基于大数据的电动汽车行驶阶段碳减排影响因素分析

詹炜鹏，王震坡，邓钧君，刘 鹏，崔丁松，李海涛

（1.北京理工大学机械与车辆学院，北京 100081；2.北京亿维新能源汽车大数据应用技术研究中心，北京 100038）

前言

道路交通领域是实现我国双碳目标的重点领域。电动汽车大规模替代传统燃油汽车是道路交通碳减排的重要举措，部分欧洲国家已经制定了逐步淘汰内燃机汽车的目标和时间表。双碳目标下，建立基于碳管理机制的新能源汽车扶持政策，首先需要摸清碳排放基础数据。

按照全生命周期分析法（life cycle assessment，LCA），汽车全生命周期碳排放包括燃料周期和车辆周期［1］。燃料周期通常指WTW阶段（油井到车轮），包含WTP阶段（油井到油泵）和PTW阶段（油泵到车轮）。车辆周期包括原材料获取、零部件加工、整车生产制造、报废回收等过程。其中，燃料周期的碳排放占汽车全生命周期的60%～70%，是本文的研究重点。

在燃料周期碳排放计算，大多数文献关注单一车型的电动汽车和燃油汽车碳排放差异，存在如下局限性：（1）采用情景分析法设定长周期参数，例如汽车全生命周期行驶里程假设为15万km［2］；（2）采用问卷调研方式统计部分短周期参数，如日均出行里程；（3）采用文献调研法设定静态统计参数，如忽略了能源结构随时间的变化，或假设燃油汽车的效率和性能保持不变［3］；上述参数设置存在的局限性，使现有模型计算结果的参考价值有所下降，比如有文献提出，在电力碳排放因子低于600 g CO2/（kW·h）的情况下，电动汽车的排放量会小于插电式混动汽车和燃料电池汽车，但其忽略了其余动态因素的影响［4］。另外，考虑驾驶行为、行驶工况、能效等动态因素的实时变化对碳排放的影响，有些文献利用以小时为更新时长的能耗数据开展了研究，但是模型分别基于简化充电曲线和动力学仿真获得电动汽车的能耗，难以纳入环境、工况等实际因素［5-7］。

另一方面，大多数文献主要比较燃油乘用车和电动乘用车，随着新能源汽车技术水平的提升和政策推广，近年来客车、电动专用车的电动化率快速提升，碳减排潜力十分巨大，也是本文重点考虑的对象［8］。

综上所述，以往的研究主要基于调研和抽样统计的静态数据计算典型电动乘用车的碳减排量。本文基于我国超过500万辆电动汽车的实际运行数据，建立了自下而上的电动汽车行驶阶段碳减排计算模型，分析电力碳排放因子、车辆规格、车辆用途、气候与温度等多个因素对电动汽车减排的影响。

1 电动汽车行驶阶段碳排放模型

1.1 模型概述

本文中基于实车数据建立了电动汽车行驶阶段碳排放计算模型（由于电动汽车行驶过程中不产生碳排放，后文中提及的电动汽车碳排放均指的是行驶耗能对应的电力生产碳排放），如图1所示。模型主要分为两个部分：电动汽车WTP模型和能耗模型。电动汽车WTP模型考虑了多种发电方式和技术，将各地能源结构转换为电力碳排放因子GGEF（g/（kW·h））。另一方面，在能耗模型中，通过车辆的行驶片段和充电片段，考虑充电桩效率η4，可以得到每辆车的实际电网能耗Eg（kW·h/km）。

据此可计算出每辆车的每公里碳排放量GHGEV，km（g/km），结合该车在一段时间内的行驶里程M（km），则可得到每辆车在一段时间内的碳排放量GHGEV（g）。最后，根据不同的需求可统计出不同层面的车群在一段时间内的行驶阶段碳排放量。由于燃油汽车的碳排放计算方法与电动汽车类似，因此本文重点讲述电动汽车碳排放计算方法。

1.2 电动汽车WTP模型

电动汽车WTP模型的目的是根据地区能源结构计算当地电力碳排放因子，即电网每输出1 kW·h电所产生的碳排放量。模型还考虑了能源运输、发电、输电和配电等过程的损耗（如图2）。

本文提及的碳排放量均指的是广义的碳排放量，即温室气体排放量。京都议定书中规定控制的6种温室气体为：二氧化碳（CO₂）、甲烷（CH₄）、氧化亚氮（N₂O）、氢氟碳化合物（HFCs）、全氟碳化合物（PFCs）、六氟化硫（SF₆）。由于电动汽车全生命周期中HFCs、PFCs和SF₆排放量非常少，可以忽略不计，因此主要考虑的是CO2、CH4、N2O这3种温室气体，并且按照全球增温潜力系数统一折算为CO2当量。因此，电力碳排放因子计算方法如下：

式中：GGEF表示电力碳排放因子，g/（kW·h）；GEFCO2表示电力CO₂排放因子，g/（kW·h）；GEFCH4表示电力CH₄排放因子，g/（kW·h）；GEFN2O表示电力N2O排 放 因 子，g/（kW·h）。而GEFCO2、GEFCH4、GEFN2O三者的计算方法类似，因此以GEFCO2为例讲述计算方法：

式中：i表示各种发电方式，i=1～8分别表示燃油发电、天然气发电、燃煤发电、水电、核电、风电、光伏发电和生物质能发电；EFi表示第i种发电方式的碳排放因子；pi表示第i种发电占比。其中，由于燃油发电、天然气发电、燃煤发电均属于火力发电，发电过程中可以使用不同的燃烧技术，他们的碳排放因子计算方法如式（3）所示。

式中：j表示各种燃烧技术；ni表示第i种发电方式拥有的燃烧技术总数；EFi，j表示第i种发电方式采用第j种技术的碳排放因子，g/（kW·h），计算方法如式（4）所示；pi，j表示在第i种发电方式中第j种技术的占比。

式中：LHVi表示第i种发电方式使用的燃料的低位热值（J/kg）；Cpi表示第i种燃料的含碳率；Xi，j表示在第i种发电方式中第j种技术每发1 kW·h电产生的X气体质量，kg；Cp X表示X气体的含碳率，X代表VOC、CO和CH4。

除了火力发电外，其他清洁能源发电的电力碳排放因子如表1所示。水电作为我国发电量最大的非化石能源电力，水库建成后由于容量扩大水位上升，导致淹没植被，植被腐败分解产生的CH4排放问题不可忽视。核电和生物质发电主要考虑原料生产和运输以及发电过程中的化石能源投入及产生的排放。光伏发电和风电的碳排放主要来源于设备的生产耗能。相关数值参考已有研究结果进行设定［9］。

表1 其他发电方式的碳排放因子（i=4～8）［9］

综上，本文计算出2018年、2019年、2020年我国电力碳排放因子分别为612.38、602.90、594.04 g/（kW·h）。

1.3 能耗模型

对于区域层面的电动汽车碳排放量，可以通过总充电量进行统计计算得到。而本文为了比较不同区域、规格、用途的电动汽车的每公里碳排放量，因此需要建立能耗模型（如图3所示）对电动汽车每公里耗电量进行计算。

本文从新能源汽车大数据联盟开放实验室和重型车辆监测管理平台收集了超过500万辆新能源汽车和60多万辆燃油汽车从2018年到2020年的数据。根据电压、电流等动态数据，可以识别出车辆的行驶、充电、停车等状态［10］。

由于充电片段的电压电流波动远小于行驶片段，更适合采用安时积分法，因此本文根据每个行驶片段相邻的充电片段计算出该段时间内的车辆行驶平均能耗。

对于一段时间的行驶片段的能耗进行统计，可以得到该段时间内该车的平均能耗，如式（5）所示。

式中：Ec为一段时间内平均行驶能耗，（kW·h）/km；Ec，i为第i个行驶片段的能耗，（kW·h）/km；Si为第i个行驶片段的里程，km；Wcf，j表示第j个充电片段的充电能量，kW·h；m表示用来计算行驶片段能耗的相邻充电片段数量；Tj表示第j个充电片段的总帧数；Up、Ip和tp分别表示第p个时刻的动力电池电压（V）、电流（A）和时间戳（s）。

为提高准确性，选取行驶片段左右各两个充电片段，用于计算能耗，并且充电片段的SOC变化范围必须囊括行驶片段的SOC变化范围。使用这种方法计算能耗的优势在于体现了温度、工况等对能耗的影响，并且考虑了电池充电效率、车辆传动效率、电池容量的衰退效应。

1.4 电动汽车碳减排量

电动汽车相比于同等级的燃油汽车的每公里碳减排量如下：

式中：GEFf为汽油或柴油的碳排放因子，包含燃烧、上游生产和运输的碳排放，g/L；Ef为燃油汽车的油耗，L/km。根据式（8）可以得到每辆电动汽车的减排量，后文将结合行驶里程，并根据车型和地区进行统计得出结论。

2 区域性差异

2.1 省份层面

假设不考虑省际之间电力传输的情况，使用1.2节的方法可以计算出我国大陆各省的电力碳排放因子。由图4可知，电力碳排放因子呈现出东部省份高西部省份低的总体格局，主要原因是东部地区多以火电为主，而西部地区清洁能源发电占比较高。

对各个省份的电力碳排放因子、碳减排量、车辆数、清洁能源占比进行比较可以得到图5，圆圈面积表示车辆数。北京、上海、广东、四川4个典型省份电动汽车数量和碳减排量如图6和图7所示。

由图5可以看出，由于北京、广东等地区人口众多、经济繁荣，电动汽车保有量较大，而清洁能源发电占比却较低；相反，四川、云南等西部地区，拥有非常低碳的能源结构，电动汽车的数量却很少。因此，对于西部地区，电动汽车能够发挥更多的减排优势，应该通过相应的财政政策大力推广电动汽车。而对于东部地区，则需要将能源结构低碳化作为首要目标。

由图6和图7可以看出，在电动汽车典型省份，由于电动乘用车体量庞大，其减排效果最为显著。相较于四川而言，北京、上海虽然拥有大量的电动汽车，但减排效果却不如四川，客车和专用车的减排效果更是收效甚微（在3.2和3.3节将做进一步的分析）。

2.2 国家层面

由图8可知，2020年各国A级燃油乘用车的行驶阶段每公里碳排放差距较小，表明各国汽油生命周期碳排放较为接近。相反地，欧、美、中、印A级电动汽车行驶阶段每公里碳排放分别为40、63、119、140 g/km，煤电占比分别为12.6%、20.3%、64.2%、72.5%，具有较大的差异（见图9）。由于风、光、水、核能、生物质等发电只产生少量的碳排放，而煤电的碳排量远高于天然气和原油发电。因此煤电占比高是导致电动汽车减排效果不佳的重要原因。

3 车辆规格与用途

3.1 乘用车

虽然许多文献已经研究过电动乘用车与燃油乘用车的碳排放量对标，但多采用典型车辆进行比较，并没有对大规模车辆进行详细分析。因此本文对大量电动汽车按照车辆等级进行划分，并与同一等级的燃油汽车进行对标，从而计算每公里碳减排量。

燃油乘用车的实际油耗数据来源于小熊油耗网站，该网站有大量用户上传的油耗数据，可反映我国的实际工况，并且广泛应用于国际清洁交通委员会、能源与交通创新中心的相关报告。

2018-2020年全国各等级电动乘用车平均每公里碳减排量如图10所示。

由图10可以看出，随着年份的增加，每个等级电动汽车的平均每公里碳减排量逐年增加。由于新车的接入，各等级乘用车中的不同用途车辆（私人、出租、公务、租赁）占比在发生变化，但乘用车各种用途的能耗差别较小，因此减排量提升的原因在于电动乘用车节能减排技术的进步（其中C级车辆技术提升成效最为显著）。

3.2 客车

对于客车而言，主要使用客车长度进行等级划分。燃油客车的燃油数据来源于重型车辆监测管理平台，并结合行业标准《营运客车燃料消耗量限值及测量方法》和其他文献［12］。

2018-2020年全国各车长电动客车平均每公里碳减排量如图11所示。其中，全国7-8 m电动客车能耗分布如图12所示。

由图11发现，电动客车总体的减排量随着年份有所提升，但车长在7-8 m范围内的客车却有着相反的趋势。对该车长客车进行进一步分析发现，该车长范围内客车的车型和数量都有所提升，但引入新车辆的能耗却高于旧车辆（如图12所示）。从2018年到2020年，该车长范围客车的平均能耗从46.41提升到50.47（kW·h）/100 km，导致其每公里减排量从146下降至110 g/km。

在2.1节中提到北京、上海的电动客车减排效果不佳，考虑到气候和温度的影响（4.2节），上海的温度变化比较接近全国平均，因此以上海为例进行统计。由图13可知，上海市目前的所有车长电动客车减排量均低于全国平均。由于上海市的电力碳排放因子处于全国较高的水平，为了证明上海市的能源结构是导致电动客车减排量差的主要原因，假设上海市2018-2020年的电力碳排放因子与全国平均持平，可以得到各车长电动客车减排量（如图13（b）所示），大部分电动客车将会有着比全国更高的减排量。

3.3 专用车

相似地，在专用车领域也出现了类似的现象。行业标准《营运货车燃料消耗量限值及测量方法》和相关文献对于专用车的燃油消耗量仅根据车辆总质量进行规定和统计，但研究发现，不同用途的专用车的能耗有着较大的差异。因此，借助重型车辆监测管理平台根据质量和用途对专用车油耗进行统计，并与同类型的电动专用车作比较（见图14）。

总体而言，大部分电动专用车随着时间的推移，减排效果逐步提升，标志着我国电动专用车节能减排技术的提升。在这之中，轻型专用车约占专用车总数的95%，并且拥有较高的减排量，是专用车领域减排的主力。

值得一提的是，电动环卫专用车的减排量不容乐观，主要有两方面原因。一方面，由于环卫车的工作时间远大于不工作的行驶时间，并且工作时主电机的功率远小于工作电机［13］。因此，整个行驶周期中，工作电机的能耗量远大于驱动电机［14］。在驱动环卫车的附件时，电动汽车的能量链相对于燃油汽车则不具备像普通行驶那样的效率优势。另一方面，环卫车在工作时大多数车速是在30 km/h以下，在低速行驶的工况下，电机的效率下降幅度大于内燃机，并且能量回收几乎不起作用，从而导致了电动汽车的能效优势无法体现，以及减排优势的削减。

4 敏感性分析

4.1 电力碳排放因子

为了探究电力碳排放因子对各种车辆各个等级的减排量的影响，假设电力碳排放因子在一定的范围内变化，而其他参数值假定不变。其敏感性公式如下：

式中：S表示减排量对电力碳排放因子的敏感性；ΔCR和CR0分别表示各种车型的碳减排变化量和在当前情况下的碳减排量，kg；ΔGGEF和GGEF0分别表示电力碳排放因子的变化量和当前的电力碳排放因子，g/kWh；E表示各种车型的能耗，（kW·h）/km。可以得知，各种车型的碳减排量对电力碳排放因子的敏感性取决于各自的能耗和当前的每公里碳减排量。

乘用车、客车、专用车的各种等级的碳减排量对电力碳排放因子的敏感性分析结果如图15所示。可以看出，专用车和客车由于能耗较高的原因，碳减排量受到电力碳排放因子的影响较大。而乘用车中的A级车由于当前的减排效果较不显著，因此电力碳排放因子的波动对其碳减排量的影响也相对较大。总的来说，各种车型的减排量均与电力碳排放因子的变化呈现线性关系，而降低我国各地的电力碳排放因子更有利于促进重型车辆电动化带来的环境效益。

4.2 气候与温度

本节以乘用车为例，主要讨论不同区域的气候和温度对能耗和碳减排量的影响，从而进一步分析导致碳减排地域性差异的根本原因。

首先，研究了我国具有典型气候的7个省份的电动乘用车能耗与温度的关系（见图16）。图中每一个点对应每个省份2020年每一个月的电动乘用车能耗平均值。由于不同的省份对应不同的气候，因此不同省份的温度变化范围、能耗最低对应的温度、能耗对温度的敏感性均有差异。其中，北京的平均能耗最高，且对温度变化最为敏感。而昆明四季如春的气候条件有利于电动汽车展现巨大的减排优势。图17进一步分析了气候与温度对能耗和碳减排的季节性影响。

由图17可以看出，北京市的温度随季节的变化量最大，导致其能耗的巨大波动，冬夏两季的能耗差异甚至可以达到31.1%，并且由于北京的电力碳排放因子较高，导致北京市在1月和12月甚至出现了乘用车不减排的情况。呼和浩特市（温带大陆性气候）与北京市（温带季风气候）有相似的现象，但波动性较为缓和。深圳市虽然与上海市同为亚热带季风气候，但由于与海口（热带季风气候）的地理位置较为接近，因此能耗和碳减排量较为相似。总体看来，每公里碳减排量主要受电力碳排放因子的影响，当电力碳排放因子较大时，温度的影响才显现出来。

另一方面，从以上7个典型城市可以看出，在冬季，由于气温较低，电动汽车能耗普遍提升，导致碳减排量的减少。而冬季电动汽车能耗升高的原因有3个方面：锂离子电池低温下活性低，内阻增加，放电时会有额外损耗；低温下不能大功率充电，因此动能回收功能将受限甚至禁用；为防止电池低温下充放电性能下降过大，电池主动加热系统会开始工作，增加了能耗。因此，在低温的环境当中，不仅电动汽车的续驶里程大打折扣，减排效果也受到较大的影响。

5 结论

本文中考虑了能源结构变化、电池容量衰退、使用工况、温度、用途、电池充电效率、车辆传动效率等因素对电动汽车碳减排量的影响，建立了电动汽车行驶阶段碳排放模型，并利用我国大量实车数据进行各类电动汽车碳减排量的评估，并对相关的影响因素进行了敏感性分析。

得到如下几个方面的结论：（1）电动乘用车由于节能技术水平较高、体量大的原因，成为我国道路交通领域碳减排的主力，而电动重型车辆（尤其是电动环卫车）的减排效果较不显著；（2）电动汽车受气候和温度的影响，在部分城市的冬季，由于气温较低，导致能耗提升和减排量的下降；（3）相比于温度，电动汽车的减排量受电力碳排放因子的影响更大，相较于四川等清洁电力的省份，北京、上海等煤电占比较高的省份，虽然拥有大量的电动汽车，但减排效果却不如四川。

不仅如此，本文还提出相应的发展政策建议：（1）在推行道路交通电动化的过程中，需要极大地关注新生产的电动汽车的能耗值，政府可以通过差异性补贴或者碳交易等手段促进低能耗电动汽车的生产和推广，有利于进一步扩大电动汽车的减排量；（2）由于我国各省份能源结构不同，应有差异性地推行相关政策，对于西部地区，电动汽车能够发挥更多的减排优势，应该通过相应的财政政策大力推广电动汽车，而对于东部地区，则需要将能源结构低碳化作为首要目标；（3）我国的电动汽车减排量与发达国家仍有一定的差距，进一步提升电动汽车的节能技术，促进电网清洁化，是实现道路交通领域双碳目标的重要举措。