摘 要：重型車隊碳排放水平精準(zhǔn)評估對于交通領(lǐng)域“雙碳”目標(biāo)的實現(xiàn)具有重要意義。然而，由于遠(yuǎn)程監(jiān)控數(shù)據(jù)存在數(shù)據(jù)質(zhì)量問題，嚴(yán)重影響了基于遠(yuǎn)程監(jiān)控數(shù)據(jù)的車輛碳排放核算精度。為此，本文開展了基于遠(yuǎn)程監(jiān)控數(shù)據(jù)修正的重型車隊碳排放水平研究。定義了遠(yuǎn)程監(jiān)控數(shù)據(jù)異常問題，并構(gòu)建了一種遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型，對數(shù)據(jù)異常問題進行修正與優(yōu)化?；诖?，提出了一種重型車隊排放水平評估方法，引入碳排放強度，考慮車隊內(nèi)結(jié)構(gòu)因素，實現(xiàn)了重型車隊碳排放水平綜合評估。

關(guān)鍵詞：重型車 碳排放 數(shù)據(jù)異常修正

在全球范圍內(nèi)，節(jié)能減排已成為應(yīng)對氣候變化的核心任務(wù)之一[1]，尤其是在汽車行業(yè)，電動化轉(zhuǎn)型已成為應(yīng)對環(huán)境壓力和能源挑戰(zhàn)的必然選擇。近年來，我國汽車行業(yè)電動化發(fā)展迅速，推動了能源消費結(jié)構(gòu)的轉(zhuǎn)型[2]。然而，重型車輛，尤其是重型貨運車隊，仍然以燃油車為主，這一特性導(dǎo)致重型車在全球范圍內(nèi)，尤其是在中國，成為碳排放的主要來源之一[3]。重型車在物流運輸中占據(jù)舉足輕重的地位，承載著重要的經(jīng)濟功能，但同時其也伴隨著巨大的能源消耗和碳排放。中國龐大的重型車隊每年排放大量二氧化碳，對環(huán)境造成了嚴(yán)峻壓力，成為影響國家達成“雙碳”戰(zhàn)略的關(guān)鍵因素之一。因此，針對重型車隊開展碳排放水平的精準(zhǔn)評估，為重型車節(jié)能減排提供指導(dǎo)依據(jù)，已成為推動減排政策落地、實現(xiàn)綠色交通的重要舉措[4]。

在此背景下，如何科學(xué)準(zhǔn)確地評估重型車隊的碳排放水平，成為當(dāng)前研究的熱點問題之一。隨著信息技術(shù)的進步和智能化應(yīng)用的普及，遠(yuǎn)程監(jiān)控系統(tǒng)逐漸成為監(jiān)測重型車輛油耗與排放的重要工具[5]。通過車輛的遠(yuǎn)程監(jiān)控系統(tǒng)，能夠?qū)崟r獲取各類車輛運行數(shù)據(jù)，如燃油消耗量、發(fā)動機工況、行駛里程、道路狀況等，為碳排放評估提供了堅實的基礎(chǔ)。許多物流公司和車隊管理者已經(jīng)通過遠(yuǎn)程監(jiān)控系統(tǒng)實時追蹤車輛的運行狀態(tài)，并利用這些數(shù)據(jù)進行油耗和排放監(jiān)控。然而，盡管這類系統(tǒng)提供了大量的監(jiān)測數(shù)據(jù)，但由于數(shù)據(jù)采集的多樣性和復(fù)雜性，遠(yuǎn)程監(jiān)控數(shù)據(jù)仍然存在著諸如數(shù)據(jù)缺失、誤差、異常波動等質(zhì)量問題，這直接影響了基于監(jiān)控數(shù)據(jù)進行碳排放水平核算的準(zhǔn)確性，進而導(dǎo)致碳排放評估結(jié)果的偏差。這些數(shù)據(jù)質(zhì)量問題不僅影響了政府和企業(yè)對于重型車隊排放的科學(xué)管理，也限制了公眾對車輛排放水平的理解與認(rèn)知。

針對這一問題，本文提出了一種基于遠(yuǎn)程監(jiān)控數(shù)據(jù)修正的重型車隊碳排放水平研究方法，旨在通過對遠(yuǎn)程監(jiān)控數(shù)據(jù)進行修正與優(yōu)化，提高數(shù)據(jù)的準(zhǔn)確性，從而實現(xiàn)更加精確的碳排放評估。通過對采集到的原始遠(yuǎn)程監(jiān)控數(shù)據(jù)進行預(yù)處理和修正，本文構(gòu)建了一種新的遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型，能夠有效降低數(shù)據(jù)異常的影響，提高碳排放核算的準(zhǔn)確性。這一方法不僅能夠提升現(xiàn)有碳排放評估系統(tǒng)的準(zhǔn)確性，還能為政府和企業(yè)提供更為科學(xué)的排放監(jiān)控依據(jù)，支持政策制定和綠色運輸?shù)耐七M。此外，本文的研究成果對于推動重型車行業(yè)的碳排放管理及其在“雙碳”目標(biāo)下的可持續(xù)發(fā)展具有重要意義。

1 數(shù)據(jù)與方法

本文以重型車隊為研究對象，先后提出了一種遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型和重型車隊碳排放水平核算方法。

1.1 數(shù)據(jù)概述

本文以1個典型汽車主機廠商和3個物流業(yè)用車大戶的重型車隊為研究對象，開展基于遠(yuǎn)程監(jiān)控數(shù)據(jù)修正的重型車隊碳排放水平研究。所選取重型車的噸位覆蓋4.5噸、9.5噸、16噸、25噸和31噸，車輛總數(shù)超100輛，所有重型車符合《國家第六階段機動車污染物排放標(biāo)準(zhǔn)》中“國六b”排放規(guī)定。通過遠(yuǎn)程監(jiān)控平臺獲取了所有重型車1個月的行駛數(shù)據(jù)，包含有時間、車速和油耗。數(shù)據(jù)采樣頻率為1 Hz。最終采集獲得數(shù)據(jù)總行駛里程超過20萬公里。

1.2 遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型

重型車遠(yuǎn)程監(jiān)控數(shù)據(jù)中存在數(shù)據(jù)異常問題，若要有效應(yīng)用遠(yuǎn)程監(jiān)控數(shù)據(jù)，需對數(shù)據(jù)異常問題進行識別并修正。

本文將異常問題歸為四類，分別是數(shù)據(jù)丟失、數(shù)據(jù)離群、數(shù)據(jù)重復(fù)和數(shù)據(jù)無效等四類問題。其中，數(shù)據(jù)丟失定義為單條數(shù)據(jù)丟失或連續(xù)多條數(shù)據(jù)丟失的問題。數(shù)據(jù)離群定義為連續(xù)幾個數(shù)據(jù)點脫離鄰域區(qū)間的問題。數(shù)據(jù)重復(fù)定義為某條數(shù)據(jù)重復(fù)出現(xiàn)，或者多條數(shù)據(jù)交替出現(xiàn)的問題。數(shù)據(jù)無效定義為超出有效范圍以及持續(xù)恒值的問題。

對異常數(shù)據(jù)類型進行識別，并將異常數(shù)據(jù)置空。其中，對于數(shù)據(jù)丟失，根據(jù)時間連續(xù)性，識別數(shù)據(jù)的丟失位置，并按照數(shù)據(jù)采樣頻率將丟失位置的時間戳補充完整，同時將對應(yīng)的車速和油耗數(shù)據(jù)置空。對于數(shù)據(jù)離群，利用Blackman窗函數(shù)的卷積平滑法識別區(qū)間外的局部離群值。這里考慮數(shù)據(jù)特征，設(shè)定窗口長度為10，設(shè)定標(biāo)準(zhǔn)差預(yù)設(shè)倍數(shù)為13。并將識別出的離群值置空。對于數(shù)據(jù)重復(fù)，根據(jù)時間戳節(jié)點，找出重復(fù)數(shù)據(jù)，并保留首行，刪除多余重復(fù)數(shù)據(jù)。對于數(shù)據(jù)無效，根據(jù)系列標(biāo)準(zhǔn)HJ1239-2021《重型車排放遠(yuǎn)程監(jiān)控技術(shù)規(guī)范》中規(guī)定的車速和油耗的有效范圍，將超出有效范圍的數(shù)據(jù)置空。同時將持續(xù)恒值的數(shù)據(jù)置空。這里恒值通過求取斜率來判定。

針對置空數(shù)據(jù)，利用Akima插值法進行數(shù)據(jù)補充。Akima插值是一種基于樣條的插值方法，通過使用分段三次多項式來逼近數(shù)據(jù)點，適合于處理具有不規(guī)則間隔的數(shù)據(jù)。相比于傳統(tǒng)的三次樣條插值，Akima插值對于數(shù)據(jù)點的波動敏感度低，能夠更好地處理具有尖銳轉(zhuǎn)折的數(shù)據(jù)。

在補充置空數(shù)據(jù)后，遠(yuǎn)程監(jiān)控數(shù)據(jù)已基本修復(fù)完善，但仍存在局部區(qū)域因插值方法導(dǎo)致其與真實數(shù)據(jù)存在較大偏差的問題。為此，本文利用五點三次平滑法對插值后的數(shù)據(jù)進行平滑濾波處理。綜上所述，即可實現(xiàn)對遠(yuǎn)程監(jiān)控數(shù)據(jù)中數(shù)據(jù)異常問題的識別、補數(shù)及平滑。

1.3 碳排放水平評估方法

基于修正后的遠(yuǎn)程監(jiān)控數(shù)據(jù)，建立重型車隊碳排放水平評估方法。利用標(biāo)準(zhǔn)GB 17691-2018《重型柴油車污染物排放限值及測量方法》（中國第六階段）中的油耗和碳排放換算方法，如等式（1）所示。

（1）

式中，RC為重型車碳排放量；KC為燃油柴油重型車的轉(zhuǎn)換系數(shù)，為2600；QFuel為重型車油耗。從而可以將獲得的遠(yuǎn)程監(jiān)控數(shù)據(jù)全部換算成為時間、車速和碳排放數(shù)據(jù)，為重型車隊碳排放水平評估奠定基礎(chǔ)。

為了對不同車隊的碳排放水平進行評估，利用等式（2）至等式（3）計算單車隊的碳排放水平。

（2）

（3）

式中，EFteam為某車隊的碳排放水平；EFi為車隊內(nèi)單車的碳排放水平；wi為該車出行時間占車隊內(nèi)所有車輛總出行時間的權(quán)重；Lsum為單車的總行駛里程。

2 結(jié)果與討論

從遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正結(jié)果和重型車隊碳排放水平分析這兩個方面開展本文的結(jié)果與討論。

2.1 遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正結(jié)果及驗證

為了驗證遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型，以隨機窗口長度、隨機縮放比例及刪減方式對準(zhǔn)確的車速和油耗數(shù)據(jù)進行異常處理，使得準(zhǔn)確數(shù)據(jù)中隨機存在數(shù)據(jù)丟失、數(shù)據(jù)離群、數(shù)據(jù)重復(fù)和數(shù)據(jù)無效等異常成分，并利用遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型對異常處理后的數(shù)據(jù)進行修正工作。在此基礎(chǔ)上利用ICC組內(nèi)相關(guān)系數(shù)計算方法檢驗修正后數(shù)據(jù)與準(zhǔn)確數(shù)據(jù)之間的一致性，計算得到修正后數(shù)據(jù)與準(zhǔn)確數(shù)據(jù)之間的ICC組內(nèi)相關(guān)系數(shù)均超過0.98，進一步表明修正后數(shù)據(jù)與準(zhǔn)確數(shù)據(jù)之間具有極高的一致性，本文所構(gòu)建的遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型具有良好的異常數(shù)據(jù)修正效果。

2.2 重型車隊碳排放水平分析

為了對重型車隊碳排放水平進行分析，引入碳排放強度（單位g/km）來量化重型車隊的碳排放水平。

如圖1所示，給出了某典型汽車主機廠商下5個噸位重型車車隊的碳排放強度。整體上看，隨著車輛噸位增大，車輛的碳排放強度增大，且車輛越重，增大幅度顯著升高。4.5噸級別重型車的碳排放強度平均值接近350g/km，與該噸位車隊碳排放強度的中位數(shù)接近，25%到75%之間的碳排放強度分別為310到375g/km，極個別車的碳排放強度接近450g/km。9.5噸級別重型車的碳排放強度平均值在410g/km附近，與該噸位車隊碳排放強度的中位數(shù)差別最大，中位數(shù)達到385g/km，25%到75%之間的碳排放強度分別為360到405g/km，同時車隊中存在個別車輛碳排放強度異常（超過550g/km），應(yīng)引起注意。同時，該噸位重型車的碳排放強度集中度較差，碳排放水平更為分散。其他三個噸位級別重型車隊中，16噸級別重型車的碳排放強度平均值為460g/km，與該噸位車隊碳排放強度的中位數(shù)440g/km較接近，25%到75%之間的碳排放強度分別為405和475g/km。隨著車輛的最大總噸位級別的增大，車輛碳排放強度急劇增大。25噸級別重型車的平均碳排放強度和中位數(shù)接近，均在600g/km，25%到75%之間的碳排放強度分別為550g/km和650g/km。31噸級別重型車的平均碳排放強度為690g/km，與中位數(shù)差別較大，達到了705g/km。

如圖2所示，給出了3個物流業(yè)用車大戶重型車車隊碳排放水平。3個用車大戶重型車車隊均為4.5噸級別。整體上看，3個用車大戶的重型車碳排放水平接近。大戶A的碳排放強度平均值為380g/km，中位線為350g/km，25%到75%分位的碳排放強度為305到405g/km之間。大戶B的碳排放強度平均值為385g/km，25%到75%分位的碳排放強度在345到405g/km之間。與大戶A相比，平均的碳排放強度接近，從范圍來看，大戶B公司的車輛碳排放強度相對集中，排放穩(wěn)定性好。大戶C公司的平均碳排放強度最低，為325g/km，25%到75%分位的碳排放強度在298g/km到350g/km之間。在三個用車大戶之間，大戶C碳排放水平優(yōu)于大戶A和大戶B。大戶B應(yīng)對部分該碳排放車輛采集相應(yīng)措施，大戶A應(yīng)對整個車隊碳排放進行控制。

3 結(jié)論

本文開展了基于遠(yuǎn)程監(jiān)控數(shù)據(jù)修正的重型車隊碳排放水平研究。定義了遠(yuǎn)程監(jiān)控數(shù)據(jù)異常問題，并構(gòu)建了一種遠(yuǎn)程監(jiān)控數(shù)據(jù)異常修正模型，對數(shù)據(jù)異常問題進行修正，利用ICC組內(nèi)相關(guān)系數(shù)計算得到修正后數(shù)據(jù)與準(zhǔn)確數(shù)據(jù)之間的相關(guān)系數(shù)超過0.98。基于此，提出了一種重型車隊碳排放水平評估方法，考慮車隊內(nèi)結(jié)構(gòu)因素，實現(xiàn)了重型車隊碳排放水平綜合評估，并分析了某典型主機廠商和物流業(yè)用車大戶的重型車隊碳排放水平。

參考文獻：

[1]Zhu H， Zhang D， Goh H H， et al. Future data center energy-conservation and emission-reduction technologies in the context of smart and low-carbon city construction[J]. Sustainable Cities and Society， 2023， 89： 104322.

[2]Li X， Song Y. Industrial ripples： Automotive electrification sends through carbon emissions[J]. Energy Policy， 2024， 187： 114045.

[3]Zhang W， Li Y， Li H， et al. Systematic review of life cycle assessments on carbon emissions in the transportation system[J]. Environmental Impact Assessment Review， 2024， 109： 107618.

[4]Luo J， Zhuo W， Liu S， et al. The optimization of carbon emission prediction in low carbon energy economy under big data[J]. IEEE Access， 2024.

[5]Wang J， Wang R， Yin H， et al. Assessing heavy-duty vehicles （HDVs） on-road NOx emission in China from on-board diagnostics （OBD） remote report data[J]. Science of The Total Environment， 2022， 846： 157209.