CN112613699B - 基于汽车大数据的初始碳排放权分配方法 - Google Patents

基于汽车大数据的初始碳排放权分配方法 Download PDF

Info

Publication number
CN112613699B
CN112613699B CN202011389507.2A CN202011389507A CN112613699B CN 112613699 B CN112613699 B CN 112613699B CN 202011389507 A CN202011389507 A CN 202011389507A CN 112613699 B CN112613699 B CN 112613699B
Authority
CN
China
Prior art keywords
carbon emission
vehicle
carbon
automobile
soc
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.)
Expired - Fee Related
Application number
CN202011389507.2A
Other languages
English (en)
Other versions
CN112613699A (zh
Inventor
许楠
谢欢
谢雨
刘俏
李潇汉
孔岩
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202011389507.2A priority Critical patent/CN112613699B/zh
Publication of CN112613699A publication Critical patent/CN112613699A/zh
Application granted granted Critical
Publication of CN112613699B publication Critical patent/CN112613699B/zh
Expired - Fee Related 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • 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
    • Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于汽车大数据的初始碳排放权分配方法，包括：对于车企的初始碳排放权分配，基于汽车大数据建立汽车购置前的碳排放核算模型和车企反馈机制，将汽车购置前的碳排放作为固态配额参考，车企反馈机制作为动态配额参考；对于车主的初始碳排放权分配，基于汽车大数据建立个人碳排放核算模型和考虑驾驶员风格的个人反馈机制，将个人碳排放作为固态配额参考，个人反馈机制作为动态配额参考。本发明中，在对车企进行初始碳排放权分配时，建立完善的企业反馈机制，激励车企进行减排，在对车主进行初始碳排放权分配时，建立完善的个人反馈机制，激励车主改变不良驾驶习惯及鼓励车主购买新能源车。

Description

基于汽车大数据的初始碳排放权分配方法
技术领域
本发明属于碳交易机制领域，特别是涉及一种基于汽车大数据的初始碳排放权分配方法。
背景技术
碳排放交易简称碳交易，是指碳排放权的交易，排放主体通过购买碳排放权获得额外排放温室气体的权利。随着科学技术的发展和社会的进步，能源短缺问题成了人类不容忽视的问题，同时，道路交通的能耗排放变成了城市可持续发展的沉重负担。为了减少汽车排放对环境的影响，在汽车领域进行碳交易成为一种有效的政策工具。碳交易机制的顺利形成需要公平、有效、科学的碳排放权初始分配。因此，在保护环境的时代大背景下，如何更合理的在汽车领域进行初始碳排放权分配成为越来越多学者研究的问题。
对于现有的初始碳排放权分配方法，存在着以下一些问题：1、进行初始碳排放权分配时，较少落到个人层面，较多是对省域或行业进行碳排放权分配。2、对企业进行初始碳排放权分配时，较少建立完善的企业反馈机制，无法激励车企进行减排。3、对个人进行初始碳排放权分配时，较少建立完善的个人反馈机制，无法激励车主改变不良驾驶习惯及鼓励车主购买新能源车。
发明内容
本发明的目的是至少解决上述现有技术中初始碳排放权分配缺乏动态激励机制的问题，该目的是通过以下技术方案实现的：
本发明提供了一种基于汽车大数据的初始碳排放权分配方法，包括：
基于汽车大数据建立汽车购置前的碳排放核算模型；
基于汽车大数据建立车企反馈机制，其中所述车企反馈机制考虑车企生产车辆的综合碳排放量水平以及车企车辆回收利用产生的碳排放量来建立；
根据汽车购置前的碳排放核算模型以及车企反馈机制来分配车企的初始碳排放权，其中将汽车购置前的碳排放作为固态配额参考，将车企反馈机制作为动态配额参考；
基于汽车大数据建立个人碳排放核算模型；
基于汽车大数据建立考虑驾驶员风格的个人反馈机制；
根据个人碳排放核算模型以及个人反馈机制来分配车主的初始碳排放权，其中将个人碳排放作为固态配额参考，将个人反馈机制作为动态配额参考。
根据本发明提出的基于汽车大数据的初始碳排放权分配方法，对车企和车主进行初始碳排放权分配，在对车企进行初始碳排放权分配时，建立完善的企业反馈机制，激励车企进行减排，在对车主进行初始碳排放权分配时，建立完善的个人反馈机制，激励车主改变不良驾驶习惯及鼓励车主购买新能源车。
在本发明的一些实施例中，所述汽车购置前的碳排放核算模型包括：
四大工艺的碳排放：
Czz＝∑AiFd+∑BiFs+∑CiFzq+∑DiFtrq，
式中，Czz为造车四大工艺过程中的碳排放总量，Ai代表每个工艺的电能消耗量，Fd为电的碳排放系数，Bi为每个工艺的水消耗量，Fs为水的碳排放系数，Ci为每个工艺的蒸汽消耗量，Fzq为蒸汽的碳排放系数，Di为每个工艺的天然气消耗量，Ftrq为天然气的碳排放系数；
原材料运输产生的碳排放：原材料的运输仅考虑运输过程中燃油的消耗，包括从产地运到企业和企业内的移动，因而原材料运输产生的碳排放量计算公式如下：
Cys＝E*Fq或Cys＝E*Fc，
式中，Cys代表原材料运输过程中的碳排放量，E为运输过程中汽油或柴油的消耗量，Fq为汽油的碳排放系数，Fc为柴油的碳排放系数；
传统燃油车在生产过程中产生的总碳排放量C为：C＝Czz+Cys。
在本发明的一些实施例中，所述汽车购置前的碳排放核算模型还包括：
针对新能源汽车，还包括电池制造部分的碳排放，电池制造阶段分为两个部分：
在原材料制备过程中，耗电量根据各原材料制造的耗电量计算：Ec＝∑Ei，
式中，Ec代表制造过程中的总电耗，Ei代表第种i材料的电耗。
在组装过程中，采用整体测算的方法，记录组装一批同型号电池的耗电量，然后除以电池的个数得到单个电池的耗电量：Ez＝Ea/n，
式中，Ez代表单个电池的组装耗电量，Ea代表组装一批同型号电池的总耗电量，n代表组装电池的个数；
电池制造过程中的碳排放量为：Cz＝(Ec+Ez*a)*Fd，
式中，Cz代表电池制造过程中的碳排放量，a代表使用同种组装工艺的单体电池的个数，
新能源汽车在生产过程中产生的总碳排放量C为：C＝Czz+Cys+Cz。
在本发明的一些实施例中，所述车企生产车辆的综合碳排放量水平通过以下方式确定：
基于汽车大数据平台，利用实时监控的车辆燃料消耗率和百公里能耗，得到每辆车的单位里程碳排放量，单位是g/100km，计算公式如下：
Figure GDA0002945533710000031
其中，α为每升燃油转换为碳排放量的转换系数，单位是g/L；E为燃料消耗率，单位是L/100km；βc为每千瓦时电量转换为碳排放量的转换系数，单位是g/kwh，c表示不同的电力来源，βc随c的不同存在数值上的差异；Q为百公里能耗，单位是kwh/100km；
假设录入汽车大数据平台的i类型车辆的总数量为Ni，其中i＝1,2……27，则此类车辆的单位里程碳排放量的期望为：
Figure GDA0002945533710000032
其中，Lk为属于i类型的某车的累计行驶里程，其中k＝1,2……Ni。
方差为：
Figure GDA0002945533710000041
对录入汽车大数据平台的i类型车辆的单位里程碳排放量进行从高到低排序，以均值点为准，均值点向前一个方差与均值点向后一个方差的范围为等级B，小于等级B的范围为等级A，大于等级B的范围为等级C；
假设某企业g生产i类型车辆的数量为Ng,i，则表征该企业此类车辆的单位里程碳排放量的计算公式如下：
Figure GDA0002945533710000042
式中，Lg,k为属于该企业的i类型车辆的某车的累计行驶里程；
基于上述不同类型车辆的碳排放等级表，根据CEg,i判断某企业某类型的车辆处于哪一个碳排放等级，进而对该企业的综合碳排放量水平进行评价，为了激励企业提升自身的技术水平，规定处于A等级的车型得分较高为95分，B等级的车型得分为60分，C等级的车型得分较低为25分，假设某企业g处于A等级的车型有MA种，处于B等级的车型有MB种，处于C等级的车型有Mc种，给该企业综合碳排放量水平进行打分，如下式：
Figure GDA0002945533710000043
在本发明的一些实施例中，所述车企车辆回收利用产生的碳排放量通过以下方式确定：
设定各种材料质量为mi，材料收集效率为
Figure GDA0002945533710000044
物料回收比例为
Figure GDA0002945533710000045
则材料从生产加工到汽车制造阶段的损失的总回收比例为：
Figure GDA0002945533710000046
汽车材料报废回收过程中，车体剪碎、破碎后变成废钢铁，若材料收集效率为
Figure GDA0002945533710000047
材料粉碎的效率为
Figure GDA0002945533710000048
物料回收比例为
Figure GDA0002945533710000049
则汽车报废后回收的总回收比例为：
Figure GDA00029455337100000410
材料初级生产与次级生产的置换率为βi，车辆生命周期内材料的报废总量为Wi 0，车辆生命周期内回收的材料总量为Wi n，废料初级生产回收量为Wi 1，废料次级生产回收量为Wi 2，材料次级生产的比例为
Figure GDA0002945533710000051
废料报废率为αi，材料生产的质量为
Figure GDA0002945533710000052
车辆材料的总体回收率为
Figure GDA0002945533710000053
其中，
Figure GDA0002945533710000054
Figure GDA0002945533710000055
Figure GDA0002945533710000056
Figure GDA0002945533710000057
根据废料平衡的原则，则：
Wi 0-Wi n-αi(Wi 0-Wi n)-Wi 2βi+Wi 1βi＝0
求解得：
Figure GDA0002945533710000058
则，汽车回收报废阶段总体的碳排放量计算公式为：
Figure GDA0002945533710000059
式中，
Figure GDA00029455337100000510
表示在初级生产中1kg材料i对环境的影响因素，
Figure GDA00029455337100000511
表示在次级生产中1kg材料i对环境的影响因素。
在本发明的一些实施例中，根据汽车购置前的碳排放核算模型以及车企反馈机制来分配车企的初始碳排放权的过程如下：
Figure GDA00029455337100000512
式中，γ表示车企碳分配的动态配额，CEg表示车企生产车辆的综合碳排放量水平，
Figure GDA00029455337100000513
表示车企车辆回收利用产生的碳排放量，
则汽车企业所获得的配额是：
Pc＝ωc0μ0+(1-ω)γ
式中，ω是固定的碳配额比例，(1-ω)是动态的碳配额比例，μ0是固定基准年的碳排放量，c0是固定基准年的碳排放系数，γ为车企碳分配的动态配额；
其中，固定基准年的碳排放量μ0通过汽车购置前的碳排放核算模型计算得到，即：
Figure GDA0002945533710000061
式中，Ci为第i年汽车在生产过程中产生的总碳排放量，n的取值根据企业历史数据情况可取n＝[2,3,4,5]。
在本发明的一些实施例中，所述个人碳排放核算模型包括：
排放系数法的具体计算公式如下：
CE＝∑CEi＝∑Ei×Fi
式中，CE为总的碳排放量，CEi为消耗第i种能源的碳排放量，Ei为第i种能源的消耗量，Fi为第i种能源的碳排放因子；
依托汽车大数据平台所采集的数据，结合碳排放系数进行行车碳排放的计算，将汽车分为燃油车和新能源车，其中，新能源车包括插电式混合动力汽车和纯电动汽车，两者的区别在于插电式混合动力汽车的能量来源包括了燃油和电能两个部分，基于汽车大数据平台的行车数据，获取在某一次行车过程的初始SOC、终止SOC，起始油量和终止油量以及其充电地点和充电量相关数据情况，其碳排放量的计算公式表示为：
CE＝δ·|SOCter-SOCstart|·α·c+k·|fuelter-fuelstart|·β
式中，k的取值为{0,1}，k＝0时，表示计算纯电动汽车的碳排放量；k＝1且δ≠0时，表示计算插电式混合动力汽车的碳排放量；k＝1且δ＝0时，表示计算插电式混合动力汽车的碳排放量；c为电池的容量，α,β分别为电能的转换系数和燃油的转换系数，SOCstart,fuelstart,SOCter,fuelter分别为某一次行车过程的初始SOC、初始油量、行车结束时的终止SOC、终止油量，δ是激励系数；
在计算时采用优先使用剩余电量的思想来计算某次出行时产生的碳排放量，具体的计算方式为：
充电前电池剩余电量为SOCrem，充这一部分电量时所对应的激励系数为δ1，充电电量为SOCchar，这一部分电量对应的激励系数为δ2，假设电量的来源都是火电，也就是这两部分对应的α是相同的，
若|SOCter-(SOCrem+SOCchar)|≤SOCrem，则
CE＝δ1·|SOCter-(SOCrem+SOCchar)|·α·c
若|SOCter-(SOCrem+SOCchar)|>SOCrem，则
CE＝δ1·SOCrem·c·α+δ2·(|SOCter-(SOCrem+SOCchar)|-SOCrem)·α·c。
在本发明的一些实施例中，激励系数δ通过如下方式确定：
采用激励系数的方法折合驾驶员在行车过程中使用的碳量，进而来引导驾驶员选择在合适的时间和地点充电，激励系数是一个与充电时刻和充电地点有关的参数，如下：
δ＝l(t,w)
式中，t表示充电时刻，w表示充电站地点，
车主选择不同时间、不同充电站给汽车充电时，其所充电量对应的激励系数不同，如果在时间t1时，第一充电桩处的电网负荷较大，而第三充电桩处的电网负荷较小，通过降低第三充电桩处的激励系数的方式来吸引电动汽车去第三充电桩处充电，则驾驶员在使用该部分电能时，所消耗的碳排放额度就会变小，以此来引导驾驶员合理选择充电地点和充电时间，结合汽车大数据平台的数据，记录其充电时间和充电地点，从而在行车过程中，得到所消耗的电量所对应的激励系数，进行碳排放量的折算。
在本发明的一些实施例中，所述考虑驾驶员风格的个人反馈机制通过如下方式确定：
将驾驶员风格、驾驶员风格的转变程度及转变裕度这三个指标纳入到动态配额的制定过程中，即
γ′＝f(driver,YoY,cr)
式中，γ′表示个人碳分配的动态配额，driver代表了驾驶风格，YoY表征了驾驶风格转变程度，cr表征了驾驶行为转变裕度；
对于驾驶员风格的分类，首先将行车数据按行驶工况进行分类，将工况划分四种：拥堵工况、城市工况、郊区工况以及高速工况，然后将行驶大数据按照行驶工况划分为四个数据集，在每一种工况下再进行驾驶员风格的识别，驾驶员风格的分类同样采用选取特征参数，然后采用聚类算法，来确定在同一工况下的驾驶员风格，将驾驶员风格划分为三种：激进型、稳重型和保守型，其对应取值分别为0.8、0.5、0.2；
对于驾驶风格的转变，引入驾驶员风格转变程度来表征，其量化参数选取为：相同工况下行驶单位里程的碳排放的减少量。其具体表达式为：
Figure GDA0002945533710000081
式中，CEnew,i为今年在第i种工况下行驶的碳排放量，CEold,i为去年在第i中工况下行驶的碳排放量，Lnew,i，Lold,i分别为今年和去年在第i种工况下的行驶里程，i＝1,2,3,4分别表示高速工况、城市工况、郊区工况以及拥堵工况，结合行车大数据，计算上一年度驾驶员在不同工况下行驶单位里程的碳排放量以及今年驾驶员在不同工况下行驶单位里程的碳排放量，通过对比两个年度的相同工况下行驶单位里程的碳排放，来衡量驾驶员对于自身在不良行为方面的改变程度，YoY值增大，在下一年度的初始碳配额分配中获得碳配额应相对增加；
对于驾驶行为转变裕度，是指驾驶员在相同工况下行驶单位里程的碳排放量与全国平均水平的差值，其具体表达式为：
Figure GDA0002945533710000082
式中，CEi为在第i种工况下行驶的碳排放量，Li为在第i种工况下行驶里程，CEave,i为在第i种工况下行驶单位里程的全国平均碳排放量，i＝1,2,3,4分别表示高速工况、城市工况、郊区工况以及拥堵工况，cr<0表示该驾驶员的行驶单位里程的碳消耗量低于全国平均水平，作为奖励，在下一年度的初始碳配额分配中获得的碳配额额度应相应增加。
在本发明的一些实施例中，根据个人碳排放核算模型以及个人反馈机制来分配车主的初始碳排放权的过程如下：
将各车主的基准年交通碳排放量由小到大的顺序进行排列，设为T1,T2,…,Tn，n为车主的人数，对于某车主的基准年交通碳排放量Ti：
Figure GDA0002945533710000083
式中，CEm,g为第i位车主第m年第g次行车过程的碳排放量，s为第i位车主一年的行车次数，k的取值根据车主历史数据情况可取k＝[2,3,4,5]
当n为奇数时，中位数碳配额为：
T0.5＝T(n+1)/2
当n为偶数时，中位数碳配额为：
Figure GDA0002945533710000091
则车主的最终初始碳配额为：
Ti＝eT0.5+(1-e)γ′T0.5
式中，e是固定配额比例，(1-e)是动态配额比例，γ′是动态配额。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为基于汽车大数据的初始碳排放权分配方法的流程图；
图2为汽车购置前的碳排放核算模型；
图3为车企反馈机制的流程图；
图4为个人碳排放核算模型；
图5为激励系数的确定；
图6为个人反馈机制的流程图。
具体实施方式：
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。
如图1所示，根据本发明一个实施例的基于汽车大数据的初始碳排放权分配方法，如图1所示，包括：
基于汽车大数据建立汽车购置前的碳排放核算模型；
基于汽车大数据建立车企反馈机制，其中所述车企反馈机制考虑车企生产车辆的综合碳排放量水平以及车企车辆回收利用产生的碳排放量来建立；
根据汽车购置前的碳排放核算模型以及车企反馈机制来分配车企的初始碳排放权分配，其中将汽车购置前的碳排放作为固态配额参考，将车企反馈机制作为动态配额参考；
基于汽车大数据建立个人碳排放核算模型；
基于汽车大数据建立考虑驾驶员风格的个人反馈机制；
根据个人碳排放核算模型以及个人反馈机制来分配车主的初始碳排放权，其中将个人碳排放作为固态配额参考，将个人反馈机制作为动态配额参考。
本发明提出的一种基于汽车大数据的初始碳排放权分配方法，对车企和车主进行初始碳排放权分配，在对车企进行初始碳排放权分配时，建立完善的企业反馈机制，激励车企进行减排，在对车主进行初始碳排放权分配时，建立完善的个人反馈机制，激励车主改变不良驾驶习惯及鼓励车主购买新能源车。
汽车购置前的碳排放核算模型
具体地，如图2所示，建立汽车购置前的碳排放核算模型的过程包括：包括四大工艺的碳排放以及原材料运输产生的碳排放。
针对加工过程中各种能耗的计算，可采用一段时间内车间内各种测量表计算，如电能可用电表记录，蒸汽用量可用蒸汽流量计记录。根据记录的能耗和碳排放系数，可计算汽车制造企业在某段时间内的四大工艺的碳排放量。
Czz＝∑AiFd+∑BiFs+∑DiFzq+∑DiFtrq
式中，Czz为造车四大工艺过程中的碳排放总量，Ai代表每个工艺的电能消耗量，Fd为电的碳排放系数，Bi为每个工艺的水消耗量，Fs为水的碳排放系数，Ci为每个工艺的蒸汽消耗量，Fzq为蒸汽的碳排放系数，Di为每个工艺的天然气消耗量，Ftrq为天然气的碳排放系数。
原材料的运输仅考虑运输过程中燃油的消耗，包括从产地运到企业和企业内的移动，因而原材料运输产生的碳排放量计算公式如下：
Cys＝E*Fq(Cys＝E*Fc)
式中，Cys代表原材料运输过程中的碳排放量，E为运输过程中汽油或柴油的消耗量，Fq为汽油的碳排放系数，Fc为柴油的碳排放系数。
综上，传统燃油车在生产过程中产生的总碳排放量C为：
C＝Czz+Cys
针对新能源汽车，还包括电池制造部分的碳排放。电池制造阶段，主要消耗的能源为电能，将制造过程分为两个部分：原材料制备和电池组装。在原材料制备过程中，耗电量主要根据各原材料制造的耗电量计算。
Ec＝∑Ei
式中，Ec代表制造过程中的总电耗，Ei代表第种i材料的电耗。
在组装过程中，采用整体测算的方法，记录组装一批同型号电池的耗电量，然后除以电池的个数得到单个电池的耗电量。
Ez＝Ea/n
式中，Ez代表单个电池的组装耗电量，Ea代表组装一批同型号电池的总耗电量，n代表组装电池的个数。
电池制造过程中的碳排放量为：
Cz＝(Ec+Ez*a)*Fd
式中，Cz代表电池制造过程中的碳排放量，a代表使用同种组装工艺的单体电池的个数。
综上，新能源汽车在生产过程中产生的总碳排放量C为：
C＝Czz+Cys+Cz
车企反馈机制
具体地，如图3所示，建立车企反馈机制的过程为：
对于车企反馈机制，考虑两个因素：一是车企生产车辆的综合碳排放量水平，二是车企车辆回收利用产生的碳排放量，即将车企生产车辆的综合碳排放量水平和车企车辆回收利用产生的碳排放量这两个指标纳入到车企动态配额的制定过程中，即
Figure GDA0002945533710000121
式中，γ表示车企碳分配的动态配额，CEg表示车企生产车辆的综合碳排放量水平，
Figure GDA0002945533710000122
表示车企车辆回收利用产生的碳排放量
对于车企生产车辆的综合碳排放量水平，基于汽车大数据平台，利用实时监控的车辆(即已售出运行的车辆)燃料消耗率和百公里能耗，可以得到每辆车的单位里程碳排放量(g/100km)，计算公式如下：
Figure GDA0002945533710000123
其中，α为每升燃油转换为碳排放量的转换系数，单位是g/L；E为燃料消耗率，单位是L/100km；βc为每千瓦时电量转换为碳排放量的转换系数，单位是g/kwh，c表示不同的电力来源，βc随c的不同存在数值上的差异，因为汽车在行驶中消耗电量的过程几乎是零排放，电量转换为碳排放量实际是在生产发电时的碳排放量；Q为百公里能耗，单位是kwh/100km。
按照能源消耗的类型将汽车划分为三大类，即纯电动汽车、混合动力汽车和传统燃油车。在相同能源消耗类型中，按照车辆用途不同可划分为轿车、客车及货车，相同用途的车辆也存在车型上的不同。综上所述，将车辆划分为如下表1所示27种类型：
表1 车辆划分类型
Figure GDA0002945533710000131
假设录入汽车大数据平台的i(在本实施例中，i＝1,2……27)类型车辆的总数量为Ni，则此类车辆的单位里程碳排放量的期望为：
Figure GDA0002945533710000132
其中，Lk为属于i类型的某车的累计行驶里程，其中k＝1,2……Ni。
方差为：
Figure GDA0002945533710000133
对录入汽车大数据平台的i类型车辆的单位里程碳排放量进行从高到低排序，以均值点为准，均值点向前一个方差与均值点向后一个方差的范围为等级B，小于等级B的范围为等级A，大于等级B的范围为等级C。划分碳排放等级A、B、C如下表2所示。
表2 碳排放等级A,B,C的划分
Figure GDA0002945533710000134
假设某企业g生产i类型车辆的数量为Ng,i，则表征该企业此类车辆的单位里程碳排放量的计算公式如下：
Figure GDA0002945533710000141
式中，Lg,k为属于该企业的i类型车辆的某车的累计行驶里程。
基于上述不同类型车辆的碳排放等级表，可以根据CEg,i判断某企业某类型的车辆处于哪一个碳排放等级，进而对该企业的综合碳排放量水平进行评价。在实际行驶过程中，由于政策法规和技术水平的限制，不同车型的碳排放水平会有最大及最低限值，而在限值范围内，一般处于中等水平的车辆占大多数，碳排放量过高的车辆应该面临淘汰的风险，而碳排放量显著较低的车辆，技术水平上应该处于垄断地位，因此，为了激励企业提升自身的技术水平，规定处于A等级的车型得分较高为95分，B等级的车型得分为60分，C等级的车型得分较低为25分。假设某企业g处于A等级的车型有MA种，处于B等级的车型有MB种，处于C等级的车型有Mc种，给该企业综合碳排放量水平进行打分，如下式：
Figure GDA0002945533710000142
对于车企车辆回收利用产生的碳排放量，设定各种材料质量为mi，材料收集效率为
Figure GDA0002945533710000143
物料回收比例为
Figure GDA0002945533710000144
则材料从生产加工到汽车制造阶段的损失的总回收比例为：
Figure GDA0002945533710000145
汽车材料报废回收过程中，车体剪碎、破碎后变成废钢铁等，若材料收集效率为
Figure GDA0002945533710000146
材料粉碎的效率为
Figure GDA0002945533710000147
物料回收比例为
Figure GDA0002945533710000148
则汽车报废后回收的总回收比例为：
Figure GDA0002945533710000149
材料初级生产与次级生产的置换率为βi，车辆生命周期内材料的报废总量为Wi 0，车辆生命周期内回收的材料总量为Wi n，废料初级生产回收量为Wi 1，废料次级生产回收量为Wi 2，材料次级生产的比例为
Figure GDA00029455337100001410
废料报废率为αi，材料生产的质量为
Figure GDA00029455337100001411
车辆材料的总体回收率为
Figure GDA00029455337100001412
其中，
Figure GDA00029455337100001413
Figure GDA00029455337100001414
Figure GDA00029455337100001415
Figure GDA0002945533710000151
根据废料平衡的原则，则：
Wi 0-Wi n-αi(Wi 0-Wi n)-Wi 2βi+Wi 1βi＝0
求解得：
Figure GDA0002945533710000152
则，汽车回收报废阶段总体的碳排放计算公式为：
Figure GDA0002945533710000153
式中，
Figure GDA0002945533710000154
表示在初级生产中1kg材料i对环境的影响因素，
Figure GDA0002945533710000155
表示在次级生产中1kg材料i对环境的影响因素。
具体地，确定企业的初始碳排放权分配的过程为：
将企业的初始碳配额分为两部分，一是固定配额，二是动态配额，则汽车企业所获得的配额是：
Pc＝ωc0μ0+(1-ω)γ
式中，ω是固定的碳配额比例，(1-ω)是动态的碳配额比例，μ0是固定基准年的碳排放量，c0是固定基准年的碳排放系数，γ为动态配额。
其中，固定基准年的碳排放量μ0通过汽车购置前的碳排放核算模型计算得到，即：
Figure GDA0002945533710000156
式中，Ci为第i年汽车在生产过程中产生的总碳排放量，n的取值根据企业历史数据情况可取n＝[2,3,4,5]。
个人碳排放核算模型
具体地，如图4所示，建立个人碳排放核算模型的过程为：
根据政府气候变化专门委员会(IPCC)出台的《碳排放技术指南》提供的从能源耗费角度计算二氧化碳排放数量的方法，即排放系数法的具体计算公式如下：
CE＝ΣCEi＝∑Ei×Fi
式中，CE为总的碳排放量，CEi为消耗第i种能源的碳排放量，Ei为第i种能源的消耗量，Fi为第i种能源的碳排放因子。从上式可以看出，只要知道每一种能源的消耗量以及相对应的碳排放因子就可以计算出总的碳排放总量。
依托现有的汽车大数据平台所采集的数据，结合碳排放系数法，进行行车碳排放的计算。将汽车分为燃油车和新能源车，其中，新能源车包括插电式混合动力汽车和纯电动汽车，两者的区别在于插电式混合动力汽车的能量来源包括了燃油和电能两个部分。基于行车数据，可以获取在某一次行车过程的初始SOC、终止SOC，起始油量和终止油量以及其充电地点和充电量等相关数据情况。其碳排放量的计算公式表示为：
EC＝δ·|SOCter-SOCstart|·α·c+k·|fuelter-fuelstart|·β
式中，k的取值为{0,1}，k＝0时，表示计算纯电动汽车的碳排放量；k＝1且δ≠0时，表示计算插电式混合动力汽车的碳排放量；k＝1且δ＝0时，表示计算插电式混合动力汽车的碳排放量；c为电池的容量，α,β分别为电能的转换系数和燃油的转换系数，SOCstart,fuelstart,SOCter,fuelter分别为某一次行车过程的初始SOC、初始油量、行车结束时的终止SOC、终止油量；δ是激励系数。
因为考虑到驾驶员不会使新能源车电池的电量下降到0后才进行汽车的充电，而是当电池的电量仍存有剩余时就会进行汽车的充电，所以这就涉及到如果剩余电量和新充电电量所对应的δ和α不同时，应该如何确定两个参数来进行碳排放计算的问题。本发明对此作出规定：在计算时采用优先使用剩余电量的思想来计算某次出行时产生的碳排放量。具体的计算方式为：
充电前电池剩余电量为SOCrem，充这一部分电量时所对应的激励系数为δ1，充电电量为SOCchar，这一部分电量对应的激励系数为δ2，假设电量的来源都是火电，也就是这两部分对应的α是相同的。
若|SOCter-(SOCrem+SOCchar)|≤SOCrem，则
CE＝δ1·|SOCter-(SOCrem+SOCchar)|·α·c
若|SOCter-(SOCrem+SOCchar)|>SOCrem，则
CE＝δ1·SOCrem·c·α+δ2·(|SOCter-(SOCrem+SOCchar)|-SOCrem)·α·c
对于激励系数δ的确定，如图5所示，电动汽车作为一个移动的、可以储蓄电能的“装置”，对于电网可以起到“削峰填谷”的作用。为了制定一系列的规则来引导新能源车主选择合适的地点和时间进行电动汽车充电，以实现电动汽车的有序充电，本发明提出采用激励系数的方法折合驾驶员在行车过程中使用的碳量，进而来引导驾驶员选择在合适的时间和地点充电。激励系数是一个与充电时刻和充电地点有关的参数，如下：
δ＝l(t,w)
式中，t表示充电时刻，w表示充电站地点。车主选择不同时间、不同充电站给汽车充电时，其所充电量对应的激励系数是不同的。如图5所示，如果在时间t1时，第一充电桩(即充电桩1)处的电网负荷较大，而第三充电桩(即充电桩3)处的电网负荷较小，那么为了均衡电网负荷，提高电网整体效率，应该引导新能源车去第三充电桩处进行充电，此时就可以通过降低第三充电桩处的激励系数的方式来吸引电动汽车去第三充电桩处充电，则驾驶员在使用该部分电能时，所消耗的碳排放额度就会变小，以此来引导驾驶员合理选择充电地点和充电时间。而结合汽车大数据，可以记录其充电时间和充电地点，从而在行车过程中，可以得到所消耗的电量所对应的激励系数，进行碳排放量的折算。
个人反馈机制
具体地，如图6所示，建立个人反馈机制的过程为：
对于个人反馈机制，考虑三个因素：一是驾驶员风格，二是驾驶风格转变程度，三是驾驶行为转变裕度，即将驾驶员风格、驾驶员风格的转变及转变的程度这三个指标纳入到动态配额的制定过程中，即
γ′＝f(driver,YoY,cr)
式中，γ′表示个人碳分配的动态配额，driver代表了驾驶风格，YoY表征了驾驶风格转变程度，cr表征了驾驶行为转变裕度。
对于驾驶员风格的分类，首先将行车数据按行驶工况进行分类，进行工况分类要确定工况识别的特征参数。国标GB/T32960.3-2016《电动汽车远程服务与管理系统技术规范第三部分：通信协议及数据格式》规定了新能源车通信过程中需要传输的数据种类，可以从标准中选择合适的特征参数，也可以结合优化算法，优化选取的特征参数以提高工况分类的准确性。选取合适的特征参数后，结合机器学习算法，实现对于行车数据按工况分类。本发明将工况划分四种：拥堵工况、城市工况、郊区工况以及高速工况。然后将行驶大数据按照行驶工况划分为四个数据集，在每一种工况下再进行驾驶员风格的识别。驾驶员风格的分类同样采用选取特征参数，然后采用聚类算法，来确定在同一工况下的驾驶员风格。通过区分工况再识别驾驶员风格的方法，解决了行驶工况对于驾驶员风格的影响，提高了驾驶员风格的识别准确性。本发明将驾驶员风格划分为三种：激进型、稳重型和保守型，其对应取值分别为0.8、0.5、0.2。
对于驾驶风格的转变，其是一个渐进的过程，应该对驾驶员在整个改变不良行为的过程取得进步给与“奖励”，所以引入驾驶员风格转变程度来表征。其量化参数选取为：相同工况下行驶单位里程的碳排放的减少量。其具体表达式为：
Figure GDA0002945533710000181
式中，CEnew,i为今年在第i种工况下行驶的碳排放量，CEold,i为去年在第i中工况下行驶的碳排放量，Lnew,i，Lold,i分别为今年和去年在第i种工况下的行驶里程，这些参数均可以通过汽车大数据平台获取。i＝1,2,3,4分别表示高速工况、城市工况、郊区工况以及拥堵工况。结合行车大数据，计算上一年度驾驶员在不同工况下行驶单位里程的碳排放量以及今年驾驶员在不同工况下行驶单位里程的碳排放量。通过对比两个年度的相同工况下行驶单位里程的碳排放，来衡量驾驶员对于自身在不良行为方面的改变程度。其值增大，在下一年度的初始碳配额分配中获得碳配额应相对增加。
对于驾驶行为转变裕度，是指驾驶员在相同工况下行驶单位里程的碳排放量与全国平均水平的差值。其具体表达式为：
Figure GDA0002945533710000182
式中，CEi为在第i种工况下行驶的碳排放量，Li为在第i种工况下行驶里程。CEave,i为在第i种工况下行驶单位里程的全国平均碳排放量，i＝1,2,3,4分别表示高速工况、城市工况、郊区工况以及拥堵工况。cr<0表示该驾驶员的行驶单位里程的碳消耗量低于全国平均水平，作为奖励，在下一年度的初始碳配额分配中获得的碳配额额度应相应增加。
具体地，确定车主的初始碳排放权分配的过程为：
本发明将车主的初始交通碳配额分为两部分，一是固定配额，二是动态配额。
将各车主的基准年交通碳排放量由小到大的顺序进行排列，设为T1,T2,…,Tn，n为车主的人数，对于某车主的基准年交通碳排放量Ti：
Figure GDA0002945533710000191
式中，CEm,g为第i位车主第m年第g次行车过程的碳排放量，s为第i位车主一年的行车次数，k的取值根据车主历史数据情况可取k＝[2,3,4,5]
当n为奇数时，中位数碳配额为：
T0.5＝T(n+1)/2
当n为偶数时，中位数碳配额为：
Figure GDA0002945533710000192
则车主的最终初始碳配额为：
Ti＝eT0.5+(1-e)γ′T0.5
式中，e是固定配额比例，(1-e)是动态配额比例，γ′表示个人碳分配的动态配额。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于汽车大数据的初始碳排放权分配方法，其特征在于，所述基于汽车大数据的初始碳排放权分配方法包括：
基于汽车大数据建立汽车购置前的碳排放核算模型；
基于汽车大数据建立车企反馈机制，其中所述车企反馈机制考虑车企生产车辆的综合碳排放量水平以及车企车辆回收利用产生的碳排放量来建立；
根据汽车购置前的碳排放核算模型以及车企反馈机制来分配车企的初始碳排放权，其中将汽车购置前的碳排放作为固态配额参考，将车企反馈机制作为动态配额参考；
基于汽车大数据建立个人碳排放核算模型；
基于汽车大数据建立考虑驾驶员风格的个人反馈机制；
根据个人碳排放核算模型以及个人反馈机制来分配车主的初始碳排放权，其中将个人碳排放作为固态配额参考，将个人反馈机制作为动态配额参考；
所述汽车购置前的碳排放核算模型包括：
四大工艺的碳排放：Czz＝∑AiFd+∑BiFs+∑CiFzq+∑DiFtrq，
式中，Czz为造车四大工艺过程中的碳排放总量，Ai代表每个工艺的电能消耗量，Fd为电的碳排放系数，Bi为每个工艺的水消耗量，Fs为水的碳排放系数，Ci为每个工艺的蒸汽消耗量，Fzq为蒸汽的碳排放系数，Di为每个工艺的天然气消耗量，Ftrq为天然气的碳排放系数；
原材料运输产生的碳排放：原材料的运输仅考虑运输过程中燃油的消耗，包括从产地运到企业和企业内的移动，因而原材料运输产生的碳排放量计算公式如下：
Cys＝E*Fq或Cys＝E*Fc，
式中，Cys代表原材料运输过程中的碳排放量，E为运输过程中汽油或柴油的消耗量，Fq为汽油的碳排放系数，Fc为柴油的碳排放系数；
则传统燃油车在生产过程中产生的总碳排放量C为：C＝Czz+Cys；
所述汽车购置前的碳排放核算模型还包括：
针对新能源汽车，还包括电池制造部分的碳排放，电池制造阶段分为两个部分：
在原材料制备过程中，耗电量根据各原材料制造的耗电量计算：Ec＝∑Ei，
式中，Ec代表制造过程中的总电耗，Ei代表第i种材料的电耗；
在组装过程中，采用整体测算的方法，记录组装一批同型号电池的耗电量，然后除以电池的个数得到单个电池的耗电量：Ez＝Ea/n，
式中，Ez代表单个电池的组装耗电量，Ea代表组装一批同型号电池的总耗电量，n代表组装电池的个数；
电池制造过程中的碳排放量为：Cz＝(Ec+Ez*a)*Fd，
式中，Cz代表电池制造过程中的碳排放量，a代表使用同种组装工艺的单体电池的个数，
则新能源汽车在生产过程中产生的总碳排放量C为：C＝Czz+Cys+Cz；
所述个人碳排放核算模型包括：
排放系数法的具体计算公式如下：
CE＝∑CEi＝∑Ei×Fi
式中，CE为总的碳排放量，CEi为消耗第i种能源的碳排放量，Ei为第i种能源的消耗量，Fi为第i种能源的碳排放因子；
依托汽车大数据平台所采集的数据，结合碳排放系数进行行车碳排放的计算，将汽车分为燃油车和新能源车，其中，新能源车包括插电式混合动力汽车和纯电动汽车，两者的区别在于插电式混合动力汽车的能量来源包括了燃油和电能两个部分，基于汽车大数据平台的行车数据，获取在某一次行车过程的初始SOC、终止SOC，起始油量和终止油量以及其充电地点和充电量相关数据情况，其碳排放量的计算公式表示为：
CE＝δ·|SOCter-SOCstart|·α·c+k·|fuelter-fuelstart|·β
式中，k的取值为{0，1}，k＝0时，表示计算纯电动汽车的碳排放量；k＝1且δ≠0时，表示计算插电式混合动力汽车的碳排放量；k＝1且δ＝0时，表示计算燃油车的碳排放量；c为电池的容量，α，β分别为电能的转换系数和燃油的转换系数，SOCstart，fuelstart，SOCter，fuelter分别为某一次行车过程的初始SOC、初始油量、行车结束时的终止SOC、终止油量，δ是激励系数；
在计算时采用优先使用剩余电量的思想来计算某次出行时产生的碳排放量，具体的计算方式为：
充电前电池剩余电量为SOCrem，充这一部分电量时所对应的激励系数为δ1，充电电量为SOCchar，这一部分电量对应的激励系数为δ2，假设电量的来源都是火电，也就是这两部分对应的α是相同的，
若|SOCter-(SOCrem+SOCchar)|≤SOCrem，则
CE＝δ1·|SOCter-(SOCrem+SOCchar)|·α·c
若|SOCter-(SOCrem+SOCchar)|＞SOCrem，则
CE＝δ1·SOCrem·c·α+δ2·(|SOCter-(SOCrem+SOCchar)|-SOCrem)·α·c；
所述考虑驾驶员风格的个人反馈机制通过如下方式确定：
将驾驶员风格、驾驶员风格的转变程度及转变裕度这三个指标纳入到动态配额的制定过程中，即
γ′＝f(driver，YoY，cr)
式中，γ′表示个人碳分配的动态配额，driver代表了驾驶风格，YoY表征了驾驶风格转变程度，cr表征了驾驶行为转变裕度；
对于驾驶员风格的分类，首先将行车数据按行驶工况进行分类，将工况划分四种：拥堵工况、城市工况、郊区工况以及高速工况，然后将行驶大数据按照行驶工况划分为四个数据集，在每一种工况下再进行驾驶员风格的识别，驾驶员风格的分类同样采用选取特征参数，然后采用聚类算法，来确定在同一工况下的驾驶员风格，将驾驶员风格划分为三种：激进型、稳重型和保守型，其对应取值分别为0.8、0.5、0.2；
对于驾驶风格的转变，引入驾驶员风格转变程度来表征，其量化参数选取为：相同工况下行驶单位里程的碳排放的减少量，其具体表达式为：
Figure FDA0003507082600000021
式中，CEnew，i为今年在第i种工况下行驶的碳排放量，CEold，i为去年在第i中工况下行驶的碳排放量，Lnew，i，Lold，i分别为今年和去年在第i种工况下的行驶里程，i＝1，2，3，4分别表示高速工况、城市工况、郊区工况以及拥堵工况，结合行车大数据，计算上一年度驾驶员在不同工况下行驶单位里程的碳排放量以及今年驾驶员在不同工况下行驶单位里程的碳排放量，通过对比两个年度的相同工况下行驶单位里程的碳排放，来衡量驾驶员对于自身在不良行为方面的改变程度，YoY值增大，在下一年度的初始碳配额分配中获得碳配额应相对增加；
驾驶行为转变裕度为驾驶员在相同工况下行驶单位里程的碳排放量与全国平均水平的差值，其具体表达式为：
Figure FDA0003507082600000031
式中，CEi为在第i种工况下行驶的碳排放量，Li为在第i种工况下行驶里程，CEave，i为在第i种工况下行驶单位里程的全国平均碳排放量，i＝1，2，3，4分别表示高速工况、城市工况、郊区工况以及拥堵工况，cr＜0表示该驾驶员的行驶单位里程的碳消耗量低于全国平均水平，作为奖励，在下一年度的初始碳配额分配中获得的碳配额额度应相应增加。
2.根据权利要求1所述的基于汽车大数据的初始碳排放权分配方法，其特征在于，所述车企生产车辆的综合碳排放量水平通过以下方式确定：
基于汽车大数据平台，利用实时监控的车辆燃料消耗率和百公里能耗，得到每辆车的单位里程碳排放量，单位是g/100km，计算公式如下：
Figure FDA0003507082600000032
其中，α为每升燃油转换为碳排放量的转换系数，单位是g/L；E为燃料消耗率，单位是L/100km；βc为每千瓦时电量转换为碳排放量的转换系数，单位是g/kwh，c表示不同的电力来源，βc随c的不同存在数值上的差异；Q为百公里能耗，单位是kwh/100km；
假设录入汽车大数据平台的i类型车辆的总数量为Ni，其中i＝1，2……27，则此类车辆的单位里程碳排放量的期望为：
Figure FDA0003507082600000033
其中，Lk为属于i类型的某车的累计行驶里程，其中k＝1，2……Ni；
方差为：
Figure FDA0003507082600000034
对录入汽车大数据平台的i类型车辆的单位里程碳排放量进行从高到低排序，以均值点为准，均值点向前一个方差与均值点向后一个方差的范围为等级B，小于等级B的范围为等级A，大于等级B的范围为等级C；
假设某企业g生产i类型车辆的数量为Ng，i，则表征该企业此类车辆的单位里程碳排放量的计算公式如下：
Figure FDA0003507082600000035
式中，Lg，k为属于该企业的i类型车辆的某车的累计行驶里程；
基于不同类型车辆的碳排放等级表，根据CEg，i判断某企业某类型的车辆处于哪一个碳排放等级，进而对该企业的综合碳排放量水平进行评价，为了激励企业提升自身的技术水平，规定处于A等级的车型得分较高为95分，B等级的车型得分为60分，C等级的车型得分较低为25分，假设某企业g处于A等级的车型有MA种，处于B等级的车型有MB种，处于C等级的车型有Mc种，则该企业的车企生产车辆的综合碳排放量水平如下式：
Figure FDA0003507082600000041
3.根据权利要求2所述的基于汽车大数据的初始碳排放权分配方法，其特征在于，所述车企车辆回收利用产生的碳排放量通过以下方式确定：
设定各种材料质量为mi，材料收集效率为
Figure FDA0003507082600000042
物料回收比例为
Figure FDA0003507082600000043
则材料从生产加工到汽车制造阶段的损失的总回收比例为：
Figure FDA0003507082600000044
汽车材料报废回收过程中，车体剪碎、破碎后变成废钢铁，若材料收集效率为
Figure FDA0003507082600000045
材料粉碎的效率为
Figure FDA0003507082600000046
物料回收比例为
Figure FDA0003507082600000047
则汽车报废后回收的总回收比例为：
Figure FDA0003507082600000048
材料初级生产与次级生产的置换率为βi，车辆生命周期内材料的报废总量为Wi 0，车辆生命周期内回收的材料总量为Wi n，废料初级生产回收量为Wi 1，废料次级生产回收量为Wi 2，材料次级生产的比例为
Figure FDA00035070826000000422
废料报废率为αi，材料生产的质量为
Figure FDA0003507082600000049
车辆材料的总体回收率为
Figure FDA00035070826000000410
其中，
Figure FDA00035070826000000411
Figure FDA00035070826000000412
Figure FDA00035070826000000420
Figure FDA00035070826000000421
根据废料平衡的原则，则：
Wi 0-Wi n-αi(Wi 0-Wi n)-Wi 2βi+Wi 1βi＝0
求解得
Figure FDA00035070826000000413
则，车企车辆回收利用产生的碳排放量计算公式为：
Figure FDA00035070826000000414
式中，
Figure FDA00035070826000000415
表示在初级生产中1kg材料i对环境的影响因素，
Figure FDA00035070826000000416
表示在次级生产中1kg材料i对环境的影响因素。
4.根据权利要求3所述的基于汽车大数据的初始碳排放权分配方法，其特征在于，根据汽车购置前的碳排放核算模型以及车企反馈机制来分配车企的初始碳排放权的过程如下：
Figure FDA00035070826000000417
式中，γ表示车企碳分配的动态配额，CEg表示车企生产车辆的综合碳排放量水平，
Figure FDA00035070826000000418
友示车企车辆回收利用产生的碳排放量，
则汽车企业所获得的配额是：
Pc＝ωc0μ0+(1-ω)γ
式中，ω是固定的碳配额比例，(1-ω)是动态的碳配额比例，μ0是固定基准年的碳排放量，c0是固定基准年的碳排放系数，γ为车企碳分配的动态配额；
其中，固定基准年的碳排放量μ0通过汽车购置前的碳排放核算模型计算得到，即：
Figure FDA00035070826000000419
式中，Ci为第i年汽车在生产过程中产生的总碳排放量，n的取值根据企业历史数据情况可取n＝[2，3，4，5]。
5.根据权利要求1所述的基于汽车大数据的初始碳排放权分配方法，其特征在于，激励系数δ通过如下方式确定：
采用激励系数的方法折合驾驶员在行车过程中使用的碳量，进而来引导驾驶员选择在合适的时间和地点充电，激励系数是一个与充电时刻和充电地点有关的参数，如下：
δ＝l(t，w)
式中，t表示充电时刻，w表示充电站地点，
车主选择不同时间、不同充电站给汽车充电时，其所充电量对应的激励系数不同，如果在时间t1时，第一充电桩处的电网负荷较大，而第三充电桩处的电网负荷较小，通过降低第三充电桩处的激励系数的方式来吸引电动汽车去第三充电桩处充电，则驾驶员在使用该部分电量时，所消耗的碳排放额度就会变小，以此来引导驾驶员合理选择充电地点和充电时间，结合汽车大数据平台的数据，记录其充电时间和充电地点，从而在行车过程中，得到所消耗的电量所对应的激励系数，进行碳排放量的折算。
6.根据权利要求1所述的基于汽车大数据的初始碳排放权分配方法，其特征在于，根据个人碳排放核算模型以及个人反馈机制来分配车主的初始碳排放权的过程如下：
将各车主的基准年交通碳排放量由小到大的顺序进行排列，设为T1，T2，...，Tn，n为车主的人数，对于某车主的基准年交通碳排放量Ti：
Figure FDA0003507082600000051
式中，CEm，g为第i位车主第m年第g次行车过程的碳排放量，s为第i位车主一年的行车次数，k的取值根据车主历史数据情况可取k＝[2，3，4，5]
当n为奇数时，中位数碳配额为：
T0.5＝T(n+1)/2
当n为偶数时，中位数碳配额为：
Figure FDA0003507082600000052
则车主的最终初始碳配额为：
Ti＝eT0.5+(1-e)γ′T0.5
式中，e是固定配额比例，(1-e)是动态配额比例，γ′表示个人碳分配的动态配额。
CN202011389507.2A 2020-12-01 2020-12-01 基于汽车大数据的初始碳排放权分配方法 Expired - Fee Related CN112613699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011389507.2A CN112613699B (zh) 2020-12-01 2020-12-01 基于汽车大数据的初始碳排放权分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011389507.2A CN112613699B (zh) 2020-12-01 2020-12-01 基于汽车大数据的初始碳排放权分配方法

Publications (2)

Publication Number Publication Date
CN112613699A CN112613699A (zh) 2021-04-06
CN112613699B true CN112613699B (zh) 2022-04-05

Family

ID=75228506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011389507.2A Expired - Fee Related CN112613699B (zh) 2020-12-01 2020-12-01 基于汽车大数据的初始碳排放权分配方法

Country Status (1)

Country Link
CN (1) CN112613699B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792913A (zh) * 2021-08-24 2021-12-14 华南理工大学 考虑碳排放补偿的货运服务优化方法、系统、装置及介质
CN113657875A (zh) * 2021-10-20 2021-11-16 中汽数据(天津)有限公司 车队生命周期碳排放核算方法、设备和介质
CN114067922A (zh) * 2021-10-28 2022-02-18 广东邦普循环科技有限公司 一种锂电池正极材料烧结的碳排放的核算系统
CN115186870B (zh) * 2022-06-10 2023-04-18 北京工业大学 一种基于大数据的居民点出行碳排放的核算方法
CN116842682B (zh) * 2023-04-20 2024-07-12 西北大学 一种基于新能源汽车碳减排奖励的碳交易模型构建方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7589529B1 (en) * 2005-11-14 2009-09-15 Active Spectrum, Inc. Method of and apparatus for in-situ measurement of degradation of automotive fluids and the like by micro-electron spin resonance (ESR) spectrometry
JP5720950B2 (ja) * 2011-12-22 2015-05-20 トヨタ自動車株式会社 排ガス浄化装置
CN103197031B (zh) * 2013-02-26 2014-12-10 北京师范大学 一种基于园区碳排放计量方法的遥控巡逻系统
CN103258247A (zh) * 2013-05-17 2013-08-21 广东工业大学 一种基于目标级联分析法的碳排放优化方法
CN105260836A (zh) * 2015-10-13 2016-01-20 天津大学 汽车制造企业碳排放采集核算系统及其方法
CN105976105A (zh) * 2016-04-29 2016-09-28 广州绿石碳资产管理有限公司 一种碳排放管理的方法与装置
CN106056934B (zh) * 2016-08-04 2018-10-16 杭州普乐科技有限公司 一种智慧型主动式交通信号控制器的控制方法
CN107045335A (zh) * 2017-03-16 2017-08-15 欧科佳（上海）汽车电子设备有限公司 一种车辆远程诊断系统及方法
CN107069881A (zh) * 2017-05-09 2017-08-18 郭宜萍 一种共享移动汽车电池系统及使用方法
CN108062617B (zh) * 2017-11-28 2021-01-12 华电电力科学研究院有限公司 一种火力机组碳排放配额调节方法
CN108109073A (zh) * 2017-11-29 2018-06-01 江苏省信息中心 基于资源环境要素耦合分析的碳排放空间配置方法
WO2019135276A1 (ja) * 2018-01-05 2019-07-11 日産自動車株式会社 内燃機関の空燃比制御方法および空燃比制御装置
CN108757120B (zh) * 2018-04-11 2019-11-12 杭州休伦科技有限公司 基于48v弱混系统的scr热管理系统及排放优先控制方法
CN108717599A (zh) * 2018-04-26 2018-10-30 中冶赛迪重庆环境咨询有限公司 一种汽车制造企业碳排放核算系统及其方法
CN109118090A (zh) * 2018-08-15 2019-01-01 北京元链科技有限公司 一种基于区块链技术的共享交通工具碳排放系统
CN110489871A (zh) * 2019-08-20 2019-11-22 东南大学 考虑新能源汽车渗透的环境影响评估软件
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
CN110956343A (zh) * 2020-01-02 2020-04-03 国家电网有限公司 一种基于碳排放约束的电动汽车保有量预测方法及系统
CN111680936B (zh) * 2020-08-12 2020-12-18 深圳市城市交通规划设计研究中心股份有限公司 一种交通碳排放量的监测方法、装置及终端设备

Also Published As

Publication number Publication date
CN112613699A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN112613699B (zh) 基于汽车大数据的初始碳排放权分配方法
Zhou et al. Real-world performance of battery electric buses and their life-cycle benefits with respect to energy consumption and carbon dioxide emissions
Carlsson et al. Costs and benefits of electric vehicles
Hacker et al. Environmental impacts and impact on the electricity market of a large scale introduction of electric cars in Europe-Critical Review of Literature
CN103745111B (zh) 纯电动乘用车续驶里程预测方法
Proff et al. Competitiveness of the EU automotive industry in electric vehicles
Guandalini et al. Well-to-wheel driving cycle simulations for freight transportation: battery and hydrogen fuel cell electric vehicles
Schmid et al. Electrification of waste collection vehicles: Technoeconomic analysis based on an energy demand simulation using real-life operational data
Majchrzak et al. Economic and environmental assessment of the use of electric cars in Poland
Tol et al. Techno-economic uptake potential of zero-emission trucks in Europe
Lachvajderová et al. Analysis of internal combustion engine vehicle, battery electric vehicle and emissions from transport
Zhu et al. The Bhutan electric vehicle initiative: scenarios, implications, and economic impact
Abdelouahed et al. Techno‐economic study for the implementation of electric buses for sustainable urban and interurban transportation
Xing et al. Optimal range of plug-in electric vehicles in Beijing and Shanghai
Burke et al. Evaluation of the Economics of Battery-Electric and Fuel Cell Trucks and Buses: Methods
Burke et al. Evaluation of the Economics of Battery-Electric and Fuel Cell Trucks and Buses: Methods, Issues, and Results
Brady et al. Introduction of electric vehicles to Ireland: socioeconomic analysis
Manuguerra et al. Eco-design tool to support the design of industrial electric vehicles. The case studies of an electric shuttle and an autonomous mobile robot
Wang et al. The Current and Future Performance and Costs of Battery Electric Trucks: Review of Key Studies and A Detailed Comparison of Their Cost Modeling Scope and Coverage
Dallmann et al. Strategies for deploying zero-emission bus fleets: Route-level energy consumption and driving range analysis
Econometrics Trucking into a Greener Future: the economic impact of decarbonizing goods vehicles in Europe
Vassileva et al. Perceptions and Adoption of EVs for Private Use and Policy Lessons Learned
Vyas et al. Electric and hybrid electric vehicles: A technology assessment based on a two-stage Delphi study
Tautkus et al. PROSPECTS OF ELECTRIC VEHICLE TECHNOLOGIES: A COMPREHENSIVE REVIEW
Goh Development of a decision process based on green performance index for electric bus operation

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220405