比较，结果表明，XGBoost-SVR排放预测模型能较好地预测GDI汽油车瞬时CO和PN的排放，相比单一的XGBoost模型，RMSE分别提高了22.9%和39.7%,决定系数R²均大于0.9,支持预测结果的可靠性。该模型对监测高原环境下GDI汽油车实际道路排放具有一定的工程意义。