面向实际交通状态的混合动力汽车能耗和CO2排放模型

彭飞，宋国华*,1b，尹航，于雷

(1.北京交通大学，a.综合交通运输大数据应用技术交通运输行业重点实验室，b.智能交通绿色低碳技术教育部工程研究中心，北京 100044；2.中国环境科学研究院，国家环境保护机动车污染控制与模拟重点实验室，北京 100012)

0 引言

在中国“碳达峰、碳中和”目标背景下，能耗排放模型是量化交通中机动车燃油消耗和CO2排放的重要工具。研究建立高精度的城市交通路网机动车能耗排放动态量化方法，对于评估交通领域机动车碳排放水平以及机动车减“碳”措施的有效制定具有重要意义。

实现交通路网动态能耗排放测算，要建立能够反映本地交通状态变化的机动车能耗排放因子，并且要获取道路车型结构特征和动态的速度流量时变特征[1]。机动车能耗排放因子测算方法研究已具备较好基础，以基于车辆比功率VSP为代表的能耗排放模型得到了广泛应用，例如，MOVES(MOtor Vehicle Emission Simulator) 和 IVE(International Vehicle Emission model)，这些模型采用基于VSP的变量刻画车辆行驶工况特征，并根据本地化行驶工况VSP 分布耦合对应能耗排放率计算本地的能耗排放因子[2]。单肖年等[3]和黄文伟等[4]利用基于MOVES模型分别对上海和深圳进行本地化参数修正，估算典型机动车的排放因子。吕晨等[5]基于本地化修正MOVES 模型模拟机动车在不同速度条件下的CO2排放因子。胥耀方等[6]使用VSP分布刻画车辆运行模式预测排放因子比MOVES 模型预测的结果更接近实际值。张双红等[7]基于VSP区间划分方法预测重型环卫货车NOX的排放因子。这些研究均基于VSP 的理论模型针对不同车型进行排放因子本地化应用，并且证明了该模型良好的可移植性和测算结果的准确性。樊守彬等[8]和李笑语等[9]分别研究北京和南京的城市机动车排放特征，并且研究均面向实际路网交通流信息，包括道路流量、速度和车型结构等。对此有研究表明，基于VSP 分布的模型能够建立不同交通状态下的能耗和排放因子测算的机动车行为特征[10]，并且能够纳入多种反应道路交通状态时变特征的影响因素,包括行驶速度和道路类型等[11]。然而，目前研究还没有在车型结构中单独针对混合动力汽车构建能耗排放因子，这类车辆被纳入燃料类型为汽油的小型客车中进行测算，而小型客车在北京市城区各类型道路上的比例均在89%以上[8]，其中包含一定比例的混合动力汽车。随着混合动力汽车在道路车型结构中比例的提高，给城市路网机动车能耗和CO2排放量化评估带来一定程度的不确定性和复杂性。

混合动力汽车相比同排量的汽油车具有排放和燃油消耗优势，排放优势主要体现在CO2、CO和NOX排放[12]，城市道路中混合动力汽车通常比传统燃油车的燃油消耗降低20%～30%，其中，在城市道路比高速公路的改善更为明显[13]。造成这些差异的本质原因是混合动力汽车与传统燃油汽车内燃机ICE (Internal Combustion Engine)工作状态的不同，混合动力系统由内燃机和电动机2种动力源提供车辆驱动力，降低了完全依靠内燃机提供动力输出功率的需求。现有研究中，混合动力汽车油耗排放模型需要考虑内燃机开启和关闭状态，FREY等[14]以基于VSP的模型为基础，通过功率需求阈值识别内燃机开启状态，并优化混合动力汽车排放模型，该模型在实际应用中仅用速度和加速度参数判断内燃开启状态，会产生较大误差。HOLMEN等[15]针对混合动力汽车建模，引入其他变量刻画电动机和内燃机间的动力功率分配，改善了CO2排放测算方法，但该方法要求增加更多的参数数据输入，包括电池电机功率和道路坡度等，应用于现有的北京市交通路网能耗排放估算系统具有一定的复杂性。

因此，本文面向实际交通状态，既保证测算准确性又不增加模型的复杂性。通过收集混合动力汽车试验油耗测试数据和北京市实际道路行驶轨迹数据，以VSP作为车辆行驶状态与能耗排放之间的解释变量建立的原有模型基础上，考虑内燃机开启状态，计算不同速度场景下的车辆VSP 分布，优化混合动力汽车的能耗和CO2排放模型，以增强北京市现阶段交通路网中能耗和排放测算方法的功能性和准确性，实现混合动力汽车在不同交通场景下的能耗和CO2排放量化评估。

1 数据收集

1.1 能耗测试数据

本文研究收集美国阿贡实验室开放的车辆台架试验数据，选用搭载本田2.0 L排量的i-MMD混合动力系统的本田雅阁混合动力车油耗数据建立并验证模型的准确性。该测试数据以0.1 s 为间隔记录车辆瞬时燃油消耗率、转速、瞬时速度及时间。 美国环境保护署 EPA(Environmental Protection Agency)开发的FTP 工况(Federal Test Procedure)用于评估车辆尾气排放和燃油经济性的测试，混合动力汽车根据所用行驶工况在底盘测功机上进行测试，模拟车辆在实际道路中的各种驾驶条件。本文选用3 种典型的FTP 工况包括：UDDS(Urban Dynamometer Driving Schedule)、HWY(Highway Fuel Economy Test)和US06，考虑到车辆实际驾驶条件中多种影响因素不同工况进行了多次循环，包括：9次UDDS工况循环、6次HWY工况循环和6次US06工况循环。3种工况的速度-时间曲线如图1所示。

图1 行驶工况速度-时间曲线Fig.1 Speed-time profile for driving cycles

UDDS 工况模拟车辆在城市驾驶条件下的车辆运行状态，HWY工况和US06工况作为FTP工况的补充。HWY工况模拟车辆在高速公路驾驶条件下的高速行驶工况，US06工况模拟车辆激烈驾驶、高速驾驶和急加速条件下的车辆运行状态，各行驶工况的特征参数如表1所示。

表1 行驶工况的特征参数Table 1 Driving cycle characteristics

1.2 实际行驶数据

在车辆智能网联网环境下，使用车载诊断系统OBD 提供逐秒的发动机数据和全球定位系统GPS设备收集车辆轨迹数据，为模型应用的数据输入提供可行性。本文收集23辆丰田卡罗拉混合动力汽车2020年8月～10月在北京市实际行驶的逐秒轨迹数据，该车型搭载丰田1.8 L 排量的THS 混合动力系统。共收集超过900 万s 的逐秒轨迹数据，数据字段包括：车辆逐秒的瞬时速度、行驶时间、经纬度以及发动机转速等信息。该数据能够描述混合动力汽车在实际交通状态下的行驶工况，刻画不同平均行驶速度的车辆功率分布特征。

2 模型构建

2.1 建模思路

模型建立框架如图2所示。

图2 模型建立框架Fig.2 Modeling framework

面向混合动力汽车能耗排放建模的思路是在原有基于VSP 参数的模型中引入新的变量参数(ICE 转速)，根据新参数区分混合动力汽车ICE 工作状态，提高模型用于混合动力汽车能耗和CO2排放因子测算的适用性和准确性。原有模型是指基于VSP作为行驶状态与能耗排放之间表征参数，通过建立VSP分布刻画车辆行驶状态，并计算对应的能耗率。由于传统燃油车在行使过程中ICE 始终保持开启状态，而混合动力汽车行驶中ICE关闭时不产生油耗和CO2排放，因此，原有模型不考虑ICE工作状态适用于传统燃油车，用于混合动力汽车测算时具有不确定性。

2.2 VSP分布建立

1999 年Jimenez-Palacios提出了VSP 与机动车瞬态排放具有较强的相关性[16]，以VSP作为描述车辆运行状态与能耗排放关系的关键变量，该参数代表车辆为移动自身及其货物或乘客所施加的牵引力，单位为kW·t-1，根据车辆瞬时速度和加速度变量计算，即

式中：m为车辆总质量(t)；vt为瞬时速度(m·s-1)；at为加速度(m·s-2)；g为重力加速度，本文取9.8 m·s-2；θt为t时刻坡度，由于本文车辆是在底盘测功机上测试，故取θt=0；A、B和C分别为滚动阻力系数((kW·m)·s-1)、旋转阻力系数((kW·m2)·s-2)和空气动力阻力系数((kW·m3)·s-3)，取值分别为0.156461、0.00200193和0.000492646。

为更清楚地描述VSP 变量与车辆能耗之间的相关性，需要对VSP 变量进行聚类，聚类方法采用MOVES 模型定义的23 种机动车运行模式分类编号OpModeID 作为VSP 区间，MOVES 模型中VSP区间的聚类划分方式如表2所示。

表2 MOVES模型中VSP聚类方式Table 2 VPS clustering approach in MOVES

其中，减速制动工况是由加速度确定，要求加速度at小于-0.849 m·s-2或者加速度at小于-0.447 m·s-2且at-1小于-0.447 m·s-2且at-2小于-0.447 m·s-2；怠速工况由瞬时速度确定，要求瞬时速度vt小于1.61 km·h-1；其余21 种区间以一定速度范围内的VSP 定义，有两种工况为滑行，即比功率小于0，有13 种巡航/加速工况，VSP 范围从0到大于30 kW·t-1。另外，在减速制动工况与其他工况出现重叠的情况下，减速制动工况优先划定。

在建模过程中考虑混合动力汽车的动力分配模式，相同工况下存在车辆由内燃机和电机组成多种动力组成模式，与传统燃油车能耗排放相比本质差异体现在内燃机的开启与关闭。因此，优化模型在建立混合动力汽车VSP 分布时需要考虑内燃机是否开启的工作状态，分别建立ICE-off 和ICE-on的VSP分布，即

式中：i为VSP区间编号；ni和mi分别为VSP区间编号为i时ICE-on 和ICE-off 的累计时间；和分别为ICE-on 和ICE-off 的VSP 区间分布的比例。

2.3 能耗和CO2排放因子测算

车辆行驶单位时间内的能耗是根据每个VSP区间分布概率耦合对应的平均燃油消耗率计算得到的。针对混合动力汽车优化模型使用ICE-on 时平均燃油消耗率乘以对应的ICE-on时VSP区间分布的概率，每个VSP 区间下ICE-on 的平均燃油消耗率为

ICE-off 状态的平均燃料消耗率取值为0。而原有模型中不考虑内燃机工作状态，燃油消耗因子为

根据能量守恒的原则，CO2排放因子是从根据车辆行驶单位里程下总的能量消耗计算得到，不考虑较少质量的燃料会以CO、有机气体和有机碳的形式排放[17]，即

式中：EFCO2为CO2排放因子(g·km-1)；ρ为汽油燃料密度取值为(0.74 g·mL-1)；EC为汽油燃料能量密度，取值为43.448(kJ·g-1)；CCarbon为碳含量(g·kJ-1)，以每克碳消耗的能量表示；FOxidation为燃料被氧化形成CO2的碳比例，取值为1。

3 模型验证

3.1 典型工况VSP分布

在模型构建中认为ICE-off状态不产生燃油消耗，ICE-on状态一定产生燃油消耗。本文以混合动力汽车ICE 转速超过500 r·min-1作为ICE-on 的识别条件，构建VSP 分布[14]，通过混合动力汽车9 次UDDS 循 环、6 次HWY 循 环 和6 次US06 循 环 测试数据建立典型工况下的VSP 分布并验证转速识别ICE 工作状态的有效性。结果表明：典型工况下ICE 转速超过500 r·min-1时瞬时油耗率不低于0.01 ml·s-1的比例为93.4%；ICE 转速不超过500 r·min-1时瞬时油耗率为0 的比例为100%。建立混合动力汽车在不同工况的VSP 分布，如图3所示。

图3 混合动力汽车各行驶工况VSP分布Fig.3 VSP distribution for each driving cycles of hybrid vehicles

混合动力汽车VSP 分布相比传统燃油车的建模方式区分了ICE-on 状态，既描述车辆运行VSP分布特征，又刻画了车辆ICE 工作状态。UDDS、HWY和US06循环工况中，ICE-on的平均总时间占比分别为43.7%，55.9%，56.6%，相同VSP区间内车辆ICE-on 工作状态的概率也不同，不同工况VSP分布特征采用数据集计的方法描述1 个车队的运行状态特征。在原有不考虑ICE-on 状态建立VSP分布的基础上，增加ICE-on和ICE-off的划分，能够更加准确表达混合动力汽车在ICE-on 状态下能量消耗和CO2排放产生的物理意义。

3.2 能耗率有效性检验

通过收集得到2 万条混合动力汽车瞬时油耗测试数据，用于计算平均燃油消耗率，其中，共8831 s 的ICE-on 状态瞬时油耗数据作为样本数据。每类VSP 区间所对应的瞬时油耗数据样本的分布特征如图4所示，表明不同VSP区间中瞬时油耗率的离散程度，并对原有模型计算输入数据样本和优化后模型输入数据样本进行比较。

图4 瞬时燃油消耗分布特征Fig.4 Instantaneous fuel consumption distribution characteristics

结果表明：只有在混合动力汽车优化模型中ICE-on状态时，平均燃油消耗率与VSP有较强的相关性。原有模型不区分ICE-on状态时每种VSP区间对应的瞬时燃油消耗，样本离散程度较高，尤其是在VSP较低区间和怠速工况，原有模型所得平均燃油消耗率明显升高，此时，VSP 作为平均燃油消耗解释变量的物理意义并不明显。在较高VSP 区间由于车辆功率需求主要依靠ICE提供，ICE-off出现的比例降低，此时，优化模型和原有模型所得平均燃油消耗率差异变化不大。根据式(3)，采用两种计算方式获取混合动力汽车的平均燃油消耗率分别对应优化模型和原有模型，结果如图5所示。一种是优化模型仅计算ICE 开启状态的VSP 区间编号所对应的平均燃油消耗率；另一种是原有模型采用不考虑内燃机工作状态的计算方式用于混合动力汽车，这种方式所采用的瞬时燃油消耗率包含ICE 开启和关闭两种状态。两种计算所得平均燃油消耗率具有较大差异，尤其是在VSP较低区间。

图5 混合动力汽车平均燃油消耗率Fig.5 Average fuel consumption rate of hybrid vehicles

为检验原有模型和优化模型平均燃油消耗率计算方法的有效性，本文通过定义变异系数Ci，计算不同VSP区间下燃油消耗数据的变异系数，即

式中：σi为i区间每个瞬时燃油消耗数据样本的标准差；μi为i区间每个瞬时燃油消耗数据样本的均值。计算结果如表3所示。

表3 瞬时燃油消耗率特征Table 3 Instantaneous fuel consumption characteristics

结果表明，通过混合动力汽车模型构建优化了原有传统燃油车所用模型，每类VSP区间下的瞬时燃油消耗样本数据变异系数有显著降低，该建模过程针对混合动力汽车所得平均燃油消耗率更为准确有效。

3.3 能耗和CO2排放因子误差分析

分别使用传统燃油车的原有模型和考虑ICE-on 所建优化模型计算3 种工况下的混合动力汽车燃油消耗和CO2排放因子，并与测试得到各工况真实燃油消耗进行比较，通过误差分析验证模型测算有效性和准确性，如图6所示。

图6 模型测算油耗排放因子和实际油耗排放因子比较Fig.6 Comparison of model-measured fuel consumption and emission factors with real values

结果表明，原有模型测算混合动力在城市工况UDDS和高速工况HWY的燃油消耗因子与真实值产生相对误差分别为-9.3%和5.6%。优化后的模型有效提高在这两种典型工况下的测算准确性，与真实值的相对误差分别为3.7%和-1.7%。由于US06 工况模拟车辆激烈驾驶行为(包含高速行驶和急加速行驶)会产生较高燃油消耗和排放，在实际交通状态中，这种典型极端测试工况极少发生，本文所建的混合动力汽车能耗率主要是应用路网实际交通状态。因此，对于US06 工况优化前后模型测算均低估真实燃油消耗和CO2排放因子，产生相对误差分别为-4.7%和-3.2%。。

针对不同测试环境条件对混合动力汽车燃油消耗和CO2排放因子模型的影响，进一步验证模型测算能耗和CO2排放因子的准确性，将每种行驶工况的多次循环进行不同组合作为车队数据集。其中，将9 次UDDS 工况循环组成车队编号为#1，同时，任意选其中8次不同测试条件组成车队编号为#2～#10，将6 次HWY 工况循环和6 次US06 工况循环同样方式组合分别组成车队编号为#1～#7。测算不同行驶工况下不同车队的燃油消耗和CO2排放因子与真实值的相对误差，如表4～表6所示。

表4 UDDS工况油耗和CO2排放因子测算相对误差Table 4 Relative error in measurement of fuel consumption and CO2 emission factors in UDDS

表5 HWY工况油耗和CO2排放因子测算相对误差Table 5 Relative error in measurement of fuel consumption and CO2emission factors in HWY

表6 US06工况油耗和CO2排放因子测算相对误差Table 6 Relative error in measurement of fuel consumption and CO2 emission factors in US06

结果表明：UDDS 城市工况中，混合动力汽车燃油消耗和CO2排放因子优化模型测算相对误差范围在-0.2%～5.8%，原有模型测算相对误差范围为-12.6%～2.9%；HWY 高速工况中，混合动力汽车燃油消耗和CO2排放因子优化模型测算相对误差范围在-2.3%～-0.5%，原有模型测算相对误差范围为-3.7%～9.3%；本文所构建的模型能够显著改善原有模型在混合动力汽车能耗和CO2排放因子测算产生的相对误差。

4 模型应用

本文所建模型将为道路交通中不同平均速度区间下的混合动力汽车能耗因子和CO2排放因子测算提供应用支持。收集北京市混合动力汽车实际行驶轨迹数据和OBD(On-Board Diagnostics)监测数据，以3 min 间隔作为行程时间集成粒度划分车辆行驶轨迹，计算每段行驶轨迹的平均行程速度(速度范围取5～80 km·h-1)，并以1 km·h-1的间隔划分平均行程速度区间。应用本文模型建立北京市不同平均行程速度区间下的VSP 分布，其中，VSP以1 kW·t-1的等间隔聚类划分VSP 区间(VSP 区间范围取-20～20 kW·t-1)。建立VSP分布表示实际交通状态中车辆功率需求分布，以平均行程速度为20，40，60，80 km·h-1混合动力汽车VSP分布为例展示如图7 所示。混合动力汽车在实际道路行驶过程中，由于交通状态的影响会引起车辆运行状态的改变，带来车辆功率需求的变化，从而导致油耗和排放的差异。随着平均行程速度的增大，VSP分布正区间所占比例逐渐上升并且VSP 分布的峰值在逐渐降低。同时，该VSP 分布区分ICE-on 和ICEoff 的状态，体现了混合动力汽车功率分配特征，ICE-off状态时车辆完全由蓄电池提供动力不产生油耗和排放。随着平均行程速度的增加，车辆ICEon 状态的比例随之增加，在这一状态下不同VSP区间所对应的能耗率为优化模型中所计算的能耗率，而ICE-off状态所对应的能耗率为0。

图7 不同平均行程速度下的混合动力汽车VSP分布Fig.7 VSP distribution of hybrid vehicles at average speeds

根据北京市实际道路行驶的混合动力汽车轨迹数据和OBD 监测数据所建VSP 分布，为分析实际交通状态下将混合动力车纳入传统燃油车型中计算能耗和排放产生的误差。本文根据优化模型和原有模型方法进一步计算不同VSP 区间对应平均燃油消耗率，所得结果如图8 所示。其中，原有模型所得平均油耗率不考虑ICE-on 状态，表示将混合动力汽车视为传统燃油车型。由于优化模型所得平均油耗率不包含ICE-off 状态，VSP 区间在-20～10 kW·t-1之间时平均油耗率明显高于原有模型。两种能耗率在与VSP 分布建立耦合关系时有所不同，优化模型平均油耗率对应ICE-on的VSP分布，原有模型平均油耗率对应VSP 分布，包含ICE-off和ICE-on两种状态。

图8 不同VSP区间的平均燃油消耗率Fig.8 Average fuel consumption rate for different VSP Bin

通过模型中式(4)建立VSP 分布与平均能耗率耦合关系，测算混合动力汽车在实际道路交通状态中不同平均速度的油耗因子和CO2排放因子曲线，如图9所示。

图9 不同平均速度的混合动力汽车油耗和CO2排放因子Fig.9 Comparison of fuel consumption and CO2 emission factors for hybrid vehicles at different average speeds

比较不同平均行程速度下混合动力汽车原有模型和优化模型的油耗因子结果表明，混合动力汽车平均行驶速度在40～50 km·h-1范围时能耗和CO2排放最低，当平均行驶速度大于50 km·h-1，能耗和CO2排放因子将会增加，与传统燃油车不同速度区间的能耗排放特征具有差异性。也验证了将混合动力汽车纳入传统燃油车型量化交通路网能耗和CO2排放会产生较大误差。当平均行驶速度小于30 km·h-1，在低速区间时，将混合动力汽车纳入传统燃油车型测算会高估能耗和排放水平，同时，当平均行驶速度大于60 km·h-1，在高速区间时会低估能耗排放水平。

5 结论

(1)本文在传统燃油车型交通能耗排放模型基础上提出混合动力汽车能耗和CO2排放模型。以混合动力汽车在FTP工况下的油耗测试数据为例，验证了所建模型油耗因子和CO2排放因子测算的准确性。在城市行驶工况UDDS 和高速行驶工况HWY 中，模型测算混合动力汽车能耗和排放因子与真实值的相对误差分别为3.7%和-1.7%，该模型相比原有传统燃油车模型测算平均相对误差降低了5.6%和4.3%。

(2)通过北京市实际道路中混合动力汽车行驶轨迹数据建立VSP分布，应用模型量化了混合动力汽车行驶不同速度区间的能耗排放因子，并体现了不同道路交通状态下的能耗排放变化特征。研究表明将混合动力汽车纳入传统燃油车型量化交通路网能耗和CO2排放会产生较大误差，混合动力汽车能采用传统燃油车原有的模型进行能耗排放测算，能耗排放水平在平均行驶速度低于30 km·h-1的速度区间时会被显著高估，在超过60 km·h-1的速度行驶区间时被明显低估。

(3)该模型引入混合动力汽车转速数据，刻画了车辆在实际交通状态下的ICE功率分配，增强了基于VSP 理论的交通能耗排放模型针对混合动力汽车测算的功能性和准确性，避免能耗和CO2排放因子用于混合动力汽车时带来路网能耗排放测算的复杂性和不确定性。