双碳目标下我国电动汽车碳减排贡献潜力分析

于霄宇，纪正森，嵇 灵，牛东晓，许晓敏

（1.华北电力大学经济与管理学院，北京 102206；2.北京工业大学经济与管理学院，北京 100124）

0 引言

面对能源供需格局新变化、国际能源发展新趋势，国务院印发《2030 年前碳达峰行动方案》，倡议“运输工具装备低碳化转型，大力推广新能源汽车”[1]。电动汽车相较于传统燃油汽车，在能源利用效率和碳减排领域更具优越性[2]。高质量发展电动汽车已成为我国向可再生能源为主导的能源系统转型的重要路径，同时也是推进实现双碳目标进程的必然选择[3]。因此，对我国电动汽车发展趋势进行有效预测并分析其碳排放潜力，能够为推动我国交通领域早日实现碳达峰提供研究依据。

近年来不断有学者投入到电动汽车碳减排潜力分析的研究中。文献[4]根据中国交通碳排放数据建立深度学习模型对交通运输业碳排放进行预测。文献[5]通过逆地理编码、神经网络等方法，对包括电动汽车在内的私家车碳排放量进行预测。文献[6]考虑多因素影响对公路交通未来的碳排放量预测。文献[7]基于碳达峰行动方案，对未来各类型汽车数量进行推算，建立了全生命周期下的汽车电动化碳排放测算模型。因此，可以看出当前碳排放测算研究中较少考虑电动汽车保有量的自身发展趋势。目前，对于电动汽车保有量的预测研究多采用Bass 扩散模型[8-9]、灰色预测模型[10]、Logistic 生长曲线模型[11]等经典方法[12]，但相关研究未考虑影响因素对于电动汽车保有量发展的相关影响。然而，具有较快预测速度和较高拟合精度的最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）方法则能够在预测过程中考虑多因素对于预测对象的影响[13]。但LSSVM 模型的参数设定问题是其充分发挥模型优势、增强适用性的关键[14]。文献[15]提出，黏菌算法（Slime Mould Algorithm，SMA）在不同搜索环境中具有良好表现，能够对LSSVM 模型的参数设定进行有效优化。

因此，本文针对电动汽车碳减排潜力分析研究中所存在的问题，创新性地提出使用主成分分析法（Principal Component Analysis，PCA）进行数据降维的基于SMA 优化的LSSVM（PCA-SMA-LSSVM）模型对我国电动汽车保有量进行预测，并基于预测结果开展了不同情景下电动汽车驾驶阶段碳减排潜力贡献评估。研究不仅为电动汽车保有量的有效预测提供了新方法，还通过多情景预测分析得出激发电动汽车碳减排潜力的重要因素，这对于我国在交通运输领域早日实现碳达峰目标有着一定指导意义。

1 研究框架与方法

本文基于PCA-SMA-LSSVM 电动汽车保有量预测模型的预测结果，探索对比不同情景下电动汽车的碳减排潜力。研究框架及具体步骤如图1 所示。

图1 研究框架图Fig.1 Research framework and detailed procedure

1.1 PCA模型

PCA 能够将许多具有相关性的数据进行重新组合为1 组表明各数据间相关性关系的指标，最大程度地保留原有数据集的信息，简化后续计算步骤[16-18]。由于电动汽车保有量影响因素较多，且数据间存在相关性，因此本文选用PCA 对影响因素数据进行降维处理。其数学表达式如下：

式中：Yk为第k个主成分；ujk为指标协方差矩阵特征值所对应的第k个特征向量的第j个分量；Xj为样本X经过标准化后的第j项指标。

1.2 SMA算法

SMA 算法的具体原理：觅食过程中，黏菌依据空气中气味浓度选择是否接近食物，浓度越高，生物振荡越强，细胞质流动越快，黏菌静脉管越粗[19]。通过函数表达式来模拟其逼近行为，黏菌的位置更新用式（2）表示：

式中：xnew为黏菌的最新位置；ub，lb为搜索范围的上、下界；rand和r为位于[0,1]内的随机数；z为切换概率；vb为[-a,a]内的随机数，a的取值算法见式（3）；vc为范围在[0,1]间且线性趋近于0 的参数；t为当前迭代次数；xb为当前发现食物气味浓度最高的位置；w为黏菌权重，计算方法见式（4）和式（5）；xm，xn分别为随机选取的2 个黏菌位置；x为黏菌位置；p为最大极限，算法见式（6）。

参数a的函数表达式为:

式中：arctanh为反双曲正切函数；maxt为最大迭代次数。

参数w的具体计算公式为:

式中：smellindex为通过sort 函数进行排序的适应度序列；bF为当前迭代过程中获得的最佳适应度；wF为当前迭代过程中获得的最差适应度；s(i)为黏菌个体的适应度的值；i为黏菌个体。

参数p的计算公式为：

式中：DF为迭代中所获得的最佳适应度。

1.3 SMA-LSSVM模型

根据风险结构最小化原则[20]，LSSVM 的优化问题转化为带有等式约束条件目标函数:

式中：J为损失函数；ωT及ω为权值系数向量；γ为惩罚系数；eq为误差向量；q为训练次数；N为训练样本的数量。

式中：φ为核空间的非线性映射函数；mb和md为任意的2 个原始特征空间的样本；b和d为任意正整数。

最终得到LSSVM 模型的拟合函数:

式中：y(m)为模型的拟合函数；m为原始特征空间的新样本；l为样本数量；ab为拉格朗日乘子，ab≥0；c为偏差向量。

LSSVM 预测模型中的惩罚参数和核参数的选择会对预测精度造成较大影响[21]，因此文本选择使用SMA 算法对LSSVM 预测模型中的惩罚参数和核参数进行优化，构建了基于SMA-LSSVM 的电动汽车预测模型，详细优化流程如图1 所示。

1.4 碳排放测算模型

由于本文研究对象为纯电电动汽车，其碳排放量与电动汽车用电量、发电端能源结构、电网线损情况有关，因此为了对电动汽车的碳排放进行有效测算，需先对其行驶阶段的用电量进行预测。本文使用平均用电量法对用电需求进行预测[22]，并充分考虑电动汽车保有量、行驶里程及每公里耗费电量等因素。模型具体公式如下：

式中：EDn为第n年电动汽车用电需求；QEVn为第n年电动汽车保有量；T为汽车年均行驶里程；P为电动汽车百公里电耗；η为电动汽车充电效率。

基于对用电需求的测算，本文构建了电动汽车行驶阶段碳排放测算模型，具体公式如下所示：

式中：CEVn为第n年电动汽车碳排放量；EDn为第n年电动汽车用电需求；ΔP%为线损率；K为发电方式，K=1,2,3,4,5 时分别对应火电、水电、风电、太阳能发电、核电形式；Cn,K为第n年第K种发电方式的单位发电碳排放强度；φn,K为第n年第K种发电方式的发电量占总发电量的占比。

为了全面评估电动汽车行驶阶段替代燃油汽车的碳减排效果，同时需要对燃油汽车的碳排放水平进行计算。

三是建立投入保障机制。推动服务型机关党组织建设长效化，要重视完善固定的经费投入机制，从而保障培养服务意识、提升服务能力、开展服务工作、落实服务奖惩等各项制度的落地。党组织工作经费要纳入高校年度预算，要就服务群众工作经费制定专项计划，确保专项列支。要加大对服务群众工作的各类资源和设施的建设和统筹，不断完善硬件设施保障。

式中：CVn为第n年燃油汽车碳排放量；QVn为机动车保有量；f为碳排放折算因子，即燃油汽车行驶单位里程的碳排放量。

2 电动汽车保有量预测研究

2.1 基于PCA的电动汽车发展影响因素分析

为充分考虑多种因素对于电动汽车保有量发展趋势的影响，本文从经济、技术、基础设施发展这3个方面分析得出9 个电动汽车保有量影响因素[23]，如表1 所示。

表1 影响因素Table 1 Influencing factors

对来源于国家统计局及中国统计年鉴的影响因素数据进行z-score 标准化处理，并进行PCA 降维分析。根据累积方差贡献率法计算特征根累计方差解释率[24-25]，得到特征根排名前3 位的主成分的累积方差解释率达到99.292%。因此选择将经PCA 处理后前3 个主成分得分数据作为模型输入数据。

2.2 基于SMA-LSSVM模型的电动汽车保有量预测及模型对比

本文对2010—2022 年的相关数据集按照8:2 的比例分为训练集和测试集，将其输入到SMALSSVM 模型中，利用Matlab2019 进行试验。为验证SMA-LSSVM 模型的有效性，应用平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）、均方根误差（Root Mean Square Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）这3 个评价指标对预测精度进行比较[26]，其量值分别为EMAP，ERMS，EMA。计算方程式如下所示:

式中：N为样本数；为第n年预测结果；yn为第n年的实际值。

由于2010—2015 年间我国电动汽车产业刚刚兴起，电动汽车保有量较低，2010 年及2015 年的电动汽车保有量仅为当前保有量的0.015%及3.1%。较小的绝对误差将会产生较大的相对误差，该阶段的预测精度指标参考价值较低，因此本文MAPE 指标的计算对象选择设定为2016—2022 年间的预测数据。本文选择了5 种基准模型作为对比，以证明本文提出的SMA-LSSVM 模型具有良好的预测效果。各模型预测精度评价指标值如表2所示。

表2 各模型预测精度对比Table 2 Comparison of prediction accuracy between models

从表2 可知，众模型中SMA-LSSVM 的MAPE，RMSE，MAE 指标值均为最小，预测精度明显优于其他各模型，因此可以认为该模型具有良好的预测效果。

2.3 2023—2030 年我国电动汽车保有量预测结果分析

根据本文所建立的PCA-SMA-LSSVM 模型，本文对2023—2030 年我国电动汽车保有量进行预测。具体预测结果数据如表3 所示。

表3 2023—2030年电动汽车保有量预测结果Table 3 Forecasting results of EV ownership from 2023 to 2030

结果显示，2023—2025 年我国电动汽车发展快速，2025 年我国电动汽车保有量约为2022 年的3倍，达到4 409 万辆。而这样的快速发展趋势将维持到2030 年，2030 年我国电动汽车保有量将达到9 059 万辆，约为2025 年的2 倍。虽然我国电动汽车保有量将在2 030 前呈现快速增长态势，然而该阶段的后期增速将放缓。该增长趋势较为符合未来的实际情况：前期电动汽车得到政府大力支持，相关产业技术应运而生，其保有量将迅速增加，而此后随着我国碳达峰目标的逐步实现，政府支持力度逐渐减弱，相关产业技术发展逐渐走向成熟期，届时电动汽车保有量将出现增速逐步放缓的趋势。

3 多情景电力需求预测与碳减排潜力分析

3.1 情景设置

由于电动汽车作为汽车行驶阶段碳减排的重要主体，电源结构是影响电动汽车碳排放水平的重要因素，电网结构直接影响电网输送电能过程的效率水平。因此本文以电动汽车替代传统燃油车的角度出发，针对电动汽车保有量、电源结构、电网结构（表现为线损率）这3 个影响电动汽车碳减排潜力的重要因素，设置了4 个电动汽车碳减排情景，以对比分析2030 年前我国电动汽车行驶阶段碳减排潜力，探索碳达峰目标下通过电动汽车替代燃油汽车减少碳排放这一碳减排路径的影响因素与前提条件。

1）基准情景：该情景假设汽车市场稳定发展，汽车保有量保持持续增长态势，而电动汽车技术发展没有实质性突破，公众热情和期望不高，电动汽车保有量、电源结构、电网结构维持当前状态。该情景的设置为其他情景提供对比分析基准，以有效验证各因素发展对电动汽车碳减排潜力的影响效果。

2）电动汽车发展情景：该情景在假设汽车市场稳定发展的同时，假设电动汽车按照前文预测的趋势发展，我国电源结构与电网结构维持当前状态。该情景的设定是为了分析我国电动汽车的积极发展为汽车行驶阶段碳排放所带来的影响。

3）电源结构优化情景：为充分考虑碳中和目标下新型电力系统发展建设将会推动未来电源结构优化，该情景在基于电动汽车快速发展的基础上，假定可再生能源持续发展，电源结构得到有效优化，电网结构维持当前状态。该情景的设定是为了分析我国在电动汽车积极发展的同时，电源结构优化为汽车行驶阶段碳排放所带来的积极影响。

4）电网结构优化情景：为综合考虑新型电力系统发展为了促进新能源发电的消纳将会促进电网结构优化，而电网结构优化将会有效降低线损率，因此该情景假设我国未来电网输送电水平持续发展，线损率能够稳步下降。该情景的设定是为了分析在电动汽车发展、电源结构、电网结构这3 个影响碳排放的重要环节共同发力情况下，汽车行驶阶段电动汽车的碳减排潜力。

3.2 多情景下电力需求与碳排放水平预测

3.2.1 基准情景

基准情景下，假定预测期内中国汽车年平均行驶里程为13 000 km。燃油汽车行驶周期碳排放折算因子设定为0.132 kg/km（该值由燃油汽车的燃料消耗量和所用燃料的CO2转换系数相乘得到）；电动汽车电耗设定为0.136 2 kWh/km，充电效率设为85%。以2022 年全国线路损失率4.74%为参考设定该场景线损率。同时，延续使用国家统计局发布的2022 年国民经济和社会发展统计公报中2022年我国各类型电源发电量占总发电量比例作为该情景下电源结构数据，火电占比66.6%，水电占比15.3%，风电占比8.6%，太阳能发电占比4.8%，核电占比4.7%。各类电源CO2排放强度为：火电0.870 kg/kWh，水电0.004 kg/kWh，风电0.012 kg/kWh，太阳能发电0.048 kg/kWh，核电0.016 kg/kWh。选择趋势外推法对我国汽车保有量进行预测，假定预测期内中国汽车保有量以4%的增速增长。电动汽车保有量假设维持2022 年度水平1 045 万辆。基于本情景下参数设置，根据式（10）—式（12）计算得到我国汽车行驶阶段CO2排放及电动汽车用电需求情况如表4所示。

表4 2023-2030年基准情景预测结果Table 4 Forecasting results of baseline scenario from 2023 to 2030

3.2.2 电动汽车发展情景

在电动汽车发展情景下，在情景1 的基础上，假定电动汽车保有量将按照前文预测趋势发展。计算得到我国汽车行驶阶段CO2排放及电动汽车用电需求情况如表5 所示。

表5 2023—2030年电动汽车发展情景预测结果Table 5 Forecasting results of EV development scenarios from 2023 to 2030

3.2.3 电源结构优化情景

电源结构优化情景基于电动汽车发展情景的基础上考虑我国电源结构的优化发展。该情景中，各类电源的发电占比参数设定参考中国能源研究会提供的2021 年周孝信院士对电源结构发展进行预测研究中2025 年及2030 年各类能源发电占比的估算结果。并假设2023—2025 年间和2025—2030 年间太阳能发电、风电、水电按照预期占比稳定发展，得到未来我国各类能源发电占比年度估算数据。具体设定如图2 所示。

图2 2023—2030年各类型能源发电占比Fig.2 The proportion of various types of energy power generation from 2023 to 2030

基于电源结构优化情景下的参数设置，计算得到我国汽车行驶阶段CO2排放及电动汽车用电需求情况如表6 所示。

表6 2023—2030年电源结构优化情景预测结果Table 6 Forecasting results of optimization scenario for power source structure from 2023 to 2030

3.2.4 电网结构优化情景

在电网结构优化情景下，基于电源结构优化情景的基础，考虑我国电网结构对线损率的降低，具体线损率的设定以2022 年全国线路损失率4.74%为基准，按照每年降低0.1%的速度降低。计算得到我国汽车行驶阶段CO2排放情况如表7 所示。

表7 2023—2030年电网结构优化情景预测结果Table 7 Forecasting results of optimization scenario for power grid structure from 2023 to 2030

3.3 预测结果分析及政策建议

预测结果显示，未来我国电动汽车保有量的增长将会带来电力需求的增加。相较于基准场景，2030 年由于电动汽车保有量增长所带来的新增用电需求将会达到1.669 3×1011kWh，相当于2022 年度我国全社会用电量的2%。由此可见，电动汽车的快速发展将会一定程度上增加我国电力需求，本文对2023—2030 年我国汽车驾驶阶段各情景下碳排放预测结果进行汇总整理，具体如图3 所示。以2030 年为例，电动汽车发展情景、电源优化情景、电网优化情景下CO2排放量相较基准场景分布降低了4.74%，7.30%，7.41%。由图3 可以看出，电动汽车保有量的积极发展与电源结构的有效优化均对于汽车行驶阶段碳排放量具有较好的降低效果，而电网优化情景仅比电源优化情景减少0.109%的碳排放，由此可见电网优化对于汽车行驶阶段碳减排效果较低。此外，通过对各情景预测结果数据的整理得出，2023—2030 年间电动汽车发展场景相较于基准场景的累计碳减排量为1.688 2×108t，可以认为在碳达峰目标到来前电动汽车的积极发展具有较大碳减排潜力。

图3 各情景下碳排放预测结果Fig.3 Forecasting results of carbon emission under various scenarios

基于对各情景下碳减排潜力测算结果的对比分析，本文为激发电动汽车碳减排潜力提出以下建议：（1）为充分发挥电动汽车碳减排潜力，需要各相关方面积极促进电动汽车产业发展，着力提升电动汽车的渗透率，扩大碳减排主体数量；（2）相关部门应加强充换电设施建设及布局优化，满足日益增加的充电需求，并提升电动汽车充电效率；（3）持续优化我国电源结构及电网结构，促进清洁能源并网发展，通过降低电力供给中隐含的碳排放，进一步提升电动汽车的碳减排贡献度。

4 结语

为分析2030 年我国碳达峰目标实现前，电动汽车对于汽车行驶阶段的碳减排潜力，本文构建了PCA-SMA-LSSVM 模型对我国电动汽车保有量进行预测，经对比分析可知，该模型在电动汽车保有量预测中具有较高的准确性和有效性；同时构建了电动汽车用电需求预测模型与碳排放预测模型，对多情景下电动汽车用电需求及汽车行驶阶段碳排放情况进行预测及对比分析，结果表明在电动汽车发展情景与电源结构优化情景下电动汽车具有较大碳减排潜力。

此外，本文在多情景设定方面存在一定局限性，未来研究将考虑更多影响因素对电动汽车碳减排的影响，对多情景分析环节进一步细化，丰富情景设定。