?？诔鞘泄卉囆旭偣r構(gòu)建及排放清單建立

李 峰，莊繼暉，李孟良

(1.海南大學(xué) 機(jī)電工程學(xué)院， 海口 570228； 2.中國汽車技術(shù)研究中心， 天津 300000)

機(jī)動(dòng)車排放是世界許多城市的主要空氣污染源[1]。公共交通是城市得以正常運(yùn)轉(zhuǎn)的重要基礎(chǔ)設(shè)施之一，優(yōu)先發(fā)展城市公共交通是提高交通資源利用效率，緩解交通擁堵的重要手段。駕駛循環(huán)是用來描述車輛行駛特征的速度-時(shí)間曲線[2-3]。確定駕駛循環(huán)就是對(duì)車輛的實(shí)際行駛狀況進(jìn)行調(diào)查[4]，并對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，運(yùn)用相關(guān)數(shù)學(xué)理論方法對(duì)典型道路車輛行駛狀況進(jìn)行定量描述。駕駛循環(huán)主要用于確定車輛污染物排放量和燃油消耗量，是汽車工業(yè)的一項(xiàng)核心指標(biāo)。公交車具有相對(duì)固定的行駛區(qū)間,從而使得其行駛特性不同于一般的乘用車[5]。本文通過車載數(shù)據(jù)記錄儀采集?？谑械缆方煌▽?shí)際行車數(shù)據(jù)，構(gòu)建典型道路行駛工況，能在相當(dāng)程度上還原出?？诘缆返膶?shí)際交通狀況，對(duì)促進(jìn)適合本地區(qū)道路交通狀況的車輛設(shè)計(jì)和開發(fā)、降低油耗、減少尾氣排放有重要意義。

相比道路排放實(shí)測，排放預(yù)測模型主要通過對(duì)機(jī)動(dòng)車技術(shù)分布、行駛工況、燃油品質(zhì)等參數(shù)的調(diào)查，將模型本地化，從而獲得排放清單。常見的預(yù)測模型有IVE模型、EMFAC模型、MOBILE模型、CMEM模型及COPERT模型等[6]。IVE模型利用模型本身內(nèi)嵌的污染物基準(zhǔn)排放因子乘以一系列修正參數(shù)從而得到當(dāng)?shù)貦C(jī)動(dòng)車排放因子，其最大特點(diǎn)是引入了比功率(VSP)和發(fā)動(dòng)機(jī)負(fù)荷(ES) 2個(gè)參數(shù)[7]。其中，VSP能夠真實(shí)地反映車輛運(yùn)行工況與機(jī)動(dòng)車尾氣排放量之間的關(guān)系，而ES又與機(jī)動(dòng)車瞬時(shí)速度和發(fā)動(dòng)機(jī)前20 s的歷史VSP有關(guān)，這2個(gè)參數(shù)的引入大大提高了模型預(yù)測的可靠性[8]。本研究通過對(duì)?？谑泄卉嚨男旭偣r、技術(shù)水平分布、活動(dòng)特征等參數(shù)的采集，將IVE模型本地化，計(jì)算獲得2017年海口市公交車排放清單。

1 工況構(gòu)建與排放清單建立

1.1 數(shù)據(jù)采集

為了采集?？谑袃?nèi)營運(yùn)公交車輛實(shí)時(shí)運(yùn)行數(shù)據(jù)，本研究采用了道路試驗(yàn)遠(yuǎn)程信息系統(tǒng)。該系統(tǒng)主要包括車載數(shù)據(jù)記錄儀和車輛遠(yuǎn)程管理服務(wù)平臺(tái)兩部分。車載數(shù)據(jù)記錄儀對(duì)實(shí)際車輛運(yùn)行過程中道路工況、駕駛行為和車輛運(yùn)行數(shù)據(jù)進(jìn)行采集、記錄和傳輸，如圖1所示。該設(shè)備通過OBD口接入整車CAN網(wǎng)絡(luò)實(shí)時(shí)獲取行駛信息。車載數(shù)據(jù)記錄儀通過GPRS模塊將數(shù)據(jù)傳輸至車輛遠(yuǎn)程管理服務(wù)平臺(tái)。車輛遠(yuǎn)程管理服務(wù)平臺(tái)主要作為數(shù)據(jù)中轉(zhuǎn)中心、車輛運(yùn)行數(shù)據(jù)庫。圖2為道路試驗(yàn)遠(yuǎn)程信息系統(tǒng)的數(shù)據(jù)分析研究流程圖。

圖1 重型車車載記錄儀實(shí)物圖

圖2 數(shù)據(jù)分析研究流程

研究對(duì)象來自6條公交線路的12輛公交車。研究選取2017年7月1日至2017年7月31日，6∶00—23∶00的行駛數(shù)據(jù)，車輛行駛數(shù)據(jù)涵蓋工作日與非工作日，包含車流量高峰期和非高峰期各時(shí)段，所選線路覆蓋主要市區(qū)和郊區(qū)。將車載數(shù)據(jù)記錄儀所采集的數(shù)據(jù)剔除無效部分后，獲得有效行駛數(shù)據(jù)共計(jì)700萬余條。圖3為公交線路覆蓋圖。

圖3 公交線路覆蓋圖

1.2 工況構(gòu)建

車輛從起點(diǎn)到終點(diǎn)過程中，會(huì)受到各種交通狀況的影響，導(dǎo)致其間存在多次起步與停車的操作。將汽車從一個(gè)怠速開始到下一個(gè)怠速開始的運(yùn)動(dòng)定義為一個(gè)微行程(Microtrip)[9]。車輛的行程可視為各種微行程的組合，將這些微行程片段根據(jù)交通特性分類研究，并在此基礎(chǔ)上構(gòu)建道路行駛工況[10]。為從原始數(shù)據(jù)中區(qū)分各工況，各工況定義為：① 加速工況，a≥0.15 m/s2,v≠0；② 減速工況，a≤-0.15 m/s2,v≠0；③ 勻速工況，|a|<0.15 m/s2，v≠0; ④ 怠速工況，a=0，v=0，但發(fā)動(dòng)機(jī)工作。

為分析和評(píng)價(jià)各運(yùn)動(dòng)學(xué)片段，定義了15個(gè)特征參數(shù)：運(yùn)行距離、運(yùn)行時(shí)間、加速時(shí)間、勻速時(shí)間、減速時(shí)間、怠速時(shí)間、最大速度、平均速度、行駛速度、速度標(biāo)準(zhǔn)偏差、最大加速度、加速段平均加速度、最大減速度、減速段平均減速度、加速度標(biāo)準(zhǔn)偏差。利用Matlab編寫相應(yīng)的用于提取微行程片段的m程序，計(jì)算得出35 345個(gè)微行程片段的特征參數(shù)。

對(duì)于高維數(shù)據(jù)，難以直觀地發(fā)現(xiàn)其中的模式和規(guī)律，故需要降維處理。所選取的前15個(gè)用于分類的特征參數(shù)之間存在著不同強(qiáng)弱的相關(guān)性，且并非相互獨(dú)立。利用SPSS對(duì)35 345個(gè)微行程片段的15個(gè)用于分類的特征參數(shù)樣本進(jìn)行因子分析。前5個(gè)因子累計(jì)貢獻(xiàn)率為87.467%，大于85%，基本包含了各變量的主要信息，選取為主因子。15項(xiàng)特征參數(shù)的微行程片段通過降維后可用5個(gè)主因子表達(dá)。

將微行程片段聚類分析，為行駛工況構(gòu)建做基礎(chǔ)準(zhǔn)備，k-means是劃分方法中較經(jīng)典的聚類算法之一。由于該算法的效率高，所以在對(duì)大規(guī)模數(shù)據(jù)進(jìn)行聚類時(shí)被廣泛應(yīng)用。本研究采用SAS JMP對(duì)微行程片段進(jìn)行k-means聚類處理，將35 345個(gè)微行程片段分為“較暢通”和“較擁堵”兩類，分類結(jié)果如表1所示。

表1 運(yùn)動(dòng)學(xué)特征值

在表1中，相對(duì)較擁堵片段而言，較暢通片段的平均速度、行駛里程和持續(xù)時(shí)間均明顯較大，能夠較好地反映公交車的實(shí)際工況。

參考幾種國際典型行駛工況的持續(xù)時(shí)間，構(gòu)建工況運(yùn)行時(shí)間預(yù)計(jì)為1 200 s[11]。根據(jù)兩類工況微行程片段占總片段的比例，確定兩類片段的組成結(jié)構(gòu)。對(duì)隨機(jī)選出的片段，若該片段的特征值與對(duì)應(yīng)工況的綜合特征值誤差均在10%以內(nèi)[10,12]，則確定該片段是有效的；否則重新選取片段，直至行駛工況時(shí)間長度滿足條件?？傮w片段與被挑選片段的對(duì)比，如表2所示。

為了驗(yàn)證總體片段與被挑選片段的相關(guān)程度，使用Matlab的corr(a,b)函數(shù)，計(jì)算得兩種工況參數(shù)矩陣的皮爾遜相關(guān)系數(shù)為0.998，兩者高度相關(guān)，表明所構(gòu)建的工況能夠反映出?？谑泄卉嚨牡缆沸旭偁顩r。最終構(gòu)建的道路行駛工況如圖4所示。

表2 總片段與被挑選片段特征對(duì)比

圖4 公交車行駛工況

道路行駛工況圖是用來定量描述典型道路車輛行駛狀況的速度-時(shí)間曲線圖，對(duì)于車輛的排放預(yù)測研究有著至關(guān)重要的作用。其速度分布特征是構(gòu)建城市排放清單的關(guān)鍵參數(shù)。

1.3 利用IVE模型建立?？谑泄卉嚺欧徘鍐?/h3>

IVE模型輸入?yún)?shù)包括技術(shù)水平分布、VSP分布、啟動(dòng)分布和其他參數(shù)4部分。截止到2017年8月，?？谑泄卉嚨谋Ｓ锌偭繛? 874輛(數(shù)據(jù)來自?？谑泄卉嚰瘓F(tuán))。公交車的技術(shù)水平分布如表3所示。

車輛比功率(vehicle specific power，VSP)定義為發(fā)動(dòng)機(jī)每牽引一噸重量所輸出的功率，單位為kW/t[13]。VSP的數(shù)學(xué)表達(dá)式為:

VSP=v×[1.1a+9.81×(atan(sinG))+

0.132]+0.000 302v3

(1)

式(1)中：v為汽車瞬時(shí)速度(m·s-1)；a為汽車瞬時(shí)加速度(m·s-2)；G為海拔高度(m)。?？贕取值為0，式(1)可簡化為：

VSP=v×(1.1a+0.132)+0.000 302v3

(2)

表3 公交車技術(shù)水平分布

注：NG代表壓縮天然氣；3Wy代表三元催化轉(zhuǎn)化技術(shù)；EGR代表廢氣再循環(huán)技術(shù)

IVE模型引入了發(fā)動(dòng)機(jī)工作強(qiáng)度ES，用于表示歷史工作狀態(tài)和排放量之間的關(guān)系[14]。發(fā)動(dòng)機(jī)工作強(qiáng)度用來表示發(fā)動(dòng)機(jī)在過去20 s的運(yùn)行特征與發(fā)動(dòng)機(jī)轉(zhuǎn)速。

ES=0.08×Pave+Rindex

(3)

(4)

式中:Pave為機(jī)動(dòng)車前20 s的VSP平均值,單位為t·kW-1；0.08為經(jīng)驗(yàn)系數(shù)，Rindex為發(fā)動(dòng)機(jī)轉(zhuǎn)速指數(shù)，最小值為0.9，是瞬態(tài)速度v與速度因子ω的商，本文選用模型推薦值來確定速度因子。ES被模型分為高、中、低3檔，結(jié)合VSP已經(jīng)被劃分成的20個(gè)區(qū)間，共形成60個(gè)VSP/ES分布區(qū)間，即60個(gè)Bin值。每一個(gè)Bin采用不同的修正因子分別計(jì)算，提高了模型預(yù)測的準(zhǔn)確性和可靠性。將速度和加速度代入上述公式中，計(jì)算得到公交車的VSP/ES Bin值分布，結(jié)果如表4所示。通過對(duì)公交車的啟動(dòng)數(shù)據(jù)處理，得到熱浸時(shí)間分布，如表5所示。

表4 公交車VSP分布

表5 公交車熱浸時(shí)間分布

影響機(jī)動(dòng)車污染物排放的參數(shù)還包括油品質(zhì)量、環(huán)境濕度、環(huán)境溫度及海拔高度等。參照國家油品質(zhì)量標(biāo)準(zhǔn)和地理、氣象資料填入。車用油含硫量取15 ppm，燃油中不含鉛。2017年7月平均氣溫31.7℃。本文主要參考了劉歡等[15]基于國家第3階段機(jī)動(dòng)車污染物排放標(biāo)準(zhǔn)確定的基礎(chǔ)排放校正因子。截止2017年8月，海口市運(yùn)營的公交車輛均符合國家第4階段機(jī)動(dòng)車污染物排放標(biāo)準(zhǔn)，該標(biāo)準(zhǔn)相比上一階段標(biāo)準(zhǔn)對(duì)4類排放物的限值分別下降30.3%、30%、28.6%、80%，修正得出VOCs、NOx、CO和PM的基礎(chǔ)排放校正因子分別為0.96、0.48、1.03、0.2。

1.4 利用PEMS驗(yàn)證排放清單

PEMS(portable emission measurement system)即車載尾氣檢測系統(tǒng)，主要作用是實(shí)時(shí)測試車輛的排放值，如圖5所示。

圖5 車載尾氣檢測系統(tǒng)

廢氣流量計(jì)測量由排氣管排出的廢氣流量和溫度。車載尾氣檢測系統(tǒng)對(duì)取樣管中的廢氣進(jìn)行氣態(tài)污染物濃度測量，同時(shí)安裝在實(shí)驗(yàn)車輛上的 GPS 和溫度濕度計(jì)記錄其行駛度、地理位置和空氣環(huán)境信息，經(jīng)系統(tǒng)處理后得到車輛尾氣排放速率，測試車輛參數(shù)如表6所示。

表6 測試車輛參數(shù)

參數(shù)行駛里程/km燃油類型整備質(zhì)量/kg96 933柴油10 150參數(shù)加載質(zhì)量/kg額定功率/kW額定轉(zhuǎn)速/(r·min-1)1 0501912 300參數(shù)總質(zhì)量/kg核定載人數(shù)核定載質(zhì)量/kg14 000413 850參數(shù)缸數(shù)排量/L排列形式67.255直列式

測試車輛符合國家第4階段機(jī)動(dòng)車污染物排放標(biāo)準(zhǔn)，車輛行駛距離為76.2 km，測試路段均為城市道路。通過試驗(yàn)結(jié)果與模型計(jì)算結(jié)果的比較，可以對(duì)排放清單準(zhǔn)確度進(jìn)行驗(yàn)證。

2 結(jié)果與討論

計(jì)算構(gòu)建工況與中國主要城市公交車行駛工況的特征參數(shù)進(jìn)行對(duì)比分析，如表7。

表7 ?？诤椭袊饕鞘泄卉囆旭偣r對(duì)比

從表7可以看出：?？诠卉嚨钠骄囁傧啾绕渌鞘休^高，達(dá)到了20.4 km/h，與武漢接近；最大加、減速度明顯小于其他城市，分別為2.33 m/s2、-2.69 m/s2，與武漢的6.26 m/s2和-6.71 m/s2相差懸殊；加速比例為30.5%，明顯高于其他城市，減速比例為23.7%，略高于其余4個(gè)城市；勻速比例為29.0%，處于各城市中游；相應(yīng)的怠速比例較低，為16.8%。城市公交在行駛時(shí)，加減、速度較小，對(duì)提升乘客的乘坐舒適性具有積極作用，而加、減速時(shí)間占比較大會(huì)增加車輛燃料的消耗。

經(jīng)模型計(jì)算，?？谑泄卉嚠a(chǎn)生的主要污染物為VOCs、NOx和CO，其排放總量分別為1.632×103t、1.245×103t、4.137 6×104t，而PM排放總量為35 t。各類車型排放貢獻(xiàn)量如表8所示。經(jīng)試驗(yàn)測得的實(shí)際道路排放測試結(jié)果如表9所示。

由表9得到的柴油車VOCs、NOx、CO和PM年排放總量分別為95.02 t、654.26 t、561.76 t、24.86 t，分別是模型計(jì)算值的0.81、0.88、0.84、0.79倍，計(jì)算誤差在合理范圍內(nèi)[16]。

表8 海口市公交車各燃料車型排放貢獻(xiàn)

表9 實(shí)際道路排放測試結(jié)果

從表8中可以得出：占據(jù)數(shù)量最多的天然氣車，對(duì)VOCs排放的貢獻(xiàn)率最大，高達(dá)76.92%，汽油車與柴油車的數(shù)量比較接近，但汽油車VOCs的貢獻(xiàn)率為15.92%，是柴油車的2.2倍。這是由于汽油比柴油具有更強(qiáng)的揮發(fā)性。柴油車對(duì)PM排量的貢獻(xiàn)率高達(dá)89.57%，而汽油車只有10.43%，這主要由柴油機(jī)的燃燒特性決定。柴油車對(duì)NOx排量的貢獻(xiàn)最高，達(dá)到了59.78%，其次是天然氣車占36.35%，最低的是汽油車，只有3.87%。柴油車和天然氣車成為了主要的NOx產(chǎn)生源，燃料的燃燒過程的控制與后處理技術(shù)的升級(jí)，將有利于降低NOx的排放量。天然氣車對(duì)CO的排放貢獻(xiàn)率最高，高達(dá)88.13%，汽油車占10.24%。CO產(chǎn)生的主要原因是燃料燃燒不夠充分，對(duì)數(shù)量占比最高的天然氣車進(jìn)行燃燒優(yōu)化研究，可有效降低CO的排放總量。柴油車的CO排量低于汽油車，是由它們各自的燃燒方式?jīng)Q定的。隨著天然氣車數(shù)量的增多，PM的排放量可以顯著降低，但在燃燒過程的控制及燃燒后的處理方面，還有較大的提升空間。

總體來看，通過車載數(shù)據(jù)記錄儀采集數(shù)據(jù)并利用微行程片段構(gòu)建車輛駕駛循環(huán)的方法，能夠有效地反映出當(dāng)?shù)剀囕v運(yùn)行的真實(shí)狀況。對(duì)提升排放預(yù)測結(jié)果的精確度起重要作用。相較于傳統(tǒng)方法需要嚴(yán)格的測試條件，該方法能提供更便捷的測試途徑、更靈活多樣的實(shí)驗(yàn)方案?？梢詾槭澜缙渌貐^(qū)、其他車型的工況構(gòu)建以及排放預(yù)測提供參考。IVE模型的?？诒镜鼗拚椒?，對(duì)于其他地區(qū)的排放清單建立與空氣污染研究提供了一種可行度較高的方法。

3 結(jié)論

通過運(yùn)動(dòng)學(xué)片段來構(gòu)建行駛工況圖，再利用IVE模型來建立?？谑泄卉嚨呐欧徘鍐?。本研究得出以下結(jié)論：

1) 利用微行程構(gòu)建的?？诠卉囆旭偣r，能更好地反映?？谑泄卉嚨男旭偁顟B(tài)。對(duì)于行駛特征相對(duì)鮮明的公交車輛，在本地化行駛工況構(gòu)建方面有了更好的方法。在實(shí)驗(yàn)便捷性、靈活度方面，該方法也有良好的表現(xiàn)。

2) 與其他城市相比，海口公交車的平均行駛速度較高，加、減速度較小，加、減速時(shí)間占比較高，怠速時(shí)間比例較低；

3) 利用修正后的IVE模型獲得了?？谑泄卉嚨呐欧徘鍐?，分析其各類污染物排放量，為研究城市機(jī)動(dòng)車尾氣排放、減少尾氣排放量和可持續(xù)發(fā)展提供了重要基礎(chǔ)。該模型的修正方法為世界其他地區(qū)的研究者進(jìn)行排放預(yù)測和空氣污染方面的研究提供了參考思路。