第一作者：苏隽岩

通讯作者：陈名华教授

通讯单位：香港中文大学（深圳）数据科学学院、香港城市大学数据科学系（暂休）

原文链接：https://www.nature.com/articles/s41467-025-64792-2

全文速览

重型卡车电气化对于交通运输脱碳至关重要。但要充分发挥其潜力，就必须最小化其运输途中的碳足迹。这项复杂的优化任务涉及路径、速度和充电策略规划，传统方法难以应用在大规模路网上。本研究创新性地提出了“阶段扩展图”方法，有效简化了问题复杂度并揭示了其固有结构，从而能将问题分解为更易解决的子问题，实现了路径与充电决策的高效协同。基于这一新颖框架，我们设计出了一套高效且具有性能保证的算法。通过利用美国高速公路网络的真实数据进行模拟仿真，我们发现该方法在电气化实现36%减碳的基础上，额外带来了25%的减少，使总减碳量达到了61%。此外，我们的碳优化策略适用于各种重卡类型，并且能够比单独推广零排放重卡提前9年实现同等减碳量。这无疑将极大加速交通运输领域的脱碳进程，为全球应对气候变化提供了一个可实施且强有力的解决方案。

背景介绍

气候变化已成为全球面临的最严峻挑战，而人为温室气体排放正是其主要驱动力。要实现将全球升温控制在1.5摄氏度以内的目标，各主要行业协同减排刻不容缓。在美国，交通板块已成为最大的温室气体排放源，贡献了全国二氧化碳总排放的37%。值得警惕的是，尽管长途重型卡车仅占道路车辆总数的0.4%，却产生了交通运输碳排放的11%，这意味着长途重卡的脱碳对气候变化缓解具有举足轻重的影响。

电动卡车被视为重型卡车领域实现脱碳的关键一步。电动重卡不仅能带来更佳的驾驶体验并消除尾气排放，更重要的是它具备显著的碳减排潜力。然而仅靠电动化并不能充分发挥电动重卡的减碳潜力。现有电动重卡普遍采用“最快路径”和“电量低即充电”的传统运营模式，未能充分考虑能耗效率和电网碳强度（每度电对应的碳排放，见图1）。这意味着，如果运营不当，电动重卡的实际减碳潜力将大打折扣，甚至可能比燃油重卡多耗碳。 我们的研究表明，这种非智能运营模式可能低估电动重卡25%的减碳潜力！

因此，如何通过智能化的路径、速度和充电策略，在满足运输时效的同时，最大化电动重卡的减碳效益，成为当前亟待解决的关键问题。这正是我们研究的出发点，旨在为电动重卡行业提供一条真正绿色、高效的智能运营之路。

图1. 美国电网碳强度(kg/kWh)在时空上的分布。

问题和方法简述

我们考虑一辆电动长途重卡行驶在高速公路网络中进行运输任务。任务要求卡车从起始点o出发，在截止时间T内抵达指定终点d。在此过程中，卡车电池电量必须全程保持为正。我们的核心目标是规划一条完整的运输策略，包括路径选择、速度分布和充电决策，以最小化整个行程中电力消耗所产生的碳足迹（重卡消耗电量对应的碳排放）。

这一优化任务因涉及多重耦合决策变量（路径、速度、充电）和严格的物理（电量）及时间约束，使得传统优化算法难以在大规模问题上高效求解。针对这一挑战，我们提出了一种创新的“阶段增广图”（Stage-Expanded Graph）方法来系统性地解决此复杂问题。该方法基于以下核心观察：电动卡车在一次长途运输中通常只进行有限次的充电（例如3-4次），且在两次充电之间（即一个“阶段”内），其运行行为可以简化为仅考虑能耗最小化，而无需进行充电规划。

基于此观察，我们构建了一个“阶段增广图”（示例参见图2）。该图通过将原始道路网络复制N+1次（其中N为最大允许充电次数）来表示旅程的不同阶段。在每个阶段内部，我们仅考虑卡车在不充电情况下的行驶行为；而充电过程则由连接不同阶段之间节点的虚拟边来表示。

通过这种巧妙的分解，原始的复杂问题被有效拆分为两个更易于处理的子问题：

1.阶段内的节能子问题：每个阶段内，卡车在不充电的情况下，如何在规定时间内达到下个阶段并使能耗最小。

2.阶段间的减碳充电子问题：在特定充电站，卡车决定是否充电以及充多少电，以优化整体碳足迹。

这种结构化的分解显著降低了问题的复杂度，使我们能够有效协调路径、速度与充电决策。相较于传统的增广图方法，我们的阶段增广图在图规模上仅有适度的增长（N+1倍于原图），但在捕捉问题结构、简化优化难度方面展现出显著优势。在此基础上，我们将问题进一步建模为广义受限最短路径问题（Generalized Restricted Shortest Path, GRSP），并设计了一种高效且具有性能保证的对偶算法进行求解。该算法不仅保证了收敛性，并且每次迭代都具有多项式复杂度。同时，我们还构建了一个获得最优解的充分条件，并在该条件不满足时，提供了算法所得解质量的后验界。除了良好的理论特性，我们的算法在模拟实验中也展示出强大的实际性能，使我们能够利用真实数据充分评估电动重卡脱碳的全部潜力。

图2. 全程共N=2次充电的电动重卡运输任务的阶段增广图。图中点b、c、e代表原始运输网络中的充电站。红色路径表示电动重卡从起点o¹到终点d³的一个可行驾驶方案。构建的阶段增广图包含N+1=3个阶段。在第一个阶段，电动重卡从o¹行驶到b¹，耗时t¹，随后在b¹等待t_w¹时间，并充电t_c²时间。后续阶段包含类似的行驶、等待和充电序列。虚线箭头表示连接连续阶段的虚拟边，它们代表了潜在的充电决策。

仿真结果解析

为了评估重卡电气化的脱碳潜力以及碳优化策略所带来的效益，我们基于真实数据，在美国高速公路网络上进行了仿真实验。构建的交通网络包含84,504个节点和178,238条边。我们对来自Freight Analysis Framework的长途始发-目的组合进行了仿真。我们将长途始发-目的组合分为四个距离类别：500-1000英里、1000-1500英里、1500-2000英里和2000+英里。然后，我们从每个组中根据货运价值选择前100对组合，最终得到总计400对始发-目的组合。有关模拟设置的更多详细信息，请参见原文。

重卡电动化可显著减低碳足迹

我们首先评估重卡电气化的脱碳潜力。在下文中，我们使用以当前实践驾驶策略（即以最快卡车速度沿最快路径行驶）运行的燃油重卡作为基准。然后，我们将燃油重卡与模仿当前实践（表示为“实践”PRACTICE）下运行的电动重卡进行比较，该电动重卡也以最高卡车速度沿最快路径行驶，并在电池电量低于某个阈值时进行充电。对于每个始发-目的组合，我们计算了电动重卡相对于燃油重卡的归一化碳足迹，并将结果呈现于图3中。我们发现在“实践”基准下，四个距离类别中电动重卡的平均归一化碳足迹分别为0.69、0.61、0.59和0.59。

这些数字，结合长途重型卡车不同距离类别的碳排放份额估算值（图3b），表明电动重卡与传统燃油重卡相比，平均可以实现36%的减碳。此数字展现了重卡电气化不俗的脱碳潜力。然而，由于效率低下的运营，这种潜力仍未得到充分发掘。归一化碳足迹在不同的始发-目的组合之间差异很大，这揭示了可优化的空间。与此同时，不当的运营实际上可能导致电动重卡产生比燃油重卡更高的碳足迹（详细见原文补充材料第5.2小节）。这种低下运营效率凸显了优化运营对于发挥电动重卡脱碳潜力的重要性，我们将在以下分析中详细阐述。

图3. 不同驾驶策略下归一化的碳足迹，以及不同距离类别下的碳排放份额。

碳足迹优化策略可充分发挥电动重卡的脱碳潜力

接下来，我们研究我们的碳足迹优化策略（表示为CARBON）如何充分发挥电动重卡的脱碳潜力。我们再次对不同始发-目的组合运行我们的方法，并将CARBON 的性能与 PRACTICE 基准进行比较。如图3所示，CARBON在四个距离类别中的平均归一化碳足迹分别为0.43、0.37、0.34和0.35，与燃油重卡相比，加权平均值为0.39。该结果表明，碳足迹优化策略在电气化减碳的基础上，又实现了额外25%的减碳。与燃油重卡相比，累计实现了61%的减碳。该累计减碳量相当于美国碳排放总量的2.4%，或大约相当于卡塔尔等国家的碳排放总量。此外，与 PRACTICE 基准相比，这种减碳在不同的始发-目的组合中更为一致，如图3所示，CARBON的归一化碳足迹在不同始发-目的组合标准差更小。

碳足迹优化策略将极大加速未来重卡行业脱碳进程

接下来，我们将利用美国Cambium数据集的碳强度预测数据，研究碳优化策略如何在未来重塑重卡脱碳路径。我们将重点关注三种电网脱碳情景：(i) 一切照旧 (Business-As-Usual, BAU)：假设当前政策和趋势的延续。(ii) 保守 (CONSERVATIVE)：假设未来可再生能源投资成本高昂；(iii) 乐观 (OPTIMISTIC)：假设到 2035 年实现电网全面脱碳目标。在下文中，所有减碳量均通过考虑图3b所示的不同距离类别的碳份额来计算。

图4. 电动重卡相对于燃油重卡的归一化碳足迹。我们比较了在不同电网脱碳情景（一切照旧（BAU）、保守预测（CONSERVATIVE）和乐观预测（OPTIMISTIC））下，碳足迹优化操作（CARBON）与常规实践操作（PRACTICE）的表现。

我们首先研究碳迹优化策略对单辆电动重卡的影响。如图4 显示，在 BAU 情景下，与 PRACTICE 基准相比，CARBON 到 2050 年可额外实现13%的减碳。在 CONSERVATIVE 情景下，这一额外碳减排量增加到17%。即使在 OPTIMISTIC 情景下，我们的碳足迹优化策略仍然可以通过利用不同区域和时间的碳强度波动，比 PRACTICE 基准额外实现3%的减碳。

在此基础上，我们进一步评估了碳足迹优化策略对整个长途重卡运输行业的影响。我们研究了长途重卡的主要类型，包括燃油重卡、燃料电池电动重卡和电池电动重卡。我们采用了来自NREL的零排放车辆（ZEV）保有量预测数据，重点关注以下情景：(i) 正常 (NORMAL)：反映一组核心假设；(ii) 先进(ADVANCED)：充电基础设施成本较低；(iii) 受限 (CONSTRAINED)：ZEV 技术发展受限。我们适当调整了我们提出的算法，并将其应用于整个长途重卡领域；有关此类调整的详细描述可参见原文。

图5. 在不同零排放重卡（ZEV）推广情景下，2019年至2050年期间长途重卡的保有量份额和碳足迹总量。(a), (b), (c) 展示了在“受限（CONSTRAINED）、“常规”（NORMAL）和“先进”（ADVANCED）零排放汽车推广情景下，燃油重卡、电动重卡和燃料电池电动重卡的保有量份额。(d), (e), (f) 展示了主要类型长途重卡的行业总碳足迹。

我们的结果表明，碳足迹优化策略可极大加速未来重卡行业脱碳进程。如图5所示，通过对燃油重卡实施优化运营，我们预计在2026年即可实现显著的减碳，这一成果若仅依靠零排放车辆（ZEV）的普及，则需额外的9年方能达成。

更进一步地，碳足迹优化策略能够提前7年实现仅靠ZEV普及下于2050年达成的减碳目标。这一趋势在 ADVANCED ZEV情景下依然存在。于此同时，碳足迹优化策略随着时间的推移将持续为重卡运输业的脱碳做出贡献。从 2026 年到 2030 年，由于重卡数量的增长，总碳足迹量略有增加，但随后 ZEV 的普及与碳足迹优化策略相结合，使得重卡行业碳足迹急剧下降，到 2050 年碳减排量达到 62%。如图6所示，在2050年的减碳总量中，ZEV普及贡献了5%，碳优化策略贡献了31%，而电网脱碳贡献了26%。综合来看，与常见实践相比，从2026年到2050年，碳足迹优化策略累计额外减少了12亿吨二氧化碳排放。

图6. 相对于2019年的水平，2050年减碳的归因分析。碳足迹的增加是由于重卡数量的增长，而碳足迹的减少则分别归因于零排放车辆（ZEV）的采用、碳足迹优化策略以及电网脱碳。

总结与展望

本文深入探讨了如何通过碳足迹优化策略，充分发挥长途重型电动重卡的脱碳潜力。我们开创性地提出了一种基于阶段扩展图的建模方法，并开发了一种高效算法，该算法在理论和实践性能方面均表现出色。通过对真实数据进行广泛仿真，我们的研究结果表明，碳足迹优化策略能在纯电动化带来的36%减碳基础上，将电动重卡的碳足迹额外减少25%。综合来看，这种方式实现的累计61%减碳量，已与卡塔尔等国家的总碳足迹相当。我们的方法具有广泛适用性，可应用于包括燃油重卡和零排放车辆在内的各种重卡类型，从而使我们能够充分评估碳足迹优化策略对整个重卡运输行业的影响。于此同时，我们的前瞻性预测表明，碳足迹优化策略将极大推动长途重卡行业的脱碳进程，使其能够比单纯依靠ZEV重卡普及提前9年实现可观的减碳目标。这为未来重卡行业的脱碳路径提供了重要的启示，并预示了通过运营优化而非仅仅技术替代所能带来的巨大潜力。我们希望能以此为契机，推动行业内外对碳优化策略的关注和应用，共同迈向一个更绿色、更可持续的物流未来。

课题组介绍

陈名华教授在清华大学电子工程系获得工学学士和硕士学位，在加州大学伯克利分校电气工程与计算机科学系获得博士学位。他现任香港中文大学（深圳）数据科学学院校长讲席教授，并同时担任香港城市大学数据科学系教授（暂休）。陈教授课题组目前的研究方向涵盖在线算法和优化、机器学习以及在电力系统运行中的应用、智能交通、分布式优化、延迟关键网络技术。详细介绍见陈教授课题组主页：https://www.mhchen.com/

原文信息

Su, J., Lin, Q. & Chen, M. Optimizing carbon footprint in long-haul heavy-duty E-Truck transportation. Nat Commun 16, 9562 (2025).

https://doi.org/10.1038/s41467-025-64792-2