机动车尾气排放模型应用及研究进展

2范武波李 媛马 冬张 懿唐斌雁王 杰钱 骏刘 政

(1.四川省生态环境科学研究院,四川 成都 610041；2.四川大学新能源与低碳技术研究院,四川 成都 610207；3.中国环境科学研究院,北京 100012)

0 引言

近年来，我国机动车保有量持续增长，截至2018年底，全国机动车保有量已达3.27亿辆，同比2017年增长5.5%。机动车排放具有流动性强、动态排放、多源排放的特征，从全国范围看，机动车活动水平较大的城市均表现出显著的机动车排放污染，如北京[40]、上海[18]、广州[41]等，机动车尾气排放已成为当地城市大气污染的重要来源。长期生活在机动车尾气高排放环境下会导致儿童的心肺功能下降[3]，增加成年人心脑血管疾病的发病率[4]，严重危害人类身体健康。不仅如此，这些污染物还会与气象条件相互作用形成酸雨、光化学烟雾等自然灾害，破坏生态环境[1]。由此可见，开展机动车尾气排放特征研究，对于解决机动车尾气污染、改善区域大气环境质量具有重要意义。

目前，研究机动车尾气排放因子的方法有隧道实验、台架实验、车载实验(Portable Emission Measurement System, PEMS)和模型测算等。国内外学者通过隧道实验[5]、台架试验[31]、PEMS测试[32,33]等方式掌握了一定的机动车尾气排放因子数据。通过这些方法能够获得较为准确的单车排放因子，但测试工作量大、覆盖车型有限、且积累的测试数据较少。更多的是采用成熟的模型进行排放因子测算。樊守彬等[2]应用COPERT模型计算了北京市典型汽油车辆蒸发VOCs排放因子和排放清单，并测算了不同物种的排放量。2012年陈军辉等[6]基于本地化后的IVE 2.0.2模型，测算了成都市轻型汽油客车的排放因子。利用排放模型能够快速测算出不同类型机动车的排放因子，基于此开展区域机动车排放污染特征研究，建立具有高时空分辨率的移动源排放清单。本研究总结了目前应用较为广泛的机动车尾气排放因子模型，对比分析了这几种模型的优缺点和适用范围，并基于研究现状提出了未来我国机动车排放因子的研究方向。

1 模型应用

1.1 MOBILE模型

MOBILE宏观排放模型由美国环保局(Environmental Protection Agency,EPA)于1996年开发完成，模型以上万套联邦测试程序FTP-75(Federal Test Procedure)测试数据为基础，通过台架测试得到单车排放因子，经速度、行驶里程等27个影响参数修正后，计算得到实际排放因子。2002年美国学者Pokharel[7]利用遥感和MOBILE 6.0模型测算了近几年丹佛地区机动车排放总量。Hyung-Wook Choi[8]也通过MOBILE6.0模型估算了不同车速下机动车的瞬时污染物排放清单，并开发了基于车辆特性的速度修正因子。国内对MOBILE模型也有一些应用，清华大学[9,11]采用MOBILE 5模型编制了北京、深圳等地的机动车排放清单，说明模型具有良好的宏观层面测算能力，但测试工况固定，且单一平均速度不能精确地反映机动车的实际排放情况。

图1比较了MOBILE模型测算武汉[10]、太原[12]、长三角地区[13]机动车CO、NOx、THC排放因子的结果。可以看出三个地区的机动车排放特征基本一致，而对于不同地区同类车型排放因子的测算结果存在较大差异(30%～50%范围)。可能是由于不同城市车辆组成结构及模型修正参数不同导致，这也体现出MOBILE模型的优势及弊端。MOBILE模型以大量排放测试数据为基础，结构完整，成熟度高，因此，可以提供相对准确的宏观尺度排放清单，能有效地反映城市机动车排放的变化趋势。但由于模型具有较强的地域性，且排放基础数据收集困难，从而增大了污染物排放测算的不确定性。

1.2 COPERT模型

COPERT宏观排放模型由欧洲环境委员会(European Environment Agency,EEA)于1989年推出，模型采用欧盟ECE15+EUDC排放测试标准，其计算原理是基于燃油消耗和行驶工况之间的能量守恒关系，以平均速度来表征机动车行驶特征，经参数修正后得到实际排放因子。Shreya Dey[14]编制了爱尔兰-都柏林地区的机动车排放清单，并分析了COPERT(V5.1)模型的不确定性来源。我国学者[34-36]通过车载排放实验、COPERTⅣ模型及MOBILE6.0模型测算得到了重型柴油车的CO、NOx、PM、HC排放因子，如图 2 所示。

比较发现COPERTⅣ模型对NOx、CO和PM排放因子的预测值比MOBILE6.0模型更加接近实测值，而对于HC排放因子, MOBILE6.0 模型的预测误差比COPERTⅣ 模型小。为了进一步研究COPERT模型的适用性，程颖等[15]沿用上述方法得到了四种不同等级道路下重型柴油车的CO、NOx、HC和PM排放因子，如图 3所示。研究指出，在同等级道路下，COPERTⅣ模型对NOx、HC 和CO 排放因子的预测值比MOBILE6.2模型更加接近实测值；而对于PM 排放因子，在快速路、主干路和支路上，MOBILE 模型的预测误差比COPERT 模型小，但在次干路上，MOBILE 模型的预测误差比COPERT 模型大。这充分说明COPERT模型的优点和弊端均来自于它数据积累的要求不高，一方面提高了模型的兼容性，降低了模型带来的不确定性；另一方面也导致模型的成熟度不如MOBILE 模型高。因此，COPERT模型更适用于欧洲及其他缺乏基础数据的发展中国家的应用研究。

1.3 MOVES 模型

2001年美国环保局(EPA)开发出集MOBILE排放模型与NONROAD非道路源排放计算模型于一体的全面综合性排放模型——MOVES排放模型。模型的计算实质是将行驶车辆的瞬时a、v计算得到的比功率(VSP)，划分为不同区间(Bin)，并对应到内嵌的污染物排放速率( VSP-Bin )，在输入平均速度后，模型自动匹配排放，加权得到基础排放因子，最后再对燃油、气象、I/M等大量参数修正和行驶里程分布计算得到综合排放因子。FUJITA E[16]利用MOVES2010a模型、MOBILE6.2模型、MFAC2007 模型分别测算了加利福尼亚州Van Nuys隧道的排放因子以及与实际遥感测试相比存在的差异，结果表明，MOVES2010a得到的结果与实际测量较为一致，比MOBILE等平均速度模型具有更强的适用性。2012年长安大学郝艳召等[17-21]选用MOVES模型对关中城市群的移动源排放特征进行了分析，并得到了关中地区的机动车排放清单。研究显示，该模型测算的关中地区机动车CO、NOx和HC 污染物的排放因子比实测值整体偏高，排放水平接近于欧Ⅱ、欧Ⅲ标准，如表1所示。综合来看，MOVES模型在结构上相比于其他模型更加完善，可移植性强，具有模拟不同层面的排放能力，且对不确定性影响因素考虑更细致，测算结果更接近实际城市道路每小时的平均排放量，但这也导致了模型收集数据的工作量变大，本地化难度增加。

表12012年关中地区机动车污染物排放

标准等级COHCNOx车辆类型甲醛乙醛苯系物欧Ⅱ4.1±2.80.31±0.340.47±0.39汽油车(1.0L)0.0040.0050.008欧Ⅲ2.2±2.30.09±0.070.23±0.29汽油车(1.3L)0.0020.0030.006汽油车(1.6L)0.0020.0060.005模拟值5.0330.2620.3440.0020.0010.008

1.4 IVE模型

IVE宏观排放模型是由加州大学河边分校(University of Californiaat Riverside, UCR)与国际可持续发展研究中心(International Sustainable Systems Research Center,ISSRC)共同研发完成，模型的计算核心是将机动车行驶状况基于比功率(VSP)和发动机工作强度(ES)分成60个Bin，,每一个Bin对应一系列不同的修正系数，将对应Bin区间的修正系数乘以模型内嵌的基础排放因子，得到每种技术类型机动车的排放因子，然后再根据车队的行驶和启动特征综合计算得到实际排放因子。IVE模型的数据来源与MOBILE模型一致，同时涵盖中国、伊朗、泰国、巴西等12个国家15个城市的排放数据[22,23]，此外还积累了部分欧洲排放标准的测试数据，弱化了模型的地域性。在上海[24]、杭州[25]、成都[26]等地IVE模型被广泛应用于机动车尾气排放清单及变化特征研究，说明以实际道路排放测试为基础的IVE模型能够满足我国现阶段城市机动车尾气排放研究的需求。姚志良等[27,28]运用IVE模型分别测算了北京、上海、深圳的8种类型机动车非常规污染的排放分担情况，如图4所示，其中轻型客车对1 ,3-丁二烯、NH3、苯 、N2O和 CH4排放贡献率最大均在50 %以上；其次主要为中重型客车、中重型卡车、摩托车。这种模型的优点是通过VSP及ES来表征机动车的瞬时行驶工况与排放的关系，降低了不确定性影响，提高了IVE模型测算结果的准确性。模型成熟度较高，地域性较弱，但对车辆类型的分类要求则更为复杂。

1.5 CMEM模型

CMEM微观排放模型由加州大学河边分校(University of Californiaat Riverside, UCR)开发用来计算轻型车在各种运行工况下的燃油消耗和尾气排放。模型将机动车尾气排放过程分为6个模块，8个运行工况，每个模块对应机动车不同的运行和排放过程，基于发动机负载和污染物形成的物理化学原理，通过向对应模块输入车辆参数和行驶工况参数，如燃烧率、发动机排放指数等50多种参数，最后输出得到机动车在不同行驶条件逐秒的排放值及燃油消耗量。从国内外研究现状来看，CMEM模型主要应用于对微观交通结构的排放评估以及与交通仿真模型耦合研究。Stevanovic A[30]，Armas R[29]分别将VISSIM、MATsim交通仿真模型与CMEM模型耦合，模拟了不同交通信号控制系统的车辆燃油消耗和排放，研究表明在实际情况下优化交通信号控制系统对机动车排放有积极的作用。戴璞等[37]以本地化的CMEM模型模拟得到上海市轻型柴油车主干道瞬时排放特征，与黄成[38]的研究结果一致，且与道路实测数据对比验证，见表2。研究发现THC、CO以及NOx排放的相对误差δ分别为14.20%、 3.70%和32.70%，相关系数r分别达到0.73、 0.72和0.87，这表明CMEM模型能够较好地反映车辆在实际道路排放的瞬时变化。

表2 上海市城市主干道轻型柴油车瞬时排放因子 (g/km)

雷伟[39]以武汉市友谊大道一园林路交叉路口为研究对象，利用VISSIM仿真模型和CMEM模型，计算了该路口的交通排放水平，并通过减少路口红灯等待时间和停车次数，制定了四种优化通信号情景，测算得到了该路口机动车HC、CO、NOx排放量和燃油消耗(QS)情况。从表3可以看出，采用 A1信号模式时该路口机动车排放总量无明显变化，但燃油消耗降低约1.99%；采用A3、A4信号模式时均能有效降低机动车排放总量约5.01%和7.08%，减少燃油消耗约2.35% 和3.11 %；而采用A2信号模式时反而导致排放水平上升约5.30%，燃油消耗降低约0.68%。研究表明，排放与油耗对停车次数更为敏感，在制定和优化交通信号控制时，停车次数是比交通延误更为有效的评价指标，同时也说明这种方法能较好地预测微观层面的交通排放时空分布，评估交通管理策略对出行时间、排放和油耗的影响，具有成熟度高、可应用性强的优点，但模型对车辆实际运行状态的数据要求较高，采集难度大，缺乏应用经验。

表3 园林路交叉口机动车HC、CO、NOx平均排放量及燃油消耗量(Qs)。

综上所述，近年来国内在机动车排放清单研究方面做了大量工作，在模型应用方面，正逐渐从宏观向微观层面过渡，由平均速度类模型向行驶工况类模型转变，注重对模型的改进和优化应用。在清单编制方面，从区域到城市逐步完善和积累了大量排放因子测试数据，动态分析了机动车实际运行工况对排放的影响，提高了模型测算的精度。但由于测试数据积累不全面，实际道路机动车排放影响因素较多，增加了模型的不确定性，从而放大了测算结果与实际值的误差。

2 总结及展望

2.1结论

(1)机动车排放模型包括以MOBILE模型为代表的平均速度类模型和以 IVE为代表的行驶工况类模型。其中MOBILE模型成熟度较高，应用性强，适用于中、宏观层面的排放测算；COPERT模型不如MOBILE模型完善，不确定性低，更适合欧洲及数据缺乏的发展中国家；MOVES模型结构最完善，能测算不同层面，但不易于本地化应用；IVE模型微观模拟能力强，适用性好，准确性高，但模型应用复杂； CMEM模型可用性强，精度高，但对基础数据质量有较高要求，代表了机动车模型发展的最新方向。

(2)机动车排放具有流动性强，排放多元化，动态排放的特征，增加了建立机动车排放清单的难度和不确定性，且排放测试基础数据质量的好坏，制约了模型测算精度。因此，提高排放因子测试数据精度，持续补充完善排放因子基础数据库，降低模型不确定性参数影响，将是国内后续模型开发及应用的主要攻坚方向。

2.2 展望

基于本文的研究结果，及当前国内发展形势，建议我国机动车排放因子模型研究可从以下几方面进行完善：

(1)以实际道路排放测试(PEMS)为基础，积累不同车型及车辆技术条件的测试数据，并利用测试结果对国外成熟排放模型的不确定性进行分析及参数修正，降低模型的不确定性。

(2)运用不同层面的交通仿真模型与排放模型耦合，统计区域机动车尾气排放量，模拟机动车行驶时不同影响因素，如优化交叉口信号、设置专用车道、改善交通运输管理模式等对机动车排放的影响及评价，为政府管理部门制定机动车节能减排政策提供理论依据。

(3)基于机动车尾气排放模型和空气质量扩散模型建立区域机动车尾气排放污染物浓度评估方法[42]，分析时空分布特征，探究气象因素对污染物扩散的影响。

(4)汲取国外模型开发经验，结合本地车辆构成、负载、温度、I/M制度、道路环境等特征，开发符合应用于本地环境的排放模型。