基于遠程監控數據修正的重型車隊碳排放水平研究

摘 要：重型車隊碳排放水平精準評估對于交通領域“雙碳”目標的實現具有重要意義。然而，由于遠程監控數據存在數據質量問題，嚴重影響了基于遠程監控數據的車輛碳排放核算精度。為此，本文開展了基于遠程監控數據修正的重型車隊碳排放水平研究。定義了遠程監控數據異常問題，并構建了一種遠程監控數據異常修正模型，對數據異常問題進行修正與優化。基于此，提出了一種重型車隊排放水平評估方法，引入碳排放強度，考慮車隊內結構因素，實現了重型車隊碳排放水平綜合評估。

關鍵詞：重型車 碳排放 數據異常修正

在全球范圍內，節能減排已成為應對氣候變化的核心任務之一[1]，尤其是在汽車行業，電動化轉型已成為應對環境壓力和能源挑戰的必然選擇。近年來，我國汽車行業電動化發展迅速，推動了能源消費結構的轉型[2]。然而，重型車輛，尤其是重型貨運車隊，仍然以燃油車為主，這一特性導致重型車在全球范圍內，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舉足輕重的地位，承載著重要的經濟功能，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，對環境造成了嚴峻壓力，成為影響國家達成“雙碳”戰略的關鍵因素之一。因此，針對重型車隊開展碳排放水平的精準評估，為重型車節能減排提供指導依據，已成為推動減排政策落地、實現綠色交通的重要舉措[4]。

在此背景下，如何科學準確地評估重型車隊的碳排放水平，成為當前研究的熱點問題之一。隨著信息技術的進步和智能化應用的普及，遠程監控系統逐漸成為監測重型車輛油耗與排放的重要工具[5]。通過車輛的遠程監控系統，能夠實時獲取各類車輛運行數據，如燃油消耗量、發動機工況、行駛里程、道路狀況等，為碳排放評估提供了堅實的基礎。許多物流公司和車隊管理者已經通過遠程監控系統實時追蹤車輛的運行狀態，并利用這些數據進行油耗和排放監控。然而，盡管這類系統提供了大量的監測數據，但由于數據采集的多樣性和復雜性，遠程監控數據仍然存在著諸如數據缺失、誤差、異常波動等質量問題，這直接影響了基于監控數據進行碳排放水平核算的準確性，進而導致碳排放評估結果的偏差。這些數據質量問題不僅影響了政府和企業對于重型車隊排放的科學管理，也限制了公眾對車輛排放水平的理解與認知。

針對這一問題，本文提出了一種基于遠程監控數據修正的重型車隊碳排放水平研究方法，旨在通過對遠程監控數據進行修正與優化，提高數據的準確性，從而實現更加精確的碳排放評估。通過對采集到的原始遠程監控數據進行預處理和修正，本文構建了一種新的遠程監控數據異常修正模型，能夠有效降低數據異常的影響，提高碳排放核算的準確性。這一方法不僅能夠提升現有碳排放評估系統的準確性，還能為政府和企業提供更為科學的排放監控依據，支持政策制定和綠色運輸的推進。此外，本文的研究成果對于推動重型車行業的碳排放管理及其在“雙碳”目標下的可持續發展具有重要意義。

1 數據與方法

本文以重型車隊為研究對象，先后提出了一種遠程監控數據異常修正模型和重型車隊碳排放水平核算方法。

1.1 數據概述

本文以1個典型汽車主機廠商和3個物流業用車大戶的重型車隊為研究對象，開展基于遠程監控數據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準》中“國六b”排放規定。通過遠程監控平臺獲取了所有重型車1個月的行駛數據，包含有時間、車速和油耗。數據采樣頻率為1 Hz。最終采集獲得數據總行駛里程超過20萬公里。

1.2 遠程監控數據異常修正模型

重型車遠程監控數據中存在數據異常問題，若要有效應用遠程監控數據，需對數據異常問題進行識別并修正。

本文將異常問題歸為四類，分別是數據丟失、數據離群、數據重復和數據無效等四類問題。其中，數據丟失定義為單條數據丟失或連續多條數據丟失的問題。數據離群定義為連續幾個數據點脫離鄰域區間的問題。數據重復定義為某條數據重復出現，或者多條數據交替出現的問題。數據無效定義為超出有效范圍以及持續恒值的問題。

對異常數據類型進行識別，并將異常數據置空。其中，對于數據丟失，根據時間連續性，識別數據的丟失位置，并按照數據采樣頻率將丟失位置的時間戳補充完整，同時將對應的車速和油耗數據置空。對于數據離群，利用Blackman窗函數的卷積平滑法識別區間外的局部離群值。這里考慮數據特征，設定窗口長度為10，設定標準差預設倍數為13。并將識別出的離群值置空。對于數據重復，根據時間戳節點，找出重復數據，并保留首行，刪除多余重復數據。對于數據無效，根據系列標準HJ1239-2021《重型車排放遠程監控技術規范》中規定的車速和油耗的有效范圍，將超出有效范圍的數據置空。同時將持續恒值的數據置空。這里恒值通過求取斜率來判定。

針對置空數據，利用Akima插值法進行數據補充。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據點，適合于處理具有不規則間隔的數據。相比于傳統的三次樣條插值，Akima插值對于數據點的波動敏感度低，能夠更好地處理具有尖銳轉折的數據。

在補充置空數據后，遠程監控數據已基本修復完善，但仍存在局部區域因插值方法導致其與真實數據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據進行平滑濾波處理。綜上所述，即可實現對遠程監控數據中數據異常問題的識別、補數及平滑。

1.3 碳排放水平評估方法

基于修正后的遠程監控數據，建立重型車隊碳排放水平評估方法。利用標準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換系數，為2600；QFuel為重型車油耗。從而可以將獲得的遠程監控數據全部換算成為時間、車速和碳排放數據，為重型車隊碳排放水平評估奠定基礎。

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為車隊內單車的碳排放水平；wi為該車出行時間占車隊內所有車輛總出行時間的權重；Lsum為單車的總行駛里程。

2 結果與討論

從遠程監控數據異常修正結果和重型車隊碳排放水平分析這兩個方面開展本文的結果與討論。

2.1 遠程監控數據異常修正結果及驗證

為了驗證遠程監控數據異常修正模型，以隨機窗口長度、隨機縮放比例及刪減方式對準確的車速和油耗數據進行異常處理，使得準確數據中隨機存在數據丟失、數據離群、數據重復和數據無效等異常成分，并利用遠程監控數據異常修正模型對異常處理后的數據進行修正工作。在此基礎上利用ICC組內相關系數計算方法檢驗修正后數據與準確數據之間的一致性，計算得到修正后數據與準確數據之間的ICC組內相關系數均超過0.98，進一步表明修正后數據與準確數據之間具有極高的一致性，本文所構建的遠程監控數據異常修正模型具有良好的異常數據修正效果。

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差別最大，中位數達到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，與中位數差別較大，達到了705g/km。

如圖2所示，給出了3個物流業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碳排放水平優于大戶A和大戶B。大戶B應對部分該碳排放車輛采集相應措施，大戶A應對整個車隊碳排放進行控制。

3 結論

本文開展了基于遠程監控數據修正的重型車隊碳排放水平研究。定義了遠程監控數據異常問題，并構建了一種遠程監控數據異常修正模型，對數據異常問題進行修正，利用ICC組內相關系數計算得到修正后數據與準確數據之間的相關系數超過0.98。基于此，提出了一種重型車隊碳排放水平評估方法，考慮車隊內結構因素，實現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.