基于高斯烟羽模型的热电厂对空气质量影响案例分析

王淑莹, 张良, 崔晓哲，尹翠芳,李鹏帅

(1.北京立博威拓环境技术有限公司, 北京 100085；2.河北省生态环境应急与重污染天气预警中心, 河北 石家庄 050051；3. 中国人民解放军第3302工厂，河北 石家庄 050051)

空气质量模型是评估特定污染源对空气质量影响的重要工具。当前国际上典型的空气质量模式主要包括：哥大德地球观测系统-大气化学传输模型(GEOS-CHEM)这样全球尺度空气质量模型，嵌套网格空气质量预报模式(NAQPMS)、三维欧拉型区域空气质量模式(CAMx)、完全耦合气象模式和化学模式的区域空气质量模式(WRF-CHEM)、第三代空气质量预报和评估系统(CMAQ)等综合型区域尺度模型以及大气污染物扩散模型(ISC3)、环安大气影响评价系统(AERMOD)、非定常三维拉格朗日烟团输送模式(CALPUFF)等中小尺度模型[1]。薛文博等[2]应用CMAQ模型,基于2008年排放清单分析了电力行业二氧化硫(SO2)、二氧化氮(NO2)、烟粉尘协同控制情境下硫沉降、氮沉降及细颗粒物(PM2.5)污染的改善效果。伯鑫等[3]利用CAMx模型分析了重点煤电基地大气污染物扩散对京津冀的影响。但CMAQ以及CAMx这类区域尺度模型比较适合模拟区域尺度的大气问题。针对中小尺度的大气问题则适宜采用中小尺度模型来模拟。国内外学者先后采用ISC3、CALPUFF、致酸污染物长距离传输模型(ATMOS)等空气质量模型，模拟了电厂对局部地区空气中SO2、NO2、烟尘、汞、酸沉降等污染指标的影响[4-12]。

河北省是目前我国空气污染最严重的地区之一[13]。据生态环境部公布的城市排名，石家庄、保定、邢台、邯郸、唐山等城市均位于全国空气质量较差的城市之列[14]。河北省偏煤炭的能源结构、偏重化工的产业结构和偏公路运输的交通运输结构造成区域内大气污染物排放超过环境容量，是该省空气质量较差的根本原因，其中电力行业，特别是煤电对污染物的贡献依然较大[3,15]。现选取河北省南部某热电厂作为研究对象，利用热电厂在线排放数据，基于高斯烟羽模型的输入频率分布模型(Immision Frequency Distribution Model，IFDM)系统，对该电厂在2019年4—6月对周边地区及东北方向6 km的2个省控监测站点(S1和S2)空气质量影响进行模拟评估，以期为该地区空气质量的精细化管控提供技术支持。

1 IFDM系统介绍

1.1 方法原理

IFDM是一款基于高斯烟羽扩散模型的精细化管控系统，设计用于在局地尺度上模拟反应活性较弱的污染物的扩散。根据布特林克(Bultynck)和马莱特(Malet)公式，高斯弥散参数取决于大气的稳定性和风速，基于体积理查森(Richardson)参数[16]。该模型不仅可以模拟点源对环境空气质量的影响，还可以模拟道路交通等线源及居民生活、工业区等面源对环境空气质量的影响[17]。线源在文卡特拉姆(Venkatram)和霍斯特(Horst)(2006年)中进行了处理[18]，通过将线源划分为一系列点源，并针对这一系列点源的数值积分。而面源则被视为一组垂直于风的等效平行线源，使得其不仅能够模拟点源对空气质量的影响，同时还可以模拟线源以及面源对空气质量的影响，使人们能够直接了解到不同污染源到空气质量的贡献情况。

模型基于Bultynck等[16]基本方程(1972年)。该方程直接适用于点源，但需要更改参考系统。新参考系统的原点位于污染源处，x轴与水平风矢量平行，y轴在垂直于x轴的水平面上。z轴向上。其模型见式(1)。

(1)

式中：C——质量浓度，g/m3；Q——排放量，g/s；h——有效烟羽抬升高度，m；u——有效烟羽抬升高度的风速，m/s；σy，σz——水平和垂直扩散参数，m；y——距烟羽中心线的距离，m；z——空间点高度，m。

1.2 线源处理

IFDM系统也可以模拟线源的扩散，主要是将线源作为点源的一个整体来处理。具体有2种不同的情况，一是平行或几乎平行于风向的线源，在这种情况下，不可能用解析方法求解积分，可以用辛普森规则来确定；二是线源与风矢量之间的角度足够大，可以用解析方法求解积分，该方法比辛普森规则要快得多。

1.3 面源处理

IFDM系统也可以模拟面源的扩散，对于面源的处理也有2种方法：一是将面源作为一个大的点源来处理，如果只需要确定距离污染源较远位置的浓度值，在这种理想情况下可以将面源作为一个大的点源来处理。这种方法几乎不增加计算时间，速度非常快；二是将面源作为线源的集合来处理，这种情况非常适合更详细地描述面源，然后将面源视为线源的集合。针对一个面源将创建多个线源，并且所有线源都垂直于风向，面源的排放分布在这些线源上，受体点的浓度则由单个线源影响的总和确定。由于线源都垂直于风向，可按上述线源的第二种方法进行处理，得出可接受的计算时间。

1.4 与区域尺度模型的耦合

IFDM系统可以与区域尺度模型进行耦合，区域尺度模型可以为IFDM系统的输出提供背景浓度，具体方法见图1。图1右下角G中黑色网格为区域尺度模型的网格，红色网格为IFDM系统的网格，在该示例中IFDM系统的网格为规则网格。绿色的线为想要研究的道路源，在区域尺度模型和IFDM系统中都有该道路源的排放量。

区域尺度模型的模拟结果见图1 A所示，没有修正过的IFDM模拟结果见图1 B所示。耦合方法：首先将IFDM模拟结果插值到区域尺度模型的网格当中，见图1 C所示。然后用来修正区域尺度模型的模拟结果D=A-C，此时的区域尺度模拟结果为不含该道路排放源的结果。然后再将该结果插值到IFDM系统的网格当中，见图1 E所示。最后，将IFDM的模拟结果与上述E结果相加，即为IFDM的最终模拟结果(见图1 F)。通过这种方法可以避免重复计算，同时模拟的结果可以包含本地污染源贡献值以及区域背景值[19]。

图1 区域尺度模型与IFDM系统的耦合方法

1.5 基于IFDM系统的精细化管理技术

通过上述针对线源和面源处理的IFDM系统可以模拟局地尺度所有污染源的扩散情况，同时还可以耦合区域尺度模型。基于该模型开发了地区精细化管理技术。该技术可对某个区域未来时段的污染来源进行解析，包括区域背景的贡献以及当地重点企业、重点道路和生活源对任意受体点的贡献浓度。当地管理部门可以通过该技术掌握所管辖地区不同污染源的贡献值和贡献比例，特别是重污染天气时可以做到有的放矢，精准治理。同时该技术还可以模拟不同减排情景的减排效果，为地方政府制定限产减排措施，提供科学的决策支持工具。

1.6 IFDM系统的验证

文献[19-21]对进行以上技术处理的IFDM系统做过验证工作，表明IFDM系统具有良好的模拟性能。现获取河北某城市的污染源排放清单以及气象数据，输入该IFDM系统中模拟2015年11月15日—2016年3月15日采暖季的ρ(PM2.5)，验证表明，IFDM系统具有良好的模拟性能。图2为IFDM模拟值与实际监测值的时间序列对比；图3为IFDM模拟值与实际监测值对比的散点图，对模拟值与实际监测值进行了线性回归拟合，发现IFDM模拟值与实际监测值的相关系数为0.76。

图2 河北某城市某站点2015年采暖季IFDM系统对PM2.5的模拟值与监测值对比

图3 河北某城市2015年采暖季IFDM系统对PM2.5模拟值与监测值对比散点图及拟合度检验

2 典型案例分析

2.1 数据来源

河北省南部某热电厂所处地区第二季度的主导风向为西南风[22]，利用IFDM系统模拟了2019年4月1日—6月30日该热电厂对所在地区空气质量的影响，模拟区域覆盖所在地区整个区域，其中设置了包含2个省控监测站点在内的4 539个受体点。

S1和S2站点的实时污染物监测数据来自于河北省空气质量实时发布平台，风向、风速及温度等气象数据来自于该地区的气象地面观测站；该电厂分为2个机组，热电厂的烟囱信息及排放量数据均来自于该企业的烟气在线监测数据，见表1。

表1 热电厂烟囱信息及排放量数据

2.2 结果与讨论

2.2.1 热电厂对所在地区各月份空气质量的影响

基于模拟分析结果计算了该热电厂对所在地区空气质量的月均贡献情况，提取了该热电厂对S1、S2 2个省控监测站点各项污染物的月均贡献值。图4(a)(b)(c)为该热电厂2019年4—6月对所在地区SO2的影响均值。

图4 2019年4—6月该热电厂对所在地SO2的影响均值

因4月份该地区主导风向为南风和东北风，该热电厂对其北部地区和西南部地区空气质量影响较大；5月份该地区的主导风向为南风，该热电厂对其北部地区空气质量影响较大；6月份的主导风向为西南风和东北风，该热电厂对其东北部地区和西南部地区空气质量的影响较大。由于双高斯烟羽模型模拟的是烟气的扩散过程主要受风向、温度等气象条件的影响，因此模拟的其他污染物的扩散形态及影响范围与SO2一致。热电厂对2个监测站点SO2、NO2、PM2.5、可吸入颗粒物(PM10)的月均贡献值见表2。

表2 热电厂对2个监测站点污染物的月均贡献

2.2.2 热电厂监测站点贡献值最大的气象条件

S1和S2省控监测站点距离该热电厂分别为6.4和6.6 km。在二季度多发西南风的情况下，易处于下风向的位置，且距离正处在下风向6～10 km热电厂落地值较大的区域内[11]。通过模拟发现2019年5月24日04：00，该热电厂对上述2个站点各项污染物的贡献值最大，见表3。这段时间的气象条件为风速1.3 m/s，风向为229°的西南风。

表3 模拟期间热电厂对S1和S2站点的最大贡献值和贡献率

2.2.3 热电厂所在地区空气质量与风向的关系

利用热电厂所在地区2019年4月1日—6月30日S1和S2站点SO2、NO2、PM10及PM2.5质量浓度与气象数据，分析了其各个风向时污染物均值，见表4。 由表4可见，当风向为南西南、西南及西西南时，各项污染物均值均处于相对较高水平，这与上述热电厂在西南风时对所在地区各项污染物的贡献值较大一致。

表4 S1和S2站点的各个风向下污染物均值 μg/m3

3 结论

(1)IFDM系统在双高斯烟羽模型的基础上，对线源和面源进行相应的处理，并可以耦合区域尺度模型，这样集成的模拟系统不仅可以模拟局地尺度所有污染源的扩散情况，同时还可以对局地的污染来源进行解析。

(2)通过实际运用模型发现，该热电厂4—6月对S1、S2站点NO2的平均贡献值分别为2.0，3.2和4.4 μg/m3；对SO2的平均贡献值分别为1.9，3.1和3.5 μg/m3；对PM10的平均贡献值分别为0.45，0.7和0.85 μg/m3；对PM2.5的平均贡献值分别为0.25，0.45和0.55 μg/m3。

(3)当风速为1.3 m/s,风向为229°的西南风向时，该热电厂对S1和S2站点的污染物贡献值最大。

(4)所在地区二季度的主导风向为西南风，因此建议在这段时间应注意该热电厂对所在地区空气质量的影响。在气象条件不利时，尤其是风向为西南风时，建议对该热电厂实行管控措施。