智能交通调度对大城市车辆尾气排放的影响研究

智能交通调度对大城市车辆尾气排放具有重大影响,但是使用传统测算方式对其影响程度进行测算时存在较大误差,对智能交通调度对大城市车辆尾气排放的影响进行分析。计算车辆尾气排放量,根据影响计算的因素设计智能交通调度影响模型结构,计算智能交通调度对大城市车辆尾气排放的影响程度,实现智能交通调度影响模型的建立;分析智能交通调度影响模型的环境应用;设置实验论证其应用效果。智能交通调度影响模型具有极高可行性,使用这一模型测算智能交通调度对大城市车辆尾气排放影响更为准确,在交通高峰时段也能保证平稳测算,与传统测算方式相比能减少15%的误差。     

基于遗传算法的运行模式分布模型及排放测算

针对交通系统易于收集到的平均速度,以及排放模型计算所需的运行模式分布参数,建立基于平均速度的运行模式分布模型,并采用遗传算法对模型进行优化.对比所建立模型、MOVES模型中的行驶周期所获取数据与真实数据之间的排放结果差异,发现本模型有82.5%的区间平均排放率预测误差低于MOVES,本模型的最大误差为50.0%,而MOVES模型为304.2%.使用本模型评价了北京市限行前后污染物排放情况,发现限行后二环路高峰小时HC、CO、NO_x总体排放依次减少了9.58%、11.41%、0.49%.与真实值相比,预测值R²方高于0.700,预测误差大幅度低于MOVES模型预测误差,并实现对交通策略下路网排放的动态评价应用.     

北京市机动车尾气排放因子研究

通过调研北京市机动车车型构成、车辆行驶工况、环境温度、油品品质等基础数据,利用COPERTⅣ模型计算了机动车尾气中CO、NOx、HC和PM的排放因子.应用车载测试系统对典型轻型汽油客车和柴油货车的实际道路排放因子进行测量,并将测量结果与模型计算结果对比,结果发现国Ⅳ标准下,轻型汽油客车的CO排放因子的实测数据是模型数据的0.96倍,NOx的实测数据是模型数据的0.64倍,HC的实测数据是模型数据的4.89倍.对于国Ⅲ排放标准的柴油货车,轻型、中型和重型货车的CO排放因子,实测数据分别是模型数据的1.61、1.07和1.76倍,NOx排放因子的实测数据是模型数据的1.04、1.21和1.18倍,HC排放因子的实测数据是模型数据的3.75、1.84和1.47倍,PM排放因子则为模型数据是实测数据的1.31、3.42和6.42倍.     

重型柴油车实测排放因子和MOBILE6预测值的对比分析

利用车载尾气检测技术(PEMS)可以获得实时的机动车排放数据.笔者利用PEMS实测了重型柴油车的排放数据,在此基础上分析了CO、HC、NOx和PM的排放因子与速度、加速度的关系,同时使用MOBILE6模型,经过模型参数的校正,从而得到相应的预测排放因子,最终对排放因子的实测值、MOBILE6模型预测值以及欧Ⅱ的排放标准估测值进行了对比分析.     

天津市机动车尾气排放因子研究

通过调查研究天津市机动车车型构成、保有量、车辆行驶状况、气象数据和油品等基础数据,利用COPERT IV模型计算了在国1、国2、国3、国4和国5排放标准下机动车尾气中CO、NO_x、VOC和PM_(2.5)的排放因子.应用车载测试系统在实际道路上对国4柴油货车的排放因子进行了测量,并将模型结果与实测结果进行了比较,研究表明,国4排放标准下,污染物排放实测数据普遍高于模型模拟数据.对于轻型载货柴油车而言,实际道路测量的CO、NO_x、VOC和PM_(2.5)的排放因子分别是模型模拟数据的2.5、4.3、1.9和1.2倍;对于中型载货柴油车而言,以上污染物的实测排放因子分别是模型的1.3、2.1、1.0和1.2倍;对于重型载货柴油车而言,以上污染物的实测排放因子分别是模型的1.7、1.9、1.1和1.2倍.     

基于遥感尾气监测的柴油车气态污染物排放因子计算方法研究

采用遥感尾气测试系统实测了柴油车在实际道路工况下的CO、HC和NO排放特征,修正了排放因子的计算方法,并与车载排放测试系统（PEMS）实测结果进行了验证,获得了实测车辆的CO、HC和NO排放因子.测试结果显示,在各种遥感监测的工况下柴油车尾气中均含有较高浓度的氧气,未考虑氧气影响的燃烧方程反演获得的各污染物体积浓度计算值与PEMS实测值的偏差较大,且氧气浓度越大,偏差越大.经过氧气修正的燃烧方程反演计算的尾气浓度与PEMS实测值吻合度大幅提升,适用于实际工况下遥感检测车辆尾气的反演计算.修正算法得到CO、HC和NO的排放因子离散性较小,精确度较高,可以为量化柴油车尾气排放贡献提供科学依据.     

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.     

北京市机动车污染物排放特征

定量分析计算机动车污染物排放特征 ,对城市汽车污染控制决策具有重要意义 .在利用实测数据确定基本参数的基础上 ,用 MOBILE5模型计算了北京市机动车污染物排放因子 ,获得了城区和全市机动车污染物排放总量和排放分担率 ,并分析了不同车型车种在城市区域汽车污染中的贡献率 .结果表明 ,北京市城区 CO,HC和 NO_x 的排放总量中 ,汽车源排放分担率分别为 :78% ,83%和 46% .     

利用IVE模型进行公交车尾气排放分析

介绍了IVE尾气排放模型并与MOBILE模型进行了比较分析。使用GPS对上海市公交车多条运行线路进行了实时运行速度测量,得到上海公交车运行模式的BIN分布,对上海市CNG公交车和柴油公交车的尾气排放进行了模拟计算。结果表明使用CNG公交车代替柴油公交车后,NOX和PM的排放均有显著的降低,但采用不同技术的CNG公交车尾气排放仍有很大的差异,无催化转化和尾气再循环的CNG公交车的CO排放量远高于同类型柴油公交车的排放量。认为IVE模型的模拟结果具有较好的可靠性,其计算模式适用于我国机动车尾气排放清单分析的研究。     

运用CMEM模型计算北京市机动车排放因子

采用由美国加州大学Riverside分校开发的综合模式排放模型(CMEM)分析和研究北京市机动车污染物的排放特征,以9辆代表北京市典型技术类型的轻型机动车为实验车辆,收集了运行CMEM模型所需要的数据和参数.通过CMEM模型Access 2.02版本计算,得到了在不同交通行驶状况下北京市4类典型轻型机动车的CO2,CO,HC,NOx单车排放因子及各车型综合排放因子.通过与同一车辆的在路实测排放因子比较发现,用CMEM模型计算的CO,HC和NOx与实测排放因子及排放特征有较好的一致性,因此适用于计算北京市机动车CO,HC和NOx排放因子.      

基于实时交通信息的道路机动车动态排放清单模拟研究

以上海市为例开展了实际道路车流分布、行驶工况和车辆技术的实地调查,建立了道路车流、VSP分布和车辆技术数据库.在此基础上,基于实时的车流、车速等交通信息,构建了动态化的道路机动车污染物排放清单模拟方法,并开展了城区典型道路的机动车小时排放模拟案例研究.调查结果表明,上海市城区道路车流以轻型客车和出租车为主,分别占各时段车流总量的48%～72%和15%～43%;VSP分布与平均车速存在较好的规律,各车型VSP峰值随平均车速的上升向高负荷去移动,且峰值逐渐降低;当前上海市车辆以国2和国3车型为主,经过年检站调查结果的校正,国2和国3车型分别占各车型的11%～70%和17%～51%.模拟案例结果显示,道路机动车CO、VOC、NOx和PM日排放峰谷比可达3.7、4.6、9.6和19.8左右,CO和VOC排放主要来自轻型客车和出租车,与车流变化的相关性较好,而NOx和PM排放主要来自重型客车和公交车,且主要集中在早晚高峰时段.采用建立的动态排放模拟方法可实时反映实际道路的机动车排放变化,获取高排放路段和时段,为交通环境管理提供重要的技术手段和决策依据.     

我国轻型汽车污染物排放因子的测试研究

采用底盘测功机按ＥＣＥ－１５规程测试了我国１３辆（１２种）正在使用的轻型汽车的ＣＯ、ＨＣ和ＮＯｘ的排放量分别为８７．２５±５６．３１、１１．３６±５．１３和８．２０±６．６８ｇ／ｔｅｓｔ;在相同测试条件下,测试了其中１１种轻型车在不同车速匀速行驶时的ＣＯ、ＨＣ和ＮＯｘ排放因子．测试结果表明、轻型汽车污染物排放因子随车速的变化有良好的规律性．用统计方法拟合了轻型汽车污染物排放因子的车速变化系数的计算公式。当车速＜９０ｋｍ／ｈ时,轻型车ＣＯ、ＨＣ排放因子随车速的增加而减小,当车速＞９０ｋｍ／ｈ时,又略有增加,而ＮＯｘ排放因子随车速的增加而增大。     

乌鲁木齐市区机动车污染物排放特征研究

选择乌鲁木齐市125条道路调研测试得来的数据分析了乌鲁木齐市在用机动车的行驶分布的规律、污染物的排放特点和机动车道路的行驶特点。然后使用COPERT本地化模型计算CO、NMVOC、NOx和PM的排放因子,并计算了2012年CO、NMVOC、NOx和PM的排放量。通过估算得到2012年乌鲁木齐市机动车CO、NMVOC、NOx和PM的排放量分别为94 087,17 886,25 079,1 489 t。柴油机动车对NOx、PM的排放分担比率较大,而柴油机动车的保有量的贡献比率偏低;柴油汽车的CO、NMVOC的保有量的贡献比率跟它的排放分担率相比,贡献率要大;占保有量22.3%的国Ⅰ、国Ⅰ前标准的机动车辆对机动车CO、NMVOC、NOx、PM的排放分担比率分别为50.5%、41.0%、51.5%和55.0%;占保有量64.3%的国Ⅲ、和国Ⅳ车辆对CO、NMVOC、NOx和PM的贡献率分别为35.2%、42.7%、35.6%和33.9%。     

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ES-VSP分布的交通状态对公交车动态排放的影响

为评估不同交通状态下公交车运行特征和排放水平的差异,现场采集广州市B9、226线路公交车的逐秒GPS数据,以ES-VSP（发动机负荷-机动车比功率）分布表征畅通、轻度拥堵和中度拥堵下的公交车运行特征,结合IVE（international vehicle emission）模型求得公交车平均排放因子并分析其差异.结果表明:①所测公交车的发动机低负荷区中bin11（-1.6 < ES ≤ 3.1,-2.9 kW/t ≤ VSP < 1.2 kW/t）频率范围为50.55%~83.39%,中度拥堵时bin 11频率是畅通时的1.1~1.3倍;② 3种交通状态下公交车的CO、VOC（运行产生的挥发性有机物）、VOC_evap（蒸发产生的挥发性有机物）、NO_x（氮氧化物）和PM（颗粒物）平均排放因子范围分别为7.63~11.40、0.26~0.46、0.68~1.56、0.32~0.51和0.72×10-2~1.28×10-2 g/km;③同种交通状态下,主干路公交车专用道和BRT车道的公交车的大部分污染物平均排放因子低于次干路混行车道、主干路混行车道,中度拥堵时主干路BRT车道的CO、VOC、VOC_evap、NO_x和PM平均排放因子相对其他道路最低,分别为7.66、0.27、0.87、0.32和0.75×10-2 g/km;④次干路混行车道、主干路混行车道的公交车污染物平均排放因子随交通状态愈加拥堵而增大,但畅通时主干路BRT车道的公交车行驶速度、加速度较高,导致CO平均排放因子较高,对应3种交通状态其比例为1.0:0.9:0.8.研究显示,交通状态对公交车运行和排放具有显著影响.      

面向排放量化的低速区间机动车比功率分布特性与模型

随着排放建模方法从基于行驶周期和平均速度演变为基于VSP(Vehicle Specific Power)参数,利用VSP分布刻画交通状态成为最新的研究需求.近期研究中,针对城市快速路上大于20 km·h-1的速度区间建立了基于平均行程速度的VSP分布数学模型,却未对低速区间的VSP分布特征作深入研究.基于北京快速路大量逐秒浮动车数据,研究0～20 km·h-1的VSP分布与平均行程速度的关系.通过分析大量逐秒浮动数据的VSP分布与平均速度间关系,发现VSP分布与平均行程速度具有规律性:各VSP分布的峰值出现在VSP Bin=0处,且随速度的增加单调递减.因此,针对VSP分布的正、负区间以及VSP Bin=0处分别建立数学模型,并利用该模型进行机动车油耗/排放测算.对比分析油耗/排放的预测值和实测值得出,所建立的VSP分布模型可以有效用于机动车油耗/排放测算.     

阜新市机动车尾气污染物排放现状分析

文中对阜新市的机动车尾气监测结果进行了统计分析，结果表明，汽油机动车一氧化碳排放浓度平均值为1．2％，碳氢化合物排放浓度平均值为355．0ppm；汽油机动车尾气排放超标率为6．09％；不同车型的统计结采表明，一氧化碳和碳氢化合物排放浓度平均值；柴油机动车的烟气黑度平均值为3．87，柴油机动车尾气排放超标牢为24．11％，明显高于汽油机动车（6．09％）；柴油机动车不同车型的统计结果表明，烟气黑度平均值，轿车〈货车〈客车。排放尾气的烟气黑度超标率为轿车〈客车〈货车；相关分析结果表明，汽油机动车尾气中一氧化碳排放浓度与碳氢化合物排放浓度有极显著的正相关，轿车、客车、货车的相关系数分别为0．5518、0．4059、0．4714。     

基于浮动车数据分析交通状态对轻型车排放的影响

为探讨交通状态对道路轻型车运行工况和尾气排放的影响,收集广州市珠江新城路网中出租车、轻型货车的浮动车数据并计算轻型车的运行工况参数,结合MOVES模型(Motor Vehicle Emission Simulator)和交通流量数据仿真计算轻型车的尾气排放量,分析畅通、拥堵、严重拥堵3种交通状态下轻型车的运行工况、排放速率、尾气排放量的变化与差异. 结果表明:在相同道路类型、不同交通状态下,轻型车的运行工况差异较大,其中拥堵和严重拥堵状态下运行模式分布主要集中于怠速、低速运行模式;在相同交通状态下,主干路的运行工况优于次干路,其怠速运行模式所占比例较次干路低15%~20%;畅通状态下,主、次干路轻型车HC、NO_x、CO平均单车排放速率分别为2.00、1.87,2.57、2.47,42.59、37.51 mg/s,分别约为拥堵状态下的1.17、1.27、1.35倍,约为严重拥堵状态下的1.30、1.39、1.70倍,而主、次干路PM_2.5平均单车排放速率在3种交通状态下均接近,范围在0.050~0.056 mg/s之间;轻型车在严重拥堵状态下单位时间的污染物排放量最高,是畅通状态下的2.22~3.87倍. 研究显示,交通状态是影响轻型车动态排放速率及道路总排放的重要因素.      

Influence of driving cycles on exhaust emissions and fuel consumption of gasoline passenger car in Bangkok

The influence of different driving cycles on their exhaust emissions and fuel consumption rate of gasoline passenger car was investigated in Bangkok based on the actual measurements obtained from a test vehicle driving on a standard chassis dynamometer. A newly established Bangkok driving cycle (BDC) and the European driving cycle (EDC) which is presently adopted as the legislative cycle for testing automobiles registered in Thailand were used. The newly developed BDC is constructed using the driving characteristic data obtained from the real on-road driving tests along selected traffic routes. A method for selecting appropriate road routes for real driving tests is also introduced. Variations of keyed driving parameters of BDC with different driving cycles were discussed. The results showed that the HC and CO emission factors of BDC are almost two and four times greater than those of EDC, respectively. Although the difference in the NOx emission factor is small, the value from BDC is still greater than that of EDC by 10%. Under BDC, the test vehicle consumes fuel about 25% more than it does under EDC. All these differences are mainly attributed to the greater proportion of idle periods and higher fluctuations of vehicle speed in the BDC cycle. This result indicated that the exhausted emissions and fuel consumption of vehicles obtained from tests under the legislative modal-type driving cycle (EDC) are significantly different from those actually produced under real traffic conditions especially during peak periods.