应用IVE模型计算上海市机动车污染物排放

为了解上海市机动车污染现状,建立上海市机动车源排放清单,分别选择上海市中心城区、商业区和收入相对较低区域中的主干道、快速道和次干道3种共9条典型道路,开展机动车技术水平参数、比功率(VSP)分布状况、启动状况等测试,并在此基础上将International Vehicle E-mission(IVE)模型本地化.调查结果表明,上海市区实际道路上轻型客车、出租车、公交巴士、卡车和摩托车(包含助动车)分别占道路总车流量的41.0%、30.8%、15.6%、6.9%和5.7%;从技术组成看,约85%的轻型客车和97%的出租车均安装有三元催化装置,约30%的公交巴士和90%的卡车没有达到欧Ⅰ标准;机动车的VSP分布主要集中在-2.9～1.2 kw·t-1.模式计算结果表明,2004年上海市机动车CO、VOC、NOx和PM排放量分别为57.06×104t、7.75×104t、9.20×104t和0.26×104t;20%的高排放车对总排放量的贡献占到25%～45%;启动过程中排放的CO、VOC和PM占总排放量的15%～25%,NOx仅占总排放量的4.5%.     

IVE机动车排放模型应用研究

对IVE模型进行了系统分析和介绍,以北京市为研究对象给出了模型的主要输入参数的确定方法和思路,运用IVE模型对北京市不同车型车队的排放进行计算。结果显示：公交车和卡车的排放因子明显较高,特别是颗粒物排放因子,分别为普通轻型车的14和44倍。北京市机动车的CO、VOC、NOx和PM的平均日排放总量分别为2767.4、182.5、353.8和7.1t。对于CO和VOC,普通轻型车的分担率分别为42.0%和34.7%;对于NOx和PM而言,卡车的贡献率最高,分别达到66.3%和83.0%。此外,比较了IVE模型与MOBILE6模型的方法和计算结果,讨论了IVE模型在我国的主要应用优势。     

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。     

利用IVE模型建立成都市轻型汽油客车排放清单

城市机动车污染物排放清单的建立是控制机动车污染的关键.本研究以2012年为基准年,通过对成都市轻型汽油客车技术水平分布、活动水平和保有量等数据的调查,将IVE模型本地化,计算了成都市2012年轻型汽油客车VOCs、PM、NOx、CO的排放清单,并分析了清单的不确定性.结果表明:成都市2012年轻型汽油客车排放的VOCs、PM、NOx和CO分别为2.23×104t、1.6×102t、1.26×104t和2.03×105t;轻型汽油客车中黄标车VOCs、PM、NOx、CO的排放量分别占排放总量的27.5%、18.1%、37.2%和42.5%,表明黄标车是轻型汽油客车污染物排放的主要来源;排放清单的不确定性主要来自于排放因子,VOCs、PM、NOx和CO清单的不确定性分别为-31.67%~32.35%、-54.75%~55.09%、-6.56%~6.76%和-12.22%~12.51%.     

基于IVE模型和大数据分析的杭州市道路移动源主要温室气体排放清单研究

利用IVE模型和对杭州市机动车排放管理数据库大数据的分析,得到杭州市2015年各类机动车主要温室气体高分辨率排放清单,分析了排放分担情况及时间变化特征,并利用Arc GIS及杭州市路网信息建立了1 km×1 km网格化空间分布.结果表明,杭州市道路移动源温室气体排放中CO_2、CH_4和N_2O的年排放量分别为818.11×10~4、0.85×10~4和0.07×10~4t,合计856.79×10~4t(以CO2当量计).从温室气体种类来看,CO_2占道路移动源温室气体排放总量的绝大部分,为95.5%;从机动车类型来看,小微型客车对道路移动源温室气体排放的贡献率最大,占72.8%;从道路类型的排放情况来看,杭州市市中心、城区、城郊和郊区中温室气体合计CO_2当量贡献率最高的均为主干路,分别为43.4%、61.8%、58.0%和42.4%.杭州市道路移动源温室气体排放强度均呈现由城市中心向城市边缘递减的趋势,同时温室气体排放量日变化特征明显,均出现弱双峰现象.     

机动车排放控制标准对污染物排放因子的影响

基于我国机动车排放控制标准,利用适应性调整后的IVE模型及改进的LEAP模型,结合机动车燃油经济性,建立了研究区域2004—2030年机动车CO,VOCs,NO_x,PM10和CO₂的动态排放因子.结果表明,国Ⅰ和国Ⅱ规定的机动车排放控制标准(除摩托车外)对降低各类机动车型污染物排放因子作用不大; 而国Ⅳ标准将自2010年起执行,只有执行该标准才能显著降低所有汽油和柴油车型的污染物排放因子. 研究结果同时显示,2010年后机动车污染物的排放因子将继续降低.      

杭州市机动车NOx排放清单的建立及其对空气质量的影响

以杭州市主城区为例,对车辆信息(包括车流量和车辆构成、车辆控制技术水平、车辆行驶工况、车辆启动分布等)进行了调研和测试,并根据IVE模型计算了机动车NOx的排放清单.结果表明,2004年杭州市主城区机动车NOx排放总量为25 100 t,其中,轻型客车、出租车、公交车、重型货车和轻型货车的年排放量分别为5 800,1 100,7 300,9 200和1 700 t.在此基础上,通过AERMOD模型模拟了城市机动车源NOx年均质量浓度以及城市空气中总的NOx年均质量浓度空间分布,得出机动车排放的NOx对总的NOx年均质量浓度的贡献率为40.91%,并对贡献率的空间分布进行了分析.     

湿地甲烷排放估算模型的研究进展

湿地是大气甲烷（CH₄）的主要排放源,大气甲烷排放量的日益增加,给全球气候变化带来很大影响,准确估算湿地甲烷的排放量意义重大。目前湿地甲烷排放量估算模型主要有经验模型、机理过程模型和遥感参数模型,通过对三种模型的发展过程、应用状况及优缺点的对比分析和总结,分析了湿地甲烷排放、监测过程及模型估算方面的不确定性,指出了湿地甲烷排放估算的发展趋势,提出遥感参数模型将是湿地甲烷排放估算模型今后的发展方向。     

基于区间值直觉模糊集和云模型的FMEA风险评估方法

针对传统故障模式和影响分析(failure mode and effect analysis, FMEA)方法存在评价使用精确数量化造成专家风险评估信息的丢失、忽略风险指标之间的相对重要性以及由于专家有限理性导致的评价固有的随机性等问题,利用区间值直觉模糊集和云模型构建了一种改进的FMEA风险评估方法。首先,引入区间值直觉模糊集(IVIFS)来描述专家评价信息的复杂性和不确定性,通过运用区间值直觉模糊熵,计算专家权重和风险因子的权重;其次,采用云模型的方法,通过比较各支持云模型和反对云模型与正、负理想云模型的正、负相似度,获得故障模式评价值的综合相似度,通过对综合相似度大小排序得到各故障模式风险排序;最后,以自动扶梯的梯级、踏板和胶带风险评估为例进行分析,验证该评估方法的实用性和可行性。     

基于实际道路测试的轻型汽油车甲烷排放因子模型构建与评估

针对目前机动车温室气体甲烷(CH₄)排放因子缺乏的问题,利用便携式尾气测量系统(Portable Emission Measurement System,PEMS)对13辆轻型汽油车开展实际道路车载测试,获得汽油车CH₄排放因子及排放特征.结果表明,轻型汽油车CH₄排放因子随着国标加严而下降,国6轻型汽油车CH₄排放因子相较于国1车辆下降了约94.5%.基于CH₄逐秒排放特征分析发现,在实际行驶工况下CH₄排放变动剧烈,排放峰值通常出现在高速或高加速工况.同时,研究发现CH₄排放因子与燃烧效率(MCE)、机动车比功率(VSP)呈现显著相关性,通过CH₄与MCE、VSP的关系构建了轻型汽油车不同标准下的基于MCE及基于VSP的排放因子模型.以一辆国4汽油车实测值对模型进行验证与评估,该车CH₄排放因子的实测值为(3.9±0.6) mg·km^-1,基于MCE、VSP的模型模...     

基于大数据分析和IVE模型的杭州市机动车污染物排放变化特征研究

以杭州市全市域为研究对象,基于机动车排放管理数据库和IVE模型本地化后计算出市区、城区、城郊和郊区4类区域及快速路、主干路和次干路3类道路的各类机动车排放清单,利用Arc GIS及杭州市路网信息建立了1 km×1 km网格化空间分布,分析了机动车污染物排放特征.结果显示,杭州市机动车各污染物NO_x、CO、PM_(2.5)和VOCs的年排放量分别为4.9×10~4、12.5×10~4、0.2×10~4、2.1×10~4t.各种车型中,中重型货车对NO_x和PM_(2.5)的贡献均最大,分别为45.8%和36.3%,其次为大中型客车、公交客运,小微型客车对CO和VOCs的排放贡献最大,分别为69.3%和51.1%.机动车各污染物排放强度均呈现由城市中心向城市边缘递减的趋势,高排放区域集中在城中心及城南和城北区域,同时各污染物排放量日变化特征明显,均出现弱双峰现象.     

不同城市机动车尾气排放比较及数据可分享性评价

针对我国绝大多数城市缺乏机动车相关基础数据的实际国情,探讨一种基础数据共享的可能性,用于城市机动车尾气排放清单的计算.以北京、上海、天津及成都4个城市为例,通过综合这些城市现有的机动车相关的基础数据（如机动车保有量,车龄分布,基于驾驶特征的发动机比功率（VSP）,外界环境等）,运用模型预测他们的机动车尾气排放并和相应城...     

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.     

郑州新郑国际机场本地化排放因子与排放清单

基于郑州新郑国际机场的飞行数据和国际民航组织发动机排放数据库,获得2019年飞机实际飞行时间,测算了全年所有机型飞机 主发动机的污染物排放因子,建立了包括飞机及地面特种车辆在内的机场精细化大气污染物排放清单.结果表明,新郑国际机场飞机运行时间对典型机型耗油量影响明显,月际变化趋势一致.典型机型的本地化污染物排放因子的差异,与各飞行阶段的耗油量和单位燃油污染排放量密切相关,其中,波音B738机型运行占比最大且排放因子较高.2019年新郑国际机场NO_x、CO、HC、SO₂和PM的总排放量分别为1207.7、921.2、123.7、268.3和36.2 t,主要来自飞机主发动机排放.研究期内,各类污染物排放均在11：00达到峰值.飞行阶段中,NO_x排放主要来自飞机在 起飞降落循环中的爬升阶段,占比达45.6%;CO和HC在地面滑行阶段的排放占比远高于其他运行阶段,分别占95.4%和93.9%;SO₂和PM在不同工作模式下的排放占比较为接近.各机型中,波音B738和空客A320两种机型在5类污染物排放量中贡献最大,波音B737机型排放CO较高.     

不同排污收费情景下的发电企业减排模型研究

考虑未来多种污染物排污收费情景及区域电力需求的固有随机特性,建立了2阶段电源规划优化模型,分析了不同排污收费情景、不同电力需求水平下的区域电力结构变化以及污染物和CO2减排策略.在同时征收SO2排污费和CO2排放费的情景(情景3)下,清洁能源发电在发电系统中的比重增加,以煤电为主的火电比重下降;系统减排CO2 8.438′106t,同时协同减排SO2 5202t、NOx 7854t、颗粒物17.42t,但系统费用会显著增加.在同时征收SO2、NOx排污费和CO2排放费的情景下,系统减排SO2 8515t、NOx 13878t、颗粒物23.52t、CO2 12.988′106t,同时系统费用也会进一步增加.在目前征收SO2排污费的基础上征收CO2排放费或同时征收NOx排放费和CO2排放费,可以提高清洁发电方式在发电系统中的比重,降低SO2、NOx和CO2的排放量.     

不同排放标准下机动车挥发性有机化合物排放特征趋势研究

针对机动车挥发性有机物(VOCs)排放特征研究中缺乏含氧VOCs(OVOCs)覆盖、缺乏最新国Ⅵ排放标准特征识别等问题,本研究选取了涵盖国Ⅰ～国Ⅵ不同排放标准的轻型汽油车和国Ⅲ～国Ⅴ柴油车为研究对象进行底盘测功机测试,采用SUMMA罐和DNPH管采样相结合的方法,探究了不同排放标准下机动车尾气中VOCs排放特征的变化趋...     

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.     

广西内河及沿海船舶大气污染物排放清单及特征研究

基于广西船舶数量及类型、船舶引擎功率等数据,以广西壮族自治区为例,通过船舶引擎功率法建立广西2020年内河及沿海船舶排放清单,探究广西内河及沿海船舶主要大气污染排放量时空分布,并通过大气扩散模型模拟了船舶大气污染物排放对广西沿海港区大气环境的影响。结果表明：内河船舶中干货船排放占比为35.6%,四等船排放占比为26.07%;沿海船舶中拖船排放占比为44.16%~49.33%,主机、辅机、锅炉排放占比分别为52.39%、21.43%、26.18%;不同工况下,沿海船舶停泊工况SO₂排放占比最高,其余污染物在慢速行驶工况下排放占比最高。2020年广西北部湾海域船舶SO₂、NO_x、HC、CO₂的平均排放强度分别为0.32、2.14、0.07、121.93 t/km²。

     

Evaluation of the International Vehicle Emission （IVE） model with on-road remote sensing measurements

Intemational Vehicle Emissions （IVE） model funded by U.S. Environmental Protection Agency （USEPA） is designed to estimate emissions from motor vehicles in developing countries. In this study, the IVE model was evaluated by utilizing a dataset available from the remote sensing measurements on a large number of vehicles at five different sites in Hangzhou, China, in 2004 and 2005. Average fuel-based emission factors derived from the remote sensing measurements were compared with corresponding emission factors derived from IVE calculations for urban, hot stabilized condition. The results show a good agreement between the two methods for gasoline passenger cars＇ HC emission for all 1VE subsectors and technology classes. In the case of CO emissions, the modeled results were reasonably good, although systematically underestimate the emissions by almost 12%-50% for different technology classes. However, the model totally overestimated NOx emissions. The IVE NOx emission factors were 1.5-3.5 times of the remote sensing measured ones. The IVE model was also evaluated for light duty gasoline truck, heavy duty gasoline vehicles and motor cycles. A notable result was observed that the decrease in emissions from technology class State II to State I were overestimated by the IVE model compared to remote sensing measurements for all the three pollutants. Finally, in order to improve emission estimation, the adjusted base emission factors from local studies are strongly recommended to be used in the IVE model.