CN112529331B - 基于leap模型的多情境道路交通节能减排预测方法 - Google Patents

基于leap模型的多情境道路交通节能减排预测方法 Download PDF

Info

Publication number
CN112529331B
CN112529331B CN202011548751.9A CN202011548751A CN112529331B CN 112529331 B CN112529331 B CN 112529331B CN 202011548751 A CN202011548751 A CN 202011548751A CN 112529331 B CN112529331 B CN 112529331B
Authority
CN
China
Prior art keywords
vehicle
year
vehicles
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.)
Active
Application number
CN202011548751.9A
Other languages
English (en)
Other versions
CN112529331A (zh
Inventor
吕辰刚
田佳辰
杨波
翁玉波
宗卫国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202011548751.9A priority Critical patent/CN112529331B/zh
Publication of CN112529331A publication Critical patent/CN112529331A/zh
Application granted granted Critical
Publication of CN112529331B publication Critical patent/CN112529331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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—Systems or methods specially adapted for 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于LEAP模型的多情境道路交通节能减排预测方法，包括下列步骤：进行社会条件的设置，以得到一个贴近真实数据的机动车增长速率；搭建能源需求模型，能源需求模型结构主要分有四层分支，统计车型种类；设定生命周期曲线；采用基于车重的机动车能耗因子模型进行各车型的能耗因子的计算；进行各类能源排放因子的设置，计算排放量；设置情境；第七步，计算各情境节能减排贡献度。

Description

基于LEAP模型的多情境道路交通节能减排预测方法
技术领域
本发明涉及一种交通部门的节能减排预测分析方法。
背景技术
交通部门是国民经济的重要支撑，中国交通部门的能耗占据了社会能源总消费的12-15％，仅次于制造业，并且这一比例总体呈逐年上升趋势。交通部门也是CO2以及各类大气污染物排放的主要源头，国际能源署的报告中显示，全球23％的CO2排放来自交通部门，并且我国的CO2排放自上世纪九十年代以来呈指数式上涨，给自然环境带来很大压力，因此对交通部门进行节能减排规划十分重要。目前的能耗与排放预测模型主要分为三类，第一类是自顶向下的模型例如CGE模型与MACRO模型等，这一类模型从能源价格、税收等与能源相关的各类经济指标出发，从宏观层面进行能源政策规划与经济效益分析，但是这类模型比较难以分析技术进步对节能减排效益带来的影响。第二类是混合能源模型，这类模型同时包含了自顶向下的宏观经济模型也包含了自底向上的能源需求模型，目前有代表性的是美国能源开发的NEMS模型和IIASA模型，这类模型所涉及的领域十分广泛，需要大量专业人员进行复杂研究，所以成本十分高昂。第三类是自底向上的模型如LEAP、LMDI以及 MARKAL模型等，这一类模型从能源消费与需求或能源技术为出发点，分析能源—环境—经济之间的关系，缺点是模型所需的参数难以准确估算。
发明内容
本发明的目的是提供一种较低成本的进行多情境下交通部门节能减排预测的方法。技术方案如下：
一种基于LEAP模型的多情境道路交通节能减排预测方法，包括下列步骤：
第一步，进行社会条件的设置，主要包括：GDP、人口增长率、居民收入及增长率、城市化进度以及排放因子，将对上述社会条件的设置与汽车销售数据建立联系，以得到一个贴近真实数据的机动车增长速率；
第二步，搭建能源需求模型，能源需求模型结构主要分有四层分支，设进行预测的第一年为基准年，包括：
(1)第一层分支为货运与客运，需要的参数为基准年的机动车总保有量与销售量；
(2)第二层分支为车辆尺寸分支，根据车长和车重对车辆进行划分，这一层分支中需要的参数是各种尺寸车辆的存量以及销售的比重；
(3)第三层分支为车辆类型分支，将机动车的车辆按照类型进行划分，划分为内燃机车辆、混合能源车辆以及新能源车辆，需要的参数为各种类型车辆的存量以及销售的比重；
(4)第四层分支为燃料类型分支，是第三层分支的进一步细分，在内燃机车辆下分为汽油和柴油分支，在混合能源车辆下包括汽油电力混合分支，在新能源车辆下分为电力、压缩天然气CNG、液化天然气LNG三类分支，在这层分支中，需要得到使用各类燃料的机动车的存量和销售比重，除此以外还需要添加车辆一年行驶的里程数和能耗因子；
(5)根据上述的四层分支，统计车型种类
第三步，设定生命周期曲线
机动车保有总量相关的两个曲线：现存车辆年代分布和私家车幸存概况，这两个曲线分别描述现有车辆库存的年代分布以及车辆每年幸存与报废的情况，利用这两个曲线以及各类型车辆的存量以及销售量计算得到未来每一年车辆数目的情况；此外，还需要添加污染物排放的劣化系数曲线，根据机动车车龄，对各种燃料类型的车辆的排放曲线不同，逐一设定；
第四步，采用基于车重的机动车能耗因子模型进行各车型的能耗因子的计算；
第五步，进行各类能源排放因子的设置，计算排放量；
第六步，设置情境：考虑到需要比较不同的情境下节能减排的潜力，所以需要进行多情境对比以得出结论；第一类是新能源情境，在目标年份内增加新能源车辆的比例；第二类是技术进步情境，在未来年份逐步减少各类污染物的排放因子与降低各类机动车的能耗因子；第三类是公共交通情境，减少机动车的平均里程；最后是混合情境，将上述三类政策并行实施；
第七步，计算各情境节能减排贡献度。
本发明的有益效果如下：
1)本发明结合LEAP能耗模型与基于车重的能耗模型，设定多种情境提出了一种基于LEAP模型的多情境道路交通部门节能减排预测方法，能够以较低的成本和计算量达到能耗排放预测以及政策节能减排潜力评估的目的。
2)本发明具有较强的通用性，根据社会基本条件和情境设定不同能够进行不同范围地区的长期的能源与排放预测。
附图说明
图1，本发明基于LEAP能源模型以及基于车重的能耗计算模型的流程图。
图2，本发明提出的整体系统框图。
具体实施方式
本发明利用自底向上的模型，首先输入主要假定条件(GDP、人口增长率、排放因子等)，然后输入各类型的交通终端的信息(保有量、销售量、里程数、能耗因子等)。其中，能耗因子采用基于车重的机动车能耗因子模型来进行计算，以区分不同燃料、不同规格的汽车的能源消耗。
一种基于LEAP模型的多情境道路交通部门节能减排预测，包括下列步骤：
第一步，进行社会条件的设置。对于道路交通部门来说，主要的假定条件主要包括： GDP、人口增长率、居民收入及增长率、城市化进度以及排放因子。机动车数目的增长与GDP、人口增长率、居民收入及增长率和城市化进度呈正相关，所以需要对人口变化与经济发展速度等进行假设，并且将汽车销售数据与之建立联系，以得到一个贴近真实数据的机动车增长速率。
第二步，搭建能源需求模型。能源需求模型结构主要分有四层分支。
(1)第一层分支为货运与客运，需要的参数为基准年(进行预测的第一年)的机动车总保有量与销售量。
(2)第二层分支为车辆尺寸分支，由于能耗因子的核算主要通过基于车重的能耗因子模型，所以需要根据车长和车重对车辆进行分类。客运分支中按照车辆大小分为轿车、SUV、小型巴士、中型巴士与大型巴士；货运分支中按照车辆大小可分为微型、小型、中型、大型货车四类。这一层分支中需要的参数是存量以及销售的比重。
(3)第三层分支为车辆类型分支，根据目前市场上可以购买到的机动车，将机动车主要分为三大类：内燃机车辆、混合能源车辆以及新能源车辆。需要的参数同样是存量以及销售的比重。
(4)第四层分支为燃料类型分支，是第三层分支的进一步细分。在内燃机车辆下分为汽油和柴油分支，在混合能源车辆下只有汽油电力混合分支，在新能源车辆下分为电力、压缩天然气(CNG，Compressed Natural Gas)、液化天然气(LNG，Liquefied Natural Gas)三类分支。在这层分支中，需要得到使用各类燃料的机动车存量和销售比重，除此以外还需要添加车辆一年行驶的里程数和能耗因子。
(5)最终根据这四层分支得到了共41种车型，在后面的步骤中，根据各个车型的编号i分别计算其保有量、能耗以及排放。
第三步，设定生命周期曲线。
机动车保有总量相关的两个曲线：现存车辆年代分布和私家车幸存概况。这两个曲线分别描述现有车辆库存的年代分布以及车辆每年幸存与报废的情况。利用这两个曲线以及各类型车辆的存量以及销售量就可以计算得到未来每一年车辆数目的情况。此外，还需要添加污染物排放的劣化系数曲线，随着机动车车龄增长，发动机性能下降，会导致污染物的排放增多，并且由于各类污染物的排放曲线不同，需要逐一设定。
第四步，采用基于车重的机动车能耗因子模型进行各车型的能耗因子的计算。
第五步，进行各类能源排放因子的设置，计算排放量。化石能源能源燃烧后通常会产生的污染排放物包含：一氧化碳、氮氧化物、PM细颗粒物等。不同燃料的排放因子通常不同。排放因子主要会受到政策情境以及技术的影响，国家政策对机动车上路进行了排放限值进行了规定，是强制措施；技术的发展则能对污染物排放的减少起到促进作用。
第六步，设置情境。考虑到需要比较不同的情境下节能减排的潜力，所以需要进行多情境对比以得出结论。第一类是新能源情境，在目标年份内增加新能源车辆的比例；第二类是技术进步情境，主要是在未来年份逐步减少各类污染物的排放因子与降低各类机动车的能耗因子；第三类是公共交通情境，促进公共交通发展，从而减少机动车的平均里程；最后是混合情境，将上述三类政策并行实施。
第七步，计算各情境节能减排贡献度。将基准情境与其他情境的排放、能耗进行对比，得到最佳政策情境。
其具体实施方式为：
1.首先确定研究范围，并且设定主要社会条件GDP、人口、收入等。利用相关性函数描述机动车销售量与这些参数的正相关关系。对于机动车销售量来说，可以选用居民收入因素作为最重要的相关条件。公式(1)为相关性函数的计算方式。
Figure BDA0002855713800000051
其中Current Value(t)为第t年的销售量，Named Branch Value(t)为第t年相关条件的值， elasticity为相关系数。
从而可得出汽车销售量Sales的计算方法：
Figure BDA0002855713800000052
其中Income(t)为第t年的人均收入，elasticity1为收入与销售量的相关系数；Population(t) 为第t年的人口，elasticity2为人口与销售量的相关系数。此处选取这两个比较有代表性的收入和人口的增长来计算销售量的增长。相关系数的选取可以参照往年人口收入与销售增长比例的关系，进行曲线拟合。
2.建立能源需求模型分支结构。第一层分支为货运与客运；第二层分支为车辆尺寸分支，在客运分支中分为轿车、SUV、小型巴士、中型巴士以及大型巴士，在货运分支中分为微型、小型、中型、大型货车；第三层分支为车辆类型分支，主要分为内燃机车辆、混合能源车辆以及新能源车辆；最后，第四层分支为燃料类型分支，内燃机车辆分为汽油车和柴油车，混合能源车辆即油电混动车，新能源车辆分为电动车、CNG车以及LNG车。
3.设定生命周期曲线。机动车存有量的计算需要用到现存车辆年代分布和私家车幸存概况的曲线。公式(3)和(4)为机动车存有辆的计算公式。
Stocki,t,v＝Salesi,v·Survivali,t-v (3)
Figure BDA0002855713800000053
其中，i为车型，t为年份，v为车龄，V为车型为i的车辆的最大使用年限。Stocki,t,v是车龄为v的i类型的机动车在t年的存有量，Salesi,v为车型为i车龄为v的机动车当年的增量，Survivali,t-v为车型为i车龄为v的车辆的存活率。通过公式(3)通过当年销售量和当年该类车的幸存率相乘得出车龄为v的该类车辆当年的存量。然后通过公式(4)即可得出车型为t的机动车的总存量。
除此以外，还需要设定各污染物排放劣化系数的曲线，因为随着发动机使用年限的增加，污染物的排放也会呈逐步上升的趋势，根据GB 18352.6—2016标准制定的点燃式发动机的劣化系数，得出在机动车报废年限的排放量，就可用一平滑曲线，将劣化系数的变化表示出来。劣化系数如下所示。
表1劣化系数标准
Figure BDA0002855713800000061
4.完成需求模型结构建立后，需要输入各类车型基准年的数据：存有量、销售量、里程数以及能耗因子。能耗因子根据基于车重的能耗模型进行计算，此模型以轻型客车的能耗因子为基础，以重量为参数计算不同车型的能耗因子，进行曲线拟合，得到了公式(5)。
Figure BDA0002855713800000062
其中，v为行程速度，i为车型。FFk,v为第k种车型的平均行程速度为v的能耗因子，Weightk为第k种车型的平均整备质量。FFs,v为轻型客车在平均行程速度为v的能耗因子。
5.然后设定不同燃料的排放因子。本发明中主要研究的排放物是温室气体和污染物。
本发明面向交通部门，所以考虑的温室气体只包括CO2，而不包含甲烷(CH4)、氧化亚氮(N2O)等其他的温室气体。碳排放主要与燃料本身相关，主要由燃料发热率、碳含量和氧化率相关，所以采用基于能源的排放公式进行计算，公式(6)为基于能源的排放计算方法。
CEi,t,v＝ECi,t,v×EFi,v×EDi,t-v (6)
其中，i为机动车的种类，t为年份，v为机动车龄，CEi,t,v为是t年车龄v的机动车i的总二氧化碳排放量，EC为能耗量，EF为污染物排放因子，ED为排放劣化系数(由劣化系数曲线得出)。能耗量EC的计算由公式(7)给出。其中，Stock为机动车存量，M为机动车里程数，FE为上一步计算得到的能耗因子。
ECi,t,v＝Stocki,t,v×Mi,t,v×FEi,t,v (7)
总的二氧化碳排放量由公式(8)给出。
Figure BDA0002855713800000071
大气污染物的排放采用基于里程的排放计算方法，公式(9)为基于里程的排放计算公式。其中，PE为污染物排放量。
PEi,t,v＝Si,t,v×Mi,t,v×EFi,v×EDi,t-v (9)
6.情境设定。在本发明中，情境的设定主要包新能源情境、技术进步情境、公共交通情境、混合情景。新能源情境的量化通过制定新能源车辆在目标年份的比重实现，例如：到 2030年，新能源车辆占比达到35％；技术进步情境的量化则通过在现有标准基础上进一步降低污染物的排放因子实现；公共交通情境则可以通过降低机动车平均里程数实现；混合情境综合了上述情境。
7.计算各政策的节能减排贡献度，公式(10)为其计算方法。
Figure BDA0002855713800000072
η为贡献度，B为基准情境下的能耗与排放量，P为政策情境下的能耗与排放量。

Claims (1)

1.一种基于LEAP模型的多情境道路交通节能减排预测方法，包括下列步骤：
第一步，进行社会条件的设置，包括：GDP、人口增长率、居民收入及增长率、城市化进度以及排放因子，利用相关性函数描述上述社会条件的设置与机动车销售量之间的关系，以得到一个贴近真实数据的机动车增长速率；选用居民收入因素作为首要相关条件，利用下式计算第t年的机动车销售量：
Figure FDA0003593842830000011
其中，Sales(t-1)为第t-1年的机动车销售量，Income(t)为第t年的人均收入，Income(t-1)为第t-1年的人均收入，elasticity1为人均收入与机动车销售量的相关系数；Population(t)为第t年的人口，Population(t-1)为第t-1年的人口，elasticity2为人口与机动车销售量的相关系数；
第二步，搭建能源需求模型，能源需求模型结构分有四层分支，设进行预测的第一年为基准年，包括：
(1)第一层分支为货运与客运，需要的参数为基准年的机动车总保有量与销售量；
(2)第二层分支为车辆尺寸分支，根据车长和车重对车辆进行划分，这一层分支中需要的参数是各种尺寸车辆的存量以及销售的比重；
(3)第三层分支为车辆类型分支，将机动车的车辆按照类型进行划分，划分为内燃机车辆、混合能源车辆以及新能源车辆，需要的参数为各种类型车辆的存量以及销售的比重；
(4)第四层分支为燃料类型分支，是第三层分支的进一步细分，在内燃机车辆下分为汽油和柴油分支，在混合能源车辆下包括汽油电力混合分支，在新能源车辆下分为电力、压缩天然气CNG、液化天然气LNG三类分支，在这层分支中，需要得到使用各类燃料的机动车的存量和销售比重，除此以外还需要添加车辆一年行驶的里程数和能耗因子；
(5)根据上述的四层分支，统计车型种类；
第三步，设定生命周期曲线
机动车保有总量相关的两个曲线：现存车辆年代分布和私家车幸存概况，这两个曲线分别描述现有车辆库存的年代分布以及车辆每年幸存与报废的情况，利用这两个曲线以及各类型车辆的存量以及销售量计算得到未来每一年车辆数目的情况；此外，还需要添加污染物排放的劣化系数曲线，根据机动车车龄，对各种燃料类型的车辆的排放曲线不同，逐一设定；
机动车存有量的计算方法如下：
Stocki,t,v＝Salesi,v·Survivali,t-v
Figure FDA0003593842830000021
式中，V为车型为i的车辆的最大使用年限，Stocki,t,v是车龄为v的i类型的机动车在第t年的存有量，Salesi,v为车型为i车龄为v的机动车在第t年的增量，Survivali,t-v为车型为i车龄为v的车辆在第t年的存活率；Stocki,t车型为i的机动车在第t年的总存量；
第四步，采用基于车重的机动车能耗因子模型进行各车型的能耗因子的计算，能耗因子的计算，以轻型客车的能耗因子为基础，以重量为参数计算不同车型的能耗因子，进行曲线拟合，得到下式：
Figure FDA0003593842830000022
式中，FFi,u为第i种车型的平均行程速度为u的能耗因子，Weighti为第i种车型的平均整备质量；FFs,u为轻型客车在平均行程速度为u的能耗因子；
第五步，进行各类能源排放因子的设置，计算排放量，方法如下：
考虑温室气体包括CO2，碳排放与燃料发热率、碳含量和氧化率相关，采用基于能源的排放计算方法：
CEi,t,v＝ECi,t,v×EFi,v×EDi,t-v
式中，CEi,t,v为第t年车型为i车龄为v的机动车的总二氧化碳排放量，ECi,t,v为第t年车型为i车龄为v的机动车的能耗量，EFi,v为车型为i车龄为v的机动车的污染物排放因子，EDi,t-v为车型为i车龄为v的机动车的排放劣化系数；
第t年车型为i车龄为v的机动车的能耗量ECi,t,v的计算方法：
ECi,t,v＝Stocki,t,v×Mi,t,v×FFi,u
式中，Mi,t,v为第t年车型为i车龄为v的机动车的里程数；FFi,u为车型为i平均行程速度为u的机动车的能耗因子；
总的二氧化碳排放量的计算方法：
Figure FDA0003593842830000023
大气污染物的排放采用基于里程的排放计算方法，为下式基于里程的排放计算公式；其中，
PEi,t,v＝Stocki,t,v×Mi,t,v×EFi,v×EDi,t-v
式中，PEi,t,v为第t年车型为i车龄为v的机动车的污染物排放量；
第六步，设置情境：考虑到需要比较不同的情境下节能减排的潜力，所以需要进行多情境对比以得出结论；第一类是新能源情境，在目标年份内增加新能源车辆的比例；第二类是技术进步情境，在未来年份逐步减少各类污染物的排放因子与降低各类机动车的能耗因子；第三类是公共交通情境，减少机动车的平均里程；最后是混合情境，将上述新能源情境，技术进步情境和公共交通情境并行考虑；
第七步，对于某一类情景，计算此类情境节能减排贡献度η：
Figure FDA0003593842830000031
式中，B为基准情境下的能耗与排放量，P为某类情境下的能耗与排放量。
CN202011548751.9A 2020-12-23 2020-12-23 基于leap模型的多情境道路交通节能减排预测方法 Active CN112529331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011548751.9A CN112529331B (zh) 2020-12-23 2020-12-23 基于leap模型的多情境道路交通节能减排预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011548751.9A CN112529331B (zh) 2020-12-23 2020-12-23 基于leap模型的多情境道路交通节能减排预测方法

Publications (2)

Publication Number Publication Date
CN112529331A CN112529331A (zh) 2021-03-19
CN112529331B true CN112529331B (zh) 2022-06-03

Family

ID=74976215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011548751.9A Active CN112529331B (zh) 2020-12-23 2020-12-23 基于leap模型的多情境道路交通节能减排预测方法

Country Status (1)

Country Link
CN (1) CN112529331B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600027A (zh) * 2016-10-31 2017-04-26 上海市政工程设计研究总院（集团）有限公司 城市交通碳排放量测算系统和测算方法
CN108268973A (zh) * 2017-12-20 2018-07-10 华北电力大学 不确定两阶段机会约束低碳电力优化规划方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103112595B (zh) * 2013-02-06 2016-01-27 中国商用飞机有限责任公司 推进系统一体化的吊挂结构
CN104063630A (zh) * 2014-07-16 2014-09-24 南京擎天科技有限公司 一种地区碳排放量预测方法
CN111881616A (zh) * 2020-07-02 2020-11-03 国网河北省电力有限公司经济技术研究院 一种基于多主体博弈的综合能源系统的运行优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600027A (zh) * 2016-10-31 2017-04-26 上海市政工程设计研究总院（集团）有限公司 城市交通碳排放量测算系统和测算方法
CN108268973A (zh) * 2017-12-20 2018-07-10 华北电力大学 不确定两阶段机会约束低碳电力优化规划方法

Also Published As

Publication number Publication date
CN112529331A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
Brand et al. The UK transport carbon model: An integrated life cycle approach to explore low carbon futures
Trost et al. Impact of electric vehicles and synthetic gaseous fuels on final energy consumption and carbon dioxide emissions in Germany based on long-term vehicle fleet modelling
Mitropoulos et al. Life cycle emissions and cost model for urban light duty vehicles
Liao et al. Carbon dioxide emissions and inland container transport in Taiwan
Bajracharya et al. Road Transportation Energy Demand and Environmental Emission: A Case of Kathmandu Valley.
Zachariadis Assessing policies towards sustainable transport in Europe: an integrated model
Trofimenko et al. Model for the assessment greenhouse gas emissions from road transport
Eder et al. Ecological aspects of economical development: Issues of forecast greenhouse gas emissions in road transport in Europe and regions of Russia
Fan et al. The effect of technology adoption on CO2 abatement costs under uncertainty in China's passenger car sector
Watabe et al. Comparative economic and environmental benefits of ownership of both new and used light duty hydrogen fuel cell vehicles in Japan
Clark et al. Transit bus life cycle cost and year 2007 emissions estimation.
Delucchi Emissions of criteria pollutants, toxic air pollutants, and greenhouse gases, from the use of alternative transportation modes and fuels
Liu et al. Dynamic nexus between transportation, economic growth and environmental degradation in China: Fresh insights from the QARDL approach
CN112529331B (zh) 基于leap模型的多情境道路交通节能减排预测方法
Sumasto et al. Sustainable development impact of implementing electric taxis in Jakarta: A cost-benefit analysis
CN110222377B (zh) 一种电动车大气污染物减排估算方法
CN110222952A (zh) 一种电动汽车绿色发展体系指数计算方法
Soltani-Sobh et al. Compressed natural gas vehicles: financially viable option?
CN115691136A (zh) 一种基于数据分析的城市低碳客运交通结构评价系统
Lesser Short Circuit: The High Cost of Electric Vehicle Subsidies
Csuzi et al. The urban electric bus, a sustainable solution to increase energy efficiency of public transport and reduce atmospheric pollution in the cities
Trofimenko et al. Forecast of the vehicle fleet size and structure in Russian Federation by ecological class, a type of power installations and a fuel type for the period up to 2030
Davies et al. Greenhouse gas emissions of the US transportation sector: Trends, uncertainties, and methodological improvements
Carteni A plug-in hybrid electric bus fleet as a rational and sustainable urban transport policy: a real casa application in Italy
Harusi et al. Analysis of CO2 Emission from Motorized Vehicle based on Segmentation of Urip Sumoharjo Road at Makassar City

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
GR01 Patent grant
GR01 Patent grant