基于实际道路排放的武汉市重型车排放模型构建

杜常清，王琪琪，颜伏伍，张 佩，徐月云

(1.武汉理工大学 汽车工程学院，湖北 武汉 430070；2.中国汽车技术研究中心，天津 300162)

随着道路机动车保有量和行驶里程的快速增长，机动车在城市和区域大气污染物排放中的贡献日益增长[1]。机动车排放模型可以反映机动车污染物排放率与影响排放的数学或物理关系，还可以反映预测车辆的排放水平等[2]。国内外学者针对行驶工况与排放特性关系做了许多研究，美国加州大学河滨分校开发了适于发展中国家城市的机动车污染物排放模型IVE(international vehicle emission model)[3]，该模型需要大量的测试数据才能实现本地化使用。美国环保局(environmental protection agency,EPA) 开发了MOBILE(mobile source emission factor model,最新版本6.2)系列模型，该模型基于大量实测数据，模拟机动车运行状况和背景气候条件来计算排放因子[4]。MOBILE模型的参数基于美国环保局采集的数据，与中国车辆技术水平和行驶工况有较大差异。COPERT(computer programme to calculate emission from road transport,最新版本IV)模型是欧洲开发的排放因子模型[5]。该模型采用油耗反推法预测车辆污染物排放因子，根据道路油耗与各污染物之间的关系推算出各污染物排放因子，这与根据车载尾气检测(portable emission measurement system，PEMS)采集得出的污染物排放因子存在差异(PEMS基于红外线分析得到车辆实时排放)，因此COPERT模型预测的重型车污染物排放因子与PEMS实测数据不同。

我国学者也对机动车排放模型进行了深入研究，贺克斌[6]等研究了城市轻型车实际道路瞬态排放特征，万涛[7]、刘宇[8]分别作了捷达车和富康车的实际排放因子与MOBILE6预测值的比较分析，所作分析集中在轻型汽油车，研究主要关注对平均排放因子的预测，缺少对特定工况特征对排放影响的分析研究，并且对重型车排放特性相关研究相对较少。重型车在机动车中的占比虽然较小，但是由于其发动机功率大，在机动车污染物排放占比却较大。到目前为止重型车的排放标准是依据发动机台架实验进行的，且采用的测试工况来自欧洲，这些都导致我国的重型车实际道路排放因子比法规测试出的排放因子偏高，为此工信部设立中国工况开发项目，开发适合我国道路工况特征的重型车工况测试循环，以适应下阶段排放法规采用RDE(real driving emissions)测试的发展需求。故笔者重点针对重型车排放特性进行分析。

笔者以应用PEMS设备采集的武汉市道路试验数据为基础，运用统计回归数学方法建立了重型车道路工况排放模型，可直接将污染物排放率与道路工况影响因素之间的关系用方程表现出来[9]，分析道路工况特点对重型车实际道路排放的影响，为道路排放测试规范建立以及城市道路交通排放控制提供参考。

1 城市道路重型车排放测试

1.1 排放测试设备

道路排放(real driving emissions， RDE)测试使用便携式排放测试系统(PEMS)，主要进行气体(CO2、CO、NOx、HC)组分测量，PEMS采集系统组成如图1所示。

图1 车载排放测试系统

本研究所做实验选用SEMTECH-DS车载尾气分析仪，该设备集成了多种气体分析仪及传感器，可以准确地检测单车实际行驶工况下CO、CO2、HC,NOx等污染物的排放率，数据采样频率为1 Hz。选择具有代表性的国四标准重型东风天锦载货车作为被测车型。在测试过程中使用GPS(global positioning system)接收设备记录车辆的行驶速度，建立测试车辆的实际行驶工况。

1.2 排放测试路线选择

测试路线包含武汉市部分主干路、次干路、支路、快速路以及高速路，实验时长10 379 s的测试路线中，城市道路经过交叉路口和流量较大的线路，车辆行驶过程中经过多次加速、减速和怠速，能够采集到足够的车辆污染物排放数据。快速路与高速路段部分使车辆能够在匀速下高速行驶，可以采集到车辆在不同行驶速度下的排放数据。

测试路况的构成如表1所示。

表1 测试工况构成比例 %

2 排放预测模型的构建

2.1 模型参数选择

机动车排放受很多因素的影响，机动车的排放水平不仅由发动机技术和控制技术自身条件所决定，还受道路状况和行驶状态等外部因素影响[10]。此外，机动车维护水平、驾驶员驾驶习惯、空调使用状况、环境温度和湿度以及油品质量等因素也会影响机动车排放水平。

车辆在实际道路行驶时，车辆行驶参数、发动机运行参数等是影响其排放的主要因素[11]。研究表明,车辆在实际道路行驶时，行驶速度是影响气态污染物排放的关键因素[12]，应该同时考虑车辆加速、减速对排放的影响，而且，比功率广泛应用在机动车排放预测、排放特征和运行工况分析等领域。

2.2 试验数据处理

在以往对于重型柴油车的影响因素分析中，大多集中在速度、加速度以及行驶模式的单一分析上，但是排放的变化仅依靠单独的速度、加速度难以分析出来。因此笔者引入比功率和速度二维参数，对工况区间进行划分，分析尾气排放率在各个工况区间内的变化。

机动车比功率(vehicle specific power, VSP)最早由美国麻省理工学院的Jimenez推导并应用于遥测数据的分析中。根据VSP定义[13]，可推导得出VSP的计算方法，见公式(1)：

(1)

式中：VSP为机动车比功率；Ff、Fw、Fi、Fj分别为车辆行驶滚动阻力、空气阻力、坡道阻力及加速阻力；v为车辆行驶速度；m为车辆总质量(车辆自身质量与载重量之和)；εi为质量因子;g为重力加速度；f为滚动阻力系数；CD为风阻系数；ρa为环境空气密度；A为车辆挡风面积；vm为风速；a为车辆行驶时瞬时加速度；α为道路坡度。

瞬时输出功率VSP是具有矢量性质的物理量[14]，车辆制动减速时，VSP为负值。在本次测试试验中，根据环境温度、湿度、测试时间等，得到与VSP计算公式中的相关参数取值如表2所示，代入公式(1)进行计算整理，得到公式(2)，式中m为车辆整备质量与测试设备质量的总和。

VSP=v(1.1a+9.793 6sinα+

(2)

表2 VSP计算参数取值

2.3 工况区间划分方法

基于对国内外已有模型的研究分析[15-18]，综合多项研究结果，发现机动车瞬时比功率能够很好地反映车辆的行驶工况，相关性也比较强，可以在物理层面解释其相关性。比功率就成为了建模的重要参数之一。合理选择行驶工况代用参数是微观模块化处理方法的基础，也是进行以上处理的关键步骤。笔者选取了VSP和瞬时速度v作为划分行驶工况区间的参数，瞬时速度时间分布比例如图2所示，VSP时间分布比例如图3所示。对PEMS采集到的污染物排放测试数据进行了分析和处理。

图2 瞬时速度时间分布比例

图3 VSP时间分布比例

由图2可以看出，根据试验车辆的实际运行工况，怠速工况所占时间比例为20%，0～50 km/h工况所占时间比例为28%，50～80 km/h工况所占时间比例为22%，瞬时速度大于80 km/h以上的工况时间比例为30%。符合市区道路与快速环线道路结合的特点。从图3可以看出，在VSP等于0时，实际工况所占时间比例最大，为30.3%，实际工况在-4 kW/ton以下所占的时间比例为4%，实际工况在-4～0 kW/ton所占的时间比例为8.7%，实际工况在大于0～4 kW/ton所占的时间比例为20.7%，实际工况在4～8 kW/ton所占的时间比例为22.8%，实际工况在大于8 kW/ton所占的时间比例为13.5%。

根据以上分析，为了使工况区间包含所有的行驶工况，并保证每个区间包含的数据量比较适中，本研究将瞬时速度划分为3个区段，即低速段(0～50 km/h)、中速段(50～80 km/h)和高速段(大于80 km/h)。在各速度区间内，对VSP以-4～12 kW/ton为主要划分区间，2 kW/ton为区间间隔进行划分，划分结果如表3所示。

表3 工况区间划分方法(Bin表示工况区间)

2.4 排放模型的建立

如图4所示，根据对不同工况区间内的排放率数据进行分析，污染物排放率并不是与比功率为简单的线性关系，还与速度有关。根据速度和比功率可以建立与污染物排放率的二维回归模型，便可得到每个工况区间内的排放率预测值。

图4 行驶工况区间内污染物排放率均值

2.4.1 怠速与制动减速工况下的排放率

怠速(Bin2)排放率与怠速时刻有关，从怠速开始到怠速结束时会经过过渡时期，发动机逐渐从高速运转变为怠速，或者从怠速逐渐变为高速运转，过渡时期排放率会略高于稳定状态下的排放率。怠速工况的排放率可由定值表示。把加速度小于-0.18 m/s2的行驶工况定义为制动减速(Bin1)工况，在制动减速(Bin1)工况时，发动机输出功率小，污染物排放水平低，可将刹车工况直接筛选出来，对此区间内的数据进行单独分析，可直接用定值来表示此时的污染物排放率。

2.4.2 实际道路排放率回归模型

根据实际测得的工况数据，在同一个工况划分区间内的参数与排放的关系可以通过对不同工况区间内的数据进行统计回归得到，最终建立基于速度v和比功率VSP的二维参数回归方程。

选取武汉市城市道路的排放数据建立模型，以国四标准的重型东风天锦作为被测车型，其车辆和测试工况构成比例如前所述。将数据进行分区间处理后，对各段车速下车辆污染物逐秒排放率、瞬时速度及比功率进行回归分析。回归分析采用拟合优度R2来判定拟合的质量，R2=SSR/SST=1-SSE/SST，其中SST=SSR+SSE，SST为总平方和，SSR为回归平方和，SSE为残差平方和。低速、中速和高速的排放回归模型如表4所示。

表4 排放回归分析模型

表4中E_CO2,E_CO,E_NOx,E_HC分别为4种尾气污染物排放率；p为车辆瞬时比功率;v为车辆瞬时速度。

3 模型验证

为了保证模型的通用性，需要对模型精度进行验证。选取武汉市同种车型进行测试，根据获得的数据进行验证。将采集到的数据先根据工况区间进行划分，分为怠速、制动或减速、低速、中速和高速5个区间，再依据VSP进一步对工况区间进行细分，将每个区间内速度平均值，比功率平均值带入所得的方程中，计算出逐秒排放率的预测值，各个区间污染物排放率预测值与实测值对比分析如图5～图8所示。根据新采集的武汉市重型车排放数据，将划分区间内的速度v平均值和比功率VSP平均值带入已得到的方程中，计算得到基于武汉城市工况数据的污染物排放预测值与预测值的对比图，可以发现，实测值与预测值的误差均小于10%且误差均值为1.9%，模型结果可用于武汉市城市道路重型车的排放预测，且模型准确性良好。

图5 CO2排放率实测值与预测值

图6 CO排放率实测值与预测值

图7 HC排放率实测值与预测值

图8 NOx排放率实测值与预测值

从图4～图8可以看出，在每个车速区间内，随着车辆VSP的增加，各种排放物都增加。而VSP值较大的工况主要是加速和重载工况，因此有效控制车辆加减速的次数，减少超载可以有效地降低排放水平。

4 总结

重型车作为武汉城市车辆的重要组成部分，对城市环境具有不容忽视的作用。笔者以城市重型车为研究对象，应用便携式排放测试系统(PEMS)采集车辆污染物排放测试数据，保证了数据的实时性和准确性。GPS系统采集车辆实际行驶工况数据，对数据进行处理，车辆瞬时速度v和比功率VSP划分的行驶工况区间可以代表车辆的行驶工况特征。采用回归分析的方法建立车辆污染物逐秒排放率与实际道路工况的排放预测模型。结果表明预测值与实测值误差均小于10%且误差均值为1.9%，模型准确性良好。其研究结果还可与武汉市交通管理相结合，为污染物排放控制提供依据。

参考文献：

[1] 贺克斌,霍红,王岐东,等.道路机动车排放模型技术方法与应用[M].北京：科学出版社,2014.

[2] 董晶晶.南京市机动车氮氧化物排放因子和排放特性的研究[D].镇江：江苏大学,2012.

[3] University of California at Riverside. IVE Model Users′ Manual Version 1.1.1[R].Riverside: University of California at Riverside, 2004.

[4] US Environmental Protection Agency. User′s Guide to MOBILE 6.1and MOBILE 6.2: Mobile Source Emission Factor Model [M/OL].[2018-02-23]. http∥www.epa.gov/otaq/models/mobile.

[5] COPERT 4— Estimating Emissions from Road Transport[EB/OL].[2018-02-23]. https:∥www.eea.europa.eu/publications/copert-4-2014-estimating-emissions.

[6] 贺克斌,霍红,王岐东,等.城市轻型车实际道路瞬态排放的特征[J].中国环境科学,2006,26(4):390-394．

[7] 万涛,于雷,裴文文,等.捷达车实测排放因子和MOBILE 6预测值的对比分析[J].交通环保,2005,26(2):11-14.

[8] 刘宇,韩宝明,宋国华,等.富康车实测尾气排放数据分析[J].安全与环境工程,2005,12(4):5-7.

[9] 王中奇,关伟,毕军,等.基于短时实际行驶工况的机动车微观排放模型[J].环境工程学报,2016,10(10):5803-5807.

[10] 于丰泉.基于微观交通仿真的城市区域机动车尾气排放评估[D].南京：东南大学,2016.

[11] 张燕燕,朱明明,李二伟.机动车排放模型应用的研究与进展[J].机械管理开发,2011(5):79-81.

[12] 闫建国,王利娟,侯占峰.机动车排放模型影响因素分析[J].内蒙古农业大学学报(自然科学版),2011,32(3):340-344.

[13] 雷伟.武汉市道路轻型车行驶工况与排放特性研究[D].武汉：武汉理工大学,2007.

[14] Jimenez-Palacios. Understanding and Quantifying Motor Vehicle Emissions with Vehicle Specific Power and TILDAS Remote Sensing [D]. Cambridge: Massachusetts Institute of Technology,1999.

[15] 于谦.城市道路柴油公交车尾气排放建模及应用研究[D].南京：东南大学,2016.

[16] Wu Y Z, Song G H, Yu L. Sensitive Analysis of Emission Rates in MOVES for Developing Site-specific Emission Database[J]. Transportation Research Part D: Transport and Environment,2014(32):193-206.

[17] Boroujeni B Y, Frey H C. Road Grade Quantification Based on Global Positioning System Data Obtained from Real-world Vehicle Fuel Use and Emissions Measurements[J]. Atmospheric Environment,2014(85):179-186.

[18] Zhou X, Song G, Yu L. Delay Correction Model for Estimating Bus Emissions at Intersections Based on VSP Distributions[C]∥ Transportation Research Board 93rd Annual Meeting. [S.l.]:[s.n.],2014:187-192.