用于城市治理的电动汽车充电碳足迹时空量化分析

《Sustainable Cities and Society》:Spatiotemporal quantification of electric vehicle charging carbon footprint for urban governance

【字体: 大 中 小 】 时间:2026年07月26日 来源:Sustainable Cities and Society 13.3

编辑推荐:

  摘要 电动汽车的大规模普及是实现碳达峰与碳中和目标的关键路径。然而,电动汽车充电所产生的碳排放与城市交通网络之间的紧密关联,给城市治理带来了严峻挑战。本研究构建了一个闭环的时空分析框架,其创新之处在于各组成部分之间的有机结合:动态碳核算为空间计量经济分析提供依据,后者又为深度

  摘要
电动汽车的大规模普及是实现碳达峰与碳中和目标的关键路径。然而,电动汽车充电所产生的碳排放与城市交通网络之间的紧密关联,给城市治理带来了严峻挑战。本研究构建了一个闭环的时空分析框架,其创新之处在于各组成部分之间的有机结合:动态碳核算为空间计量经济分析提供依据,后者又为深度学习驱动的排放预测提供输入,最终通过基于原始核算数据的碳意识定价优化器来实现精准调控。具体而言,该研究利用UrbanEV数据集,并结合分时用电及区域特定的碳排放因子,来估算不同交通区域内的电动汽车充电碳足迹。分析结果显示出显著的时空异质性,识别出了高排放热点区域和高峰时段,同时生成了时空热图,为城市交通调度提供数据支持。随后,研究采用地理加权回归方法,量化动态定价及基础设施因素对城市电动汽车碳排放的空间差异影响。接着,通过开发时空注意力网络,捕捉时空依赖关系,在六种对比模型中实现了16.3%至32.8%的均方误差降低,且在五次独立测试中均具有统计学显著性(p<0.001)。最后,通过将基于地理加权回归的空间分析结果与基于时空注意力网络的排放预测相结合,构建了一个具备碳意识定价优化功能的框架。模拟结果表明,该框架通过动态定价实现的时空负荷转移,可使每日碳排放减少0.54%(相当于3756千克二氧化碳/天,或约1371吨二氧化碳/年),同时在严格的能耗约束下仍能满足99.99%以上的充电需求。这一方法既为基础设施规划提供了科学依据,也为智能城市中的数据驱动型碳治理奠定了理论基础。

引言
应对气候变化亟需采取行动,而交通领域的电气化已成为全球碳中和战略的核心支柱。交通运输行业占据了全球能源相关二氧化碳排放量的近四分之一,且在许多地区仍是排放增长的主要驱动因素(IPCC,2023)。在此背景下,根据《巴黎协定》及更广泛的可持续发展目标,广泛推广电动汽车被视作实现道路运输脱碳的重要途径(Milojevic等人,2024)。然而,电动汽车的环境效益并非与其本身固有,而是取决于用于充电的电力本身的碳强度(Qian等人,2020;Staffell等人,2021)。这一依赖关系使得电动汽车充电的碳足迹从单纯的技术指标转变为连接交通电气化目标与能源转型现实的关键政策要素。

尽管电动汽车具有环境优势,但在城市系统层面却存在一个关键矛盾:电动汽车充电的碳足迹与城市交通网络的运行状况紧密相连,可能形成负面反馈循环(Xie等人,2025)。这一问题体现在两个方面:首先,充电设施的选址不当会加剧道路拥堵,从而提高传统车辆和电动汽车的排放量;其次,充电站分布不合理会导致使用效率失衡——部分站点过度拥挤,而其他站点则闲置。这类现象不仅增加了城市管理难度,还会进一步加剧交通拥堵,进而提升整体能源消耗和碳排放水平。

近年来,越来越多的研究致力于分析电动汽车充电的时空规律。通过多源数据,研究者们发现了充电需求的空间聚集性和时间峰值特征,并将其与城市功能区、通勤模式及建筑环境属性等要素联系起来(Wei等人,2023)。同时,像UrbanEV这样包含深圳275个交通区域六个月内每小时充电能耗及使用率数据的大型数据集的出现,也为区域充电需求的系统预测提供了可能(Li等人,2025)。不过,现有研究大多关注能源需求的数量层面,虽然能够准确判断充电发生的“时间和地点”,但往往将碳排放视为静态或次要因素,通常采用平均电网排放因子。这种静态方法无法反映电网碳强度的动态变化,更未能体现充电行为、交通状况与城市尺度上的碳足迹之间的复杂反馈关系。图1展示了UrbanEV数据集中1682个公共充电站和24,798个充电桩的空间分布情况。

尽管在电动汽车充电分析方面已取得一定进展,但仍存在三方面局限:首先,大多数研究更注重能源需求而非碳减排效果,使用的排放因子为静态值,未能考虑电网碳强度的时间变化;其次,现有方法将空间计量经济学与时间预测分开处理,无法捕捉城市网络中的空间溢出效应和动态依赖关系;最后,动态定价往往被视为一种负荷平衡手段,而非与排放预测及局部弹性分析相结合的碳减排工具。

为弥补这些缺陷,本研究提出了一种具备碳意识的时空分析框架,其创新点不在于单个组件的应用,也不在于各组件的简单组合,而在于它们之间的闭环耦合:碳足迹矩阵直接作为预测目标,而非后续转换结果;基于地理加权回归的空间计量经济学用于识别哪些区域对价格敏感,从而实现有针对性的定价策略;需求预测结果则输入定价优化器,其输出结果会再次与初始的碳核算数据进行比对验证。在该框架下,本研究实现了四项具体贡献:(1)在交通区域层面开展动态碳核算,纳入随时间变化的排放因子,并为分时电价系数设定明确的敏感性边界;(2)利用地理加权回归量化空间异质性,以评估各区域的 price响应程度,进而为区域层面的干预措施优先级提供依据;(3)通过时空注意力网络进行时空排放预测,该网络直接从数据中学习空间依赖关系,而非依赖预先设定的邻接矩阵,且在五次独立测试中均具有统计学显著性;(4)开发出具备碳意识定价优化功能的方法,能够在满足严格需求约束的前提下实现碳排放削减,同时还对弹性参数和调整假设进行了敏感性分析。总体而言,该框架推动了从被动监测向主动、数据驱动的碳治理模式的转变。

为确保全文表述一致,我们统一使用以下术语:碳足迹(Ci,t,单位为千克二氧化碳)指特定区域和时间内因充电活动产生的总二氧化碳当量排放量;碳强度(或排放强度)(EFt,单位为千克二氧化碳/千瓦时)指单位电能所产生的排放量,反映了时间t时电网的能源结构特征;碳意识治理指的是那些决策变量直接与时间维度上的碳强度信号相关联的管理措施,而不仅仅与需求或价格相关;所谓“主动预警”,是指预测模块能够生成6小时、12小时或24小时周期内的区域碳排放预测,从而提前识别可能出现的高碳排放时段,但并不具备实时警报功能。

本文其余结构如下:第二节回顾了有关电动汽车充电行为建模、碳足迹评估以及数据驱动型城市治理的相关研究;第三节详细介绍了研究方法,包括数据预处理、碳量核算、时空分析、预测建模及优化框架;第四节展示了关于时空异质性、驱动因素、模型性能、敏感性分析及治理模拟的实证结果;第五节探讨了该研究对城市治理和能源优化的政策启示;第六节总结了主要研究发现及未来研究方向。

相关研究
电动汽车出行方式与城市碳管理相结合,已成为可持续交通研究领域的重要课题。要全面理解这一领域,需要整合三个相互关联但往往独立的方面的研究成果:电动汽车充电行为的时空动态特性、电动汽车的全生命周期及运行阶段的碳足迹,以及数据驱动型城市治理机制的设计。本节将综述这三个方面的最新研究进展。

方法论
为克服静态排放因子的局限性以及城市电动汽车充电领域缺乏综合治理机制的问题,本研究提出了一套完整的“量化—分析—预测—治理”框架。如图2所示,这一四阶段闭环流程通过深度学习和数学优化技术,将多源时空数据逐步转化为可付诸实践的政策建议。

本研究的实证分析以中国深圳市为研究对象。

实验
为严格评估所提出的时空注意力网络框架的性能,我们在从深圳市收集的真实数据集上开展了大量实验。

讨论:政策与实践意义
上述实证结果对那些负责在城市中建设基础设施和制定收费标准的各方主体——即监管机构、电网运营商、充电站运营方以及城市规划人员——具有直接意义。本节将框架的定量分析结果转化为针对不同主体的具体建议,同时也会客观分析模拟结果与实际应用之间的差距。

结论
本研究设计并通过实证验证了一套全面的时空分析框架,可用于量化、预测并降低电动汽车充电带来的碳足迹,有效填补了静态环境评估与动态城市治理之间的空白。

作者贡献说明
王瑞平:撰写原始稿件、可视化分析、方法设计、概念构思。张美航:撰写原始稿件、结果验证、形式分析、数据整理。张林:参与稿件审阅与编辑、项目监督、方法设计、数据整理。

利益冲突声明
作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢
本研究得到了湖北师范大学人才培育计划的支持(项目编号YC2026122)。

王瑞平|张美航|张林
中国湖北省黄石市湖北师范大学人工智能与计算机科学学院,邮编435002
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号