CN111125636A - 基于城市隧道的机动车排放因子计算方法 - Google Patents
基于城市隧道的机动车排放因子计算方法 Download PDFInfo
- Publication number
- CN111125636A CN111125636A CN201911229071.8A CN201911229071A CN111125636A CN 111125636 A CN111125636 A CN 111125636A CN 201911229071 A CN201911229071 A CN 201911229071A CN 111125636 A CN111125636 A CN 111125636A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- data
- vehicle
- emission factor
- emission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 35
- 231100000719 pollutant Toxicity 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000029305 taxis Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 239000000356 contaminant Substances 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的基于城市隧道的机动车排放因子计算方法,包括:利用实时自动在线监测设备对某城市交通隧道进行污染物、气象以及隧道交通量进行监测,获取隧道基础监测数据;获取隧道基础参数数据;对基础监测数据、基础参数数据进行预处理;获取该城市近两年的机动车基础排放因子数据,剔除基础参数数据的异常值;根据机动车基础排放因子数据获取预设车型;根据预处理后隧道基础监测数据、隧道基础参数数据,完成分车型的排放因子计算。本发明提供的机动车排放因子计算方法,利用隧道监测的基础数据所计算出排放因子,充分反应了真实条件下隧道所在城市的机动车排放情况的同时通过对隧道基础数据的异常值剔除,实现了分车型的机动车排放因子的获取。
Description
技术领域
本发明涉及机动车环保技术领域,更具体的,涉及一种基于城市隧道的机动车排放因子计算方法。
背景技术
当今时代,空气污染是中国大多数城市广泛关注的难题。在来源分配的研究中,公路运输经常被视为城市污染物排放的最主要来源之一。在未来几十年中,公路运输可能仍然是造成空气污染的主要因素,尤其是在城市地区。因此,人们正在做出很大的努力以减少公路运输的污染排放。其中包括机动车技术的改进,燃料的改进,城市交通管理的优化以及更严格的排放标准的实施。
在现有机动车排放清单的建立方法中,相关研究人员一般是依据国外的一些机动车排放清单模型或国家排放标准公布的数据计算某个地区的机动车排放清单,由于计算结果不符合实际排放情况,导致计算出的排放清单精度较低。
机动车排放清单的精度主要取决于机动车排放因子的准确性,机动车排放因子表示每辆车行使单位距离时所排放的污染物的量。而机动车排放因子是一个动态参数,往往取决于许多因素,例如机动车发动机性能,道路状况,交通特性等。
机动车排放因子测试方法主要包括底盘测功机法、实际道路测试法、遥感测试法和隧道测试法等,隧道测试法将相对密闭的隧道环境看作机动车污染物扩散的容器,因其在实际道路展开测试、测试对象为机动车通过隧道的数量,且具有车速、车流稳定等优点,能反映机动车实际道路行驶下的污染排放情况,因此成为研究机动车排放因子的常用手段之一。
在许多隧道测试方法的研究中,机动车综合平均排放因子比较容易计算,但这只适用于相似车型组成条件下的道路排放量的计算。由于一些技术条件的限制,分车型的机动车排放因子并不容易被获取。
发明内容
本发明为克服现有机动车排放因子获取方法,存在无法反应真实条件下隧道所在城市的机动车排放情况且分车型的机动车排放因子获取难的技术缺陷,提供一种基于城市隧道的机动车排放因子计算方法。
为解决上述技术问题,本发明的技术方案如下:
基于城市隧道的机动车排放因子计算方法,包括以下步骤:
S1:利用实时自动在线监测设备对某城市交通隧道进行污染物、气象以及隧道交通量进行监测,获取隧道基础监测数据;
S2:获取隧道基础参数数据;
S3:对隧道基础监测数据、隧道基础参数数据进行预处理;
S4:获取该城市近两年的机动车基础排放因子数据,剔除预处理后隧道基础监测数据、隧道基础参数数据的异常值;
S5:根据机动车基础排放因子数据获取预设车型;
S6:根据预处理后隧道基础监测数据、隧道基础参数数据,完成分车型的排放因子计算。
其中,所述基于城市隧道的机动车排放因子计算方法还包括以下步骤:
S7:利用分车型的排放因子,根据已有的城市逐时交通大数据以及城市道路数据进行排放量计算,隧道所在城市的机动车排放量统计。
其中,在所述步骤S1中,利用实时自动在线监测设备对城市交通单向隧道污染物、风速、温度、压强以及隧道交通量进行检测;所述的监测设备设置在隧道出入口处,每天需要至少检测18个小时,并连续检测至少7天,获取隧道基础监测数据。
其中,在所述步骤S2中,获取的隧道基础参数数据包括隧道长度数据及隧道横截面积数据,隧道长度数据指出入口监测设备之间的距离,隧道横截面积指隧道出入口的平均横截面积。
其中,所述步骤S3具体包括以下步骤:
S31:将隧道出入口污染物浓度数据进行小时平均化及标准化处理;
S32:将隧道风速、温度、压强和隧道交通量数据进行小时平均化处理;
S33:对采样期间的出入口污染物浓度数据进行判断,如果某时间段的入口浓度数据大于出口浓度数据,则将其时间段的数据进行剔除。
上述方案中,隧道出入口数据的小时均值需要采样至少45分钟或一个小时内等时间间隔采3-4个样品取平均值。
其中,在所述步骤S5中,预设车型按四级分类进行划分,具体为:
第一级分类为出租车、公交车、微型货车、轻型货车、中型货车、重型货车、微小型客车、小面包车、大面包车、大型客车和摩托车;
第二级分类为出租车、公交车、轻型货车、中型货车、重型货车、微小型客车、面包车、大型客车和摩托车;其中,轻型货车包括了第一级分类中的微型货车和轻型货车,面包车包括了第一级分类中的小面包车和大面包车;
第三级分类为出租车、公交车、轻型货车、重型货车、微小型客车、面包车和大型客车;其中,重型货车包括了第二级分类的中型货车和重型货车,微小型客车包括了第二级分类的微小型客车和摩托车;
第四级分类为轻型车和重型车;其中,轻型车包括了第三级分类的出租车、轻型货车、微小型客车和面包车,重型车包括了第三级分类的公交车、重型货车和大型客车。
上述方案中,本发明需要两类不同车型类性别的车流量数据,第一类车流量数据的车型种类对应本方法所要计算的分车型排放因子的车型种类;第二类车流量数据的车型种类对应本发明机动车基础排放因子数据中的车型种类。
其中,所述步骤S6具体包括以下步骤:
S61:根据预处理后隧道基础监测数据、隧道基础参数数据进行监测平均排放因子的计算,具体表达式为:
其中,EFt为监测平均排放因子[g·(km·辆)-1];ΔC为监测点之间污染物浓度的差值(mg·m-3);A为隧道口平均横截面积(m2);u为隧道平均风速(m·s-1);N为采样期间通过隧道的总交通量(辆·s-1);L为隧道内两个采样点的距离(m);
S62:借助机动车基础排放因子数据以及第二类车流量数据进行模拟平均排放因子的计算,具体表达式为:
其中,EFm为模拟平均排放因子[g·(km·辆)-1];EFi为i类车的排放因子[g·(km·辆)-1];Ni为i类车在采样期间通过隧道的车辆数;N为在采样期间通过隧道的总车辆数;
S63:将模拟平均排放因子和监测平均排放因子进行对比,采用比值逆推法对异常数据进行剔除;
S64:选择第一级车类作为第一类车流量数据的分类标准,采用以下公式进行不同车型的排放因子多元线性回归,具体为:
其中,pi是i型车辆的分数;EFi是i型车辆的排放因子[g·(km·辆)-1];若计算结果中出现负排放因子,则对车流量数据进行下一类分类,重新进行排放因子多元线性回归;
S65:对不同车型的排放因子进行符号判断,如果有负排放因子出现,则去除负排放因子,完成分车型的排放因子计算。
其中,所述步骤S63对异常数据进行剔除的过程具体为:取模拟平均排放因子和监测平均排放因子的比值D,对该比值取自然对数,比值D符合正态分布说明基础平均排放数据适用于该隧道研究的异常值剔除工作,具体公式为:
即对比值D进行异常值的剔除。
上述方案中,利用已有的该城市近年来的分车型的机动车排放因子数据和隧道中监测的每小时车流量数据,反推出隧道平均排放因子,将实际测得的平均排放因子数据与反推出的模拟平均排放因子做对比,如隧道监测的数据存在异常,则予以剔除。逆推比值法是以平均排放因子的角度进行异常数据的剔除工作,而平均排放因子数据的异常可以反应大部分车型排放因子数据的异常。
其中,所述步骤S65具体包括两种方式:
第一种,如有负排放因子出现,则进行下一级车型分类,分类后再进行一次多元线性回归,直到无负排放因子出现,即完成排放因子计算工作;
第二种,如有负排放因子出现,由于负排放因子是车型占比较少或该车型的真实排放因子较小,因此直接忽略该车型对隧道污染物排放量的贡献,直接去除带有负排放因子的车型,输出没有负数的分车型排放因子。
其中,所述步骤S7具体为:将城市逐时交通大数据、分车型的排放因子以及城市道路数据输入机动车排放清单模型中,采用移动线源计算方法进行每条道路的机动车排放量计算,公式为:
Qijw=Nji·Li·EFjw
其中,Qijw为某条线源道路,第i段路上j类型车w种污染物排放源强(g·h-1);Qjw为某条线源道路,j类型车w种污染物排放源强(g·h-1);Nji为j类型车在第i段路上的车流量(辆·h-1);Li为第i段路长(km);n为某条线源道路上划分的总段数;EFjw为j类型车w种污染物的排放因子[g·(km·辆)-1];利用每条道路的排放量可获得该城市的某污染物机动车总排放量状况,并以此建立隧道所在城市的机动车排放清单;其中,逐时交通大数据为每小时一个数据,通过智能交通***进行获取,具体到隧道所在城市的每条道路上,包括该道路的车流量数据以及车类型数据。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的基于城市隧道的机动车排放因子计算方法,利用城市隧道监测的基础数据所计算出排放因子,充分反应了真实条件下隧道所在城市的机动车排放情况的同时通过对隧道基础数据的异常值剔除,实现了分车型的机动车排放因子的获取。
附图说明
图1为本发明所述的方法流程图;
图2为排放因子计算方法流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,基于城市隧道的机动车排放因子计算方法,包括以下步骤:
S1:利用实时自动在线监测设备对某城市交通隧道进行污染物、气象以及隧道交通量进行监测,获取隧道基础监测数据;
S2:获取隧道基础参数数据;
S3:对隧道基础监测数据、隧道基础参数数据进行预处理;
S4:获取该城市近两年的机动车基础排放因子数据,剔除预处理后隧道基础监测数据、隧道基础参数数据的异常值;
S5:根据机动车基础排放因子数据获取预设车型;
S6:根据预处理后隧道基础监测数据、隧道基础参数数据,完成分车型的排放因子计算。
更具体的,所述基于城市隧道的机动车排放因子计算方法还包括以下步骤:
S7:利用分车型的排放因子,根据已有的城市逐时交通大数据以及城市道路数据进行排放量计算,隧道所在城市的机动车排放量统计。
更具体的,在所述步骤S1中,利用实时自动在线监测设备对城市交通单向隧道污染物、风速、温度、压强以及隧道交通量进行检测;所述的监测设备设置在隧道出入口处,每天需要至少检测18个小时,并连续检测至少7天,获取隧道基础监测数据。
更具体的,在所述步骤S2中,获取的隧道基础参数数据包括隧道长度数据及隧道横截面积数据,隧道长度数据指出入口监测设备之间的距离,隧道横截面积指隧道出入口的平均横截面积。
更具体的,所述步骤S3具体包括以下步骤:
S31:将隧道出入口污染物浓度数据进行小时平均化及标准化处理;
S32:将隧道风速、温度、压强和隧道交通量数据进行小时平均化处理;
S33:对采样期间的出入口污染物浓度数据进行判断,如果某时间段的入口浓度数据大于出口浓度数据,则将其时间段的数据进行剔除。
在具体实施过程中,隧道出入口数据的小时均值需要采样至少45分钟或一个小时内等时间间隔采3-4个样品取平均值。
更具体的,在所述步骤S5中,预设车型按四级分类进行划分,具体为:
第一级分类为出租车、公交车、微型货车、轻型货车、中型货车、重型货车、微小型客车、小面包车、大面包车、大型客车和摩托车;
第二级分类为出租车、公交车、轻型货车、中型货车、重型货车、微小型客车、面包车、大型客车和摩托车;其中,轻型货车包括了第一级分类中的微型货车和轻型货车,面包车包括了第一级分类中的小面包车和大面包车;
第三级分类为出租车、公交车、轻型货车、重型货车、微小型客车、面包车和大型客车;其中,重型货车包括了第二级分类的中型货车和重型货车,微小型客车包括了第二级分类的微小型客车和摩托车;
第四级分类为轻型车和重型车;其中,轻型车包括了第三级分类的出租车、轻型货车、微小型客车和面包车,重型车包括了第三级分类的公交车、重型货车和大型客车。
在具体实施过程中,本发明需要两类不同车型类性别的车流量数据,第一类车流量数据的车型种类对应本方法所要计算的分车型排放因子的车型种类;第二类车流量数据的车型种类对应本发明机动车基础排放因子数据中的车型种类。
实施例2
更具体的,在实施例1的基础上,如图2所示,所述步骤S6具体包括以下步骤:
S61:根据预处理后隧道基础监测数据、隧道基础参数数据进行监测平均排放因子的计算,具体表达式为:
其中,EFt为监测平均排放因子[g·(km·辆)-1];ΔC为监测点之间污染物浓度的差值(mg·m-3);A为隧道口平均横截面积(m2);u为隧道平均风速(m·s-1);N为采样期间通过隧道的总交通量(辆·s-1);L为隧道内两个采样点的距离(m);
S62:借助机动车基础排放因子数据以及第二类车流量数据进行模拟平均排放因子的计算,具体表达式为:
其中,EFm为模拟平均排放因子[g·(km·辆)-1];EFi为i类车的排放因子[g·(km·辆)-1];Ni为i类车在采样期间通过隧道的车辆数;N为在采样期间通过隧道的总车辆数;
S63:将模拟平均排放因子和监测平均排放因子进行对比,采用比值逆推法对异常数据进行剔除;
S64:选择第一级车类作为第一类车流量数据的分类标准,采用以下公式进行不同车型的排放因子多元线性回归,具体为:
其中,pi是i型车辆的分数;EFi是i型车辆的排放因子[g·(km·辆)-1];若计算结果中出现负排放因子,则对车流量数据进行下一类分类,重新进行排放因子多元线性回归;
S65:对不同车型的排放因子进行符号判断,如果有负排放因子出现,则去除负排放因子,完成分车型的排放因子计算。
更具体的,所述步骤S63对异常数据进行剔除的过程具体为:取模拟平均排放因子和监测平均排放因子的比值D,对该比值取自然对数,比值D符合正态分布说明基础平均排放数据适用于该隧道研究的异常值剔除工作,具体公式为:
即对比值D进行异常值的剔除。
在具体实施过程中,利用已有的该城市近年来的分车型的机动车排放因子数据和隧道中监测的每小时车流量数据,反推出隧道平均排放因子,将实际测得的平均排放因子数据与反推出的模拟平均排放因子做对比,如隧道监测的数据存在异常,则予以剔除。逆推比值法是以平均排放因子的角度进行异常数据的剔除工作,而平均排放因子数据的异常可以反应大部分车型排放因子数据的异常。
更具体的,所述步骤S65具体包括两种方式:
第一种,如有负排放因子出现,则进行下一级车型分类,分类后在进行一次多元线性回归,直到无负排放因子出现,即完成排放因子计算工作;
第二种,如有负排放因子出现,由于负排放因子是车型占比较少或该车型的真实排放因子较小,因此直接忽略该车型对隧道污染物排放量的贡献,直接去除带有负排放因子的车型,输出没有负数的分车型排放因子。
更具体的,所述步骤S7具体为:将城市逐时交通大数据、分车型的排放因子以及城市道路数据输入机动车排放清单模型中,采用移动线源计算方法进行每条道路的机动车排放量计算,公式为:
Qijw=Nji·Li·EFjw
其中,Qijw为某条线源道路,第i段路上j类型车w种污染物排放源强(g·h-1);Qjw为某条线源道路,j类型车w种污染物排放源强(g·h-1);Nji为j类型车在第i段路上的车流量(辆·h-1);Li为第i段路长(km);n为某条线源道路上划分的总段数;EFjw为j类型车w种污染物的排放因子[g·(km·辆)-1];利用每条道路的排放量可获得该城市的某污染物机动车总排放量状况,并以此建立隧道所在城市的机动车排放清单;其中,逐时交通大数据为每小时一个数据,通过智能交通***进行获取,具体到隧道所在城市的每条道路上,包括该道路的车流量数据以及车类型数据。
实施例3
更具体的,在实施例1、实施例2的基础上,以广州市为例对本发明实施例提供的排放因子计算方法进行进一步说明。
本实施例在2012年10月26日-11月1日,利用实时自动在线监测设备对广州市珠江隧道进行污染物、气象以及隧道交通量监测,自动在线监测放置在隧道出入口处,主要监测的对象:出入口污染物浓度(主要有NOx、CO)、风速、温度、压强、车流量。监测设备每五分钟一个数据,每天监测24个小时。
获取该城市相近年份的机动车基础排放因子数据,机动车基础排放因子数据如下表(单位:g·(km·辆)-1):
机动车基础排放因子数据表
在本实施例中,第一类车流量首先按第一级车型进行分类。第二类车流量数据的车型种类对应本方法机动车基础排放因子数据中的车型种类,将车型分为出租车、公交车、轻型货车、中型货车、重型货车、微小型客车、面包车、大型客车、摩托车。其中微型货车和轻型货车归类到轻型货车中,小面包车和大面包车归类到面包车中。利用预处理好的隧道基础数据进行隧道分车型的排放因子计算,方法如下:
进行监测平均排放因子的计算,各污染物的监测平均排放因子如下表(单位:g·(km·辆)-1):
借助机动车基础排放因子数据以及第二类车流量数据进行模拟平均排放因子的计算,各污染物的模拟平均排放因子如下表:
将模拟平均排放因子和监测平均排放因子做对比,将差距很大的予以剔除。本实施例中,采用了比值逆推法,,将实际测得的平均排放因子数据与反推出的模拟平均排放因子做对比,则说明隧道监测的数据存在异常,应予以剔除。
选择第一级车类作为第一类车流量数据的分类标准,采用以下公式进行不同车型的排放因子多元线性回归,具体为:
其中,pi是i型车辆的分数;EFi是i型车辆的排放因子[g·(km·辆)-1];若计算结果中出现负排放因子,则对车流量数据进行下一类分类,重新进行排放因子多元线性回归;根据第一类车流量数据的分类标准,用多元线性回归算法对处理后的隧道数据进行分车型排放因子的计算,计算结果如下表(单位:g·(km·辆)-1):
对不同车型的排放因子进行符号判断。采用方法一,如果有负排放因子出现,则进行下一级车型分类,分类后再利用多元线性回归算法进行计算,以此类推,直到无负排放因子的出现,即完成排放因子的计算工作。利用该方法,最后将CO排放因子的车类分为轻型车和重型车,其中重型车包括中型货车、重型货车和大客车,其他车类归到非重型车中。CO的分车型排放因子结果如下表(单位:g·(km·辆)-1):
利用计算好的隧道机动车排放因子,结合逐时交通大数据和城市道路网长度输入到机动车排放清单模型,可获取隧道所在城市的真实条件下的机动车排放清单。
在具体实施过程中,本发明利用城市隧道监测的基础数据所计算出的排放因子可以反应真实条件下隧道所在城市的机动车排放状况;在先前的隧道研究中,由于异常值的存在,采用一些常规的纯数学无法有效的将异常值剔除,对于分车型的机动车排放因子难以获取。本发明采用了一种比值逆推法,用于实现对隧道基础数据的异常值剔除工作,有效解决了异常值剔除工作难的问题。
进一步地,本方法采用了四个级别的车型分类,将稳定性较差的车型数据合并到稳定性较好的车型中,消除了负排放因子的干扰;最后利用隧道监测的源数据,进行每个月一次的分车型的排放因子的更新,结合城市逐时交通大数据和城市道路数据进行排放量的计算,可以逐时动态的输出隧道所在城市机动车排放量状况。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.基于城市隧道的机动车排放因子计算方法,其特征在于,包括以下步骤:
S1:利用实时自动在线监测设备对某城市交通隧道进行污染物、气象以及隧道交通量进行监测,获取隧道基础监测数据;
S2:获取隧道基础参数数据;
S3:对隧道基础监测数据、隧道基础参数数据进行预处理;
S4:获取该城市近两年的机动车基础排放因子数据,剔除预处理后隧道基础监测数据、隧道基础参数数据的异常值;
S5:根据机动车基础排放因子数据获取预设车型;
S6:根据预处理后隧道基础监测数据、隧道基础参数数据,完成分车型的排放因子计算。
2.根据权利要求1所述的基于城市隧道的机动车排放因子计算方法,其特征在于,还包括以下步骤:
S7:利用分车型的排放因子,根据已有的城市逐时交通大数据以及城市道路数据进行排放量计算,完成隧道所在城市的机动车排放量统计。
3.根据权利要求2所述的基于城市隧道的机动车排放因子计算方法,其特征在于,在所述步骤S1中,利用实时自动在线监测设备对城市交通单向隧道污染物、风速、温度、压强以及隧道交通量进行检测;所述的监测设备设置在隧道出入口处,每天需要至少检测18个小时,并连续检测至少7天,获取隧道基础监测数据。
4.根据权利要求3所述的基于城市隧道的机动车排放因子计算方法,其特征在于,在所述步骤S2中,获取的隧道基础参数数据包括隧道长度数据及隧道横截面积数据,隧道长度数据指出入口监测设备之间的距离,隧道横截面积指隧道出入口的平均横截面积。
5.根据权利要求4所述的基于城市隧道的机动车排放因子计算方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:将隧道出入口污染物浓度数据进行小时平均化及标准化处理;
S32:将隧道风速、温度、压强和隧道交通量数据进行小时平均化处理;
S33:对采样期间的出入口污染物浓度数据进行判断,如果某时间段的入口浓度数据大于出口浓度数据,则将其时间段的数据进行剔除。
6.根据权利要求5所述的基于城市隧道的机动车排放因子计算方法,其特征在于,在所述步骤S5中,预设车型按四级分类进行划分,具体为:
第一级分类为出租车、公交车、微型货车、轻型货车、中型货车、重型货车、微小型客车、小面包车、大面包车、大型客车和摩托车;
第二级分类为出租车、公交车、轻型货车、中型货车、重型货车、微小型客车、面包车、大型客车和摩托车;其中,轻型货车包括了第一级分类中的微型货车和轻型货车,面包车包括了第一级分类中的小面包车和大面包车;
第三级分类为出租车、公交车、轻型货车、重型货车、微小型客车、面包车和大型客车;其中,重型货车包括了第二级分类的中型货车和重型货车,微小型客车包括了第二级分类的微小型客车和摩托车;
第四级分类为轻型车和重型车;其中,轻型车包括了第三级分类的出租车、轻型货车、微小型客车和面包车,重型车包括了第三级分类的公交车、重型货车和大型客车。
7.根据权利要求6所述的基于城市隧道的机动车排放因子计算方法,其特征在于,所述步骤S6具体包括以下步骤:
S61:根据预处理后隧道基础监测数据、隧道基础参数数据进行监测平均排放因子的计算,具体表达式为:
其中,EFt为监测平均排放因子[g·(km·辆)-1];ΔC为监测点之间污染物浓度的差值(mg·m-3);A为隧道口平均横截面积(m2);u为隧道平均风速(m·s-1);N为采样期间通过隧道的总交通量(辆·s-1);L为隧道内两个采样点的距离(m);
S62:借助机动车基础排放因子数据以及第二类车流量数据进行模拟平均排放因子的计算,具体表达式为:
其中,EFm为模拟平均排放因子[g·(km·辆)-1];EFi为i类车的排放因子[g·(km·辆)-1];Ni为i类车在采样期间通过隧道的车辆数;N为在采样期间通过隧道的总车辆数;
S63:将模拟平均排放因子和监测平均排放因子进行对比,对异常数据进行剔除;
S64:选择第一级车类作为第一类车流量数据的分类标准,采用以下公式进行不同车型的排放因子多元线性回归,具体为:
其中,pi是i型车辆的分数;EFi是i型车辆的排放因子[g·(km·辆)-1];若计算结果中出现负排放因子,则对车流量数据进行下一类分类,重新进行排放因子多元线性回归;
S65:对不同车型的排放因子进行符号判断,如果有负排放因子出现,则去除负排放因子,完成分车型的排放因子计算。
9.根据权利要求7所述的基于城市隧道的机动车排放因子计算方法,其特征在于,所述步骤S65具体包括两种方式:
第一种,如有负排放因子出现,则进行下一级车型分类,分类后再进行一次多元线性回归,直到无负排放因子出现,即完成排放因子计算工作;
第二种,如有负排放因子出现,由于负排放因子是车型占比较少或该车型的真实排放因子较小,因此直接忽略该车型对隧道污染物排放量的贡献,直接去除带有负排放因子的车型,输出没有负数的分车型排放因子。
10.根据权利要求9所述的基于城市隧道的机动车排放因子计算方法,其特征在于,所述步骤S7具体为:将城市逐时交通大数据、分车型的排放因子以及城市道路数据输入机动车排放清单模型中,采用移动线源计算方法进行每条道路的机动车排放量计算,公式为:
Qijw=Nji·Li·EFjw
其中,Qijw为某条线源道路,第i段路上j类型车w种污染物排放源强(g·h-1);Qjw为某条线源道路,j类型车w种污染物排放源强(g·h-1);Nji为j类型车在第i段路上的车流量(辆·h-1);Li为第i段路长(km);n为某条线源道路上划分的总段数;EFjw为j类型车w种污染物的排放因子[g·(km·辆)-1];利用每条道路的排放量可获得该城市的某污染物机动车总排放量状况,并以此建立隧道所在城市的机动车排放清单;其中,逐时交通大数据为每小时一个数据,通过智能交通***进行获取,具体到隧道所在城市的每条道路上,包括该道路的车流量数据以及车类型数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229071.8A CN111125636B (zh) | 2019-12-04 | 2019-12-04 | 基于城市隧道的机动车排放因子计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229071.8A CN111125636B (zh) | 2019-12-04 | 2019-12-04 | 基于城市隧道的机动车排放因子计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125636A true CN111125636A (zh) | 2020-05-08 |
CN111125636B CN111125636B (zh) | 2023-05-26 |
Family
ID=70497509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229071.8A Active CN111125636B (zh) | 2019-12-04 | 2019-12-04 | 基于城市隧道的机动车排放因子计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125636B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111477012A (zh) * | 2020-06-24 | 2020-07-31 | 平安国际智慧城市科技股份有限公司 | 基于路况状态预测模型的溯源方法、装置和计算机设备 |
CN111860360A (zh) * | 2020-07-23 | 2020-10-30 | 中科三清科技有限公司 | 过境车辆排放清单构建方法及装置 |
CN112800509A (zh) * | 2020-12-18 | 2021-05-14 | 四川省交通勘察设计研究院有限公司 | 基于不同机动车排放标准车型统计的隧道需风量计算方法 |
CN116522270A (zh) * | 2023-07-04 | 2023-08-01 | 西安启迪能源技术有限公司 | 用于智慧海绵城市的数据处理*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508949A (zh) * | 2011-10-13 | 2012-06-20 | 东南大学 | 城市隧道机动车尾气排放的数字化分析方法 |
CN102567811A (zh) * | 2011-12-31 | 2012-07-11 | 中山大学 | 基于实时道路交通特征的机动车排放测算方法 |
CN108254495A (zh) * | 2017-12-13 | 2018-07-06 | 上海市环境科学研究院 | 一种隧道机动车污染物监测方法及*** |
-
2019
- 2019-12-04 CN CN201911229071.8A patent/CN111125636B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508949A (zh) * | 2011-10-13 | 2012-06-20 | 东南大学 | 城市隧道机动车尾气排放的数字化分析方法 |
CN102567811A (zh) * | 2011-12-31 | 2012-07-11 | 中山大学 | 基于实时道路交通特征的机动车排放测算方法 |
CN108254495A (zh) * | 2017-12-13 | 2018-07-06 | 上海市环境科学研究院 | 一种隧道机动车污染物监测方法及*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111477012A (zh) * | 2020-06-24 | 2020-07-31 | 平安国际智慧城市科技股份有限公司 | 基于路况状态预测模型的溯源方法、装置和计算机设备 |
CN111477012B (zh) * | 2020-06-24 | 2020-10-27 | 平安国际智慧城市科技股份有限公司 | 基于路况状态预测模型的溯源方法、装置和计算机设备 |
CN111860360A (zh) * | 2020-07-23 | 2020-10-30 | 中科三清科技有限公司 | 过境车辆排放清单构建方法及装置 |
CN112800509A (zh) * | 2020-12-18 | 2021-05-14 | 四川省交通勘察设计研究院有限公司 | 基于不同机动车排放标准车型统计的隧道需风量计算方法 |
CN112800509B (zh) * | 2020-12-18 | 2023-04-11 | 四川省交通勘察设计研究院有限公司 | 基于不同机动车排放标准车型统计的隧道需风量计算方法 |
CN116522270A (zh) * | 2023-07-04 | 2023-08-01 | 西安启迪能源技术有限公司 | 用于智慧海绵城市的数据处理*** |
CN116522270B (zh) * | 2023-07-04 | 2023-09-15 | 西安启迪能源技术有限公司 | 用于智慧海绵城市的数据处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN111125636B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125636B (zh) | 基于城市隧道的机动车排放因子计算方法 | |
CN112113912B (zh) | 一种柴油车排放遥感大数据监测***及监测方法 | |
CN110967320B (zh) | 一种柴油车气态排气污染物遥感检测***及方法 | |
CN106446398B (zh) | 基于交通运行数据和劣化率的轻型汽车排放速率计算方法 | |
CN109489978B (zh) | 一种基于V-a工况的柴油机车多种排放检测方法的多源数据关联分析方法 | |
WO2022036619A1 (zh) | 点燃式发动机汽车尾气排放遥感大数据检测方法和*** | |
CN105225488B (zh) | 一种基于机动车比功率的速度对车辆排放因子修正方法 | |
CN109613905B (zh) | 一种动态识别重型商用车实际运行高油耗恶劣工况的方法和装置 | |
CN111122171B (zh) | 一种基于vsp工况的柴油车与柴油机多种排放检测方法的多源异构数据关联分析方法 | |
CN101886940A (zh) | 混合动力电动汽车能耗排放检测***与检测方法 | |
CN108763643B (zh) | 一种地区机动车排放因子计算方法 | |
CN112730748B (zh) | 一种基于工况选择的大规模筛查重型柴油车高NOx排放方法 | |
CN116307837B (zh) | 一种基于多种监测技术的区域机动车排放评估方法及*** | |
CN104850676B (zh) | 一种公路桥梁随机车流仿真模拟方法 | |
CN111598424A (zh) | 一种基于重型柴油车远程监控数据的排放计算方法 | |
CN113360850A (zh) | 一种大气污染物线源溯源分析方法 | |
CN115308369A (zh) | 基于pems与车联网耦合的机动车实际道路排放因子测试方法 | |
CN109165461A (zh) | 重型汽车尾气污染物排放因子实时获取方法 | |
CN112486962A (zh) | 一种提取组合短片段计算重型柴油车NOx排放的方法 | |
CN114991922A (zh) | 一种车辆NOx排放超标的实时预警方法 | |
CN105355048B (zh) | 一种交通指数与机动车污染物排放耦合分析方法 | |
CN116413391A (zh) | 柴油货车obd氮氧化物监测数据校准及碳排放数据补全方法 | |
CN109145401B (zh) | 一种计算机动车排放清单的方法、***及终端设备 | |
Liu et al. | Technology and threshold: an empirical study of road passenger transport emissions | |
CN111896264A (zh) | 增程器用发动机的试验工况生成方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |