基于能量需求模型与EPA测试数据的车辆燃油消耗及CO2排放瞬时估算方法

《Smart Cities》：Towards Supporting Real-Time Estimation of Vehicle Fuel Consumption and CO2 Emissions in Smart City Applications Abrar Alali and Stephan Olariu

　　

摘要：本研究提出一种基于物理力学能量需求模型(Energy Demand Model, EDM)结合EPA(Environmental Protection Agency)标准测试数据与线性回归标定动力传动效率(powertrain efficiency, η)的方法，用于估算汽油乘用车在给定车速—加速度行驶工况下的秒级瞬时燃油消耗及相应CO2排放量。研究人员从EPA测试车辆数据库(FTP/HWY文件字段)获取车辆参数(整备质量、滚动阻力系数f0、空气阻力系数f2)及EPA底盘测功机行驶工况(UDDS城市循环与HWFET高速循环)，并以ANL(Argonne National Laboratory)提供的Toyota Camry 2018与Honda Accord 2018瞬时测量数据为基准真值。EDM依据牛顿第二定律计算克服滚动阻力、空气阻力、坡道阻力及加速惯性所需机械功，再除以燃油低位热值(LHV)与假定或回归得到的η得到理论燃油流量；CO2排放采用EPA推荐公式EFuel× 碳含量(Carbon Content, 0.0196 g/kJ) × 氧化率(Oxidation Fraction, 0.99) × (44/12)。研究人员对比四种η设定方案——理想η=1(无损失)、典型城市η=[0.20,0.16]/高速η=[0.30,0.25]、基于单辆车实测数据反推的平均效率(Benchmark, η?)、以及基于参考车(Toyota Camry)训练的多变量线性模型ηi=β0+β1vi+β2ai预测跨车效率，分别以RMSE(Root-Mean-Squared Error)评估瞬态精度、RSE(Root Squared Error)评估全程总量精度。结果表明：η=1严重高估能耗；固定典型η值部分改善总量误差但瞬态偏差大；Benchmark方案误差最小但因依赖自身油耗数据不具备预测性；基于参考车训练的线性效率模型预测跨车η(UDDS均值0.20609, HWFET均值0.30613)在部分车型上可获得可接受的瞬态与总量估算精度，说明引入速度—加速度相关的瞬态效率修正较恒定效率假设更贴近实际。该方法可用于智慧交通(Smart Cities)场景下基于轨迹数据的车辆环境影响快速评估。

论文解读：基于能量需求模型与EPA数据估算车辆瞬时燃油消耗与CO₂排放——以Smart Cities期刊载文为例

一、研究背景与意义

传统燃油经济性评价依赖EPA整车转鼓测试所得的循环平均油耗与排放，无法提供秒级瞬时信息，亦难以直接服务于智慧交通系统中基于GPS轨迹的微观能耗与环境排放评估。现有微观仿真常假设恒定动力传动效率(通常为15%–30%)，忽略了效率随工况(车速v、加速度a)的动态变化，导致瞬态估算偏差较大。论文发表于《Smart Cities》，旨在建立一套可仅依托公开EPA车辆参数与标准行驶工况、辅以少量实车数据标定效率模型，即可实现逐秒燃油消耗与CO₂排放估算的物理—统计混合框架，为城市交通环境分析与低碳管控提供量化工具。

二、主要技术方法概述

研究人员选取EPA 2023版测试车辆数据集中的乘用车(含Toyota Camry XLE/XSE 2018、Honda Accord LX 2018等)，提取整备质量m、滚动阻力系数f₀(N)、空气阻力系数f₂(N/(m/s)²，由通常给出的?ρC_dA换算)构建能量需求模型(Energy Demand Model, EDM)；行驶工况采用EPA UDDS(Urban Dynamometer Driving Schedule, FTP)与HWFET(Highway Fuel Economy Driving Schedule)，瞬时加速度由车速差分获得。EDM计算各时刻克服滚动阻力(f₀)、空气阻力(f₂v²)、加速惯性(ma)所需功率(忽略坡道)，积分得单位距离或单位时间机械能，除以燃油低热值LHV(Gasoline ≈ 120–132 MJ/gal，依EPA推荐取值)与动力传动效率η得燃油流量。η分四情景设定：(1)η=1(理想无损，下界参照)；(2)城市η=[0.20,0.16]/高速η=0.30,0.25；(3)Benchmark η?由同车实测油耗反推平均效率；(4)Predicted η：以参考车(Toyota Camry)瞬时η(由实测油耗与EDM机械功反算)对v、a做多元线性回归η_i=β₀+β₁v_i+β₂a_i，将所得系数用于他车预测η。CO₂排放按EPA公式CO₂= E_Fuel× Carbon Content(0.0196 g/kJ) × Oxidation Fraction(0.99) × (M_CO2/M_C=44/12)。ANL数据集提供0.1 s分辨率瞬时油耗(gal/s)与CO₂(mg/s)，经十点滑动平均同步至1 s后作基准；EPA聚合数据提供FE(miles per gallon, mpg)转为全程油耗F_Measured= d / FE(E)。评估指标：瞬态RMSE = √[Σ(F_i,Measured?F_i,Estimated)²/N]；总量RSE = (ΣF_Measured? ΣF_Estimated)²。

三、研究结果(按原文小节)

3.1 Energy Demand Model(能量需求模型)

研究人员基于车辆纵向动力学建立EDM，输入为v(t)、a(t)及车辆参数(m, f₀, f₂)，输出为克服阻力所需瞬间功率与累计机械能，再结合η与燃油LHV得瞬时燃料流量?_fuel= P_mech/(η·LHV)。预处理剔除怠速与减速区间避免负功干扰。

3.2 Instantaneous Powertrain Efficiency(瞬时动力传动效率)

指出η是模型最大不确定源，汽油乘用车典型η约16%–30%，受负荷、转速、换挡等影响；本文视其为v与a的函数或取典型定值以便对比。

3.3 Linear Regression Model for Efficiency Prediction(效率预测的线性回归模型)

以参考车逐秒数据反算η_i= ?_fuel,i·LHV / P_mech,i(剔除异常)，对(v_i, a_i)做OLS回归得β₀, β₁, β₂，该模型用于跨车预测η。作者指出单参考车训练泛化有限。

3.4 Estimating CO₂Emissions(CO₂排放估算)

采用EPA推荐碳平衡法：CO₂= E_Fuel(kJ) × 0.0196(g/kJ) × 0.99 × 44/12，E_Fuel由EDM估算油耗乘LHV得。

3.5 Data Collection and Preprocessing(数据采集与预处理)

详述从EPA文件按TestCategory=FTP/HWY筛选UDDS/HWFET工况；车辆参数单位换算；ANL瞬时数据0.1 s→1 s降采样与EPA聚合mpg→总加仑数换算F_Measured= d/FE(E)。

4.1 Overall Results(总体结果)

四种η设定对比表明：η=1严重低估油耗(无损失)致估算值远低于实测；固定典型η([0.20,0.16]城/[0.30,0.25]高)改善总量误差但瞬态RMSE仍偏高；Benchmark η?(由自身数据反推)误差最小但不具预测性；Predicted η(基于Toyota Camry训练回归模型，UDDS η?≈0.20609, HWFET η?≈0.30613)在他车上获可接受瞬态与总量精度，说明速度—加速度相关瞬态效率比恒定η更合理，但需多车训练提升普适性。

4.2 Evaluation Metrics(评估指标)

定义并应用RMSE评估逐秒燃油与CO₂偏差，RSE评估全程总量偏差。

四、讨论与结论翻译

研究人员得出结论：所提能量需求模型结合EPA公开数据与适当效率校正可有效估算瞬态燃油消耗与CO₂排放；恒定效率假设尤其η=1不适用，典型固定η仅部分改善；基于参考车训练的速度—加速度相关线性效率模型跨车预测效果优于常数效率，接近基准但受限于训练样本单一；未来需扩大训练车队以提升通用性。该方法为智慧城市场景下基于标准行驶工况与公开车辆参数的车辆环境影响快速评估提供了可行途径。