基于大數據的電動汽車行駛階段碳減排影響因素分析

詹煒鵬，王震坡，鄧鈞君，劉 鵬，崔丁松，李海濤

（1.北京理工大學機械與車輛學院，北京 100081；2.北京億維新能源汽車大數據應用技術研究中心，北京 100038）

前言

道路交通領域是實現我國雙碳目標的重點領域。電動汽車大規模替代傳統燃油汽車是道路交通碳減排的重要舉措，部分歐洲國家已經制定了逐步淘汰內燃機汽車的目標和時間表。雙碳目標下，建立基于碳管理機制的新能源汽車扶持政策，首先需要摸清碳排放基礎數據。

按照全生命周期分析法（life cycle assessment，LCA），汽車全生命周期碳排放包括燃料周期和車輛周期［1］。燃料周期通常指WTW階段（油井到車輪），包含WTP階段（油井到油泵）和PTW階段（油泵到車輪）。車輛周期包括原材料獲取、零部件加工、整車生產制造、報廢回收等過程。其中，燃料周期的碳排放占汽車全生命周期的60%～70%，是本文的研究重點。

在燃料周期碳排放計算，大多數文獻關注單一車型的電動汽車和燃油汽車碳排放差異，存在如下局限性：（1）采用情景分析法設定長周期參數，例如汽車全生命周期行駛里程假設為15萬km［2］；（2）采用問卷調研方式統計部分短周期參數，如日均出行里程；（3）采用文獻調研法設定靜態統計參數，如忽略了能源結構隨時間的變化，或假設燃油汽車的效率和性能保持不變［3］；上述參數設置存在的局限性，使現有模型計算結果的參考價值有所下降，比如有文獻提出，在電力碳排放因子低于600 g CO2/（kW·h）的情況下，電動汽車的排放量會小于插電式混動汽車和燃料電池汽車，但其忽略了其余動態因素的影響［4］。另外，考慮駕駛行為、行駛工況、能效等動態因素的實時變化對碳排放的影響，有些文獻利用以小時為更新時長的能耗數據開展了研究，但是模型分別基于簡化充電曲線和動力學仿真獲得電動汽車的能耗，難以納入環境、工況等實際因素［5-7］。

另一方面，大多數文獻主要比較燃油乘用車和電動乘用車，隨著新能源汽車技術水平的提升和政策推廣，近年來客車、電動專用車的電動化率快速提升，碳減排潛力十分巨大，也是本文重點考慮的對象［8］。

綜上所述，以往的研究主要基于調研和抽樣統計的靜態數據計算典型電動乘用車的碳減排量。本文基于我國超過500萬輛電動汽車的實際運行數據，建立了自下而上的電動汽車行駛階段碳減排計算模型，分析電力碳排放因子、車輛規格、車輛用途、氣候與溫度等多個因素對電動汽車減排的影響。

1 電動汽車行駛階段碳排放模型

1.1 模型概述

本文中基于實車數據建立了電動汽車行駛階段碳排放計算模型（由于電動汽車行駛過程中不產生碳排放，后文中提及的電動汽車碳排放均指的是行駛耗能對應的電力生產碳排放），如圖1所示。模型主要分為兩個部分：電動汽車WTP模型和能耗模型。電動汽車WTP模型考慮了多種發電方式和技術，將各地能源結構轉換為電力碳排放因子GGEF（g/（kW·h））。另一方面，在能耗模型中，通過車輛的行駛片段和充電片段，考慮充電樁效率η4，可以得到每輛車的實際電網能耗Eg（kW·h/km）。

據此可計算出每輛車的每公里碳排放量GHGEV，km（g/km），結合該車在一段時間內的行駛里程M（km），則可得到每輛車在一段時間內的碳排放量GHGEV（g）。最后，根據不同的需求可統計出不同層面的車群在一段時間內的行駛階段碳排放量。由于燃油汽車的碳排放計算方法與電動汽車類似，因此本文重點講述電動汽車碳排放計算方法。

1.2 電動汽車WTP模型

電動汽車WTP模型的目的是根據地區能源結構計算當地電力碳排放因子，即電網每輸出1 kW·h電所產生的碳排放量。模型還考慮了能源運輸、發電、輸電和配電等過程的損耗（如圖2）。

本文提及的碳排放量均指的是廣義的碳排放量，即溫室氣體排放量。京都議定書中規定控制的6種溫室氣體為：二氧化碳（CO?）、甲烷（CH?）、氧化亞氮（N?O）、氫氟碳化合物（HFCs）、全氟碳化合物（PFCs）、六氟化硫（SF?）。由于電動汽車全生命周期中HFCs、PFCs和SF?排放量非常少，可以忽略不計，因此主要考慮的是CO2、CH4、N2O這3種溫室氣體，并且按照全球增溫潛力系數統一折算為CO2當量。因此，電力碳排放因子計算方法如下：

式中：GGEF表示電力碳排放因子，g/（kW·h）；GEFCO2表示電力CO?排放因子，g/（kW·h）；GEFCH4表示電力CH?排放因子，g/（kW·h）；GEFN2O表示電力N2O排 放 因 子，g/（kW·h）。而GEFCO2、GEFCH4、GEFN2O三者的計算方法類似，因此以GEFCO2為例講述計算方法：

式中：i表示各種發電方式，i=1～8分別表示燃油發電、天然氣發電、燃煤發電、水電、核電、風電、光伏發電和生物質能發電；EFi表示第i種發電方式的碳排放因子；pi表示第i種發電占比。其中，由于燃油發電、天然氣發電、燃煤發電均屬于火力發電，發電過程中可以使用不同的燃燒技術，他們的碳排放因子計算方法如式（3）所示。

式中：j表示各種燃燒技術；ni表示第i種發電方式擁有的燃燒技術總數；EFi，j表示第i種發電方式采用第j種技術的碳排放因子，g/（kW·h），計算方法如式（4）所示；pi，j表示在第i種發電方式中第j種技術的占比。

式中：LHVi表示第i種發電方式使用的燃料的低位熱值（J/kg）；Cpi表示第i種燃料的含碳率；Xi，j表示在第i種發電方式中第j種技術每發1 kW·h電產生的X氣體質量，kg；Cp X表示X氣體的含碳率，X代表VOC、CO和CH4。

除了火力發電外，其他清潔能源發電的電力碳排放因子如表1所示。水電作為我國發電量最大的非化石能源電力，水庫建成后由于容量擴大水位上升，導致淹沒植被，植被腐敗分解產生的CH4排放問題不可忽視。核電和生物質發電主要考慮原料生產和運輸以及發電過程中的化石能源投入及產生的排放。光伏發電和風電的碳排放主要來源于設備的生產耗能。相關數值參考已有研究結果進行設定［9］。

表1 其他發電方式的碳排放因子（i=4～8）［9］

綜上，本文計算出2018年、2019年、2020年我國電力碳排放因子分別為612.38、602.90、594.04 g/（kW·h）。

1.3 能耗模型

對于區域層面的電動汽車碳排放量，可以通過總充電量進行統計計算得到。而本文為了比較不同區域、規格、用途的電動汽車的每公里碳排放量，因此需要建立能耗模型（如圖3所示）對電動汽車每公里耗電量進行計算。

本文從新能源汽車大數據聯盟開放實驗室和重型車輛監測管理平臺收集了超過500萬輛新能源汽車和60多萬輛燃油汽車從2018年到2020年的數據。根據電壓、電流等動態數據，可以識別出車輛的行駛、充電、停車等狀態［10］。

由于充電片段的電壓電流波動遠小于行駛片段，更適合采用安時積分法，因此本文根據每個行駛片段相鄰的充電片段計算出該段時間內的車輛行駛平均能耗。

對于一段時間的行駛片段的能耗進行統計，可以得到該段時間內該車的平均能耗，如式（5）所示。

式中：Ec為一段時間內平均行駛能耗，（kW·h）/km；Ec，i為第i個行駛片段的能耗，（kW·h）/km；Si為第i個行駛片段的里程，km；Wcf，j表示第j個充電片段的充電能量，kW·h；m表示用來計算行駛片段能耗的相鄰充電片段數量；Tj表示第j個充電片段的總幀數；Up、Ip和tp分別表示第p個時刻的動力電池電壓（V）、電流（A）和時間戳（s）。

為提高準確性，選取行駛片段左右各兩個充電片段，用于計算能耗，并且充電片段的SOC變化范圍必須囊括行駛片段的SOC變化范圍。使用這種方法計算能耗的優勢在于體現了溫度、工況等對能耗的影響，并且考慮了電池充電效率、車輛傳動效率、電池容量的衰退效應。

1.4 電動汽車碳減排量

電動汽車相比于同等級的燃油汽車的每公里碳減排量如下：

式中：GEFf為汽油或柴油的碳排放因子，包含燃燒、上游生產和運輸的碳排放，g/L；Ef為燃油汽車的油耗，L/km。根據式（8）可以得到每輛電動汽車的減排量，后文將結合行駛里程，并根據車型和地區進行統計得出結論。

2 區域性差異

2.1 省份層面

假設不考慮省際之間電力傳輸的情況，使用1.2節的方法可以計算出我國大陸各省的電力碳排放因子。由圖4可知，電力碳排放因子呈現出東部省份高西部省份低的總體格局，主要原因是東部地區多以火電為主，而西部地區清潔能源發電占比較高。

對各個省份的電力碳排放因子、碳減排量、車輛數、清潔能源占比進行比較可以得到圖5，圓圈面積表示車輛數。北京、上海、廣東、四川4個典型省份電動汽車數量和碳減排量如圖6和圖7所示。

由圖5可以看出，由于北京、廣東等地區人口眾多、經濟繁榮，電動汽車保有量較大，而清潔能源發電占比卻較低；相反，四川、云南等西部地區，擁有非常低碳的能源結構，電動汽車的數量卻很少。因此，對于西部地區，電動汽車能夠發揮更多的減排優勢，應該通過相應的財政政策大力推廣電動汽車。而對于東部地區，則需要將能源結構低碳化作為首要目標。

由圖6和圖7可以看出，在電動汽車典型省份，由于電動乘用車體量龐大，其減排效果最為顯著。相較于四川而言，北京、上海雖然擁有大量的電動汽車，但減排效果卻不如四川，客車和專用車的減排效果更是收效甚微（在3.2和3.3節將做進一步的分析）。

2.2 國家層面

由圖8可知，2020年各國A級燃油乘用車的行駛階段每公里碳排放差距較小，表明各國汽油生命周期碳排放較為接近。相反地，歐、美、中、印A級電動汽車行駛階段每公里碳排放分別為40、63、119、140 g/km，煤電占比分別為12.6%、20.3%、64.2%、72.5%，具有較大的差異（見圖9）。由于風、光、水、核能、生物質等發電只產生少量的碳排放，而煤電的碳排量遠高于天然氣和原油發電。因此煤電占比高是導致電動汽車減排效果不佳的重要原因。

3 車輛規格與用途

3.1 乘用車

雖然許多文獻已經研究過電動乘用車與燃油乘用車的碳排放量對標，但多采用典型車輛進行比較，并沒有對大規模車輛進行詳細分析。因此本文對大量電動汽車按照車輛等級進行劃分，并與同一等級的燃油汽車進行對標，從而計算每公里碳減排量。

燃油乘用車的實際油耗數據來源于小熊油耗網站，該網站有大量用戶上傳的油耗數據，可反映我國的實際工況，并且廣泛應用于國際清潔交通委員會、能源與交通創新中心的相關報告。

2018-2020年全國各等級電動乘用車平均每公里碳減排量如圖10所示。

由圖10可以看出，隨著年份的增加，每個等級電動汽車的平均每公里碳減排量逐年增加。由于新車的接入，各等級乘用車中的不同用途車輛（私人、出租、公務、租賃）占比在發生變化，但乘用車各種用途的能耗差別較小，因此減排量提升的原因在于電動乘用車節能減排技術的進步（其中C級車輛技術提升成效最為顯著）。

3.2 客車

對于客車而言，主要使用客車長度進行等級劃分。燃油客車的燃油數據來源于重型車輛監測管理平臺，并結合行業標準《營運客車燃料消耗量限值及測量方法》和其他文獻［12］。

2018-2020年全國各車長電動客車平均每公里碳減排量如圖11所示。其中，全國7-8 m電動客車能耗分布如圖12所示。

由圖11發現，電動客車總體的減排量隨著年份有所提升，但車長在7-8 m范圍內的客車卻有著相反的趨勢。對該車長客車進行進一步分析發現，該車長范圍內客車的車型和數量都有所提升，但引入新車輛的能耗卻高于舊車輛（如圖12所示）。從2018年到2020年，該車長范圍客車的平均能耗從46.41提升到50.47（kW·h）/100 km，導致其每公里減排量從146下降至110 g/km。

在2.1節中提到北京、上海的電動客車減排效果不佳，考慮到氣候和溫度的影響（4.2節），上海的溫度變化比較接近全國平均，因此以上海為例進行統計。由圖13可知，上海市目前的所有車長電動客車減排量均低于全國平均。由于上海市的電力碳排放因子處于全國較高的水平，為了證明上海市的能源結構是導致電動客車減排量差的主要原因，假設上海市2018-2020年的電力碳排放因子與全國平均持平，可以得到各車長電動客車減排量（如圖13（b）所示），大部分電動客車將會有著比全國更高的減排量。

3.3 專用車

相似地，在專用車領域也出現了類似的現象。行業標準《營運貨車燃料消耗量限值及測量方法》和相關文獻對于專用車的燃油消耗量僅根據車輛總質量進行規定和統計，但研究發現，不同用途的專用車的能耗有著較大的差異。因此，借助重型車輛監測管理平臺根據質量和用途對專用車油耗進行統計，并與同類型的電動專用車作比較（見圖14）。

總體而言，大部分電動專用車隨著時間的推移，減排效果逐步提升，標志著我國電動專用車節能減排技術的提升。在這之中，輕型專用車約占專用車總數的95%，并且擁有較高的減排量，是專用車領域減排的主力。

值得一提的是，電動環衛專用車的減排量不容樂觀，主要有兩方面原因。一方面，由于環衛車的工作時間遠大于不工作的行駛時間，并且工作時主電機的功率遠小于工作電機［13］。因此，整個行駛周期中，工作電機的能耗量遠大于驅動電機［14］。在驅動環衛車的附件時，電動汽車的能量鏈相對于燃油汽車則不具備像普通行駛那樣的效率優勢。另一方面，環衛車在工作時大多數車速是在30 km/h以下，在低速行駛的工況下，電機的效率下降幅度大于內燃機，并且能量回收幾乎不起作用，從而導致了電動汽車的能效優勢無法體現，以及減排優勢的削減。

4 敏感性分析

4.1 電力碳排放因子

為了探究電力碳排放因子對各種車輛各個等級的減排量的影響，假設電力碳排放因子在一定的范圍內變化，而其他參數值假定不變。其敏感性公式如下：

式中：S表示減排量對電力碳排放因子的敏感性；ΔCR和CR0分別表示各種車型的碳減排變化量和在當前情況下的碳減排量，kg；ΔGGEF和GGEF0分別表示電力碳排放因子的變化量和當前的電力碳排放因子，g/kWh；E表示各種車型的能耗，（kW·h）/km。可以得知，各種車型的碳減排量對電力碳排放因子的敏感性取決于各自的能耗和當前的每公里碳減排量。

乘用車、客車、專用車的各種等級的碳減排量對電力碳排放因子的敏感性分析結果如圖15所示。可以看出，專用車和客車由于能耗較高的原因，碳減排量受到電力碳排放因子的影響較大。而乘用車中的A級車由于當前的減排效果較不顯著，因此電力碳排放因子的波動對其碳減排量的影響也相對較大。總的來說，各種車型的減排量均與電力碳排放因子的變化呈現線性關系，而降低我國各地的電力碳排放因子更有利于促進重型車輛電動化帶來的環境效益。

4.2 氣候與溫度

本節以乘用車為例，主要討論不同區域的氣候和溫度對能耗和碳減排量的影響，從而進一步分析導致碳減排地域性差異的根本原因。

首先，研究了我國具有典型氣候的7個省份的電動乘用車能耗與溫度的關系（見圖16）。圖中每一個點對應每個省份2020年每一個月的電動乘用車能耗平均值。由于不同的省份對應不同的氣候，因此不同省份的溫度變化范圍、能耗最低對應的溫度、能耗對溫度的敏感性均有差異。其中，北京的平均能耗最高，且對溫度變化最為敏感。而昆明四季如春的氣候條件有利于電動汽車展現巨大的減排優勢。圖17進一步分析了氣候與溫度對能耗和碳減排的季節性影響。

由圖17可以看出，北京市的溫度隨季節的變化量最大，導致其能耗的巨大波動，冬夏兩季的能耗差異甚至可以達到31.1%，并且由于北京的電力碳排放因子較高，導致北京市在1月和12月甚至出現了乘用車不減排的情況。呼和浩特市（溫帶大陸性氣候）與北京市（溫帶季風氣候）有相似的現象，但波動性較為緩和。深圳市雖然與上海市同為亞熱帶季風氣候，但由于與海口（熱帶季風氣候）的地理位置較為接近，因此能耗和碳減排量較為相似。總體看來，每公里碳減排量主要受電力碳排放因子的影響，當電力碳排放因子較大時，溫度的影響才顯現出來。

另一方面，從以上7個典型城市可以看出，在冬季，由于氣溫較低，電動汽車能耗普遍提升，導致碳減排量的減少。而冬季電動汽車能耗升高的原因有3個方面：鋰離子電池低溫下活性低，內阻增加，放電時會有額外損耗；低溫下不能大功率充電，因此動能回收功能將受限甚至禁用；為防止電池低溫下充放電性能下降過大，電池主動加熱系統會開始工作，增加了能耗。因此，在低溫的環境當中，不僅電動汽車的續駛里程大打折扣，減排效果也受到較大的影響。

5 結論

本文中考慮了能源結構變化、電池容量衰退、使用工況、溫度、用途、電池充電效率、車輛傳動效率等因素對電動汽車碳減排量的影響，建立了電動汽車行駛階段碳排放模型，并利用我國大量實車數據進行各類電動汽車碳減排量的評估，并對相關的影響因素進行了敏感性分析。

得到如下幾個方面的結論：（1）電動乘用車由于節能技術水平較高、體量大的原因，成為我國道路交通領域碳減排的主力，而電動重型車輛（尤其是電動環衛車）的減排效果較不顯著；（2）電動汽車受氣候和溫度的影響，在部分城市的冬季，由于氣溫較低，導致能耗提升和減排量的下降；（3）相比于溫度，電動汽車的減排量受電力碳排放因子的影響更大，相較于四川等清潔電力的省份，北京、上海等煤電占比較高的省份，雖然擁有大量的電動汽車，但減排效果卻不如四川。

不僅如此，本文還提出相應的發展政策建議：（1）在推行道路交通電動化的過程中，需要極大地關注新生產的電動汽車的能耗值，政府可以通過差異性補貼或者碳交易等手段促進低能耗電動汽車的生產和推廣，有利于進一步擴大電動汽車的減排量；（2）由于我國各省份能源結構不同，應有差異性地推行相關政策，對于西部地區，電動汽車能夠發揮更多的減排優勢，應該通過相應的財政政策大力推廣電動汽車，而對于東部地區，則需要將能源結構低碳化作為首要目標；（3）我國的電動汽車減排量與發達國家仍有一定的差距，進一步提升電動汽車的節能技術，促進電網清潔化，是實現道路交通領域雙碳目標的重要舉措。