城市信號交叉口機動車尾氣擴散特性研究

郝偉娜，郭幸運，李家文，董紅召，陳 寧

(1.浙江工業大學 智能交通聯合研究所，浙江 杭州 310014；2.浙江工業大學 特種裝備制造與先進加工技術教育部重點實驗室，浙江 杭州310014；3.浙江科技學院 機械與汽車工程學院，浙江 杭州 310023)

城市信號交叉口機動車尾氣擴散特性研究

郝偉娜1，2，郭幸運1，2，李家文1，2，董紅召1，2，陳 寧1，3

(1.浙江工業大學 智能交通聯合研究所，浙江 杭州 310014；2.浙江工業大學 特種裝備制造與先進加工技術教育部重點實驗室，浙江 杭州310014；3.浙江科技學院 機械與汽車工程學院，浙江 杭州 310023)

為了精確地模擬機動車尾氣污染物在城市道路信號交叉口附近區域的擴散規律，通過在杭州市實際道路交叉口的實驗調研，對CAL3QHC交叉口線源擴散模型的源強計算方法進行了改進.考慮機動車在交叉口排隊后的加速過程對車輛尾氣污染物排放的影響，將車輛在交叉口的行駛排放作為一條分段線源處理，并設計各分段的源強計算方法.并將監測點處的CO污染物質量濃度模擬值與實際檢測值進行對比，結果表明：模型改進前在高峰和平峰時段的平均模擬誤差分別為14.6%和10.6%，改進后分別為7.3%和6.2%；改進后的排放源強計算方法更加接近城市交叉口機動車尾氣排放的真實狀況；在高峰時段，改進效果更加明顯.

機動車排放；尾氣擴散模型；信號交叉口；CAL3QHC模式

隨著城市機動車保有量的不斷增長，其產生的環境污染問題引起了越來越多的重視[1].機動車排放的尾氣污染物會影響當地空氣質量，易導致惡劣天氣如霧霾等現象的發生[2].機動車排放污染物在道路附近濃度分布的預測，是制定機動車排放污染控制對策的重要基礎.道路交叉口是城市機動車尾氣排放較為集中的區域，對其尾氣污染物擴散的模擬在機動車排放污染研究中尤為必要.針對單一信號交叉口處尾氣擴散的模擬，國內外建立了許多模型，比較著名的有美國環保局的CALINE3，CALINE4，CAL3QHC，AERMOD模型等，其中CALINE3[3](California line source model)和CALINE4[4]模型廣泛用于模擬開闊道路路邊的尾氣污染物濃度；CAL3QHC(California line source model with queuing and hot spot calculations)模式[5]是在CALINE3的基礎上增加了一個信號交叉口車輛排隊長度算法，用于信號交叉口附近尾氣污染物擴散模擬；AERMOD(AMS/EPA regulatory model)模型[6]可以反映出局地氣象因素對模擬值的影響，用于模擬城市和街區尺度的大氣污染物擴散狀況.Gokhale等[7]分別使用M-GFLSM，CALINE3和CAL3QHC模式模擬城市道路信號交叉口的PM濃度值，發現CAL3QHC的預測效果最好；隨后又使用CAL3QHC模式研究分析了氣象和交通動態對信號交叉口處最大污染物濃度分布位置的影響[8].Chen等[9]在對比分析CALINE4，CAL3QHC和AERMOD模型用于PM2.5濃度的模擬效果時發現：當缺乏詳盡的當地氣象數據時，CALINE4和CAL3QHC模型更加具有適用性.李莉等[10]將CAL3QHC模式應用于上海市典型道路信號交叉口，得到了與檢測值相對吻合但準確性低于郊區的模擬結果.

CAL3QHC模式在模擬過程中的一個關鍵點是確定污染物平均排放源強及其長度[5].CAL3QHC模式是將車輛在通過交叉口過程中的行駛排放看作一條均勻的線源，這未能充分體現出實際車流在交叉口排隊結束時的加速過程對尾氣排放和周圍污染物濃度分布的影響.因此，在CAL3QHC交叉口尾氣擴散模式的基礎上，考慮交叉口車流排隊后的加速過程對排放特征的影響，將車輛在交叉口的行駛排放視為一條分段的線源，建立線源各分段的源強計算方法，對模型進行改進.并通過實驗分析改進效果，旨在探索更加精確的城市道路信號交叉口附近機動車尾氣擴散模擬方法.

1 CAL3QHC模式

CAL3QHC模式將交叉口各車道組機動車尾氣排放視為自由流路段行駛排放和排隊路段怠速排放的疊加[5],其中行駛排放源強是由基于平均速度的排放因子計算得到，而怠速排放源強則通過模型中的怠速排放因子計算，其計算式分別為

(1)

(2)

其中：Qj為交叉口車道組j的污染物行駛排放源強，mg/(m·s)；Nj為車道組j的交通流量，輛/h；EFj為車道組j機動車自由流狀態下的單車綜合排放因子，g/km；Qqj為交叉口車道組j的污染物怠速排放源強，mg/(m·s)；EFIj為車道組j機動車單車綜合怠速排放率，mg/s；nj為車道組車道數；RCj為車道組紅燈時間所占比例；l為單位排隊車輛在排隊路段平均所占空間長度，模式中默認取6 m.

2 改進源強計算方法

CAL3QHC模式在模擬城市道路交叉口機動車尾氣擴散的過程中，將車輛在通過交叉口行駛過程中的污染物排放看作均勻的線源排放和排隊路段上怠速排放線源的疊加.然而實際車輛在通過交叉口過程中，往往會出現排隊現象，其在排隊消散的過程中會經歷一個加速過程，由于機動車在加速工況下往往會比其他工況排放更多的污染物[11]，故在進行源強計算時不能將其忽略.

根據信號控制條件下車流通過交叉口各路段的行駛特征，將車輛在交叉口的行駛排放視為一條分段的線源，對應地將交叉口某個入口的路段劃分為自由流路段、加速路段2個部分，如圖1所示.其中加速路段的位置與排隊路段密切相關，這主要是車輛的加速過程主要發生在排隊后的起步過程，其長度為車流平均排隊長度加上一個起步加速距離.自由流路段和排隊路段的排放源強按照CAL3QHC模式中的源強計算方法，下面重點對加速路段的排放源強及其線源長度進行分析.

圖1 交叉口入口路段劃分Fig.1 Segmentation of intersection approach

在實際觀察調研中發現，車輛的加速主要發生在車流排隊路段上，故將加速路段的長度定義為車流在車道的平均排隊長度以及排在隊首車輛的起步加速距離之和.假設車流中每輛車在停車后起步加速過程中的行駛距離近似相等，則有

Laj=LQj+Da

(3)

(4)

(5)

其中：Laj為加速路段的長度，m；Da為車輛在一次完整加速(從停車加速至平均速度)過程中的平均行駛距離，m；LQj為車道組j平均排隊長度，m；nj為車道組j所包含的車道數；C為交叉口信號周期時長，s；hj為車道組j的停車率，參考webster公式計算；λj為車道組j的綠信比；yj為車道組j的流量比.

在加速路段上，車流受交叉口信號控制的影響，一部分車流在綠燈期間不停車直接通過，這部分車輛的排放計算方法與自由流相同；另一部分車流則要經歷排隊后起步加速的過程通過，這部分車輛的排放為車流在加速路段上的加速過程排放和勻速排放，其中勻速的行駛距離等于加速路段的長度減去車輛一次完整加速的行駛距離，即為排隊長度.兩部分車流的比例可通過車道的停車率進行估算.整個加速路段的平均排放源強Qa為

(6)

其中：Ea為車輛在一次完整加速過程中污染物排放量，mg.Ea與EFj由經杭州市本地參數調研和車輛臺架測試修正后的IVE模型[12]，結合車輛在通過交叉口過程中的行駛工況計算得到.

式(6)中分子上第一、二項分別是在交叉口停車的車輛在加速路段上加速至勻速過程中和達到勻速后產生的污染物排放量，第三項是加速路段上未停車直接通過的這部分車輛產生的污染物排放，三項之和即為整個加速路段上污染物的總排放量.

3 實例分析

為了分析交叉口源強算法的改進效果，選取杭州市紹興路與香積寺路交叉口為實驗研究對象，以CO為例，模擬交叉口周圍的尾氣污染物濃度，并與實測值進行對比研究.該交叉口車流量大但未飽和，地形相對開闊，交叉口西南角有一公園，便于對環境背景質量濃度的采集.交叉口周圍地形如圖2所示.該交叉口信號時長180 s，信號相位方案及綠燈時間為：東西直行36 s，東入口左轉50 s，南北直行43 s，南北左轉39 s.

圖2 交叉口地形圖Fig.2 Geometric configuration for the intersection

3.1 實驗數據采集

在交叉口附近的監測地點A和B(圖2)，采用CO氣體分析儀連續檢測空氣中CO污染物質量濃度值.將公園中離道路較遠的監測點B的質量濃度值作為污染物的環境背景質量濃度值，點A的最終模擬質量濃度為點A和B的模擬質量濃度差值加上背景質量濃度值.同步監測交叉路口各入口方向的車流量和氣象信息，包括風速、分向和溫度等.交叉口各入口的車流量則由杭州市的卡口監控系統獲得實際檢測數據，并通過分析統計獲取該交叉口通行機動車的車型比例分布信息.圖3為2015年10月12日8：00～18：00時段內交叉口車流量和CO質量濃度的實驗檢測值.

圖3 交通流量與CO質量濃度Fig.3 The traffic volume and measured CO concentration

由圖3可見：交叉口車流量和背景點的CO質量濃度值在白天時相對比較穩定，波動幅度不大；而檢測點的CO質量濃度值波動較大，特別是在早晚高峰期間明顯高于白天其他時段.這可能是由于相對其他時段，在早晚高峰期間道路交叉口的車輛排隊及加速現象更加明顯.

3.2 各路段單車排放分析

利用裝備GPS定位系統的試驗車采用跟車行駛的方式采集車輛多次通過交叉路口過程的行駛工況信息，可以得到實驗車輛在自由流路段的平均速度和停車后加速過程中的行駛工況(圖4).圖4中的軌跡是指通過GPS系統記錄的實驗車輛在通過交叉路口時排隊后起步加速至平均速度過程中的行駛工況.

圖4 交叉口車輛排隊后起步加速過程工況Fig.4 The accelerating process after vehicle queuing

通過對速度變化曲線分析可以看出：交叉口車輛雖然在加速過程中瞬時速度變化范圍較大，但是總體趨勢具有相似性.根據車輛在自由流路段和加速過程的行駛工況信息，結合交通流各車型比例，使用本地化修正后的IVE模型[12]，對車輛在行駛過程中的排放進行計算，可以得到在自由流路段的單車綜合CO排放因子EF=1.45 g/km，以及車輛在一次完整加速過程中的CO排放量Ea和平均行駛距離Da見表1.

根據各車型的怠速排放率[12]，結合實際實驗交叉口的交通流車型比例分布，得到交通流綜合單車CO怠速排放率EFI=4.49mg/s.

表1 實驗車輛的CO排放量及行駛距離

3.3 模擬計算結果

將以上得到的EF，EFI，Da和Ea以及交叉口各入口車流量等數據帶入式(1～6)，以圖3中8點和12點統計的車流量為例分別代表高峰時段和平峰時段，得到交叉口各入口自由流路段排放源強與加速路段排放源強的計算結果(圖5).從圖5可以看出：無論在高峰時段還是平峰時段，加速路段的排放源強均明顯高于自由流路段，可見車輛在交叉口加速過程排放不能簡單的用自由流排放代替，將車輛在交叉口行駛過程排放線源分段處理是非常有必要的.

圖5 自由流路段與加速路段排放源強對比Fig.5 The comparison of source intensity for free flow link and queuing link

將交叉口路側監測點處CO的模擬結果與實測值進行對比，如圖6所示.從圖6中可以看出：總體而言，改進前、后的模擬結果都比實測值偏低.在高峰時段，模擬結果與實測值的差別相對較大，這是因為在高峰時段，交叉口處的車流更加密集，車輛停車加速現象更加明顯，此時車輛的行駛工況更加復雜難以精確量化.但模型改進后的CO質量濃度模擬值比改進前更加接近實際測量值；在平峰時段，模擬結果與實測值較為接近，這是因為在平峰時段，交叉口處的車流相對穩定，車輛的行駛狀況更加符合模型的假設條件.

圖6 CO質量濃度模擬值與實測值Fig.6 The comparison of simulation and measured CO concentration

表2為模型改進前、后與實測值的相對誤差，從表2中可以看出：改進后的排放源強計算方法更加接近城市道路交叉口機動車尾氣排放的真實狀況；高峰時段的改善效果相對更加明顯.此外，所建立的源強改進方法側重于從交叉口車輛行駛工況對交叉口排放線源影響的角度，實際上尾氣的擴散還受氣象、地形等其他因素的影響，這也是影響研究中模擬值與實測值存在相對誤差的一個重要原因.

表2 模型改進前后與實測值的相對誤差比較

Table 2 The comparison of relative error between simulation and measured concentration

%

4 結 論

在CAL3QHC交叉口尾氣擴散模式的基礎上，考慮車流排隊后起步加速過程對排放特征的影響，將車輛在交叉口入口的行駛排放視為一條分段的線源，建立線源各分段的源強計算方法，并通過實驗對改進效果進行分析檢驗.結果表明：在進行交叉口機動車尾氣擴散模擬時，不能忽略車輛在交叉口排隊后的起步加速過程對尾氣污染物排放的影響；對交叉口排放源強計算方法進行改進后，尾氣污染物濃度分布模擬值更加接近實測值，而且車流高峰時段的改進效果比平峰更加明顯.

[1] 任杰,袁海寬.催化汽油硫含量分布的數學模擬研究[J].浙江工業大學學報,2011,39(3):237-240.

[2] 黃海鳳,漆仲華,姜波等.Ni摻雜對DOC催化劑Pt/Ce-Zr的改性研究[J].浙江工業大學學報,2014,42(4):422-425.

[3] US Environmental Protection Agency. User’s guide for CALINE-3[R]. USA: EPA,1979.

[4] BENSON P E. CALINE4-A dispersion model for predicting air pollutant concentrations near roadways[R]. US Sacramento: California State Department of Transportation,1984.

[5] US Environmental Protection Agency. User’s guide to CAL3QHC version 2.0: a modeling methodology for predicting pollutant concentrations near roadway intersections[R]. Washington: EPA,1995.

[6] US Environmental Protection Agency. User’s guide for the AMS/EPA Regulatory Model-AERMOD[R]. USA: EPA,2012.

[7] GOKHALE S, RAOKHANDE N. Performance evaluation of air quality models for predicting PM10 and PM2.5 concentrations at urban traffic intersection during winter period[J]. Science of the total environment,2008,394:9-24.

[8] GOKHALE S. Traffic flow pattern and meteorology at two distinct urban junctions with impacts on air quality[J]. Atmospheric environment,2011,45(10):1830-1840.

[9] CHEN H, BAI S, EISINGER D, et al. Predicting near-road PM2.5 concentrations: comparative assessment of CALINE4, CAL3QHC and AERMOD[J]. Transportation research record,2009,2123:26-37.

[10] 李莉,陳長虹,黃成,等. CALRoads模式在上海市典型道路CO擴散預測中的應用[J].環境監測管理與技術，2006,18(4):7-11.

[11] ZHANG Yunlong, Lü Jinpeng, WANG Wei. Evaluation of vehicle acceleration models for emission estimation at an intersection[J]. Transportation research part D,2013,18:46-50.

[12] 董紅召,徐勇斌,陳寧.基于IVE模型的杭州市機動車實際行駛工況下排放因子的研究[J].汽車工程,2011,33(12):1034-1038.

Research on vehicle exhaust dispersion modeling at urban signal intersection

HAO Weina1,2, GUO Xingyun1, 2, LI Jiawen1,2, DONG Hongzhao1, 2, CHEN Ning1,3

(1.ITS Joint Research Institute, Zhejiang University of Technology, Hangzhou 310014, China; 2.Key Laboratory of Special Purpose Equipment and Advanced Manufacturing Technology, Ministry of Education, Zhejiang University of Technology, Hangzhou 310014, China; 3.College of Mechanical and Automotive Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China)

To model vehicle exhaust dispersion at signal intersection accurately, the intersection line source dispersion model CAL3QHC was modified by a field investigation at an actual intersection in Hangzhou. Considering the effect of vehicle acceleration after queuing on exhaust emission, a novel piecewise finite line source method was proposed and the calculation method of source intensity for each segment was developed. The simulation CO concentration was compared with actual test value .The results showed that the modeling errors of CAL3QHC model in mean and rush hours were 14.6% and 10.6% respectively, and became 7.3% and 6.2% after modified; the model with the method proposed had a better performance in urban intersection dispersion modeling, especially in rush hours.

vehicle exhaust emissions; exhaust dispersion model; urban signal intersection; CAL3QHC

(責任編輯：劉 巖)

2016-03-22

國家863計劃基金資助項目(2014AA110302)

郝偉娜(1976—)，女，山東菏澤人，副教授，研究方向為智能交通系統，E-mail：wnhao@zjut.edu.cn.

X169

A

1006-4303(2017)01-0094-05