交通运输研究 >

2024 , Vol. 10 >Issue 1: 45 - 57

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.01.006

技术前沿

车辆载重对重型货车碳排放的影响

  • 吴睿中 , 1 ,
  • 费文鹏 , 2, * ,
  • 范鹏飞 1 ,
  • 宋国华 1
展开
  • 1 北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044
  • 2 交通运输部科学研究院，北京 100029
*费文鹏（1989—），男，重庆奉节人，博士研究生，研究方向为交通科技战略规划。E-mail:

吴睿中（1999—），男，广东茂名人，硕士研究生，研究方向为交通运输规划与管理。E-mail:

收稿日期: 2023-11-08

  网络出版日期: 2024-04-22

基金资助

国家自然科学基金项目(71871015)

国家自然科学基金项目(71901018)

国家重点研发计划项目(2018YFB1600701)

收起

Impact of Vehicle Load on Heavy-Duty Vehicle Carbon Emissions

  • WU Ruizhong , 1 ,
  • FEI Wenpeng , 2, * ,
  • FAN Pengfei 1 ,
  • SONG Guohua 1
Expand
  • 1 Key Laboratory of Big Data Application Technologies for Comprehensive Transport of Transport Industry, Beijing Jiaotong University, Beijing 100044, China
  • 2 China Academy of Transportation Sciences, Beijing 100029, China

Received date: 2023-11-08

  Online published: 2024-04-22

Fold

摘要

现有交通碳排放模型对重型车在实际路况下的载重变化特性考虑不足，尚未从微观排放率角度分析载重对车辆排放的影响，从而造成碳排放测算的不确定性较大。针对此问题，首先采集大规模的实际路况下重型货车运行工况和油耗数据，使用基于油耗的CO2排放测算模型计算重型货车的CO2排放量；然后对不同类别的货车分类讨论，使用基于VSP的排放模型研究车辆载重对CO2排放的影响，并建立考虑车重的LC-VSP排放模型，再与传统MOVES模型进行排放测算误差的对比。研究结果显示，载重对重型货车CO2排放率、VSP分布都会产生显著影响，进而显著影响CO2排放因子，具体表现为：①当VSP处于较小的正区间时，CO2排放率随载重的增加而线性增大；②在相同速度区间，随着载重的增加，VSP分布的均值和方差都会逐渐减小；③在平均工况下，根据车型的不同，满载相较于空载的CO2排放因子增加了约24% ~ 113%，当车辆速度较低（小于20 km/h）时，载重对CO2排放因子影响显著，车辆满载（49 t）时的CO2排放因子为车辆空载（18 t）时的2.8倍，但随着速度的提高，载重对CO2排放因子的影响逐渐减小；④相较于不考虑车辆实际载重的排放模型，考虑车辆实际载重时CO2排放测算误差可以减小3% ~ 12%。这一结果强调了在排放测算中考虑车辆载重的必要性，为精准的排放建模和评估提供了一定的理论依据。

关键词： 碳排放; 载重; 比功率分布; 重型货车; 排放率; 排放因子

本文引用格式

吴睿中 , 费文鹏 , 范鹏飞 , 宋国华 . 车辆载重对重型货车碳排放的影响[J]. 交通运输研究, 2024 , 10(1) : 45 -57 . DOI: 10.16503/j.cnki.2095-9931.2024.01.006

Abstract

The existing issues that current transportation carbon emission models do not adequately consider the load variation characteristics of heavy-duty vehicles under real-world road conditions, and have not yet analyzed the impact of vehicle load on emissions from the perspective of microscopic emission rates, lead to the biggish uncertainty of carbon emission estimation. To address this issue, firstly, extensive data on the operational conditions and fuel consumption of heavy-duty trucks under real-world conditions were collected. A fuel consumption-based CO2 emission calculation model was used to calculate the CO2 emissions of heavy-duty trucks. Then, different categories of trucks were classified and discussed. An emission model based on VSP(Vehicle Specific Power) was used to study the impact of vehicle load on CO2 emissions, and a LC-VSP(Load-Considered VSP) emission model considering vehicle weight was established. A comparison was made between the LC-VSP model and the traditional mobile source emissions model MOVES(Motor Vehicle Emission Simulator Model) in terms of emission calculation errors. The results of the research indicate that load capacity has a significant impact on CO2 emission rates and VSP distribution of heavy-duty trucks, thus significantly affects the CO2 emission factors, as follows: ①When VSP is in a small positive range, CO2 emission rates linearly increase with the increase of load; ②In the same speed range, with the increase of load, the mean and variance of VSP distribution gradually decrease; ③Under average operating conditions, the CO2 emission factors for fully loaded vehicles increase by approximately 24% to 113% compared to empty vehicles, depending on the vehicle type. When the vehicle speed is low (less than 20 km/h), the load has a significant impact on CO2 emission factors. The CO2 emission factor of fully loaded vehicles (49 t) is 2.8 times that of empty vehicles (18 t). However, as the speed increases, the impact of load on CO2 emission factors gradually diminishes; ④Compared to emission models that do not consider the actual vehicle load, considering actual vehicle load can reduce CO2 estimation errors by 3% to 12%. It emphasizes the necessity of considering vehicle load in emission estimations, providing a certain theoretical basis for accurate emission modeling and assessment.

Key words： carbon emissions; vehicle load; VSP distribution; heavy-duty vehicle; emission rate; emission factor

0 引言

重型货车具有使用强度大、排放水平高的特点。占我国机动车保有量约6.6%的重型货车的CO2排放量却超过了我国机动车CO2排放总量的50%[1]。针对重型货车开展精准的排放建模和评估对于交通运输行业节能减排至关重要。与轻型汽车不同，在实际运行条件下，重型货车总是在空载、满载（甚至超载）等不同载重状态下持续行驶。研究表明，不同载重状态下的车辆排放因子存在明显差异，8.1 t的重型货车在满载条件下的百公里油耗率相较于空载时增加了约30.9%[2]。基于机动车比功率（Vehicle Specific Power, VSP）的排放模型由于能够反映多变的交通流状态和模式而被广泛应用于排放测算[3⇓-5]。然而，现有的基于VSP的排放模型未能考虑重型车载重及其对车辆排放的显著影响，模型测算结果存在较大的不确定性。深入了解载重对重型车排放的影响对于提高排放模型测算结果的准确性、制定更优的生态驾驶策略具有重要意义。
现有研究利用仿真模拟、台架试验、采集实际道路上货车行驶数据等方法分析了载重对车辆油耗、碳排放的影响[6-7]。在仿真模拟方面，Helms等[8]针对不同交通场景下（如道路运输、铁路运输、航空运输等）载具质量每减少100 kg时能耗的变化情况进行了研究，并估计了运输载具轻量化带来的全球交通节能减排潜力； Kim等[9⇓-11]基于美国环境保护署的数据和物理学分析方法构建了车重与百公里油耗的关系模型，给出了油耗随载重变化的函数表达式，并且通过后续的一系列研究证明了车辆的轻量化在整个车辆的生命周期中对节能减排有很大贡献。在台架试验方面，王燕军等[12]选择最大总质量为16 t的重型货车开展了研究，发现与空载时相比，满载情况下的碳氢化合物（Hydrocarbon, HC）排放因子从0.6 kg/km上升到0.8 kg/km，在超载120%的情况下HC排放因子约为半载情况下的1.7倍；Sullivan等[13]基于美国阿贡国家实验室的第8类卡车的载重-排放数据构建了该类卡车在不同道路坡度、不同质量下的百英里油耗模型，并给出了油耗随载重变化的拟合关系式。在实地研究方面，Tolouei等[14]基于实测数据发现货车质量每增加100 kg，典型的城市内和城市外驾驶条件油耗分别提高了4.8%和6.2%；姚志良等[15]对空车质量为7 t的货车开展了研究，发现与空载时相比，半载时氮氧化物和颗粒物的排放因子分别提高了43%和59%；宋敬浩等[16]对国家机动车污染物排放标准第二阶段限值（简称国二排放标准）下车辆总质量为20.2 t和24.7 t的两辆货车开展了研究，发现相较于空载时，半载和满载时的碳氢化合物排放因子提高了37% ~ 125%。
可以看出，目前的研究存在以下不足：①目前关于载重对油耗和排放影响的研究主要集中于宏观层面，即研究载重对百公里油耗和排放因子的影响，而没有对微观层面的影响（如排放率）做进一步探究；②现有研究主要是在实验室工况条件下进行循环台架试验，或使用物理模型对排放进行拟合仿真，而非基于实际行驶条件进行研究；③现有研究中涉及实地测试的，其实验数据覆盖的车型较少、数据量少，且只覆盖了少数载重状态（空载、半载和满载），难以准确反映实际驾驶条件下载重对车辆排放的影响。
基于上述不足，为了进一步提升重型货车的碳排放测算精度，本研究将在采集大规模实际路况下重型货车运行工况和排放数据的基础上，研究实际路况下车辆载重对重型货车CO2排放的影响，包括：①车辆载重影响CO2排放因子的微观机理，包括相同行驶工况下载重与CO2排放率的关系，以及相同平均速度区间下载重对行驶工况的影响；②在实际路况下，不考虑车辆载重时CO2排放测算误差，以及考虑车辆实际载重后CO2排放测算误差的变化情况。

1 重型货车数据采集与处理

为了从微观层面掌握车辆载重对碳排放的影响，需要对大规模高分辨率的车辆运行工况和排放数据进行分析。本研究采集了大量实际路况下逐秒的重型货车发动机工况数据、重型货车静态属性数据以及车辆称重数据，共涉及29辆车、513.6 h行驶时间、20 283 km行驶里程、247次称重记录。

1.1 数据采集

1.1.1 重型货车工况数据

重型货车工况数据通过车载自诊断系统（On-Board Diagnostics, OBD ）采集。所有的OBD设备均符合《重型柴油车污染物排放限值及测量方法（中国第六阶段）》（GB 17691—2018）（简称国六标准）的要求。收集的信息包括车辆ID、采集时间、车速、燃料流量、坐标位置（经纬度）和发动机净输出扭矩等。重型货车工况数据示例见表1。
表1 重型货车工况数据示例
车
辆
ID		 采集
时间		 车速
/（km/h）		 燃料流量
/（ml/s）		 坐标位置
（经纬度）		 发动机净输出扭矩（%）
1 2023/2/12
15:36:06		 57.25 8.65 121.302 234°E, 28.446 014°N 44
1 2023/2/12
15:36:07		 57.35 6.63 121.297 12°E, 28.447 057°N 56
1 2023/2/12
15:36:08		 56.76 4.93 121.292 395°E, 28.448 501°N 61

1.1.2 重型货车静态属性数据

重型货车的静态属性数据包括每一辆车的车辆ID、最大总质量、最大净扭矩、排量、额定功率、最大净扭矩等。重型货车静态属性数据示例见表2。
表2 重型货车静态属性数据示例
车辆ID 最大总质量
/kg		 最大净扭矩
/（N·m）		 排量
/l		 额定功率
/kW
1 18 000 813 4.5 162
2 25 000 1 400 6.87 240
3 25 000 1 400 6.87 240

1.1.3 车辆称重数据

车辆称重数据由物流园区称重设备测得。称重设备满足《公路车辆动态称重检测系统技术规范》（JTG/T 4320—2022）的要求，称重误差小于等于5%。车辆称重数据示例见表3。
表3 车辆称重数据示例
车辆ID 称重时间 称重地点 车货总质量/t
1 2023/2/12 9:11 山东广饶物流园区 17.42
1 2023/2/12 17:53 山东广饶物流园区 17.74
1 2023/2/13 11:36 山东新河物流园区 17.38

1.2 多源数据匹配

本研究使用的数据包括重型货车发动机工况数据、重型货车静态属性数据以及车辆称重数据。其中，重型货车静态属性数据可以与重型货车发动机工况数据及车辆称重数据通过车辆ID进行匹配。而重型货车发动机工况数据和车辆称重数据则需要通过车辆ID、采集时间及称重时间这3个字段才可以进行匹配，具体匹配过程如下。
第一步：行程划分。对于货车而言，不同的行程可能会有不同的载重。由于发动机逐秒数据中并没有能直接体现行程的字段，故需对每一辆车的数据进行行程划分，并给出唯一的“行程ID”。本研究的行程划分规则为：车速连续为0或者相邻两条数据的时间间隔超过300 s，即认为前后两段为不同的行程，并给发动机数据加上不同的行程ID字段加以区分。
第二步：载重匹配。在划分完行程后，通过车辆ID、发动机工况数据的采集时间以及车辆称重数据的称重时间就可以将行程与载重进行匹配，具体的匹配规则如下：对于每一个行程ID，提取其第一条和最后一条采集时间作为开始时间和结束时间，在车辆称重数据中检索该车在该时间段内是否有称重记录，若有，则在该行程ID对应的发动机数据中添加 “车货总重”字段以标识该行程的载重；若没有，则认为该行程载重未知，舍弃该行程。
匹配完载重后的车辆发动机工况数据示例见表4。
表4 载重匹配后车辆发动机工况数据示例
车辆ID 采集时间 车速
/（km/h）		 燃料流量
/（ml/s）		 行程
ID		 车货总
质量/t
1 2023/2/12 17:30:21 67.9 3.67 1 17.74
1 2023/2/12 17:30:22 67.8 5.32 1 17.74
1 2023/2/12 17:30:23 68.4 7.31 1 17.74

1.3 数据质量控制

在开展研究前，需要对重型货车工况数据中的某些数据进行清洗。需要清洗的数据有以下几类。
1）精度异常数据。在重型车工况数据中，速度精确到小数点后1位，燃料流量精确到小数点后2位，不满足精度要求的数据都会被视为异常数据而被排除。
2）速度异常数据。我国高速公路对重型货车限速100 km/h。在本研究中，任何高于110 km/h和低于0 km/h的速度都会被视为异常数据而被排除。
3）重复异常数据。重型货车工况数据中，存在一段时间内（20~30 s）所有字段数值完全一样的情况，这可能是检测设备延误或卡顿造成的。在本研究中，任何连续的超过3 s的重复数据都会被视为异常数据而被排除。
4）油耗异常数据。油耗应大于等于0 ml/s，若小于0则被视为异常值而被排除。
完成数据质量控制后，1 384 039条数据被保留，占原始数据量的97.8%。

2 碳排放研究方法与模型

由于OBD收集的是重型货车的油耗数据，在研究中首先需要将油耗与碳排放建立联系。货车燃油中碳的排放形式主要有以下3种：一氧化碳（CO）、二氧化碳（CO2）、总碳氢化合物（THC）。根据计算，在国六标准下，重型货车超过97%的碳排放是CO2，可近似认为CO2排放与碳排放有对应关系，故本文以CO2作为研究对象。此外，由于不同类型的重型货车的排放特征有很大差别[17]，因此还需要对车辆进行分类分析。基于VSP分布的排放模型通过VSP分布和排放率的耦合计算得到排放因子，因此本文首先研究载重对VSP分布和排放率的影响，进而分析载重对排放因子的影响。

2.1 基于油耗的CO2排放测算

柴油的主要成分是碳氢化合物。发动机做功的过程中，柴油中的碳发生氧化反应，生成碳氧化合物。由于柴油的化学成分较为稳定，燃烧单位体积的燃油产生的CO2可由公式（1）进行估算[18]：
D C O 2 = K C O 2 T
式（1）中： D C O 2为燃料消耗量对应CO2排放量参考值，单位g； K C O 2为转化系数，柴油车为2.6，单位g/ml； T为燃料消耗量，单位ml。
通过油耗估算CO2排放后，工况数据如表5所示。
表5 通过油耗估算CO2排放后工况数据示例
车辆
ID		 采集
时间		 车速
/（km/h）		 燃料
流量
/（ml/s）		 CO2
排放量
/（g/s）		 行程
ID		 车货
总质量
/t
1 2023/2/12 17:30:21 67.9 3.67 9.54 1 17.74
1 2023/2/12 17:30:22 67.8 5.32 13.83 1 17.74

2.2 车型划分

本研究以车辆的最大总质量、最大净扭矩和排量作为车型划分的依据，把以上三者相近的车辆聚类为相同车型，并将离群值定义为噪声点不予研究。车型划分及其具体信息如表6和图1所示。
表6 各车型基本信息
车型 最大
总质量
/t		 最大
净扭矩
/（N·m）		 排量
/l		 车辆数 行程数
1 1.8 792~850 4.5~5 9 89
2 2.5 1150~1400 6.87~7.7 14 124
3 2.5 2400~2600 12.54~13.02 6 38
图1 车型划分结果

2.3 VSP区间划分和载重区间划分

为了研究微观视角下载重对车辆排放的影响，需要在相同运行工况条件下对比不同载重区间车辆的瞬时CO2排放率。本研究选取VSP来表征车辆运行工况。VSP的物理意义是驱动单位重量的机动车所需要的功率，单位是kW/t。研究表明，VSP作为表征发动机负荷的变量，全面考虑了车辆在实际行驶中的功率输出情况，比速度、加速度更能反映与排放的关系且易于获得和计算，从而被广泛地应用于排放测算模型中[19⇓⇓-22]。VSP的计算公式如下：
P = A v + B v 2 + C v 3 + m v ( a + g s i n θ ) m
式（2）中： P为VSP，单位 k W / t； A为滚动阻力系数，单位（kW⋅s）/m； B为转动动力系数，单位（kW⋅s3）/m； C为空气阻力系数，单位（kW⋅s3）/m； m为车辆质量，单位t； v为车辆速度，单位m/s； a为车辆加速度，单位m/s2； g为重力加速度，值为 9.8   m / s 2； θ为道路坡度，在本研究中为0。
根据上述公式，可以基于逐秒的发动机工况数据计算出车辆在行驶过程中逐秒的VSP。VSP是离散的实数，为了进一步分析，需要对VSP进行集计。本次研究以1 kW/t为间隔进行划分，划分出来的每一个区间称为VSP区间。
与VSP类似，载重也是离散的实数，为了进一步分析，也需要对载重进行集计。本次研究以5 t为间隔把载重划分成若干个区间。据统计，车型1有97.53%的行程载重在6~21 t；车型2有98.26%的行程的载重在9~24 t；车型3有84.84%的行程载重在14~19 t及44 ~54 t。本研究将上述区间作为载重区间的研究范围。
为了避免少量样本带来的随机性，对于确定的某种车型的某个载重区间，本研究仅对数据量大于100条的VSP区间进行研究，研究范围如表7所示，所有区间都是左开右闭区间。
表7 各车型各载重区间VSP研究范围
车型 载重区间/t VSP下限 VSP上限
1 6~11 -12 11
11~16 -10 8
16~21 -6 6
2 9~14 -13 17
14~19 -11 11
19~24 -7 7
3 14~19 -9 10
44~49 -9 4
49~54 -6 4

2.4 载重对CO2排放率的影响

CO2排放率（Emission Rate, ER）指的是各VSP区间下每秒排放CO2的平均值，其计算公式如下：
R i = ∑ m = 1 n E i , m n
式（3）中： R i为第 i个VSP区间的CO2排放率，单位g/s； E i , m为第 i个VSP区间的第 m个CO2排放数据，单位g/s； n为第 i个VSP区间的排放数据总量。

2.5 载重对VSP分布的影响

VSP分布指的是在某一平均速度下，车辆处于各个VSP区间的时间占总时间的比例。与前文中的VSP类似，平均速度的计算结果也是离散值，需要对其进行集计才能进一步分析。研究发现，当平均速度低于10 km/h时，大部分时间车辆都处于静止状态，且95.2%的数据集中在10~80 km/h区间。故本研究以2 km/h的间隔在10~80 km/h的区间内对平均速度进行划分并分析。基于该划分方式，对于速度区间，VSP分布的计算公式如下：
f k ( i ) = t k , i t k
式（4）中： f k ( i )为第 i个VSP区间在平均速度区间 k下所占频率； t k ,   i为速度区间 k的第 i个VSP区间所占时间，单位s； t k为速度区间 k的总时间，单位s。
在计算平均速度时，不宜取长时间的平均速度进行计算，因为长时间的行驶过程中可能包含多种复杂的工况，不利于针对某一平均速度建立稳定的、具有代表性的VSP分布。本次研究中，计算平均速度的时间粒度为60 s。
载重对VSP分布的影响主要体现在均值和方差上。对于速度区间 k，VSP分布的均值和方差的计算公式如下：
μ k = ∑ i = 1 m P i ,   k m
σ k 2 = ∑ i = 1 m ( P i ,   k - μ k ) m
式（5）~式（6）中： μ k为速度区间 k的VSP分布均值，单位kW/t； P i ,   k为速度区间 k的第 i个VSP数据，单位kW/t； σ k 2为速度区间 k的VSP分布方差；m为速度区间 k的VSP数据总量。

2.6 载重对CO2排放因子的影响

在获得CO2排放率和VSP分布的基础上，可以计算各速度区间各车型的CO2排放因子。排放因子的定义是每单位距离的排放量。对于一个平均速度为 v的速度区间 k，CO2排放因子的计算如式（7）所示：
F k = 3600 ∑ i R i f k ( i ) v
式（7）中： F k为速度区间 k下的CO2排放因子，单位g/km； R i为第 i个VSP区间的CO2排放率，单位g/s； f k ( i )为第 i个VSP区间在平均速度区间 k下所占频率。

3 载重对重型货车碳排放的影响

3.1 载重对CO2排放率的影响

各车型各VSP下的CO2排放率如图2所示。可以发现，当VSP处于负区间的时候，CO2排放率与VSP之间无明显相关性；而当VSP处于正区间时，CO2排放率与VSP之间存在较为明显的线性关系。
图2 各车型各载重区间CO2排放率
表8展示了VSP分别为2 kW/t, 3 kW/t, 4 kW/t的情况下各车型各载重区间的CO2排放率及其相较于最低载重时的增幅。同样是相较于最低载重区间增加了5 t，车型1在上述3种VSP下CO2排放率增幅分别为54.3%, 54.9%, 57.3%，而车型2则分别为49.2%, 20.8%, 23.9%。由此可见，不同车型的CO2排放率对载重变化的敏感程度不同。
表8 各车型在各VSP下的CO2排放率及其相较于最低载重的增幅
车型 载
重
区
间		 VSP为
2 kW/t时		 VSP为
3 kW/t时		 VSP为
4 kW/t时
CO2排放率
/（g/s）		 相较于最低
载重的
增幅		 CO2排放率
/（g/s）		 相较于最低
载重的
增幅		 CO2
排放率
/（g/s）		 相较于最低
载重的
增幅
1 6~11 t 5.48 — 6.60 — 7.16 —
11~16 t 8.46 54.3% 10.23 54.9% 11.27 57.3%
16~21 t 9.62 75.5% 11.44 73.3% 12.19 70.2%
2 9~14 t 6.65 — 9.46 — 9.57 —
14~19 t 9.93 49.2% 11.44 20.8% 11.86 23.9%
19~24 t 11.98 80.1% 13.19 39.4% 13.67 42.7%
3 14~19 t 8.69 — 10.90 — 13.50 —
44~49 t 21.97 152.7% 23.40 133.2% 26.05 92.8%
49~54 t 21.97 152.6% 23.43 114.9% 25.68 90.1%
研究发现，在VSP为正的区间内，CO2排放与载重线性正相关；但随着VSP增大，线性相关性逐渐减弱。当VSP为2 kW/t时，3种车型的载重与CO2排放的拟合程度划定系数R2分别为0.81, 0.82, 0.97；而当VSP为4 kW/t 时，R2下降至0.76, 0.55, 0.72。这是由于车辆受到的风阻与速度的平方线性相关，VSP增大意味着车辆处于高速行驶状态，此时风阻取代载重成为影响CO2排放的主要因素，故R2逐渐减小。

3.2 载重对VSP分布的影响

各车型各载重在低速（20 km/h）、中速（50 km/h）、高速（80 km/h）下的VSP分布情况如图3所示。可以发现，在同一速度下，载重越大，VSP分布的均值和方差越小。这是两方面原因所导致：一是不同载重的车辆在加减速阶段的净输出扭矩大致相同，即所受外力大致相同，由于载重大的货车具有更大的质量，故加速度相较于载重小的货车更小，而VSP与加速度直接相关，因此其VSP分布的均值更小；二是出于安全性的考虑，当货车载重较大时，司机往往会更为谨慎地驾驶，在这种情况下，急加速、急减速行为都会减少，车速较为稳定，因此其VSP分布的方差更小。
图3 各车型各载重区间低、中、高速下的VSP分布
各车型各速度下VSP分布均值如图4所示。可以看出，VSP分布均值随速度的提高而增大，但载重越大，增大的幅度越小。在低、中、高速情况下，相较于最低载重，各载重下VSP分布的均值和方差的减少情况如表9所示。以车型1为例，在低、中、高速下，相较于最低载重，VSP分布均值的差距最大分别达到-50.4%, -47.8%和 -51.0%。可见，在分析载重对CO2排放因子的影响时，不能仅考虑其对CO2排放率的影响而忽视其对VSP分布的影响。
图4 各车型各载重区间各速度下的VSP均值
表9 各车型低、中、高速下相较于最低载重VSP均值和方差减少情况
车
型		 载重
区间		 低速下 中速下 高速下
均值 方差 均值 方差 均值 方差
1 6~11 t — — — — — —
11~16 t -30.3% -29.0% -28.9% -15.6% -43.7% -15.4%
16~21 t -50.4% -42.1% -47.8% -30.5% -51.0% -23.6%
2 9~14 t — — — — — —
14~19 t -64.4% 23.0% -32.7% 6.7% -35.4% 26.9%
19~24 t -79.9% -4.2% -46.1% -28.7% -46.9% -12.6%
3 14~19 t — — — — — —
44~49 t -73.8% -73.7% -76.7% -56.8% -74.2% -71.8%
49~54 t -49.8% -67.7% -77.4% -41.3% -76.1% -69.2%

3.3 载重对CO2排放因子的影响

各车型各载重下CO2排放因子随速度的变化如图5所示。
图5 各车型各载重区间各速度下的CO2排放因子
由图5可知，在最低载重条件下，所有车型的CO2排放因子都处于最低水平。对于车型1而言，载重区间为11~16 t与载重区间为16~21 t时的CO2排放因子几乎相同。从3.2节和3.3节的讨论可知，车辆载重越大，同一VSP区间下的CO2排放率越大，且VSP分布的均值和方差越小。但VSP分布的均值越小，对应的CO2排放率也就越小。VSP分布的影响与CO2排放率的影响一定程度上相互抵消，这就导致了不同载重的CO2排放因子大致相同的情况。
以各车型最低载重下的CO2排放因子为基准，不同载重不同速度区间下CO2排放因子的增幅如表10所示。研究发现，当速度较低时，载重对CO2排放因子的影响较大。当速度低于20 km/h时，3种车型最大载重条件下的CO2排放因子的最大增幅分别为66.7%, 110.5%及176.4%；随着速度的增大，载重对CO2排放因子的影响逐渐减小；当速度大于等于70 km/h时，3种车型最大载重条件下CO2排放因子的最大增幅分别为42.7%, 14.1%及47.3%，相较于低速时明显减小。
表10 各车型各载重区间各速度下CO2排放因子增幅
速度
/（km/h）		 车型1 车型2 车型3
载重区间6~11 t 载重区间
11~16 t		 载重区间16~21 t 载重区间9~14 t 载重区间14~19 t 载重区间19~24 t 载重区间14~19 t 载重区间44~49 t 载重区间
49~54 t
10 — 52.2% 58.7% — 53.3% 110.5% — 152.6% 176.4%
12 — 69.2% 63.6% — 37.5% 99.5% — 105.8% 134.4%
14 — 42.3% 37.1% — 58.8% 91.4% — 150.5% 159.5%
16 — 66.6% 66.7% — 32.4% 79.1% — 157.7% 150.1%
18 — 45.0% 51.7% — 31.3% 84.4% — 114.1% 117.0%
20 — 50.1% 44.1% — 29.9% 53.2% — 116.7% 146.2%
22 — 49.8% 54.5% — 34.3% 66.6% — 116.6% 81.3%
24 — 53.1% 59.3% — 32.9% 45.1% — 142.2% 154.3%
26 — 54.0% 43.7% — 35.5% 68.5% — 177.1% 157.4%
28 — 43.5% 39.4% — 36.9% 44.7% — 117.7% 105.8%
30 — 40.2% 43.3% — 30.2% 52.2% — 98.8% 119.5%
32 — 51.7% 51.6% — 22.4% 37.2% — 82.2% 99.0%
34 — 52.3% 42.3% — 32.8% 41.1% — 119.3% 109.9%
36 — 44.1% 39.3% — 21.0% 22.7% — 108.7% 115.6%
38 — 50.4% 39.1% — 13.8% 26.0% — 60.4% 59.6%
40 — 42.7% 45.4% — 11.5% 26.8% — 77.9% 88.6%
42 — 48.4% 49.5% — 24.2% 43.4% — 79.9% 76.8%
44 — 41.4% 32.6% — 31.1% 37.6% — 56.7% 76.3%
46 — 34.5% 32.5% — 11.8% 33.1% — 44.2% 65.6%
48 — 38.4% 31.7% — 9.3% 31.4% — 51.6% 74.7%
50 — 44.9% 44.9% — 3.9% 9.3% — 75.6% 80.4%
52 — 43.8% 23.7% — 8.3% 18.5% — 47.5% 62.8%
54 — 40.5% 41.1% — 17.4% 26.0% — 18.4% 33.4%
56 — 43.1% 39.9% — 6.7% 22.3% — 49.8% 68.8%
58 — 29.7% 29.5% — 8.5% 16.8% — 57.8% 50.8%
60 — 37.1% 33.4% — 5.8% 17.2% — 48.7% 49.1%
62 — 37.1% 39.8% — 6.4% 17.4% — 45.9% 56.3%
64 — 38.2% 33.5% — 6.2% 9.5% — 53.6% 52.8%
66 — 38.2% 31.5% — 3.4% 15.2% — 58.8% 70.1%
68 — 40.2% 34.3% — 1.4% 7.9% — 52.7% 53.1%
70 — 37.2% 42.7% — 4.8% 13.6% — 33.8% 47.3%
72 — 29.5% 24.2% — 7.8% 14.1% — 40.2% 43.0%
74 — 34.1% 30.5% — 3.3% 11.1% — 31.5% 42.8%
76 — 26.2% 23.3% — -4.9% 2.8% — 34.5% 32.8%
78 — 18.0% 19.2% — 0.6% 8.4% — 31.0% 28.7%
在平均工况下，各车型的CO2排放因子及其相较于最低载重条件下的增幅如表11所示。随车型不同，满载相较于空载的CO2排放因子增大约13%~113%。
表11 各车型各载重平均工况下CO2排放因子增幅
车型1 车型2 车型3
载重
区间		 排放
因子
/（kg/km）		 增幅 载重
区间		 排放
因子
/（kg/km）		 增幅 载重
区间		 排放
因子
/（kg/km）		 增幅
6~
11 t		 0.40 — 9~
14 t		 0.45 — 14~
19 t		 0.45 —
11~
16 t		 0.53 32.5% 14~
19 t		 0.51 13.3% 44~
49 t		 0.94 108.9%
16~
21 t		 0.55 37.5% 19~
24 t		 0.56 24.4% 49~
54 t		 0.96 113.3%

3.4 不考虑载重引起的排放测算误差

由美国环境保护署（Environmental Protection Agency, EPA）开发的MOVES（Motor Vehicle Emission Simulator）模型是移动源排放测算的经典模型。在MOVES模型中，计算CO2排放率和VSP分布时使用的车重参数来自MOVES中的车重参考值。本研究中3种车型与MOVES中车型及车重参考值的对应关系如表12所示。
表12 本研究车型与MOVES车型对应关系
车型 MOVES对应车型 车重参考值/t
1 单体短途货车 13.798
2 单体短途货车 13.798
3 组合式短途货车 24.704
基于MOVES模型（不考虑载重）和本文模型（考虑载重）的排放测算误差结果如图6所示。对于相同的平均速度而言，3种车型使用MOVES模型计算排放的平均误差分别为9.7% ~ 16.4%, 5.6% ~ 13.0%, 12.9% ~ 25.9%，而本文基于实际载重构建的排放测算模型的平均误差分别为6.4% ~ 11.8%, 4.4% ~ 7.2%, 8.9% ~ 13.9%。结果表明，在所有车型的所有载重区间，基于实际载重构建的排放测算模型相较于MOVES模型的排放测算误差都有所减小，且在车型3的低载重区间（14~19 t）误差减小的幅度最大，达到了11.9%。
图6 是否考虑载重情况下的CO2排放测算误差对比

4 结论

本文基于车辆发动机工况数据、车辆静态数据和车辆称重数据开展了载重对重型货车排放影响机理的研究，填补了关于载重对排放率、VSP分布的微观影响的研究空白，有效支撑了重型货车排放的精细化测算。主要结论如下。
1）在微观影响机理方面，车辆载重对CO2排放率和VSP分布都有影响。载重会显著影响排放率，以车型1为例，当VSP分别为2 kW/t, 3 kW/t, 4 kW/t时，相较于最低载重区间，车辆载重增大5 t时，CO2排放率的增幅分别为54.3%, 54.9%, 57.3%。在VSP为2 km/h时，CO2排放率随载重的增大而线性增大，使用线性函数拟合3种车型CO2排放率随载重的变化得出的判定系数R2分别为0.81, 0.82, 0.97。但随着VSP增大，判定系数R2逐渐减小。同一车型同一平均速度下，随着载重的增加，VSP分布的均值和方差都会逐渐减小。以车型1为例，在低、中、高速区间，相较于最低载重时，VSP分布均值的差距最大达到-50.4%, -47.8%和-51.0%。此外，CO2排放率与VSP分布存在一定程度的相互抵消，因此载重的增加不一定会导致CO2排放因子的增大。
2）载重会显著影响重型货车的CO2排放因子。随车型不同，平均工况下重型货车满载时的CO2排放因子相较于空载时增幅达到13% ~ 113%。当速度较低时，载重对CO2排放因子的影响较大，3种车型最大载重条件下CO2排放因子的最大增幅分别达到1.66倍、2.10倍及2.76倍。随着速度的增大，载重对CO2排放因子的影响逐渐减小。
3）相较于不考虑实际载重的MOVES模型，本研究在考虑了实际载重后，所有车型的所有载重区间下的排放测算误差都有所减小，最多的减小了11.96%，有效提高了测算精度。
在车辆（尤其是重型货车）排放的建模过程中，车辆实际载重具有显著影响。忽视车辆的实际载重会导致排放测算出现较大误差。对单一行程而言，不考虑载重引起的排放测算误差可能超过25%。受数据量不足的影响，本研究未开展针对单一车辆的以1 t为载重间隔的排放分析，也未建立车辆载重与CO2排放率的函数关系。后续将采集更多的实验数据开展研究，构建考虑实际载重的排放修正模型。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张明琦, 郑泽东, 李永东. 公路货运能耗及低碳化发展路径研究[J]. 机车电传动, 2022(3):10-16.

[2]
周博雅, 汪洋, 安晓盼. 重型车载重特征及对油耗评价方法的影响研究[C]// 中国汽车工程学会年会论文集. 北京: 中国汽车工程学会,2018:647-650.

[3]
HUANG J, SONG G, ZHANG Z, et al. High-resolution fuel consumption model for better characteri-zations of high-speed scenarios[J]. Transportation Research Record, 2022: 036119812210984.

[4]
SONG G, YU L. Estimation of fuel efficiency of road traffic by characterization of vehicle-specific power and speed based on floating car data[J]. Transportation Research Record, 2009(2139): 11-20.

[5]
FAN P, SONG G, ZHU Z, et al. Road grade estimation based on Large-scale fuel consumption data of connected vehicles[J]. Transportation Research Part D: Transport and Environment, 2022, 106: 103262.1-103262.20.

[6]
ZHANG Z, SONG G, CHEN J, et al. Development of a simplified model of speed-specific vehicle-specific power distribution based on vehicle weight for fuel consumption estimates[J]. Transportation Research Record, 2020, 2674(12): 52-67.

[7]
WANG X, SONG G, ZHAI Z, et al. Effects of vehicle load on emissions of heavy-duty diesel trucks: A study based on real-world data[J]. International Journal of Environmental Research and Public Health, 2021, 18(8): 1-17.

[8]
HELMS H, LAMBRECHT U. The potential contribution of light-weighting to reduce transport energy consumption[J]. International Journal of Life Cycle Assessment, 2007, 12(1): 58-64.

[9]
KIM H C, WALLINGTON T J, SULLIVAN J L, et al. Life cycle assessment of vehicle lightweighting: novel mathematical methods to estimate use-phase fuel consumption[J]. Environmental Science and Technology, 2015, 49(16): 10209-10216.

[10]
KIM H C, WALLINGTON T J. Life-cycle energy and greenhouse gas emission benefits of lightweighting in automobiles: Review and harmonization[J]. Environmental Science & Technology, 2013, 47(12): 6089-6097.

[11]
KIM H C, WALLINGTON T J. Life cycle assessment of vehicle lightweighting: A physics-based model of mass-induced fuel consumption[J]. Environmental Science and Technology, 2013, 47(24): 14358-14366.

[12]
王燕军, 吉喆, 尹航, 等. 重型柴油车污染物排放因子测量的影响因素[J]. 环境科学研究, 2014, 27(3):232-238.

[13]
SULLIVAN J L, LEWIS G M, KEOLEIAN G A. Effect of mass on multimodal fuel consumption in moving people and freight in the US[J]. Transportation Research Part D: Transport and Environment, 2018, 63: 786-808.

[14]
TOLOUEI R, TITHERIDGE H. Vehicle mass as a determinant of fuel consumption and secondary safety performance[J]. The Interaction of Environmental and Traffic Safety Policies, 2009, 14(6): 385-399.

[15]
姚志良, 王岐东, 张英志, 等. 负载对实际道路重型柴油车排放的影响研究[J]. 环境污染与防治, 2012, 34(3):63-67.

[16]
宋敬浩, 何立强, 胡京南, 等. 不同负载条件下国Ⅱ重型柴油货车的实际道路排放特征[J]. 环境污染与防治, 2019, 41(1):34-40.

[17]
KOUPAL J, BEARDSLEY M, BRZEZINSKI D, et al. U.S. EPA′s MOVES2010 vehicle emission model: overview and considerations for international application[R]. Ann Arbor: US Environmental Protection Agency, Office of Transportation and Air Quality, 2010.

[18]
中国汽车技术研究中心有限公司,重庆长安汽车股份有限公司,安徽江淮汽车集团有限公司, 等. 乘用车燃料消耗量评价方法及指标:GB 27999—2019[S]. 北京: 中国标准出版社, 2019.

[19]
宋国华, 于雷. 城市快速路上机动车比功率分布特性与模型[J]. 交通运输系统工程与信息, 2010, 10(6):133-140.

[20]
黄意然, 宋国华, 彭飞. 基于实际车重的重型货车比功率分布及排放模型[J]. 交通运输系统工程与信息, 2023, 23(2):326-334.

[21]
赵琦, 于雷, 宋国华. 轻型车与重型车高速公路比功率分布特征研究[J]. 交通运输系统工程与信息, 2015, 15(3):196-203.

[22]
FAN P, YIN H, LU H, et al. Which factor contri-butes more to the fuel consumption gap between in-laboratory vs. real-world driving conditions? An independent component analysis[J]. Energy Policy, 2023, 182: 113739.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发