IVE模型中区间划分方法对排放因子估算的影响

周 华,赵宏伟,吴蒙蒙,李菁元,王计广,冯 谦,龙子昂,余双雨,彭 皓,汪行健,金陶胜*



IVE模型中区间划分方法对排放因子估算的影响

周 华1,2,赵宏伟1,吴蒙蒙3,李菁元2,王计广2,冯 谦2,龙子昂3,余双雨3,彭 皓3,汪行健3,金陶胜3*

(1.吉林大学机械科学与工程学院,吉林 长春 130022；2.中国汽车技术研究中心有限公司,天津 300300；3.南开大学环境科学与工程学院,天津 300350)

利用便携式排放测试系统(Portable Emission Measurement System,简称PEMS)和GPS系统(Global Position System,简称GPS)选取多辆天津市机动车进行了道路测试,并对其排放及行驶数据进行了研究,分析了在IVE(International Vehicle Emissions,简称IVE)模型中不同区间的划分方法下,机动车比功率(Vehicle Specific Power,简称VSP)与排放相关系数的差异.CO、CO2、NO排放与VSP相关系数在Paps(Preaverage Power Stress,前平均比功率负载,简称Paps)方案下进行划分时的平均值从原有的引擎负载(Engine Stress,简称ES)方案下的0.1以下上升到0.4以上;但是HC排放与VSP相关系数在ES方案下的均值为0.0370,在Paps方案下却为-0.0766.分别计算污染物实测排放因子与IVE模型改进前和改进后的污染物排放因子的比值,发现采用Paps区间划分方法计算得出的排放因子数据比ES区间划分方法得出的数据显著接近于实测排放因子,显示Paps区间划分方法有助于改善机动车排放估算的准确度.

IVE模型；引擎负载；比功率；相关性分析；区间划分

据《中国机动车环境管理年报(2018)》[1]统计,我国机动车保有量呈快速增长态势,2017年,全国机动车保有量达到3.10亿量,同比增长5.1%;其中,汽车保有量达到2.17亿辆,同比增长11.8%.随着汽车保有量逐渐增加,对于汽车排放污染的估算越来越受到人们关注.

排放估算大多采用模型化方法,如基于平均速度的COPERT(Computer Program To Calculate Emissions Form Road Transport)模型[2-3],基于道路类型和交通状况的HBEFA(Handbook Emission Factors for Road Transport)模型[4-5],基于“速度修正因子”方法的MOBILE模型[6],对基本排放因子进行温度、车速、驾驶行为等因素的修正并与MOBILE模型原理基本相同的经验模型EMFAC模型[7],以大量车型的瞬时排放数据为研究基础,反应实时排放特点的综合典型排放模型CMEM(Comprehensive Modal Emission Model)模型[8-9]以及基于VSP (Vehicle Specific Power)参数[10-12]的模型,如MOVES(Motor Vehicle Emission Simulator)模型[13-14]、IVE (International Vehicle Emissions)模型[15-16].

在众多模型中,基于VSP的IVE模型近年来因其科学的建模和开放的参数环境可以很方便地在发展中国家本地化[17].但是受多方面因素影响,IVE模型的估算结果仍会产生一些误差[18],其中一部分误差是因为本地化测量实验的不足;另一部分误差来自IVE模型估算模块运算规则.为了适应其它的行驶过程,IVE模型使用排放单元,即BIN[19-20],来连接排放率和行驶状况.具体来讲,一辆车以任意行驶过程走过一条路的总排放,等于它在每个BIN的运行时间乘以这个BIN对应的排放率的总和[21].BIN的划分依据不仅是发动机本时刻的工况,还结合了历史工况对本时刻发动机工况的影响.BIN对IVE模型的估算非常重要,目前减少IVE模型估算误差的方法有两种:一是再测量本地车辆在各个BIN中的排放率,并通过实际道路实验测量各个本地化参数;二是改变IVE中BIN的划分方法,这是一个新的研究方向.

已有一些研究人员对不同的VSP划分方法进行了相关研究,但目前国内的研究普遍集中在比功率上,对引擎负载(Engine Stress,简称ES)和前平均比功率(Pap)这两个参数关注较少.Zhai等[22]提出了将vsp值分散成8种模式的VSP模态法以及平均链路速度法,并进行了两种方法的比较,即测试其预测七辆选定巴士的个体排放量和车队排放量能力.结果表明,两种方法都可以合理预测车队水平上的排放量并且差别不大,对于巴士个体排放量的预测都存在很大的变异性.上述提到的VSP模态法是依据污染物平均排放率的差异来划分区间,并没有明确的参数.而胥耀方等[23]在划分VSP区间时引入了具体的参数ES,通过比较VSP、VSP-速度、VSP-ES 3种区间划分方式对北京市二环内不同等级道路的CO2排放的预测结果,发现VSP-速度和VSP-ES的区间划分方法能更准确地反映CO2排放状况,并且两者误差相差不大.该区间划分方法虽然引用了明确的参数ES,并证明了其良好的预测性,但并没有更进一步利用该参数研究更有效的区间划分方法.本文则进一步对参数ES进行探究,着重研究了引擎负载作为工况点的排布维度的作用,以VSP和排放相关程度的比较为手段,利用GPS、OBS-2200采集了天津市的小轿车道路测试数据,进行不同引擎负载区间划分方法对VSP与排放物相关系数的影响分析;在此基础上分别计算了污染物实测排放因子与IVE模型改进前和改进后的污染物排放因子的比值,探讨了不同区间划分方法对IVE模型排放因子估算精确度的影响.

1 研究方法

1.1 数据来源

首先利用实验汽车在天津市区设计道路内的行驶而得到数据,实验汽车的基本参数如表1所示.其中通过GPS系统测量得到瞬时速度数据,通过OBS-2200系统测量得到瞬时气态排放物数据,并以此为基础进行不同引擎负载划分方法对相关系数的影响分析.

然后利用MQW机动车尾气分析仪对检测车站年检车辆进行排放测试,获得共150余辆汽油车和柴油车分不同车型及不同排放标准的污染物当量排放值,车型、燃油类型以及排放标准通过年检站系统界面获取,结合不同类型机动车的年均行驶里程,可获得实测的排放因子,进而与IVE模型改进后的污染物排放因子进行比较.

表1 汽车的基本参数

1.2 分析方法介绍

Bin的划分有两个重要参数,一个是比功率(VSP),另一个是引擎负载(ES).目前的IVE模型划分bin的方法是首先对研究对象分类,对一类车辆的行驶数据先根据公式计算VSP,然后按4kW/t的增量映射到-44 ~30kW/t的区间上,超出部分分配到边界BIN内.这样一共分配了20个BIN,同时按照引擎负载从-1.6到12.6等分为高、中、低三档,即形成60个BIN.

其中,比功率的计算公式[14]:

式中:为参考时刻的瞬时速度,m/s;为参考时刻加速度,m/s2;为坡度,定义为参考时刻海拔高度与前一秒海拔高度之差与参考时刻速度的比值.

引擎负载的计算公式(Lents J,2002):

式中:0.08t/kW为经验系数;Pap(preaveragepower)为参考时刻前20秒的VSP的平均值; RPM为发动机转速指数,它是速度和速度因子的比值,其中速度因子是一个经验系数,单位是m/s,它的数值确定是经过对排气数据的统计和拟合得出的[19].

采用了两套BIN的划分方案,第一套采用IVE预设的方案,即符合式(2)的引擎负载计算方法,此方法计算出来的引擎负载我们称之为ES方案.第二套引擎负载的计算方案中,由于发动机转速指数RAP是瞬时速度和速度因子的比值,即瞬态参数,为了探究历史工况对瞬态排放相关系数的影响,我们对公式(2)进行了修改,省略了其后面的发动机转速指数,称之为Paps方案,其表达式如下:

2 不同引擎负载划分方法对相关系数的影响分析

图1 ES和Paps两种方法下CO排放与VSP相关系数的比较分析

Fig.1 Correlation coefficient of CO emission and VSP in the method of ES and Paps

两个划分方案的基础是完全不同的划分参数.同时基于时间分析序列里AR(Auto Regressive)模型[24]的应用,本实验在确立了Paps或ES为划分参数的基础上,分别采用了23个维度划分水平.具体来讲,就是在固定了所统计区间段两端取值范围后,将既有的维度平分为3份、4份……一直到25份,通常将这种把划分因子(Paps或ES)划分到不同尺度的规则称为划分水平.在每种划分水平下,进行如下操作:

1.以8辆实验汽车数据为基础分别计算每个BIN内VSP与其所对应的排放的相关系数.

2.排除数据量过少的BIN.

3.将划分水平和求得总体相关系数作图.

图2 ES和Paps两种方法下CO2排放与VSP相关系数的比较分析

图3 ES和Paps两种方法下HC排放与VSP相关系数的比较分析

从图1到图4中可非常直观地看到是,ES方案下相关系数水平极低,排放与所对应VSP几乎不相关,而Paps方案下除HC排放与VSP相关系数外都保持了一个较高水平.使用Paps方案对CO2、NO和CO三种气体进行预测时,得到的排量与工况的相关系数远高于IVE模型给出的ES方案,这说明了由IVE模型给出的引擎负载计算式中存在对预测结果的扰乱因素.对比式(2)和式(3)可发现其差异在于对RPMi,即发动机转速指数的处理,我们的实验数据分析结果同时揭示了当使用引擎负载划分BIN时,对于工况与排放相关系数的比较,Paps方案获得的相关度优于ES方案.

图4 ES和Paps两种方法下NOx排放与VSP相关系数的比较分析

3 两种区间划分方法得出的排放因子比较分析

以150余辆汽油车和柴油车数据为基础,在对IVE模型进行改进时,首先在IVE模型的工况界面输入相应的信息,在行驶特征模块按照Paps区间划分方法填写每个bin的VSP分布百分数.然后进入车队信息界面填写车队技术类别(相关信息参考统计年鉴和指南),最后进入基础排放因子校正界面,将模型固有的基础排放因子与实测排放因子作比较,计算基础排放因子的修正系数,进而将修正系数输入界面中,最后得到修正后的机动车排放因子.

然后分别计算实测排放因子与IVE模型改进后的污染物排放因子的比值,用Ke(ES区间划分方法)和Kp(aps区间划分方法)表示,结果显示采用Paps区间划分方法计算得出的排放因子数据比ES区间划分方法得出的数据更接近于实测排放因子.表2显示了NO排放因子的对比情况,汽油车和柴油车(分为<1和>1两种情况)的Ke和Kp均有显著性差异(<0.05).由此可以推断,采用Paps区间划分方法的IVE模型计算得出的污染物排放量比采用ES区间划分方法的IVE模型计算得出的污染物排放量更接近于实际排放量,这对于提高IVE模型预测污染物排放量的准确度具有重要参考价值.

表2 实测与不同区间划分方法下NOx排放因子比值对比

4 结论

4.1 在CO2、NO、CO三种排放中,采用Paps方法得到的排放与VSP相关系数平均值分别为0.4412、0.4883、0.5875,但ES方案下对应的相关系数仅为0.0464、0.0173、0.0743,这反映了针对我们的实验车辆进行排放预测时,由IVE提供的ES方案的预测效果可能不及Paps方案的预测效果,这种差异主要来自发动机转速指数.

4.2 通过IVE模型应用不同区间划分方法改进后的NO和CO排放因子分别与实测排放因子对比,结果显示采用Paps区间划分方法计算得出的排放因子数据比ES区间划分方法得出的数据更接近于实测排放因子且有显著性差异(<0.05).

4.3 本文结果揭示出,通过比较选取更适合的区间划分方法,有助于减小IVE模型的预测误差,提高模型预测的可靠性,使之准确地计算出机动车的污染物排放量,为城市机动车污染控制对策的建立提供科学依据.当然,目前国内外对此方面的相关研究较少,还需要积累更多的研究数据来深入探讨相关规律.

[1] 中华人民共和国环境保护部.中国机动车环境管理年报 [EB/OL]. (2017-06-05). http://www.zhb.gov.cn/gkml/hbb/qt/201706/W020170 605537942778925.pdf. Ministry of environmental protection of the People's Republic of China.China vehicle environmental management annual report [EB/OL]. (2017-06-05). http://www.zhb.gov.cn/gkml/hbb/qt/201706/ W020170605537942778925.pdf.

[2] 孙世达,姜 巍,高卫东.青岛市机动车排放清单与空间分布特征 [J]. 中国环境科学, 2017,37(1):49-59. Sun S D, Jiang W, Gao W D. Vehicle emission inventory and spatial distribution in Qingdao [J]. China Environmental Science, 2017,37(1): 49-59.

[3] Gkatzoflias D, Kouridis C, Ntziachristos L, et al. COPERT 4, computer programme to calculate emissions from road transport methodology and emission factors [R]. Copenhagen, Denmark: European Environment Agency, 2007:5-20.

[4] 周溪溪,宋国华,于 雷.面向排放量化的低速区间机动车比功率分布特性与模型 [J]. 环境科学学报, 2014,34(2):336-344. Zhou X X, Song G H, Yu L. Distribution characteristics and model of low-speed vehicle specific power for emission quantification [J]. Acta Scientiae Circumstantiae, 2014,34(2):336-344.

[5] Keller M. Handbook of Emission Factors for Road Transport (HBEFA) 3.1 [R].Quick reference. Technical report, INFRAS. 2010.

[6] National Research Council. Modeling mobile-source emissions. [J]. Washington D.C: National Academy PRESS. 2000.

[7] Fujita E M, Campbell D E, Zielinska B, et al. Comparison of the MOVES2010a, MOBILE6.2, and EMFAC2007 mobile source emission models with on-road traffic tunnel and remote sensing measurements. [J]. Journal of the Air & Waste Management Association, 2012,62(10):1134-1149.

[8] 戴 璞,陈长虹,黄 成,等.不同行驶工况下轻型柴油车瞬时排放的CMEM模拟研究 [J]. 环境科学, 2009,30(5):1520-1527. Dai P, Chen C H, Huang C, et al. Instantaneous emission simulation for light-duty diesel vehicle with different driving cycles by CMEM model [J]. Environmental Science, 2009,30(5):1520-1527.

[9] 王 焱.机动车排放控制应用模型初探 [J]. 环境与可持续发展, 2014,39(3):59-61. Wang Y. Motor vehicle emission control in the application model [J]. Environment and Sustainable Development, 2014,39(3):59-61.

[10] Liu J, Ge Y, Wang X, et al. On-board measurement of particle numbers and their size distribution from a light-duty diesel vehicle: Influences of VSP and altitude [J]. J. Environ. Sci., 2017,57(7):238- 248.

[11] 胥耀方,于 雷,宋国华.基于遗传算法的运行模式分布模型及排放测算 [J]. 中国环境科学, 2016,36(12):3548-3559. Xu Y F, Yu L, Song G H. GA-based approach to modeling operating mode distributions and estimating emissions [J]. China Environmental Science, 2016,36(12):3548-3559.

[12] Wang A S, Ge Y S, Tan J W, et al. On-road pollutant emission and fuel consumption characteristics of buses in Beijing [J]. Journal of Environmental Sciences, 2011,23(3):419-426.

[13] Simulator M V E. 2009. MOVES 2010 User Guide [R]. Report EPA-420-B-09-041. Office of Transportation and Air Quality, US Environmental Protection Agency.

[14] Jiménez-Palacios J. Understanding and quantifying motor vehicle emissions with vehicle specific power and tildas remote sensing [D]. Cambridge: Massachusetts Institute of Technology, 1999.

[15] Wang H K, Chen C H, Huang C, et al. On-road vehicle emission inventory and its uncertainty analysis for Shanghai, China [J]. Science of the Total Environment, 2008,398:60-67.

[16] Guo H, Zhang Q Y, Shi Y, et al. Evaluation of the International Vehicle Emission (IVE) model with on-road remote sensing measurements [J]. Journal of environmental sciences, 2007,19(7):818- 826.

[17] 郝艳召,王宏图,宋国华,等.中观机动车尾气模型在中国的适用性 [J]. 长安大学学报(自然科学版), 2016,36(1):112-119. Hao Y Z, Wang H T, Song G H, et al. Suitability of meso-level vehicle emission model in China [J]. Journal of Chang’an University (Natural Science Edition), 2016,36(1):112-119.

[18] 郝艳召,宋国华,邱兆文,等.基于浮动车数据的机动车排放实时测算模型 [J]. 中国环境科学, 2015,35(2):396-402. Hao Y Z, Song G H, Qiu Z W, et al. Real-time calculation model for vehicle emissions based on floating car data [J]. China Environmental Science, 2015,35(2):396-402.

[19] Frey H C, Unal A, Chen J, et al. Methodology for developing modal emission rates for EPA’s multi-scale motor vehicle and equipment emission estimation system [R]. Prepared by North Carolina State University for the Office of Transportation and Air Quality, U.S. Environmental Protection Agency, Ann Arbor, (EPA420-R-02-027). 2002.

[20] Choi H, Frey H C. Light duty gasoline vehicle emission factors at high transient and constant speeds for short road segments [J]. Transportation Research Part D: Transport and Environment, 2009, 14(8):610-614.

[21] International suburban sustainable research center (ISSRC). IVE Model Users Manual Version2.0 [M]. La Habra. 2008.

[22] Zhai H, Frey H C, Rouphail N M. A vehicle-specific power approach to speed- and facility-specific emissions estimates for diesel transit buses. Environ. Sci. Technol, 2008,42:7985-7991.

[23] 胥耀方,于 雷,宋国华,等.针对二氧化碳的轻型汽油车VSP区间划分 [J]. 环境科学学报, 2010,30(7):1358-1365. Xu Y F, Yu L, Song G H, et al. VSP-Bin division for light-duty vehicles oriented to carbon dioxide [J]. Acta Scientiae Circumstantiae, 2010,30(7):1358-1365.

[24] 莫增文.基于时间序列分析技术的预测模型设计与应用 [D]. 北京:中国科学院大学, 2014. Mo Z W. Design and application of prediction model based ont time series analysis technique [D]. Beijing: University of Chinese Academy of Sciences, 2014.

Influence of different bin-grouping methods on the estimation of emission factors in model IVE.

ZHOU Hua1,2, ZHAO Hong-wei1, WU Meng-meng3, LI Jing-yuan2, WANG Ji-guang2, FENG Qian2, LONG Zi-ang3, YU Shuang-yu3, PENG Hao3, WANG Xing-jian3, JIN Tao-sheng3*

(1.College of Mechanical Science and Technology, Jilin University, Changchun 130022, Jilin, P. R. China；2.China Automotive Research and Technology Center Co. Ltd, Tianjin 300162, China；3.College of Environmental Science and Engineering, Nankai University, Tianjin 300350, China)., 2019,39(2)：560~564

Many vehicles were tested on road by Portable Emission Measurement System and Global Position System in Tianjin, China. Emission data and GPS data were collected to analyze the differences of the correlation coefficient of VSP and emission when being classified by different bins in IVE model. The correlation coefficients of CO, CO2, NOand VSP increased from below 0.1 at the scheme of Engine Stress (ES) to above 0.4 at the scheme of Preaverage Power Stress (Paps), but the correlation coefficients of HC emission and VSP were from 0.0370 at ES to -0.0766 at Paps. The ratios of the measured emission factors of pollutants to the pollutant emission factors before and after the improvement of the IVE model were calculated separately. It was found that the data obtained by the Paps bin-grouping method were closer to the measured emission factors than the data obtained by the ES bin-grouping methods. The results showed that the Paps bin-grouping method could be helpful to improve the accuracy of the vehicle emissions estimation.

international vehicle emission；engine stress；vehicle specific power；correlation analysis；bin-grouping

X51

A

1000-6923(2019)02-0560-05

周 华(1974-),男,河北沧州人,高级工程师,硕士,主要从事机动车排放检测技术研究.发表论文20余篇.

2018-07-29

国家重点研发计划专项项目(2017YFC0212100);国家自然科学基金资助项目(21477057)

* 责任作者, 副研究员, jints@nankai.edu.cn