唐山市机动车排放清单与减排经济效益研究

基于唐山市机动车定期环保检测数据获取不同类型车辆的本地年均行驶里程,建立城区内典型车辆的"里程-注册年"特征曲线.采用车载排放测试法获取唐山市典型国Ⅵ阶段轻重型汽车实际道路排放因子.利用COPERT模型进行机动车排放因子本地化修正,建立涵盖不同排放阶段和燃料动力类型的唐山市机动车排放清单,结合唐山市路网信息,建立基于ArcGIS的3km×3km高时空分辨率网格化排放清单,并分析了国三及以下中重型柴油车（简称高排放车）不同淘汰与DPF排放治理比例情景下机动车减排与投入成本效益.研究表明,2020年机动车CO,HC,NOx,PM_2.5,PM₁₀年排放量分别为92403.51,10034.53,70568.35,2036.51,2160.65t,其中：NO_x,PM_2.5和PM₁₀排放主要来源于柴油车,分担率分别为92%,89%和89%;CO和HC排放主要来自汽油车,分担率分别为71%和73%.唐山市实施二环内国Ⅳ及以下柴油货车限行区政策后,二环内CO和HC年排放量削减率分别为22.41%和21.68%;而NO_x,PM₁₀和PM_2.5污染物排放强度显著降低,年排放量削减率分别为78.60%,84.85%和84.79%.在高排放车淘汰与治理情景下,随着高排放车淘汰比例的增长,投入成本和NO_x年均减排量呈线性上升趋势,且NOx减排效果更加显著,而PM减排辆略呈下降趋势.高排放车淘汰率每增长10%,NO_x年均减排量增加892.41t,PM年均减排量减少7.56t,年投入成本增加1.13亿元.     

乌鲁木齐市机动车排放清单研究

近年来随着乌鲁木齐市机动车数量的快速增加,致使机动车排放污染突出. 通过调查乌鲁木齐市2007年机动车的保有情况及技术水平分布,研究了各类型机动车的排放因子以及年均行驶里程,并测算了该市2007年机动车污染物排放总量、分区排放量及各类型机动车的分担率. 结果表明:2007年在乌鲁木齐市注册的各类型机动车排放的CO总量为11.09×104 t,HC总量为1.53×104 t,NO_x总量为2.73×104 t,PM总量为0.38×104 t;其中CO和HC排放主要集中在城区,NO_x和PM排放主要集中在外埠;在城区的机动车排放中,CO和HC排放以轻型载客汽车为主,NO_x排放以中重型公交车为主,PM排放以中、重型载货汽车为主.      

2015年海南省火电行业大气环境影响研究

基于火电企业在线监测数据、环境统计数据、排污许可及火电排放清单等，分析各统计口径下的海南火电大气污染物排放量差异，并基于在线监测数据分析海南省火电排放时间变化规律.分别设置现状、排污许可及超低排放3种情景，采用CALPUFF模型分析3种情景下火电厂对海南大气环境的影响.结果显示，不同统计口径下火电厂各污染物排放量差异较大，最大差值可达到5.65倍；在时间维度上，海南省火电行业污染物排放量月际分布较平稳，每月污染物排放量约占全年的7%~10%，24h变化呈现明显“两峰两谷”特征.在大气环境影响方面，火电企业大气SO₂、NO_x、PM_2.5、PM₁₀浓度分布总体呈现西部高东部低的趋势.现状情景下火电企业对各城市年均浓度影响范围为SO₂ 0.001~0.015μg/m³、NO_x 0~0.01μg/m³、PM₁₀ 0.001~0.006μg/m³、PM_2.5 0~0.003μg/m³，最高浓度基本出现在东方市、临高县.火电厂对大气环境的影响程度为许可情景>现状情景>超低情景，执行排污许可时火电厂排放PM₁₀和NO_x对各城市均值年均浓度较现状情景分别增加50%和38%；全面实施超低排放后，火电厂对大气环境影响有明显改善，SO₂和PM_2.5对各城市均值年均浓度较现状情景分别降低57%和69%.     

重型天然气车实际道路排放特征与机理研究

为掌握重型天然气车在实际道路行驶过程中的排放特性,使用便携式车载排放测试系统(PEMS)对2辆国Ⅴ重型天然气车(简称“国Ⅴ车辆”)和2辆国Ⅵ重型天然气车(简称“国Ⅵ车辆”)进行实际道路排放测试,分析了CO和NO_x的排放特征和不同工况下的排放因子. 结果表明:①国Ⅴ车辆在3种代表性道路类型(市区路、市郊路、高速路)下CO和NO_x的高排放区主要分布在中低速区域的加速阶段,而国Ⅵ车辆CO和NO_x的高排放区在市区和市郊路上主要集中在速度大于30 km/h区间,在高速路两种污染物的高排放区分布较为零散. ②根据MOVES模型划分机动车比功率区间(VSP Bin)后发现,国Ⅵ车辆在Bin 11~Bin 18区间,CO和NO_x排放速率基本稳定且处于较低水平;在Bin 21~Bin 28区间,CO和NO_x排放速率均随VSP的增加而逐渐升高. ③国Ⅴ车辆综合工况下CO和NO_x排放因子分别为国Ⅵ车辆的1.1~3.9和3.3~8.2倍,其中,在市区路分别为3.0~25.0和11.3~30.2倍. ④国Ⅴ车辆的NO₂/NO_x(浓度比,下同)远高于国Ⅵ车辆,且在高速路国Ⅴ和国Ⅵ车辆的NO₂/NO_x均最低. 此外,对比不同研究的测试结果发现,本研究国Ⅵ车辆的CO和NO_x排放因子高于其他研究中国Ⅵ重型柴油车. 研究显示,国Ⅵ车辆的CO和NO_x排放因子均低于国Ⅴ车辆,且在市区路下与国Ⅴ车辆差距更明显,因此,推广使用国Ⅵ天然气车,逐步淘汰采用稀薄燃烧技术的天然气车,能有效减少NO_x的排放.      

MOBILE6.2中车队特征和平均速度对机动车尾气排放的影响

分析了影响机动车尾气污染物排放的各种因素,对美国环保署推荐的MOBILE6.2模式进行了说明.分析研究了车队特征和平均速度对机动车排放的影响,为正确应用模式计算方法提供了理论依据.研究表明:机动车行驶里程对CO排放影响最明显;年均行驶里程随车龄的增加而减小,表明机动车的使用频率随车龄而减小,平均速度较慢或较快都显著影响机动车污染物的排放.     

2010年中国机动车CH4和N2O排放清单

中国大部分机动车温室气体排放研究都集中于CO₂排放,对于CH₄和N₂O等排放的研究鲜见. 以中国机动车污染防治年报(2011年)、中国汽车工业年鉴(2011年)、中国统计年鉴(2011年)以及交通运输部发布的相关信息和数据(2011年)等为基础,结合文献调研和2008─2010年对北京、广州等国内10余座典型城市的实地调查结果,获得2010年我国机动车活动水平及排放特征. 基于上述基础信息,解析得到按不同车型、燃料和车龄分布的机动车保有量、年均行驶里程及排放因子,建立2010年中国机动车CH₄和N₂O排放清单. 结果表明:2010年中国机动车CH₄和N₂O排放量分别为23.90×104和6.01×104t,折算成CO₂分别为501.99×104和1862.51×104t. 不确定性分析则显示,中国CH₄排放量在18.21×104～27.52×104t之间,N₂O排放量在4.32×104～7.62×104t之间. 在机动车中,汽车CH₄和N₂O排放量最大,分担率(某车型污染物排放量占机动车排放总量的比例)分别为77.99%和94.22%,而摩托车和农用车排放分担率较小. 在各类汽车中,CH₄排放主要来源于轻型汽油车和天然气出租车,二者的排放分担率分别为47.98%和23.42%;N₂O排放则主要源于轻型汽油车,其分担率为73.09%. 因此,轻型汽油车是削减机动车CH₄和N₂O排放的重点车型,同时天然气出租车也应作为控制CH₄排放的主要车型.      

谭裕沟隧道CO,SO2和NOx排放因子研究

通过1997年7月谭裕沟隧道内CO,SO₂和NO_x的连续分析,研究了其污染状况和特征,根据分析结果计算了机动车排放CO,SO₂和NO_x的平均排放因子.结果表明,机动车能排放出较高水平的CO和NO_x,在城市中CO和NO_x有相当大的部分来源于机动车排放,而SO₂的排放量则非常小.      

中国机动车行驶里程分布规律

机动车行驶里程是计算机动车尾气排放量的一个重要参数.对全国数百个地级及以上城市不同车龄的机动车(包括轻型客车、公交车、出租车和摩托车)行驶里程进行了调查.结果表明:除公交车外,其他机动车的累积行驶里程均随车龄而呈现对数递减性,即车龄越长机动车的累积行驶里程增加越慢,年使用率越小;某类型机动车车队的年均行驶里程与调查基准年的各车龄机动车的保有量相关;提出了轻型客车年行驶里程和车龄的经验公式,并得到2007年轻型客车的年均行驶里程为2.691×104km.     

大城市机动车污染物排放与控制的情景预测

机动车排放控制措施的有效实施对改善城市大气环境质量具有重要意义. 以北京市为例,利用情景预测法评估2011—2020年各项控制措施对城市机动车常规污染物(CO、NO_x、HC、PM₁₀)的削减效果.建立Gompertz模型并估算动态车龄分布以预测机动车保有量,运用排放因子法估算6种机动车排放控制情景的污染物削减量. 结果表明:与基准情景相比,轻型客车保有量调控情景对CO、HC和PM₁₀的削减效果较显著,在2020年可分别削减7.81%、9.88%和5.78%;排放标准更新情景对4种污染物均能有效削减,尤其是对NO_x和PM₁₀,可分别削减21.19%和24.67%;而淘汰高排放机动车情景的短期削减效果显著,但中、长期效果较差;新能源车推广情景因受到经济、技术条件的限制,削减效果较弱;综合情景考虑了以上所有的削减控制措施并达到最大的削减效果,2020年对CO、NO_x、HC和PM₁₀的削减率分别达到29.45%、42.54%、28.04%和41.30%,与基准年(2010年)相比,分别削减约2.81×105、0.63×104、3.77×104和0.17×104t.      

MOBILE6．2中车队特征和平均速度对机动车尾气排放的影响

分析了影响机动车尾气污染物排放的各种因素,对美国环保署推荐的MOBILE6．2模式进行了说明。分析研究了车队特征和平均速度对机动车排放的影响,为正确应用模式计算方法提供了理论依据。研究表明：机动车行驶里程对CO排放影响最明显;年均行驶里程随车龄的增加而减小,表明机动车的使用频率随车龄而减小,平均速度较慢或较快都显著影响机动车污染物的排放。     

机动车排放污染的速度-加速度耦合影响分析

利用OBS-2200车载测试系统,分别在高峰期、平峰期和低峰期的天津市典型路段进行了车载测试,并获得了碳氢化合物(HC)、一氧化碳(CO)和氮氧化物(NOx)等车辆排放的污染物的逐秒数据.结果显示在这3个时段内,车辆的加速度大都集中在-1.5~1.5m/s2,速度大都集中在0~70km/h,并且HC、CO和NOx的最高排放率为0.0673、0.706和0.0178g/s,都集中在高速(速度(v)>30km/h, 加速度(a)>0.5m/s2)工况范围内.通过拟合发现,HC、CO和NOx的排放率与比功率(Vehicle Specific Power,简称VSP)之间的拟合决定系数分别为0.71、0.86和0.85,相关性较高,说明VSP可以作为评价车辆排放率的一个重要参考性指标.     

基于车辆身份检测数据的车辆出行排放知识图谱研究

为实现个体车辆出行、排放行为的精细表征与挖掘,基于宣城市中心城区全量个体车辆的出行轨迹、技术参数、排放轨迹等多维交通大数据,以表征个体车辆出行过程的排放信息为主线,设计并构建车辆出行排放知识图谱.研究表明：①知识图谱直观地表征了“车辆-道路-出行-排放”信息的时空关联,可实现个体车辆在不同日期、不同时段、不同路段等多尺度出行特征的精细挖掘.以某辆小型客车为例,检索发现周一、周三出行主要连接的小时实体都为7：00、8：00和17：00,周五、非工作日出行连接的小时实体具有明显的随机性;周一、周三出行所连接的道路实体较少且基本一致,在宣水路、昭亭北路、昭亭南路的出行里程之和占比为63%~68%,周五、非工作日出行连接的道路实体则较为分散.②通过出行信息类、排放信息类实体的关联检索,可实现个体车辆出行排放时空特征的精细辨识和溯源分析.示例车辆的检索结果表明：周一车辆的CO日排放量为1.2g,是周六的2.5倍,同时在早高峰时段（7：00）,车辆出行在交通繁忙路段时,伴随低水平车速,排放强度相对较高.     

基于情景分析的北京市机动车污染排放控制研究

为了研究未来北京市机动车排放控制措施的减排效果,本文基于情景分析法,以2010年为基准年,通过设置3类控制措施情景,估算2011~2020年不同情景下北京市机动车常规污染物排放量,并在基准情景基础上,估算污染物减排量,分析控制措施对不同类型机动车的减排贡献.结果表明,尽管未来北京市机动车保有量会有较大增长,实施机动车排放控制措施仍可取得显著的减排效果.单一措施中,淘汰高排放车减排量最大.其中,淘汰轻型客车可有效减少CO的排放,减排贡献率为89.4%;淘汰重型客车可对NOx、HC和PM10达到有效削减,其贡献率分别为65.5%、55.8%、93.4%.实施新的排放标准对重型柴油车的排放也有明显控制效果,且4种污染物都能得到有效削减.综合实施各种措施的效果最为显著,2020年对CO、NOx、HC、PM10的削减效果分别达到46.4%、42.1%、8.6%和50.6%.     

区县尺度机动车高分辨率排放清单建立方法及应用

提出了一种基于现场调查和卫片解译建立区县尺度机动车行驶里程(VKT)数据库和尾气排放高分辨率排放清单的方法,以北京市通州区为例进行了应用和排放特征分析.分别使用登记注册车辆信息(保有量方法)和实际车流量信息(车流量方法)计算出VKT和对应的各污染物排放量.结果表明,基于保有量方法计算得到的行驶里程比基于车流量方法的结果低约37%,应用实际车流量的计算方法与实际状况更接近.基于保有量的方法低估了小型载客汽车、大型载客汽车和中型载货汽车的行驶里程,高估了轻型载货汽车、重型载货汽车、低速载货汽车和摩托车的行驶里程.基于保有量的计算方法低估了小客车的尾气污染物排放量,低估比例约为51%.对于大客车、轻型载货汽车和中型载货汽车,2种方法计算的排放量差别较小.基于保有量的计算方法高估了重型载货汽车、低速载货汽车和摩托车的排放量的尾气排放量,高估比例分别约为41%、30%、30%.     

Variation of spatio-temporal distribution of on-road vehicle emissions based on real-time RFID data

High-resolution vehicular emissions inventories are important for managing vehicular pollution and improving urban air quality. This study developed a vehicular emission inventory with high spatio-temporal resolution in the main urban area of Chongqing, based on real-time traffic data from 820 RFID detectors covering 454 roads, and the differences in spatio-temporal emission characteristics between inner and outer districts were analysed. The result showed that the daily vehicular emission intensities of CO, hydrocarbons, PM_2.5, PM₁₀, and NOx were 30.24, 3.83, 0.18, 0.20, and 8.65 kg/km per day, respectively, in the study area during 2018. The pollutants emission intensities in inner district were higher than those in outer district. Light passenger cars (LPCs) were the main contributors of all-day CO emissions in the inner and outer districts, from which the contributors of NOx emissions were different. Diesel and natural gas buses were major contributors of daytime NOx emissions in inner districts, accounting for 40.40%, but buses and heavy duty trucks (HDTs) were major contributors in outer districts. At nighttime, due to the lifting of truck restrictions and suspension of buses, HDTs become the main NOx contributor in both inner and outer districts, and its three NOx emission peak hours were found, which are different to the peak hours of total NOx emission by all vehicles. Unlike most other cities, bridges and connecting channels are always emission hotspots due to long-time traffic congestion. This knowledge will help fully understand vehicular emissions characteristics and is useful for policymakers to design precise prevention and control measures.     

On-road pollutant emission and fuel consumption characteristics of buses in Beijing

On-road emission and fuel consumption (FC) levels for Euro III and IV buses fueled on diesel and compressed natural gas (CNG) were compared, and emission and FC characteristics of buses were analyzed based on approximately 28,700 groups of instantaneous data obtained in Beijing using a portable emissions measurement system (PEMS). The experimental results revealed that NOx and PM emissions from CNG buses were decreased by 72.0% and 82.3% respectively, compared with Euro IV diesel buses. Similarly, these emissions were reduced by 75.2% and 96.3% respectively, compared with Euro III diesel buses. In addition, CO2, CO, HC, NOx, PM emissions and FC of Euro IV diesel buses were reduced by 26.4%, 75.2%, 73.6%, 11.4%, 79.1%, and 26.0%, respectively, relative to Euro III diesel buses. The CO2, CO, HC, NOx, PM emissions and FC factors all decreased with bus speed increased, while increased as bus acceleration increased. At the same time, the emission/FC rates as well as the emission/FC factors exhibited a strong positive correlation with the vehicle specific power (VSP). They all were the lowest when VSP < 0, and then rapidly increased as VSP increased. Furthermore, both the emission/FC rates and emission/FC factors were the highest at accelerations, higher at cruise speeds, and the lowest at decelerations for non-idling buses. These results can provide a base reference to further estimate bus emission and FC inventories in Beijing.     

Real-world vehicle emission factors in Chinese metropolis city--Beijing

The dynamometer tests with different driving cycles and the real-world tests are presented. Results indicated the pollutants emission factors and fuel consumption factor with ECE15 EUDC driving cycle usually take the lowest value and with real wodd driving cycle occur the highest value, and different driving cycles will lead to significantly different vehicle emission factors with the same vehicle. Relative to the ECE15 EUDC driving cycle, the increasing rate of pollutant emission factors of CO, NOx and HC are - 0.42--2.99, - 0.32--0.81 and - 0.11--11 with FTP75 testing, 0.11--1.29, - 0.77--0.64 and 0.47--10.50 with Beijing 1997 testing and 0.25--1.83, 0.09--0.75 and - 0.58--1.50 with real wodd testing. Compared to the carburetor vehicles, the retrofit and MPI TWC vehicles‘ pollution emission factors decrease with different degree. The retrofit vehicle (Santana) will reduce 4.44%--58.44% CO, - 4.95%--36.79% NOx, -32.32%--33.89% HC, and -9.39%--14.29% fuel consumption, and especially that the MPI TWC vehicle will decrease CO by 82.48%--91.76%, NOx by 44.87%--92.79%, HC by 90.00%--93.89% and fuel consumption by 5.44%--10.55%. Vehicles can cause pollution at a very high rate when operated in high power modes; however, they may not often operate in these high power modes. In analyzing vehicle emissions, it describes the fraction of time that vehicles operate in various power modes. In Beijing, vehicles spend 90% of their operation in low power modes or decelerating.     

基于路网车流量的北京城市副中心机动车污染控制情景

应用基于路网车流信息的情景分析方法,对北京城市副中心地区依据不同控制情景,以2015年为基准年建立机动车尾气排放清单.通过计算未来年路网车流信息和各情景下实际路网机动车污染物的排放清单,预测2020年和2025年的污染物排放变化.结果表明,未来10年北京城市副中心路网密度和机动车行驶里程持续增长,与基准情景相比,各控制情景对污染物排放量均有削减,新能源车推广情景对各污染物减排效果显著,且对NOx和PM的减排效果更好.外埠车限行情景对各污染物减排效果均较为显著,淘汰高排放车措施在短时间内削减效果显著,但长期削减效果较弱.综合情景对污染物的削减率达到最佳,机动车污染物CO、NOx、HC和PM排放量分别下降39.0%、58.7%、49.2%和55.5%.     

杭州市区机动车污染物排放特征及分担率

选取杭州市区绕城高速、快速路、主干道和民用支路4种典型道路进行工况测试,建立了2010年机动车CO、HC、NOx和PM10排放清单,获得了分车型、燃料类型、排放标准以及道路类型的机动车污染物排放分担率.结果表明,杭州市机动车的污染物排放分担率差别显著,乘用车、出租车和公交车是CO和HC排放的主要来源,重型货车和公交车是NOx和PM10排放的主要来源,且乘用车的NOx排放分担率也较大;柴油车的NOx和PM10的排放分担率远大于其保有量的贡献率,是其排放的主要来源,汽油车是CO和HC排放的主要来源;占保有量30%的国0和国I车辆,对CO、HC、NOx和PM10排放分担率分别为67%、69%、58%和82%;主干道是机动车CO、HC和NOx排放的主要来源,其排放分担率分别为66%、65%和64%,民用支路是PM10排放的主要来源,分担率为55%.     

基于车辆身份检测数据的单车排放轨迹研究

为实现单车层面的动态排放轨迹追踪,基于电警式卡口产生的逐秒过车记录数据建立了车辆排放轨迹计算方法,通过提取动态轨迹中的运行参数及机动车保有量数据库中的技术参数,并结合排放模型计算了2018年5月10日~6月9日安徽宣城市中心城区123条路段上共133,906辆车的44,672,343条轨迹的排放数据.研究结果显示,出租车是CO的重要排放来源且交通兴趣点附近路段排放强度较高;公交车和重型货车是NO_x的重要排放来源,公交车工作日NO_x排放总量达1.3kg,约为重型货车的7.5倍,且路线固定、排放分布随发车班次周期循环;轻型货车排放路线多围绕货运需求且多为昼间行驶,而重型货车多选择凌晨出行;通勤类私家车工作日昼出夜归,路线固定且往返过程各污染物排放量均较稳定.对于全路网,CO、VOCs的高排放强度区域多集中于中心路网,NO_x、PM则多分布于外围路网.