田順，鄭博文，孫健，劉晶郁

（1.長安大學(xué)，a.未來交通學(xué)院，b.汽車學(xué)院，西安 710064；2.埃爾蘭根-紐倫堡大學(xué)，機(jī)械工程系，紐倫堡，巴伐利亞州91054，德國）

0 引言

交通運(yùn)輸領(lǐng)域作為全社會最主要的碳排放源之一，是國家“碳達(dá)峰和碳中和”戰(zhàn)略的重要著力點[1]。近年，我國各大城市均大力推行城市公交電氣化，以減少城市交通的碳排放總量。在全行業(yè)進(jìn)行碳減排的背景下，如何實現(xiàn)電動公交車碳減排精確估算成為城市交通出行碳排放計算的關(guān)鍵問題之一，對城市碳源管理，碳排放計算及碳匯交易等方面有積極意義[2]。

目前，電動公交車的全生命周期碳排放量估計已有一定研究，但車輛在運(yùn)營期的碳足跡估算精度還存在不足[3]。建立車輛駕駛工況是解決能耗及碳排放量估計的有效方法[4]，該方面研究目前還較少。

行駛工況構(gòu)建是實現(xiàn)車輛能耗計算、能量管理及動力匹配等方面的重要基礎(chǔ)[5]。能耗計算可以采用成熟的駕駛工況，例如，中國典型城市公交循環(huán)工況（CCBC）[6]和中國商用車行駛工況（CHTC-B）[7]。然而，各城市由于道路地形、擁擠程度及交通規(guī)則等方面差異，前述全國性工況無法描述某一城市的駕駛工況特點，難以與城市公交車駕駛工況相匹配，因此，需要構(gòu)建當(dāng)?shù)毓卉嚨膶嶋H駕駛工況反映實際運(yùn)行特點[8]。城市公交運(yùn)營線路和停靠站點固定，每條線路的公交車具有相對穩(wěn)定的車速時空變化規(guī)律，與目前已有駕駛工況存在一定差距，所以，針對公交線路構(gòu)建駕駛工況具有合理性[9]。PENG等[10]通過收集鄭州HEB路線的行駛數(shù)據(jù)，通過微行程劃分，特征參數(shù)提取，PCA（主成分分析）和聚類方法，建立鄭州典型的HEB 行駛工況。NESAMANI等[11]選取欽奈的6條線路，構(gòu)建該城市的公交車運(yùn)行工況，并進(jìn)行比較，結(jié)論證明所構(gòu)建的工況可能只適合欽奈。SHEN 等[12]構(gòu)建上海市993 路電動公交車的駕駛工況，發(fā)現(xiàn)基于全行程的工況構(gòu)建方案優(yōu)于基于停車站點的方案。苗強(qiáng)等[13]對濟(jì)南公交K319 線收集車輛行駛數(shù)據(jù)，并通過微行程劃分，特征參數(shù)提取，聚類和馬爾可夫鏈構(gòu)建典型的公交車行駛周期。TONG[14]以香港某條線路的超級電容電動公交為例，構(gòu)建車輛行駛工況，闡述了香港電動公交車的運(yùn)行工況具有明顯的本地化特征，但并沒有進(jìn)一步說明大型城市應(yīng)以線路為單元進(jìn)行公交車工況構(gòu)建。以上研究缺乏不同線路間駕駛工況和能耗的對比分析，也未使用駕駛工況估算碳排放量。

本文對西安市區(qū)不同區(qū)域的兩條運(yùn)營線路（609路和362路）電動公交車進(jìn)行駕駛數(shù)據(jù)采集，提出一套有效的駕駛工況構(gòu)建方法，并利用Cruise軟件實現(xiàn)電動公交車的百公里能耗計算，分析兩條線路之間的差異，進(jìn)行碳足跡估算，以實現(xiàn)常態(tài)化電動公交車運(yùn)營線路或運(yùn)營企業(yè)運(yùn)營期碳足跡的估計與監(jiān)測。

1 技術(shù)路線

為了研究面向公交線路的電動公交車碳減排計算，本文提出以瞬時駕駛工況為基礎(chǔ)，構(gòu)建循環(huán)工況的電動公交車能耗計算方法，如圖1所示。

圖1 電動公交車循環(huán)工況構(gòu)建及能耗計算方法Fig.1 Construction of electric bus cycles and energy consumption calculation method

主要步驟如下：

Step 1 線路選擇和數(shù)據(jù)采集

大型城市不同區(qū)域的交通特征有較大差異，為了對比城市不同區(qū)域公交車的駕駛工況，選擇裝載GPS數(shù)據(jù)采集裝置的公交車輛，獲取公交車行車軌跡數(shù)據(jù)。

Step 2 短行程劃分和特征值的求取

對數(shù)據(jù)按照短行程進(jìn)行劃分，并梳理短行程的特征值。

Step 3 候選數(shù)據(jù)庫的構(gòu)建

包括T-SNE（T-Distributed Stochastic Neighbor Embedding）算法對特征值降維，并使用層次聚類法Birch進(jìn)行分析，形成候選數(shù)據(jù)庫。

Step 4 工況合成

根據(jù)各類別的比例和特征值相似度原則合成駕駛工況。

Step 5 能耗和碳排放量計算

在Cruise仿真環(huán)境下建立整車模型，對所構(gòu)建的工況進(jìn)行仿真分析，得到百公里能耗，并完成電動公交車的碳排放折算。

2 數(shù)據(jù)采集及提取

2.1 電動公交車線路選擇

首先，采集電動公交車行駛數(shù)據(jù)，選擇609 路和362路電動公交車作為采集對象。609路南北貫穿西安古城墻，大部分路程在中心城區(qū)，客流量大，全長22.3 km，共38 站，途徑53 個紅綠燈路口；362 路連接西安北站與西咸新區(qū)秦漢新城，所行區(qū)域道路寬敞，車流量略小，全長25.1 km，共29 個站點，途徑25 個紅綠燈路口。362 路和609 路的行駛路線如圖2所示。

圖2 西安公交362路和609路行駛路線Fig.2 Bus routes 362 and 609 in Xi'an

兩條線路參試的電動公交車型均為比亞迪BYD6100LSEV4，故在比較兩條線路的工況構(gòu)建結(jié)果和碳排放足跡方面可以排除車輛因素。BYD6100LSEV4 為12 m 大型電動公交車，該車型的相關(guān)參數(shù)如表1所示。

表1 整車、電機(jī)和電池參數(shù)Table 1 Vehicle parameters,motor parameters and battery parameters

研究采用Race-Technology公司出品的GPS信息采集器，內(nèi)嵌有慣性測量單元（IMU），能夠采集車輛橫向、縱向及垂直方向的加速度以及車輛行駛時間、瞬時車速、行駛里程、位置信息等參數(shù)，采樣頻率為10 Hz。所有車輛均在正常行駛狀況下參與數(shù)據(jù)采集，乘客在每個公交站點自由上下。在采集試驗數(shù)據(jù)時，采集儀器的磁塊GPS 須正向放置并垂直于車頂以便能夠接收車輛的位置信息，車輛啟動后開始采集數(shù)據(jù)，車輛行至起始站停止采集。

試驗車輛須往返4 次，采集數(shù)據(jù)主要集中在早、中、晚，基本包含了車流量的高峰和低峰時段。362 路累計采集了11 d 共241136 條的數(shù)據(jù)；609 路采集了25 d共1351167條數(shù)據(jù)。

2.2 運(yùn)動學(xué)片段劃分

原始采集數(shù)據(jù)通常存在完整度不足和一致性較差等問題，表現(xiàn)為包含一些不良數(shù)據(jù)值，以及存在噪聲干擾。因此，需要對數(shù)據(jù)進(jìn)行處理，主要的數(shù)據(jù)處理措施包括：對時間和速度的缺省值進(jìn)行插值補(bǔ)充，將速度低于閾值（1 km·h-1）的點均視作速度為0 km·h-1的怠速或停車狀態(tài)，超過180 s 的長時間怠速默認(rèn)為停車等。

本文運(yùn)動學(xué)片段指車輛從1 次怠速的結(jié)束點至下次怠速的結(jié)束點之間所包含的速度與時間的變化關(guān)系。運(yùn)動學(xué)片段劃分主要是將汽車連續(xù)的行駛數(shù)據(jù)劃分成若干個包含加速、減速、勻速及怠速的短行程，便于通過聚類法將不同運(yùn)動狀態(tài)的片段進(jìn)行歸類，從而形成候選片段庫。運(yùn)動學(xué)片段如圖3所示。

圖3 運(yùn)動學(xué)片段示意Fig.3 Schematic diagram of kinematic segments

2.3 相關(guān)特征參數(shù)

運(yùn)動學(xué)的特征參數(shù)可用于描述電動公交車行駛工況的特點以及定量分析運(yùn)動學(xué)片段的特征。為了盡可能全面地描述和評價運(yùn)動學(xué)片段，選取的特征參數(shù)如表2所示。

表2 特征參數(shù)Table 2 Characteristic parameters

表2 中，加速、減速、勻速及怠速的定義分別為：加速是指汽車加速度大于0.1 m·s-2的連續(xù)運(yùn)動過程，減速是指汽車加速度小于-0.1 m·s-2的連續(xù)運(yùn)動過程，勻速是指汽車加速度絕對值小于等于0.1 m·s-2且車速不為0 km·h-1的連續(xù)運(yùn)動過程，怠速是指汽車仍工作但車速為0 的連續(xù)過程。通過數(shù)據(jù)觀察，發(fā)現(xiàn)西安市電動公交車運(yùn)行車速鮮有高于60 km·h-1，所以，速度比例區(qū)間最高達(dá)到60 km·h-1。

3 基于Birch聚類法的工況數(shù)據(jù)分析

3.1 T-SNE降維

對具有相似特性的運(yùn)動學(xué)片段進(jìn)行聚類，形成可以反映不同行駛特征的候選片段庫。在聚類分析前，需要對數(shù)據(jù)進(jìn)行降維處理。T-SNE是一種將數(shù)據(jù)降維的非線性機(jī)器學(xué)習(xí)算法，適用于將高維數(shù)據(jù)轉(zhuǎn)化為二維或三維[15]。T-SNE 算法由SNE 算法發(fā)展而來，可解決SNE 方法優(yōu)化過程中低維數(shù)據(jù)擁擠的問題[16]。該算法在高維空間和低維空間分別采用高斯分布和t-分布構(gòu)建數(shù)據(jù)點的概率分布，高維空間與低維空間的分布相似性由KL（KullbackLeibler）散度來度量，保持這兩個分布的高相似性獲取低維映射，基本原理如下。

（1）將原始高維數(shù)據(jù)點x1,x2,…,xn中xi與xj間歐氏距離的相似度轉(zhuǎn)換為高斯概率分布，即

式中：k=1,2,…,n；σi為通過對SNE 的熵進(jìn)行優(yōu)化后所得中心在xi的高斯分布的方差，其熵為

（2）假設(shè)xi與xj被映射到低維空間為yi與yj，服從t分布，yi與yj之間的相似度為

式中：k為t分布的自由度。

（3）利用KL 散度構(gòu)建代價函數(shù)度量高維空間和低維空間分布的相似性C，即

式中：Pi為點xi相對于其他所有數(shù)據(jù)點的條件概率；Qi為映射點yi相對于其他所有映射點的條件概率。

（4）利用梯度下降法優(yōu)化代價函數(shù)為

通過T-SNE算法，將電動公交車運(yùn)動學(xué)片段的特征參數(shù)降至三維。

3.2 聚類分析的理論基礎(chǔ)

采用基于連接性的Birch層次聚類法進(jìn)行電動公交車運(yùn)動學(xué)片段的聚類分析。Birch層次聚類法通過對樣本總體進(jìn)行劃分，可形成一個嵌套的樹形結(jié)構(gòu)，稱作CF特征樹[17]。

CF 特征樹的每個節(jié)點都包含1 個CF 結(jié)構(gòu)，代表1 個群集，對于樣本集Ω={xi|xi∈R（d）,i=1,2,…,n} ，R（d）為d維歐式空間，其中，n為數(shù)據(jù)點的個數(shù)；為數(shù)據(jù)點的線性和；Ss為數(shù)據(jù)點的平方和。由于CF 結(jié)構(gòu)具有可加性，群集合并后能夠很好地反映半徑和距離等信息。主要計算步驟如下：

Step 1 每個數(shù)據(jù)都具有1個獨立的CF結(jié)構(gòu)，計算兩兩數(shù)據(jù)之間的最小距離。

Step 2 將距離最小者合并成1 個群集（合并CF），并計算新群集與其余群集之間的距離。

Step 3 進(jìn)一步合并距離最近的群集，若超出閾值則進(jìn)行分裂和平衡。

Step 4 重復(fù)Step 2 和Step 3，直到所有群集都合并完全，形成嵌套樹形結(jié)構(gòu)。

相對于K-means，Birch層次聚類的優(yōu)點在于其樹形結(jié)構(gòu)本身具有類別特征，更改分類數(shù)目不需重新計算，但存在計算量偏大的缺點。K-means計算復(fù)雜度低，速度快且高效，但容易陷入局部最優(yōu)[15]。

3.3 聚類分析結(jié)果

由于電動公交車僅在市區(qū)行駛，可將運(yùn)動學(xué)片段劃分為3 個類別：擁擠、一般和通暢。在python環(huán)境對運(yùn)動學(xué)片段按照3 個類別聚類，以362 路為例，使用Birch 和K-means 的聚類結(jié)果如圖4 所示。圖中坐標(biāo)的feature 1～3 代表T-SNE 將運(yùn)動學(xué)片段特征參數(shù)降至的三維映射空間。

對比圖4（a）和圖4（b），可以看出，使用Birch 聚類方法的609路駕駛工況聚類邊界更為清晰，表明Birch 聚類方法在劃分運(yùn)動學(xué)片段的類別方面占優(yōu)。以362路電動公交車為例，聚類結(jié)果的平均特征值如表3所示。

表3 362路工況的類別平均特征值Table 3 Average eigenvalue of line 362 road bus cycles

圖4 609路聚類Fig.4 Classification of line 609

4 駕駛工況構(gòu)建

4.1 運(yùn)行工況組合方法

從候選片段庫中選擇與各參數(shù)平均值相似度最高的片段，按照3個類別總的比例關(guān)系組合成最終工況。實現(xiàn)駕駛工況組合的主要步驟如下：

Step 1 為了消除特征參數(shù)量綱的影響，要先進(jìn)行無量綱化處理，即

式中：k=1,2,3;i=1,2,…,n;j=1,2,…m;xkij為第k類運(yùn)動學(xué)片段中第i個片段的第j個特征參數(shù)值；xkjmax和xkjmin分別為第k類運(yùn)動學(xué)片段中第j個特征參數(shù)值的最大值和最小值；為無量綱處理后的特征參數(shù)值。處理后，原始特征參數(shù)值經(jīng)過線性變換，映射到[0 ,1] 區(qū)間。

Step 2 計算第k類運(yùn)動學(xué)片段中每個特征參數(shù)的平均值，即

Step 3 構(gòu)建差異率函數(shù)，可用于描述每個運(yùn)動學(xué)片段與其所屬類別平均特征參數(shù)的相似程度。第k類運(yùn)動學(xué)片段中每單個運(yùn)動學(xué)片段的特征參數(shù)值偏離其類別的平均特征值的程度為

Step 4 計算第k類運(yùn)動學(xué)片段中，每個運(yùn)動學(xué)片段特征參數(shù)的差異率之和，即

特征參數(shù)的差異率之和代表著每個片段與其所屬類別中心的偏離程度。

Step 5 對所得到的運(yùn)動學(xué)片段庫，將運(yùn)動學(xué)片段按照差異率之和由小到大進(jìn)行排序，排序完成后形成了新的候選片段庫，根據(jù)差異率最小原則，組合同類別片段，直至滿足時間占比要求，再將各類別的結(jié)果拼接即可得到最終駕駛工況。

當(dāng)前，國內(nèi)、外標(biāo)準(zhǔn)運(yùn)行工況的總時長一般在800～1600 s之間，本文選用的循環(huán)時長為1200 s。

4.2 誤差分析與工況構(gòu)建結(jié)果

進(jìn)行誤差分析以判斷駕駛工況構(gòu)建結(jié)果是否貼近實際情況。首先，得到兩條公交線路的平均車速、平均運(yùn)行車速，速度標(biāo)準(zhǔn)差及平均加速度等10個參數(shù)的計算值；然后，計算與總體數(shù)據(jù)的相對誤差，即

式中：xj為特征參數(shù)的數(shù)值；xj（orig）為總體數(shù)據(jù)計算得到的特征參數(shù)值。特征參數(shù)誤差分析結(jié)果如表4所示，Birch的相對誤差累計和低于K-means。

表4 主要特征參數(shù)值的誤差Table 4 Errors of main characteristic parameters

從誤差分析角度，對于所研究線路的公交車駕駛工況，Birch 聚類方法優(yōu)于K-means。因此，為了后續(xù)碳排放量折算更為精確，使用T-SNE 和Birch聚類法所得的駕駛工況作為最終構(gòu)建結(jié)果，曲線如圖5所示。

圖5 362路和609路電動公交車運(yùn)行工況Fig.5 Driving cycles for 362 and 609 electric buses

兩路公交車線路的運(yùn)行工況速度區(qū)間比重對比分析結(jié)果如圖6所示。

圖6 362和609兩路公交車運(yùn)行工況的車速分布Fig.6 Speed distribution of driving cycles for two bus lines

由圖6 可知，362 路在35～40 km·h-1高速區(qū)的比重最高，達(dá)到34.2%；609 路在低速區(qū)的比重高，達(dá)到25.4%。反映了兩條線路的電動公交車運(yùn)行工況具有明顯的差異性。

5 Cruise仿真驗證

5.1 仿真模擬與分析

為計算兩條線路電動公交車的百公里能耗，須建立整車模型并在所構(gòu)建的工況下進(jìn)行仿真和分析。362路和609路電動公交車均為比亞迪公司的BYD6100LSEV4，在其既定的整車基本參數(shù)和性能要求基礎(chǔ)上，在Cruise 軟件環(huán)境下完成整車建模。根據(jù)車輛整體參數(shù)以及動力系統(tǒng)各部件的參數(shù)，依次設(shè)置整車基本參數(shù)、前后車輪基本參數(shù)和制動系統(tǒng)基本參數(shù)，并根據(jù)性能計算的結(jié)果匹配電池、電機(jī)、附屬用電設(shè)備、主減速器和差速器。

根據(jù)國標(biāo)GB/T 18386-2017《電動車能量消耗率和續(xù)駛里程試驗方法》，電動城市客車的續(xù)駛里程試驗采用兩種方法：等速循環(huán)工況試驗，即車輛勻速行駛，停止時記錄運(yùn)行時間和試驗車輛的行駛距離和耗電量；采用中國典型城市公交循環(huán)工況進(jìn)行電動汽車?yán)m(xù)駛里程試驗，記錄循環(huán)工況的運(yùn)行次數(shù)、總里程和耗電量[6]。

本文使用所構(gòu)建的609路和362路循環(huán)駕駛工況替換中國典型城市循環(huán)工況進(jìn)行仿真試驗。公交車在實際運(yùn)營過程中，由于SOC 降至較低值時即應(yīng)選擇停車充電。Cruise 仿真中，車輛的初始SOC 值為100%，SOC 低于3%為車輛仿真終止時刻，能耗估算涉及的仿真過程如圖7所示。

圖7 能耗計算仿真過程Fig.7 Simulation process of energy consumption calculation

記錄終止時刻的車輛運(yùn)行時間T和運(yùn)行距離D，并根據(jù)這一過程總的電力消耗量E除以里程數(shù)計算百公里能源消耗率C?；谙嗤姆抡孳囆停褂脤Ρ裙r進(jìn)行對照分析。對比工況選擇中國典型城市公交循環(huán)工況（CCBC）和中國城市客車行駛工況（CHTC-B），以及紐約巴士綜合循環(huán)（NYBus）[18]和加利福尼亞橙縣巴士循環(huán)（USOCTA）[19]。電動公交車百公里能耗量對比結(jié)果如表5所示。

表5 仿真結(jié)果Table 5 Simulation results

從表5中數(shù)據(jù)可得以下結(jié)論：

（1）362 路和609 路線路的電動公交車百公里能耗差異明顯。差異主要來源于循環(huán)工況車速分布的差異，根據(jù)圖6數(shù)據(jù)，西安市609路駕駛工況的速度分布主要集中在怠速附近和25～35 km·h-1的中速范圍內(nèi)，其平均車速較低，車速標(biāo)準(zhǔn)差較大；362 路電動公交車工況在35～40 km·h-1的高速區(qū)占據(jù)了約1/3的總時長，其平均車速較高，車速標(biāo)準(zhǔn)差較小。表明大型城市不同區(qū)域的公交車駕駛工況具有顯著差異，故應(yīng)按照城市區(qū)域或者分線路構(gòu)建公交車工況。

（2）使用相同車型，按照CCBC和CHTC-B工況的百公里能耗分別是126.51 kW·h，142.84 kW·h，各自僅與362路和609路中1條結(jié)果較為接近。證明現(xiàn)有的標(biāo)準(zhǔn)工況均不能用于描述西安市不同線路的公交車駕駛工況，說明基于現(xiàn)有標(biāo)準(zhǔn)工況估算特定城市公交車能耗具有一定的局限性。

（3）與NYBus 和US-OCTA 的百公里能耗對比結(jié)果表明，西安市公交車的運(yùn)行狀態(tài)與歐美各地區(qū)呈現(xiàn)出較大差異，證明了其他國家大型城市公交車運(yùn)行工況與我國大型城市公交的道路行駛特征具有顯著差異性。

5.2 碳排量折算

基于所構(gòu)建的駕駛工況，根據(jù)行駛里程數(shù)，實現(xiàn)對一定時間內(nèi)公交車隊的碳足跡折算。根據(jù)GB/T 37340-2019《電動汽車能耗折算方法》[20]，得到電動汽車的碳排放折算量為

式中：CCO2為CO2折算量（kg）；S為總行程（km）；Eb為車輛的百公里電能消耗量（kW·h）；FCO2為CO2折算因子[kg·（kW·h）-1] ，即

式中：TE為火電供電標(biāo)準(zhǔn)煤耗[kg·（kW·h）-1] ；Tc為燃料煤的熱氧化碳排放因子，本文取3.09；tM為燃料煤與標(biāo)準(zhǔn)煤的換算系數(shù)；φ為火力發(fā)電比例（%）；ich為充電效率（%）；itr為線損率（%）。

根據(jù)GB/T 37340-2019 以及能源統(tǒng)計年鑒[21]，TE的值為0.318，2019年全國的火電比例φ取值為70.48%，tM取1.07，電動汽車的充電效率取值為93%，線損率取值為6.34%。

2019年11月，609 路和362 路公交車的累計里程分別為12.59萬km和10.98萬km，根據(jù)式（11），求得609 路車組所有電動公交車的當(dāng)月折算碳排放量為114.099 t，362路車組為117.863 t。

根據(jù)文獻(xiàn)[22]，在火電比例為80%的情況下，電動汽車每充入1 kW·h的電，碳排放量為0.8255 kg。按照最新火電比例換算，362 路和609 路在2019年11月的碳排放量為111.441 t 和115.356 t。兩種方法的結(jié)果總體接近，差別來源于計算參數(shù)的具體估值。

除了駕駛工況和車輛本身因素，電動公交車碳排放折算量受到火電比例以及每千瓦時供電煤耗量的影響。全社會火力發(fā)電比例雖逐年降低，但仍高達(dá)70%左右，且每年受經(jīng)濟(jì)發(fā)展和能源政策的影響較大。由于發(fā)電技術(shù)改良，“十三五”期間每千瓦時供電煤耗量由314 g 降為309 g。因此，長期看，電力生產(chǎn)優(yōu)化對電動公交車運(yùn)營期碳減排有益。

6 結(jié)論

針對電動公交車運(yùn)營期碳足跡難于監(jiān)測的問題，本文以實車駕駛數(shù)據(jù)為基礎(chǔ)構(gòu)建特定線路的駕駛循環(huán)工況；基于Cruise實現(xiàn)電動公交車的百公里能耗量估計和碳排放量折算，形成了電動公交車運(yùn)營期碳排放折算量的測算方案，得出結(jié)論如下：

（1）T-SNE 和Birch 結(jié)合的工況構(gòu)建方案精度更高，相比K-means，基于Birch 聚類法的工況構(gòu)建方法在609路和362路電動公交車駕駛工況構(gòu)建中有更低的誤差，兩種方法在362路工況結(jié)果上的10個參數(shù)累計誤差相差達(dá)22%。

（2）在進(jìn)行能耗估算時，應(yīng)分線路進(jìn)行駕駛工況構(gòu)建?，F(xiàn)有的CCBC 和CHTC-B 等標(biāo)準(zhǔn)循環(huán)工況不能反映當(dāng)?shù)爻鞘械墓卉囓囁偬攸c，百公里耗電量估算結(jié)果與實際情況相差較大。所構(gòu)建的西安市609路和362路駕駛工況有較大差異，市區(qū)609路循環(huán)工況中，低速占比最高，市郊362 路的中速和高速占比最大，仿真得到兩條線路公交車百公里能耗結(jié)果相差約23 kW·h，說明了分線路構(gòu)建駕駛工況的必要性。

（3）以609路和362路電動公交車為例，運(yùn)營期碳排放折算結(jié)果與實際情況相符，本文提出的電動公交車運(yùn)營期碳足跡測算方案為電動公交車運(yùn)營期碳排放的監(jiān)測與評價提供了新思路。