【技术实现步骤摘要】
本专利技术涉及碳排放监测，尤其涉及一种基于车流数据的碳排放监测方法及系统。
技术介绍
1、依据生态环境部日前发布的《中国移动源环境管理年报(2019)》，我国已经连续十年成为世界机动车产销第一大国。机动车等移动源污染已成为我国大气污染的重要来源。2018年，全国机动车四项污染物排放总量初步核算为4065.3万吨。有效的监测道路上机动车尾气排放，有助于实现城市大气质量根本性好转。
2、目前，国内对道路上的汽车尾气监测主要采用道路拦截接触式检测技术，对机动车排气管采样，然后用常规仪器进行分析。
3、但是，该方式存在多种不足之处，其不足之处在于：(1)由于道路车流量大，会造成车辆拥堵而影响交通，并且产生更大的污染；(2)监测过程人为参与度过高，费时费力，操作难度大，检测样本少，检测效率低，不能全面检监测车辆尾气污染情况，还会对检测人员造成伤害。
4、因此，为了解决上述问题，亟需一种新的汽车尾气监测方式，能够对道路上行驶车辆进行动态尾气监测，不仅具有省时省力、效率高、污染少等优点，还能避免人工参与监测时因尾气造成的伤害。
技术实现思路
1、本专利技术实施例所要解决的技术问题在于，提供一种基于车流数据的碳排放监测方法及系统，能够对道路上行驶车辆进行动态尾气监测，不仅具有省时省力、效率高、污染少等优点，还能避免人工参与监测时因尾气造成的伤害。
2、为了解决上述技术问题，本专利技术实施例提供了一种基于车流数据的碳排放监测方法，所述方法包括以下步骤：
3、获取车辆在指定道路上的驶入图像及驶出图像，且所述驶入图像及所述驶出图像均携带有相应的图像生成时间；
4、根据所述驶入图像、所述驶出图像以及二者所携带的图像生成时间，得到车辆的车型和行驶总时间，并根据所得到的车辆的车型，确定出空燃比及其关联的污染物排放浓度容积比、污染物容积质量换算系数和污染物碳含量，且进一步结合所得到的车辆的行驶总时间和预存有所述指定道路中平路、上坡及下坡的相关长度，得到车辆的污染物排放量。
5、其中，所述车辆的车型是将所述驶入图像或所述驶出图像导入已训练好的车辆识别模型中识别出来的；其中，所述车辆识别模型是由卷积神经网络构建出来的；所述车辆的车型包括汽油车、柴油车、液化石油气车和天然气车。
6、其中，所述污染物排放浓度容积比包括co2、co和cxhy的浓度容积比，所述污染物容积质量换算系数包括co2、co和cxhy的气体密度，所述污染物碳含量包括co2、co和cxhy的碳含量；其中，
7、若所述车辆的车型为汽油车，则cxhy表示为c1h1.85；
8、若所述车辆的车型为柴油车，则cxhy表示为c1h1.86；
9、若所述车辆的车型为液化石油气车，则cxhy表示为c1h2.525；
10、若所述车辆的车型为天然气车，则cxhy表示为ch4。
11、其中，通过公式得到车辆的污染物排放量q；其中，
12、k为空燃比，其为固定值；pi为汽油车、柴油车、液化石油气车或天然气车在指定速度下的百公里油耗，均为固定值；ρi为汽油密度、柴油密度、液化石油气密度或天然气密度，均为固定值；l、m和n分别为所述指定道路中的平路长度、上坡长度及下坡长度，均为固定值；
13、cco和分别为所述co2的浓度容积比、所述co的浓度容积比和所述cxhy的浓度容积比；
14、fco和分别为所述co2的气体密度、所述co的气体密度和所述cxhy的气体密度；
15、α、β和δ分别为所述co2的碳含量、所述co的碳含量和所述cxhy的碳含量；
16、t为所述车辆的行驶总时间。
17、其中，所述co2的浓度容积比为13.5％～14.8％，所述co2的气体密度为1.964g/l及所述co2的碳含量为12/44；
18、所述co的浓度容积比为5％，所述co的气体密度为1.25g/l及所述co的碳含量为12/28；
19、所述c1h1.85的浓度容积比为2％～5％，所述c1h1.85的气体密度为0.618g/l及所述c1h1.85的碳含量为12/13.85；
20、所述c1h1.86的浓度容积比为2％～5％，所述c1h1.86的气体密度为0.619g/l及所述c1h1.86的碳含量为12/13.86；
21、所述c1h2.525的浓度容积比为2％～5％，所述c1h2.525的气体密度为0.648g/l及所述c1h2.525的碳含量为12/14.525；
22、所述ch4的浓度容积比为2％～5％，所述ch4的气体密度为0.648714g/l及所述ch4的碳含量为12/16。
23、本专利技术实施例还提供了一种基于车流数据的碳排放监测系统，包括：入口摄像头、出口摄像头和云平台；其中，
24、所述入口摄像头安装于指定道路的入口处并与所述云平台相连，用于获取车辆在所述指定道路上的驶入图像，且所述驶入图像携带有相应的图像生成时间；
25、所述出口摄像头安装于指定道路的出口处并与所述云平台相连，用于获取车辆在所述指定道路上的驶出图像，且所述驶出图像携带有相应的图像生成时间；
26、所述云平台，用于根据所述驶入图像、所述驶出图像以及二者所携带的图像生成时间，得到车辆的车型和行驶总时间，并根据所得到的车辆的车型，确定出空燃比及其关联的污染物排放浓度容积比、污染物容积质量换算系数和污染物碳含量，且进一步结合所得到的车辆的行驶总时间和预存有所述指定道路中平路、上坡及下坡的相关长度，得到车辆的污染物排放量。
27、其中，所述车辆的车型是将所述驶入图像或所述驶出图像导入已训练好的车辆识别模型中识别出来的；其中，所述车辆识别模型是由卷积神经网络构建出来的；所述车辆的车型包括汽油车、柴油车、液化石油气车和天然气车。
28、其中，所述污染物排放浓度容积比包括co2、co和cxhy的浓度容积比，所述污染物容积质量换算系数包括co2、co和cxhy的气体密度，所述污染物碳含量包括co2、co和cxhy的碳含量；其中，
29、若所述车辆的车型为汽油车，则cxhy表示为c1h1.85；
30、若所述车辆的车型为柴油车，则cxhy表示为c1h1.86；
31、若所述车辆的车型为液化石油气车，则cxhy表示为c1h2.525；
32、若所述车辆的车型为天然气车，则cxhy表示为ch4。
33、其中，通过公式得到车辆的污染物排放量q；其中，
34、k为空燃比，其为固定值；pi为汽油车、柴油车、液化石油气车或天然气车在指定速度下的百公里油耗，均为固定值；ρi为汽油密度、柴油密度、液化石油气密度或天然气密度，均为固定值；l、m和n分别为所述指定道路中的平路长度、上坡长度及下坡长度，均为固定值；
35、cco和分别为所述co2的浓度容本文档来自技高网...
【技术保护点】
1.一种基于车流数据的碳排放监测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于车流数据的碳排放监测方法，其特征在于，所述车辆的车型是将所述驶入图像或所述驶出图像导入已训练好的车辆识别模型中识别出来的；其中，所述车辆识别模型是由卷积神经网络构建出来的；所述车辆的车型包括汽油车、柴油车、液化石油气车和天然气车。
3.如权利要求2所述的基于车流数据的碳排放监测方法，其特征在于，所述污染物排放浓度容积比包括CO2、CO和CxHy的浓度容积比，所述污染物容积质量换算系数包括CO2、CO和CxHy的气体密度，所述污染物碳含量包括CO2、CO和CxHy的碳含量；其中，
4.如权利要求3所述的基于车流数据的碳排放监测方法，其特征在于，通过公式得到车辆的污染物排放量Q；其中，
5.如权利要求4所述的基于车流数据的碳排放监测方法，其特征在于，所述CO2的浓度容积比为13.5％～14.8％，所述CO2的气体密度为1.964g/L及所述CO2的碳含量为12/44；
6.一种基于车流数据的碳排放监测系统，其特征在于，包括：入
7.如权利要求6所述的基于车流数据的碳排放监测系统，其特征在于，所述车辆的车型是将所述驶入图像或所述驶出图像导入已训练好的车辆识别模型中识别出来的；其中，所述车辆识别模型是由卷积神经网络构建出来的；所述车辆的车型包括汽油车、柴油车、液化石油气车和天然气车。
8.如权利要求7所述的基于车流数据的碳排放监测系统，其特征在于，所述污染物排放浓度容积比包括CO2、CO和CxHy的浓度容积比，所述污染物容积质量换算系数包括CO2、CO和CxHy的气体密度，所述污染物碳含量包括CO2、CO和CxHy的碳含量；其中，
9.如权利要求8所述的基于车流数据的碳排放监测系统，其特征在于，通过公式得到车辆的污染物排放量Q；其中，
10.如权利要求9所述的基于车流数据的碳排放监测系统，其特征在于，所述CO2的浓度容积比为13.5％～14.8％，所述CO2的气体密度为1.964g/L及所述CO2的碳含量为12/44；
...【技术特征摘要】
1.一种基于车流数据的碳排放监测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于车流数据的碳排放监测方法，其特征在于，所述车辆的车型是将所述驶入图像或所述驶出图像导入已训练好的车辆识别模型中识别出来的；其中，所述车辆识别模型是由卷积神经网络构建出来的；所述车辆的车型包括汽油车、柴油车、液化石油气车和天然气车。
3.如权利要求2所述的基于车流数据的碳排放监测方法，其特征在于，所述污染物排放浓度容积比包括co2、co和cxhy的浓度容积比，所述污染物容积质量换算系数包括co2、co和cxhy的气体密度，所述污染物碳含量包括co2、co和cxhy的碳含量；其中，
4.如权利要求3所述的基于车流数据的碳排放监测方法，其特征在于，通过公式得到车辆的污染物排放量q；其中，
5.如权利要求4所述的基于车流数据的碳排放监测方法，其特征在于，所述co2的浓度容积比为13.5％～14.8％，所述co2的气体密度为1.964g/l及所述co2的碳含量为12/44；
6.一...
【专利技术属性】
技术研发人员：吴中，皮昊书，韩玮，黄焕强，邱方驰，黎志权，何亮，吴子君，杨万里，李喆，李昆鹏，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。