2024, Vol. 45
2. 天津市城市交通污染防治研究重点实验室, 天津 300071;
3. 河南天朗生态科技有限公司, 郑州 450000
2. Tianjin Key Laboratory of Urban Transport Emission Research, Tianjin 300071, China;
3. Henan Tianlang Ecological Technology Co., Ltd., Zhengzhou 450000, China
道路交通排放已经成为我国城市区域大气污染的主要来源[1~3], 2020年, 中国交通部门排放了8.96亿t CO2, 占总排放的9%, 且排放量和占比均呈逐年上升趋势[4].为从源头减少大气污染物和碳排放, 我国统筹开展了大气减污降碳协同增效行动[5~7].在交通领域, 以清洁化运输为切入点, 构建城市绿色出行体系, 逐步推动公共领域用车电动化, 其中公交电动化, 是实现道路交通部门的“低排放”的重要手段.我国目前有超过80万辆公交车在运营, 得益于早在2009启动的“十城千辆工程”长期战略计划, 我国通过补贴推动了新能源汽车的发展[8], 截至2021年, 全国新能源城市公交车比例超过66%.
近年来国内外学者针对公交车电动化开展了多层次研究.有研究从经济政策角度对规模化推广发展新能源公交车汽车进行评估[9~11].从车辆运行优化角度, 研究者为电动公交车线路规划及车辆替换提出了优化方案[12~15].在公交电动化环境影响评价角度, 分别从能耗[16, 17]、温室气体及碳减排[18~21]和车辆及车队排放[22~24]这3个领域进行了广泛研究, 同时对国内外城市的车队电动化案例也进行了分析[25~32].对于车队电动化, 研究侧重于电动公交车运行过程、燃料生命周期以及全生命周期的碳及污染物排放评估[33], 其中燃料生命周期（well to wheels, WTW）研究是当前关注的重点.现有研究采用WTW评估方法比较了电动公交车与多种传统燃料公交车型的CO2排放的差异, 以上研究表明电动公交车在CO2减排方面具有较大潜能[34, 35].此外还有学者结合城市数据, 对公交系统如（bus rapid transit, BRT）等电动化后的WTW排放进行了计算[36], 这类公交车队燃料生命周期评估通常使用基于燃料消耗的自上而下方法和基于车辆活动的自下而上方法进行建模计算, 但在估算过程中, 由于不同国家和城市的公交电动化进程、车型结构、电力结构等因素存在较大差异, 且车队实际运营数据对评估准确性影响巨大, 车队电动化环境效益研究结论在不同国家和区域呈现较大差异[36~38].因此, 有必要采用本地化真实车队运营数据, 开展我国城市公交车队电动化发展的环境影响研究, 为城市改善环境空气质量综合决策提供科学支撑.
郑州是河南省省会, 地处中国中部地区, 也是国家中心城市. 郑州具有较高的工业、交通和人口密度, 2021年机动车保有量超过500万辆[39]. 根据《河南省新能源及网联汽车发展三年行动计划》, 郑州市于2017年启动新一轮公交电动化, 2018年和2019年分两期替换. 随着郑州市公交车的电动化, 超过90%的公交车已更换为新能源公交车[40].本研究基于本地化真实替换情景及运营数据, 采用燃料生命周期分析方法, 对郑州市公交车队电动化的环境效益进行评价, 结合情景分析, 以期为继续推进大中型城市公交全面电动化进程提供参考.
1 材料与方法 1.1 研究范围与数据处理 1.1.1 研究边界本研究中公交车队电动化的环境影响是根据WTW方法计算CO2和4种常规污染物（CO、NOx、VOC、PM2.5）尾气排放量来估算的.WTW分析专注于车辆的燃料周期评估, WTW方法涵盖燃料生产阶段（well to tank, WTT）和燃料燃烧阶段（tank to wheels, TTW）.WTT阶段包含原料生产、运输、燃料生产和燃料分配过程, TTW阶段包括车辆运行过程.WTW方法中内燃机公交与电动公交燃料周期系统边界如图 1所示.
|
包含WTT阶段和TTW阶段 图 1 内燃机公交与电动公交燃料周期研究边界 Fig. 1 WTW research boundary of internal combustion engine bus and electric bus |
本研究中车辆属性信息、车辆班次、运行轨迹数据和燃料消耗数据来源于郑州市公交公司.车辆信息截至2019年12月, 车辆班次、轨迹数据及燃料消耗数据共两周, 范围为2017年12月1~7日和2019年12月2~8日.WTT阶段内燃机公交和电动公交的CO2与污染物排放因子使用美国阿贡实验室开发的GREET（greenhouse gases, regulated emissions, and energy use in transportation model）模型计算, TTW阶段CO2因子使用GREET模型计算, 常规污染物因子使用基于车速的HTSVE（high temporal-spatial resolution vehicle emission inventory model）模型获取[41, 42].郑州市发电结构数据来源于统计年鉴[43].
1.1.3 公交车队数据统计本研究分燃料类型对车辆数据进行统计如图 2所示.从总保有量看, 为满足公交出行需求, 运营车队进行了车辆替换与车辆补充, 车队扩容136辆.从替换角度看, 纯燃料车型如柴油、压缩天然气车（compressed natural gas vehicle, CNG）及燃料混合动力车型（hybrid electric vehicle, HEV）如柴油混合动力-柴油（HEV-柴油）、液化天然气混合动力（HEV-LNG）和压缩天然气混合动力（HEV-CNG）全部被淘汰并进行了纯电动替换, 插电混合车辆（plug-in hybrid electric vehicle, PHEV）由于车龄较新, 并未进行调整.此外, 除纯电动公交外还有223辆氢能源公交加入了运营车队.经过本轮电动化, 车队新能源化率由92%提升到100%, 纯电动化率由25%提升到56%.
|
图 2 本轮电动化前（2017年）后（2019年）各燃料类型车辆数量变化情况 Fig. 2 Numbers of vehicles for each fuel type before (2017) and after (2019) bus fleet electrification |
根据车队运行里程与实际月度燃料加注及充电量数据, 计算得到车辆单位里程平均能源消耗, 如表 1所示, 此数据将用于基于燃料消耗的排放量计算.
|
表 1 各类型车辆单位里程平均能源消耗 Table 1 Average energy consumption per unit mileage for various vehicle categories |
1.1.4 车辆运行数据处理
车辆运行数据处理的核心是刻画公交车的真实行程轨迹, 本研究采用以下步骤处理生成车辆轨迹数据.首先, 基于每日车辆班次表, 获取当日实际运营车辆列表, 遍历列表从车辆运行GPS记录数据库中逐辆提取该车当日轨迹数据集, 数据包含时间戳及车辆经纬度字段；随后将GPS点数据与实际的道路地图进行匹配, 实现车辆空间属性与GIS信息的对应, 生成车辆运行轨迹数据集.对原始GPS数据中存在的时空异常和缺失点, 采用基于KDTree的点线近邻匹配优化算法进行时空填补[44], 保证数据的时空连续性；处理后该轨迹集合每15s一条记录, 一条记录为一个轨迹子段, 并通过地理运算增加各子段对应的里程及车速.此数据作为基于里程及车速的排放量计算流程中的活动水平输入.轨迹数据处理流程如图 3所示.
|
图 3 公交车轨迹数据生成流程 Fig. 3 Flow of bus trajectory data generation |
WTW阶段排放可拆分为WTT和TTW两个阶段独立进行计算, WTW阶段总排放计算方法如式（1）所示.
|
(1) |
式中, Ec,pWTW、EWTTc,p和Ec,pTTW分别为两类c（内燃机公交、电动公交）在WTW、WTT和TTW阶段的污染物p（CO2、CO、NOx、VOC、PM2.5）的排放量, 单位为t.
1.2.1 WTT阶段WTT阶段CO2及各污染物排放量采用基于燃料消耗量的方式计算.WTT阶段排放计算方法如式（2）所示.
|
(2) |
式中, Dc为车型c（内燃机公交和电动公交）的行驶里程, 单位km, 根据1.1.4节方法计算获取；FCc为单位里程平均能源消耗, 参照表 1获取；EFc,pWTT为WTT阶段污染物p（CO2、CO、NOx、VOC和PM2.5）排放因子.
1.2.2 TTW阶段TTW阶段通常认为仅内燃机公交存在CO2与污染物排放, 对于CO2排放, 与WTT阶段类似, 采用基于燃料消耗量的方式计算, 见式（3）.
|
(3) |
式中, c为内燃机公交, p为CO2, Dc为内燃机公交的行驶里程, 单位km；FCc为单位里程平均能源消耗, 参照表 1获取；EFc,pTTW为TTW阶段污染物CO2排放因子.
对于其他污染物排放, 采用基于轨迹里程与轨迹速度的方法进行计算, 见式（4）.
|
(4) |
式中, c为内燃机公交, p为其他污染物（CO、NOx、VOC和PM2.5）, m为参与计算的公交车数量, Nm为第m辆车的运行轨迹段数量, Dc,m,n为第m辆车在第n段轨迹的行驶里程, EF（vm,n）c,p,m,nTTW为第m辆车在第n段轨迹上基于平均车速vm,n计算得到的污染物p（CO、NOx、VOC和PM2.5）排放因子.
1.2.3 排放因子获取根据GREET模型估算WTT阶段排放因子, 其中, 发电结构对电动车排放因子有较大影响[45].因此本研究基于2019年郑州市统计年鉴, 获取本轮电动化过程中的发电结构数据, 同时, 考虑到“双碳”目标的实现, 根据郑州市现代能源体系规划中对电力供应的预测结果, 通过降低火力发电比例, 提升水力和太阳能发电占比, 作为2025年和2035年的优化后电力结构.3类发电结构如表 2所示.
|
|
表 2 研究时间范围内郑州市发电结构及优化后发电结构/% Table 2 Power generation structure and optimized power generation structure of Zhengzhou within the research period/% |
根据两类发电结构可计算得到对应电动车排放因子, 结构优化后电力排放因子显著降低.WTT及TTW阶段不同燃料种类车辆基于能耗的排放因子如表 3所示.
|
|
表 3 各燃料种类车辆单位能源消耗对应排放因子1） Table 3 Emission factors for various fuel types based on energy consumption |
TTW阶段CO、NOx、VOC和PM2.5等各类污染物使用基于速度的排放因子模型HTSVE计算.排放因子如图 4所示.
|
图 4 TTW阶段基于速度的污染物排放因子 Fig. 4 Speed-based pollutant emission factors for TTW phase |
为评估郑州市本轮公交车电动化的减排收益并预估未来继续电动化的减排潜力, 基于获取的电动化前后车队运行数据及不同发电结构对应的排放因子数据, 本研究设置了5种排放计算情景, 如表 4所示.
|
|
表 4 公交车队电动化排放情景设置 Table 4 Scenario setting of bus fleet electrification |
车队与活动水平：F1代表根据2017年12月1~7日数据获取的车辆轨迹并匹配2017年车队结构（电动化前）.F2代表根据2019年12月2~8日数据获取的车辆轨迹并匹配2019年车队结构（电动化后）.F3代表根据2019年12月2~8日数据获取的车辆轨迹并匹配基于2019年进行全面纯电动化替换后的车队结构（全面电动化）.车队结构参见1.1.3节.
发电结构：参见1.2.3节, E1、E2和E3分别代表2019年、2025年和2035年发电结构.
2 结果与讨论 2.1 车队运行特征电动化前后每日运营车辆数及每日车队总运行里程如图 5（a）.结果表明, 日均运营车辆从电动化前的5 775辆增长到电动化后的6 227辆, 增长了7.8%.日均运行总里程由77万km增长至89万km, 提升了15.7%.受通勤需求影响, 工作日运营车辆数及里程高于周末约4%~5%.
|
图 5 电动化前后每日运营车辆数, 车队总运行里程和各车型里程占比 Fig. 5 Number of vehicles operating per day, total mileage of the fleet per day, and mileage ratio of each vehicle category before and after electrification |
各车型运行里程占比如图 5（b）所示, 电动化后新能源车型里程占比达到100%, 其中纯电动车由25.7%提升至59.9%, 已成为主导运营车型.作为示范推广的氢能源车, 其里程占比为0.4%, 车辆使用率有提升空间.PHEV-CNG车辆里程占比仍较高, 达到35.1%, 此型车辆实际日均里程数相较电动化前增加3.1万km, PHEV类车型仍然是当前运营主力车型.
2.2 WTW阶段排放总量WTW阶段排放总量如图 6所示, 对比车队电动化前后（S1和S2）情景, 在WTW阶段, 电动化后CO2和PM2.5排放量分别增长32.6%和42.6%, CO、NOx和VOC排放量下降了28%、34%和25%.除运营里程变动带来的CO2和PM2.5排放量增加外, 电动化后WTT阶段近两倍的排放增长抵消了TTW阶段的排放缩减.CO、NOx和VOC的排放量在电动化后的WTT阶段并未显著增长, 以上污染物的主要减排收益来源于TTW阶段排放量的显著降低.
|
图 6 5种情景下公交车队WTW阶段CO2和污染物日均排放总量及WTT和TTW各阶段排放占比 Fig. 6 Daily CO2 emissions of bus fleets in the WTW phase and the proportion of WTT and TTW emissions in each scenario under five scenarios |
车队全面电动化后一般认为TTW阶段排放为近零状态, WTW过程排放变化主要反映在WTT阶段.通过对比S3和S4情景, 全面电动化对TTW阶段排放占主导的污染物如CO、NOx和VOC削减最为明显, CO2排放量也有14.5%的下降, 但PM2.5排放量不降反升.以上对比表明, 即使车队进入全面电动化, 在2025年预期发电结构状态下, WTW阶段CO2及颗粒物并未实现有效减排.
在优化发电结构后的车队排放情景S3和S5中, 对比S2情景, 短期内优化至2025年发电结构可使CO2、CO、NOx、VOC和PM2.5排放量下降9.2%、4.0%、3.3%、1.3%和14.2%.而远期优化至2035年发电结构可使CO2、CO、NOx、VOC和PM2.5排放量下降38.7%、80.1%、84.4%、92.2%和30.2%.因此, 优化发电结构对于电动化过程中的CO2及颗粒物减排尤为重要, 当前火力发电主导的发电结构会较大抵消车队电动化带来的环境收益, 同步推进车队替换和电力结构调整进程才能实现减污降碳协同增效.
2.3 WTW阶段分车型排放特征WTW阶段各车型排放贡献是污染物针对性减排措施下车辆替换路径选择的依据, 各车型WTW阶段CO2和污染物排放贡献如图 7所示.纯电动和PHEV-CNG是CO2排放的主要贡献车型, 结合图 5（b）数据, 在S2情景下, PHEV-CNG车型以35%的运行里程占比贡献了25%的CO2排放, 而纯电动车60%的里程占比却贡献了70%的排放.PM2.5排放特征与之类似, 显然, 在当前情境下, 如不能降低纯电动车WTW阶段CO2及PM2.5排放强度, 从减污降碳角度看, PHEV-CNG的电动化替换收益不明显.
|
图 7 5种情景下各车型WTW阶段CO2和污染物排放贡献 Fig. 7 Contribution of CO2 and pollutant emissions of each vehicle category in WTW under five scenarios |
对于主要由燃烧产生的污染物CO和NOx, 对比S1和S2, 内燃机类车型如HEV-CNG、HEV-柴油等高贡献车型替换为纯电车后, 减排效果显著.特别是在当前重视NOx减排的政策下, PHEV-CNG、PHEV-LNG这两类车型仍有较大减排空间.此外, 各类CNG燃料车型是VOC排放的主要贡献源, 对此类车型进行替换是大幅削减VOC排放的重要路径.综合分析, 如果偏向于NOx及VOC减排, 电动化替换提速是最优减排路径.在此基础上考虑CO2及PM2.5的同步减排提升, 则适当保留低车龄的PHEV-CNG车辆继续运营也是合理选项.
2.4 TTW阶段车辆里程与污染物减排相较于WTT阶段, TTW阶段污染物排放对排放源周边大气环境有更为“明显”的影响, 公交车队电动化替换更为直接的减排收益体现在这一阶段.电动化进程中通常会分阶段按照运营线路进行整体车辆替换, 因此替换车辆的优先度对减排有较大影响.
如图 8（a）所示, 电动化前后（S1和S2）, 约80%的车辆日均运营里程在100~200 km这一区间内.从车辆类型看[图 8（b）], 电动化前（S1）, 长运营里程（150 km以上）车辆车型主要为柴油、HEV-CNG、PHEV-LNG和PHEV-CNG, 即使在本轮电动化后（S2）, PHEV-CNG和PHEV-LNG车辆在中长运营里程车辆中的占比仍接近40%.特别是大部分PHEV-LNG车辆日均运营里程超过200 km, 且以上车辆车龄较长, 运营线路较为集中.中低运营里程车辆中纯电动车型占主导, PHEV-CNG车辆逐渐退出这类运营线路.
|
图 8 车辆运行各里程区间车辆分布数及车型占比及TTW阶段车辆运行各里程区间一周污染物排放量 Fig. 8 The number of buses and the proportion of bus categories at each mileage interval and the weekly pollutant emissions at each mileage interval in the TTW stage |
从车辆排放情况分析[图8（c）~8（f）], 中长运营里程的内燃机车辆替换是TTW阶段污染物减排的主要原因.其中, HEV-LNG车型的淘汰对PM2.5排放削减的贡献较大.PHEV-CNG车型在长运营里程区间的各类污染物排放贡献超50%, 特别是对VOC排放, 因为其车辆排放强度较高, 减弱了电动化替换的排放削减程度.因此, 对日常运营里程较长的车辆优先进行电动化替换有利于TTW阶段污染物的减排进程.
2.5 不确定性分析排放因子的精细化及本地化及车辆运行数据是影响本研究结果准确性的重要因素.首先, WTT阶段排放计算主要基于车辆能源消耗量进行计算, 但获取逐车燃料消耗数据难度较大, 导致车辆能源消耗量只能按车辆大类汇总统计, 会降低排放量计算精度.其次, 车辆负载对TTW阶段排放也有较大影响, 本研究未能收集到车辆实时载客人数进行负载估算, 因此没有对基于速度的排放因子进行负载修正, 会影响排放量计算结果准确性.此外, 尽管本研究对大部分轨迹数据进行了填补处理, 提升了轨迹数据的准确性, 但部分车辆班次在原始记录中未能准确记录, 因此, 运行轨迹的缺失会影响排放量估算, 这部分误差可以通过获取车辆里程表信息等方式在未来研究中采取合理手段进行降低.最后, 由于正常运营外的数据并未记录, 车辆在公交场站内的怠速运行, 调度移动等活动过程中的排放并未能纳入本研究的排放计算.
2.6 电动化政策讨论从环境收益角度看, 本研究表明, 随着电力结构的持续优化, 公交车队电动化可显著减少CO2和污染物排放, 从而使空气更清洁并减少温室气体排放.然而, 公交车队电动化也面临一些挑战.根据本研究对车队电力消耗的计算, 全面电动化后, 车队全年耗电量将从电动化前的0.71亿kW·h扩大到2.24亿kW·h, 增长了3倍, 因此, 电动公交还需要大量基础设施投资, 包括充电站和电网建设以支持不断增长的充电需求.此外, 电动公交车目前的行驶里程有限, 这使得它们很难在单线长里程的路线上长期运营[46], 本研究的结果也表明, 在车队中保留部分混合动力车辆做补充是合理的.总的来说, 尽管有许多挑战需要解决, 公交车队的电动化仍是道路交通部门实现减污降碳的重要手段.
3 结论（1）郑州市本轮公交车队电动化显著提升了纯电动车占比, 由25.7%提升至59.9%, 但车队中PHEV-CNG车辆运营里程占比仍较高, 达到35.1%, 仍有较大纯电动化潜力.
（2）在WTW周期, 单纯的车辆电动化替换并不能全面降低污染物排放, 本轮电动化后CO2和PM2.5排放量出现增长, 分别增长32.6%和42.6%, CO、NOx和VOC排放量分别下降了28%、34%和25%.
（3）相较于车队全面电动化或优化电力结构两种单一情景, 在同时实施全面电动化和电力结构优化的情景下, CO2、CO、NOx、VOC和PM2.5排放量可下降38.7%、80.1%、84.4%、92.2%和30.2%, 同步推进车队电动化和发电结构调整进程才能实现减污降碳协同增效.
（4）车队全面电动化推进中, 应优先替换长运营里程车辆, 在电力结构暂未优化情况下, 可对低车龄插电混动天然气车型延缓替换.
| [1] |
肖致美, 徐虹, 李立伟, 等. 基于在线观测的天津市PM2.5污染特征及来源解析[J]. 环境科学, 2020, 41(10): 4355-4363. Xiao Z M, Xu H, Li L W, et al. Characterization and source apportionment of PM2.5 based on the online observation in Tianjin[J]. Environmental Science, 2020, 41(10): 4355-4363. |
| [2] | 北京市生态环境局. 全文实录|北京市现阶段大气PM2.5来源解析结果新闻发布会[EB/OL]. http://sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/fthg/11143030/index.html, 2021-09-29. |
| [3] | 中华人民共和国环境保护部. 中国移动源环境管理年报[EB/OL]. https://www.mee.gov.cn/hjzl/sthjzk/ydyhjgl/202212/W020221207387013521948.pdf, 2022-12-07. |
| [4] | IEA. Greenhouse gas emissions from energy[EB/OL]. https://www.iea.org/data-and-statistics/data-product/greenhouse-gasemissions-from-energy, 2023-07-01. 查阅网上资料, 请核对网址与文献是否相符 |
| [5] |
朱信凯, 龚斌磊. 高质量发展背景下实现"双碳"目标的风险挑战与路径选择[J]. 治理研究, 2022, 38(3): 13-23. Zhu X K, Gong B L. Risks, challenges and pathways towards carbon peaking and climate neutrality in the context of high-quality development[J]. Governance Studies, 2022, 38(3): 13-23. |
| [6] |
邢有凯, 刘峥延, 毛显强, 等. 中国交通行业实施环境经济政策的协同控制效应研究[J]. 气候变化研究进展, 2021, 17(4): 379-387. Xing Y K, Liu Z Y, Mao X Q, et al. Research on co-control effect of environmental economic policies in China's transportation sector[J]. Climate Change Research, 2021, 17(4): 379-387. |
| [7] |
俞珊, 张双, 张增杰, 等. 北京市减污降碳协同控制情景模拟和效应评估[J]. 环境科学, 2023, 44(4): 1998-2008. Yu S, Zhang S, Zhang Z J, et al. Scenario simulation and effects assessment of co-control on pollution and carbon emission reduction in Beijing[J]. Environmental Science, 2023, 44(4): 1998-2008. |
| [8] | Gong H M, Wang M Q, Wang H W. New energy vehicles in China: policies, demonstration, and progress[J]. Mitigation and Adaptation Strategies for Global Change, 2013, 18(2): 207-228. DOI:10.1007/s11027-012-9358-6 |
| [9] |
李爱敏. 新能源公交车全生命周期成本管理研究[D]. 青岛: 青岛科技大学, 2020. Li A M. Research on life cycle cost management of new energy bus [D]. Qingdao: Qingdao University of Science & Technology, 2020. |
| [10] |
马晓磊, 闫昊阳, 缪然. 考虑财政补贴的电动公交车队置换优化模型[J]. 交通运输系统工程与信息, 2021, 21(3): 200-205. Ma X L, Yan H Y, Miao R. Optimization model of electric bus fleet replacement considering financial subsidies[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(3): 200-205. |
| [11] |
张景来, 宫一洧. 纯电动公交车推广的综合效益与可行性分析[J]. 环境污染与防治, 2015, 37(11): 106-110. Zhang J L, Gong Y W. Comprehensive benefits and feasibility analysis to popularize pure-electric buses[J]. Environmental Pollution & Control, 2015, 37(11): 106-110. |
| [12] |
姜岚清. 电动公交车线路规划方法研究[D]. 苏州: 苏州大学, 2019. Jiang L Q. Research on route planning of electric buses[D]. Suzhou: Soochow University, 2019. |
| [13] |
郭媛媛. 电动公交车辆和乘务协同调度的双目标优化研究[D]. 济南: 山东大学, 2022. Guo Y Y. Research on the Bi-objective integrated electric bus and crew scheduling problem[D]. Ji'nan: Shandong University, 2022. |
| [14] |
资丁源. 基于公交大数据的超长公交线路调整与调度优化[D]. 广州: 广东工业大学, 2019. Zi D Y. Adjustment and scheduling optimization for long distance bus lines based on public transit big data[D]. Guangzhou: Guangdong University of Technology, 2019. |
| [15] |
唐春艳, 李小雨. 多车型纯电动公交车使用下的混合车队替换优化[J]. 交通运输系统工程与信息, 2021, 21(2): 151-157. Tang C Y, Li X Y. Optimizing mixed transit fleet replacement with multi-type battery electric buses[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(2): 151-157. |
| [16] |
王人洁. 电动车和天然气车能源环境影响的燃料生命周期评价研究[D]. 北京: 清华大学, 2015. Wang R J. Fuel-cycle assessment of energy and environmental impacts from electric vehicles and natural gas vehicles[D]. Beijing: Tsinghua University, 2015. |
| [17] |
闫琰. 城市公共交通系统能源消耗模型和计算方法[D]. 北京: 清华大学, 2013. Yan Y. Urban public transport energy consumption model and calculation method[D]. Beijing: Tsinghua University, 2013. |
| [18] |
富莉. 城市公交电动化转型机理及碳减排效果研究——以深圳市为例[D]. 徐州: 中国矿业大学, 2018. Fu L. Research on the mechanism and carbon emission reduction effect of urban bus electrification-a case study of Shenzhen[D]. Xuzhou: Beijing: China University of Mining and Technology, 2018. |
| [19] |
付佩, 兰利波, 陈颖, 等. 面向2035的节能与新能源汽车全生命周期碳排放预测评价[J]. 环境科学, 2023, 44(4): 2365-2374. Fu P, Lan L B, Chen Y, et al. Life cycle prediction assessment of energy saving and new energy vehicles for 2035[J]. Environmental Science, 2023, 44(4): 2365-2374. |
| [20] |
林晓丹, 田良, 吕彬, 等. 基于出行服务的纯电动公交车节能减排效益分析[J]. 环境科学, 2015, 36(9): 3515-3521. Lin X D, Tian L, Lü B, et al. Energy conservation and emissions reduction benefits analysis for battery electric buses based on travel services[J]. Environmental Science, 2015, 36(9): 3515-3521. |
| [21] | Yu Y, Jin Z X, Li J Z, et al. Low-carbon development path research on China's power industry based on synergistic emission reduction between CO2 and air pollutants[J]. Journal of Cleaner Production, 2020, 275. DOI:10.1016/j.jclepro.2020.123097 |
| [22] | Lv Z Y, Wu L, Yang Z W, et al. Comparison on real-world driving emission characteristics of CNG, LNG and hybrid-CNG buses[J]. Energy, 2023, 262. DOI:10.1016/j.energy.2022.125571 |
| [23] | Rosero F, Fonseca N, López J M, et al. Effects of passenger load, road grade, and congestion level on real-world fuel consumption and emissions from compressed natural gas and diesel urban buses[J]. Applied Energy, 2021, 282. DOI:10.1016/j.apenergy.2020.116195 |
| [24] |
楼狄明, 成伟, 冯谦. 国Ⅳ天然气公交车实际道路颗粒物排放特性[J]. 环境科学, 2014, 35(3): 864-869. Lou D M, Cheng W, Feng Q. On road particle emission characteristics of a Chinese phase Ⅳ natural gas bus[J]. Environmental Science, 2014, 35(3): 864-869. |
| [25] | Xylia M, Leduc S, Laurent A B, et al. Impact of bus electrification on carbon emissions: the case of Stockholm[J]. Journal of Cleaner Production, 2019, 209: 74-87. DOI:10.1016/j.jclepro.2018.10.085 |
| [26] | Song Q B, Wang Z S, Wu Y, et al. Could urban electric public bus really reduce the GHG emissions: a case study in Macau?[J]. Journal of Cleaner Production, 2018, 172: 2133-2142. DOI:10.1016/j.jclepro.2017.11.206 |
| [27] | Ayetor G K, Mbonigaba I, Sunnu A K, et al. Impact of replacing ICE bus fleet with electric bus fleet in Africa: a lifetime assessment[J]. Energy, 2021, 221. DOI:10.1016/j.energy.2021.119852 |
| [28] | 张智. 天津市实施公交电动化的战略思维与路径[J]. 城市, 2013(9): 43-46. |
| [29] |
陈光悦. 深圳市新能源公交推广发展对策研究[D]. 武汉: 华中师范大学, 2018. Chen G Y. Research on the promotion and development of new energy public transport in Shenzhen[D]. Wuhan: Central China Normal University, 2018. |
| [30] |
颜映果, 黄嘉盛. 广州公交电动化推广及应用分析[J]. 城市公共交通, 2020(2): 36-41. Yan Y G, Huang J S. The promotion of Guangzhou electric public buses and the applied analysis[J]. Urban Public Transport, 2020(2): 36-41. |
| [31] |
林晓丹. 基于生命周期视角的北京城市公交出行环境影响研究[D]. 海口: 海南大学, 2015. Lin X D. Research on the environmental impact of Beijing urban buses travel from a life cycle perspective[D]. Haikou: Hainan University, 2015. |
| [32] |
张元. 宜宾市公共交通电动汽车应用及发展研究[D]. 成都: 西华大学, 2016. Zhang Y. Research on the application and development of electric vehicles for public transport in Yibin[D]. Chengdu: Xihua University, 2016. |
| [33] |
贺晓婧, 廖诗武, 赵子潇, 等. 城市电动汽车规模化发展的大气环境影响研究[J]. 中国环境管理, 2020, 12(3): 77-84. He X J, Liao S W, Zhao Z X, et al. The impact of large-scale development of urban electric vehicles on the atmospheric environment[J]. Chinese Journal of Environmental Management, 2020, 12(3): 77-84. |
| [34] | Liu X Y, Reddi K, Elgowainy A, et al. Comparison of well-towheels energy use and emissions of a hydrogen fuel cell electric vehicle relative to a conventional gasoline-powered internal combustion engine vehicle[J]. International Journal of Hydrogen Energy, 2020, 45(1): 972-983. DOI:10.1016/j.ijhydene.2019.10.192 |
| [35] | He X Y, Zhang S J, Ke W W, et al. Energy consumption and wellto-wheels air pollutant emissions of battery electric buses under complex operating conditions and implications on fleet electrification[J]. Journal of Cleaner Production, 2018, 171: 714-722. DOI:10.1016/j.jclepro.2017.10.017 |
| [36] | Dreier D, Silveira S, Khatiwada D, et al. Well-to-wheel analysis of fossil energy use and greenhouse gas emissions for conventional, hybrid-electric and plug-in hybrid-electric city buses in the BRT system in Curitiba, Brazil[J]. Transportation Research Part D: Transport and Environment, 2018, 58: 122-138. |
| [37] | Mao F, Li Z H, Zhang K. Carbon dioxide emissions estimation of conventional diesel buses electrification: a well-to-well analysis in Shenzhen, China[J]. Journal of Cleaner Production, 2020, 277. DOI:10.1016/j.jclepro.2020.123048 |
| [38] | García A, Monsalve-Serrano J, Lago Sari R, et al. Life cycle CO2 footprint reduction comparison of hybrid and electric buses for bus transit networks[J]. Applied Energy, 2022, 308. DOI:10.1016/j.apenergy.2021.118354 |
| [39] | 郑州市统计局. 郑州统计年鉴(2022)[M]. 北京: 中国统计出版社, 2022. |
| [40] | 郑州市公共交通集团有限公司. 郑州市公共交通集团有限公司简介[EB/OL]. https://www.zhengzhoubus.com/aboutus.aspx, 2022-12-01. |
| [41] | Zou C, Wu L, Wang Y N, et al. Evaluating traffic emission control policies based on large-scale and real-time data: a case study in central China[J]. Science of the Total Environment, 2023, 860. DOI:10.1016/j.scitotenv.2022.160435 |
| [42] | Zhang Y, Wu L, Zou C, et al. Development and application of urban high temporal-spatial resolution vehicle emission inventory model and decision support system[J]. Environmental Modeling & Assessment, 2017, 22(5): 445-458. |
| [43] | 国家能源局河南监管办公室. 2017年12月河南省电力供需情况通报[EB/OL]. http://henb.nea.gov.cn/adminContent/initViewContent.do?pk=b626510c-3d16-44ec-a69bc1a6618ee8fe&columnId=Col_jgdt, 2018-01-23. |
| [44] | Yu Q, Yuan J. TransBigData: a python package for transportation spatio-temporal big data processing, analysis and visualization[J]. Journal of Open Source Software, 2022, 7(71). DOI:10.21105/joss.04021 |
| [45] |
郝旭, 王贺武, 李伟峰, 等. 基于中国电网结构及一线典型城市车辆出行特征的PHEV二氧化碳排放分析[J]. 环境科学, 2019, 40(4): 1705-1714. Hao X, Wang H W, Li W F, et al. Analysis of PHEV CO2 emission based on China's grid structure and travelling patterns in mega cities[J]. Environmental Science, 2019, 40(4): 1705-1714. |
| [46] |
郭献超. 纯电动需求响应公交路径规划研究[D]. 广州: 华南理工大学, 2019. Guo X C. Research on bus route planning of pure electric demand response[D]. Guangzhou: South China University of Technology, 2019. |