基于多源数据的公交车能耗碳排放测算模型

徐 龙，王 力，刘 莹，宋国华，李晨旭，翟志强

(1.北方工业大学城市道路交通智能控制技术北京重点实验室，北京100144；2.北京交通发展研究院，北京100073；3.北京交通大学交通运输学院，北京100044；4.中国民航大学机场学院，天津300300；5.北京公共交通控股(集团)有限公司，北京100081)

0 引 言

公交车能耗碳排放强度变化和未来的达峰趋势问题日益受到城市管理部门和科研人员的关注.Carrese[1]等基于平均速度和VSP 方法建立了车辆排放测算模型，对同一线路中3位不同驾驶员的能耗排放水平进行对比评价.Gasraldi[2]等采用PEMS测试分析不同交叉口信号控制周期的CO2减排效果.Marsumoto[3]等通过视频观测和VISSIM仿真测算不同交叉口信号周期的CO2减排效果.Macián[4]等通过工况测试对低粘度油的CO2减排效果进行实证分析.Yang[5]等通过OBD监测设备采集燃油消耗率，VSP 模型对柴油公交车和混合动力柴油车在标准工况下的CO2排放因子进行对比研究.Zhang[6]等通过PEMS 对75 辆公交车进行测试，发现天然气公交车CO2排放因子与柴油车基本一致.徐龙[7]等通过OBD 能耗监测设备、IC 卡数据和GIS，研究了公交车服务水平和能耗的相关性.应紫敏[8]等对全生命周期下不同情景的公交车油改电碳减排效益进行测算，证明不同燃料类型(柴油车、电动车)公交车在运行阶段的碳排放量差距可达33%.Peng[9]等以公交车能耗碳排放总量统计数据为基准，考虑柴油车与天然气车不同比例，对国内31个省份进行预测研究.

以上研究以实车测试、工况分析、模型仿真等为主.当前5G、车联网等技术为感知公交车、公交线路、驾驶员等3个维度的能耗碳排放微观数据[10]提供了手段.因此，本文建立基于多源数据融合的公交车能耗碳排放测算模型，在公交车、公交线路、驾驶员等3 个维度建立能耗碳排放量化关系，为公交车节能减碳提供支撑.

1 数据准备

除上述提到的车辆燃料类型、车辆类型以外，Wang[11]等分析得到车辆行驶速度、加减速等对公交车的能耗碳排放强度有显著的相关性.Zhai[12]等认为车辆重量会明显影响油耗.Lai[13]等发现公交线路特点(交叉口、线路走向)会对车辆碳排放造成影响.因此，车辆的线路特点、燃料类型、车辆类型等因素是影响公交车能耗碳排放评价的重要因素.采集北京市4 条线路，53 辆公交车，215 位驾驶员数据作为研究样本，采集时间为5 d，共计757.7 万条数据，研究样本基本情况如表1所示.

表1 研究样本基本情况Table 1 Basic situation of study sample

1.1 OBD能耗监测数据

为评价公交车能耗碳排放，采集OBD 监测设备实时上传的逐秒定位数据、累计能耗数据和累计里程数据，如表2所示.

表2 OBD 监测数据示例Table 2 Samples of OBD monitoring data

1.2 加油(气)数据

企业规定司机每次加油(气)时将邮箱加满，那么加油(气)数据是车辆在两次加油(气)间隔期间车辆的能耗量，采集得到加油(气)数据611条，如表3所示.

1.3 运营排班数据

为准确评价驾驶员能耗情况，采集公交车运营排班数据信息，如公交线路对应每个班次车辆的驾驶员姓名、工号及发车时刻等，共采集运营排班数据2 380条，驾驶员215人，如表4所示.

表3 加油(气)数据示例Table 3 Samples of diesel or LNG refueling data

表4 驾驶员排班数据示例Table 4 Samples of drivers'scheduling data

2 模型构建

2.1 数据质量控制

车辆OBD 监测数据常出现数据空值、数据异常值、数据缺失等问题.采用以下方法进行数据质量控制.

(1)数据空值问题.

对时间空值数据进行删除，且将前后数据划分为不同行程段分析.对累计油耗空值数据，根据前后数据进行判定.由于累计油耗数值0.5为粒度变化，若前后数据未变化，则将前一秒累计油耗数据填入；若前后数据有变化，将该数据删除，前后数据划分为不同行程段分析.累计里程空值问题，也按照时间空值的方法处理.

(2)数据异常值问题.

如果某个指标前后数据发生较大偏移，则删除并进行标记.后续分析将前后数据划分为不同的行程段.

(3)数据缺失问题.

在出现累计油耗数值未变化，逐秒定位数据和累计里程数据缺失的情况下，利用公交线网图和定位轨迹匹配的方法对轨迹数据进行补充，如图1所示.

2.2 数据校核与修正

通过时间将车辆加油（气）数据与OBD监测数据进行匹配，获得643个样本数据。剔除相对误差超过±20%的异常数据（44 条，占6.8%），获得有效样本599个.OBD监测数据与加油（气）数据优缺点如表5所示.

分析发现，OBD监测数据与加油(气)数据呈线性相关关系，如图2 所示，LNG 车、柴油车拟合优度R2分别为0.878 2、0.871 9.本文认为采用此方法修正后的OBD监测数据，同时具有精度、实时性优点，可以用于车辆、公交线路和驾驶员的能耗碳排放评价.

2.3 模型建立

在解决数据精度和实时性的基础上，针对公交车、公交线路和驾驶员3 个维度构建基于“速度—能耗碳排放强度曲线”的测算模型.将不同时间段(早高峰、平峰和晚高峰)的公交车数据分解成2 km 行程段进行统计，便于在相同平均速度状态下进行测算和分析.模型构建步骤如下

图1 OBD 监测数据轨迹补齐Fig.1 Complete missing values of OBD monitoring data track

表5 OBD 监测数据与加油(气)数据优缺点分析Table 5 Advantages and disadvantages of OBD monitoring data and diesel or LNG refueling data

图2 OBD 监测数据与加油(气)数据相关性分析Fig.2 Analysis of correlation between OBD monitoring data and diesel or LNG refueling data

Step 1将OBD 监测数据中的累计里程指标取差值，按每2 km为1个行程段，计算行程段内的平均速度，即

式中：为2 km 短行程内的平均速度(km/)；T、t分别2 km行程结束、开始时的GPS/北斗时间(s).

Step 2将同一短行程内的累计油耗指标取差值，结合加油(气)数据的校核参数，计算短行程内的百公里能耗.将能耗指标单位统一折算为千克标准煤/100公里，即kgce/(100 km).CO2指标单位统一为千克CO2/100公里，即kg/(100 km).

式中：、C分别为2 km 短行程内的百公里能耗强度、CO2排放强度；F、f分别为2 km 短行程结束、开始时的累计油耗(L 或kg)；a、b为图2 得到的折算系数；c、d分别为能耗指标、CO2排放指标折算系数.表6 为4 个参数与能源类型的对应关系.

表6 不同能源类型的修正参数Table 6 Correction parameters for different energy type

Step 3以1 km/h 为粒度划分速度区间，将按对应的平均速度区间进行聚类，得到其所属的速度区间，如表7所示.

表7 2 km 行程段平均速度区间划分Table 7 Distribution of average speeds of 2 km journey

Step 4统计不同速度区间下百公里能耗平均值，得到对应速度区间内平均百公里能耗.

式中：为速度区间j的平均百公里能耗(kgce/(100km))；Fj为平均速度处于j速度区间内的每2 km百公里能耗(kgce/(100km))；n为平均速度处于j速度区间内的短行程的数量.

同理，统计不同速度区间下CO2排放强度平均值，得到对应速度区间内CO2排放强度.

式中：为速度区间j的平均百公里CO2排放(kg/(100 km))；Cj为平均速度处于j速度区间内的每2 km百公里能耗(kg/(100 km)).

Step 5采用指数、线性、对数函数、多项式(二次、三次)、幂指数等函数对数据进行拟合，如图3 所示，发现幂函数的拟合优度R2=0.972 6 为最高.

因此，本文认为“速度—能耗碳排放强度曲线”模型符合幂函数分布，基本公式为

式中：F为能耗强度指标(kgce/(100km))；C为CO2排放强度指标(kgce/(100km))；V为2 km短行程的平均速度(km/h).

3 实证研究

采用北京市实际的车辆、驾驶员、线路数据，对“速度—能耗碳排放强度曲线”模型进行实证研究.

3.1 车辆能耗评价

采取“速度—能耗碳排放强度曲线”模型，对不同能源类型、车型的车辆能耗碳排放进行拟合对比，如图4所示.

(1)LNG车的能耗碳排放强度高于柴油车，差距随速度增大而增大.平均速度从10～60 km/h 变化时，LNG铰接车比柴油铰接车高3.3%～33.7%.

(2)双层车的能耗碳排放强度高于铰接车，差距随速度增大而减少.平均速度从10～60 km/h 变化时，LNG双层车比铰接车高2.4%～13.3%.

由此可知，推广LNG 公交车对降低交通能耗碳排放是有负面影响的.

图3 2 km 行程段平均速度与能耗碳排放强度指标的函数拟合关系Fig.3 Functional fitting relation between average speeds of 2 km journey and intensity of energy consumption and CO2 emission

3.2 驾驶员能耗评价

相同线路和车辆条件下，不同驾驶员的驾驶行为对公交车能耗碳排放有显著影响，如图5 所示.以57 路为例，平均速度为22.7 km/h，平均百公里能耗强度指标为59.3 kgce/(100 km).6001823 驾驶员的平均速度为23.7 km/h，平均百公里能耗强度指标为67.3 kgce/(100 km)，比线路平均水平高13.3%.6002041驾驶员的平均速度为21.8 km/h，平均百公里能耗为54.2 kgce/(100 km)，比线路平均水平低8.6%.两者的能耗碳排放强度相差24.2%.从特征上看，在平均速度小于40 km/h 的区间内，6001823 百公里能耗碳排放强度随着速度降低明显升高，说明该驾驶员的驾驶行为更加剧烈，应给与针对性的培训.

3.3 线路能耗评价

在不考虑载客情况的假设条件下，利用“速度—能耗碳排放强度曲线”模型，对459 路和651路等2 条LNG 铰接车的线路进行对比后发现，在平均速度为26.8 km/h 的情景下，459 路能耗碳排放强度比651路低9.6%，且平均速度越低越明显，如图6所示.

图4 能源类型和车型对能耗碳排放强度影响Fig.4 Impacts of energy type and vehicle type on intensity of energy consumption and CO2 emission

图5 不同驾驶员能耗碳排放强度对比分析Fig.5 Comparative analysis of intensity of energy consumption and CO2 emission of bus drivers

图6 不同公交线路的能耗碳排放强度对比分析Fig.6 Comparative analysis of intensity of energy consumption and CO2 emission of bus lines

4 结 论

本文综合利用OBD监测数据、加油(气)数据、运营排班数据等公交车大数据资源，对OBD 监测数据用于车辆、公交线路和驾驶员能耗碳排放评价的准确性进行了验证和校核，建立“速度—能耗碳排放强度曲线”模型和评价方法，并利用北京市的公交车辆、公交线路和驾驶员数据进行实证研究.当前，随着汽车智能化、网联化的快速发展，车辆OBD 监测数据已逐渐成为车辆标配.该研究可在其他城市公交企业重新标定后开展应用和分析，对各城市公交能耗碳排放目标设定、碳排放交易都有现实意义.研究中未量化载客情况的影响，此外，电动车的能耗、驾驶行为等与柴油、天然气车有明显的差异，下一步可将深化研究.