基于COPERT4模型的山东省汽车尾气排放特征及预测研究--《中国海洋大学》2015年硕士论文
基于COPERT4模型的山东省汽车尾气排放特征及预测研究
【摘要】：社会经济的快速发展使得山东省汽车数量在过去的13年中年均增长20.42%。由此带来了严重的汽车尾气污染。汽车尾气对城市大气污染的贡献率达到40-70%。汽车尾气污染物对居民的身体造成了巨大的影响。本文运用COPERT4模型对山东省汽车的CO、NOx、NMVOC、PM等主要污染的排放因子和排放量进行了计算,并利用实测数据对排放因子模拟结果进行验证。结果表明,COPERT4模型适用于山东省汽车CO排放因子的模拟。国Ⅲ排放标准车辆的各种排放因子相对国Ⅰ排放标准都有了较大的减小。以重型柴油货车的NOx为例,国Ⅲ比国Ⅰ前降低42.9%,PM的控制效果也比较明显,国Ⅲ比国Ⅰ前降低75%。国Ⅳ汽油小客车的CO排放因子比国Ⅰ前降低96.8%。结合车辆行驶里程和汽车数量计算了山东省、、2013年的污染物排放量,CO、NOx、NMVOC和PM的排放量分别从2000年的32.32万吨、17.69万吨、6.91万吨、0.8万吨增加到2013年的99.92万吨、76.42万吨、23.81万吨和2.66万吨,分别增加了209%、332%、245%和233%,年均增长9.07%、11.91%、9.98%、9.68%。年CO、NMVOC、NOx和PM分车型的排放特征：CO排放量较大的是小型客车和轻型货车,平均年排放占比35.19%和19.64%。客车中除大客车外的CO排放量基本都呈增长趋势,货车中除重货车外CO都呈减小趋势。NOx的排放主要是由货车产生的,2000年主要由轻型货车排放,排放占比达35.32%,紧随其后的是中型货车排放,分担率为26.38%。2013年NOx的排放则主要是由重型货车产生,占比达到47.71%,客车中NOx排放量较大的是小型客车,分担率为20.26%。只有小型客车和重型货车的排放分担率在逐年增长,其它车型的NOx的排放分担率都在减小。排放量最小的是微型货车。NMVOC的排放中分担率较大的是小型客车和重型货车,2013年分别占55.13%和22.16%。在过去的13年里,除了小型客车和重型货车之外,其它类型的车辆的NMVOC排放量都在减小。PM的排放则主要来源于货车,以重型货车最为严重,并且重型货车的PM分担率越来越大,2013年占55.83%。其它类型车辆的PM排放都呈缓慢减小的趋势。在汽车污染控制中应该重点控制小型客车、重型货车和轻型货车。利用年的原始车辆数据,建立了各车型的灰色GM(1,1)预测模型。并结合外推预测法和线性预测法预测出年山东省汽车保有量。结果显示2018年时山东省汽车总量将达到万辆,其中小型客车占比85.56%,将达到万辆。轻型货车占比7.01%,重型货车占比3.63%。小型客车和重型货车的年均增长率分别为14.40%和14.37%。中型货车和微型货车呈现负增长,增长率分别为-2.00%和-20.99%。利用COPERT 4模型计算年的CO、NOX、NMVOC、PM2.5的排放量。结果显示2018年时CO、NOx、NMVOC、PM2.5的排放量分别为1026993吨、152013吨、466532吨和23949吨。但是随着更为严格的国Ⅳ和国Ⅴ排放标准的实施,未来5年CO、NMVOC、NOx以及PM2.5年均减少10.62%、11.74%、13.16%和5.12%。与2013年相比,NOx和NMVOC的排放减少了39%和36%。并对铅、铬、镉、硒、铜、锌、镍的排放总量进行了预测。
【学位授予单位】：中国海洋大学【学位级别】：硕士【学位授予年份】：2015【分类号】：X734.2
欢迎：、、)
支持CAJ、PDF文件格式
【参考文献】
中国期刊全文数据库
王立颖;;[J];辽宁警专学报;2015年01期
彭仁和;;[J];湖南安全与防灾;2015年01期
邱兆文;邓顺熙;陶双成;;[J];汽车工程;2014年01期
李鹏;张纪鹏;霍炜;;[J];青岛大学学报(工程技术版);2013年01期
王孝文;田伟利;张清宇;;[J];中国环境科学;2012年08期
姚欣灿;黄如娜;农加进;张少君;周昱;吴烨;;[J];广州环境科学;2012年02期
郝吉明;程真;王书肖;;[J];环境保护;2012年09期
张宏群;程珊蓉;邹应全;;[J];光通信技术;2012年02期
杜宝程;;[J];农家科技;2011年S3期
蔡皓;谢绍东;;[J];北京大学学报(自然科学版);2010年03期
【共引文献】
中国期刊全文数据库
樊守彬;田灵娣;张东旭;;[J];环境工程学报;2016年06期
王慧慧;曾维华;吴开亚;;[J];中国环境科学;2016年05期
梁涛;宋维薇;王凤艳;戚秀云;吕娜;李一凡;;[J];黑龙江大学自然科学学报;2016年02期
魏庆峨;;[J];科学中国人;2016年09期
肖文丰;杨焕强;周斌;于之锋;齐冰;郑雪;;[J];杭州师范大学学报(自然科学版);2016年02期
刘永清;;[J];现代车用动力;2016年01期
郑涛;陈畅;;[J];生态经济;2016年03期
王晓宁;张宏智;付亚君;;[J];公路交通技术;2016年01期
高锋;何剑斌;张燚;龙淼;李林;李颜鹏;韩阳;王雪;姜丽莹;杨淑华;;[J];中国畜牧兽医;2016年02期
郝艳召;邱兆文;刘强;;[J];环境科技;2016年01期
【二级参考文献】
中国期刊全文数据库
李瑞敏;何群;李帅;;[J];城市交通;2013年05期
么丽欣;张海波;白辰;;[J];汽车工业研究;2013年09期
孙正一;赵双喜;;[J];轻型汽车技术;2013年03期
薛佳平;张黎丽;;[J];山西建筑;2013年05期
田娟;;[J];黑龙江科技信息;2012年23期
彭美春;蔡妙甜;吴晓伟;方荣华;李剑锋;林怡青;;[J];汽车工程;2011年11期
高伟;程文明;;[J];现代商贸工业;2011年20期
穆燕;秦小光;刘嘉麒;殷志强;;[J];海洋地质与第四纪地质;2011年01期
秦亚丽;张海青;张贵英;倪邦发;王平生;聂鹏;黄东辉;陈喆;吴伟明;;[J];原子能科学技术;2011年01期
薛佳平;张清宇;田伟利;;[J];浙江大学学报(理学版);2011年01期
【相似文献】
中国期刊全文数据库
刘腾述;;[J];汽车与配件;2009年34期
赵萍;;[J];防灾博览;2012年02期
陆小玲;;[J];源流;2006年03期
磨雪光;;[J];道路交通管理;2005年11期
;[J];中国橡胶;1996年01期
李玉婕;阎野;宋玉涛;段红娜;李木森;;[J];热处理技术与装备;2014年04期
;[J];;年期
中国重要会议论文全文数据库
;[A];2007年度中国汽车摩托车配件用品行业年度报告[C];2008年
李芳;绳珍;曹泽磊;黄宇广;;[A];2014中国环境科学学会学术年会（第六章）[C];2014年
中国重要报纸全文数据库
栾国鍌;[N];国际商报;2006年
贾太平;[N];中国国门时报;2010年
金文莲　王怡然;[N];闽北日报;2011年
青闻;[N];中国交通报;2002年
记者 邸兰英;[N];牡丹江日报;2010年
枭冬;[N];现代物流报;2014年
郭子;[N];现代物流报;2008年
金文莲;[N];福建日报;2011年
杨勇;[N];河南法制报;2014年
彭之丹;[N];贵阳日报;2007年
中国硕士学位论文全文数据库
李玉婕;[D];山东大学;2015年
王聪;[D];中国海洋大学;2015年
范广库;[D];西安理工大学;2008年
&快捷付款方式
&订购知网充值卡
400-819-9993低速电动汽车，能耗问题怎么考虑（完全篇）低速电动汽车，能耗问题怎么考虑（完全篇）动力电池技术百家号出差到河南、山东，路上小巧的低速电动汽车比比皆是。很长时间以来，低速车都处于灰色地带，全国各个省市的政策都不明确，低速车真的是野蛮生长。日第三批国家标准制修订计划中，《四轮低速电动车技术条件》推荐标准赫然在列。计划编号为“-T-339”。官方这个给名分的动作，无疑使得低速电动汽车看到了转正的曙光。低速电动汽车，可以说是一种自下而上生长出来的物种，这符合凯文凯利的“涌现”原则。这也带来了一个问题，市面上的低速电动汽车已经形成气候，但对其设计、制造原理的讨论却并不多。怎样考虑低速电动汽车的能量消耗，就是这样一类问题中的一个。本文整理相关资料，一起来看看低速电动车能量消耗的问题。针对低速电动汽车的市郊和乡村工况，现在是否已经有成熟版本，我确实没有掌握这个信息，于是翻找资料，发现了下面这篇文章。题目《Modeling and predicting low-speed vehicle emissions as a function of driving kinematics》作者LijunHao等。这是一篇针对燃油车的文章，介绍了针对低速车辆的尾气排放和能耗测试方法进而建立预测模型的过程。可以说是一个建立新的工况的过程概述，虽然与电动汽车并不完全对症，但方法是近似的。并且，电动汽车对于功率、电压等参数的记录比燃油车的测试要简单易行。燃油的消耗对应动力电池电量的消耗，在作者介绍模型的基础上，添加电动汽车传动系统对应的效率数据，文章中的低速燃油车模型就粗略的转化成了低速电动汽车的能耗模型。温度、SOC等因素对电池的影响则需要进一步的考虑。建立初始模型，确定考虑的参数；采集路测数据，校准模型；对比模型预测与路测数据的差异，精进模型。周而复始。1 主要场景低速电动车，在我国，最红火的市场在小城市和城市郊区，主要的道路是国道和乡村公路。针对这样场景的工况，既不同于城市道路工况，更不是高速工况。2 主流技术参数主流技术参数如下表所示。可以看到电池有铅酸也有锂电池，电压等级60V和72V为主。电机的选择，异步电机占了大多数。3 续航里程的理论计算车辆在平直路面上匀速行驶时消耗的功率为：式中，m 为整车质量，kg；f 为轮胎滚动阻力系数；CD 为空气阻力系数；A 为迎风面积；u 为车速，km/h。等速法的续驶里程（在足够短的一段时间里，其实任何工况都可以可以看成等速，变速只是众多等速随着时间推移的逐步叠加）为：式中，ua 为车速，km/h；W 为电池储存的能量，kWh；η为机械系统和电气系统的总效率。工况法的续驶里程为：式中，Si 为每个状态的行驶距离，km；k 为车辆能够完成的状态总数，或者说等速段落的总数。4 能量消耗的影响因素从前面的几个公式结合车辆结构不难看出，影响续航里程的可变因素包括：整车质量，电池因素，电机因素，轮胎因素，车型设计和车速。4.1 整车质量对于确定的低速电动汽车而言，只有装载质量是变化的，不考虑空气阻力影响，能量利用效率与有效载荷比如下图所示。，随着载荷比增大，即整车的有效载荷越大，能量利用效率越高。在设计和使用低速电动汽车时，应尽可能减轻车辆自重，增加有效载荷。4.2 电池因素低速电动汽车可以使用的电池有铅酸电池、镍氢电池和锂离子电池，目前电池成本主要集中在电池生产成本和废弃电池引起的环境治理成本。方面。随着生产成本不断降低，锂离子电池的使用会逐渐增多。电池特性的不同，带来车辆能量消耗的不同特点。比如自身比能量小的电池，实际消耗更多能量用来牵引自身重量；充放电效率低的电池，则把更多的能量消耗在充放电的过程中，而不是用在车辆续航上。4.3 电机因素可供低速电动汽车选择的驱动电机包括直流电机、交流异步电机、永磁电机和开关磁阻电机。电机的类型对电气驱动系统以及电动汽车整体性能影响非常大，评价电动汽车的电气驱动系统实质上主要是对不同电机及其控制方式进行比较和分析。不同方案各有侧重，批量生产的可靠性和成本比方案本身更为重要。而电机的控制、自身效率等因素，直接影响车辆的总体能量消耗。4.4. 轮胎因素轮胎的影响主要表现在对滚动阻力的影响上，任何增大滚动阻力的因素都会使汽车的经济性变差。轮胎的材料、充气压力、类型、工作温度、直径和花纹等因素都会影响轮胎的滚动阻力，进而影响轮胎的经济性。其中，对低速电动汽车经济性影响最大的因素是轮胎的充气压力和轮胎的类型。4.5 理论需要时间的支撑以上是低速电动汽车能量消耗的主要影响因素的理论讨论。在实际考察车辆能耗时，这个级别的理论推算，往往“供参考”，因为车辆的工况非常复杂，够真正比较准确预测车辆能耗的，往往只能是实车测试。没有实车之前呢，工况法是比较常见的一种方法。5 翻译文献概述瞬时排放模型来模拟和预测低速车辆的实际驾驶排放。模型中使用的排放数据库是通过使用便携式排放测量系统（PEMS）在农村实际交通条件下测量的，并且排放数据的特征是由低速车辆的驱动动力学（速度和加速度）决定的。排放模型的输入是驾驶循环，模型要求瞬时车辆速度和加速度水平作为输入变量，并插入污染物排放速率表，以计算瞬时污染物排放速率。这些排放量将用来计算整个驾驶循环内的总排放量。通过碳平衡法测定车辆燃料消耗量。该模型预测了使用中的低速车模型的排放和燃料消耗，预测与实际测量数据一致。中国不断增加的汽车数量给能源安全和环境问题带来巨大压力。因此，中国已经由环境保护部（MEP）和中国国家标准化管理委员会（SAC）共同颁布了一系列严格的车辆和发动机排放标准。除了全国强制执行的国家标准之外，还在全国其他地区，包括北京，上海和广州等一些大城市，颁布了更为严格的地方标准。所有这些措施在控制车辆污染物排放方面发挥了重要作用。但中国农村车辆（RV）仍然不受中国机动车辆监管政策的控制。RV通常分为三轮RV和四轮RV。2005年，中国环境保护部为农村辆车颁布了GB排放标准，2006年和2007年分别实施了一期和二期排放限值。作为主要的农用车辆类型，低速汽车在中国的空气污染中所占的比例很大。来自低速车辆的最严重污染物是NOx和颗粒物质（PMs），柴油PM作为重要的人为气溶胶成分对太阳辐射的吸收作出了很大贡献（Streets等人，2001）。Sperling等人 （2005年）首次全面调查并评估在中国农用车的情况，并分析了RV技术，政府政策，对环境的影响，市场需求，行业动态。他们估算了农用车的总排放量，并得出结论，2002年中国农用车的排放量可能与中国普通车的排放量相同。中国的农用车排放量相对于普通车排烟和氮氧化物均具有更高的排放量，尤其超载状态下更是如此。姚等人（2011）利用中国真实道路行驶条件下的联合便携式排放测量系统（PEMS）测量了RVs的CO，HC，NOx和PM排放量，并比较了20辆RV与19欧II柴油轻型卡车（LDDT）的排放水平。他们发现，单缸RV具有比LDDT更高的基于燃料的PM排放因子，而四缸RV具有与LDDT等效的排放水平。根据排放因子和活动数据计算出的CO，HC，NOx和PM 总排放量，2006年中国RVs排放总量分别为1049 Gg CO，332 Gg HC，933 Gg NOx ，以及54Gg的PM，占全国路上柴油排放量的近40％。Wang等人 （2014）利用PEMS对6辆低速车辆的实际道路排放特性进行了研究，发现车速和加速度对国家道路和农村道路污染物排放影响很大。国家和农村道路加速方式的CO，HC，NOx和PM排放因子最高，分别为巡航模式的1.86,1.32,1.57和1.22倍。根据他们的实验结果， 2012年中国低速车辆的CO，HC，NOx和PM排放总量分别占车辆总量的0.5％，4.1％，7.3％和4.8％。Xu等人 （2014）使用PEMS测量国家道路和农村道路上的103-W RV的CO，HC，NOx和PM排放量，发现农村道路瞬时排放率波动比国道更频繁，大部分排放峰值出现在加速条件下。CO，HC，NOx和PM的加速模式，基于距离的排放因子最高的为国道和农村公路，尤其CO； CO，HC，NOx和PM的平均排放因子农村公路的高于国道。姚等人（2015）使用车载排放测量技术研究北京农村地区的实际道行驶车辆（RV）的挥发性有机化合物（VOC）排放情况。量化了近50种挥发性有机化合物，其中包括18种烷烃，5种烯烃，11种芳烃，13种羰基化合物和3种其他化合物。RVs根据其实验结果产生高比例的芳烃和羰基化合物，应该更多关注RVs的VOC排放及其对臭氧形成的影响。中国农用车在全国大气污染物排放总量中所占的比例很大。为了评估农用车排放控制政策和立法，需要做进一步的研究工作，以获得农用车准确的排放因子和排放清单。道路车辆的排放水平和燃油经济性能受许多参数的影响，包括与车辆相关的因素，如品牌，型号，尺寸，燃油类型，技术水平和里程以及速度，加速度，档位选择，道路坡度等运行因素和环境温度，以及车辆维护水平。道路车辆排放的复杂特征和道路车辆类型的多样性使得有必要利用排放模型来支持编制区域或国家排放清单。已经开发了许多数值模拟模型来详细预测发动机排放水平和道路车辆的性能。这些模型在计算要求和实验和物理数据输入方面有很大不同。一些移动源排放因子模型（如MOBILE（EPA，1999）和COPERT（Ntziachristos和Samaras，2000））基于特定工况循环的平均速度预测车辆排放。所以这些模型通常用于预测大型区域的排放清单，不适用于评估更具动态性的车辆驾驶情况。国际车辆辐射（IVE）模型（Davis和Lents，2002; ISSRC，2004），MOVES（Frey，2002），CMEM（Barth等人，2001），ARTEMIS（Andre和等人，Rapone，2008），VERSIT（Smit等人，2007年）等等，可以准确地反映道路车辆的排放量，这些排放量是车辆运行模式的函数，例如怠速，稳态巡航，各种加速度/减速度等。Boulter et al（2006）回顾了几种瞬时排放模型，并分析了它们几个方面的特性，如可达性，成本，能力和估计的稳健性。“瞬时”排放模型旨在通过在一系列短时间步骤（通常1秒）期间将排放速率与车辆操作相关联来提供车辆排放行为的精确描述。Haan和Keller（2000）研究了实际驾驶过程中乘用车的排放特性，并指出在实际驾驶的短暂峰值速率期间，高达一半的排放量被排放，因此使用平均值速度作为唯一的参数是不够的，需要采用代表车辆载荷的附加参数来解决具有相同平均速度但不同“动态”水平的驾驶模式的差异。过去开发了一些道路交通模式排放模型，包括附加参数以识别不同的车辆运行模式。例如，一些与加速事件车辆排放有关的模型（Joumard等，1995; Sturm等，1997）。根据不同的加速/减速级别，车辆驾驶模式将以速度/加速度矩阵进行分配。因此，还建立了与速度/加速度矩阵相关的排放速率矩阵。对于排放预测，车辆活动将被分解为几个部分，每个部分所花费的时间将乘以相应单元格的排放率。结果是指定车辆行驶周期产生的排放总和。Sturm 等人（）也利用瞬时排放建模方法预测道路交通排放量，把使用加速度作为唯一秒级参数和使用加速度和速度乘积进行比较，发现两种计算方法获得的结果，排放因子差异很小。在他们的研究中，他们还评估了不同规模发射矩阵的影响。目前许多研究都集中在被认为是城市大气污染的主要来源的乘用车，公共汽车和卡车许多车辆排放模型是为了预测道路车辆的排放特征而开发的，但是对于RV排放的调查和估算现有工作比较少。基于CO，HC，NOx和NOx的高分辨率（1 Hz）排放数据，我们使用SEMTECH-DS分析仪和真实道路上的电气低压碰撞器（ELPI）测量了低速车辆的PM（Wang等，2014）。研究人员开发了一种瞬时排放模型来表征与车速和加速度相关的低速车辆的排放。这种瞬时排放模型可以用来预测不同驾驶模式下的低速车辆排放特性。通过碳平衡法计算车辆燃料消耗。因此，模型使用者模型可以预测由模型用户指定的任何行驶速度时间序列的低速车辆排放量，可以不需要实际的道路排放测试而获得排放因子。6 测试车辆和设备道路测量为研究车辆产生的实际排放量和估计车辆或发动机运行与实际道路运行状况之间的差异提供了一种补充方法（Durbin等，2007; Liu等，2011）。使用PEMS进行车辆排放测试可以省去昂贵的排放测试设备，并且可以提供现场数据来评估模式排放模型的预测。PEMS可用于在多种环境条件下测量实际驾驶排放量，许多调查证明PEMS能够提供与实验室排放认证设备（Johnson，2009; Sharp等，2009）相当的测量精度等）。低速车辆的排放标准主要取决于发动机测功机的测试，但发动机排放测试循环不能代表低速车辆的实际驾驶条件。为了研究低速车辆的实际道路排放特征，我们使用PEMS测量了包括国家道路和农村道路在内的部分代表性路线上的低速车辆的CO，HC，NOx，PM和CO 2 排放。6.1 测试的车辆和路线在以前的研究中，我们测试了6辆低速车（王等人，2014），其中我们选择了2007年应用汽车厂制造的YT5815PD低速车作为测试车。YT5815PD低速车辆配备额定功率为58千瓦的柴油发动机，最高时速为68.9公里/小时，整备质量为2670千克，总载重为4365千克。YT5815PD低速车在招募条件下（不进行维修和调整）测试，并由车主驾驶，以使车辆的操作模式尽可能现实。车辆半载以反映日常的运输状态。YT5815PD车辆在山西省农村的实际交通状况下使用PEMS进行测试。测试路线涵盖了不同的道路类型，包括国家道路和农村道路，限速为40-70公里/小时。被测试的国道是一条双线道路，长约10.5公里，选定的农村公路为单线道路，长约10.8公里。为了消除风和路面坡度的影响，车辆来回驱动数次。对于每次运行，车辆位置和排放数据都是按秒记录的。我们已经为选定的低速车辆收集了11,000多个数据，其中约8200个有效数据用于排放矩阵的建立。6.2 检测设备使用SEMTECH-DS分析仪（Sensors，Inc.）测试YT5815PD低速车辆的道路气体排放。SEMTECH-DS分析仪使用非分散红外（NDIR）装置测量CO和CO2，THC加热火焰离子化检测器（HFID）和2Q549非分散紫外（NDUV）模块NO和NO 2 测量（Guo等，2014）。全球定位系统接收机被用来获得纬度，经度和车辆位置的高度，并且基于这些值计算车辆速度。温度，压力和相对湿度也通过天气探测器记录以供以后使用。使用四英寸钢管排气流量计（EFM）同时测量排气流量和排气温度。通过加热的样品管线将样品气体引入分析仪中，该样品管线被加热并保持在190℃以最小化碳氢化合物的损失。基于排气流量和各种排气成分的浓度和密度，可以计算出每种污染物的瞬时质量排放速率。电气低压冲击器（ELPI）（Dekati Ltd.，芬兰）用于测量发射粒子的实时数量浓度（PN）和粒度分布。基于粒子的空气动力学直径，所发射的颗粒尺寸范围0.0310 μ m内，被划分成12个信道，12个信道中的每一个被连接到静电计电流放大器上。发动机的发射颗粒将首先充电，然后根据惯性分离并收集到不同的阶段，其中电流将由相应的静电计电流放大器检测。每个通道的电流值与收集的颗粒数量成正比，并因此与特定尺寸范围内的颗粒浓度成正比（Marjamaki等，2000）。然后将测得的电流值转换成排气颗粒的空气动力学尺寸分布。Liang等人 （2013）研究了汽油车的PM和PN排放，并根据ELPI测得的数值浓度计算了PM质量，并将粒子密度确定为其直径的函数，并根据粒径使用六种密度分布，并获得符合重量法测量的颗粒质量。在本文中，瞬态颗粒物质的排放特性是通过Liang的方法得到的。每次测试前， 都要进行一系列的 预备程序，包括预热发动机和SEMTECH-DS，校准和测量设备的泄漏检查。在道路上实时排放HC，CO，NOx，CO2和PN的排放数据是按秒测量和记录的。7 模型开发和校准7.1 模型开发车辆排放受各种因素影响，其中车辆速度和加速度是表征车辆驾驶行为的两个重要参数（
Joumard等，1995; Sturm等，1997; Boulter等，2006 ）。在本文中，用于低速车辆排放模拟的瞬时排放模型也使用速度和加速度作为输入数据，排放率和燃料消耗是模型输出。每秒的结果累计计算在规定的驾驶周期内释放的总排放量。瞬时排放模型的结构如图1所示。模型输入是一个驾驶循环，它是一个速度时间序列曲线。对于输入数据处理，瞬时速度由选定的行驶周期确定，速度变化率即加速度直接由瞬时速度计算。瞬时排放模型旨在预测道路水平低速车辆的热运行排放，并能够针对各种交通状况进行排放预测。车辆燃料消耗量通过碳平衡法确定。在我们的实验研究中，测量并记录了YT5815PD低速车辆的大量逐秒排放数据（CO，HC，NOx，PM和CO2），并已用于构建排放图，其中作为反映车辆真实操作条件的车辆速度和加速度的函数以排放速率的查找表的形式存储。在排放速率矩阵中，速度范围从0至60公里/小时（以3公里/小时的间隔），和车辆加速度的值变化从- 1至1米/秒^2（在0.1米/秒^2的间隔）。每个节点处的数据通过对其周围的速度/加速度区间内的排放速率进行平均来计算。HC，CO，NOx，PM和CO的排放速率图，作为低速车辆速度和加速度的函数以曲面图的形式在图2中被绘制出来。我们可以看到明显的非线性特征以及作为速度和加速度的函数的HC，CO，NOx，PM和CO 2排放指标的显著“峰值”和“谷值”。图1 -瞬时排放模型的示意图。在图2中，纵轴表示以g /秒为单位的HC，CO，NOx，PM和CO 2排放速率。在我们的排放模型中，我们使用低速车辆速度v和加速度a作为两个输入参数。从速度时间序列计算。其中at （米/秒^2）是在时间t时刻的加速度；vt 和v(t-1) （米/秒）是车辆速度在时间t和t- 1时刻的速度，Δt 是的时间步长，360速度时间系列。对于排放估算，我们使用低速车辆速度和加速度，用内插值法取得污染物排放速率图，来计算即时的污染物排放率。逐秒排放速率结果累积以预测在整个行驶周期内释放的总排放量。其中mtot（g）为污染物总质量；met（克/秒）是在时间t时刻，各污染物的质量排放率；Δ t是模拟时间步长。以同样的方式，我们计算车辆总行程距离：其中Stot （公里）是累积的车辆总行驶距离。因此，我们可以计算每个排放成分的排放因子：采用碳平衡法计算低速柴油车[EU80/1268/EEC] 燃料消耗量：其中FC是每百公里燃料消耗值，EFHC（g/km）是HC的排放因子，EFCO（g/km）是CO 的排放因子，EFCO（g/km） ）是CO2的排放因子；D是在15℃的柴油机的密度。瞬时排放模拟模型是在Matlab程序中编写的，可用于模拟微观和宏观的低速车辆活动模式。例如，为了评估本质上更具动态性的车辆真实道路行驶排放，应该确定一秒一秒的速度分布，并且瞬时排放模型可以预测具有高度时间分辨率的排放。如果将这些模型用于预测大型区域的排放清单，则平均车辆驾驶特性（例如平均车速）可以作为模型输入，该排放模型还可以基于平均车辆活动参数估算车辆排放。本文开发的瞬时排放模型利用速度和加速度水平作为输入数据，因此可以应用于微观仿真智能交通系统（ITS）。图2 -作为低速车辆速度和加速度的函数的车辆排放速率图。7.2 模型验证和讨论模型验证工作基于模型预测结果与实验数据的比较。在对低速车辆进行排放试验期间，YT5815PD低速车辆共完成了20多次的行程，但由于数据错误，部分结果被丢弃。大部分有效数据都包含在排放图中。在有效的驾驶行程中，我们选择了一些可以预测高度时间分辨的排放。如果将这些模型用于预测大型区域的排放清单，则平均车辆驾驶特性（例如平均车速）可以作为模型输入，该排放模型还可以基于平均车辆活动参数估算车辆排放。本文开发的瞬时排放模型利用速度和加速度水平作为输入数据，因此可以应用于微观仿真智能交通系统（ITS）。具有同步排放测量的实际速度曲线，并使用速度曲线作为排放模型的输入来计算瞬时加速度，并使用瞬时速度和加速度内插污染物排放速率图以获得瞬时污染物排放速率，这也将被累计来预测整个驾驶行程的总排放量。预测的排放率直接与测量的排放数据进行比较。本文开发的瞬时排放模型可以很容易地验证和校准。图3 显示了 YT5815PD 低速车辆选定的热稳定驾驶行程。此行程长6.55公里，持续1152秒，平均时速为20.45公里/小时，最高时速为42.23公里/小时。本次行程的速度时间序列被用作排放模型的输入，以验证本文开发的瞬时排放模型。该模型预测的瞬时排放速率与逐秒的排放测量结果相比较，目的是确定所提出的模型中的缺点。图4分别显示了HC，CO，NOx，PM和CO 2的估算结果和测试原始数据的比较 。如图4所示，预测的排放率有与测试排放数据类似的趋势，可以反映不同驾驶条件下的车辆排放特性。但我们可以发现，预测的排放结果不能完全追踪测试原始数据的排放“峰值”和“谷值”。该模型倾向于测量高排放期间低估排放率“峰”或“尖峰”，并可能在相对稳定的运行和减速条件下高估排放率。其原因主要是由于预测的排放速率来源于排放速度图，排放速度图是由每个运行点的大量原始数据的统计平均值组成的，因此高排放峰值已经降低排放率图和低谷值也通过取原始数据的统计平均值来提高。为了构建排放率 图，需要将大量数据之间复杂的非线性统计关系转换为有限数据的简单几何关系。因此，大量的原始数据信息必须在保持最重要的拓扑结构和矩阵关系的前提下进行压缩。图3 -选定热稳定行程的速度曲线。这种方法可能被认为会产生某种抽象，但也可以减少一些离谱的原始数据的副作用。为了评价预测瞬时排放模型的准确性，在热稳定过程中，皮尔逊积矩相关系数被用来评估HC，CO，NOx，PM和CO的测量的和模拟的排放速率之间的线性关系的强度。皮尔逊积矩相关系数是两个变量动态关联程度的一种度量（(Rodgers and Nicewander，1988 ），计算公式为：其中xi 是每个排放组分的测量排放率，x是整个行程中所有xi的平均值 ，y i 是相应排放组分的模拟排放率，y是整个yi 的整体平均值。对于YT5815PD低速车辆，模拟结果表明原始数据与模型预测之间有很好的一致性，HC，CO，NOx，PM和CO 2的相关系数分别为0.91,0.87,0.84,0.86和0.92 。该模型的准确性（相关系数：0.84 - 0.92），预测低速车辆排放率适合RV排放水平评估。对于瞬时排放模型的性能验证，我们还通过比较计算的排放因子和燃料消耗量与所选择的驾驶行程的测试结果来计算累计总误差。误差总和计算如下：其中X是整个旅程的预测数据，Y是整个旅程的测试结果。图4 - HC的测量的和预测的排放率的比较（a）中，CO（b）中，氮氧化物（c）中，PM（d）和CO 2 （E）。表1表1显示了这种验证方法的预测误差。在整个行程中测得的CO，HC，NOx和PM排放因子分别为4.369,1.171,3.448和1.944 g/km。而CO，HC，NOx和PM排放因子的估计值分别为4.186,1.071,3.260和1.837 g/km，预测误差在4-9％的范围内。估计的车辆燃料消耗量相对于整个行程的实际测量值的误差在4％以内。所有的预测数据都比测试数据小。预测误差的一个主要原因可能是由于预测的排放结果的高排放“峰值”丢失，并且还存在一些其他可能的误差来源，例如换挡行为，道路坡度和环境条件，例如风阻效应，环境温度和湿度等。YT5815PD低速车辆的预测和测量数据之间的一致性是可以接受的。虽然这显然只是一个有限的验证案例，但它可以作为本文开发的瞬时排放模型质量的初步评估，并且将进行更多的研究工作来确保所提出的模型在其他应用中的可行性。本文开发的排放模型有一定的局限性。首先，在当前模型中未考虑启动排放（包括冷启动和热启动）以及道路坡度，风阻效应和环境温度的影响，因此需要进一步研究工作来考虑这些因素。其次，在我们的模型中，排放数据以查询表的形式存储为车辆速度和加速度的函数，超出车速和加速度边界的，模型使用外部插值，这可能导致预测误差，因此应该使用更广泛的收集数据，添加到模型的排放数据库中。虽然我们已经为不同的排放水平的低速车辆排放估算建立了不同的排放图，但为了模型验证的目的，本文基于YT5815PD低速车辆排放数据开发了瞬时排放模型内的排放图，以消除不同车辆之间变化的影响。如果将排放模型应用于预测低速车辆的车队平均排放水平，则需要将其他低速车辆在路测中获得的更多排放数据纳入该模型。8 结论本文展示了一个瞬时排放模型，用于预测各种驾驶条件下低速车辆的微观排放率和燃料消耗。该排放模型是利用PEMS测得的道路排放数据开发的，该模型应用于估计热稳定条件下低速车辆在特定道路水平下的排放和燃料消耗。模型中使用的排放图以排放速率查询表的形式存储为车辆速度和加速度的函数。模型的关键输入变量是车辆速度和加速度，使用内插污染物排放速率图来计算瞬时污染物排放率，并将其与排放测量数据进行比较。加和排放率结果以预测在整个行驶周期内释放的总排放量。碳平衡法被用来计算燃料消耗量。对于模型性能验证，瞬时排放模型利用YT5815PD低速车辆行程中的排放测量值验证排放特征，预测误差在4-9％范围。估计的车辆燃料消耗与实测值的误差在实际测量值的4％以内。本文表明，瞬时排放模型适于由模型用户指定的操作循环的任何建模低速车辆排放行为和燃料消耗。因此，新的排放因子和燃料消耗是可以预测的，而不需要真正的排放测量。参考文献1 LijunHao， Modeling and predicting low-speed vehicle emissions as a function of driving kinematics（主要翻译文献）；2 陈勇，低速电动汽车的能耗分析；3 朱妮，中低速电动汽车盈亏敏感性分析；4 刘礼解，低速电动汽车的性能研究；本文由“动力电池技术”翻译整理，只做学习交流之用；其余图片来自互联网公开资料。本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。动力电池技术百家号最近更新：简介:新能源汽车那些事儿，让专业的人说给你听作者最新文章相关文章}