CN106600027A - 城市交通碳排放量测算系统和测算方法 - Google Patents
城市交通碳排放量测算系统和测算方法 Download PDFInfo
- Publication number
- CN106600027A CN106600027A CN201610926722.9A CN201610926722A CN106600027A CN 106600027 A CN106600027 A CN 106600027A CN 201610926722 A CN201610926722 A CN 201610926722A CN 106600027 A CN106600027 A CN 106600027A
- Authority
- CN
- China
- Prior art keywords
- traffic
- fuel
- energy consumption
- carbon emission
- energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 88
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 238000004364 calculation method Methods 0.000 title claims abstract description 11
- 238000005259 measurement Methods 0.000 title abstract 6
- 238000000691 measurement method Methods 0.000 title abstract 2
- 238000005265 energy consumption Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000000694 effects Effects 0.000 claims abstract description 61
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 11
- 231100000719 pollutant Toxicity 0.000 claims abstract description 11
- 239000000446 fuel Substances 0.000 claims description 139
- 239000003245 coal Substances 0.000 claims description 28
- 238000007599 discharging Methods 0.000 claims description 28
- 230000012010 growth Effects 0.000 claims description 20
- 239000002283 diesel fuel Substances 0.000 claims description 17
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 16
- 239000000809 air pollutant Substances 0.000 claims description 13
- 231100001243 air pollutant Toxicity 0.000 claims description 13
- 239000003502 gasoline Substances 0.000 claims description 11
- 239000003345 natural gas Substances 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 230000032258 transport Effects 0.000 description 30
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 6
- 238000004134 energy conservation Methods 0.000 description 6
- 238000011002 quantification Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000033772 system development Effects 0.000 description 2
- -1 vapour Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 101100460147 Sarcophaga bullata NEMS gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- SCJNCDSAIRBRIA-DOFZRALJSA-N arachidonyl-2'-chloroethylamide Chemical compound CCCCC\C=C/C\C=C/C\C=C/C\C=C/CCCC(=O)NCCCl SCJNCDSAIRBRIA-DOFZRALJSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种城市交通碳排放量测算系统和测算方法,驱动因子生成模块根据各类交通减排政策提取并生成驱动因子,碳排放量测算模块根据驱动因子计算能源消费量,再根据能源消费量计算城市交通碳排放量和大气污染物排放量,减排结果评估模块根据城市交通碳排放量和大气污染物排放量,评估各类交通减排政策的减排效果。本发明在充分解析交通减排政策的基础上,结合LEAP模型,建立城市交通碳排放量测算系统,将传统模型较为零散的输出数据整合为碳排放量这一直观指标,使之更易被决策者直接使用,为政策支持力度与时间跨度的决策制定提供有效评价指标和方法。
Description
技术领域
本发明涉及一种城市交通碳排放量测算系统和测算方法。
背景技术
城市低碳交通政策评估是对不同预设政策下的交通碳排放情况进行分析,并对各项政策的作用效果进行评定。此类政策评估一般需要借助建模等手段,将具体政策描述转化为定量分析参数,并对城市交通能源需求总量和能耗结构进行科学的定量预测,最后通过不同能源对应的碳排放系数得到城市交通碳排放量。因此,低碳交通政策评估的核心部分在于对城市交通的能源需求进行预测。
目前,国际上能源碳排放需求定量预测的主要方法有趋势外推法、类比法和因果分析法。
趋势外推法和类比法均是利用已有统计或调查数据,找到预测对象的变化规律,应用时间序列分析或归纳分析方法推算得出预测值。此类方法的优点是简单易行,缺点是对影响预测对象变化的因素,以及因素间相互作用考虑较少,因而长期预测的可靠性不高。
因果分析法是把影响能源需求的各种因素进行联系分析,找出它们的因果关系,加以模型化来预测能源需求。这类方法按建模方法的不同,又可分为三类:自顶向下模型(Top-Down Model)、自底向上模型(Bottom-Up Model)以及由此发展而来的混合模型(Hybrid Model)。
自顶向下模型以经济学模型为基础,以能源价格、碳交易价格、经济弹性为主要经济指数,集中表现它们与能源消费、能源生产以及碳排放之间的关系,主要适用于宏观经济分析和能源政策规划等方面的研究,其典型代表有:基于一般均衡理论的CGE(ComputableGeneral Equilibrium)模型,宏观计量经济模型、系统动力学模型等。
自底向上模型以底层单位所使用的技术为基础,对技术的微观变化所产生的宏观影响进行详细描述和仿真,并以能源消费、生产方式为主进行供需预测及环境影响分析,其典型代表有瑞典斯德哥尔摩环境研究所(SEI)开发 的LEAP(The Long-range EnergyAlternative Planning System)模型,国际能源署(IEA)开发的MARKAL模型等。
一般而言,自顶向下模型对行为机制与经济分析有较好的解析,而自底向上模型长于技术选择分析,混合模型则是将上述两种模型思想融入到一个模型中,既包括自顶向下的宏观经济模型,又包括自底向上的能源需求与技术选择模型。其典型代表有美国能源部开发的NEMS模型、美国太平洋西北实验室开发的“全球气候变化评估模型”(GCAM)。这类模型功能齐全、研究范围广泛,预测可靠性也比较高,在国内外能源预测中得到了广泛应用。其缺点是预测工作量大,耗费时间长,对预测人员的要求也比较高,需要各个经济部门的密切配合。因此,没有政府综合计划部门支持,一般研究单位很难采用这种预测方法。
在交通运输领域的能源需求预测中,以CGE为代表的自顶向下模型和以LEAP为代表的自底向上模型均有过成功应用。其中,基于一般均衡理论的CGE模型比较适合模拟完善市场体系下的部门变化,而当前我国市场平衡机制不十分完善,在这种情况下利用CGE模型得到的模拟预测结果可能和实际情况相差较大。LEAP系统是典型的“自底向上”的能源-环境模型,常被用于计算能源消费需求和相应的污染排放,LEAP系统具有强大的情景管理系统,其核心即为情景分析方法,可帮助创建各类预设情景用于能源排放的预测分析,但其本身也有一定局限性,以LEAP系统为代表的技术模型在本质上属于部分均衡模型,由于不包含经济模块,所有宏观经济与结构变量都需要外生确定,因而无法反映政策对宏观经济结构的影响,对于经济类政策,由于经济变量的外生性,其政策模拟和评估存在一定困难。
发明内容
本发明提供一种城市交通碳排放量测算系统和测算方法,将传统模型较为零散的输出数据整合为碳排放量这一直观指标,使之更易被决策者直接使用。
为了达到上述目的,本发明提供一种城市交通碳排放量测算系统,包含:
驱动因子生成模块,用于根据各类交通减排政策提取并生成驱动因子;
碳排放量测算模块,用于根据驱动因子计算基于每种燃料类型的交通工具的能源消费量,以及城市交通碳排放量和大气污染物排放量;
减排结果评估模块,用于根据城市交通碳排放量和大气污染物排放量,评估各类交通减排政策的减排效果。
本发明还提供一种城市交通碳排放量测算方法,包含以下步骤:
步骤S1、驱动因子生成模块根据各类交通减排政策提取并生成驱动因子;
步骤S2、碳排放量测算模块根据驱动因子计算能源消费量;
步骤S3、碳排放量测算模块根据能源消费量计算城市交通碳排放量和大气污染物排放量;
步骤S4、减排结果评估模块根据城市交通碳排放量和大气污染物排放量,评估各类交通减排政策的减排效果。
所述的驱动因子包含:宏观经济活动水平因子、交通活动水平因子、能源强度因子、碳排放因子和污染物排放因子;
所述的宏观经济活动水平包含GDP或人均GDP;
所述的交通活动水平因子包含:车型保有量、年均行驶里程、客/货周转量;
所述的能源强度因子包含:单位里程燃料消耗量、单位客/货周转量能耗。
所述的步骤S2中,计算能源消费量的方法包含以下步骤:
步骤S2.1、构建城市交通部门的运行模型;
步骤S2.2、利用能源消费推算方法或能源消费预测方法计算得到城市交通部门的能源消费量。
所述的城市交通部门的运行模型包含城际客运、市内客运和城市货运三个部门;
所述的城际客运部门包含道路子部门,该道路子部门包含的终端为长途客车一种交通工具,长途客车使用的燃料类型包含柴油和混合动力;
所述的市内客运部门包含道路子部门和轨道子部门,所述的道路子部门包含的终端为小客车、社会大客车、出租车、公交车、摩托车五种交通工具,小客车使用的燃料类型包含汽油、柴油和电力,社会大客车使用的燃料类型包含汽油和柴油,出租车使用的燃料类型包含汽油和压缩天然气,公交车使用的燃料类型包含柴油、压缩天然气和电力,摩托车使用的燃料类型包含汽油;所述的轨道子部门包含的终端为轨道交通和新型有轨电车两种交通工具,轨道交通使用的燃料类型包含电力,新型有轨电车使用的燃料类型包含电力;
所述的城市货运部门包含道路子部门,该道路子部门包含的终端为卡车一种交通工具,卡车使用的燃料类型包含柴油和乙醇燃料。
所述的能源消费推算方法包含以下步骤:
步骤A、针对可获得保有量数据的市内客运道路交通工具,采用将分车型分燃料类型的单位里程燃料消耗量乘以该车型保有量与年均行驶里程的方法,集计计算市内客运道路交通工具的能源消费量:
所述的市内客运道路交通工具包含小客车、社会大客车、出租车、公交车、摩托车;
能源消费量计算公式如下:
ECki=VSki*VMTki*FEki (1.1)
式中:
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
VSki为i类型燃料驱动的第k种车型的保有量,辆;
VMTki为i类型燃料驱动的第k种车型的年均行驶里程数,km;
FEki为i类型燃料驱动的第k种车型的单位里程燃料消耗量,L/辆·km、kWh/辆·km或MJ/辆·km;
步骤B、针对不易获得保有量数据的城际客运道路交通工具、市内客运轨道交通工具与城市货运道路交通工具,采用将分车型分燃料类型单位客/货周转量能耗乘以该车型所承担的客/货周转量,集计计算能源消费量;
所述的城际客运道路交通工具、市内客运轨道交通工具与城市货运道路交通工具包含长途客车、轨道交通、新型有轨电车、货运卡车;
城际客运道路交通工具能源消费量计算公式如下:
ECPki=PKMki*EIki (1.2)
式中:
ECPki为i类型燃料驱动的第k种客运交通方式的能源消费量,万吨标准煤当量;
PKMki为i类型燃料驱动的第k种客运交通方式所承担的客运周转量,人公里;
EIki为i类型燃料驱动的第k种客运交通方式的单位周转量能耗,KJ/人公里;
城市货运道路交通工具能源消费量计算公式如下:
ECFki=FTki*EIki (1.3)
式中:
ECFki为i类型燃料驱动的第k种货运交通方式的能源消费量,万吨标准煤当量;
FTki为i类型燃料驱动的第k种货运交通方式所承担的货运周转量,吨公里;
EIki为i类型燃料驱动的第k种货运交通方式的单位周转量能耗,Kj/吨公里或L/吨公里;
步骤C、叠加计算市内客运道路交通工具、城际客运道路交通工具和城市货运道路交通工具的总能源消费量,获得城市交通部门的能源消费量:
EC=∑ECki+∑ECPki+∑ECFki (1.4)
式中:
EC为城市交通部门的能源消费量,万吨标准煤当量;
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
ECPki为i类型燃料驱动的第k种客运交通方式的能源消费量,万吨标准煤当量;
ECFki为i类型燃料驱动的第k种货运交通方式的能源消费量,万吨标准煤当量。
所述的能源消费预测方法包含:针对与宏观经济相关性较大的城际客运道路交通工具与城市货运道路交通工具,采用自上而下预测法;针对缺少宏观统计数据的市内客运道路交通工具,采用自下而上预测法;
所述的自上而下能源消费预测方法包含以下步骤:
步骤A、采用增长率法或弹性系数法预测部门交通活动水平;
对于城际客运道路交通工具来说,部门交通活动水平SAL等同于客运周转量PKM,对于城市货运道路交通工具来说,部门交通活动水平SAL等同于货运周转量FT;
所述的增长率法为:
SALti=SAL0i*(1+GRi)t-1 (1.5)
式中:
SALti表示预测年t年i部门的交通活动水平;
SAL0i表示基准年i部门的交通整体活动水平;
GRi表示i部门交通活动水平年均增长率;
所述的弹性系数法为:
SALti=SAL0i*(MEt/ME0)e (1.6)
式中:
MEt表示预测年的宏观经济活动水平(如GDP或人均GDP);
ME0表示基准年的宏观经济活动水平(如GDP或人均GDP);
e表示弹性系数;
步骤B、根据部门交通活动水平预测能源消费量:
Dti=SALti*EIti (1.7)
式中:
Dti表示预测年t年i部门的终端能源需求量;
SALti表示预测年t年i部门的交通整体活动水平;
EIti表示预测年t年i部门的单位活动水平能源消费量;
Dt=∑iDti (1.8)
式中:
Dt表示预测年t年交通整体终端能源需求量;
Dti表示预测年t年i部门的终端能源需求量;
所述的自下而上能源消费预测方法包含以下步骤:
Dt=∑(SALdevice.tk*Rdevice.tki*EItki) (1.9)
式中:
SALdevice.tki表示预测年t年第k种交通方式的终端使用活动水平,辆·km;
Rdevice.tki表示预测年t年i类型燃料驱动的第k种交通方式在终端中所占比例,%;
EItki表示预测年t年i类型燃料驱动的第k种交通方式的单位活动水平能源消费量;
以上三项参数均可根据交通发展规划或节能减排政策的公开数据整理获 得。
所述的步骤S3中,所述的计算城市交通碳排放量的方法包含:
各类交通工具的碳排放量统一按照如下公式计算:
EMki=ECki*EFi (1.10)
式中:
EMki为i类燃料驱动的第k种车型的CO2排放量,吨;
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
EFi为i类型燃料的CO2排放因子。
所述的步骤S3中,所述的计算大气污染物排放量的方法包含:
大气污染物的计算公式如下:
Ej=∑(ECki*EFkij) (1.11)
式中:
Ej为j类大气污染物的排放量,吨;
ECki为i类燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
EFkij为i类燃料驱动的第k种车型的j种污染物的排放因子,Kg/Tj或Kg/t。
本发明在充分解析交通减排政策的基础上,结合LEAP模型,建立城市交通碳排放量测算系统,将传统模型较为零散的输出数据整合为碳排放量这一直观指标,使之更易被决策者直接使用,对政府制定的私人小汽车控制政策、新能源汽车补贴、燃油经济性政策,供需协调以及行业监督等各类低碳交通系统发展支持政策进行科学评估,为政策支持力度与时间跨度的决策制定提供有效评价指标和方法。
附图说明
图1是本发明的城市交通碳排放量测算系统的结构框图。
图2是交通部门与技术划分结构图。
图3是2010-2030年上海城市交通部门不同情景下能源消费趋势。
图4是2010-2030年上海城市交通部门不同情景下碳排放趋势。
具体实施方式
以下根据图1~图4,具体说明本发明的较佳实施例。
如图1所示,本发明提供一种城市交通碳排放量测算系统,包含:
驱动因子生成模块1,用于根据各类交通减排政策提取并生成驱动因子;
碳排放量测算模块2,用于根据驱动因子计算基于每种燃料类型的交通工具的能源消费量,以及城市交通碳排放量和大气污染物排放量;
减排结果评估模块3,用于根据城市交通碳排放量和大气污染物排放量,评估各类交通减排政策的减排效果。
在本实施例中,所述的驱动因子生成模块1采用系统动力学模型,所述的碳排放量测算模块2采用LEAP模型。
本发明提供一种城市交通碳排放量测算方法,具体包含以下步骤:
步骤S1、驱动因子生成模块根据各类交通减排政策提取并生成驱动因子;
所述的驱动因子包含:宏观经济活动水平因子、交通活动水平因子、能源强度因子、碳排放因子和污染物排放因子;
所述的宏观经济活动水平包含GDP或人均GDP;
所述的交通活动水平因子包含:车型保有量、年均行驶里程、客(货)周转量;
所述的能源强度因子包含:单位里程燃料消耗量、单位客(货)周转量能耗;
步骤S2、碳排放量测算模块根据驱动因子计算能源消费量;
步骤S3、碳排放量测算模块根据能源消费量计算城市交通碳排放量和大气污染物排放量;
步骤S4、减排结果评估模块根据城市交通碳排放量和大气污染物排放量,评估各类交通减排政策的减排效果。
所述的步骤S2中,计算能源消费量的方法包含以下步骤:
步骤S2.1、构建城市交通部门的运行模型;
步骤S2.2、利用能源消费推算方法或能源消费预测方法计算得到城市交通部门的能源消费量。
如图2所示,所述的城市交通部门的运行模型包含城际客运、市内客运和城市货运三个部门;
所述的城际客运部门包含道路子部门,该道路子部门包含的终端为长途客车一种交通工具,长途客车使用的燃料类型包含柴油和混合动力;
所述的市内客运部门包含道路子部门和轨道子部门,所述的道路子部门包含的终端为小客车(私人轿车和单位轿车)、社会大客车、出租车、公交车、摩托车五种交通工具,小客车使用的燃料类型包含汽油、柴油和电力,社会大客车使用的燃料类型包含汽油和柴油,出租车使用的燃料类型包含汽油和压缩天然气(CNG,compressed natural gas),公交车使用的燃料类型包含柴油、压缩天然气和电力,摩托车使用的燃料类型包含汽油;所述的轨道子部门包含的终端为轨道交通和新型有轨电车两种交通工具,轨道交通使用的燃料类型包含电力,新型有轨电车使用的燃料类型包含电力;
所述的城市货运部门包含道路子部门,该道路子部门包含的终端为卡车一种交通工具,卡车使用的燃料类型包含柴油和乙醇燃料。
所述的能源消费推算方法包含以下步骤:
步骤A、针对可获得保有量数据的市内客运道路交通工具,采用将分车型分燃料类型的单位里程燃料消耗量乘以该车型保有量与年均行驶里程的方法,集计计算市内客运道路交通工具的能源消费量:
所述的市内客运道路交通工具包含小客车、社会大客车、出租车、公交车、摩托车;
能源消费量计算公式如下:
ECki=VSki*VMTki*FEki (1.1)
式中:
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
VSki为i类型燃料驱动的第k种车型的保有量,辆;
VMTki为i类型燃料驱动的第k种车型的年均行驶里程数,km;
FEki为i类型燃料驱动的第k种车型的单位里程燃料消耗量,L/辆·km、kWh/辆·km或MJ/辆·km;
基于保有量推算的方法一方面可以充分利用现有数据,采用自下而上的推算方法可取得比自上而下方法更小的误差,另一方面也为之后机动车保有量控制性政策的仿真提供可供调整的关键参量;
步骤B、针对不易获得保有量数据的城际客运道路交通工具、市内客运轨道交通工具与城市货运道路交通工具,采用将分车型分燃料类型单位客(货)周转量能耗乘以该车型所承担的客(货)周转量,集计计算能源消费量;
所述的城际客运道路交通工具、市内客运轨道交通工具与城市货运道路交通工具包含长途客车、轨道交通、新型有轨电车、货运卡车;
城际客运道路交通工具能源消费量计算公式如下:
ECPki=PKMki*EIki (1.2)
式中:
ECPki为i类型燃料驱动的第k种客运交通方式的能源消费量,万吨标准煤当量;
PKMki为i类型燃料驱动的第k种客运交通方式所承担的客运周转量,人公里;
EIki为i类型燃料驱动的第k种客运交通方式的单位周转量能耗,KJ/人公里。
城市货运道路交通工具能源消费量计算公式如下:
ECFki=FTki*EIki (1.3)
式中:
ECFki为i类型燃料驱动的第k种货运交通方式的能源消费量,万吨标准煤当量;
FTki为i类型燃料驱动的第k种货运交通方式所承担的货运周转量,吨公里;
EIki为i类型燃料驱动的第k种货运交通方式的单位周转量能耗,Kj/吨公里或L/吨公里。
基于预测的子部门客(货)运周转量直接计算交通子部门能耗,是一种典型的自上而下的推算方法,对与宏观经济相关性较大的城际客运交通和市内货运交通可以较好预测出其能耗增长趋势,同时,由于上述专业运输部门已建有完善的运营指标统计制度,因此周转量等关键参数的精度可得到保障;
步骤C、叠加计算市内客运道路交通工具、城际客运道路交通工具和城市货运道路交通工具的总能源消费量,获得城市交通部门的能源消费量:
EC=∑ECki+∑ECPki+∑ECFki (1.4)
式中:
EC为城市交通部门的能源消费量,万吨标准煤当量;
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
ECPki为i类型燃料驱动的第k种客运交通方式的能源消费量,万吨标准煤当量;
ECFki为i类型燃料驱动的第k种货运交通方式的能源消费量,万吨标准煤当量。
所述的能源消费预测方法包含:
针对与宏观经济相关性较大的城际客运道路交通工具与城市货运道路交通工具,采用自上而下预测法;
针对缺少宏观统计数据的市内客运道路交通工具,采用自下而上预测法。
所述的自上而下能源消费预测方法包含以下步骤:
步骤A、采用增长率法或弹性系数法预测部门交通活动水平;
对于城际客运道路交通工具来说,部门交通活动水平SAL等同于客运周转量(PKM),对于城市货运道路交通工具来说,部门交通活动水平SAL等同于货运周转量(FT);
所述的增长率法为:
SALti=SAL0i*(1+GRi)t-1 (1.5)
式中:
SALti表示预测年t年i部门的交通活动水平;
SAL0i表示基准年i部门的交通整体活动水平;
GRi表示i部门交通活动水平年均增长率;
所述的弹性系数法为:
SALti=SAL0i*(MEt/ME0)e (1.6)
式中:
MEt表示预测年的宏观经济活动水平(如GDP或人均GDP);
ME0表示基准年的宏观经济活动水平(如GDP或人均GDP);
e表示弹性系数;
步骤B、根据部门交通活动水平预测能源消费量:
Dti=SALti*EIti (1.7)
式中:
Dti表示预测年t年i部门的终端能源需求量;
SALti表示预测年t年i部门的交通整体活动水平;
EIti表示预测年t年i部门的单位活动水平能源消费量;
Dt=ΣiDti (1.8)
式中:
Dt表示预测年t年交通整体终端能源需求量;
Dti表示预测年t年i部门的终端能源需求量。
所述的自下而上能源消费预测方法包含以下步骤:
Dt=Σ(SALdevice.tk*Rdevice.tki*EItki) (1.9)
式中:
SALdevice.tki表示预测年t年第k种交通方式的终端使用活动水平,辆·km;
Rdevice.tki表示预测年t年i类型燃料驱动的第k种交通方式在终端中所占比例,%;
EItki表示预测年t年i类型燃料驱动的第k种交通方式的单位活动水平能源消费量;
以上三项参数均可根据交通发展规划或节能减排政策的公开数据整理获得。
所述的步骤S3中,由于交通部门的二氧化碳排放量只取决于车辆的效率(燃油经济性)和所使用的燃料类型,因此,交通碳排放量测算主要基于每种燃料类型的交通工具能源消费量以及该燃料相应的碳排放因子(即每单位能源消耗产生的碳排放),因此本发明中各类交通方式的碳排放量可以按照统一公式计算;
所述的计算城市交通碳排放量的方法包含:
各类交通工具的碳排放量统一按照如下公式计算:
EMki=ECki*EFi (1.10)
式中:
EMki为i类燃料驱动的第k种车型的CO2排放量,吨;
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
EFi为i类型燃料的CO2排放因子,其值选自《IPCC清单编制指南》以及2007年我国首次发布的中国温室气体清单研究成果。
所述的步骤S3中,交通产生的其它大气污染物主要取决于车辆使用的控制技术类型,这往往也体现了政府的监管程度,由于削减这些污染物排放的关键在于车辆所使用的催化转化器和其他控制技术的性能,因此这些污染物的单位能耗排放因子不仅与燃料类型相关,还与交通工具的技术类型相关(如轨道交通不直接产生NOX等大气污染物);
所述的计算大气污染物排放量的方法包含:
大气污染物的计算公式如下:
Ej=∑(ECki*EFkij) (1.11)
式中:
Ej为j类大气污染物的排放量,吨;
ECki为i类燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
EFkij为i类燃料驱动的第k种车型的j种污染物的排放因子,Kg/Tj或Kg/t。
具体实施例:在综合减排情景中,假设有一系列旨在减少城市交通部门能源需求和碳排放的政策措施将被实施。这些措施中既有近年来已经落实的政策,也包括在政府规划中计划实施的政策,以及那些在其它城市获得成功应用并有可能在未来被采用的措施。每种政策的详细情况以及参数设置描述如下:
1、需求管理类政策情景
研究表明有许多因素会影响人们对机动车的购买意愿和使用强度。其中,居民收入情况、机动车的购买价格和使用费用是直接影响因素;而公交等替代交通方式的可达性、票费、服务水平,交通基础设施的建设水平等都是具有重要影响的间接因素。需求管理类政策通常通过经济性措施限制私人小汽车的拥有和使用,同时加大对公共交通,特别是大运量快速轨道交通的投资,从而引导居民机动化出行从个体交通向公共交通转移。在需求管理类政策情景中,设定两个政策子情景:机动车控制情景、公交优先情景。
(1)机动车控制情景
机动车是我国城市温室气体排放的重要贡献源,控制机动车总量的增长,引导机动车的合理使用,已成为治理城市交通堵塞,缓解城市环境污染的有 效举措。作为落实机动车控制政策的成功案例,新加坡和香港在居民收入水平快速提高的背景下成功抑制了机动车的增长速度,显示出机动车控制政策在交通节能减排方面的巨大潜力。上海早在1994年就对私家车牌照实行拍卖制度,即通过高额的机动车注册费用限制私人汽车的购买。这项政策在过去的二十年里成功抑制了上海私人小汽车的增长速度,为城市交通基础设施以及公共交通的发展赢得了宝贵的时间。
在这一政策情景中,参考《上海交通发展白皮书》中的相关规划,假设政府将继续采用经济刺激手段限制私人机动车的购买;同时建立统一的停车收费机制,最大限度地优化配置停车资源;并适时实行道路拥挤收费政策,对机动车的使用进行限制和引导。模型中对机动车控制情景的参数设置如下表:
机动车控制情景定量化与参数设置
(2)公交优先情景
为保证居民日益增长的交通出行需求,在限制小汽车拥有和使用的同时,必须大力发展公共交通,由集约化、大运量的公共交通填补小汽车的使用空间,最终使公共交通成为城市出行的主干方式。
在这一政策情景中,参考《上海市城市公共交通“十二五”规划》等政府规划的相关内容,假设上海市到2030年将要落实的公交优先政策及措施包括:建设公交专用道,优化公交线网,增加社区接驳公交、提高地面公交服 务水平;保障轨道交通的规划与建设,提高轨道交通客运量在公交客运量的比重,发展以新型有轨电车为代表的中运量公共交通方式等。模型中对公交优先情景的参数设置如下表:
公交优先情景定量化与参数设置
2、节能类政策情景
节能类政策即基于传统交通用能结构,鼓励交通运输工具在节能技术和节能驾驶行为方面的改进,提高能源利用效率。与其他国家相比,我国交通运输行业的能源利用效率偏低,机动车百公里平均油耗比欧洲高25%,比日本高20%,比美国高10%,能效的差距主要受技术、人员技能、能源价格和运输组织化程度等因素的影响。因此上海城市交通部门尚存在较大的技术节能空间。
制定燃油经济性标准,倡导节能驾驶是节能类政策的两个重点。燃油经济性政策主要包括:制定机动车能耗与排放限值标准;推进改性燃料的使用;推广机动车尾气检测维护(I/M)制度;强制淘汰高耗低效的运输工具。节能驾驶政策主要包括:改善交通拥堵,提高机动车道路行程车速;提高轨道和 公交的运能效率;采用电调等手段完善出租车营运模式,降低空驶比率。
(1)燃料经济性情景
燃料经济性标准被认为是改进机动车燃料利用效率的有效手段,主要措施是强制或鼓励汽车生产商制造更高效节能的汽车。目前世界上已有多个国家颁布了燃料经济性标准,如美国的“企业平均燃油经济性标准”(Corporate Average Fuel Economy,CAFE)要求2025年生产的车型其燃料经济性要达到49.6mpg(百公里4.7升),二氧化碳排放不得超过每公里101.9克。日本政府则针对不同重量级别的车型设定了燃油经济性目标,规定在2020年之前将小汽车燃油经济性标准在现有水平上提升24.1%至47.75mpg(百公里4.88升)。欧洲汽车制造商联合会(ACEA)同欧洲委员会一起制定了一项自愿协议,其目的是减少轻型客车(包括轿车)的CO2排放。
我国已于2004年和2006年分别颁布实施了《乘用车燃料消耗量限值》以及《轻型商用车燃料消耗量限值》两个国家标准,预期未来将会有更新的强化限值标准推出,届时新生产机动车的燃料经济性将得到大幅提高。但同时,由于高油耗的SUV车型在小客车中比重的增加,因此会对小客车整体燃料经济性带来一定负面影响。在这一政策情景中,假设上海市未来将对使用汽、柴油的传统动力(ICE)机动车引入更严格的燃料经济性标准,具体的标准要求如下表所示。
燃料经济性情景定量化与参数设置
(2)节能驾驶情景
根据《2009年上海市综合交通年度报告》的统计,以2008年延安路高架道路(中山西路—河南路)早高峰时段交通特征为例,参考上海大众桑塔纳轿车的行车试验结果,若道路行程车速提高10公里,便可实现节能30%左右。可见,通过提高车辆运输效率、强化车辆通行管理、提高驾驶员节能驾驶水平,能够使城市道路交通取得较好的交通节能减排效果。在公共交通方面,节能驾驶还包括提高轨道和地面公交的客位利用率,运用电话调度降低出租车空驶比率,减少运营能耗等。
在这一政策情景中,参考《上海市城市公共交通“十二五”规划》、《上海交通能耗现状及发展前景》等文献,对情景的参数进行了如下表设置。
节能驾驶情景定量化与参数设置
3、新能源政策情景
新能源政策通过鼓励推广混合动力、纯电动、氢燃料电池等新能源车辆技术的应用,配合加气、充电等配套基础设施的规划与建设,可以从整体上改变道路交通工具的用能结构,从而提高能效、降低排放。
交通工具的能源升级替代无疑具有很大的节能潜力,但新能源汽车技术在一定时期内可能无法取得技术的重大突破,同时还面临着经济性差的问题。国外研究表明,一项新技术2000年研究和开发,到2050年的市场渗透才能达到50%,新车销售才能达到75%。因而新能源汽车实现商业化和一定的市场普及率还需要一段相当长的时间。
上海政府已经针对新能源汽车的研发、购置与使用等环节出台了多项补贴政策,以期利用政策激励措施提高新能源汽车的市场占有率。本研究将参考现有的补贴政策,并充分考虑新能源交通技术的成熟度以及全面推广所需 要的社会成本,预测合理情景下未来年新能源汽车的市场普及率及其相应减排潜力。情景参数的设置如下表所示。
新能源汽车推广情景定量化与参数设置
以上海城市交通为例,根据本发明得到预测年上海市城市交通在基准情景和综合减排情景下的能源消费与碳排放。
基准情景是在既定政策有效调控下的仿真情景,是对上海城市交通低碳发展的一种谨慎乐观的描述。在此情景下,上海市城市交通部门能源消费量在2030年将会达到1278.6万吨标准煤,约为2009年的2.1倍,年均增速为2.5%。而综合减排情景通过落实各种减排政策与措施,有效抑制了上海市交通能源的增长速度。在此情景下,交通能源消费量从2009年的596.5万吨标准煤持续增长到2021年,达到峰值768万吨,其后缓慢回落,2030年为735.2万吨标准煤。综合减排情景的能耗年均增速仅为0.68%,比基准情景节能42.5%。
在能源消费种类方面,基准情景下汽、柴油等传统化石燃料占据总燃料消费量的97.6%。而综合减排情景中,随着新能源汽车以及CNG、乙醇燃料等替代燃料的推广,电力、天然气和醇类燃料成为交通能源中的一部分,到2030年电力以及其它替代燃料约占总燃料消费量的16.7%,传统化石燃料所占比重大幅下降。
在基准情景下,如图4所示,上海市城市交通部门的二氧化碳排放量将从2009年的1268.6万吨当量二氧化碳持续增长到2030年的2756.7万吨当量二氧化碳,年均增速与能耗增速相同,为2.5%。由于能源消费量与碳排放的近似线性相关性,在综合减排情景下,上海交通碳排放的增长趋势同样得到了抑制。在各类节能减排政策的调控下,2030年上海交通碳排放总量为1672.8万吨当量二氧化碳,仅增长到2009年水平的1.3倍,可见低碳交通政策对降低交通碳排放有很大的潜力。
本发明在充分解析交通减排政策的基础上,结合LEAP模型,建立城市交通碳排放量测算系统,将传统模型较为零散的输出数据整合为碳排放量这一直观指标,使之更易被决策者直接使用,对政府制定的私人小汽车控制政策、新能源汽车补贴、燃油经济性政策,供需协调以及行业监督等各类低碳交通系统发展支持政策进行科学评估,为政策支持力度与时间跨度的决策制定提供有效评价指标和方法。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种城市交通碳排放量测算系统,其特征在于,包含:
驱动因子生成模块,用于根据各类交通减排政策提取并生成驱动因子;
碳排放量测算模块,用于根据驱动因子计算基于每种燃料类型的交通工具的能源消费量,以及城市交通碳排放量和大气污染物排放量;
减排结果评估模块,用于根据城市交通碳排放量和大气污染物排放量,评估各类交通减排政策的减排效果。
2.一种城市交通碳排放量测算方法,其特征在于,包含以下步骤:
步骤S1、驱动因子生成模块根据各类交通减排政策提取并生成驱动因子;
步骤S2、碳排放量测算模块根据驱动因子计算能源消费量;
步骤S3、碳排放量测算模块根据能源消费量计算城市交通碳排放量和大气污染物排放量。
3.如权利要求2所述的城市交通碳排放量测算方法,其特征在于,所述的驱动因子包含:宏观经济活动水平因子、交通活动水平因子、能源强度因子、碳排放因子和污染物排放因子;
所述的宏观经济活动水平包含GDP或人均GDP;
所述的交通活动水平因子包含:车型保有量、年均行驶里程、客/货周转量;
所述的能源强度因子包含:单位里程燃料消耗量、单位客/货周转量能耗。
4.如权利要求3所述的城市交通碳排放量测算方法,其特征在于,所述的步骤S2中,计算能源消费量的方法包含以下步骤:
步骤S2.1、构建城市交通部门的运行模型;
步骤S2.2、利用能源消费推算方法或能源消费预测方法计算得到城市交通部门的能源消费量。
5.如权利要求4所述的城市交通碳排放量测算方法,其特征在于,所述的城市交通部门的运行模型包含城际客运、市内客运和城市货运三个部门;
所述的城际客运部门包含道路子部门,该道路子部门包含的终端为长途客车一种交通工具,长途客车使用的燃料类型包含柴油和混合动力;
所述的市内客运部门包含道路子部门和轨道子部门,所述的道路子部门包含的终端为小客车、社会大客车、出租车、公交车、摩托车五种交通工具,小客车使用的燃料类型包含汽油、柴油和电力,社会大客车使用的燃料类型包含汽油和柴油,出租车使用的燃料类型包含汽油和压缩天然气,公交车使用的燃料类型包含柴油、压缩天然气和电力,摩托车使用的燃料类型包含汽油;所述的轨道子部门包含的终端为轨道交通和新型有轨电车两种交通工具,轨道交通使用的燃料类型包含电力,新型有轨电车使用的燃料类型包含电力;
所述的城市货运部门包含道路子部门,该道路子部门包含的终端为卡车一种交通工具,卡车使用的燃料类型包含柴油和乙醇燃料。
6.如权利要求5所述的城市交通碳排放量测算方法,其特征在于,所述的能源消费推算方法包含以下步骤:
步骤A、针对可获得保有量数据的市内客运道路交通工具,采用将分车型分燃料类型的单位里程燃料消耗量乘以该车型保有量与年均行驶里程的方法,集计计算市内客运道路交通工具的能源消费量:
所述的市内客运道路交通工具包含小客车、社会大客车、出租车、公交车、摩托车;
能源消费量计算公式如下:
ECki=VSki*VMTki*FEki (1.1)
式中:
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
VSki为i类型燃料驱动的第k种车型的保有量,辆;
VMTki为i类型燃料驱动的第k种车型的年均行驶里程数,km;
FEki为i类型燃料驱动的第k种车型的单位里程燃料消耗量,L/辆·km、kWh/辆·km或MJ/辆·km;
步骤B、针对不易获得保有量数据的城际客运道路交通工具、市内客运轨道交通工具与城市货运道路交通工具,采用将分车型分燃料类型单位客/货周转量能耗乘以该车型所承担的客/货周转量,集计计算能源消费量;
所述的城际客运道路交通工具、市内客运轨道交通工具与城市货运道路交通工具包含长途客车、轨道交通、新型有轨电车、货运卡车;
城际客运道路交通工具能源消费量计算公式如下:
ECPki=PKMki*EIki (1.2)
式中:
ECPki为i类型燃料驱动的第k种客运交通方式的能源消费量,万吨标准煤当量;
PKMki为i类型燃料驱动的第k种客运交通方式所承担的客运周转量,人公里;
EIki为i类型燃料驱动的第k种客运交通方式的单位周转量能耗,KJ/人公里;
城市货运道路交通工具能源消费量计算公式如下:
ECFki=FTki*EIki (1.3)
式中:
ECFki为i类型燃料驱动的第k种货运交通方式的能源消费量,万吨标准煤当量;
FTki为i类型燃料驱动的第k种货运交通方式所承担的货运周转量,吨公里;
EIki为i类型燃料驱动的第k种货运交通方式的单位周转量能耗,Kj/吨公里或L/吨公里;
步骤C、叠加计算市内客运道路交通工具、城际客运道路交通工具和城市货运道路交通工具的总能源消费量,获得城市交通部门的能源消费量:
EC=∑ECki+∑ECPki+∑ECFki (1.4)
式中:
EC为城市交通部门的能源消费量,万吨标准煤当量;
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
ECPki为i类型燃料驱动的第k种客运交通方式的能源消费量,万吨标准煤当量;
ECFki为i类型燃料驱动的第k种货运交通方式的能源消费量,万吨标准煤当量。
7.如权利要求5所述的城市交通碳排放量测算方法,其特征在于,所述的能源消费预测方法包含:针对与宏观经济相关性较大的城际客运道路交通工具与城市货运道路交通工具,采用自上而下预测法;针对缺少宏观统计数据的市内客运道路交通工具,采用自下而上预测法;
所述的自上而下能源消费预测方法包含以下步骤:
步骤A、采用增长率法或弹性系数法预测部门交通活动水平;
对于城际客运道路交通工具来说,部门交通活动水平SAL等同于客运周转量PKM,对于城市货运道路交通工具来说,部门交通活动水平SAL等同于货运周转量FT;
所述的增长率法为:
SALti=SAL0i*(1+GRi)t-1 (1.5)
式中:
SALti表示预测年t年i部门的交通活动水平;
SAL0i表示基准年i部门的交通整体活动水平;
GRi表示i部门交通活动水平年均增长率;
所述的弹性系数法为:
SALti=SAL0i*(MEt/ME0)e (1.6)
式中:
MEt表示预测年的宏观经济活动水平(如GDP或人均GDP);
ME0表示基准年的宏观经济活动水平(如GDP或人均GDP);
e表示弹性系数;
步骤B、根据部门交通活动水平预测能源消费量:
Dti=SALti*EIti (1.7)
式中:
Dti表示预测年t年i部门的终端能源需求量;
SALti表示预测年t年i部门的交通整体活动水平;
EIti表示预测年t年i部门的单位活动水平能源消费量;
Dt=∑iDti (1.8)
式中:
Dt表示预测年t年交通整体终端能源需求量;
Dti表示预测年t年i部门的终端能源需求量;
所述的自下而上能源消费预测方法包含以下步骤:
Dt=∑(SALdevice.tk*Rdevice.tki*EItki) (1.9)
式中:
SALdevice.tki表示预测年t年第k种交通方式的终端使用活动水平,辆·km;
Rdevice.tki表示预测年t年i类型燃料驱动的第k种交通方式在终端中所占比例,%;
EItki表示预测年t年i类型燃料驱动的第k种交通方式的单位活动水平能源消费量;
以上三项参数均可根据交通发展规划或节能减排政策的公开数据整理获得。
8.如权利要求6或7所述的城市交通碳排放量测算方法,其特征在于,所述的步骤S3中,所述的计算城市交通碳排放量的方法包含:
各类交通工具的碳排放量统一按照如下公式计算:
EMki=ECki*EFi (1.10)
式中:
EMki为i类燃料驱动的第k种车型的CO2排放量,吨;
ECki为i类型燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
EFi为i类型燃料的CO2排放因子。
9.如权利要求8所述的城市交通碳排放量测算方法,其特征在于,所述的步骤S3中,所述的计算大气污染物排放量的方法包含:
大气污染物的计算公式如下:
Ej=∑(ECki*EFkij) (1.11)
式中:
Ej为j类大气污染物的排放量,吨;
ECki为i类燃料驱动的第k种车型的能源消费量,万吨标准煤当量;
EFkij为i类燃料驱动的第k种车型的j种污染物的排放因子,Kg/Tj或Kg/t。
10.如权利要求9所述的城市交通碳排放量测算方法,其特征在于,在步骤S3之后还进行步骤S4、减排结果评估模块根据城市交通碳排放量和大气污染物排放量,评估各类交通减排政策的减排效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610926722.9A CN106600027A (zh) | 2016-10-31 | 2016-10-31 | 城市交通碳排放量测算系统和测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610926722.9A CN106600027A (zh) | 2016-10-31 | 2016-10-31 | 城市交通碳排放量测算系统和测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600027A true CN106600027A (zh) | 2017-04-26 |
Family
ID=58556333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610926722.9A Pending CN106600027A (zh) | 2016-10-31 | 2016-10-31 | 城市交通碳排放量测算系统和测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600027A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273667A (zh) * | 2017-05-27 | 2017-10-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种工业废水中污染物排放量驱动因子识别方法 |
CN107274076A (zh) * | 2017-05-27 | 2017-10-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 考虑节水减排作用的工业废水排放量驱动因子识别方法 |
CN108052791A (zh) * | 2017-12-04 | 2018-05-18 | 国网江苏省电力有限公司电力科学研究院 | 未来机动车结构调整对交通排放源清单影响的估算方法 |
CN108615192A (zh) * | 2017-08-18 | 2018-10-02 | 赫普科技发展(北京)有限公司 | 一种基于区块链的碳交易系统 |
CN110807175A (zh) * | 2019-10-31 | 2020-02-18 | 广州市交通规划研究院 | 一种基于目标城市交通模型数据的城市交通碳排放测算方法 |
CN110827184A (zh) * | 2019-10-12 | 2020-02-21 | 上海市政工程设计研究总院(集团)有限公司 | 一种道路交通碳排放计算模块及计算方法 |
CN110873783A (zh) * | 2018-08-14 | 2020-03-10 | 上海能链众合科技有限公司 | 碳排量监测方法及装置、存储介质、终端 |
CN111967792A (zh) * | 2020-08-28 | 2020-11-20 | 中国科学院大气物理研究所 | 一种大气污染防治方案快速量化评估方法及系统 |
CN112348286A (zh) * | 2020-11-25 | 2021-02-09 | 南方电网能源发展研究院有限责任公司 | 一种基于能源模型的交通用能需求预测方法及装置 |
CN112529331A (zh) * | 2020-12-23 | 2021-03-19 | 天津大学 | 基于leap模型的多情境道路交通节能减排预测方法 |
CN112712707A (zh) * | 2020-12-26 | 2021-04-27 | 清华四川能源互联网研究院 | 车辆碳排放监测系统及方法 |
CN113011732A (zh) * | 2021-03-16 | 2021-06-22 | 淮阴工学院 | 一种评价高速公路服务区客运接驳站节能减排效果的方法 |
CN113011642A (zh) * | 2021-03-09 | 2021-06-22 | 生态环境部环境规划院 | 一种预测城市二氧化碳总量的方法 |
CN113657661A (zh) * | 2021-08-12 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 一种企业碳排放预测方法、装置、计算机设备和存储介质 |
CN113673900A (zh) * | 2021-08-30 | 2021-11-19 | 广东工业大学 | 一种低碳策略减排潜力分析方法 |
CN113723718A (zh) * | 2021-11-03 | 2021-11-30 | 国网北京市电力公司 | 一种能源碳排放预测方法、装置、设备及介质 |
CN113962450A (zh) * | 2021-10-12 | 2022-01-21 | 生态环境部环境规划院 | 一种核算城市道路交通逐日二氧化碳排放量的方法及其系统 |
CN114118662A (zh) * | 2021-06-24 | 2022-03-01 | 天津大学 | 大气污染区域联防联控制度政策评估方法 |
CN114444950A (zh) * | 2022-01-24 | 2022-05-06 | 氢山科技有限公司 | 温室气体减排量的计算方法、计算装置和可读存储介质 |
CN114611845A (zh) * | 2022-05-12 | 2022-06-10 | 浙江省发展规划研究院 | 碳排放量的预测方法、装置、电子设备及介质 |
CN114912079A (zh) * | 2022-07-19 | 2022-08-16 | 武汉华信数据系统有限公司 | 污水厂碳排放量的计算方法、装置、设备及存储介质 |
CN115424448A (zh) * | 2022-11-04 | 2022-12-02 | 八维通科技有限公司 | 一种基于交通出行数据的交通碳排放量评估方法与系统 |
CN115455681A (zh) * | 2022-09-02 | 2022-12-09 | 江苏城乡建设职业学院 | 一种面向多载运工具的通勤交通碳排放空间分布估算方法 |
CN115908071A (zh) * | 2022-10-13 | 2023-04-04 | 广州市城市规划勘测设计研究院 | 一种城市交通出行的碳排放测算方法、装置、设备及介质 |
CN116127690A (zh) * | 2022-10-28 | 2023-05-16 | 华中科技大学 | 一种钢铁碳排放预测方法、系统、介质、设备及终端 |
CN116258276A (zh) * | 2023-05-06 | 2023-06-13 | 中国能源建设集团湖南省电力设计院有限公司 | 一种基于饱和碳排放密度的碳排放总量预测方法 |
CN116468143A (zh) * | 2023-02-17 | 2023-07-21 | 广东省城乡规划设计研究院有限责任公司 | 基于多智能体建模的城市交通碳排放预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870678A (zh) * | 2014-02-18 | 2014-06-18 | 上海零碳建筑科技有限公司 | 一种基于城市规划的碳排放计量方法 |
CN104951658A (zh) * | 2015-06-20 | 2015-09-30 | 西安科技大学 | 一种基于城市规划的碳排放计量方法 |
CN105354786A (zh) * | 2015-10-20 | 2016-02-24 | 同济大学 | 一种基于碳减排的城市轨道交通环境效益量化方法 |
-
2016
- 2016-10-31 CN CN201610926722.9A patent/CN106600027A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870678A (zh) * | 2014-02-18 | 2014-06-18 | 上海零碳建筑科技有限公司 | 一种基于城市规划的碳排放计量方法 |
CN104951658A (zh) * | 2015-06-20 | 2015-09-30 | 西安科技大学 | 一种基于城市规划的碳排放计量方法 |
CN105354786A (zh) * | 2015-10-20 | 2016-02-24 | 同济大学 | 一种基于碳减排的城市轨道交通环境效益量化方法 |
Non-Patent Citations (2)
Title |
---|
池莉: "基干LEAP模型的北京市未来客运交通能源需求和污染物排放预测", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
韩文科 等: "《中国2020年温室气体控制目标的实现路径与对策》", 31 October 2012, 中国发展出版社 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273667A (zh) * | 2017-05-27 | 2017-10-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种工业废水中污染物排放量驱动因子识别方法 |
CN107274076A (zh) * | 2017-05-27 | 2017-10-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 考虑节水减排作用的工业废水排放量驱动因子识别方法 |
CN107273667B (zh) * | 2017-05-27 | 2019-07-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种工业废水中污染物排放量驱动因子识别方法 |
CN107274076B (zh) * | 2017-05-27 | 2019-10-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 考虑节水减排作用的工业废水排放量驱动因子识别方法 |
CN108615192A (zh) * | 2017-08-18 | 2018-10-02 | 赫普科技发展(北京)有限公司 | 一种基于区块链的碳交易系统 |
CN108615192B (zh) * | 2017-08-18 | 2019-11-15 | 赫普科技发展(北京)有限公司 | 一种基于区块链的碳交易系统 |
CN108052791A (zh) * | 2017-12-04 | 2018-05-18 | 国网江苏省电力有限公司电力科学研究院 | 未来机动车结构调整对交通排放源清单影响的估算方法 |
CN110873783A (zh) * | 2018-08-14 | 2020-03-10 | 上海能链众合科技有限公司 | 碳排量监测方法及装置、存储介质、终端 |
CN110827184A (zh) * | 2019-10-12 | 2020-02-21 | 上海市政工程设计研究总院(集团)有限公司 | 一种道路交通碳排放计算模块及计算方法 |
CN110807175A (zh) * | 2019-10-31 | 2020-02-18 | 广州市交通规划研究院 | 一种基于目标城市交通模型数据的城市交通碳排放测算方法 |
CN111967792A (zh) * | 2020-08-28 | 2020-11-20 | 中国科学院大气物理研究所 | 一种大气污染防治方案快速量化评估方法及系统 |
CN112348286A (zh) * | 2020-11-25 | 2021-02-09 | 南方电网能源发展研究院有限责任公司 | 一种基于能源模型的交通用能需求预测方法及装置 |
CN112348286B (zh) * | 2020-11-25 | 2021-07-30 | 南方电网能源发展研究院有限责任公司 | 一种基于能源模型的交通用能需求预测方法及装置 |
CN112529331A (zh) * | 2020-12-23 | 2021-03-19 | 天津大学 | 基于leap模型的多情境道路交通节能减排预测方法 |
CN112529331B (zh) * | 2020-12-23 | 2022-06-03 | 天津大学 | 基于leap模型的多情境道路交通节能减排预测方法 |
CN112712707A (zh) * | 2020-12-26 | 2021-04-27 | 清华四川能源互联网研究院 | 车辆碳排放监测系统及方法 |
CN113011642A (zh) * | 2021-03-09 | 2021-06-22 | 生态环境部环境规划院 | 一种预测城市二氧化碳总量的方法 |
CN114154759A (zh) * | 2021-03-09 | 2022-03-08 | 生态环境部环境规划院 | 一种自下而上预测城市二氧化碳总量的方法 |
CN113011732A (zh) * | 2021-03-16 | 2021-06-22 | 淮阴工学院 | 一种评价高速公路服务区客运接驳站节能减排效果的方法 |
CN114118662A (zh) * | 2021-06-24 | 2022-03-01 | 天津大学 | 大气污染区域联防联控制度政策评估方法 |
CN113657661A (zh) * | 2021-08-12 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 一种企业碳排放预测方法、装置、计算机设备和存储介质 |
CN113673900A (zh) * | 2021-08-30 | 2021-11-19 | 广东工业大学 | 一种低碳策略减排潜力分析方法 |
CN113673900B (zh) * | 2021-08-30 | 2024-05-14 | 广东工业大学 | 一种低碳策略减排潜力分析方法 |
CN113962450B (zh) * | 2021-10-12 | 2022-04-08 | 生态环境部环境规划院 | 一种核算城市道路交通逐日二氧化碳排放量的方法及其系统 |
CN113962450A (zh) * | 2021-10-12 | 2022-01-21 | 生态环境部环境规划院 | 一种核算城市道路交通逐日二氧化碳排放量的方法及其系统 |
CN113723718A (zh) * | 2021-11-03 | 2021-11-30 | 国网北京市电力公司 | 一种能源碳排放预测方法、装置、设备及介质 |
CN114444950B (zh) * | 2022-01-24 | 2023-06-16 | 氢山科技有限公司 | 温室气体减排量的计算方法、计算装置和可读存储介质 |
CN114444950A (zh) * | 2022-01-24 | 2022-05-06 | 氢山科技有限公司 | 温室气体减排量的计算方法、计算装置和可读存储介质 |
CN114611845A (zh) * | 2022-05-12 | 2022-06-10 | 浙江省发展规划研究院 | 碳排放量的预测方法、装置、电子设备及介质 |
CN114912079B (zh) * | 2022-07-19 | 2022-11-11 | 武汉华信数据系统有限公司 | 污水厂碳排放量的计算方法、装置、设备及存储介质 |
CN114912079A (zh) * | 2022-07-19 | 2022-08-16 | 武汉华信数据系统有限公司 | 污水厂碳排放量的计算方法、装置、设备及存储介质 |
CN115455681A (zh) * | 2022-09-02 | 2022-12-09 | 江苏城乡建设职业学院 | 一种面向多载运工具的通勤交通碳排放空间分布估算方法 |
CN115455681B (zh) * | 2022-09-02 | 2023-08-25 | 江苏城乡建设职业学院 | 一种面向多载运工具的通勤交通碳排放空间分布估算方法 |
CN115908071A (zh) * | 2022-10-13 | 2023-04-04 | 广州市城市规划勘测设计研究院 | 一种城市交通出行的碳排放测算方法、装置、设备及介质 |
CN115908071B (zh) * | 2022-10-13 | 2023-12-15 | 广州市城市规划勘测设计研究院 | 一种城市交通出行的碳排放测算方法、装置、设备及介质 |
CN116127690A (zh) * | 2022-10-28 | 2023-05-16 | 华中科技大学 | 一种钢铁碳排放预测方法、系统、介质、设备及终端 |
CN115424448A (zh) * | 2022-11-04 | 2022-12-02 | 八维通科技有限公司 | 一种基于交通出行数据的交通碳排放量评估方法与系统 |
CN116468143A (zh) * | 2023-02-17 | 2023-07-21 | 广东省城乡规划设计研究院有限责任公司 | 基于多智能体建模的城市交通碳排放预测方法及装置 |
CN116258276A (zh) * | 2023-05-06 | 2023-06-13 | 中国能源建设集团湖南省电力设计院有限公司 | 一种基于饱和碳排放密度的碳排放总量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600027A (zh) | 城市交通碳排放量测算系统和测算方法 | |
Noussan et al. | The effect of digitalization in the energy consumption of passenger transport: An analysis of future scenarios for Europe | |
Lv et al. | Impacts of intelligent transportation systems on energy conservation and emission reduction of transport systems: A comprehensive review | |
Liu et al. | A system dynamics approach to scenario analysis for urban passenger transport energy consumption and CO2 emissions: A case study of Beijing | |
Wang et al. | Determinants of CO2 emissions from household daily travel in Beijing, China: Individual travel characteristic perspectives | |
Shahid et al. | Assessment of greenhouse gas emission reduction measures in transportation sector of Malaysia | |
He et al. | Thou shalt drive electric and hybrid vehicles: Scenario analysis on energy saving and emission mitigation for road transportation sector in China | |
Wang et al. | Carbon emission from urban passenger transportation in Beijing | |
Lyu et al. | Review of the studies on emission evaluation approaches for operating vehicles | |
Dhakal | Implications of transportation policies on energy and environment in Kathmandu Valley, Nepal | |
Alam et al. | Reducing transit bus emissions: Alternative fuels or traffic operations? | |
Pu et al. | Impact of license plate restriction policy on emission reduction in Hangzhou using a bottom-up approach | |
Hao et al. | Plug-in hybrid electric vehicle utility factor in China cities: Influencing factors, empirical research, and energy and environmental application | |
Gerboni et al. | Linking energy and transport models to support policy making | |
Ren et al. | Inter-city passenger transport in larger urban agglomeration area: emissions and health impacts | |
Zachariadis | Assessing policies towards sustainable transport in Europe: an integrated model | |
Seum et al. | Extended emission factors for future automotive propulsion in Germany considering fleet composition, new technologies and emissions from energy supplies | |
Cui et al. | Optimization based method to develop representative driving cycle for real-world fuel consumption estimation | |
Delgado et al. | A case study on Colombian mitigation actions | |
Merkisz-Guranowska et al. | Development of a sustainable road transport system | |
Mafi et al. | Developing local driving cycle for accurate vehicular CO2 monitoring: A case study of Tehran | |
Kutela et al. | Examining the influence of alternative fuels’ regulations and incentives on electric-vehicle acquisition | |
Abbasi et al. | Assessing feasibility of overnight-charging electric bus in a real-world BRT system in the context of a developing country | |
Aboushaqrah et al. | Life cycle sustainability assessment of sport utility vehicles: The case for Qatar | |
Huboyo et al. | Spatial Distribution of Conventional Air Pollutant and GHGs from Land Transportation in Two Developing Cities and Main Co-Benefit Actions For Reducing It. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |