《能源基金會：2023基于實際工況的重型商用貨車碳排放研究報告（163頁）.pdf》由會員分享，可在線閱讀，更多相關《能源基金會：2023基于實際工況的重型商用貨車碳排放研究報告（163頁）.pdf（163頁珍藏版）》請在三個皮匠報告上搜索。

1、1基于實際工況的重型商用貨車碳排放研究Research on Heavy Duty Commercial Truck Carbon Emissions upon Real WorldOperation Situations Report成都天府創新環境科技研究院有限公司2023.11Chengdu Tianfu Innovative Environmental Science and Technology Research Institute Co.,LTD2關于作者關于作者本研究由成都天府創新環境科技研究院有限公司統籌撰寫，主要作者為：陳偉程，黃映楠，何苗，明鎮洋，儲典。致謝致謝感謝能源基金

2、會（Energy Foundation China）對本研究的資金支持。免責聲明免責聲明-若無特別聲明，報告中陳述的觀點僅代表作者個人意見，不代表能源基金會的觀點。能源基金會不保證本報告中信息及數據的準確性，不對任何人使用本報告引起的后果承擔責任。-凡提及某些公司、產品及服務時，并不意味著它們已為能源基金會所認可或推薦，或優于未提及的其他類似公司、產品及服務。3目錄第 1章 項目背景和目標.11.1 項目背景.11.1.1 碳達峰碳中和.11.1.2 減污降碳協同增效.21.1.3 柴油貨車污染治理攻堅行動.31.1.4 國內外燃料消耗量限值現狀.41.1.5 重型貨車的碳排放現狀.51.1.

3、6 小結.71.2 項目目標.8第 2章 研究內容.92.1 研究內容.92.1.1 油耗模型搭建.92.1.2 微觀工況識別.102.1.3 多維度碳排放因子數據庫構建.102.1.4 碳排放因子驗證.112.1.5 探索實際道路行駛工況和發動機參數在油耗監測和模擬計算上的價值.122.1.6 探討研究結果為相關部門提供數據支撐的可能性.122.2 技術路線.13第 3章 數據處理分析.153.1 樣本數據篩選.153.1.1 典型車型的篩選.153.1.2 典型參數的篩選.183.2 數據主要問題.193.3 數據質量分析.243.3.1 數據處理流程.243.3.2 數據清洗結果.264

4、3.4 全年上線車輛分析.313.5 本章小結.37第 4章 綜合油耗分析.394.1 綜合油耗技術路線.394.2 綜合油耗的分段方法.404.3 分段后的數據再清洗.414.3.1 時間密度.414.3.2 車速積分/里程差.424.4 綜合油耗計算方法.454.4.1 比較噴油量和油箱液位.454.4.2 比較積分算法和求和算法.464.4.3 比較里程段分別計算油耗和綜合計算油耗.474.4.4 活動范圍篩選.484.4.5 時速篩選.504.5 綜合油耗計算結果.514.5.1 車輛數量分布.514.5.2 綜合油耗均值.524.5.3 怠速段和行駛段油耗.534.6 重型專項作業車

5、的油耗分析.574.6.1 數據篩選.574.6.2 數據清洗與切段.584.6.3 專項作業車工況分析.594.6.4 專項作業車的油耗.604.7 本章小結.63第 5章 工況識別及其油耗.655.1 工況識別方法.655.2 可視化方法.695.3 工況識別和模型構建結果.7255.3.1 載貨汽車.725.3.2 牽引汽車.775.3.3 自卸汽車.815.3.4 速度-加速度-功率和油耗的分布.865.4 本章小結.94第 6章 多場景油耗分析.966.1 停車點及負載識別.966.1.1 停車點及負載識別方法流程.966.1.2 停車點及負載識別結果.1016.2 區域場景識別.1

6、096.2.1 行駛場景對油耗的影響.1096.2.2 場景篩選方法.1126.2.3 場景匹配方法.1146.2.4 不同場景的油耗.1156.3 長短途油耗分析.1176.4 多維度油耗分析.1196.4.1 多場景與負載匹配算法.1196.4.2 結果分析.1206.5 油耗與溫度的關系分析.1246.5.1 驗證方法.1246.5.2 結果分析.1266.6 本章小結.127第 7章 碳排放因子驗證.1297.1 PEMS排放對比驗證.1297.1.1 技術路線.1297.1.2 驗證結果.1337.2 實車油耗對比驗證.1357.2.1 驗證方法.13667.2.2 驗證結果.139

7、7.2.3 結果分析.1417.3 本章小結.145第 8章 碳排放因子數據庫.1468.1 碳排放系數計算.1468.2 數據庫.147第 9章 項目成果、結論和建議.1519.1 項目成果.1519.1.1 建立一套對重型貨車實際道路行駛工況和發動機參數大數據質量分析和數據清理的方法.1519.1.2 構建重型貨車在實際道路運行的微觀工況數據庫.1529.1.3 建立重型貨車多維度的碳排放因子數據庫.1539.2 項目結論.1559.3 項目建議.1561第第 1 章章項目背景和目標項目背景和目標1.1項目背景項目背景1.1.1 碳達峰碳中和碳達峰碳中和2020 年 9月，習近平總書記在第

8、七十五屆聯合國大會上宣布，中國力爭2030 年前二氧化碳排放達到峰值，努力爭取 2060年前實現碳中和目標。為深入貫徹落實黨中央、國務院關于碳達峰、碳中和的重大戰略決策，扎實推進碳達峰行動，2021年 10 月，國務院印發了2030 年前碳達峰行動方案，其中要求到 2025年單位國內生產總值二氧化碳排放比 2020年下降 18%，到 2030年單位國內生產總值二氧化碳排放比 2005年下降 65%以上。同時要求將碳達峰貫穿于經濟社會發展全過程和各方面，重點實施能源綠色低碳轉型行動、節能降碳增效行動、工業領域碳達峰行動、城鄉建設碳達峰行動、交通運輸綠色低碳行動、循環經濟助力降碳行動、綠色低碳科技

9、創新行動、碳匯能力鞏固提升行動、綠色低碳全民行動、各地區梯次有序碳達峰行動等“碳達峰十大行動”。在政策保障上，要求建立統一規范的碳排放統計核算體系。加強碳排放統計核算能力建設，深化核算方法研究，加快建立統一規范的碳排放統計核算體系。支持行業、企業依據自身特點開展碳排放核算方法學研究，建立健全碳排放計量體系。推進碳排放實測技術發展，加快遙感測量、大數據、云計算等新興技術在碳排放實測技術領域的應用，提高統計核算水平。積極參與國際碳排放核算方法研究，推動建立更為公平合理的碳排放核算方法體系。碳排放統計核算是做好碳達峰碳中和工作的重要基礎，是制定政策、推動工作、開展考核、談判履約的重要依據。為貫徹落實

10、中共中央 國務院關于完整準確全面貫徹新發展理念做好碳達峰碳中和工作的意見和2030年前碳達峰行動方案有關部署，夯實碳達峰碳中和工作基礎，2022年 8月，國家發展改革委、國家統計局、生態環境部聯合印發關于加快建立統一規范的碳排放統計核算體系實施方案。要求到 2023 年，職責清晰、分工明確、銜接順暢的2部門協作機制基本建立，相關統計基礎進一步加強，各行業碳排放統計核算工作穩步開展，碳排放數據對碳達峰碳中和各項工作支撐能力顯著增強，統一規范的碳排放統計核算體系初步建成。到 2025 年，統一規范的碳排放統計核算體系進一步完善，碳排放統計基礎更加扎實，核算方法更加科學，技術手段更加先進，數據質量全

11、面提高，為碳達峰碳中和工作提供全面、科學、可靠數據支持。1.1.2 減污降碳協同增效減污降碳協同增效溫室氣體與環境污染物具有同根同源性。煤炭等化石燃料在燃燒過程中既產生二氧化碳等溫室氣體，也會產生顆粒物、一氧化碳、二氧化硫等空氣污染物。溫室氣體與環境污染物在控制措施方面也具有協同效應。當前，我國生態環境保護結構性、根源性、趨勢性壓力總體上尚未根本緩解，結構性污染問題仍然突出。進一步將大氣污染防治與溫室氣體控排措施深度融合，將加快生態環境質量由量變到質變的改善進程。為深入貫徹落實黨中央、國務院關于碳達峰碳中和決策部署，落實新發展階段生態文明建設有關要求，協同推進減污降碳，實現一體謀劃、一體部署、

12、一體推進、一體考核。2022年 6月，生態環境部印發了減污降碳協同增效實施方案。面對生態文明建設新形勢新任務新要求，基于環境污染物和碳排放高度同根同源的特征，遵循減污降碳內在規律，強化源頭治理、系統治理、綜合治理，切實發揮好降碳行動對生態環境質量改善的源頭牽引作用，充分利用現有生態環境制度體系協同促進低碳發展，創新政策措施，優化治理路線，推動減污降碳協同增效。方案目標要求到 2025年，減污降碳協同推進的工作格局基本形成；重點區域、重點領域結構優化調整和綠色低碳發展取得明顯成效；形成一批可復制、可推廣的典型經驗；減污降碳協同度有效提升。到 2030年，減污降碳協同能力顯著提升，助力實現碳達峰目

13、標；大氣污染防治重點區域碳達峰與空氣質量改善協同推進取得顯著成效；水、土壤、固體廢物等污染防治領域協同治理水平顯著提高。3該方案還在優化環境治理中，要求推進大氣污染防治協同控制，提出推進移動源大氣污染物排放和碳排放的協同治理。在強化支撐保障中，要求完善減污降碳法規標準，推動將協同控制溫室氣體排放納入生態環境相關法律法規和研究制訂重點行業溫室氣體排放相關標準。1.1.3柴油貨車污染治理攻堅行動柴油貨車污染治理攻堅行動近年來，通過制定實施大氣污染防治行動計劃和打贏藍天保衛戰三年行動計劃，我國環境空氣質量明顯改善，人民群眾藍天幸福感、獲得感顯著增強。但重點地區、重點領域大氣污染問題仍然突出，京津冀及

14、周邊等區域細顆粒物（PM2.5）濃度仍處于高位，秋冬季重污染天氣依然高發、頻發；臭氧污染日益凸顯，特別是在夏季，已成為導致部分城市空氣質量超標的首要因子；柴油貨車污染尚未有效解決，移動源是氮氧化物排放的重要來源，對秋冬季PM2.5污染和夏季臭氧污染影響較大，大氣污染防治工作任重道遠。為貫徹落實中共中央 國務院關于深入打好污染防治攻堅戰的意見有關要求，打好重污染天氣消除、臭氧污染防治、柴油貨車污染治理三個標志性戰役，解決人民群眾關心的突出大氣環境問題，持續改善空氣質量，2022年 11月，生態環境部等 15部門聯合印發了柴油貨車污染治理攻堅行動方案。方案提出強化揮發性有機物（VOCs）、氮氧化物

15、等多污染物協同減排，目標是到2025 年，全國柴油貨車排放檢測合格率超過 90%，氮氧化物排放量下降 12%，新能源和國六排放標準貨車保有量占比力爭超過 40%。據中國移動源環境管理年報（2022）統計，2021年全國貨車 CO、HC、NOx、PM 排放量分別為 206.2萬噸、51.6萬噸、480.7萬噸、5.8萬噸，占汽車排放總量的 29.7%、28.4%、84.6%、91.1%。重型貨車的四項污染物排放量分別為 73.5萬噸、32.2 萬噸、432.5萬噸、3.3萬噸。因此，重型柴油貨運車輛的污染物和 CO2協同減排是未來我國交通領域減排的重點領域。41.1.4國內外燃料消耗量限值現狀國

16、內外燃料消耗量限值現狀重型商用車的碳排放與燃油消耗情況息息相關。我國工信部于 2022年 6月17 日公開征求重型商用車輛燃料消耗量限值強制性國家標準的意見。如圖1-1 所示，考慮到我國第三階段貨車/客車油耗與 2025年國外先進水平差距保守估計在 15%左右，半掛牽引汽車油耗差距將在 20%，為實現減污降碳協同增效等規劃目標，本次征求意見稿考慮到了縮小此類差距。征求意見稿中將所有車型的油耗標準整體加嚴了 15%左右，同時增加了與限值對應的 CO2排放量參考值的計算方法。圖圖 1-1 國內外重型商用車油耗標準趨勢國內外重型商用車油耗標準趨勢此外，國際上其他國家也對重型貨運車輛碳排放在原先的基礎

17、上提出了更高的要求。美國環境保護署（EPA）在拜登總統的潔凈貨車法案要求減少新生產的中/重型車輛的污染物和溫室氣體排放的背景下，于 2023 年 4月 12日公布了其擬議的重型車輛第 3階段溫室氣體標準，征求對 2027-2032年的擬議第三階段標準的意見，提案更新加嚴了 2027車型年車輛的 CO2排放標準，并提5出 2028-2032重型車 CO2要求。2023年 10月 16 日，歐盟理事會通過了針對貨車及大客車（重型車）的二氧化碳排放標準提案，通過了目前全球最為嚴格積極的重型貨車二氧化碳減排目標：到 2030年減排 43%；到 2035年減排 64%；到 2040年減排 90%。1.1

18、.5 重型貨車的碳排放現狀重型貨車的碳排放現狀交通運輸是控制碳排放的重要領域之一，根據 Our World in Data(https:/ourworldindata.org)機構的數據統計（如圖 1-2 所示），2021年全球 CO2排放量達到了 371.2億噸，中國的 CO2排放呈現持續增長的趨勢，2021年排放量達到 114.7億噸，占全球 CO2排放量的 31%。2019 年交通部門排放占全球CO2排放量的 22.17%，其增長率高于任何其他行業。另外根據不同計算來源，我國交通部門碳排放約占總量的 7.6%-11%，位于建筑制造、電力和工業之后，仍是碳排放的主要來源之一。公路交通也是成

19、為落實“雙碳”戰略的重點領域。歐美國家的經驗表明，交通部門的碳達峰會晚于工業、住宅和商業等部門，因此也是“脫碳”難度最高的行業。圖圖 1-2 全球和中國二氧化碳年排放量（全球和中國二氧化碳年排放量（1750-2021 年）年）交通運輸中的碳排放主要來源于運輸過程中交通運輸工具燃料燃燒產生的6CO2排放。根據交通運輸部交通規劃研究院的數據分析表明，交通運輸領域不同運輸方式產生的碳排放量差異明顯。公路運輸（含社會車輛、營運車輛）是交通領域碳排放的重點方面，排放量占交通領域碳排放總量的 86.76%。水路運輸排放占比為 6.47%，民航運輸排放占比為 6.09%，鐵路運輸碳排放占比為0.68%。因此

20、，促進公路交通部門減少碳排放成為我國落實“雙碳”戰略的主要任務之一。如圖 1-3 所示在公路運輸中，重型貨車的 CO2排放量最大，占公路運輸碳排放總量的 54%，重型貨車是未來我國公路交通及整個交通運輸領域減排的重中之重。(a)(b)圖圖 1-3(a)我國交通運輸領域我國交通運輸領域 CO2排放量占比（排放量占比（2019 年）年）(b)公路運輸各類車型公路運輸各類車型 CO2排放情況（排放情況（2019 年）年）據 2021年交通運輸行業發展統計公報統計，2021年末全國擁有公路營運汽車 1231.96萬輛，比上年末增長 5.2%。分結構來看，擁有載客汽車 58.70萬輛、1751.03萬客

21、位，分別下降 4.2%和 4.9%；如圖 1-4 所示，擁有載貨汽車1173.26萬輛、17099.50 萬噸位，分別增長 5.7%和 8.3%，其中，載貨汽車406.94 萬輛、4923.43 萬噸位，分別下降 1.7%和增長 5.6%，專用貨車 60.39萬輛、718.76萬噸位，分別增長 19.2%和 20.5%，牽引汽車 346.68 萬輛、增長11.5%，掛車 359.25萬輛、增長 7.4%。由此可見，重型貨車和乘用車是未來我國公路運輸，也是整個交通運輸行業節能減排的關鍵方面。7圖圖 1-4 全國公路營運汽車及各類載貨汽車保有量（全國公路營運汽車及各類載貨汽車保有量（2021 年）

22、年）1.1.6小結小結在愈加緊迫的“雙碳”目標背景和嚴格的政策標準情況下，考慮到重型柴油貨車在交通領域碳排放占比較高的情況，開展重型柴油貨車的碳排放研究至關重要。開展這些工作的首要任務是建立描述交通運輸行業碳排放的高精度核算方法，為減少交通領域的碳排放相關政策和技術提供支撐。目前，我國還沒有建立健全交通領域統一規范的碳排放統計核算體系。當下國內比較流行的交通碳排放計算方法有：（1）“自上而下”的高油耗計算方法；（2）“自上而下”的基于汽車保有量的碳排放計算方法；（3）基于客貨運量、周轉量和碳排放強度的宏觀計算方法；（4）基于城市規模的汽車保有量或周轉量的中觀計算方法；（5）基于乘客出行方式及其

23、排放強度的乘客碳排放微觀計算方法。但是每種方法都有其模型、參數和數據的準確性問題。例如，常規計算方法的實際燃料消耗率是基于燃料消耗量限值標準和燃料消耗量調查。碳排放模型一般采用限值與實際消耗率的換算率。但是由于燃料消耗率隨著車輛類型、實際運行條件、大氣環境和駕駛員習慣的不同而不同，因此燃料消耗率的準確性總是值得懷疑。要獲得實際的燃油消耗率，必須建立一系列方法，8根據一些連續穩定的數據集模擬數據。目前，重型車第六階段排放標準特別強調了對氮氧化物排放的嚴格限制，并引入了實際道路行駛工況和發動機參數等相關參數數據，以減少柴油和汽油重型車輛（HDV）的排放。這些參數可以被視為一個穩定、連續的數據源。因

24、此，根據實際道路行駛工況和發動機參數，本項目可以基于參數分析并建立模型，根據模型輸出結果，進一步對我國重型商用重型貨車的實際燃料消耗情況進行系統分析。通過道路工況的構建，比較在法規標準的不同工況條件下柴油消耗量與實際柴油消耗量的差異，為建立重型商用重型貨車碳排放源清單奠定基礎。1.2項目目標項目目標本項目擬運用 10059輛重型貨車的實際道路行駛工況及發動機運行參數數據，建立連續穩定的燃油消耗模型，并模擬重型貨車在實際運行過程的油耗。通過實際工況和發動機參數的大數據，可以節省大量現場檢查、檢測和實驗的費用。該項目旨在：（1）基于重型貨車實際工況和發動機參數大數據，運用模式模擬、聚類分析、實驗比

25、對等方法，構建重型貨車實際道路碳排放因子模型，給出分道路類型、車輛類型、不同負載和使用場景下的重型貨車實際道路的碳排放因子數據庫。（2）探討實際工況和發動機參數數據應用于實際道路油耗水平和碳排放強度監測和管控的可行性、可操作性以及合理性。（3）探討結果為重型貨車下一階段排放標準制定、油耗限值標準修訂提供數據支撐；為減污降碳協同增效政策提供技術依據的可能性。9第第 2 章章研究內容研究內容2.1研究內容研究內容本研究綜合利用重型貨車實際道路行駛工況和發動機參數數據，通過數據清洗、修復和處理，搭建基于實際道路行駛工況和發動機參數的油耗模型。得到動態應用場景下重型商用貨車多維度的碳排放因子數據庫，并

26、開展多角度的分析。2.1.1油耗模型搭建油耗模型搭建交通領域中重型貨車的保有量日益增長，能夠準確計算重型貨車的綜合油耗對幫助交通領域的碳減排顯得尤為重要。其實這不僅涉及環境污染和能源消耗，還涉及經濟效益。然而，傳統的實驗室測試和模擬工況時常不能完全反映實際駕駛條件下的油耗，因為實際的道路行駛工況包含了多種復雜的因素，包括駕駛者行為、交通流量、道路類型、地形等。例如，貨車在城市道路上的頻繁停車、加速和減速，與其在高速公路上的穩定行駛對油耗的影響是截然不同的。貨車的發動機參數（如動力性能、載重能力、氣動形態等）也會影響油耗。比如，可能存在高效能的引擎在某些工況下比低效能的引擎更為節油，而在另一些工

27、況下結果則相反。因此，重型貨車的綜合油耗計算需要結合不同的行駛工況和影響因素，開展本研究需要從實際道路的行駛工況入手，同時考慮重型貨車的發動機參數等因素，以獲得更真實、準確的數據。除此之外，不同的車型、質量區間和使用場景也與油耗存在顯著的關系。例如，一輛大型的重型貨車在長途運輸中的油耗與其在短途、城市配送中的油耗是有所不同的，但這些差異值通常不能直接得到，需要開展更深層的研究和分析。綜合的油耗計算實際上是一個動態的、復雜的系統，涉及眾多的變量和因素，它們之間相互作用，共同決定了重型貨車的油耗。利用大量的實際行駛數據，開展模型模擬和結果分析，不僅可以更準確地了解實際道路油耗，還可10以為相關部門

28、和企業提供科學的決策依據，幫助他們制定更加合理、有效的能源節約和污染防治策略。2.1.2微觀工況識別微觀工況識別傳統的油耗測量方法往往采用宏觀的視角，而忽略了實際行駛中的微小變化。但是微觀工況識別則著眼于這些細節，通過深入挖掘真實行駛數據，來揭示實際行駛中的各種細微變化對油耗的影響。微觀工況識別在本研究中起到了重要的作用。真實的道路行駛工況是復雜且多變的。一個駕駛任務，可能會涉及多種不同的駕駛模式，如加速、勻速、減速、等待、轉彎等。每一種駕駛模式對油耗的影響都是不同的。例如，頻繁地加速和減速會導致油耗增加，而勻速行駛則相對更為節能。微觀工況識別的目的是為了準確地判定重型貨車在實際行駛中所經歷的

29、這些駕駛模式，為油耗的準確測量和分析提供數據支持。本研究擬采集貨車行駛中的多項實時參數，利用高效的數據分析算法，對數據進行處理和分析，保證微觀工況的準確識別。微觀工況識別還需要分析重型貨車的發動機參數。由于重型貨車的結構、性能、載重等參數不同，即使在相同的駕駛模式下的油耗也會有差異。例如，一輛高效的貨車在加速模式下的油耗可能比一輛低效的貨車要低。因此，在微觀工況識別時，需結合發動機參數進行詳細的考察和分析。2.1.3多維度碳排放因子數據庫構建多維度碳排放因子數據庫構建在實際運輸中，重型貨車經歷的不同的場景和工況會對油耗產生不同的影響。因此，分析多場景和工況的油耗可以幫助項目組了解重型貨車在不同

30、駕駛環境、不同負載條件下的油耗表現，得到更精準的分析結果。重型貨車面對不同的駕駛場景（如城市、高速、山路和鄉村道路等）都有不同的駕駛模式和油耗特性。例如，城市中紅綠燈頻繁且交通擁堵，車輛可能會經常處于低速甚至是停車狀態，會導致油耗相對較高；在高速公路上，車輛可以保持相對穩定地11高速行駛，油耗相對較低。除上述的場景外，不同地區、不同氣候和不同海拔也都可能影響重型貨車的油耗。對比駕駛場景時，應綜合考慮以上多重因素。重型貨車的載重量也是影響油耗的一個重要因素。同一輛車在滿載、半載或空載的狀態下，油耗是完全不同的。滿載的貨車需要更多的動力來克服車身重量帶來的阻力，會導致油耗增加。通過對不同場景下的駕

31、駛模式、路況、車輛狀態等進行深入地研究和分析，可以更準確地計算多場景下的油耗。通過數據采集、模擬仿真和實地測試等方法，可以得到不同場景下的油耗數據，為運輸企業和相關部門提供科學的決策依據。建立多維度的碳排放因子數據庫，確保油耗數據的應用價值，包含重型貨車在不同車型、不同場景（氣候、地理和交通特性）、不同負載的碳排放因子，確保數據庫的科學性和實用性。2.1.4碳排放因子驗證碳排放因子驗證為確保重型貨車的油耗和碳排放數據的準確性，本研究開展了 3種方式的驗證，包括 PEMS試驗驗證、法規工況比較驗證和實車驗證。便攜式排放測量系統（PEMS,Portable Emission Measurement

32、 System）廣泛應用于實時測量車輛的排放特性。該設備通過與車輛尾氣管道相連的探針采集污染物的濃度，包括一氧化碳（CO）、二氧化碳（CO2）、碳氫化合物（HC）、氮氧化合物（NOx）和顆粒物（PM）等，同時通過與車輛傳感器相接，得到發動機及車輛的相關技術參數，如發動機轉速、進氣管壓力、進氣管溫度以及車輛速度等。對比分析車輛 PEMS試驗數據與車輛的實際道路行駛工況和發動機參數的數據，能夠驗證實際道路行駛工況和發動機參數用于本研究的準確性，并幫助項目組發現可能存在的偏差，優化油耗模型。實車驗證是用于驗證本研究的綜合油耗模型以及微觀工況識別結果。本研究選擇了汽車保有量排名靠前的重型貨車開展驗證。

33、對比貨車司機的加油記錄結果和對應時間內的實際道路行駛工況和發動機參數數據，幫助驗證實際道路行駛工況和發動機參數數據用于本研究中計算綜合油耗的可行性。法規工況驗證是利用微觀工況切分結果和不同車型和質量區間的重型貨車12的燃料消耗限值進行對比。對微觀工況識別的結果進行法規工況的模擬和驗證可以檢驗微觀工況識別結果的準確性。油耗及碳排放因子的驗證是確保數據真實性、科學性和可靠性的關鍵步驟。只有通過嚴格的驗證，才能確保得到的數據能夠真實反映貨車的油耗和碳排放情況，從而為相關部門的政策制定和市場監管提供有力支持。2.1.5探索實際道路行駛工況和發動機參數在油耗監測和模擬計探索實際道路行駛工況和發動機參數在

34、油耗監測和模擬計算上的價值算上的價值實際道路行駛工況和發動機參數能夠提供車輛的實際運行狀態，如駕駛模式、油耗、排放等信息。一方面，準確有效地利用這些參數，可以更好地了解重型貨車的真實性能，以及重型貨車與不同道路、氣候、駕駛行為等多種因素之間的復雜關系。深入研究參數的大數據樣本，可以進一步定位對油耗產生主導影響的具體因素。另一方面，根據實際道路行駛工況和發動機參數研究提供的新方向，提煉出和重型貨車油耗和碳減排相關的實用策略和建議，用以推動重型貨車行業的持續優化，可涉及技術創新、駕駛培訓、道路基礎設施改進等多個層面。實際道路行駛工況和發動機參數數據不僅提供了新的研究窗口，更打開了一個推動中國重型貨

35、車向更加環保、高效和可持續方向發展的大門。2.1.6探討研究結果為相關部門提供數據支撐的可能性探討研究結果為相關部門提供數據支撐的可能性主要是探討研究結果為重型貨車下一階段排放標準制定、油耗限值標準修訂提供數據支撐的可能性。在當代技術飛速發展的背景下，重型貨車的實際道路行駛工況和發動機參數已經在眾多領域顯現出其不可估量的價值，尤其是在重型貨車的油耗監測與模擬計算上。獲取車輛實時運行狀態信息技術逐漸發展成熟，使得獲取更精準的油耗與排放數據成為可能。為了確保未來的排放與油耗標準真實反映重型貨車在實際工況下的性能，以下是實際道路行駛工況和發動機參數數據在這方面的應用潛力。一是能夠實時監測和記錄車輛的

36、多種運行參數，如引擎轉速、節氣門位置、燃油消耗等，這些數據可以提供關于車輛在13不同工況下的詳細信息。與傳統的油耗測試方法相比，基于實際道路行駛工況和發動機參數的油耗計算方法能夠更真實的反映車輛在實際道路、氣候和駕駛行為等條件下的油耗表現。二是可以深入探索不同場景和工況對油耗和碳排放的影響，從而為相關部門制定更為精準的 CO2排放限值和燃油消耗限值提供參考。例如，長時間的怠速、頻繁的起停、高速行駛等工況可能都會對油耗產生不同的影響，而這些都可以通過實際道路行駛工況和發動機參數數據進行定量分析。三是可以為重型貨車制造商提供有價值的反饋?；谶@些數據，制造商可以更好地了解自己產品在實際應用中的表現

37、，從而進行必要的技術優化或創新。例如，如果數據顯示某一型號的貨車在爬坡工況下的油耗明顯增加，那么制造商可能會考慮改進其動力系統或傳動系統來解決這一問題。四是基于實際道路行駛工況和發動機參數的油耗計算方法還可以為相關部門提供一個實時監測和調整油耗標準的手段。隨著技術的發展和市場需求的變化，油耗限值可能需要進行不斷的修訂。而實際道路行駛工況和發動機參數數據提供了一個實時、大數據的來源，可以幫助相關部門快速反應市場變化，及時修訂相關標準。實際道路行駛工況和發動機參數數據無疑為重型貨車的排放與油耗標準制定提供了一種方法。能夠更真實、更精準地了解車輛在實際工況下的性能，為相關部門、制造商和其他相關方提供

38、有力的數據支撐。通過對該數據的深入研究和應用，能夠推動整個行業向更加綠色、高效的方向前進。2.2技術路線技術路線項目研究框架如圖 2-1 所示，本研究篩選車輛總質量大于 12噸的重型商用貨車作為研究對象，導出其實際道路行駛工況和發動機參數數據，對數據開展清洗、修復和挖掘等處理，以噴油量參數作為基礎分析數據，油箱液位和做工情況作為輔助分析數據，對一段時間和行駛里程內的油耗數據建立油耗模型，并開展相關模型模擬，計算其綜合碳排放因子。結合重型商用貨車在實際運行中高速、國道、省道和建成區（非建成區）等使用場景，有無貨物負載的負載場景，牽引汽車、載貨汽車、自卸汽車等車型的實際應用場景，構建多維度的碳排放

39、因子數據庫。利用法規工況驗證、PEMS 試驗、實車驗證數據和模型模14擬結果比較，進一步驗證模型結果的準確性。圖圖 2-1 技術路線技術路線15第第 3 章章數據處理分析數據處理分析3.1樣本數據篩選樣本數據篩選3.1.1典型車型的篩選典型車型的篩選為得到更真實的重型貨車分布情況，樣本數據主要是以重型貨車的銷量為依據，來篩選部分典型的車型。篩選條件是：自重型柴油車污染物排放限值及測量方法（中國第六階段）（GB17691-2018）發布以來，按照此標準生產的重型牽引汽車、重型載貨汽車和重型自卸汽車，車輛的總質量均大于 12噸。再根據信息公開數據中銷量的相應比例，來確定每一車輛類型每一總質量區間的

40、具體數量。篩選的詳細結果如表 3-1 所示，篩選車輛共計 10059輛，78 個車輛類型，其中牽引汽車 5324輛，自卸汽車 2880輛，載貨汽車 1855 輛。樣本車輛的運行時間范圍是 2022年 1 月至 12 月。本研究均是基于上述部分典型車型的數據分析結果（不包括專項作業車），不能代表通用情況。表表 3-1 樣本車輛類型和總質量區間分布樣本車輛類型和總質量區間分布車型編號車型編號數量數量牽引汽車牽引汽車(46-49t5324QY-4649-01740QY-4649-02450QY-4649-03450QY-4649-04730QY-4649-05704QY-4649-06450QY-4

41、649-07450QY-4649-08450QY-4649-09450QY-4649-10450總計總計5324車型編號車型編號數量數量載貨汽車載貨汽車16(12-16t191ZH-1216-0139ZH-1216-0239ZH-1216-0320ZH-1216-0440ZH-1216-0516ZH-1216-0637(16-20t743ZH-1620-0155ZH-1620-0279ZH-1620-0370ZH-1620-0489ZH-1620-05111ZH-1620-0691ZH-1620-0776ZH-1620-0832ZH-1620-0970ZH-1620-1070(20-25t69

42、6ZH-2025-01262ZH-2025-0269ZH-2025-0360ZH-2025-0473ZH-2025-0562ZH-2025-0657ZH-2025-0753ZH-2025-0860(25-31t224ZH-2531-0173ZH-2531-0220ZH-2531-0314ZH-2531-0420ZH-2531-0515ZH-2531-0620ZH-2531-0715ZH-2531-084731t1ZH-31-011總計總計1855車型編號車型編號數量數量自卸汽車自卸汽車(12-16t176ZX-1216-0145ZX-1216-0255ZX-1216-0313ZX-1216-0

43、42417ZX-1216-058ZX-1216-0631(16-20t562ZX-1620-0197ZX-1620-0250ZX-1620-0334ZX-1620-0450ZX-1620-0563ZX-1620-0650ZX-1620-0750ZX-1620-0850ZX-1620-0950ZX-1620-1068(20-25t728ZX-2025-01136ZX-2025-02170ZX-2025-0370ZX-2025-0443ZX-2025-0570ZX-2025-0625ZX-2025-0770ZX-2025-0870ZX-2025-0911ZX-2025-1063(25-31t141

44、4ZX-2531-01162ZX-2531-0246ZX-2531-0330ZX-2531-0478ZX-2531-05240ZX-2531-06470ZX-2531-07120ZX-2531-08148ZX-2531-09120總計總計2880表 3-2 為 2022 年不同車輛類型和總質量區間的貨車銷量數據。如表所示，載貨汽車（31t）在 2022年的銷量極低，銷售占比接近為 0。樣本篩選是依據不同車型的銷量在總量中的占比，在樣本總量中進行分配，得到每個車型的采樣數量。因此，對于銷量很少的車型，在樣本篩選中的占比也很低。由于車型的銷量低，小樣本量不會對研究結果造成顯著影響。另外，表中牽引汽

45、車是用總質量來表示的，實際上牽引汽車的質量應該為整車重量加上牽引總質量來表示。據統計 2022年牽引汽車(18-27t銷量前十的車型，其整車重量加上牽引總18質量均在 46-49噸區間內，因此樣本數據所選的牽引汽車為總質量在 18-27 噸，整車重量加上牽引總質量在 46-49噸，下文均以牽引汽車(46-49t來表示。表表 3-2 2022 年分車型和總質量區間的重型柴油貨車（總質量年分車型和總質量區間的重型柴油貨車（總質量12t）銷量）銷量車輛類型車輛類型總質量區間總質量區間總銷量總銷量銷量占比銷量占比牽引汽車(18-27t26993276.64%載貨汽車(12-16t36241.01%載貨

46、汽車(16-20t132343.68%載貨汽車(20-25t124023.45%載貨汽車(25-31t41621.16%載貨汽車31t200.01%自卸汽車(12-16t24390.68%自卸汽車(16-20t100272.79%自卸汽車(20-25t137283.82%自卸汽車(25-31t243066.76%3.1.2典型參數的篩選典型參數的篩選如圖 3-1 所示，重型貨車實際道路行駛工況和發動機參數共有 28項。其中包括了與車輛相關的參數，如車輛識別代碼（VIN 碼,Vehicle IdentificationNumber）、終端報文采集時間、車速和累計里程等；和地理位置相關的參數，如經

47、緯度；與發動機性能的相關參數，如發動機轉速?；谏鲜鰠档拇髷祿治鲞\用，能夠更深入地了解車輛性能和狀態。本研究共篩選了 19項重型貨車的典型參數。其中在重型貨車的動態數據中篩選了 10項參數，其中包括發動機燃料流量和油箱液位，2項與油耗相關的參數，以及 VIN、終端報文采集時間、車速、累計里程、經緯度、發動機輸出扭矩、摩擦扭矩和發動機轉速等 8項實時運行參數。在靜態注冊數據中篩選了 5項參數，包括車輛型號、發動機型號、基準扭矩、總質量和整備質量。還選用了發動機額定功率及對應轉速、發動機最大扭矩及對應轉速、常用燃料箱體積和車輛類型等 4項參數，參與輔助計算和異常值篩選等工作。19圖圖 3-1

48、重型貨車實際道路行駛工況和發動機參數字段項重型貨車實際道路行駛工況和發動機參數字段項3.2數據主要問題數據主要問題實際道路行駛工況和發動機參數的大數據，能提供與車輛有關的大量信息，在車輛維護、性能評估和故障診斷中起到了重要的作用。但部分數據存在數據質量的問題，特別是在數據缺失、精確性和可靠性方面。數據缺失是實際道路行駛工況和發動機參數數據中的常見問題。車輛在一些情況下可能無法記錄或發送數據。例如，車輛的傳感器發生故障或被關閉時，與傳感器相關的數據可能會缺失。由于存儲空間和傳輸帶寬的限制，系統可能會選擇性地記錄或發送數據，導致數據間歇性缺失。缺失數據可能會誤導后續的數據分析和決策，特別是需要分析

49、連續數據時。數據的精確性也會受到多方面的影響。比如車載傳感器容易受到溫度、濕度、震動和其他外部因素的影響，因此傳感器的測量數據可能會有誤差。非官方的讀取器可能會提供非精確或誤導性的數據。原廠設備也可能受到制造偏差、20校準誤差等因素的影響，導致數據的不精確。而數據不精確可能會導致故障診斷錯誤、維護決策不恰當等行為。數據的可靠性不僅受到硬件設備的影響，還受到軟件算法和通信協議的影響。例如，當車輛與數據讀取器之間的通信中斷時，可能會導致數據傳輸失敗。軟件算法的缺陷也可能導致數據解釋錯誤，而影響數據的可靠性。不可靠的數據可能會導致對車輛狀況產生錯誤的判斷，采取不恰當的行動。綜上所述，盡管實際道路行駛

50、工況和發動機參數數據為車輛的運行記錄提供了寶貴的信息資源，但仍然存在數據質量的問題。為了充分利用實際道路行駛工況和發動機參數數據并確保其準確反映車輛的真實情況，需要對數據進行仔細的審核和校驗，確保數據的完整性、精確性和可靠性。本研究使用的數據，主要存在以下問題：數據斷點、數據重復、數據范圍異常、數據突變、數據含有大量 0值和空值等。圖 3-2 所示為最常見的時間斷點問題，比如相鄰兩條數據記錄的時間間隔為 2秒或 3秒，按照數據上傳標準，數據的上傳頻率是 1赫茲(Hz)。這可能是有多種原因造成的，比如車輛的電子控制單元（ECU）遭遇瞬時故障或電力暫時中斷，可能會導致數據傳輸中斷；終端接口與讀取設

51、備之間的物理連接出現問題時，如松動或損壞，也可能導致數據傳輸中斷；使用的數據讀取軟件或工具本身若存在缺陷或不穩定，會導致數據讀取不完整或出錯；外部的電磁干擾或其他環境因素，也會影響數據的正常傳輸。21圖圖 3-2 時間斷點示例時間斷點示例圖 3-3 所示為數據重復和超出范圍的示例，這可能是多種因素造成的。由于通訊故障或延遲，ECU在數據傳輸過程中可能會多次發送相同的信息，導致數據重復。車輛上的傳感器受到損壞、老化或外部環境的影響，可能導致輸出數據不準確。用于解析和處理數據的軟件也可能存在缺陷或錯誤，誤讀數據或將其解釋為異常值。外部的電磁干擾、物理震動或其他環境因素也可能對數據通訊產生干擾。車載

52、終端的硬件部分，如接口或數據線的損壞或老化，也可能導致數據傳輸問題。在某些非常規駕駛或工況下，如急加速或高溫環境，也可能產生超出正常范圍的數據。示例示例(a)22示例示例(b)圖圖 3-3 數據重復、超出范圍示例數據重復、超出范圍示例除此之外，圖 3-4、圖 3-5 和圖 3-6 中也展示了數據處理過程中出現的不同問題。圖 3-4 是發動機燃料流量數據異常，圖中發動機燃料流量值超過了3000L/h，屬于極異常的數據。圖 3-5 是速度異常的情況，在整車行駛段內，有超過 50%的速度數據都為 0。圖 3-6 所示為累計里程下降，車輛的累計里程數據出現了越來越低的情況，這是不符合常理的，具體的數據

53、統計結果在 3.3.2中有詳細介紹。圖圖 3-4 發動機燃料流量異常數據發動機燃料流量異常數據23圖圖 3-5 超過超過 50%比例的車速數據為比例的車速數據為 0圖圖 3-6 累計里程下降示例累計里程下降示例243.3數據質量分析數據質量分析3.3.1數據處理流程數據處理流程圖圖 3-7 數據提取和轉置流程數據提取和轉置流程本研究的原始數據是按照時間來進行分布的，從 2022年 1月 1 日至 12月31 日，共分為 12 個月份文件夾。每個月份文件夾中都含有相應月份天數的日文件夾，每個日文件夾下又包含幾百到上千不等的數據存儲文件。每個文件含有不同車輛在不同運行時段的行駛數據，因此提取單車行

54、駛數據的文件非常復雜。在經過多次嘗試后，該研究設計了如圖 3-7 所示的數據提取流程。原始數據的提取流程，使用了“PyArrow Engine”對處理速度進行加速，該引擎支持多種數據格式的讀寫，如 CSV、Feather 和 Parquet 等。數據提取的方法主要是提取所有車輛的 VIN 碼，再遍歷所有的 VIN 碼，來讀取分散在不同的文件夾中的符合當前 VIN 碼的運行數據。例如，對于車輛編號為“VIN1”的車輛，先尋找所有日期中該車的運行數據，再進行合并。依此類推，對于新出現的VIN 碼，如 VINn+1、VINn+2 和 VINn+k，會新建并存儲在相應的數據結構中，形成初始的以單車文件

55、進行儲存的車輛行駛數據庫。根據 3.2中提到的樣本數據中存在的數據質量問題，需對合并之后的初始數據庫進行清洗，篩選出能最終納入計算的文件數據。具體的清洗過程如圖3-8 所示，在數據清洗過程中，首先從合并的文件夾中獲取所有的“parquet”文件，然后檢查每個文件是否存在一個輸出路徑。如果文件已經被處理，那么將跳過25這個文件，否則將開始處理該文件。在讀取數據時，使用了特定的數據類型后端來確保數據的完整性。讀取數據后，首先按照“終端報文采集時間”列對數據進行排序，這能確保數據的時間連續性和一致性。同時，對于缺失“終端報文采集時間”字段項的數據都會被刪除，因為該項缺失的數據可能會影響后續分析的準確

56、性。同時還刪除了在這一列中的重復項。再將此時間列轉換為標準的日期格式，并設置為數據框的索引，以方便后續的時間序列分析。圖圖 3-8 數據清洗流程數據清洗流程如表 3-3 所示，本研究對表中的數值列，進行了標準化和轉換處理。具體的數據轉換規則如表所示。表 3-4 所示為數據處理過程中的過濾條件，所列條件是基于對參數的物理理解和常識來設置的，保證選用數據在合理范圍內。后續選用的數據僅保留了滿足上述條件的行。處理后的數據長度達到或超過86400 條（運行時間為 1 天），則將數據保存到輸出路徑。如果在處理數據的過程中出現任何錯誤，會將相關的錯誤信息和文件路徑寫入日志文件，以便后續的問題追蹤和調試。本

57、研究的數據清洗過程細致和全面，確保了數據的質量和可靠性，為后續的數據分析和業務決策奠定了堅實的基礎。26表表 3-3 數據轉換規則數據轉換規則數據列名數據列名轉換規則轉換規則車速車速/256累計里程累計里程/10經度經度*0.000001緯度緯度*0.000001大氣壓力大氣壓力/2發動機凈輸出扭矩發動機凈輸出扭矩-125摩擦扭矩摩擦扭矩-125發動機轉速發動機轉速*0.125發動機燃料流量發動機燃料流量*0.05SCR 上游 NOx 傳感器輸出值SCR 上游 NOx傳感器輸出值*0.05-SCR 下游 NOx 傳感器輸出值SCR 下游 NOx傳感器輸出值*0.05-反應劑余量反應劑余量*0.

58、4進氣量進氣量*0.05SCR 入口溫度SCR 入口溫度*0.03125-273SCR 出口溫度SCR 出口溫度*0.03125-273DPF壓差DPF 壓差*0.1發動機冷卻液溫度發動機冷卻液溫度-40油箱液位油箱液位*0.4表表 3-4 數據過濾條件數據過濾條件數據列名數據列名過濾條件過濾條件車速0車速150累計里程累計里程 0發動機凈輸出扭矩0 發動機凈輸出扭矩 100摩擦扭矩0 摩擦扭矩 100發動機轉速發動機轉速 0發動機燃料流量0 發動機燃料流量 31t)的樣本車輛僅有 1 輛，不具有代表性，因此沒有納入后續的計算分析。31圖圖 3-16 清洗前后的分車型和質量區間的數量分布清洗前

59、后的分車型和質量區間的數量分布3.4全年上線車輛分析全年上線車輛分析本節統計了樣本數據中自 2022年 1月上線車輛，即有實際道路行駛工況和發動機參數數據的車輛，認為這些車輛是在 2022年全年都在投入使用的車輛。通過不同車輛類型和質量區間的數量，分析這些車輛在 2022年全年的上線天數、日均行駛時長和日均行駛里程。圖 3-15 是自 2022年 1 月上線的車輛分車型和質量區間的數量分布。1月上線的車輛共有 7326輛，約占樣本車輛的 85%。從車型和質量區間來看，自卸汽車(12-16t和載貨汽車(12-16t的數量較少。32圖圖 3-15 2022 年年 1 月上線車輛的數量分布月上線車輛

60、的數量分布圖圖 3-16 2022年車輛的年平均上線天數年車輛的年平均上線天數圖 3-16 是不同車型和質量區間車輛在 2022年的平均上線天數。從圖上可以看出，載貨汽車(12-16t和自卸汽車(25-31t的上線天數約在 180天，除此以外33的車型和質量區間的上線天數均超過 200天。其中牽引汽車的平均上線天數最多，超過了 250天。圖 3-17 是不同車型和質量區間的汽車 2022年日平均行駛里程的分布情況。圖 3-18 是不同車型在不同質量區間的日均行駛里程概率分布直方圖。在計算日均行駛里程時，首先計算每輛車全年的日行駛里程，計算方法為每天最后一行數據的里程表的值與當天第一行數據中里程

61、表的值相減。在計算每輛車的日均行駛里程時，先刪去異常值，即行駛里程不足 1公里和大于 1000公里的活躍天數。每輛車的日均行駛里程按照車型和質量區間的分布結果顯示，自卸汽車(12-16t和(16-20t的日均行駛里程分布最為集中，平均值分別為 85km 和 78km，中位數均分別為 71km和 77km。牽引汽車(46-49t的日均行駛里程數最大，分布最分散，平均值為 349km，中位數為 347km。其他車輛的日均行駛里程分布的平均值和中位數在 150km以下。圖 3-19 統計了 2022 年不同車型和質量區間車輛日均行駛時長的分布情況。圖 3-20 是不同車型在不同質量區間的日均行駛時長

62、概率分布直方圖。日均行駛時長的計算方法是每天的最后一行數據的傳輸時間減每天第一行數據的傳輸時間，該算法可能存在車輛在中途休息的狀態而導致日均行駛時長被高估的現象。這里對一天中行駛時長低于 30分鐘的數據進行刪除，再計算全年所有活躍天數的行駛時長的平均值，得到汽車的日均行駛時長。每輛車的日均行駛時長按照車型和質量區間的分布結果顯示，牽引汽車(46-49t的日均行駛時間最長，平均值和中位數均為 14.4小時，自卸汽車(20-25t和自卸汽車(25-31t的日均行駛時長平均值為 11小時，中位數超過了 10小時，其他車輛的日均行駛時長分布平均值和中位數 10小時以內。根據工業和信息化部的車輛型式核準

63、信息，2021年國內電動貨車的平均標稱續航里程為 320km。根據對不同車型和質量區間的汽車 2022 年的日均行駛里程的詳細分析。各質量段的自卸及載貨汽車分布均集中在 200km以下，牽引汽車(46-49t分布較為分散且均值超過 320km。因此在重型貨車電動化推廣過程中，建議優先考慮推動自卸汽車和載貨汽車的電動化。34圖圖 3-17 不同車型和質量區間車輛的日均行駛里程不同車型和質量區間車輛的日均行駛里程35圖圖 3-18 車輛日均行駛里程概率分布直方圖車輛日均行駛里程概率分布直方圖36圖圖 3-19 不同車型和質量區間車輛的日均上線時長不同車型和質量區間車輛的日均上線時長37圖圖 3-2

64、0 車輛日均行駛時長概率分布直方圖車輛日均行駛時長概率分布直方圖3.5本章小結本章小結本章深入探討了數據清洗和分析的重要性。原始數據共有 10059輛重型貨車和 365.8億條數據。大數據樣本包含了一些冗余、錯誤和無效信息，通過數據清洗可以確保后續分析的準確性和有效性。本章在數據清洗中，刪除了不足一天的運行數據、損壞的數據文件，以及缺失關鍵列的數據項。最終，清洗后38共有 8634輛車，數據總量約 303.5億條，占原始數據的 82.9%。通過對比清洗前后的數據分布，看出數據質量顯著提升。數據清洗有效地排除了原始數據中的異常值和錯誤記錄，數據運行時間范圍由接近 285天（運行小時折合成天數）縮

65、小到低于 200天，使得數據分布更均勻和連續。本章還詳細分析了 2022年的車輛累計行駛里程，大多數車輛的累計行駛里程都在 0-100,000公里區間內，反映出車輛的使用狀況和耐用性。不同車輛類型的累計里程分布也揭示了其功能和使用場景，例如自卸汽車主要用于短途行駛，牽引汽車主要用于中長途行駛。本章還從車輛的全年上線天數著手，分析了車輛的日均行駛里程和日均上線天數。從日均行駛里程來看，自卸汽車(12-16t和(16-20t的分布最為集中，平均值分別為 85km和 78km，中位數均分別為 71km 和 77km。牽引汽車(46-49t的日均行駛里程數最大，分布最分散，平均值為 349km，中位數

66、為 347km。其他車輛的日均行駛里程分布的平均值和中位數在 150km以下。從日均行駛時長來看，牽引汽車(46-49t的日均行駛時間最長，平均值和中位數均為 14.4 小時，自卸汽車(20-25t和自卸汽車(25-31t的日均行駛時長平均值為 11小時，中位數超過了 10小時，其他車輛的日均行駛時長分布平均值和中位數 10小時以內?？傮w而言，本章說明了數據清洗在數據分析中的核心地位。只有經過嚴格的數據處理和篩選，才能確?；谶@些數據分析結果的準確性。此外，通過深入分析實時車輛數據，也對車輛的使用習慣、耐用性和功能定位有了更深入的了解，能為后續的研究和決策提供參考。39第第 4 章章綜合油耗分

67、析綜合油耗分析4.1綜合油耗技術路線綜合油耗技術路線本研究針對重型貨車全年運行中的逐秒數據，根據其連續性進行分段處理，以提高重型貨車綜合油耗計算的準確性。以下是詳細的處理流程和結果分析：一、原始數據預處理原始數據的存在時間跨度長、數據量大和不連續的問題，為了后續的數據分析的準確性，先對數據進行分段處理。經過測試驗證發現，將連續數據段的間隔長度設定為 10 分鐘，既能保證數據的有效性和完整性，又能降低不連續性對計算的影響。二、數據篩選與驗證在確定分段的間隔長度后，對全部數據段按照 2 個標準進行再篩選，分別為時間密度和速度積分/里程差。利用這 2 個標準的目的是對里程段的數據缺失程度進行篩選。通

68、過設定合理的閾值，刪除了部分低質量的數據段。三、油耗計算經上述處理后，得到了大量連續且高質量的數據段，項目組將利用這些數據段計算重型貨車的綜合油耗值。本研究以“發動機燃料流量”這項參數的積分值作為柴油消耗量。積分的具體計算方法是：通過將每秒的燃料流量進行積分，再將每一段積分結果與和此里程段相同車型相同質量區間的其他里程段的積分結果相加得出總消耗量。數據段首尾行的里程表差值作為重型貨車的行駛里程?？紤]到數據段首尾可能存在誤差，本研究將取整數值作為最終的行駛里程。每一種車型都將所有柴油消耗量和行駛里程進行加和，并計算比值，得到這種車型的綜合油耗。即綜合油耗綜合油耗=發動機燃料流量（積分）發動機燃料

69、流量（積分）/里程表首尾里程差里程表首尾里程差四、結果分析綜合油耗的計算流程圖 4-1 所示。通過計算得到了不同車輛類型在不同質量區40間的綜合油耗值，同時與重型商用車輛燃料消耗量限值第三階段和第四階段（征求意見稿）進行分析比較，值得注意的是該綜合油耗值是一個平均值，未考慮車輛的負載情況。圖圖 4-1 綜合油耗計算流程圖綜合油耗計算流程圖4.2綜合油耗的分段方法綜合油耗的分段方法在分段時間間隔的選擇上，為保證盡量涵蓋所選重型貨車樣本的全部工況，本研究分別按照 5 分鐘、10 分鐘、20 分鐘和 30 分鐘的時間間隔進行劃分。具體結果如圖 4-2 所示。41圖圖 4-2 不同時間切分的里程段數量

70、不同時間切分的里程段數量重型貨車連續運行時長對油耗計算準確性存在一定影響。理想狀態下，車輛平穩運行的時間越長，其通過計算的油耗值越能反映實際情況，但若選擇 20分鐘或者 30分鐘作為分段的時間間隔，會刪除過多的數據行，可能導致得到的油耗無法全部覆蓋重型貨車的行駛狀況。理論來說，選擇 5 分鐘作為分段的時間間隔能夠涵蓋更多的重型貨車行駛狀態。但是分段時間 5 分鐘得到的數據量過于龐大，考慮到計算機算力以及后續分場景分負載的油耗計算，且以十分鐘作為分段依據所產生的段落數量與五分鐘所得的分段數量差距不大，本研究選定將 10分鐘作為分段的時間間隔，所選里程段約共 203萬段。4.3分段后的數據再清洗分

71、段后的數據再清洗4.3.1時間密度時間密度將全部數據進行分段處理后，需進行數據再處理。本研究在這里設定時間密度這一變量，該變量的計算方式如下：時間密度時間密度=里程段的數據中含有真實數據量里程段的數據中含有真實數據量/應有數據量應有數據量由于原始數據為逐秒數據，里程段中含有的真實的數據行數為本里程段的真實數據量，應有數據量指的是此里程段的運行時間范圍內包含的秒數，即數42據行的數量，用首行和尾行的時刻差來表達。對于時間密度的具體數值設定，本研究分別選擇了 0.5 到 1 之間的數值進行比較分析（圖 4-3）。當時間密度為 1 時，說明此里程段數據質量最優，沒有缺失值，但時間密度為 1 的里程段

72、僅占所有里程段的 9.1%。為兼顧數據質量和數據數量，本研究設定時間密度的標準值為 0.9，當某個里程段的真實行數與里程段的時間間隔的比例小于 0.9 時，那么認為該里程段質量不高，連續性不強，進行刪除。最終得到的時間密度大于 0.9的里程段占分段后里程段的 77.3%。圖圖 4-3 不同時間密度下的數據量占比不同時間密度下的數據量占比4.3.2車速積分車速積分/里程差里程差為了提高綜合油耗計算的準確性，本章對重型貨車運行中的全年逐秒數據進行分段處理。初步設定時間密度為 0.9，然后引入車速積分和里程差比值這一指標變量，進一步驗證切段數據的質量。以下是詳細的處理流程和結果分析：(1)數據分段處

73、理與速度積分在對逐秒數據進行處理時，選擇將時間密度設定為 90%，并且設定連續數據段的時間間隔為十分鐘。在每個段落中，對每秒的速度數據進行積分，得到該時間段內車輛行駛的里程估算值。43(2)車速積分與實際里程的比較如果一個里程段中每一秒的數據都未缺失，那么通過對速度積分得到的行駛里程應該與貨車在該時間段內的實際行駛的里程幾乎相同。里程表的首尾里程差可以記錄該里程段的實際行駛里程，但當里程段中存在大量數據缺失時，速度積分得到的里程值可能無法準確反映實際行駛里程。(3)車速積分與首尾里程差比值的驗證方法為了考察每個時間密度下車速積分與首尾里程差的比值分布情況，本研究計算了每個里程段的車速積分與首尾

74、里程差的比值。如果比值分布較為集中，說明數據段的質量較高；如果比值分布較為離散，則表明數據段的質量較低。(4)驗證結果圖 4-4 展示了不同時間密度下車速積分與首尾里程差比值的分布情況。橫軸為時間密度，表示篩選出時間密度大于此數值的所有里程段?？v軸為比例，表示經過時間密度篩選后的所有里程段中，對每個里程段計算車速積分/里程差的比值。藍色曲線表示這個比值在 0.95到 1.05 的里程段的數量占所有段數量的比例，紅色曲線表示這個比值在 0.9 到 1.1 的里程段數量占所有段數量的比例，黃色曲線表示 0.8 到 1.2 的比例和綠色曲線表示 0.5 到 1.5 的比例。結果表明，隨著時間密度篩選

75、值的升高，每一條曲線都在逐漸上升，而時間密度在 0.8 到0.83 時，車速積分/里程差的誤差在 5%范圍內的比例達到最大（如圖 4-5）。在時間密度為 0.9 時，該比值變化不明顯，但是可以囊括更多的數據，因此為了兼顧數據量和數據質量這兩個指標，本研究將時間密度選定為 0.9，即里程段的數據中含有真實數據量和應有數據量的比值至少為 90%。綜上所述，通過對逐秒數據的分段處理和車速積分與實際里程的比較，驗證了時間密度為 0.9 的數據段質量較高。因此，本研究選擇該時間密度來計算綜合油耗。在此基礎上，開展綜合油耗計算的詳細分析和比較不同車輛類型在不同質量區間的綜合油耗等工作。44圖圖 4-4 不

76、同時間密度下車速積分與首尾里程差比值的分布情況不同時間密度下車速積分與首尾里程差比值的分布情況圖圖 4-5 速度積分速度積分/里程差分布誤差在里程差分布誤差在 5%范圍內的比例范圍內的比例依照常理，時間密度為 1 的里程段數據缺失的數據最小，數據質量最高，其車速積分/里程差的比值接近 1 的占比應該最大，但如圖 4-4 的 4條曲線所示，在時間密度為 1 時，都呈現急速下降的趨勢。針對此現象，本研究篩選了所有時間密度大于 0.95 的里程段，考察其里程差的分布情況，如圖 4-6 所示，超過 60%的里程段的行駛里程低于 1km。因此，盡管速度積分與里程差的比值與 1 差距較大，但實際上因為行駛

77、里程較短，速度積分與里程表差值僅有幾百米，這就導致速度積分與里程差比值為 1 時差距較大，但并不能說明時間密度接近于 1 的里程段數據質量差。時間密度接近于1 的缺失值較少的里程段，大多是運行時間短、行駛里程短的里程段，從計算油耗的角度來看，運行時間較短的工況會影響油耗計算的準確性。因此，將時間密度選擇為 1 是不合適的，不僅會篩選掉大多數里程段（時間密度為 1 的里程段僅占全部里程段的 9.1%），而且所選里程段的工況信息較為單一，將嚴重45影響油耗計算的準確性?；谝陨弦蛩?，本研究將時間密度的篩選值設定為 0.9。并在此基礎上，進一步刪除質量較差的車速積分/里程差的比值小于 0.5 或者大

78、于 1.5 的里程段內的數據。圖圖 4-6 里程分布情況里程分布情況此外，還需刪去累計里程小于 0 和累計里程明顯過大的段。因為累計里程小于 0 是明顯的異常情況，累計里程明顯過大的判定方法如下：里程表首尾差里程表首尾差 2車速均值車速均值時間跨度時間跨度將車速均值與時間跨度的乘積作為里程段行駛里程的估計值，如果里程表的首尾里程差大于 2 倍的車速均值和時間的乘積，那么認為這是累計里程明顯過大，數據質量差，刪除該數據段。綜上所述，通過上述對于里程段的再清洗過程，本研究從 9001 臺車的行駛數據中共得到 244.67億條可用且質量較高的數據，約占清洗后數據的 81%。4.4綜合油耗計算方法綜合

79、油耗計算方法4.4.1比較噴油量和油箱液位比較噴油量和油箱液位為準確量化柴油消耗量，本研究選擇了油箱液位和發動機噴油量 2 種方法進行比較研究。方法 1 是通過測量油箱液位的變化情況來估算柴油的消耗量。但由于油箱液位數據波動較大且不穩定，此方法存在一定的誤差；方法 2 是根46據發動機噴油量的變化情況來計算柴油消耗量，該方法中數據呈現出整體穩定且上升的趨勢，因此本研究以方法 2作為主要的柴油消耗量衡量方法。圖圖 4-7 L53D4532XMA*噴油量和油箱液位的比較噴油量和油箱液位的比較數據切段后，以單車連續里程段的數據作為研究對象，分析其噴油量和油箱液位的變化情況。如圖 4-7 所示，黃色的

80、線是油箱液位隨時間的變化情況，藍色的線是噴油量隨時間的變化情況。圖中油箱液位數據波動較大且不穩定，單車差別最大在 50L 以上，此方法計算出的油耗并不準確。相比之下，噴油量數據整體呈現穩定上升的趨勢，因此本研究選擇以噴油量數據來計算油耗。由于噴油量數據缺失的情況不可避免，本研究提出了一種對噴油量數據積分的算法，即利用該段的噴油量對里程段的時間進行積分，得到此里程段的油耗。此積分算法能夠彌補因數據缺失而損失的噴油量，使計算結果更符合實際情況。4.4.2比較積分算法和求和算法比較積分算法和求和算法將噴油量數據作為計算油耗的參數之后，有 2 種方法計算每個里程段的柴油消耗量。方法 1 是對一個里程段

81、內所有的噴油量求和計算此里程段的柴油消耗量；方法 2 是對一個里程段內的噴油量數據逐秒積分，彌補缺失值，將積分后的結果作為此里程段的柴油消耗量。本研究將比較分析兩種算法，結果如圖474-8 所示。圖圖 4-8 通過積分算法與求和算法計算的油耗比較通過積分算法與求和算法計算的油耗比較如圖所示，通過積分算法和求和算法計算的平均油耗量，在整體上相差不大。積分算法的油耗量要大于求和算法的油耗量，只有自卸汽車(20-25t的油耗量是求和算法大于積分算法。綜合考慮噴油量數據的情況，積分算法相較于求和算法能夠彌補缺失值，因此本研究選擇用發動機噴油量的積分數據作為里程段的油耗。4.4.3比較里程段分別計算油耗

82、和綜合計算油耗比較里程段分別計算油耗和綜合計算油耗依據上述切段數據與數據清洗方法，對所有篩選后的里程段按照車型和質量區間計算油耗均值。有 2 種計算綜合油耗的方法。方法 1 是使用整體的噴油量總和除以總的行駛里程計算平均油耗。這種方法的優點在于其全面性和代表性。其包含了所有的里程和柴油消耗量，確保最終的油耗計算結果能真實地反映車輛在所有里程中的實際燃油效率。如果一個較短距離里程段的油耗比較高，那么該方法可以削弱其對整體油耗的影響。方法 2是先單獨計算每一段的油耗，再取每段油耗的平均值。這種方法可能會導致某些里程短但油耗特別高的里程48段對總體的平均油耗有較大的影響，因為它賦予每一段里程相同的權

83、重，不考慮段里程的長度?？紤]上述使用場景，本研究選擇使用方法 1 進行計算。特別是在特殊工況下，里程雖然短，但其油耗遠超出法定油耗，如果采用方法 2，可能會對整體的評估結果產生不成比例的影響。而方法 1 能夠平衡各段里程的影響，提供一個更加準確、有代表性的評估結果。4.4.4活動范圍篩選活動范圍篩選除去對于對原始數據質量的篩選，即時間密度的篩選和速度積分與里程差比值大小的篩選，本節還考慮了車輛的實際行駛狀況。如圖 4-9 所示，該車在某一廠區范圍內運行，其車速和里程幾乎為 0，但是存在發動機長時間在噴油的情況，造成計算得到的油耗偏大，影響行駛狀況的油耗結果。針對上述車輛在場區內做功的情況，為保

84、證油耗計算結果的準確性，本章引入了活動范圍這一變量。篩選每個里程段內的經緯度極值，選擇最大的經度緯度以及最小的經度緯度，依照經緯度極值計算相應的橫向距離和縱向距離，兩者相乘得到活動范圍，單位是平方千米（km2）。具體計算步驟如圖 4-10 所示。圖圖 4-9 場區做功油耗對比場區做功油耗對比49圖圖 4-10 活動范圍計算活動范圍計算將汽車行駛數據的經緯度變量引入后，本研究發現，很多經度和緯度數據存在異常，如存在一些經緯度數值錯誤，或者數值為 0。為保證數據質量，首先剔除經緯度值為 0的數據，其次依照我國國土范圍的經緯度限值經度范圍數值在 73到 135之間，緯度范圍數值在 3到 53之間進行

85、進一步的篩選。本節還分車型分析了油耗值大于 100L/100km 的里程段的活動范圍分布情況，如圖 4-11所示。在上述條件的里程段中，超過 90%的里程段活動范圍小于2km2。這表明絕大多數的油耗值較大的里程段是在場區內的數據段，汽車在場區內運行，里程和速度都很小，但是發動機持續噴油，因此油耗量較高，在計算綜合油耗時應該剔除掉這部分里程段。綜合考慮，本章首先計算綜合油耗值，即不考慮汽車的工作狀態。將全部的里程段按照不同車型和不同質量區間分別計算油耗，得到綜合油耗值之后，再區分汽車工作狀況分別計算油耗。對于油耗量小于等于 100L/100km 的所有里程段，認為其基本屬于正常行駛的工作狀態，而

86、對于油耗量大于 100L/100km的里程段，認為其活動范圍不超過 5 km2的里程段屬于在廠區內做功的里程段。經分析，原切段數據為 202.9萬段，其中活動范圍小于等于 5 km2的里程段有53.4 萬段。約占原切斷數據的 26.3%。50圖圖 4-11 車輛活動范圍分布圖車輛活動范圍分布圖4.4.5時速篩選時速篩選在進行活動范圍篩選后，發現在所有活動范圍大于 5 km2的里程段中，部分里程段活動范圍很大，但是其相對應的行駛時間和行駛里程卻很小，如下圖所示。時間跨度表示行駛時間，第一行的數據表示，行駛時間為 52分鐘，但是里程表的變化為 2公里，而依據經緯度算出的橫向距離和縱向距離分別為 2

87、0公里和 9 公里，這顯然是不合理的，在計算實際油耗的過程中需要將這部分不合理的里程段剔除掉。針對異常數據，本章引入時速這一變量，單位為 km/h，計算公式如下所示：時速時速=累計里程累計里程(km)/時間跨度時間跨度(h)本章認為時速低于 5km/h的里程段并非一直處于行駛狀態的。汽車可能是一段時間在行駛，另外一段時間在場區工作，或者存在其他的工況。而此種工況的里程段計算出的綜合油耗將會使得整體油耗結果升高，這部分篩選出的里51程段數量為 72.8萬段，約占原切斷數據的 35.8%。圖圖 4-12 異常數據示例異常數據示例4.5綜合油耗計算結果綜合油耗計算結果4.5.1車輛數量分布車輛數量分

88、布圖 4-13 展示了在數據清洗流程中車輛數量的變化。樣本車輛總共有 10059輛。在第一次數據清洗后，即對原始數據的異常狀況和進行初步的數據質量篩選后，車輛數量為 8634輛。接下來進行數據切段，按照里程段的時間密度和速度積分/里程差這兩個變量的數值來判斷里程段的數據質量，篩選掉數據質量較差的里程段，剩余 8519輛車。最后刪去經緯度數據異常的里程段，最終得到8501 輛汽車。這說明在逐步地數據清洗之后，排除了異常、缺失或者不符合油耗計算標準的數據，提升了數據的質量和準確性。圖圖 4-13 數據清洗流程（車數變化）數據清洗流程（車數變化）圖 4-14 是進行切段篩選后，未進行活動范圍和時速合

89、理限值篩選的車輛數52量分布圖，共計 8501輛車。從圖中可以看出，牽引汽車(46-49t的數量最多，共有 4569輛，超過全部車輛數量的 50%。自卸汽車(25-31t的數量相對較多，有 1123輛。在計算和展示油耗均值時，本章會以車型和車輛總質量作為區分標準。清洗后全部參與綜合油耗計算的車輛信息，包括不同車輛類型和不同質量區間車輛的數量分布情況，共計 8238輛。其中包含載貨汽車、自卸汽車和牽引汽車 3 種車型，并區分了 4 個質量區間的載貨汽車、4 個質量區間的自卸汽車和1 個質量區間的牽引汽車。圖圖 4-14 原始數據和切段后數據的車輛數量分布原始數據和切段后數據的車輛數量分布4.5.

90、2綜合油耗均值綜合油耗均值分別將每一車型和質量區間車輛的燃油消耗量和累計里程進行加和，得到總油耗和總里程。用總油耗除以總里程來計算每種車型和質量區間的平均油耗，并對比分析每種車型和質量區間的平均油耗。53圖圖 4-15 綜合油耗均值分布綜合油耗均值分布如圖 4-15 所示，自卸汽車(25-31t的綜合油耗均值極高，達到了90L/100km。牽引汽車的綜合油耗均值在 63L/100km，載貨汽車的綜合油耗均值最低，在 2545 L/100km。本節綜合油耗均值是全部分段的計算結果，包含了部分原地做功的里程段，其中牽引汽車(46-49t、自卸汽車(20-25t和自卸汽車(25-31t的綜合油耗均值

91、較高，可能是由于其原地做功和低速工況的占比較大所致，下一小節將比較分析區分低速里程段和行駛里程段的油耗均值。值得注意的是，該項研究的計算中負載使用的是一個平均值，牽引汽車和自卸汽車在工作中具有不同的應用和特點，牽引汽車主要負責貨物運輸，自卸汽車則主要用于建筑工地和礦山等場所的貨物運輸。車輛的油耗均值較高可能是實際工況所導致的，需要進一步結合行駛場景分析，如是否有負載和行駛道路狀態。4.5.3怠速段和行駛段油耗怠速段和行駛段油耗對全部里程段按照活動范圍和時速進行篩選，得到活動范圍大于 5km2且時速大于 5km/h的全部里程段，并納入短怠速時段的油耗（時間少于 3分鐘的怠速段），將這部分里程段的

92、數據按照車型和質量區間對里程和噴油量加和，再比值得到油耗值，結果如圖 4-16 所示。54圖圖 4-16 行駛段的油耗分布行駛段的油耗分布從整體來看，篩選得到的全部行駛里程段油耗值相比于不考慮實際工作的綜合油耗值下降較多。牽引汽車、載貨汽車、自卸汽車(12-16t和自卸汽車(16-20t的油耗值相對較低，自卸汽車(20-25t和自卸汽車(25-31t的油耗值相對較高。圖 4-17 篩選了自卸汽車(25-31t部分油耗較大的里程段，每一行數據代表一個行駛里程段，如第一行數據表示這輛自卸汽車在 18分 23秒的時間內行駛了 5.4km，而發動機燃料流量積分變量的數值為 98549.4。這個變量是針

93、對原始數據的逐秒數據進行按秒積分得到的，原始數據中的發動機燃料流量的單位是L/h，這里對它按秒積分，應將得到的數值除以 3600，得到這一里程段的發動機燃料消耗量，單位為 L。因此第一行數據所代表的里程段的發動機燃料消耗量為 27.37L，這顯然是不符合實際的。而其他數據行也基本上存在相同的問題，即發動機燃料消耗量過大導致里程段的油耗值過大。55圖圖 4-17 油耗數據異常情況油耗數據異常情況這里還對自卸汽車(20-25t和自卸汽車(25-31t的全部里程段做了油耗值的分布，如圖 4-18 所示。這里的油耗值指的是每個里程段的油耗值，是每個里程段的累計噴油量和累計里程的比值，它能夠代表每個里程

94、段自身的油耗情況。從圖中可以看出。自卸汽車(20-25t里程段油耗值主要集中分布在 25-40L/100km，且超過 40L/100km 的里程段明顯更多。自卸汽車(25-31t里程段油耗值主要集中分布在 35-60L/100km，而自卸汽車(20-25t 和(25-31t第三階段的油耗限值分別為 37.5L/100km 和 41L/100km。從整體來看，這兩個車型行駛段的大部分里程段的油耗水平都高于限值。56圖圖 4-18 自卸汽車自卸汽車(20-25t和和(25-31t的行駛段油耗分布圖的行駛段油耗分布圖本章還分析討論了怠速段的油耗值。由于車輛除了行駛狀態以外，還有大量場區內原地做功的狀

95、態，這種情況會出現里程段內的行駛里程較短但是油耗值極大的情況。因此，對于怠速時的油耗值，這里用噴油量與時間的比值來表達，得到每小時的油耗，再進行比較分析。如圖 4-19 為怠速里程段的油耗值，單位為 L/h，怠速里程段指的是時速小于 15km/h以及活動范圍小于 5km2的里程段。整體來看，自卸汽車(20-25t 和自卸汽車(25-31t的怠速油耗值較大，這可能是由于其本身的實際工作狀態導致的。自卸汽車本身需要長時間地原地卸貨，利用重力將貨物從車廂中傾倒出來，這可能會導致其發動機一直在工作，進而使得其怠速油耗較高。牽引汽車(46-49t的怠速油耗也較高，這可能是其本身質量較大所導致的。57圖圖

96、 4-19 怠速段油耗的分布怠速段油耗的分布4.6重型專項作業車的油耗分析重型專項作業車的油耗分析專項作業車是一種廣泛應用于各種工程和作業現場的車輛，包括裝載機、壓路機、挖掘機、吊車等。這些車輛的油耗量直接關系到作業成本和環境影響。本研究旨在分析不同類型專項作業車的油耗情況，以便更好地了解其能源消耗特征，為進一步優化作業效率和節能減排提供理論支持。4.6.1數據篩選數據篩選下一階段的重型商用車輛燃料消耗量標準中暫未考慮給出單獨的專項作業車的油耗標準限值，但是下一階段重型貨車的排放標準中會考慮納入專項作業車的 CO2排放限值。目前，暫時還沒有關于重型專項作業車碳排放方面的研究，因此本研究擬對重型

97、專項作業車的綜合油耗開展初步的分析，為重型貨車下一階段排放標準的制訂提供技術和數據支持。重型專項作業車的樣本數據也是根據銷量篩選，主要是選取每個質量區間銷量前五的車型（燃油車），每個車型隨機篩選 30輛車的數據。樣本共篩選了 19個車型，570 輛專項作業車的參數數據，具體情況如表 4-2。樣本數據的運行時間范圍也是從 2022年 1月至 2022 年12 月。58表表 4-2 專項作業車樣本數據專項作業車樣本數據質量區間質量區間專項作業車具體類別專項作業車具體類別數量數量(12-16t綠化噴灑車30平板運輸車30多功能抑塵車30汽車起重機30(16-20t倉柵式運輸車90廂式運輸車60(20

98、-25t隨車起重運輸車60廂式運輸車30車廂可卸式垃圾車30倉柵式運輸車30(25-31t倉柵式運輸車90混凝土攪拌運輸車604.6.2數據清洗與切段數據清洗與切段專項作業車的原始數據與上述 10059輛車的字段項一致，數據處理方法和流程也與 3.3.1相同。原始數據中全部的專項作業車數量為 570輛，共計約 12億條數據。其中有 62輛車的數據損壞，數據無法讀??；再按照上述過程對原始數據進行初步的提取和整理，并進行相應的合并和清洗過程，經數據清洗后剩余 485 輛車，共計約 8 億條數據，約占原始數據比例的 67%。再按照之前時間間隔 10分鐘對所有專項作業車進行切段劃分。在這個過程中出現了

99、部分損壞的文件，剔除損壞文件后剩余車輛為 385輛。各車型的具體數量信息如下圖所示。59圖圖 4-20 數據清洗前后專項作業車的數量分布數據清洗前后專項作業車的數量分布4.6.3專項作業車工況分析專項作業車工況分析隨車起重運輸車是一種多功能的車輛，主要用于裝載和卸載貨物。它具有一個可伸縮的吊臂，以及一個可以旋轉的吊鉤，能夠在狹窄的空間內進行貨物裝卸。這種車輛通常用于建筑工地、物流公司、港口和碼頭等場所。隨車起重運輸車的油耗主要取決于其工作負載和操作時間。在重載作業時，油耗會相對較高。此外，頻繁的啟動和停止也會導致油耗增加。車廂可卸式垃圾車主要用于城市垃圾的收集和運輸。這種車輛具有一個可拆卸的垃

100、圾箱，可以方便地裝載和卸載垃圾。在垃圾收集過程中，它能夠自動壓縮垃圾，以節省空間并增加載重量。車廂可卸式垃圾車的油耗與垃圾的收集和運輸距離密切相關。在短距離運輸時，油耗相對較低。但隨著運輸距離的增加，油耗也會相應增加。綠化噴灑車主要用于城市的綠化和灌溉。這種車輛具有一個大型水箱和噴灑系統，可以方便地給植物和草坪澆水。在城市綠化工作中，它是不可或缺的工具。綠化噴灑車的油耗主要取決于其噴灑的距離和水的重量：在短距離噴灑時，綠化灑水車水箱的含水量相對較小，油耗相對較低；但隨著噴灑距離的增加，水箱含水量會上升，油耗也會相應增加?；炷翑嚢柽\輸車主要用于運輸混凝土。這種車輛具有一個大型的攪拌筒，可以在運

101、輸過程中保持混凝土的攪拌。在建筑工地中，它是重要的建筑材料運60輸工具?；炷翑嚢柽\輸車的油耗主要取決于其運輸距離和混凝土的重量。在短距離運輸時，油耗相對較低。但隨著運輸距離的增加，油耗也會相應增加。汽車起重機是一種重型設備，主要用于吊裝和搬運重物。它具有一個可伸縮的吊臂和一個可以旋轉的吊鉤，能夠在各種環境下進行重物裝卸。這種設備在建筑工地、物流公司和港口等場所被廣泛使用。汽車起重機的油耗主要取決于其工作負載和操作時間。在重載作業時，油耗會相對較高。此外，頻繁的啟動和停止也會導致油耗增加。平板運輸車主要用于運輸大型設備和重物。這種車輛具有一個平坦的載貨平臺，可以方便地裝載和卸載重物。在工廠、建

102、筑工地和物流公司中，它是常用的運輸工具。平板運輸車的油耗主要取決于其運輸距離和載重量。在短距離運輸時，油耗相對較低。但隨著運輸距離的增加，油耗也會相應增加。多功能抑塵車主要用于城市的清潔和維護。這種車輛具有高壓噴水系統和一個大型的水箱，可以方便地清洗街道和公共區域，是城市維護工作中重要的清潔工具。多功能抑塵車的油耗主要取決于其清洗的距離和水的重量。在短距離清洗時，油耗相對較低。但隨著清洗距離的增加，油耗也會相應增加。廂式運輸車主要用于貨物的運輸。這種車輛具有一個封閉的貨箱，可以保護貨物免受天氣和其他因素的影響，是物流公司和貿易公司常用的運輸工具。廂式運輸車的油耗主要取決于其運輸距離和載重量。在

103、短距離運輸時，油耗相對較低。但隨著運輸距離的增加，油耗也會相應增加。倉柵式運輸車主要用于農產品的運輸和動物的運輸。這種車輛具有一個開放式的貨箱，可以方便地裝載和卸載貨物，常用于農場和動物運輸。4.6.4專項作業車的油耗專項作業車的油耗對專項作業車按照車型進行分類，每一類車型下的全部作業車的油耗量加和，作為這個車型的燃料消耗總量，全部作業車的行駛里程作為這個車型的里程和，將兩個值作比得到這一類車型的綜合油耗值。各車型的綜合油耗值如圖4-19 所示。這是不區分工作狀況的綜合油耗值，是車輛整體的油耗情況。61圖圖 4-21 專項作業車的綜合油耗均值專項作業車的綜合油耗均值為進一步分析各專項作業車在行

104、駛狀況和工作狀況下的油耗水平，需要對數據進行合理的篩選。為此，本節將全部數據劃分為行駛狀況和工作狀況，進一步考察各專項作業車的油耗水平。本節對累計里程差值和時速這兩個變量進行篩選。如果某里程段的里程差小于 2km 且時速小于 10km/h，就認為該車在該里程段內是停留在某個區域原地做功。不屬于上述情況的里程段則認為是行駛狀態。通過劃分，得到的作業狀態里程段數量為 2.7萬段，行駛狀態里程段的數據量為 5.5萬段。圖圖 4-22 專項作業車作業狀態油耗專項作業車作業狀態油耗62圖圖 4-23 專項作業車行駛狀態油耗專項作業車行駛狀態油耗圖 4-22 和圖 4-23 分別為專項作業車在行駛狀態時和

105、在作業狀態時的平均油耗。從圖上可以看出，專項作業車作業狀態的油耗要遠遠大于行駛狀態的油耗?？梢耘袛?，當專項作業車在作業時，里程變化很小，而發動機持續工作，不停地消耗燃料，導致油耗值增加。隨車起重運輸車原地做功的油耗與行駛狀態的油耗差距最大，為97L/100km，造成這種油耗差異的主要原因是隨車起重運輸車的作業工況和行駛工況的不同。在行駛狀態下，車輛主要克服道路阻力和空氣阻力，而作業狀態下，車輛需要承受額外的負載，導致發動機需要更高的功率輸出，從而增加了油耗。根據車廂可卸式垃圾車在作業和行駛工況下的油耗數據，在作業工況下的油耗為 99 L/100km，而在行駛工況下的油耗為 33 L/100km

106、，可以發現作業工況下的油耗明顯高于行駛工況。車廂可卸式垃圾車是一種重要的環境衛生設備，廣泛應用于城市垃圾的收集和運輸。其主要工作任務是收集和轉運城市垃圾。在作業過程中，車輛需要多次往返于垃圾收集點位和垃圾處理設施之間，并且需要在有限的時間內盡可能多地收集垃圾。因此，其作業工況相對復雜，涉及頻繁地起步、停車、加速和減速等動作。車廂可卸式垃圾車的行駛工況則相對簡單，主要是指垃圾車在直線行駛狀態下的油耗情況。一般來說，行駛工況的油耗受到道路狀況、行駛速度以及車輛自重等因素的影響。多功能抑塵車、廂式運輸車和倉柵式運輸車是三種廣泛應用于物流、運輸63和倉儲領域的重要工程車輛。多功能抑塵車的作業油耗為 6

107、4L/100km，而行駛油耗為 30L/100km。廂式運輸車不同質量區間的作業油耗和行駛油耗按照質量區間逐漸上升。倉柵式運輸車的行駛油耗與這一趨勢吻合，而作業油耗(16-20t的油耗稍大于(20-25t的油耗，但是遠小于(25-31t的油耗。這可能是由于(16-20t的倉柵式運輸車數量是(20-25t數量的兩倍多，因此造成(20-25t的油耗值偏低，不具有代表性。三種車輛在作業狀態下的油耗均高于行駛狀態。造成這種油耗差異的原因主要與車輛的工作負載、操作方式、行駛速度和道路狀況等因素有關。在作業狀態下，多功能抑塵車、廂式運輸車和倉柵式運輸車需要承受額外的工作負載，如貨物重量、空氣阻力和摩擦阻力

108、等，導致油耗增加。4.7本章小結本章小結本章詳細介紹了重型貨車全年運行中的逐秒數據的研究流程和結果分析。對原始數據進行分段處理，以解決數據量大的問題并提高油耗計算的準確性。研究發現將連續數據段的間隔長度設定為 10 分鐘，既能保證數據的有效性和完整性，又能降低數據的不連續性對計算的影響。在此基礎上，對篩選后的數據段進行驗證，根據時間密度和速度積分/里程差 2 個標準進行再篩選。通過設定合理的閾值，成功地剔除了大部分低質量數據段，進一步提高了數據的質量。然后計算篩選后的數據段的油耗值。具體方法是對發動機燃料流量的積分值進行計算，再與和此里程段中相同車型相同質量區間的其他里程段的積分結果相加得出總

109、消耗量。同時，取整數值作為最終的行駛里程，并計算每一種車型的綜合油耗。除此之外，通過對活動范圍和時速的限定，將里程段區分為怠速段和行駛段，并分別計算了怠速段和行駛段的綜合油耗。通過對比發現牽引汽車(46-49t、自卸汽車(20-25t和自卸汽車(25-31t的綜合油耗均值相對較高，將行程段劃分為行駛段和怠速段以后，牽引汽車(46-49t的行駛段的油耗值相對較低，但是自卸汽車(20-25t和自卸汽車(25-31t的油耗仍然相對較高。從怠速段的油耗值來看，牽引汽車(46-49t、自卸汽車(20-25t 和自卸汽車(25-31t的怠速油耗值較大，說明其原地做功的時候更多。該比較分析有利于更好地評估重

110、型貨車的燃油經濟性能。64本章還分析了專項作業車的綜合油耗，共選取了 570輛專項作業車，經數據清洗后為 385輛車，涵蓋了 4個質量區間，9 個類別。并將專項作業車的油耗按照工況分為行駛工況和作業工況來開展分析。研究發現，專項作業車作業狀態的油耗要遠遠大于行駛狀態的油耗，其中隨車起重運輸車原地做功的油耗與行駛狀態的油耗差距最大，為 97L/100km。車廂可卸式垃圾車油耗的差距也達到了 66L/100km。目前，暫時還沒有關于重型專項作業車碳排放方面的研究，該項工作的初步研究為相關部門提供了重型專項作業車油耗的粗略情況，能為下一階段重型專項作業車的 CO2排放限值標準提供一定的參考。65第第

111、 5 章章工況識別及其油耗工況識別及其油耗5.1工況識別方法工況識別方法車輛在行駛過程中會經歷多種工況，如加速、勻速、減速、上坡、下坡和怠速等。為了更好地理解汽車的性能、燃油經濟性和排放特性，常常需要對這些工況進行精確地切段。圖 5-1 是重型貨車在正常行駛途中收集的實際道路行駛工況和發動機的參數數據速度相關性的時間變化情況。結果表明，盡管在整個數據采集時段內，重型貨車的速度隨時間出現了較大的波動；然而，在較短的時間內（如圖 5-1 中的 1-3分鐘內），重型貨車的行駛速度變化幅度很小。因此，可以將行駛狀況并未發生明顯改變的運行段歸為一個工況段（即圖中的藍線），這樣不僅可以保留原始數據所代表的

112、行駛工況，同時又對這些工況進行了細微的拆分。鑒于此，本項目通過設計相應的擬合算法來對車輛行駛的速度數據進行擬合，并在此基礎上劃分不同的行駛工況。圖圖 5-1 車輛原始速度曲線和理想狀態下工況切段曲線對比車輛原始速度曲線和理想狀態下工況切段曲線對比（VIN 碼：碼：L53D4523XMA*）在眾多的擬合算法中，卡爾曼濾波（Kalman Filter，以下簡稱 KF）作為一66種遞歸的線性最佳估計算法，因其具有高準確性和實時性等優點，成為現代控制理論和信號處理領域中的重要算法。作為專為線性動態系統在存在高斯噪聲的條件下進行狀態估計而設計的算法，卡爾曼濾波具有多種顯著的優點：首先，它為給定的系統模型

113、和噪聲特性提供了最佳的線性估計，確保其性能在某種意義上達到最優。與需要所有數據的批處理算法不同，它是一種遞歸濾波器，這意味著它只需要前一時刻的狀態估計和當前的新測量數據，這在實時系統中非常有價值；其次，由于卡爾曼濾波考慮了系統和測量的噪聲模型，它能夠有效地處理數據中的噪聲和干擾，從而得到更精確的狀態估計。盡管標準的卡爾曼濾波是為線性系統設計的，但多種變種已被開發出來以處理非線性系統，增加了其靈活性。并且，由于其線性和遞歸的特性，卡爾曼濾波對計算的需求相對較低，因此該算法特別適合于嵌入式系統和其他計算資源受限的環境。通過汽車上的傳感器（如速度傳感器、加速度計、扭矩傳感器等）實時收集的汽車行駛數據

114、通常會受到儀器噪聲的影響?？柭鼮V波能夠在實時地估計車輛的狀態時濾除這些噪聲，為工況的檢測提供準確的數據基礎。利用經過濾波的數據，可以更準確地檢測車輛何時開始加速、何時進入勻速行駛、何時開始減速等。例如，當經過濾波的速度數據顯示汽車的速度在一段時間內持續增加時，可以判斷汽車處于加速工況。當速度數據穩定時，汽車可能處于勻速行駛工況。通過對每個切分出的工況段，又可以進一步提取關鍵特性，如加速度的均值、最大值、變化率以及分段的油耗和平均功率等，為后續的分析和研究提供數據支持?？柭鼮V波的核心思想是基于系統的模型和測量值對系統狀態進行估計。而該算法的簡化的線性動態系統可以表示為：=+=+其中，是系統在

115、時刻 k 的狀態，是控制輸入，是測量值。和 分別是過程噪聲和測量噪聲，通常假設為高斯白噪聲。這兩個方程分別被稱為系統方程和觀測方程?？柭鼮V波分為兩個主要步驟：預測和更新。預測就是首先利用系統的動態模型，基于當前的狀態估計和控制輸入預測下一個時刻的狀態。之后，預測67狀態的不確定性或誤差也會更新。?|=?|+|=|+其中，?|1是在時刻 k 對狀態的預測，|1是預測誤差的協方差，Q 是過程噪聲的協方差。當新的測量數據可用時，卡爾曼濾波將使用這些測量數據來修正或“更新”預測狀態，從而得到一個更為精確的新的狀態估計。=|(|+)?|=?|+(?|)|=()|其中，是卡爾曼增益，它決定了預測和測量的

116、加權程度，R 是測量噪聲的協方差。這兩個步驟循環進行，確保在每一時刻都獲得系統狀態的最佳估計?；谏鲜鏊惴?，本章設計了圖 5-2 所示的具體流程。首先，從給定的數據集中讀取與車輛行駛相關的各種參數（如速度、加速度、扭矩和發動機轉速等）。為了能夠處理實際中可能出現的不連續數據點，根據時間的連續性，本章選擇以 1秒及以上斷點為標準將數據分為不同的段，保留運行時間在 10秒以下的段，并將運行時間在 10s 以上的段進行濾波。在此基礎上，為減少數據中可能存在極少的缺失值或異常值（低于 2秒）的影響，使用三次樣條插值方法來補全這些數據。其次，一輛車在行駛過程中，可能有時保持恒定速度行駛，有時可能加速或減

117、速。為了更好地分析車輛的行駛特性，本項目通過計算速度的變化（即：加速度）來具體劃分車輛勻速和非勻速的行駛時段，并對各個時段進行編碼，將其標記為加速度恒定段或者非恒定段。由于目前的時段長短不一，并且擁有 10%的數據段長度在 180秒以上；同時，為了更加合理地計算每個分段的功率，本項目將 10秒以上的分段切分到 10秒以下，這樣可以避免在分段交界處出現濾波引起的誤差。最后，為了消除數據存在的噪聲，采用卡爾曼濾波方法進行數據平滑處理，并進一步提取車輛行駛的關鍵特征（如速度的極大值和極小值點），從而更好地理解和描述車輛在不同時間段的行駛特性。此外，在上述數據處理的基礎上，本項目進一步提取每個數據段的

118、統計信息68（如段的起始時間、起始速度、該段的持續時間、平均加速度以及在這段時間內的燃油消耗情況，等），并同時計算每個時間段內的平均功率。在此階段之后，本項目深入挖掘了車速、加速度、功率與燃油消耗之間的復雜關系。依照前文所述，通過對車速和加速度數據進行精細的分箱處理，將這兩個連續變量細分成一系列離散的區間，可以更精確地捕捉到車輛的行駛狀態。通過選取合適的區間劃分，并計算每個區間的中心值，能夠為每個獨特的行駛情境找到一個代表性的狀態。并在此基礎上，將每條行駛記錄都準確分類到相應的速度和加速度區間內，形成了便于進一步分析的數據結構。為了進行更具體的分析，本項目按車輛型號對數據進行了劃分，確保對每種

119、車型的性能進行個別評估。而對功率數據也同樣采用分箱處理，將其從 0-100%的連續范圍劃分為十個離散的區間。在清理了異?；虿缓侠淼墓β蕯祿?，我們根據每條記錄的功率值相對于其所處工況的功率范圍，將其分配到相應的功率區間。有了這些詳盡劃分的數據，本章能夠深入分析在各種車速、加速度和功率條件下的平均燃油消耗情況。這不僅能夠詳細了解車輛在不同行駛狀態下的燃油效率，還揭示了功率如何影響燃油消耗，為優化車輛性能、提高燃油經濟性提供了堅實的數據基礎。通過將所有這些綜合分析的成果進行整理，為每種車型生成了一份詳細的報告。該報告清晰地展示了在不同行駛條件下，車輛的燃油消耗狀況，為車輛制造商、車隊運營者和政策

120、制定者提供了極為寶貴的資源。通過對這些報告的仔細研究，相關方可以更全面地理解重型貨車的燃油消耗特點，從而制定出更為精準和有效的策略來降低燃油消耗，減少運營成本，實現經濟和環境的雙贏。最后，為了使處理后的數據更加直觀，對相關數據進行了可視化處理，從而更加直觀地將車輛的速度變化、行駛特性等信息加以展示。這不僅可以驗證方法和結果的準確性，還可以為后續的數據分析提供直觀的參考。綜上所述，通過這一分析步驟，不僅提升了對重型貨車燃油消耗特性的理解，也為進一步優化車輛設計和提升燃油經濟性奠定了堅實的數據基礎。69圖圖 5-2 工況切段流程圖工況切段流程圖5.2可視化方法可視化方法圖 5-3 為經過卡爾曼濾波

121、處理之后的單車分段數據，一輛車的行駛數據可能被分成上萬個數據段，每個數據段記錄了起始時間、持續時間、起始速度、加速度、累計油耗和該段的平均功率。利用起始速度、持續時間和加速度，可以確定該數據段的平均速度和行駛距離；利用累計油耗和該段的行駛數據，可以計算該段的油耗（L/100km）。通過合并同類型的車輛實際道路行駛工況和發動機參數數據可以得到 3種不同類型貨車（載貨汽車、自卸汽車和牽引汽車）的整體工況以及油耗分布。70圖圖 5-3 工況切段后輸出的單車文件工況切段后輸出的單車文件針對卡爾曼濾波之后的結果進行可視化的流程如圖 5-4 所示。具體做法如下：首先，對數據集進行了分類，將不同的車輛類型歸

122、納到對應的車輛編號列表中，并讀取與這些車輛編號相關的濾波之后的文件數據。對于每個濾波文件，都檢查了其車輛編號是否存在于列表文件中，并按需從這些文件中讀取數據。之后，按照三個大類（載貨、自卸、牽引）對與同屬一個類型的車輛濾波數據進行合并，這樣形成了同一個類型下不同總質量區間汽車的工況文件。針對合并之后的文件，對其進行簡要的數據篩選，得到加速度在2m/s2范圍內的數據段納入工況的繪制和距離、油耗的計算。對于工況的繪制，本章利用篩選完的同一類型的所有的工況段進行可視化，來揭示特定車型在不同工況下的性能分布。通過將車速（作為 x軸）與加速度（作為 y軸）結合在一起，可以深入了解車輛在各種駕駛情境下的狀

123、態。數據被分別分割成了 50個區間，從而產生了一個 5050的網格。通過在圖上對這些組合進行顏色編碼，可以獲得某一特定速度和加速度組合出現的頻率，從圖中得知常見的工況段和罕見的工況段。自然對數轉換進一步突出了數據分布的特點，使得不同工況的頻率差異更為明顯。而網格線則提供了清晰的參考，方便讀者快速識別特定的速度和加速度值。上述方法提供了一個直觀的方式來理解車輛在各種駕駛情境下的行為模式。由于重型貨車在某種特定工況下行駛距離并不會產生較大變化，需要調整71油耗的計算方法。例如在廠區卸貨時，貨車并未移動或者移動距離較少，但由于發動機一直做功，發動機燃料流量數據正常，但是速度卻基本為零，累計里程也不會

124、發生較大變化，如果再按照百公里油耗進行統計，那么該段的油耗數據將遠遠超出正常范圍。因此，本章將行駛距離為零或者接近零的工況段分離出來，然后計算以小時為單位的油耗，并生成了油耗的分布直方圖，展示了在行駛距離接近零的特殊工況下重型貨車的油耗情況。對于行駛距離明顯不為零的情況，則計算百公里油耗。在計算了在不同速度和加速度下的平均油耗后，使用二維直方圖來可視化這些數據。該直方圖以速度和加速度為軸，顏色表示平均油耗，為用戶提供了一個清晰、直觀的圖像，展示了載貨汽車在不同行駛條件下的油耗情況。直方圖旨在揭示在不同的行駛條件下，特別是在不同的速度和加速度下，這類車輛的油耗表現。這種分析可以為汽車制造商、車隊

125、管理者或任何關心車輛效率的人提供有效的數據支撐。圖圖 5-4 濾波結果可視化流程濾波結果可視化流程725.3工況識別和模型構建結果工況識別和模型構建結果經過以上數據清洗、分段和濾波流程之后的貨車共有 8160輛，270億條數據，約占第一次清洗后的分析數據總量的 89.1%。其中載貨汽車 1518輛，自卸汽車 2290輛，牽引汽車 4352 輛。分段之后的結果如圖 5-5 所示，其中載貨汽車約 5 億段，自卸汽車約 9.5 萬段，牽引汽車約 35 億段；通過篩選加速度在2m/s2之間的段落排除異常數據，篩選結果如圖 5-5 所示，其中載貨汽車的異常率為 0.96%，自卸汽車的異常率為 0.11%

126、，牽引汽車的異常率為 0.31%。圖圖 5-5 加速度篩選后的分段數量加速度篩選后的分段數量5.3.1載貨汽車載貨汽車載貨汽車的工況圖提供了其在不同速度下的加速度表現，因為它反映了車輛在實際行駛中的表現和可能的使用場景。圖 5-6 橫軸為速度，單位 km/h；縱軸為加速度，單位為 m/s2；顏色代表工況數量，顏色越深表示該工況下分段數量越多。結果顯示：（1）加速度的分布：圖中可以看出，載貨汽車在大多數情況下的加速度都集中在0.4 m/s2之間。表明載貨汽車的設計更偏向于穩定和平穩地駕駛，而不是高速和突然地加速。（2）速度與加速度的關系：隨著速度的增加，加速度呈現出逐漸減少的趨勢。這可能與載貨汽

127、車的結構和設計有關。隨著速度的增加，車輛的穩定性和73安全性變得更加重要，因此加速度會相應減少。在速度較低，約 010km/h 的范圍內，載貨汽車具有顯著的高加速度范圍。這可能是因為載貨汽車在城市道路或堵塞的交通情況中，需要頻繁地啟動和停車。在速度范圍為 1060km/h 時，該車的加速度主要集中在0.15m/s2之間。這表示載貨汽車在一般的行駛情況下，加速度較為穩定。當速度超過 60 km/h時，加速度則集中在 0 m/s2附近，這可能是因為在高速行駛時，載貨汽車為保持穩定和安全，減少了加減速。（3）低速與高速行駛的差異：在速度較低的范圍內，載貨汽車可能經常在城市道路上行駛，其中包括頻繁地啟

128、動、停車和低速行駛。而在速度較高的范圍內，載貨汽車可能在高速公路或其他快速道路上行駛，其中需要穩定的速度和較低的加速度。載貨汽車的工況圖提供了該車在不同速度和加速度下的實際表現。這種信息對于汽車制造商、設計師和使用者來說都是非常有價值的，因為它幫助他們更好地理解載貨汽車的性能和使用場景。圖圖 5-6 載貨汽車工況圖載貨汽車工況圖表 5-1 詳細展示了在不同速度范圍下的加速度分布以及其相應出現的頻率或比例。當速度為 05 km/h 時，有 13.6%的情況下加速度在 0.050.15 m/s2范圍內。進一步觀察，對于速度區間 4090 km/h，它們的加速度也都主要集中在-0.150.15 m/

129、s2區間。這提供了一個明確的信號，即在這些速度范圍內，加速度的這一特定區間非常常見。不僅如此，表中還揭示了一些有趣的趨勢。例如，74在 05 km/h 的速度下，還有 1.3%的頻率表明加速度在-0.15-0.05 m/s2區間。這種負加速度的存在可能與減速或剎車有關。表 5-1展示了在不同速度下，設備或車輛的加速度變化情況及其相對頻率。表表 5-1 載貨汽車占比載貨汽車占比 TOP20 工況區間分布工況區間分布圖 5-7 展示了載貨汽車在不同工況段的油耗分布情況，通過直方圖清晰地揭示了載貨汽車在每一特定工況段的油耗模式。首先，從圖中可以看出，大多數載貨汽車的油耗集中在非常低的區間內（050L

130、/100km）。這種集中的趨勢意味著在大多數工況段中，載貨汽車具有相對較低的油耗。除了這一主要的低油耗區間外，還展現了一個逐漸減少的油耗分布。隨著油耗的增加，車輛數量逐漸減少，這種模式在油耗達到 500L/100km 以后變得尤為明顯。盡管這些油耗較高的車輛數量較少，但仍然能提供一些關鍵的信息。它們可能是在某些特殊工況下的車輛，亦或可能是需要進行維護或檢查的車輛，因為它們的油耗明顯高于平均水平。此外，值得注意的是，油耗在 1200L/100km 及其以上的區間內，車輛數量顯著減少，幾乎接近零?？赡苁菢O端的工況段中，有少數車輛會有極高的油耗，這也可能是車輛存在某種異常情況?？傮w而言，圖 5-7為

131、本研究提供了一個全面的視野，展示了載貨汽車在各個工況段的油耗分布。大多數75載貨汽車具有低油耗的特性，但也存在一部分油耗較高的車輛。對于運營者和決策者，這項分析結果可以作為提高效率、降低成本和保護環境的重要參考。特別是對于那些油耗異常的車輛，需要進一步地分析和干預，以確保車輛的正常運行并減少不必要的油耗。圖圖 5-7 載貨汽車工況段油耗分布情況載貨汽車工況段油耗分布情況圖 5-8 為載貨汽車的工況油耗圖，該圖只選擇了油耗低于 500L/100km 的工況段進行繪制，約占總段落數量的 98%。通過速度和加速度的交叉分析，能夠更加直觀地展示在不同的行駛工況下，汽車的油耗表現。圖中的顏色深淺展示了不

132、同工況下的油耗情況。從圖中可以明顯看出，在某些特定的速度和加速度組合下，油耗會顯著增加。通過對圖 5-8 對分析，該研究可以得到以下結論：（1）低速高加速度區域分析：在速度范圍 0-10 km/h 區間內，在加速度較高的區域，油耗較高。這可能意味著在啟動或者低速行駛時，如果頻繁進行大幅度的加速，油耗會大大增加。對于載貨汽車來說，低速時往往是滿載或近滿載的狀態，此時需要更大的動力來啟動或加速，因此油耗也會相對較高。（2）中速平穩駕駛區域分析：在速度范圍 10-60 km/h 區間內，油耗相對較低，該范圍區間的加速度也較低。這表明在此速度范圍區間內，載貨汽車大多數時候進行的是平穩地行駛，油耗也相對

133、穩定。在長途運輸中，保持一個穩定的中速對于節約油耗是非常有76益的。（3）高速行駛區域分析：當速度超過 110 km/h 時，油耗在某些特定的低加速度區域有所增加。這可能意味著在高速行駛時，如果需要頻繁地變速或加速，油耗會顯著增加。高速道路上，特別是下坡或超車時，可能會有較大的加速，這會導致油耗增加，但高速段的加速度又普遍較低，很少出現高加速度的情況，符合常理。圖圖 5-8 載貨汽車工況油耗圖載貨汽車工況油耗圖對于行駛距離為 0的工況段，由于無法直接計算油耗，該研究中將其轉換成了以時間為衡量標準的油耗，單位為升每小時（L/h）。圖 5-9 展示了當行駛距離為 0時，即在車輛靜止不動的情境下，載

134、貨汽車的工況油耗分布。通過油耗直方圖（單位：小時），可以看出，載貨汽車在待機狀態下的油耗狀態。首先，油耗的分布中存在一個明顯的峰值，這意味著大量的載貨汽車油耗都處于某一特定油耗區間內。這種現象反映了大多數載貨汽車在常規的空載或待機狀態下的油耗水平。其次，直方圖中的顏色變化也能提供關于油耗頻率的信息。從深紫色到黃色的漸變代表著油耗出現的頻率，其中深紫色代表油耗出現的頻率較低，而黃色則代表頻率較高。顏色編碼能夠更直觀地看出載貨汽車數量最多的油耗區間。載貨汽車的油耗范圍約在 1-3L/h。直方圖展示了大部分載貨汽車的油耗都集中在一個較窄的范圍區間內，意味著大部分的載貨汽車在靜止狀77態下具有相似的油

135、耗特性。也有小部分載貨汽車的油耗顯著高于此范圍，形成了“長尾分布”，表示這些車輛可能存在某種異?；蛱厥獾墓r狀態?？傮w來看，該圖展示了載貨汽車在接近靜止狀態下的油耗模式。大多數車輛都在一個普遍的油耗范圍區間內，但也有一小部分車輛具有較高的油耗。為了確保運營效率和環境可持續性，對于油耗較高的載貨汽車，需要再進一步的診斷和分析，來確定其背后的原因并采取適當的措施。此外，該結果可以幫助運營者、環境專家和決策者更好地理解和優化載貨汽車的油耗，從而實現更加經濟和環保的運營目標。圖圖 5-9 按小時計算的行駛距離為按小時計算的行駛距離為 0 的載貨汽車工況油耗分布的載貨汽車工況油耗分布5.3.2牽引汽車牽

136、引汽車牽引汽車是一種專為拖拉掛車而設計的重型車輛，常用于長途貨物運輸。它的設計和工作性質使其的油耗特點與自卸汽車截然不同。牽引汽車在低速度下的加速度分布與載貨汽車相似，在高速度范圍內，加速度呈現出更為明顯的下降趨勢。在速度超過 100 km/h之后，牽引汽車的加速度幾乎降到了 0 m/s2，說明牽引汽車在高速行駛時幾乎不會再進行大的加速。在中速范圍內，即4080 km/h，牽引汽車的加速度分布更均勻，顯示出牽引汽車在該速度范圍內有更多的工況選擇。78圖圖 5-10 牽引汽車工況圖牽引汽車工況圖表 5-2 詳細地展示了牽引汽車在不同速度范圍區間內的加速度分布及其相應的頻率。與載貨汽車的工況分布相

137、似，在速度為 0-5 km/h 的范圍內，有 12%的情況下加速度為 0.05-0.15 m/s2。這表示在駕駛啟動或低速期間，牽引汽車經常在這個加速度范圍內運行。該數據可能與起步時的初始加速和對低速控制的需求有關。另外，在速度 50-90 km/h 的范圍區間內，其加速度集中分布在-0.05到 0.15 m/s2的范圍內，這進一步確認了在多個速度范圍內，這個加速度區間都是一個常見的運行狀態。表表 5-2 牽引汽車占比牽引汽車占比 TOP20 工況區間分布工況區間分布79圖 5-11呈現了牽引汽車在不同工況段的油耗分布特征。從整體上看，圖形展現出一個明顯的右偏分布，意味著大多數牽引汽車的油耗集

138、中在較低的區間，而較高的油耗值則相對較少。首先，觀察到 0-100L/100km 范圍內的油耗頻率最高，這代表大部分的牽引汽車在這個油耗范圍內運行。尤其是在 0-50L/100km的范圍內，油耗的頻次非常高，這意味著絕大多數牽引汽車的油耗都是在這個較低的范圍內。這些可能是在長途運輸或高速公路上行駛的牽引汽車，由于連續行駛和較高的速度，這些情況往往導致油耗在較低的水平上。隨著油耗值的增加，可以觀察到頻次的明顯下降。在 100-200L/100km 的油耗區間，雖然還有一部分牽引汽車，但頻次已經明顯低于前面的區間。這可能是日常的短途運輸、頻繁的啟停和城市內行駛有關，其油耗相對較高。值得注意的是，當

139、油耗超過200L/100km 時，頻次變得非常稀少。這些極高的油耗值可能與特定的工況、超載或車輛的機械問題有關。這些異常高的油耗數據可能會導致更高的運營成本和潛在的機械故障，可以為運營和維護管理提供數據支撐。圖圖 5-11 牽引汽車工況段油耗分布情況牽引汽車工況段油耗分布情況從圖 5-12 中可以明顯看出，牽引汽車的工況油耗有以下特點：（1）低速區間（0-30km/h）的油耗特點：與自卸汽車類似，牽引汽車在低速、頻繁啟停的城市交通環境中油耗也會相對增高。這主要是因為在低速情況下，車輛需要更頻繁地進行加速和減速，發動機工作在非最佳效率區間，而且制動時的能量損失也較大。由于低速時的啟停更加頻繁，加

140、速度變化對油耗的影響更為顯著。頻繁地加速和減速會導致80更多的能量損失。（2）中速區間的油耗穩定性：在 30-90 km/h 的中速區間，牽引汽車的油耗相對較為穩定。因為在這個速度范圍內，發動機、變速箱和其他機械部件都能工作在相對高效的狀態。（3）當速度范圍在 90 km/h以上的高速區間時：尤其在 100-135 km/h 的范圍內，油耗會稍有增高。這主要是因為在高速行駛時，風阻對車輛的影響增加，導致發動機需要提供更多的動力以維持高速。風阻與速度的平方成正比，因此在高速行駛時，風阻對油耗的影響尤為顯著。在高速行駛時，若頻繁進行加速，那么油耗會進一步增加。特別是在高速公路上進行的大幅度加速，會

141、導致發動機工作在高負荷狀態，油耗急劇上升。牽引汽車的油耗在不同的速度區間都有其特點。在低速時，油耗主要受加速度的變化影響；在中速時，油耗相對穩定，但仍然受到加速度的影響；而在高速時，風阻和加速度變化是導致油耗增加的主要原因。對于長途運輸的牽引汽車，要想有效降低油耗，就需要盡量維持一個穩定的速度和避免頻繁的加速和減速。圖圖 5-12 牽引汽車工況油耗圖牽引汽車工況油耗圖圖 5-13 呈現了按小時計算的行駛距離為 0的牽引汽車在各工況段的油耗分布情況。首先，從整體趨勢來看，該圖展現了一個典型的鐘型分布，即大部分81的牽引汽車在一個中心區間的油耗集中，而在該區間的兩側，油耗的車輛數量逐漸減少。這種分

142、布形態對于數據分析和解讀具有重要的意義。中心區間的油耗范圍大致集中在 1-5 L/h 之間，可以認為是牽引汽車在靜止狀態下的正常油耗范圍。特別是約在 2-3 L/h 的范圍區間，油耗的高峰值是最為明顯的，這表明在此油耗范圍內的牽引汽車數量是最多的?？紤]到這是行駛距離為 0的情境，這可能代表了牽引汽車在等待、停車或其他非運動狀態下的典型油耗。然而，存在一部分牽引汽車的油耗低于中心區間，甚至低于 0.5 L/h。這可能暗示這部分汽車在靜止狀態下采取了更為節能的措施，或者這些汽車本身具有更高的燃油效率。另一方面，圖表的右側也顯示了一些油耗明顯高于中心區間的數據點，盡管這些數據點的頻次較低。這些較高的

143、油耗可能與特定的車型、機械問題或其他不正常的工況有關。此外，從圖中還可以看出，在 7 L/h 以上的區域，油耗的頻次顯著下降，幾乎接近于零。這種極端的油耗情況可能是少數特例，需要特別關注和進一步地研究。該圖提供了關于牽引汽車在靜止狀態下的油耗分布的詳細信息。大部分牽引汽車的油耗集中在一個中心區間，但同時也存在一些異常的油耗情況。圖圖 5-13 按小時計算的行駛距離為按小時計算的行駛距離為 0 的載貨汽車工況油耗分布的載貨汽車工況油耗分布5.3.3自卸汽車自卸汽車如圖 5-14 所示自卸汽車的工況圖與前兩者差別較大。在低速范圍內，自卸82汽車的加速度主要集中在0.6m/s2，意味著自卸汽車即使在

144、低速下也可能有較大的加速。在中速范圍，自卸汽車的加速度呈現出一個明顯的下降趨勢，但在高速范圍內，加速度仍然保持在0.5 m/s2，與載貨汽車和牽引汽車有所不同。表 5-3 展示了自卸汽車在各種速度下的加速度數據及其相應的出現頻率。通過與之前提供的牽引汽車的數據進行比較，可以分析兩種汽車類型之間的主要差異。首先，最明顯的差異是在速度為 05 km/h 的范圍內。對于自卸汽車，29%的情況下，其加速度為 0.050.15 m/s2，而在同一速度范圍內，牽引汽車的這一比例只有 12%。這可能意味著自卸汽車在啟動或低速駕駛時，更傾向于保持一個相對較高的穩定加速度，同時也證明自卸汽車在低速區間內的工況占

145、比較高。其次，對于自卸汽車，在 05 km/h 的速度范圍內，還出現了多種不同的加速度區間，如-0.150.05 m/s2、0.150.25 m/s2等，表明在低速下，自卸汽車可能會經歷更加復雜和多變的加速或減速情況。相比之下，載貨汽車和牽引汽車在相似的速度范圍內的加速度數據則相對簡單。另外，在中速至高速的范圍內，如 5560 km/h、6065 km/h等，3種汽車的數據都占有了 0.050.15 m/s2的加速度區間，但頻率的百分比略有不同。這可能與兩者的負載能力、重量和動力系統有關。自卸汽車在低速下的加速度表現更加多樣和復雜。這可能與其設計和工作原理有關，例如，自卸汽車在裝載或卸載物料時

146、可能需要進行精細的速度和加速度控制。而牽引汽車則更多地在中高速區間展現其穩定性。圖圖 5-14 自卸汽車工況圖自卸汽車工況圖83表表 5-3 自卸汽車占比自卸汽車占比 TOP20 工況區間分布工況區間分布圖 5-15 顯示了自卸汽車在不同工況段的油耗分布情況，呈現出一個右偏分布，大部分的油耗值集中在較低的范圍內。0100L/100km 范圍內的油耗值有最高的頻率，表示大部分自卸汽車的油耗在此范圍區間內。特別是在 050L/km范圍內，油耗的頻次尤為突出。在 100500L/100km 的油耗區間，可以看出頻次的明顯下降，但仍然有一定數量的自卸汽車?？赡芘c中距離運輸和某些特定工作環境有關。當油耗

147、超過 500L/100km，頻次進一步降低，可能是在特殊工況中的自卸汽車。對比載貨汽車和牽引汽車，當百公里油耗達到 100L以上時，自卸汽車工況段出現的頻率要高于載貨汽車和牽引汽車，這反映了自卸汽車在短距離運輸、頻繁的裝卸和其他與城市內運輸相關的工況下的油耗特點，與自卸汽車特定的裝卸工作和頻繁的啟停有關。84圖圖 5-15 自卸汽車工況段油耗分布情況自卸汽車工況段油耗分布情況自卸汽車是為建筑、采礦等重工業而設計的重型車輛，它的主要功能是運輸大量的材料，如沙石、土壤和其他建筑材料，并能在目的地自動傾倒。由于這些特點，自卸汽車的油耗受多種因素的影響。圖 5-16 可以看出，自卸汽車在低速度區間的油

148、耗明顯增高。這與車輛的實際運行工況密切相關。在施工現場或采礦區，自卸汽車經常需要在狹窄和曲折的道路上行駛，它們在低速下頻繁地啟動、停車、轉彎和倒車。在這些工況下，發動機需要提供更多的動力來克服車輛的慣性和裝載物的重量，導致油耗增加。另外，在速度為 015 km/h 和加速度為 00.5 m/s的范圍內，油耗較高。這是因為在這個速度和加速度區間，自卸汽車可能正處于起步階段，需要更大的扭矩和動力來推動重載的車身前進，這無疑會增加油耗。此外，低速度下的頻繁制動和起步也使得油耗顯著增加。與載貨汽車和牽引汽車不同的是，自卸汽車在速度較高的低速區間內，如在530 km/h 區間內仍有著比載貨汽車和牽引汽車

149、高的油耗，可能是在進行卸貨等緩慢做工的特殊工況。而在高速度區間，尤其是在 80120 km/h 之間，油耗則表現出相對穩定的趨勢。這是因為在這個速度區間，車輛已經進入了巡航狀態，發動機不需要頻繁地調整輸出的動力。同時，車輛的氣動阻力在這一速度區間內相對較小，所以油耗沒有明顯的波動。綜上所述，自卸汽車的油耗受其特定的使用場景和工況影響很大。為了提高其燃油經濟性，可以考慮在低速行駛時采用更為經濟的駕駛習慣，例如減少不必要的啟停，盡量使車輛保持在一個較為穩定的速度，或者使用更加經濟和85高效的發動機。圖圖 5-16 自卸汽車工況油耗圖自卸汽車工況油耗圖圖 5-17 展示了按小時計算的行駛距離為 0的

150、自卸汽車工況油耗分布，從圖中可以看到，油耗數據分布在 x軸上，而其相應的頻次則顯示在 y軸上。圖表中使用了不同的顏色來代表不同的油耗范圍。首先，油耗值最小的部分（靠近x 軸的左端）具有最高的頻次，這表明大多數自卸汽車在行駛距離為 0時，其每小時油耗都相對較低。隨著油耗的逐漸增加，頻次呈現出逐漸下降的趨勢。在頻次最高的部分，油耗范圍約在 04L/h 之間。說明當自卸汽車處于停止狀態時，大多數汽車的油耗都集中在這個范圍內。這可能是因為車輛在靜止時所進行的基本操作（如保持引擎在怠速運行）導致的固定油耗以及在某些裝卸貨等特定工況下的油耗。隨著油耗值的增大，其對應的頻次逐漸減少。說明在行駛距離為 0的情

151、況下，以時間為單位衡量時只有少數自卸汽車的油耗會達到較高的值。該圖提供了關于自卸汽車在行駛距離為 0時油耗的詳細分布信息。大多數車輛的油耗都集中在一個較低的范圍內，而隨著油耗的增加，處于較高油耗范圍的車輛數量逐漸減少。86圖圖 5-17 按小時計算的行駛距離為按小時計算的行駛距離為 0 的自卸汽車工況油耗分布的自卸汽車工況油耗分布5.3.4速度速度-加速度加速度-功率和油耗的分布功率和油耗的分布圖 5-18 到圖 5-20 均選擇了曲面圖作為展現速度-加速度-功率和油耗的分布的形式。該形式可以直觀地呈現中間速度、加速度與平均功率三者之間的復雜關系。其中 x軸代表中間速度，y軸代表加速度，而 z

152、軸代表平均功率，曲面的顏色則表示每百公里的平均油耗，從而提供了一個全面的視角來看待這四個變量的關聯。在車型 A的圖形中，油耗的增加區域在中間速度為 020km/h 和加速度為02m/s2的交叉范圍內表現得尤為明顯。與此同時，可以清晰地觀察到，隨著加速度的逐漸增加，油耗也隨之上升，表明這兩者之間存在著正相關的關系。而對于車型 B 的圖形，油耗的高值區域相對于前一個圖形更為集中和醒目，特別是在加速度位于 02 m/s2范圍時。這可能意味著在這一特定的加速度范圍內，車輛的油耗有顯著的上升趨勢。另一方面，車型 C 的圖形與前兩者有所區別。雖然加速度為 02 m/s2范圍內的油耗仍舊偏高，但相比于前兩者

153、，在中間速度為 020km/h 的范圍內的高油耗區域不是很明顯，可能與車輛的其他技術參數或者使用條件有關。因此，對于所選車型，當速度在較低范圍時，油耗都呈現較高的趨勢。這可能意味著，在這種工況區間下，車輛油耗增加。最后，當平均功率逐漸增加（z軸高度），油耗也隨之上升，這意味著車輛在高功率輸出時87需要更多的油耗來維持其性能。上述研究分析提供了一個深入了解車輛中間速度、加速度、平均功率與油耗之間關系的窗口。圖圖 5-18 車型車型 A 工況工況-功率功率-油耗圖油耗圖圖圖 5-19 車型車型 B 工況工況-功率功率-油耗圖油耗圖88圖圖 5-20 車型車型 C 工況工況-功率功率-油耗圖油耗圖圖

154、 5-21 至圖 5-23 為占比最高的三輛自卸汽車車型的工況-功率-油耗圖。這是描述自卸汽車在不同情況下的加速度、功率或油耗變化情況。從顏色漸變的區域可以看出，所有圖像都有明顯的數據波動。尤其是在 Z軸上的高峰值，表明在某些特定的速度和加速度區間里，相應的參數值可能達到了其極值。而這種極值可能與車輛的加速度、功率或油耗有關。從圖 5-21 可以看出，在加速度1.52m/s2區間存在一個明顯的紅色區域，代表該區域的油耗相對較高。在加速度的 01.5 m/s2之間，顏色呈現為藍綠色，表示該區域的油耗相對較低。在第二張和第三張圖中，顏色分布有所不同。尤其是第三張圖，紅色區域明顯擴大，覆蓋了加速度區

155、間的大部分區域，意味著在這些區域內，油耗值可能有顯著增加。這些變化與車輛載重、駕駛習慣、路況等多種因素有關。與前三張載貨汽車的圖像進行比較，自卸汽車的數據分布似乎更為集中。這可能是因為自卸汽車與載貨汽車在結構和功能上存在一些差異，使得自卸汽車在某些情況下的性能表現更為突出。另外，與載貨汽車相比，自卸汽車在低速區間內的油耗可能會更高。這是因為自卸汽車原地做功或者低速做功的工況比載貨汽車多。通過對比分析，可以看出自卸汽車與載貨汽車在某些性能參數上存在明顯的差異。這些差異不僅與兩者的結構和功能有關，還可能與使用環境、駕駛習慣等多種89因素相關聯。為選擇和使用這兩種車輛提供參考。圖圖 5-21 車型車

156、型 D 工況工況-功率功率-油耗圖油耗圖圖圖 5-22 車型車型 E 工況工況-功率功率-油耗圖油耗圖90圖圖 5-23 車型車型 F 工況工況-功率功率-油耗圖油耗圖圖 5-24 和圖 5-26 為占比最高的三個型號的牽引汽車工況-功率-油耗圖。通過圖像可以明顯看出每個車型在功率與油耗之間的關系有所不同。車型 G和車型 H的圖形都顯示了一個明顯的紅色和黃色的高峰區域，這代表在特定的速度和加速度條件下，油耗相對較高。然而，車型 I的圖像較為平坦，紅色和黃色區域不太集中，說明它在多種速度和加速度條件下的油耗都相對較低。在所有車型中，當速度從 0開始增加時，油耗都呈現出一個上升的趨勢。這與常規的物

157、理學原理相符合，因為車輛在高速下需要消耗更多的能量來克服空氣阻力，從而導致油耗增加。對于加速度，所有車型都表現出一個相似的規律：當加速度增加時，油耗也增加。這是因為在加速過程中，車輛需要更多的能量，從而消耗更多的油。從圖中還可以看出，隨著速度的增加，在同一加速度下，發動機功率經歷了先增加后下降，然后再次增加的過程，可能與發動機、渦輪增壓器、傳動系統和其他相關系統之間的相互作用有關。而與載貨汽車和自卸汽車相比，同一工況區間下的牽引汽車的發動機功率普遍較高，并且盡管三種類型的貨車都是低速區間內油耗較高，但是牽引汽車的低速區間寬度還是普遍大于載貨汽車和自卸汽車，具體表現在載貨汽車和自91卸汽車一般在

158、速度 020km/h 的工況區間內出現較高的油耗，而牽引汽車的較高油耗值則普遍分布在 050km/h 的速度區間內。這可能與牽引汽車自己的設計用途有關，因為它們專為拉動重負載而設計，如半掛車或全掛車，這些車輛在滿載時的重量可能遠超其他車型。牽引汽車主要在高速公路上行駛，需要保持高速并在上坡時也保持速度，這就需要更高的持續功率。另外，從靜止狀態啟動，特別是在上坡，或制動時，都需要強大的力量確保安全性?？紤]到其長途運輸的特性，牽引汽車必須具備超強的可靠性和耐用性。更大的功率可以確保發動機在大多數工作時間內都在其較低的效率范圍內運行，延長其使用壽命。此外，牽引汽車可能會面臨各種工作條件，如不同的天氣

159、和地形，因此需要更大的功率儲備和高扭矩以適應各種需求。在所選車型的參數表中，牽引汽車的發動機額定功率和最大轉速普遍大于所選的載貨汽車和自卸汽車，也證實了這一點。圖圖 5-24 車型車型 G 工況工況-功率功率-油耗圖油耗圖92圖圖 5-25 車型車型 H 工況工況-功率功率-油耗圖油耗圖圖圖 5-26 車型車型 I 工況工況-功率功率-油耗圖油耗圖汽車油耗與功率之間的關系是一個相當復雜的相互作用，其背后蘊含的深層因素需要細致探究。其中，速度和加速度是兩個重要變量，但當對數據進行93更深入的分析時，更多的微妙關聯開始浮現。車輛在特定工況下的負載是與其功率直接相關的。在相同的工況下，負載越大，車輛

160、所需的功率就越大。這也解釋了功率與油耗之間的關系顯得非常緊密的原因，因為它們都是負載變化的直接反映。隨著負載的增加，油耗也隨之增加。以車型 C 的載貨汽車為例，根據表 5-4 和圖 5-27 中的數據，明顯可以看到油耗與功率之間的關系并不是簡單的線性關系，尤其是在不同的速度和加速度下。在較低的速度，如 5 km/h下，油耗在不同的功率區間都有所變化，但這種變化相對溫和。推測這可能是因為在這樣的低速和低加速度組合下，車輛的發動機正在一個更為高效的工作模式下運轉。但是，當速度上升到 10 km/h和 15km/h，情況開始發生變化。油耗現在對于加速度和功率的變化顯得更為敏感。更為明顯的是，在高速度

161、和高加速度組合下，油耗隨著功率的提升而急劇上升。這主要是因為在這種工況下，發動機需要產生更大的動力來推動車輛。此外，還有一些特別的功率范圍，其中油耗的變化似乎不太規律。例如，在某些功率區間，盡管功率有所提升，油耗的增長卻沒有按預期那樣增加。這可能與車輛的某些其他系統如冷卻系統或傳動系統的效率有關。綜上，雖然油耗與功率之間的關系在表面上似乎很明顯，但當我們深入挖掘這種關系時，會發現其中蘊含的各種微妙因素。對于駕駛者來說，了解這些關系意味著他們可以更有效地控制油耗，特別是在高速或大加速度駕駛時。同時，對于汽車制造商來說，這些發現提供了進一步優化和改進車輛性能的機會，從而實現更高的燃油效率。94表表

162、 5-4 車型車型 C 的速度的速度-加速度加速度-功率和油耗的分布功率和油耗的分布圖圖 5-27 低中高速度典型工況下速度低中高速度典型工況下速度-加速度加速度-功率和油耗的分布功率和油耗的分布5.4本章小結本章小結本章詳細闡述了工況切分的具體方法，由于重型貨車行駛工況和場景的不同，需要利用切段的方式對汽車真實行駛數據進行處理。由于重型貨車實際道路行駛工況和發動機參數數據本身存在的斷點、波動等問題，最終采用了卡爾曼濾波來對分段之后的數據進行擬合，同時保留計算了每一段的車輛信息、平均速度、行駛距離和油耗等關鍵參數。對同類型的所有切斷信息合并后，對三95種類型貨車的工況和油耗分別進行了可視化。之

163、后詳細介紹了載貨汽車、牽引汽車和自卸汽車的工作性質及其油耗特點，并通過對比分析展示了 2種車輛在不同速度區間的油耗差異。自卸汽車相比其他兩類在低速區間時展示出了更高的油耗，這很大程度上是基于其本身的設計和使用場景決定的，這與第 4章的計算結果也相吻合?？偟膩碚f，自卸汽車、載貨汽車和牽引汽車在油耗分布上都有其獨特的特點。了解這些特點和原因對于提高運營效率、降低成本和進行有效地車輛維護都是至關重要的。在未來的研究中，更深入地數據分析和實地考察可以進一步揭示這 3種汽車在不同工況下的油耗模式和原因。96第第 6 章章多場景油耗分析多場景油耗分析6.1停車點及負載識別停車點及負載識別6.1.1停車點及

164、負載識別方法流程停車點及負載識別方法流程圖圖 6-1 停車點與負載識別流程停車點與負載識別流程如圖 6-1 所示，停車點及負載識別研究框架分為三個部分，一是實際道路97行駛工況和發動機參數數據采集與預處理，二是基于實際道路行駛工況和發動機參數數據的重型貨車運行特征描述方法，三是重型貨車的運行特征統計。在特征方法部分，首先對數據進行了補充，以保證數據的連續性，然后引入數據重采樣，將數據單位從秒融合到分鐘，這樣既減少了計算量，又對原始數據起到了平滑作用，避免了數據偏差。再設置平均速度閾值和持續時間閾值，按照載貨汽車、自卸汽車和牽引汽車的分類，分別分離出行駛路段和停留路段。對得到的行駛路段，計算車輛

165、的平均載荷，并通過去混合法區分有負載路段和空載路段。根據缺失數據段平均行駛速度確定其狀態為停留段或行駛段。然后，根據該路段前后行駛路段的負載狀態，判斷出所確定的行駛路段的負載狀態。根據得到的負載狀態，可以進一步構建重型貨車行駛的起訖點（OD），并對OD的運行特性進行統計。（1）數據來源數據來源樣本數據如 3.1章節所示。（2）數據清洗和補全）數據清洗和補全通過如表 6-1 的規則對異常數據進行清洗。涉及的參數主要包括速度、燃油流量和經緯度，根據規則直接刪除存在明顯錯誤值的行。表表 6-1 清洗原始實際道路行駛工況和發動機參數數據的規則清洗原始實際道路行駛工況和發動機參數數據的規則數據字段數據字

166、段清洗規則清洗規則速度(km/h)150燃油流量(L/h)0 且 500GPS 坐標()超出中國范圍在 3.2章節中描述了時間斷點的問題，相鄰兩行數據的時間間隔不全是 1秒，有可能是 2秒甚至更長。為減小數據缺失帶來的影響，在考慮車輛行駛習慣的基礎上制定數據補全規則，對于時間間隔為 2秒到 300秒之間的相鄰兩行，補全中間缺失數據。具體的數據補全規則如下。通過獲取需要補全位置的首尾兩行的日期時間、速度和里程值，并使用以下公式按秒獲取缺失的數據。98=+()=(+)/(+)上述公式中，M代表里程；i 代表新增時間點；a代表首位時間點；b代表末尾時間點；V代表速度；T 代表某個時間點的具體時間。完

167、成數據添加過程后，數據行數比原始數據集增加了一倍。（3）停留路段和行駛路段的劃分停留路段和行駛路段的劃分這部分內容根據二級數據計算的效率很低，因此以重新采樣為分鐘級數據的方法進行計算，其中新形成的點，以一分鐘內的平均速度表示。分鐘級數據不僅減少了數據量，而且使數據更加平滑。通過設定一個速度 m km/h，作為區分正常行駛路段和停留路段的閾值。停留路段指的是裝卸貨物、加油、吃飯和短暫休息等發生停車行為的路段，因此停留路段的速度低于行駛路段。在本研究中，在某一行程中，如果速度低于 m km/h的時間超過 n 分鐘，則認為該路段屬于停留路段，否則屬于行駛路段。由于不同類型車輛的特點和運行場景有很大差

168、異，因此很難用同一套閾值來劃分行駛路段（Low等人，2020；Parmar 等人，2020；Schmid等人，2018）。經過多次迭代優化，本節最終確定的一組閾值參數為：自卸汽車和載貨汽車，速度閾值設為 4 km/h，持續時間閾值設為 10分鐘；牽引汽車，速度閾值設為20 km/h，持續時間閾值設為 5分鐘。（4）負載狀態識別）負載狀態識別為了識別不同行駛路段的車輛負載情況，首先是計算每一秒的車輛總質量。選擇機動車比功率（VSP）方法來標準化不同駕駛條件下不同路段的平均燃油流量（Jimnez-Palacios，1999）。VSP是用于衡量車輛相對于其重量的功率輸出的指標，常用于交通運輸領域，用

169、于比較不同車輛的性能和效率。在本研究中，將 VSP作為比較一輛車在裝載和卸載狀態下效率的標準方法。VSP 計算公式如下：=.+.+.其中，代表發動機功率或車輛運行時克服阻力（如空氣阻力、滾動阻力和坡度）所需的功率；代表車輛質量或重量（通常以公斤或磅為單99位）；表示速度；代表加速度。發動機功率是根據實際道路行駛工況和發動機參數數據的數值計算得出的，計算公式如下：=/其中，指發動機的轉速，指發動機的凈輸出扭矩，指最大扭矩，pi為圓周率。在獲得每個數據點的重型貨車質量后，再計算上一步定義的每個行駛路段的平均質量，并對平均質量的分布情況開展分析。出于降低成本和提高效率的需要，重型貨車在行駛過程中通常

170、處于兩種裝載狀態，即有負載和空載。這兩種裝載狀態可視為 2個獨立的事件，在數據集足夠大的情況下，每種狀態都呈現穩態分布。因此，采用高斯混合模型（Yang和 Ahuja，1998年）的方法來解構每個行駛路段的平均質量分布。高斯混合模型（GMM）是一種用于建模和分析復雜數據的概率模型，由多個簡單分布（通常為高斯分布）組成，每個分布稱為一個“分量”。在本研究中，分量代表有負載的獨立事件和空載的獨立事件。使用 GMM 時，一項關鍵任務是估算模型參數，包括每個分量的均值、標準差和混合權重。這通常是通過最大似然估計（MLE）或期望最大化（EM）算法完成的（Moon，1996 年）。經過去混合處理后，生成兩

171、條高斯分布曲線，分別代表有負載和空載狀態下重型貨車的質量分布，2條曲線的交點可視為區分空載和有負載的閾值。因此，如果某行駛路段的平均負載大于或等于該臨界值，則該路段被視為有負載路段，標記為 1；反之，則該路段被視為空載路段，標記為 0。模型公式及相關說明如下。()=()?其中，()代表觀測數據點的概率密度，代表混合分量的數量（或高斯分布的數量）；代表第個高斯分布的權重，滿足?=1，表示每個分布的重要性；代表第個高斯分布的平均值，表示該分布的中心位置；代表第個高斯分布的標準差，表示該分布的離散程度。（5）起點終點計算、驗證和映射）起點終點計算、驗證和映射100對于單個重型貨車而言，得出的負載特征

172、值并不嚴格按照上述 0和 1的順序排列，而是可能出現相同特征值連續排列的情況，如 1-1或 0-1。出現這種情況的原因是，車輛在行駛過程中，即使沒有進行裝載或卸載活動，也可能會出現短暫停車或慢速行駛的情況。另外，可能裝載或卸載活動發生時涉及的貨物量極少，不會對車輛是裝載還是空載的判斷產生實質性的改變。本研究建立了幾種合并規則來消除連續出現的相似特征值。如圖 6-1 所示，通過計算缺失數據段的平均速度，并結合其前后的駕駛和負載狀態，來設定缺失數據段的狀態。對于載貨汽車和自卸汽車，平均速度閾值為 4 km/h行駛路段視為連續的空載或有負載路段。在合并負載特征值的基礎上，本研究中定義了重型貨車運行的

173、 OD。首先考慮了那些非常明顯的數據斷點，即數據缺失超過 2小時的位置。根據上述方法，數據時間缺失超過 2小時的地方幾乎都是停留路段。與實際經驗一致，即數據缺失超過 2小時就意味著貨物運輸的結束，并且運輸過程中幾乎沒有短暫的休息、用餐、車輛加油等行為。根據這些超過 2小時的停留時間將數據劃分子級。對于子級數據，利用數據中固有的負載特征值特性，并結合實際駕駛員運輸習慣，采用嚴格的時間分割方法。根據這種方法，將一次完整的 OD行程定義如下：(a)單個空載路段及其相鄰的下一個有負載路段，以及(b)單個空載車段和其相鄰的下一個有負載車段，以及隨后相鄰的空載車段。這兩種情況都被定義為完整的 OD路段，它

174、們在時間上遵循嚴格的時間順序。雖然通過數值方法確定并定義了重型貨車的 OD，但為了確保研究方法的適用性，其準確性還需要進一步驗證。驗證主要依靠裝載點和卸載點的空間識別，具體方法如下：在已構建的 OD路段中，存在從空載到有負載的切換停留段。通過計算這些停留段的中心點位置，并分析它們與地圖上興趣點（POI）之間的空間關系?？紤]到固有的空間偏差，如果它們之間的空間距離小于 500米，就可以認為識別是準確的。本研究對 10輛車進行了驗證，結果顯示 OD識別的準確率為 91.36%。這表明用于 OD分割的方法是可靠的。在識別出所有完整的 OD路段之后，為了直觀地表示 OD 的空間分布，將所有 OD的起點

175、和終點映射到地圖上，能夠獲得全國范圍內重型貨車的 OD的熱點圖（圖 6-2）。101圖圖 6-2 停車點驗證比較停車點驗證比較（6）貨車運行特性分析）貨車運行特性分析通過進一步的數據分析，加深對重型貨車運行特征的理解。在 OD層面，計算了以下內容：(a)行駛過程中的平均速度，包括空載路段、有負載路段和總平均速度，以及每個 OD路段的速度分布；(b)車輛起停事件數、(c)重型貨車的平均行駛距離，包括空載路段、有負載路段和總里程；(d)空載時間所占百分比；(e)重型貨車的 OD 的空間分布圖。(a)至(d)部分使用 Python 進行計算，(e)部分使用 Kepler.GL 平臺進行計算（Medv

176、edenko 和 Namiot，2021 年）。6.1.2停車點及負載識別結果停車點及負載識別結果(1)平均平均 OD 行程速度行程速度在 OD級別，載貨汽車、自卸汽車和牽引汽車的平均行駛速度各不相同。牽引汽車最大平均速度可達 40 km/h；載貨汽車的平均速度次之，約為 23km/h；自卸汽車的平均速度最低，約為 16km/h?？傮w而言，載貨汽車和牽引汽車的中位平均速度低于各自的總體平均速度；而自卸汽車的平均速度中值與其整體平均速度極為接近。從數據分散程度來看，自卸汽車的平均車速主要分布在1.5km/h30.5km/h范圍內，范圍較小，而載貨汽車和牽引汽車的平均車速則分別位于為 1.5km/

177、h43km/h和 15.5km/h60.5km/h，跨度較大。同時，3類重型貨車在不同總質量區間的平均行駛速度也存在差異。隨著總質量的上升，自卸汽車和牽引汽車的平均行駛速度呈現上升趨勢，而載貨汽車的平均行駛速度趨勢不明顯（圖 6-3）。102圖圖 6-3 不同類型重型貨車在不同類型重型貨車在 OD 行程中的平均速度（橙色線）和中值速度行程中的平均速度（橙色線）和中值速度3 種重型貨車的平均行駛速度的分布在數據分布的樣本模式上呈現正態分布。利用正態分布函數進行擬合后，得到三個函數方程來表征不同類型重型貨車的平均行駛速度分布。其中，表示分布概率，,和分別表示載貨汽車、自卸汽車和牽引汽車的平均行駛速

178、度值（圖 6-4）。擬合泛函的 P 值均小于 0.01，表明擬合曲線可以理想地表征原始數據的分布。圖圖 6-4 載貨汽車、自卸汽車和牽引汽車平均行駛速度分布載貨汽車、自卸汽車和牽引汽車平均行駛速度分布(2)起止對的計數和起止對的計數和 OD 的平均停留時間的平均停留時間在 OD層面，牽引汽車平均起停次數最高，達到 4.9次，說明行駛過程中出現部分裝卸、休息、就餐行為的頻率較高；自卸汽車平均起停次數第二高，約為 3.9 次；載貨汽車平均起停次數最少，約為 2.8 次。由于根據 OD 的定義，車103輛至少經歷一次裝卸行為，因此從車輛最初啟動到車輛停止運輸貨物時，所有重型貨車的平均啟動和停止次數至

179、少為 2。自卸汽車、載貨汽車和牽引汽車的平均起停次數中位數均顯著低于各自總體平均起停次數；自卸汽車、載貨汽車和牽引汽車的平均啟動和停止次數中位數分別約為 2、3和 4，比各自的總體平均啟動和停止次數少約 0.8。從數據分散程度來看，載貨汽車、自卸汽車和牽引汽車的平均起停次數在數據跨度上逐漸增加。自卸汽車平均起停次數主要分布在 24次之間，跨度較??；載貨汽車的平均啟動和停止次數在 27 次；牽引汽車平均起停次數位于 212次之間，跨度明顯較大。同時，3種重型貨車在不同總質量帶內的平均起停次數也存在差異。隨著總質量的增加，載貨汽車和牽引汽車的平均起停次數分布保持不變；自卸汽車平均啟停次數呈上升趨勢

180、（如圖 6-5）。圖圖 6-5 OD 行程中不同類型重型貨車的平均起停對數（橙色線）和中位數行程中不同類型重型貨車的平均起停對數（橙色線）和中位數在 OD水平上，載貨汽車、自卸汽車和牽引汽車之間的平均停留時間存在差異。牽引汽車的平均停留時間最長，可達 2.1 小時；自卸汽車的平均停留時間次之，約為 1.6 小時；載貨汽車的平均停留時間最短，約為 1.2小時?？傮w而言，自卸汽車、載貨汽車和牽引汽車的平均停留時間中位數顯著低于各自的總體平均停留時間；自卸汽車、載貨汽車和牽引汽車的平均停留時間中位數分別約為 0.9小時、1.05 小時和 1.4 小時。從數據分散度來看，載貨汽車、自卸汽104車、牽引

181、汽車的平均停留時長跨度逐漸增大。載貨汽車平均停留時長主要分布在 0.23.05 小時之間，50%的數據分布在 0.51.5 小時之間，跨度較??；自卸汽車平均停留時間分布在 0.24 小時范圍內，50%的數據分布在 0.551.9 小時范圍內；牽引汽車平均停留時長分布在 0.16 小時之間，其中 50%的數據分布在0.55 2.7小時之間，跨度明顯更大。同時，3種重型貨車的平均停留時間在不同總質量帶上存在差異，但規律性和差異程度不強（圖 6-6）。圖圖 6-6 不同類型重型貨車在不同類型重型貨車在 OD 行程中的平均停留時間（橙色線）和中值停留時間行程中的平均停留時間（橙色線）和中值停留時間從數

182、據分布格局來看，3種重型貨車的平均停留時長分布均不符合正態分布特征，而是呈現左偏態。這種模式潛在地表明，雖然按照駕駛員的想法，大多數重型貨車在 OD行駛期間往往會減少停車次數，以便將貨物更快地運送到目的地，但部分車輛在 OD行駛過程中，由于受車輛自身突發狀況、路況以及駕駛員個人行為的影響，會出現較長的停車時間（圖 6-7）。105圖圖 6-7 載貨載貨汽車、自卸汽車和牽引汽車平均停車時長分布汽車、自卸汽車和牽引汽車平均停車時長分布(3)OD 行程里程行程里程在 OD級別，牽引汽車的平均行駛里程最高，達到約 195公里，這與牽引汽車更多地用于長途運輸有著密不可分的關系；載貨汽車的平均里程次之，約

183、為 110公里；自卸汽車平均行駛里程最短，約為 95公里?？傮w而言，自卸汽車、載貨汽車和牽引汽車的平均里程中位數均略低于各自的總體平均里程。從數據分布的分散性來看，自卸汽車、載貨汽車和牽引汽車的平均行駛里程跨度逐漸增大。自卸汽車平均行駛里程主要分布在 0225 公里之間，跨度相對較??；載貨汽車平均行駛里程在 3275 公里之間；牽引汽車平均行駛里程在 0.2400公里之間，跨度明顯更大。同時，3種重型貨車在不同總質量下的平均行駛里程也存在差異。隨著總質量的上升，載貨汽車平均行駛里程的分布沒有變化；自卸汽車和牽引汽車的平均行駛里程呈上升趨勢（圖 6-8）。圖圖 6-8 不同類型重型貨車在不同類型

184、重型貨車在 OD 行程的平均里程（橙色線）和中位里程行程的平均里程（橙色線）和中位里程從數據分布規律來看，3 種重型貨車的平均行駛里程分布均呈現正態分布。使用正態分布函數進行擬合后，得到三個函數方程來表征不同重型貨車的平均行駛里程的分布。其中 表示分布概率，,和分別表示載貨汽車、自卸汽車和牽引汽車的平均行駛速度值。擬合泛函的 P值均小于 0.01，表明擬合曲線可以理想地表征原始數據的分布（圖 6-9）。106圖圖 6-9 載貨汽車、自卸汽車和牽引汽車平均里程分布載貨汽車、自卸汽車和牽引汽車平均里程分布(4)空載率空載率OD層面，載貨汽車、自卸汽車和牽引汽車的空載率略有差異，分別為33.01%、

185、33.58%和 31.71%?？傮w而言，自卸汽車、載貨汽車和牽引汽車的空車率中值均略低于各自的整體空車率。從數據分散程度來看，載貨汽車、自卸汽車和牽引汽車之間的分散程度差異不大。50%載貨汽車空載率主要分布在14%至 55%之間；自卸汽車的比例在 16.5%至 54%之間；牽引汽車的比例在16%至 49%之間。三種重型貨車在不同總質量區間的空載率存在差異。隨著總質量的上升，載貨汽車空載率上升，牽引汽車空載率下降，自卸汽車空載率波動（圖 6-10）。圖圖 6-10 不同類型重型貨車在不同類型重型貨車在 OD 行程中的平均空載率（橙色線）和中位數行程中的平均空載率（橙色線）和中位數盡管 3類重型貨

186、車的空載系數值的分布區間基本相同，但三者在更細粒度的數據分布形態上存在明顯差異。載貨汽車空載率的分布概率為單峰，自卸汽107車和牽引汽車的分布概率為雙峰。載貨汽車空載率在 17%附近達到分布概率峰值，配送概率約為 1.7%；牽引汽車空載率在 18%附近達到分布概率峰值，分布概率約為 2%，并在 50%附近形成高度較小的第二個分布概率峰值，分布概率約為 1.3%。牽引汽車空載率在分布概率峰值附近分別在 10%和 30%處達到單峰，且兩次分布概率比較接近，分別約為 1.6%和 1.7%（圖 6-11）。圖圖 6-11 載貨汽車、自卸汽車、牽引汽車有負載空載比例分布載貨汽車、自卸汽車、牽引汽車有負載

187、空載比例分布(5)OD 的空間分布的空間分布在 OD空間分布水平上，每種重型貨車的出發地和目的地都表現出一致的空間分布模式。自卸汽車的始發地和目的地分布較為集中，主要集中在北京、天津、石家莊等城市建成區，形成了幾個明顯的集群。載貨汽車的始發地和目的地分布范圍稍廣，但仍然主要集中在城市建成區。它們與交通網絡有一定程度的重疊，形成放射狀的分布格局。牽引汽車的始發地和目的地分布范圍最廣。它們不僅存在于城市建成區內，而且與交通網絡呈現出明顯地重疊，形成“中心樞紐網絡”的分布格局（圖 6-12）。108圖圖 6-12 不同重型貨車始發地和目的地點的密度及空間分布格局不同重型貨車始發地和目的地點的密度及空

188、間分布格局結合重型貨車的起點和終點來看，這些空間分布特征得到了進一步的支持。牽引汽車絕大多數運輸發生在城市內且城際距離較近，但也存在一定比例的長途運輸；載貨汽車運輸也基本發生在城市內部和城際距離較近的情況，長途運輸比例明顯較低；而對于自卸汽車來說，跨城市的長途運輸線路幾乎不存在，相關運輸活動高度集中在北京、石家莊等大型區域城市內，如圖 6-13 所示。109圖圖 6-13 不同重型商用貨車不同重型商用貨車 OD 鏈路的空間分布鏈路的空間分布（紅、黃、藍線分別代表牽引汽車、載貨汽車和自卸汽車）（紅、黃、藍線分別代表牽引汽車、載貨汽車和自卸汽車）6.2區域場景識別區域場景識別6.2.1行駛場景對油

189、耗的影響行駛場景對油耗的影響行駛場景會影響車輛的油耗。不同的行駛場景會對重型貨車的油耗產生不同的影響，如不同的道路狀況對車輛油耗的影響有明顯差異。道路狀況較差，如坑洼、石頭等，會導致車輛顛簸，增加輪胎磨損和發動機負擔，從而增加油耗。同時，道路擁堵也會增加汽車的啟動、停止次數，使油耗增加。道路的坡度和彎度也會影響汽車的油耗。在上坡或下坡較多的路段行駛，需要消耗更多地能量來克服重力作用，從而增加油耗。此外，頻繁的轉彎和曲線行駛也會增加油耗，因為這需要汽車不斷加速和減速，以及改變行駛方向。不同類型的車輛有著不同的油耗表現。例如，柴油車和汽油車的油耗差異較大；四驅車和兩驅車的油耗也會有所差異。駕駛員的

190、駕駛習慣對油耗也有很大的影響。頻繁地加速、剎車和急轉彎等行駛習慣會增加汽車的工作負擔，使油耗增加。而平穩110地行駛和合理地換擋則可以降低油耗。交通狀況和行駛速度也是影響油耗的重要因素。在交通擁堵的城市道路上行駛，車輛需要頻繁啟動和剎車，以及在低速狀態下行駛，都會增加油耗。相反，在暢通行駛的高速公路上，車輛可以保持穩定的速度和減少頻繁的加速和剎車，從而降低油耗。此外，風阻和氣候條件也是影響汽車油耗的因素之一。在高速行駛時，風阻會成為阻礙車輛前進的重要因素。風阻越大，需要車輛發動機提供的動力也越大，從而增加油耗。此外，惡劣的氣候條件如高溫、低溫、雨雪等也會影響輪胎的摩擦系數和車輛的保溫需求，從而

191、對油耗產生影響。地形和海拔對汽車油耗有較大影響。在上坡或下坡較多的地形中行駛，需要車輛的發動機提供更多的動力以維持穩定的行駛速度，因此會增加油耗。另外，隨著海拔的升高，空氣稀薄，發動機進氣量和燃燒效率降低，也會導致油耗增加。車輛負載也會影響油耗。負載越大，油耗越高。例如，有負載貨物或乘客的車輛會比空載車輛的油耗更高。綜上所述，行駛場景對汽車油耗有重要影響。由于不同車輛在不同行駛場景中的油耗表現會有所不同，因此為了更準確地計算油耗，必須針對不同的行駛場景進行分別計算。分場景計算油耗可以更加貼近實際情況。不同的行駛場景具有不同的路況、交通狀況、氣候條件等因素，這些因素都會對油耗產生影響。例如，城市

192、道路和高速公路的行駛狀況和油耗表現就有所不同，因此需要分別計算城市道路和高速公路的油耗。分場景計算油耗也可以提高計算的準確性和精度。不同車輛在不同行駛場景中的油耗表現會有所不同，因此如果將所有車輛的油耗進行混合計算，就會導致計算結果不夠準確和精度不高。而分場景計算油耗可以針對不同車輛在不同行駛場景中的油耗進行分別計算，從而提高了計算的準確性和精度。載貨汽車主要用于貨物運輸，通常在高速公路、國道和省道上行駛。其設計注重承載能力，一般具有較大的車廂和較強的懸掛系統，以應對各種道路條件和負載情況。載貨汽車的行駛場景通常包括城市道路、高速公路、土路、泥濘路、松軟路面、山路等。不同行駛場景對載貨汽車的油

193、耗有著不同的影響。城市道路和高速公路是載貨汽車最常見的行駛場景之一。在這兩個場景下，車111輛主要克服滾動阻力和空氣阻力。由于這兩個場景下的交通狀況較為穩定，因此油耗相對較低。而在城市道路上行駛時，由于交通狀況較為擁堵，速度較慢，可能會導致油耗增加。土路、泥濘路、松軟路面和山路等這些行駛場景相對于城市道路和高速公路更為復雜，因為車輛需要克服更多的阻力，例如不規則的路面、陡峭的坡道、急轉彎等，汽車需要不斷調整車速和方向。這些因素都會導致油耗增加。載貨汽車的總質量以及貨物的裝載情況也會對油耗產生影響?？傎|量越大、貨物裝載越多，車輛行駛時的阻力也就越大，從而油耗也會增加。此外，裝載貨物的形狀和分布也

194、會影響車輛的空氣動力學性能，從而影響油耗。氣候條件也是影響載貨汽車油耗的一個重要因素。高溫、低溫、雨雪等惡劣天氣條件都會增加車輛的油耗。例如，在高溫天氣下，空調的使用會增加發動機的負荷，從而增加油耗。而在低溫天氣下，需要使用加熱器來保持車內溫度，也會增加油耗。牽引汽車主要用于牽引掛車或半掛車，行駛場景多樣。一般來說，牽引汽車的主要工況包括啟動、行駛、制動和空載等。牽引汽車在啟動時需要消耗較大的能量來克服摩擦力和慣性，因此油耗相對較高。特別是在寒冷的冬季或炎熱的夏季，由于需要使用空調或暖風等額外設備，油耗會進一步增加。在行駛過程中，牽引汽車的油耗會根據不同的行駛速度和路況而有所不同。一般來說，高

195、速行駛時油耗較低，而低速行駛或頻繁加速和減速時油耗較高。此外，行駛的路況也會影響油耗，在良好路面上，如高速公路，其行駛速度較快；而在較差路面上，如國道或省道，其行駛速度會受到一定限制。在制動過程中，牽引汽車需要消耗能量來克服摩擦力和慣性，因此油耗也會增加。特別是在頻繁制動和緊急制動時，油耗會更加明顯。當牽引汽車空載時，其油耗相對較低，但仍然需要消耗一定的燃料以維持車輛的運行和冷卻等。自卸汽車是一種主要用于工程建設的車輛，可以用于運輸和傾倒各種散裝物料，主要用于貨物裝卸，通常在工地、礦山等場所使用。其設計注重卸載貨物的便利性和快速性，因此在行駛過程中，可能會遇到各種復雜地形和惡劣路況。自卸汽車通

196、常用于礦山開采中運輸礦石、煤炭等礦產資源。由于礦山的道路條件較為惡劣，行駛速度經常需要加減速度和制動，同時需要運輸的重型貨112物較多，因此油耗較高。在基礎設施建設領域，自卸汽車可以用于運輸各種建筑材料，如沙子、碎石、土方等。這些材料的形狀和分布會影響車輛的油耗，如運輸液體貨物時油耗會較高。此外，基礎設施建設通常需要在不同的地點進行運輸，因此需要頻繁地啟動和停車，也會增加油耗。在城市建設和維護領域，自卸汽車可以用于運輸各種建筑材料和垃圾。運輸材料的形狀和分布會影響車輛的油耗，運輸液體貨物時油耗會較高。此外，城市道路通常較為擁擠，需要頻繁地加減速度和制動，也會增加油耗。因此，分場景地計算油耗是非

197、常有必要的。運輸車輛在行駛過程中，不同的行駛場景會對車輛的油耗產生不同的影響。因此，為了準確評估車輛的燃油效率，了解不同場景下的油耗表現，分場景計算油耗是一種不可或缺的研究方法，對于載貨汽車、牽引汽車和自卸汽車等運輸車輛的油耗評估和管理具有重要意義。6.2.2場景篩選方法場景篩選方法為處理和分析車輛的行駛數據，首先讀取相關的地理信息數據，這些數據描述了“建成區”的地理范圍。為了確保后續分析的準確性，本研究對這些建成區進行了緩沖區處理，即擴大了其覆蓋范圍，避免了由于 GPS經度引起的微小誤差。將處理過后的地理信息數據保存為建成區數據。接下來，為確保數據的真實性，本研究對每一個 parquet 文

198、件進行篩選。速度設置須在合理的范圍內，該處設置為 0150km/h；累計里程須大于 0km，發動機轉速也必須大于 0r/min，保證車輛是在行駛狀態下；發動機燃料流量小于500L/h，確保其在正常的消耗范圍內；車輛的經度設置在 73136，緯度設置在354，確保車輛的行駛范圍在我國邊界線內。將篩選后的經緯度數據轉換為地理數據格式，然后與建成區數據進行了地理空間信息上的匹配，以判斷每個數據點是否位于建成區內。這一步是通過空間關聯操作，將每一車輛數據點與建成區比較，看其是否位于建成區內。為了進一步細化分析，使用了基于時間差的方法將數據分段。例如，如果一輛車在 600秒內沒有任何數據，那么認為在這段

199、時間內是停止狀態，然后將113其停止狀態之前和之后的數據視為兩個獨立的段。提取每一個段內車輛的基本信息，以及該段的開始和結束時間，還有識別該段是否位于建成區內。這種分析對于研究車輛的行駛模式非常有價值，可以知道車輛在建成區內和建成區外的行駛時間占比，或者在哪些時間段車輛更傾向于在建成區內行駛等。對于國道、省道和高速場景行駛數據的篩選則與建成區類似，在地理信息系統（GIS）中，點（point）、線（polyline）和面（polygon）是三種基本的空間要素類型。它們的匹配和分析方法各有特點，為了更好地理解這些特點，以及如何有效地利用這些特點，以實際應用為例：與前文提到的建成區匹配相似，首先要進

200、行的是車輛數據與國省道、高速道路的匹配。上述內容提到了如何確定一個點是否在某一個多邊形區域內，稱為“點在面內”查詢。這種查詢的基礎思想是，對于一個給定的點，可以確定它是否位于一個特定的多邊形（如建成區）內。常用的算法包括射線法或者奇偶法等。對車輛數據進行分析時，希望可以確定每一個車輛數據點是否位于建成區內，從而進行進一步的分析（圖6-14）。當考慮國省道和高速道路時，更關注于線形要素。在這種情況下，問題變成了確定一個點是否在某一條線的一定距離范圍內，或者說點與線的最短距離是否小于某一閾值。這可以幫助確定車輛是否在道路上或接近道路。與“點在面內”查詢相比，點與線的匹配更加依賴于距離計算。線與面之

201、間的空間關系可以更復雜。當實際關注于線（例如道路）如何穿越一個特定的區域，或者線的某一部分是否在區域內，例如，想確定某一條道路在建成區內的長度比例，或者是否有道路連接兩個不同的建成區。同樣地，線與線之間的匹配也可以是復雜的。例如，要確定兩條道路是否交叉，交叉在哪里，或者它們是否平行或接近。此外，還可能關心道路之間的相對距離。對于車輛的行駛數據，當考慮與國省道和高速的匹配時，主要考慮的是點與線的關系。與建成區的匹配相似，但更加強調距離的計算。例如，不僅想確定車輛是否在某條道路上，還想確定車輛與道路的距離。這有助于了解車輛的行駛模式，例如它是否傾向于沿著主要道路行駛，或者是否經常偏離道路。點、線和

202、面是 GIS 中三種基本的空間要素，它們之間的匹配和分析各有特點。理解這些特點，能夠幫助我們更加有效地利用這些信息進行復雜的空間分析。無論是確定車輛是否在建成區內，還是114與國省道和高速的匹配，都需要精確的空間分析方法來得到可靠的結果。圖圖 6-14“連接要素連接要素”工具的時空連接的兩個示例工具的時空連接的兩個示例6.2.3場景匹配方法場景匹配方法通過采用上述篩選方法，獲得了每個里程段的具體場景信息，包括是否位于建成區以及是否位于高速、國道或省道。將這些信息整理為每個里程段的四列數據，如果該里程段位于高速上，則相應列的值為 True，否則為 False，如圖6-15 所示。圖圖 6-15

203、高速里程段數據示例高速里程段數據示例然后，需要將這 4列信息（是否高速、是否國道、是否省道和是否建成區）與其他每一段的詳細信息進行匹配，包括累計里程和發動機燃料流量的積分值等與計算油耗相關的信息。通過將場景信息與每一段的詳細信息進行匹配，可以更方便地計算不同場景下的油耗并進行對比分析。為了計算區分場景的油耗，篩選出全部在高速或者其他場景上的里程段，并按照車型和總質量區間進行分類。然后，計算所有里程段的發動機燃料流量積分的總和與累計里程的總和之115比，從而得到該車型在該總質量區間內的平均油耗。最后將不同場景下的每種車型進行對比分析，是否在建成區的油耗對比、是否在高速的油耗對比、是否在國道的油耗

204、對比以及是否在省道的油耗對比。這種方法可以更準確地了解不同車型在不同場景下的油耗表現，從而更好地評估運輸車輛的性能和燃油效率。6.2.4不同場景的油耗不同場景的油耗城市建成區是指城市行政區內實際已開發建設、市政公用設施和公共設施基本具備的地區。通常來講，由于城市非建成區的道路狀況可能較差，例如路面不平整或道路上的障礙物可能會增加車輛行駛的阻力，從而增加油耗；而建成區的道路狀況通常較好，有助于減少油耗。其次，非建成區的工廠較多，可能會含有更多的例如原地做功的特殊工況存在，導致其油耗相比建成區更高。但對于不同的貨車結果也不盡然，需要進一步具體分析。例如有的城市建成區內地道路網絡密集，交通流量較大，

205、而且交通信號燈和道路障礙物等增加了行駛的難度，這種復雜的路況會對貨車油耗產生了顯著的影響。在擁堵的城市道路頻繁啟停、急加速或急剎車等行為都會導致油耗增加；而在非建成區，駕駛員可能更放松，駕駛行為更為平穩，較少急加速或急剎車，這反而會使得油耗減少。除此之外，車輛的負載情況也會影響貨車的油耗值，本小節中暫時未將負載情況加入結果計算，因此這里的油耗計算結果是一個平均負載狀況的油耗值。具體的建成區與非建成區的綜合油耗均值計算結果如圖 6-16 所示?？梢钥闯?，大部分車型在建成區內的油耗都大于其在非建成區內的油耗。其中自卸汽車(25-31t在建成區比建成區的油耗高出了 5L/100km，該類型車輛的樣本

206、量足夠大，很有可能是因為所選汽車在非建成區內做功的情況較多引起的。而其他的自卸汽車在建成區的油耗大于在非建成區的油耗，可能與其工作狀態有關。自卸汽車主要用于裝載和運輸散裝物料（如泥土、砂石等）。自卸汽車需要更頻繁地裝載和卸載物料，進行近似原地做功的工況，可能導致車輛的油耗較高。116圖圖 6-16 建成區和非建成區的綜合油耗均值分布建成區和非建成區的綜合油耗均值分布圖圖 6-17 高速、國道和省道的綜合油耗均值高速、國道和省道的綜合油耗均值圖 6-17 是高速、國道和省道綜合油耗均值分布，在高速場景的油耗值都略低于在國道和省道場景。國道和省道往往會有更多的坑洼、擁堵和彎道，這些因素都會增加車輛

207、的燃油消耗?？油萋访鏁е萝囕v的阻力增加，從而增加燃油消耗。而擁堵情況下，車輛需要頻繁啟動和停止，也會導致燃油消耗的增加。117相比之下，高速公路通常具有更好的路況和更少的交通擁堵，因此油耗較低。同時，行駛速度也會影響油耗值的大小。在國道和省道上，車輛的行駛速度通常較低，而在高速上則會有更高的平均速度。根據空氣動力學原理，較高的行駛速度會導致空氣阻力的增加，從而增加燃油消耗。牽引汽車在運輸貨物時需要承受較大的牽引力，這將增加發動機的負載并導致更高的油耗。自卸汽車在裝載和卸載貨物的過程中可能頻繁加減速度和緩慢行動，這些操作會增加燃油消耗。載貨汽車在行駛過程中需要保持穩定的載荷狀態以避免緊急制動或

208、突然加速，這些操作都會對油耗產生負面影響。6.3長短途油耗分析長短途油耗分析本節對樣本車輛中每輛車有行駛數據的天數定義為活躍天數，并計算每輛車的活躍天數中行駛里程大于 300km 的比例。如果這個比例大于等于 0.6，即該車在全年的行駛數據中有超過 60%的活躍天數的行駛里程數大于 300km，就將其視作長途行駛汽車，否則為短途行駛汽車。在對每輛汽車進行分類后，再與全部汽車的里程段數據進行匹配，將長途汽車的每個里程段賦值為 1，短途汽車的每個里程段賦值為 0。將全部里程段按照車型、質量區間和長途短途進行分類，在每一個類別下分別將發動機噴油量和累計里程這兩項參數進行加和，并比較分析用兩種不同參數

209、計算得到的平均油耗，單位是 L/100km。118圖圖 6-18 各車型長短途的油耗均值分布各車型長短途的油耗均值分布如圖 6-18 所示，整體來看，長途汽車的油耗值要低于短途汽車，牽引汽車和載貨汽車各質量區間下的油耗值是基本吻合這一特點的。自卸汽車由于其本身的工作性質，因此自卸汽車(12-16t、自卸汽車(16-20t和自卸汽車(20-25t這 3個質量區間內沒有長途行駛的汽車，可以看出自卸汽車長途行駛較少，更多的工況是短途行駛或原地做功。自卸汽車(25-31t的長途汽車油耗要高于短途汽車，從圖 6-19 對各車型的數量統計中可以看出，該車型和質量區間下被標記為長途汽車的僅有 5 輛，而短途

210、汽車為 974 輛，因此這 5 輛汽車的里程段計算所得的油耗均值不具有代表性，這一結果也符合自卸汽車的實際工作狀況，即長途行駛較少，原地做功及短途行駛較多。119圖圖 6-19 長短途汽車數量長短途汽車數量圖 6-19 中可以看出絕大多數的汽車都是短途汽車，全年內 60%以上活躍天數的行駛里程在 300 公里以上的汽車僅牽引汽車的比例多一些，自卸汽車和載貨汽車的長途汽車的數量較小，代表性較弱。6.4多維度油耗分析多維度油耗分析6.4.1多場景與負載匹配算法多場景與負載匹配算法通過計算得到了每個里程段的場景信息（是否在建成區、是否在高速以及是否在國道省道），并且依據負載識別算法計算得到了每個里程

211、段的負載情況，這個負載情況是一個 0-1變量。因此，每個里程段其實有五個維度的 0-1 變量，包括是否在四種場景以及是否負載（空載或者有負載）。最終數據示意如下表6-2 所示。表表 6-2 場景與負載匹配數據示意表場景與負載匹配數據示意表車輛車輛類型類型總質量總質量區間區間車輛車輛編號編號開始時間開始時間結束時間結束時間是否建是否建成區成區是否是否高速高速是否是否國道國道是否是否省道省道負載負載牽引汽車(46-49tVin12022022812344520220228154537TrueFalseFalseFalse0牽引(46-49tVin12022040420220404FalseFals

212、eTrueFalse1120汽車104823190213牽引汽車(46-49tVin12022091219152320220912235457FalseFalseFalseTrue0每一行代表一個切分的里程段，這個里程段包含其本身所具有的信息，比如說車輛信息（車輛類型、車輛編號和總質量等），里程段信息（開始時間、結束時間、實際時長和累計里程等），油耗信息（噴油量數據、油耗值等）。通過上一小節的場景與油耗匹配，可以得到每個里程段的場景信息，及是否為建成區、高速、國道和省道四個場景。而負載識別的算法與計算油耗的算法并不相同，它針對實際道路行駛工況和發動機參數數據清洗后的逐秒數據進行識別并賦值，得到

213、的負載值是一個 0-1變量，0表示這輛汽車在這一秒的狀態為空載，1 表示汽車在這一秒的狀態為有負載。場景信息與油耗數據的匹配是依照里程段進行的，需要將每一秒的負載信息，折算到每個里程段上。同時，需要考察每一個里程段的每一秒的負載狀況，如果某一個里程段的實際時長為 1小時，那么這一里程段應該包含 3600條逐秒數據，由于數據缺失，可能它包含的數據量為 3500條。如果這 3500條數據中負載變量為 1 的數據比負載變量為 0的數據量多，那么我們就把這一里程段的負載值設定為 1，反之，則設為 0。負載匹配算法是一個估計值，假設每一里程段是單車的連續行駛里程段，所以整體上認為在一個里程段內，負載或者

214、空載的狀態持續不變。但考慮到實際情況，一個里程段內極有可能出現空載、半載和滿載三種狀態。例如，對應到負載識別的結果中，可能出現一個里程段有 800條數據，399條數據的負載變量為 0，401條數據的負載變量為 1，而依據上述匹配算法折合到里程段上，這一里程段的負載就變成了 1，其負載狀態都是有負載，這將會導致最終油耗計算結果出現誤差。6.4.2結果分析結果分析場景信息的四個 0-1變量是不重復的，即如果一輛車的一個里程段被判定為在建成區，那么這一里程段就不在高速、國道和省道上。所以，場景間變量是不需要相互進行匹配，考慮到數據量較大，分為四種場景，將每一種場景與121負載信息單獨按上述算法進行匹

215、配。按照四種場景下的空載有負載狀況進行分類，對每一車型每一總質量區間下的柴油消耗量和累計里程進行加和，再求比值得到每一車型每一總質量區間的區分有負載空載的油耗值，結果如圖 6-20 所示。圖圖 6-20 高速場景有負載和空載的綜合油耗均值分布高速場景有負載和空載的綜合油耗均值分布圖 6-21 是高速場景有負載和空載的綜合油耗均值分布。如圖所示，有負載狀況下的油耗值整體大于空載狀況下的油耗值，符合實際情況，說明整體的算法與實際狀況沒有較大的偏差。在高速場景，牽引汽車(49-49t的空載油耗值與有負載油耗值相差較多，可能是因為牽引汽車有負載與空載質量差距較大造成的。而自卸汽車(12-16t在高速的

216、空載油耗比滿載油耗更高，可能是因為自卸汽車主要用于短途的裝卸貨，在高速場景行駛的時候很少，因此自卸汽車(12-16t在高速場景的數據樣本量極少導致的結果異常。122圖圖 6-22 國道場景有負載和空載的綜合油耗均值分布國道場景有負載和空載的綜合油耗均值分布圖圖 6-23 省道場景有負載和空載的綜合油耗均值分布省道場景有負載和空載的綜合油耗均值分布圖 6-22 和圖 6-23 為在國道和省道行駛時有負載和空載的綜合油耗均值分布情況。圖中可以看出，牽引汽車(46-49t和自卸汽車(25-31t的有負載油耗和空載油耗的差值較大?？赡艿脑蚴堑?4 章中分析的自卸汽車(25-31t的整體油耗123值較

217、大，而國道省道場景下的油耗值尤其突出可以考慮以下原因。國道和省道的道路條件較差，可能存在路面不平整、交通信號燈較多、交通擁堵等情況，導致車輛行駛速度不穩定，需要頻繁加速和減速，從而增加油耗。自卸汽車(25-31t的載重較大，噸位更大的自卸汽車通常具有更大的載重量，在國道和省道行駛時，需要克服較大的阻力，導致油耗增加。此外，在國道和省道行駛時，可能會遇到較多的交通情況，需要進行頻繁地制動。制動會導致發動機的功率消耗增加，從而增加油耗。圖圖 6-24 建成區場景有負載和空載的綜合油耗均值分布建成區場景有負載和空載的綜合油耗均值分布圖 6-25 是建成區場景的有負載和空載的綜合油耗均值分布。如圖所示

218、，在建成區范圍內行駛的里程段有負載的油耗值均大于空載的油耗值，3 種車型的負載油耗值差異都很明顯，其中牽引汽車的差異仍然較大。三個場景下自卸汽車(25-31t的空載與有負載的油耗值差距均較大，分析分場景后的數據量大小。處于國道場景下的里程段數量僅有 2041 段，占全部自卸汽車(25-31t里程段的2.4%，處于省道場景下的里程段數量僅有 6006 段，占全部自卸汽車(25-31t里程段的 7.2%，處于建成區場景下的里程段數量為 11719 段，占全部自卸汽車(25-31t里程段的 17.7%?？梢钥闯?，自卸汽車(25-31t在三種場景下的里程段數124量占比均較小，因此加權后計算所得油耗值

219、較高，代表性不夠強。6.5油耗與溫度的關系分析油耗與溫度的關系分析6.5.1驗證方法驗證方法（1）選取 10輛重型貨車進行案例分析選取 10輛車進行案例分析，其基本信息如表 6-3 所示。表表 6-3 10 輛重型貨車信息輛重型貨車信息VIN車輛類型車輛類型總質量區間總質量區間LZGJLGW49MX*牽引汽車(46-49tLRDS6PEB4MT*牽引汽車(46-49tLNXDBL0H0ML*牽引汽車(46-49tLRDS6PEB6MR*牽引汽車(46-49tLRDS6PEB2NR*牽引汽車(46-49tLZZ1CLWB2MA*牽引汽車(46-49tLZZ1CLWB9MA*牽引汽車(46-49t

220、LZZ1CLWB4MA*牽引汽車(46-49tLZZ1CLWB5MA*牽引汽車(46-49tLZZ1ELVF0KN*自卸汽車(20-25t（2）數據篩選和清洗首先篩選這 10輛貨車在 1 月、4 月、7月和 10月的實際道路行駛工況和發動機參數數據，再依據經緯度這項參數數據，篩選這 10輛貨車在 1月、4 月、7月和 10月在京津冀地區的行駛數據。京津冀地區的經緯度定義如下：113.45 經度119.83，36.08 緯度42.67。10輛貨車清洗后的具體數據如表 6-4 所示，其中，VIN 碼為 LRDS6PEB2NR*的貨車 1月份在京津冀地區的行駛數據量為 0。其它貨車的數據沒有空白值。

221、表表 6-4 10 輛貨車清洗后數據輛貨車清洗后數據VIN 碼碼車輛類型車輛類型總質量區間總質量區間1 月份月份數據量數據量4 月份月份數據量數據量7 月份月份數據量數據量10 月份月份數據量數據量LZGJLGW49MX*牽引汽車(46-49t71181259125LRDS6PEB4MT*牽引汽車(46-49t43261556LNXDBL0H0ML*牽引汽車(46-49t141876LRDS6PEB6MR*牽引汽車(46-49t20131210LRDS6PEB2NR*牽引汽車(46-49t0171343LZZ1CLWB2MA*牽引汽車(46-49t14489LZZ1CLWB9MA*牽引汽車(4

222、6-49t8511618LZZ1CLWB4MA*牽引汽車(46-49t33391815LZZ1CLWB5MA*牽引汽車(46-49t871020LZZ1ELVF0KN*自卸汽車(20-25t2786（3）根據發動機燃料流量積分和車速積分數據計算油耗篩選得到 1月、4 月、7月和 10月在京津冀地區的行駛數據，計算每個貨車分別在 1月、4 月、7月和 10月的油耗。為準確計算油耗，選取發動機燃料流量積分數據和車速積分數據進行計算。其中，發動機燃料流量積分即為該車的當前油耗，車速積分即為該車的當前行駛里程。將每月的篩選得到的數據中的發動機燃料流量積分進行求和即為該月總油耗，車速積分求和即為該月總行

223、駛里程。百公里油耗的計算公式如下：百公里百公里=?其中 FC百公里為一個月的百公里油耗，單位為 L/100km；F*為發動機燃料流量積分，單位為 L，V*為車速積分，單位為 km。利用上述公式，可以計算重型貨車在 4個月中的每個月的油耗，并與每個月的溫度平均值進行對比，分析溫度和油耗的關系。2022年京津冀地區 1月、4 月、7月和 10月的平均最高和最低溫度如表 6-5所示。京津冀地區 1月份平均氣溫在-53，4 月份平均氣溫在229，7月份平均氣溫在 3122，10月份平均氣溫在 1910。表表 6-5 2022 年京津冀地區年京津冀地區 1、4、7、10 月份平均最高月份平均最高/最低溫

224、度最低溫度地區地區北京北京天津天津河北河北1 月平均最高、最低氣溫/333-5-5-44 月平均最高、最低氣溫/222222910117 月平均最高、最低氣溫/31313222232310 月平均最高、最低氣溫/181919126710106.5.2結果分析結果分析表 6-6 所示為 10 輛車在不同月份的油耗。從表中可以看出，部分車輛的油耗隨著溫度變化差異不大。圖 6-26 是 3輛油耗隨溫度變化差異較明顯的車輛，從圖中可以看出，油耗在 1月和 10月較高，在 4 月和 7月較低。這可能與 1月和 10 月溫度較低，4 月和 7月溫度較高有關。表表 6-6 10 輛貨車在不同月份的油耗輛貨車

225、在不同月份的油耗VIN 碼碼車輛類型車輛類型總質量區間總質量區間1 月油耗月油耗(L/100km)4 月油耗月油耗(L/100km)7 月油耗月油耗(L/100km)10 月油耗月油耗(L/100km)LZGJLGW49MX*牽引汽車(46-49t35.1136.8734.7737.00LRDS6PEB4MT*牽引汽車(46-49t59.6757.6652.2479.22LNXDBL0H0ML*牽引汽車(46-49t36.9935.8534.2439.22LRDS6PEB6MR*牽引汽車(46-49t35.6830.0735.4734.01LRDS6PEB2NR*牽引汽車(46-49t029.

226、0429.7330.16LZZ1CLWB2MA*牽引汽車(46-49t36.1426.9234.7449.39LZZ1CLWB9MA*牽引汽車(46-49t34.7133.2131.8731.61LZZ1CLWB4MA*牽引汽車(46-49t38.7935.9139.7837.40LZZ1CLWB5MA*牽引汽車(46-49t44.3530.8326.0930.20LZZ1ELVF0KN*自卸汽車(20-25t68.2458.6351.9457.64127圖圖 6-26 3 輛重型貨車在不同月份的油耗輛重型貨車在不同月份的油耗本小節選取了 10輛重型貨車，開展了溫度對油耗影響的初步分析。初步研

227、究發現 1月份，即溫度低的時候油耗普遍高于其他月份，可能是冬天開啟空調升溫導致。而夏季則沒有明顯的油耗高的趨勢。該結果可能與樣本數據量較小有關，結果不具有普遍性，建議進一步加大數據量，選取更多的貨車進行分析，得出更加具有普遍性的規律和結論。6.6本章小結本章小結在深入研究多場景下車輛油耗的基礎上，本章構建了一套系統的油耗計算方法和分析框架，為準確評估和預測車輛的油耗情況提供了強有力的支持。該研究主要集中在不同行車環境和車輛負載狀態下的油耗計算，涵蓋了建成區、高速、國道、省道和長短途等多種行駛場景，為車輛能耗、CO2排放的管理和優化提供了數據支持。通過分析不同場景的綜合油耗均值發現，絕大部分車輛

228、在建成區的油耗會128略高于非建成區，可能是與建成區的道路狀況相關。所有車型在高速場景的油耗值都略低于在國道和省道場景，與實際情況相符。通過劃分長短途場景，可以看出自卸汽車因其本身的工作性質，幾乎沒有長途汽車，其短途的油耗隨著總質量的增加而增加；載貨汽車和牽引汽車的短途油耗都是略高于長途油耗，載貨汽車的油耗值也是隨著總質量的增加而增加。本章還重點研究了場景信息的匹配和車輛負載狀態的準確識別。通過將車輛行駛數據與特定場景進行關聯，并運用負載識別算法確定車輛在每個里程段的負載狀態，為油耗計算提供了多維度的數據空間。通過匹配負載信息到每個里程段，實現了對不同車型、不同總質量區間在不同場景下空載和有負

229、載油耗的計算。這種方法不僅提升了油耗計算的準確性，也使得油耗分析更為細致和深入。通過對比分析表明幾乎所有場景下有負載狀況下的油耗值都大于空載狀況下的油耗值。僅有 1個車型在 1種場景下的油耗值是空載大于滿載，可能是樣本數據量很少導致的結果偏差。盡管本章提出的油耗計算方法在實際應用中取得了良好的效果，但仍有一些局限性和改進空間。負載匹配算法作為一個估計值，其準確性仍有待進一步提升。此外，數據完整性和準確性對最終結果的影響巨大，提升數據質量是未來工作的重點。此外，油耗受多種因素影響，包括天氣條件、駕駛行為等，將這些因素納入油耗計算框架將是未來研究的重要方向。綜上所述，本章為多場景油耗計算提供了一套

230、有效的方法論和實踐框架，不僅提升了油耗計算的準確性，也為深入了解油耗影響因素提供了有力的工具。未來通過對算法的優化和提升數據質量，有望進一步提高油耗計算的準確性，為車輛能效管理和油耗優化提供更為堅實的數據支持。129第第 7 章章碳排放因子驗證碳排放因子驗證7.1PEMS 排放對比驗證排放對比驗證7.1.1技術路線技術路線PEMS主要用于測量車輛在實際路況下的尾氣排放。與傳統的固定排放測試設備不同，PEMS是在真實駕駛情況下進行測試，而不是在實驗室內的滾筒試驗臺上。PEMS測試為汽車制造商、監管機構和研究者提供了車輛在實際駕駛條件下的尾氣排放數據，有助于更準確地評估車輛的環境影響。PEMS的主

231、要組件包括：排放分析儀（用于測量尾氣中的主要污染物，如一氧化碳（CO）、氮氧化物（NOx）、碳氫化合物（THC）和顆粒物（PM）等）；流量儀（測量尾氣的流量，以確定排放的總量）；全球定位系統（GPS）（記錄車輛的位置和速度，幫助分析駕駛條件和環境對排放的影響）；車載電腦（記錄所有數據并同步到主控制系統）以及動力學數據采集器（測量車輛的速度、加速度、轉速等參數）。與實驗室測試結果可能存在的偏差不同，PEMS測試可以反映真實的駕駛條件下的排放，可以在各種駕駛條件和路況下使用，為監管機構提供了一個在實際路況下檢查車輛排放的方法。本研究中的 PEMS排放測試，主要是對比分析實際道路行駛工況和發動機參數

232、數據計算的碳排放量和 PEMS試驗所測得的碳排放量，來驗證利用實際道路行駛工況和發動機參數數據計算模擬 CO2排放量的可行性，具體的技術路線圖如圖 7-1 所示。為了確保實際道路行駛工況和發動機參數數據的準確性和有效性，本研究選取了 5輛重型貨車進行 PEMS試驗，表 7-1 為 5輛重型貨車的具體信息。完成 PEMS試驗后，導出試驗時間段范圍內的實際道路行駛工況和發動機參數數據。對比分析通過實際道路行駛工況和發動機參數數據計算得到的碳排放數據與 PEMS試驗的實際測量的碳排放數據，驗證實際道路行駛工況和發動機參數數據的可靠性和準確性。此驗證旨在確保實際道路行駛工況和發動機參數系統能為用戶提供

233、精確、可靠的車輛排放信息。130圖圖 7-1 PEMS 測試技術路線測試技術路線表表 7-1 PEMS 測試所選車輛信息測試所選車輛信息樣車編號樣車編號S01S02S03S04S05制造年月2021年 7月2021年11 月2021 年 8月2021年 3月2021 年 9月整備質量（kg）788011280900080208500最大允許總質量（kg）1800025000180001800018000發動機額定功率（kw/rpm）180/2300199/2300180/2300172/2200191/2300發動機排量（L）6.2346.2346.2345.1326.2PEMS測試的數據格式

234、如圖 7-2 所示，數據表包含了 GPS、海拔、速度和排氣測量等相關的參數。該表的列包括時間戳(TimeStamp)：記錄的采集日期和時間；GPS海拔(GPSAltitude)：基于 GPS 數據的海拔；GPS緯度(GPSLatitude)：緯度坐標；GPS經度(GPSLongitude)：經度坐標；GPS 速度(GPSSpeed)：車輛的速度；排氣體積流率 1(ExhaustVolumeFlowRate_1)：顯示排氣體積流速；尾氣中一氧化碳濃度(Tailpipe_CO_Conc)：尾氣中的一氧化碳濃度。尾氣中二氧化碳濃度(Tailpipe_CO2_Conc)：尾氣中的二氧化碳濃度。131圖

235、圖 7-2 PEMS 數據格式示例數據格式示例為了準確計算汽車尾氣中的碳排放量，需要考慮各種因素，結合給定的公式和表格進行操作。碳排放量計算的核心公式為=,?,其中,為氣體 i 的摩爾體積；,為氣體 i 的濃度，以 ppm 為單位；,為每種氣體的排放流量，以 kg/s 為單位；f為采樣頻率。利用公式,=/(,1000)可以得到,，和,分別表示氣體組分的摩爾質量和氣體 i排氣瞬時的摩爾質量，單位均為 g/mol。氣體的密度可以通過公式=/22.414 計算得到。結合表格中提供的各種汽車燃料（如汽油、CNG、柴油、T柴油和 LPG）的相關參數，可以準確計算出每種燃料燃燒時產生的碳排放量。例如，對于

236、柴油，其相應的 NOx、CO、HC 等的密度值和排放參數都已列在表中，結合前述公式，可以得到柴油燃燒時的碳排放?？傊?，結合公式和表格數據，可以對不同汽車燃料的碳排放進行詳細的計算和分析，為汽車尾氣排放的控制和管理提供科學的依據。具體的引用數據表 7-2 所示。132表表 7-2 原始排氣的原始排氣的 u 值和排氣密度值和排氣密度通過實際道路行駛工況和發動機參數來計算排放則較為簡單，利用瞬時燃料流量即油耗轉化為碳排放數據，公式為 CO2(g/s)=發動機燃油流量(L/h)*燃油密度(kg/m3)/3600*柴油中碳質量比/排放污染物中二氧化碳比值?？紤]到油品的不同，柴油在 20時的密度為 832

237、.8kg/m，該數據對于確定車輛消耗的燃料質量和進一步計算碳排放至關重要。柴油的組成也很重要，柴油中的碳質量比是0.866。當燃料燃燒時，碳與空氣中的氧結合，形成 CO，導致溫室氣體排放。再考慮到排放的污染物，某種污染物與總污染物的比例值得關注，對于 CO，其在排放污染物中的比值為 0.273。結合上述數據，可以對車輛的二氧化碳排放進行更為精確地評估。為了準確估算碳排放量，首先要獲知油耗數據，油耗以L/h 為單位，再利用上述換算系數和公式，計算車輛的 CO排放量，以 g/s 為單位。1337.1.2驗證結果驗證結果此次 PEMS試驗測試時間范圍較短，5輛車的實際道路行駛工況和發動機參數數據連續

238、性較好。圖 7-3 所示為 5輛車清洗前后的實際道路參數數據量的分布，其中 S01和 S02 的數據量較少，車輛 S01 清洗前的數據量為 1997 條，清洗后降至 1826條；車輛 S02的數據量從 2452條降至 1926 條；車輛 S03-S05 的運行時間較長，清洗后的數據量均在 7000條以上。圖圖 7-3 PEMS 試驗車輛的實際道路行駛工況和發動機參數數據量試驗車輛的實際道路行駛工況和發動機參數數據量對比 5輛重型貨車，使用實際道路行駛工況和發動機參數和 PEMS試驗 2種數據得到的 CO2排放量，結果如圖 7-4 所示。比較分析發現，使用實際道路行駛工況和發動機參數數據與 PE

239、MS數據在計算 CO2排放量時存在一定的差異。車輛 S01、S02、S03 和 S04，實際道路行駛工況和發動機參數數據計算的 CO2排放量和 PEMS數據測試結果差別很小，而車輛 S05 通過 2種測試方法得到的結果偏差在 20%以上，可能是因為車輛 S05 的行駛工況多是高速行駛，且速度波動較大。雖然實際道路行駛工況和發動機參數與 PEMS試驗兩種數據收集方法在某些工況下可能存在一定差異，但兩者都能夠提供有關 CO2排放量的信息，PEMS測試驗證了實際道路行駛工況和發動機參數數據在連續性較好的情況下的準確性。134圖圖 7-4 實際道路行駛工況和發動機參數和實際道路行駛工況和發動機參數和

240、PEMS 數據計算得到的數據計算得到的 CO2排放量對比排放量對比圖 7-5 可以看出車輛 S01和 S05 的速度變化情況。車輛 S01 的速度變化圖顯示，車輛的實際道路行駛工況和發動機參數記錄的速度數據與 PEMS的 GPS速度數據相對較為接近，波動幅度也相對較小。較好的數據后效果驗證了實際道路行駛工況和發動機參數數據和 PEMS數據的準確性與一致性。而車輛 S05在高速工況下測得的速度變化圖表現出較大的數據差異與波動，特別是某些時間段內，實際道路行駛工況和發動機參數記錄的速度與 GPS速度出現了明顯偏差。數據的不穩定性可能源于高速工況下各種外部因素的干擾，如路況、車流等。綜上，在不同的測

241、試工況下，車輛的實際道路行駛工況和發動機參數數據與 PEMS數據的一致性與穩定性會有所差異，但使用貨車實際道路行駛工況和發動機參數數據來計算重型貨車的油耗和碳排放量是合理可行的。135圖圖 7-5 實際道路行駛工況和發動機參數和實際道路行駛工況和發動機參數和 PEMS 數據測得的速度對比數據測得的速度對比7.2實車油耗對比驗證實車油耗對比驗證本節主要分析比較 100輛實車記錄數據與實際道路行駛工況和發動機參數數據，以驗證使用實際道路行駛工況和發動機參數數據中的參數來計算重型貨車的油耗和碳排放量的合理性和準確性。1367.2.1驗證方法驗證方法（1）選取 100輛重型貨車選取貨車的城市包括北京、

242、成都、唐山和包頭 4個城市。貨車類型包括牽引汽車、載貨汽車和自卸汽車，其中自卸汽車 37輛，載貨汽車 24輛，牽引汽車 39 輛。由于少量司機在實際記錄中存在失誤，最后納入計算的車輛如圖 7-6所示，共有 94輛，其中自卸汽車 37輛，載貨汽車 18 輛，牽引汽車 39輛。篩選的車輛型號和市場保留量等詳細數據如表 7-3 所示，但因為完全匹配困難較大，因此篩選時對車型做了部分調整。關于貨車所承載的貨類，以唐山為例，貨車中有 60%運輸大宗物料，包括鐵礦石、煤炭、沙石料、鐵粉、熟料、水泥等，32%的貨車運輸化纖、廢鋼、玻璃、鐵板、鋼鐵等產品，8%的貨車運輸散貨。表表 7-3 實車型號篩選標準實車

243、型號篩選標準車輛車輛型號型號銷量銷量車輛類型車輛類型車型 012.78%牽引汽車車型 021.90%牽引汽車車型 031.37%牽引汽車車型 041.30%牽引汽車車型 050.83%載貨汽車車型 060.26%載貨汽車車型 070.19%載貨汽車車型 080.12%載貨汽車車型 090.11%載貨汽車車型 100.11%載貨汽車137圖圖 7-6 納入實車驗證的車型及數量納入實車驗證的車型及數量（2）收集司機記錄車輛加油數據和行駛里程數據并進行清洗。收集司機記錄的車輛行駛 4月、5月和 6 月三個月內的加油數據和行駛里程數據，記錄的信息主要包括加油時間、加油量、加油小票、當前里程數、坐標以及

244、地址信息。獲取車輛的 VIN 碼和油箱容積數據（油箱容積主要為 350L、400L、600L、800L和 1100L），進行清洗及計算。原始數據共 3332條，刪去缺失值、重復值和異常值，剩余數據 1160條，占原始數據比例 34.82%。數據按照手機號（車牌號）及記錄時間排序，進行數據分析。如果在同一個司機記錄的數據中，當前加油時間與上一次加油時間間隔超過 3天，則認為中間可能存在未被記錄的加油情況，為避免漏記帶來的油耗計算誤差，對數據進行篩選，138只保留時間間隔不超過 3天的加油數據。最終得到包括 48位司機記錄的 243 條數據，約占剩余數據比例的 20.9%。（3）根據油箱液位和發動

245、機燃料流量數據計算油耗為準確計算實際道路行駛工況和發動機參數記錄的油耗，選取油箱液位和發動機燃料流量兩個參數分別計算，并綜合判斷。在 2次加油間隔期間，貨車油箱在第 1次加油時會產生從最低液位突增到最高液位的變化，經過行駛油箱液位逐漸降低，到第 2次加油時，又會產生從最低液位突增到最高液位的變化。根據司機記錄的加油時間，在實際道路行駛工況和發動機參數數據中尋找對應的油箱液位變化時間段，如圖 7-7 所示。圖圖 7-7 某個加油時間段內貨車油箱液位變化某個加油時間段內貨車油箱液位變化第一次加油后最高油箱液位至下一次加油前最低油箱液位之間的油箱變化量即為本次行駛所消耗的油量，每次加油時油箱從最低液

246、位突增到最高液位的變化量即為本次加油量，與司機記錄的加油量相對應。計算公式如下：=,%=,%其中 FC()為利用油箱液位所計算的實際道路行駛工況和發動機參數油耗，單位為 L；L(max,t1)為上一次加油后最高油箱液位（%）；L(min,t2)為本次加油前最低油箱液位（%）；V為當前貨車的油箱容積，單位為 L。加加139發動機燃料流量是指單位時間內通過進氣道進入發動機燃燒室的燃氣量，單位為 L/s。采集逐秒數據，將兩次加油期間每秒消耗的發動機燃氣流量求和即為本次行駛所消耗的油量，與用油箱液位計算的耗油量相對應。計算公式如下：=?/其中 FC*()為利用發動機燃料流量計算的油耗，單位為 L；F

247、為發動機燃料流量，單位為 L/s。t1 為上次加油的時間，t2為本次加油的時間。司機記錄的加油時間存在延遲，一般延遲時間在 20min內，個別數據延遲超過 2h，經過計算確認由時間延遲產生的誤差對結果沒有影響。以上對數據的清洗篩選及計算均使用 Python 進行。7.2.2驗證結果驗證結果分別利用油箱液位和發動機燃料流量計算得到油耗。參與計算的包括 30位司機所記錄的 152條數據，均來自成都、唐山、包頭 3個城市（北京地區的司機由于清洗全部被篩掉），其中唐山和包頭的司機占比較多（圖 7-8）。計算最終得到了 152個由實際道路行駛工況和發動機參數計算得到的加油量數據，108 條由油箱液位和發

248、動機燃料流量計算得到的油耗數據。圖圖 7-8 納入結果計算的司機所屬地區及分布情況納入結果計算的司機所屬地區及分布情況表 7-4 和圖 7-9 為某一司機（VIN 碼：LRDS6PEB5PR*）的計算結果。結果顯示，該司機利用實際道路行駛工況和發動機參數計算的加油量數據與司140機記錄加油量較為吻合，由油箱液位和發動機燃料流量計算得到的油耗數據也較為吻合，結果較好。表表 7-4 LRDS6PEB5PR*貨車計算結果示例貨車計算結果示例圖圖 7-9 計算結果示例（計算結果示例（VIN 碼：碼：LRDS6PEB5PR*）圖 7-10 為另一司機（VIN 碼：LZZ1CLVB9LW*）的計算結果，結

249、果顯示，利用實際道路行駛工況和發動機參數數據計算的加油量與司機記錄的加油量差別較大，利用油箱液位和燃料流量計算得到的油耗的差別也較大。由于實際道路行駛工況和發動機參數數據存在某些時間段的缺失，發動機燃料流量求和計算得到的數據很可能小于利用油箱液位所計算的油耗，結果與規律較為吻合，但對于油耗計算的差異，還需要進一步擬合觀察。141圖圖 7-10 計算結果示例（計算結果示例（VIN 碼：碼：LZZ1CLVB9LW*）7.2.3結果分析結果分析圖 7-11為加油時發動機油箱液位變化量和司機記錄加油量的擬合曲線，R2結果為 0.2688，擬合結果較差。但單個司機的擬合結果較好，例如 VIN 碼為LRD

250、S6PEB5PR*的司機R2為 0.9295，VIN 碼為 LFWSRUSJ0NA*的司機 R2為 0.7583。142圖圖 7-11 實際道路行駛工況和發動機參數數據油箱液位變化和司機記錄加油量擬合曲實際道路行駛工況和發動機參數數據油箱液位變化和司機記錄加油量擬合曲線線圖 7-12 為利用油箱液位和燃料流量計算的油耗擬合曲線，R2結果 0.3821，擬合結果也較差。與加油量一樣，單個司機的擬合結果較好。圖圖 7-12 實際道路行駛工況和發動機參數數據油箱液位變化和燃料流量的擬合曲線實際道路行駛工況和發動機參數數據油箱液位變化和燃料流量的擬合曲線圖 7-13 選取了一些司機的計算結果，司機記錄

251、加油量與實際道路行駛工況和發動機參數數據計算加油量較為貼近，但油箱液位計算油耗量與燃料流量計算油耗量差異非常明顯。整體上，不同司機的差異較大，因此算法的合理性和準確性應該針對每個司機進行具體分析，而所有司機擬合效果較差。排除樣本量過少的司機數據，分析每一位司機的擬合效果，如表 7-5 所示，可以發現在成都和唐山地區使用實際道路行駛工況和發動機參數數據中的參數來計算重型貨車的油耗比較合理和準確，R2大部分在 0.70.9 左右，但在包頭地區加油量曲線擬合度 R2擬合效果較差，說明使用實際道路行駛工況和發動機參數數據中的參數來計算重型貨車的油耗比較合理和準確，但存在地區差異。第四列為通過司機記錄的

252、加油量與行駛里程計算得到的油耗值(L/100km)，整體來看，成都和唐山車輛的油耗值偏小，而包頭的油耗值偏大。數據中不可避免地會存在司機錯記、漏記的情況，以及實際道路行駛工況和發動機參數數據可能會存在缺失，難以進行有效的排查，但在誤差允許范圍內，該結果可以接受。143圖圖 7-13 不同司機實車驗證計算結果不同司機實車驗證計算結果表表 7-5 不同司機實車驗證擬合結果不同司機實車驗證擬合結果VIN 碼碼地區地區加油量曲線擬合度加油量曲線擬合度油耗值油耗值(L/100KM)LFWSRXSJXMA*成都0.773145.39LRDS6PEB5PR*唐山0.920538.45LFWSRUSJ0NA*

253、唐山0.758336.03LZGJL4Y41MX*唐山0.000320.78LZZ1CLVB9LW*唐山0.980637.18LRDS6PEB2NT*唐山0.59411.05LRDS6PEB2NT*唐山0.191911.48LZFF31T63MD*包頭0.081764.41LZFF31T64MD*包頭0.001659.37LZFF31T65MD*包頭0.229558.48LZFF31T60MD*包頭0.026764.41LZZ8BXNF3MC*包頭0.0092注：一些司機的樣本量過小，不適合進行擬合，因此表中只對數據大于 5條以上的司機進行了擬合。144圖圖 7-14某司機某司機(LZZ1CL

254、VB9LW*)加油量與油箱液位變動對應油量圖加油量與油箱液位變動對應油量圖圖圖 7-15某司機某司機(LZGJL4Y41MX*)加油量與油箱液位變動對應油量圖加油量與油箱液位變動對應油量圖對比分析圖 7-14 和圖 7-15，可以發現部分司機記錄的加油量和實際情況較為符合，而部分司機記錄的數據和實際發動機油箱液位的變化情況差距較大，因此整體來說相關系數較低，車輛間的數據質量差異較大。根據上述可以確定的分析結果，使用實際道路行駛工況和發動機參數數據中的參數計算重型貨車的油耗比較合理和準確。但由于司機記錄過程中的不可控因素存在以及實際道路行駛工況和發動機參數數據本身存在的問題，建議進一步加大樣本量

255、進行計算，綜合判斷。同時可以進一步優化算法根據實車數據計算發動機油耗。1457.3本章小結本章小結本章通過 PEMS試驗和實車驗證方法進行了碳排放因子驗證。PEMS試驗測試了 5輛重型貨車，并對比分析重型貨車實際道路行駛工況和發動機參數數據計算的碳排放量和 PEMS試驗測得的碳排放量。PEMS作為一種實時監控系統，印證了由貨車實際運行工況和發動機參數數據計算得到的二氧化碳的排放數據是可靠的，使用該參數數據來計算重型貨車的油耗和碳排放量是合理可行的。實車驗證是分析比較 100輛實車記錄數據與實際道路行駛工況和發動機參數數據，比較的參數包括燃料流量和油箱液位。該驗證結果與司機是否按規則記錄相關。結

256、果表明按照規定記錄的司機，其加油量與實際道路行駛工況和發動機參數數據計算加油量較為貼近，但油箱液位計算油耗量與燃料流量計算油耗量差異非常明顯。綜上所述，碳排放因子驗證結果不僅驗證了當前車輛制造技術的進步和節能優勢，還表明在實際運行中，許多車型能夠有效控制油耗，確保環境可持續性。同時也有少數車型的油耗超過限值標準，應提醒相關部門和制造商對特定車型進行進一步的研究和改進。本章為驗證貨車實際運行工況和發動機參數數據是否可用于油耗分析和排放監測提供了一個深入、全面的視角，不僅對現有的研究方法和技術進行了驗證，還為未來的研究和實踐提供了啟示。146第第 8 章章碳排放因子數據庫碳排放因子數據庫8.1碳排

257、放系數計算碳排放系數計算當探討車輛的燃油排放對環境的影響時，碳排放系數的計算變得尤為重要。車輛的碳排放不僅與其驅動方式和使用的燃料種類有關，還與燃料的碳含量以及完全燃燒后產生的 CO2量有關。柴油作為車輛的常用燃料，對環境的影響越來越受到關注。為了更好地理解柴油燃燒后的碳排放，其碳排放系數必須被進行精確地計算。表 8-1 為燃油碳排放的計算參數表。柴油主要由碳和氫組成，其燃燒會產生 CO。為了計算柴油燃燒后的 CO2排放量，首先需要知道柴油的密度和其所含的能量。根據提供的數據，柴油的密度為 0.83 kg/L，這意味著 1L柴油的質量為 0.83kg。進一步地，柴油的下熱值為 42652 kJ

258、/kg，這意味著每公斤柴油燃燒時可以釋放 42652 kJ的能量。而1TJ 的能量會產生 20.2 噸碳排放，而 1TJ=1109KJ。為了將其從升轉換為噸CO，還需要使用 44/12 的轉換系數。因此，使用這個轉換系數，可以計算每升柴油燃燒產生的二氧化碳量。即排放系數=(0.83 kg/L 1L 42652 kJ/kg 98%20.2 tC/TJ/109)44/12=0.002569605 tC/L，這意味著每燃燒 1升柴油會產生約 0.002569605噸的二氧化碳排放。綜上所述，計算柴油的碳排放系數是一個涉及多個變量和步驟的過程。為了得到準確的結果，項目組必須考慮燃料的碳含量、燃燒時產生

259、的二氧化碳量以及其他相關因素。通過這些計算可以更好地了解車輛柴油排放對環境的真實影響，從而采取適當的措施來降低其對環境的影響。147表表 8-1 燃油碳排放的計算參數表燃油碳排放的計算參數表8.2數據庫數據庫表 8-2 為不同類型車輛、總質量區間、使用場景、負載、百公里油耗及碳排放因子的數據。車輛類型對于百公里油耗和碳排放因子具有顯著影響。觀察數據可以明顯看出，牽引汽車、自卸汽車與載貨汽車在相似的總質量區間和使用場景下，油耗和碳排放的數據均存在差異。其中，自卸汽車在多數重量區間內的碳排放因子普遍高于載貨汽車，而牽引汽車則在某些重量區間內超過自卸汽車。車輛的總質量區間也會影響油耗與碳排放，在相同

260、的車輛類型和使用場景下，隨著總質量的增加，百公里油耗和碳排放因子均呈上升趨勢。例如，從數據中可以看出，隨著質量的上升，在各種場景下載貨汽車的油耗都相應地有所增高。使用場景是另一個關鍵因素。無論是牽引汽車、自卸汽車還是載貨汽車，高速和國道的使用場景下，油耗和碳排放因子通常較低。這可能與高速和國道上車輛能夠維持穩定的行駛速度，減少頻繁加速和減速的情況有關。相比之下，建成區的使用場景由于需要應對更多的停啟、轉彎和變速，因此油耗和碳排放因子普遍較高。此外，車輛的負載狀況也對油耗和碳排放有明顯影響?？蛰d和有負載的情況下，油耗和碳排放因子存在差異。有負載情況下，由于車輛需要消耗更多的能量來移動更重的負載，

261、因此油耗和碳排放因子均高于空載情況?？偨Y來說，車輛類型、總質量區間、使用場景和負載狀況都是影響油耗和碳排148放的重要因素。在制定相關政策和規范時，應綜合考慮這些因素，制定針對性的措施，以實現更高效、環保的車輛運輸系統。進一步的研究可以深入探討這些因素之間的相互作用，為未來的技術創新和政策制定提供更為準確的指導。表表 8-2 多場景下重型貨車碳排放因子數據庫多場景下重型貨車碳排放因子數據庫車輛類型車輛類型總質量區間總質量區間使用場景使用場景負載負載油耗油耗(L/100km)碳排放因子碳排放因子(g/km)載貨汽車(12-16t國道空載16.71429有負載20.17518(16-20t空載17

262、.69455有負載18.57477(20-25t空載21.09542有負載23.90614(25-31t空載23.11594空載16.71429(12-16t省道空載16.64428有負載16.80432(16-20t空載17.29444有負載18.86485(20-25t空載20.99539有負載23.92615(25-31t空載23.95616有負載26.65685(12-16t高速空載16.18416有負載17.61452(16-20t空載16.59426有負載17.92460(20-25t空載19.73507有負載22.50578(25-31t空載22.79586有負載26.05669

263、(12-16t建成區空載17.88459有負載18.34471149(16-20t空載18.79483有負載20.82535(20-25t空載21.75559有負載24.92640(25-31t空載26.29676有負載29.26752牽引汽車(46-49t國道空載31.34805有負載39.631018(46-49t省道空載31.18801有負載39.561017(46-49t高速空載31.30804有負載38.22982(46-49t建成區空載30.57786有負載38.69994自卸汽車(12-16t國道空載19.82509有負載23.76611(16-20t空載22.38575有負載2

264、6.61684(20-25t空載32.30830有負載32.78842(25-31t空載48.411244有負載62.511606(12-16t省道空載22.67583有負載25.51656(16-20t空載19.74507有負載23.98616(20-25t空載30.64787有負載32.39832(25-31t空載45.811177有負載51.601326(12-16t高速空載21.17544有負載28.75739(16-20t空載19.51501150有負載19.95513(20-25t空載26.86690有負載29.04746(25-31t空載42.041080有負載44.361140

265、(12-16t建成區空載20.16518有負載22.75585(16-20t空載22.04566有負載26.67685(20-25t空載37.50964有負載38.51990(25-31t空載48.381243有負載53.711380151第第 9 章章項目成果、結論和建議項目成果、結論和建議9.1項目成果項目成果9.1.1建立一套對重型貨車實際道路行駛工況和發動機參數大數建立一套對重型貨車實際道路行駛工況和發動機參數大數據質量分析和數據清理的方法據質量分析和數據清理的方法本研究對重型貨車實際道路行駛工況和發動機參數大數據執行了一系列詳盡而嚴格的質量分析、采樣以及數據清理工作，旨在提升數據集的

266、準確性和可靠性，從而為后續的分析和決策提供堅實的數據支持。在數據處理方面，考慮到原始數據的龐大和復雜性，團隊采取了一系列高效的數據清理和預處理方法。這包括對異常值的檢測和剔除、數據的平滑處理和缺失值的填補等。通過這些處理步驟，確保了數據的質量，為確保模擬計算的準確性打下了堅實基礎。數據集涵蓋了 10059輛車輛和高達 365.8億條的數據記錄。首先識別并移除了運行數據不足一天車輛，該步驟對剔除短暫且可能導致分析偏差的數據至關重要。緊接著，依據預先設定的數據過濾條件，進行了深入的數據清洗工作。為確保剩余數據的質量，項目組還對數據集中的關鍵列，執行了缺失值篩選，清除了包含空白值的記錄。最終清洗后數

267、據量占原始數據的 82.9%。在動態與靜態數據整合方面，團隊運用了先進的數據融合技術，實現了來自不同源的數據的有效整合。這不僅增強了數據的完整性，也提升了數據的應用價值。在此基礎上，運用瞬態數據加總和積分等方法，對車輛的能效和污染物排放進行了精確計算?？傮w來說，該方法學的建立對實際道路數據進行了質量分析、采樣和數據清理在數據質量保障方面發揮了關鍵作用，確保了數據分析的準確性和后續決策的有效性。通過一系列嚴格的數據清洗和質量控制流程，為車輛數據分析和運行特性研究提供了可靠的數據源。這不僅體現了數據清洗在數據科學項目中152的重要性，也為后續類似項目提供了操作范例和經驗教訓。9.1.2構建重型貨車

268、在實際道路運行的微觀工況數據庫構建重型貨車在實際道路運行的微觀工況數據庫同時，為了構建實際道路運行工況，本項目對 8160輛重型貨車的行駛數據進行了微觀切分。共計處理了約 270億條數據，占到了分析數據總量的 89.1%。項目采用了卡爾曼濾波算法對貨車的行駛數據進行深度處理。在卡爾曼濾波處理的基礎上，將每輛貨車的行駛數據進行了分段處理，記錄了每個數據段的起始時間、持續時間、起始速度、加速度、累計油耗和該段的平均功率等關鍵信息。這樣的處理不僅大大減少了數據的噪聲，還提高了數據的準確性和可用性，為后續的分析和可視化提供了堅實的基礎。為確保分析的準確性，項目組設定了嚴格的篩選標準，將加速度超過2m/

269、s2的數據段視為異常數據并予以排除。這種策略有效地降低了異常數據對分析結果的影響，保證了結果的準確性和可靠性。最終實現的異常數據率非常低：載貨汽車 0.96%、自卸汽車 0.11%和牽引汽車 0.31%。通過上述的數據處理和異常數據篩選，能夠更準確地識別出實際道路上的微觀行駛工況。項目將車輛的車速和加速度數據結合起來，創造了一個二維的工作空間，這樣不僅能展示單一變量的分布，還能展現兩者之間復雜且富有洞見的關系。進一步將這個空間劃分為任意維度的網格后，能夠詳細觀察到每個工況區間內的數據分布情況。通過這種細粒度的劃分，結果揭示了特定車型在不同工況下的性能分布，從而提供了更豐富、更具深度的數據視圖。

270、在計算了在不同速度和加速度條件下的平均油耗后，并將這些數據以顏色的形式呈現在工況分布圖上，從而為用戶提供了一種直觀且易于理解的方式來查看貨車在各種行駛條件下的燃油效率。通過一系列的可視化手段，如顏色編碼、網格線和自然對數轉換，增強了數據的可讀性和可解釋性。顏色編碼能夠快速識別出高頻和低頻的工況，網格線提供了清晰的參考標準，而自然對數轉換則進一步放大了數據分布的差異，使得即使是在低頻區域，細微的變化也能被輕易地捕捉到。1539.1.3建立重型貨車多維度的碳排放因子數據庫建立重型貨車多維度的碳排放因子數據庫本項目為了對多場景下貨車的油耗進行細致地計算，考慮了道路屬性和負載因素對油耗的影響。通過分析

271、不同時間間隔對油耗計算的影響，確定 10分鐘為最優的數據采樣間隔。該時間間隔在保持計算準確性的同時，防止了數據丟失，確保了對貨車行駛狀況的全面覆蓋，共計獲得 202.9萬個里程段的數據。在進行數據清洗時，引入了“時間密度”這一變量，并設定標準值為 0.9，以確保數據的完整性和質量。在此標準下，時間密度大于 0.9的里程段占分段后里程段的 77.3%。為增強油耗計算的準確性，項目還引入了車速積分和里程差比值作為評估數據完整性和準確性的指標，并通過篩選排除了一些可能引起油耗異常高的特殊工況段。最終，項目比較和分析了兩種油耗量計算方法，一種是基于整體噴油量總加和總行駛里程，另一種則是單獨計算每一段的

272、油耗并取平均值?？紤]到計算的全面性和代表性，選擇了第一種方法進行油耗計算。之后，為了深入了解不同類型車輛在各類道路條件和負載狀態下的油耗特性，本項目對廣泛的行駛數據進行了細致地分析和計算，進而形成了區分道路屬性和負載的多場景油耗的綜合評估。具體來看，在高速公路上的行駛數據中，牽引汽車(46-49t的空載和有負載狀態下的油耗差異尤為顯著，表明在高速行駛條件下，負載狀態對于油耗的影響不容忽視。這一現象在牽引汽車上尤為明顯，可能是由于其在不同負載狀態下，車輛動力系統的工作效率和空氣阻力等因素發生變化所致。在國道和省道的運行條件下，數據也顯示出類似的趨勢，其中自卸汽車(25-31t的有負載與空載油耗差

273、值明顯，再次驗證了負載狀態對油耗的重要影響。在建成區的行駛條件下，不同類型的車輛均表現出了負載狀態對油耗有顯著影響的特點。牽引汽車在有負載和空載狀態下的油耗差異最為顯著，表明即使在城市行駛的復雜路況下，負載狀態仍然是影響油耗的關鍵因素。通過對多場景下車輛油耗的綜合分析，不僅揭示了負載狀態和道路類型對油耗的直接影響，而且為車輛的能耗管理和優化提供了數據支持和理論依據。為了進一步提高分析的準確性和可靠性，未來的工作可以考慮引入更多的車輛類型和運行條件，以及更細粒度的數據，以期得到更為全面和深入的認識。154基于上述方法，本研究成功構建了一個綜合性、多場景、分類型的重型貨車排放因子數據庫。此數據庫涉

274、及了牽引汽車、自卸汽車和載貨汽車這三大主要類別，并在這三類車型中進一步細分了不同的載重范圍。此外，為了確保數據的廣泛適用性，還針對國道、省道、高速以及建成區等關鍵行駛場景進行了詳細地考察。每個特定場景下，都收集并分析了車輛在空載和有負載兩種狀態下的百公里油耗和碳排放數據。這樣的細致分類不僅使得數據庫具有很高的實用性和參考價值，而且也為相關部門、研究機構和企業提供了一個在實際應用中評估和制定策略時所必需的強大工具。此數據庫的建立旨在推動對重型貨車碳排放的科學認知，為環境保護和交通行業的可持續性提供科學依據。期望通過這樣的研究，能進一步推動相關部門和企業在未來的決策中更加重視碳排放控制，從而為打造

275、更加環保的交通系統作出貢獻。1559.2項目結論項目結論（1）運用重型貨車實際道路行駛工況和發動機參數數據計算重）運用重型貨車實際道路行駛工況和發動機參數數據計算重型貨車的碳排放方法可行、數據可靠。型貨車的碳排放方法可行、數據可靠。通過與 PEMS試驗結果和實車試驗結果，本項目基于噴油量累積計算的油耗數據具有很高的數據準確性。同時車輛的累積里程數據也具有較高的數據精度和數據質量。本項目采用的方法對百公里油耗的模擬和計算具有較高的數據精度。隨著國六標準的持續實施，重型貨車實際道路行駛工況和發動機參數數據將會包括大部分實際運行車輛的數據，具有較好的代表性。這將為我們國家下一步油耗標準制定提供高質量

276、、低成本的工況和真實油耗數據。本項目采用的方法可支撐道路交通領域碳排放核算的相關需求。目前的道路交通，尤其是機動車碳排放核算中，多采用車隊或組織的油耗數據進行核算。其缺點是無法掌握具體車輛的能耗數據，因此無法提出有針對性的減碳措施。本研究探索的模型算法，可以分場景，分區域，分道路等級，并針對劃定區域進行車輛油耗和里程的精確核算，可為單車，車隊，運營商，制造商以及劃定的區域（省、市政府）等提供符合其需求的高顆粒的碳排放核算基礎數據。綜上所述，重型貨車實際道路行駛工況和發動機參數數據因其準確性和可靠性，未來將會成為支撐碳排放核算及油耗標準制定的重要數據源，可在相關標準和核算規則制定過程中將其納入。

277、（2）重型柴油貨車（重型柴油貨車（12 噸）實際行駛工況的油耗范圍約噸）實際行駛工況的油耗范圍約在在19-56L/100km。自卸汽車。自卸汽車(20-31t較同等總質量其他貨車的油耗值較較同等總質量其他貨車的油耗值較高。高。本研究將行駛段的條件設置為：活動范圍大于 5km2且時速大于 5km/h的全部里程段，并納入短怠速時段的油耗（時間少于 3分鐘的怠速段）。通過分析，重型貨車在行駛工況的油耗范圍約在 19-56L/100km。且同一類型車輛的油耗隨著總質量的增加而增加，與實際情況相符。自卸汽車(20-25t和自卸汽車(25-31t156的油耗值相對較高。自卸汽車(20-25t 的里程段油耗

278、值主要集中分布在 25-40L/100km，自卸汽車(25-31t的里程段油耗值主要集中分布在 35-60L/100km。車輛除了行駛狀態以外，還有大量場區內原地做功的狀態，本研究中用噴油量與時間的比值來表達原地做功的油耗。整體來看，自卸汽車(20-25t 和自卸汽車(25-31t的怠速油耗值較大，這可能是由于其本身的實際工作狀態導致的。自卸汽車本身需要長時間地原地卸貨，利用重力將貨物從車廂中傾倒出來，這可能會導致其發動機一直在工作，進而使得其怠速油耗較高。另外，牽引汽車(46-49t的怠速油耗也較高，這可能是其本身質量較大所導致的。（3）專項作業車在不同工況（作業專項作業車在不同工況（作業/

279、行駛）下的油耗差異較大，行駛）下的油耗差異較大，不同類型的專項作業車在作業狀態下的油耗有明顯差異。不同類型的專項作業車在作業狀態下的油耗有明顯差異。本研究設定如果里程段的里程差小于 2km且時速小于 10km/h，則認為該車在該里程段內是停留在某個區域的原地做功狀態，不屬于上述情況的里程段則認為是行駛狀態。分析發現，專項作業車作業狀態的油耗要遠遠大于行駛狀態的油耗。其中，隨車起重運輸車原地做功的油耗與行駛狀態的油耗差距最大，為 97L/100km；車廂可卸式垃圾車的差距也達到了 66L/100km。另外，不同類別專項作業車的原地做功油耗值差異也較大，原地做功油耗值的分布范圍在 40-135L/

280、100km。目前，重型商用車輛燃料消耗量標準和排放標準中均未考慮單獨的專項作業車的油耗標準限值和 CO2排放限值。面對專項作業車原地做功時的高油耗和CO2高排放的表現，還需要擴展研究的深度和廣度，為重型貨車下一階段排放標準中專項作業車 CO2排放標準的制訂提供技術和數據支持。9.3項目建議項目建議1、建議在下一階段排放標準中，納入使用重型貨車實際道路行駛工況和發動機參數數據測算重型貨車（包括專項作業車）的溫室氣體排放量，為標準制定提供的技術支持。2、將本項目成果盡快建立重型貨車溫室氣體排放（不包括專項作業車）的157清單模型，為建立交通領域統一規范的碳排放統計核算體系和構建完善碳監測評估技術方法體系提供重型貨車碳排放的數據支撐。3、進一步研究駕駛特征（比如：行駛區域、貨運通道、溫度和海拔等因素）對油耗的影響，為企業提供細分市場的車型開發相關建議。4、深入研究重型專項作業車的油耗表現，擴大重型專項作業車的樣本數據量和類別，利用重型貨車實際道路行駛工況和發動機參數數據研究重型專項作業車不同工況下的油耗，為下一階段排放標準中重型專項作業車的溫室氣體排放標準制定提供數據支持。