一种车网路桩数据融合的城市交通碳排放评估方法技术

本发明专利技术提出了一种车网路桩数据融合的城市交通碳排放评估方法，包括：S1：获取碳排放评估基础数据，在数据预处理后进行第一次数据融合，得到初步碳排放评估结果；获取对应兴趣点的静态城市交通数据与有效电气结构参数；结合充电桩布局，对静态城市交通数据以及有效电气结构参数进行第二次数据融合；根据第一次数据融合和第二次数据融合的结果，构建并训练进行碳排放评估的BP神经网络模型。本发明专利技术广泛获取大量有效数据，并综合考虑包括车辆、道路、能源补给点在内的多项可能对于城市交通碳排放的影响，在此基础上投入BP神经网络训练模型，计算更具精确性与快速性，为城市交通碳排放评估提供了全新思路。提供了全新思路。提供了全新思路。

【技术实现步骤摘要】
一种车网路桩数据融合的城市交通碳排放评估方法


[0001]本专利技术涉及城市交通碳排放评估领域，尤其是涉及一种车网路桩数据融合的城市交通碳排放评估方法。

技术介绍

[0002]在“碳达峰、碳中和”目标下，碳减排的需求与日俱增。而城市交通作为其中最具有碳减排潜力的行业，其准确的碳排放评估有利于实现其碳排放的具体化与可观测性，在宏观层面上有利于实现节能减排的目标。当下城市交通面临巨大的时代变革。同时，由于地理信息技术以及电网的信息化程度提高，获取并处理信息的能力也有了较大提升。一方面，城市交通网络拥有的承载能力越发强大，交通运输的需求也将保持增长；另一方面，由于新能源汽车的出现和普及，城市交通用具的复杂程度上升，进一步引发了其碳排放结构的巨大变化。
[0003]综上，现有的碳排放评估方法往往具有如下问题：大量基础车辆数据，具有对大区域可靠性差的缺点，因此更加适用于小范围的城市碳排放评估，不适合城市交通这种错综负责的局面；而依靠单一的宏观测量，容易造成数据的灰色区域以及篡改行为。总体来看，数据来源相对匮乏是造成评估结果不准确的主要原因，亟待提出一种准确的城市交通碳排放评估方法。

技术实现思路

[0004]为了克服现有技术中由于城市交通数据匮乏而造成的碳排放评估不准确，以及仅依靠单方数据支撑等缺陷而造成的城市交通碳排放评估不准确问题，本专利技术提供的一种车网路桩数据融合的城市交通碳排放评估方法，通过多元数据融合与BP神经网络训练生成模型的方式进行准确评估。
[0005]本专利技术的目的可以通过以下技术方案来实现：S1：获取碳排放评估基础数据，在数据预处理后进行第一次数据融合，得到初步碳排放评估结果；S2：获取对应兴趣点的静态城市交通数据与有效电气结构参数；S3：结合充电桩布局，对静态城市交通数据以及有效电气结构参数进行第二次数据融合；S4：根据第一次数据融合和第二次数据融合的结果，构建并训练进行碳排放评估的BP神经网络模型。
[0006]可选的，其特征在于，所述S1包括：通过第一次数据融合定义初步碳排放评估参数X，所述X的计算公式如下：其中，k
ij
为用于表征不同的影响因素以及调整评估结果的可观测性的一阶影响系
数，i和j分别表示车辆的种类以及其使用的能源类型，N
ij
表示使用j能源的i类车的数量，D
ij
表示使用j能源的i类车总行驶里程，C
ij
表示使用j能源的i类车的平均能耗，F
ij
表示使用j能源的i类车的碳排放因子。
[0007]可选的，其特征在于，所述碳排放因子的计算公式如下：F
ij
＝E
ij
/T
ij
；其中，E
ij
表示使用j能源的i车的终端碳排放量，T
ij
表示使用j能源的i车的平均周转量。
[0008]可选的，所述步骤S3包括：以兴趣点的城市交通道路数据作为静态城市交通数据，包括城市交通道路的长度、宽度以及方向；以兴趣点的变电站分布以及供电可靠程度作为有效电气结构参数。
[0009]可选的，所述步骤S3包括：通过有效电气结构参数与充电桩布局之间的关系表示为城市充电桩有效系数CC，所述CC的计算公式如下：CC＝∑
n
Z
n
*K
rel
；其中，Z
n
表示距离第n个充电桩距离小于预设距离的变电所的个数，K
rel
表示供电可靠等级。
[0010]可选的，所述步骤S3包括：通过静态城市交通数据与充电桩布局之间的关系表示为能源补给有效系数CN，所述CN的计算公式如下：其中，d
cross
表示距离第m个充电桩最近的n个十字路口中心点的平均距离，d
road
表示距离第m个充电桩到距离最近的m条道路的直线距离。
[0011]可选的，所述步骤S4包括：基于第一次数据融合的结果构建并训练BP神经网络模型的输入层，其中以一阶影响系数k作为神经元之间的权重；基于第二次数据融合的结果构建并训练BP神经网络模型的隐含层，其中以二阶影响系数h作为隐含层神经元之间的权重；所述BP神经网络模型的输出层为最终实现的数据结果，即最终碳排放评估参数。
[0012]本专利技术的有益效果是，利用车网路桩数据融合，首先广泛获取大量有效数据，并综合考虑包括车辆、道路、能源补给点在内的多项可能对于城市交通碳排放的影响，故具有很好的可靠性与广泛性，有针对性的克服了当前存在的数据来源单一的巨大缺陷；另外的，在此基础上投入BP神经网络训练模型，该方法得出的最终模型也具有相对应优点，计算更具精确性与快速性，为城市交通碳排放评估提供了全新思路。
附图说明
[0013]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本
领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术实施例提出的一种车网路桩数据融合的城市交通碳排放评估方法的流程图图2为两次数据融合统一呈现的具体流程图图3为BP神经网络训练模型示意图；
具体实施方式
[0014]本专利技术提供的方法通过获得所述各类型汽车保有量、总行驶里程、平均能耗、平均周转量和所述碳排放总量的终端数据；利用数据融合的原理，计算获得各类型汽车的碳排放因子以及进一步的初步碳排放评估系数X；另一方面，通过获得所述城市交通数据与有效电气结构参数；利用BP神经网络训练模型原理，将计算获得包括城市充电桩有效系数CC、能源补给有效系数CN、城市总承载力bear在内的参考数据；最终输出最终碳排放评估系数Y，并通过多次训练得到最终的模型；训练模型的核心逻辑围绕梯度下降法，这种方法往往具有较好的收敛特性；根据所述的输入层数据，导入训练完成的模型，可以快速精准地评估城市交通碳排放水平。
[0015]在介绍了本专利技术基本原理后，下面，将参考附图对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是本专利技术的全部实施例，应理解，本专利技术这里描述的实例实施例的限制。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部。
[0016]实施例：如图1所示，本实施例提供了一种车网路桩数据融合的城市交通碳排放评估方法，该方法包括如下步骤：S1：获取碳排放评估基础数据，在数据预处理后进行第一次数据融合，得到初步碳排放评估结果；S2：获取对应兴趣点的静态城市交通数据与有效电气结构参数；S3：结合充电桩布局，对静态城市交通数据以及有效电气结构参数进行第二次数据融合；S4：根据第一次数据融合和第二次数据融合的结果，构建并训练进行碳排放评估的BP神经网络模型。...

【技术保护点】

【技术特征摘要】
1.一种车网路桩数据融合的城市交通碳排放评估方法，其特征在于，该方法包括以下步骤：S1：获取碳排放评估基础数据，在数据预处理后进行第一次数据融合，得到初步碳排放评估结果；S2：获取对应兴趣点的静态城市交通数据与有效电气结构参数；S3：结合充电桩布局，对静态城市交通数据以及有效电气结构参数进行第二次数据融合；S4：根据第一次数据融合和第二次数据融合的结果，构建并训练进行碳排放评估的BP神经网络模型。2.根据权利要求1所述的一种车网路桩数据融合的城市交通碳排放评估方法，其特征在于，所述S1包括：通过第一次数据融合定义初步碳排放评估参数X，所述X的计算公式如下：X＝∑
ij
k
ij
*N
ij
*D
ij
*C
ij
*F
ij
；其中，k
ij
为用于表征不同的影响因素以及调整评估结果的可观测性的一阶影响系数，i和j分别表示车辆的种类以及其使用的能源类型，N
ij
表示使用j能源的i类车的数量，D
ij
表示使用j能源的i类车总行驶里程，C
ij
表示使用j能源的i类车的平均能耗，F
ij
表示使用j能源的i类车的碳排放因子。3.根据权利要求2所述的一种车网路桩数据融合的城市交通碳排放评估方法，其特征在于，所述碳排放因子的计算公式如下：F
ij
＝E
ij
/T
ij
；其中，E
ij
表示使用j能源的i车的终端碳排放量，T
ij
...

【专利技术属性】
技术研发人员：蒋建，宣羿，樊立波，孙智卿，韩荣杰，方响，王亿，陈益芳，来益博，屠永伟，黄佳斌，向新宇，王奇锋，杨谊，杨霖泽，
申请(专利权)人：国网浙江省电力有限公司杭州供电公司，
类型：发明
国别省市：