Processing math: 100%

基于大气环境监测数据的工业园区污染物排放总量实时反演核算方法

王经顺, 赵瀚森, 张夏夏, 徐向凯, 吴柏莹, 王东, 杨雪, 沈宁航, 陈高. 基于大气环境监测数据的工业园区污染物排放总量实时反演核算方法[J]. 环境工程学报, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035
引用本文: 王经顺, 赵瀚森, 张夏夏, 徐向凯, 吴柏莹, 王东, 杨雪, 沈宁航, 陈高. 基于大气环境监测数据的工业园区污染物排放总量实时反演核算方法[J]. 环境工程学报, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035
WANG Jingshun, ZHAO Hansen, ZHANG Xiaxia, XU Xiangkai, WU Baiying, WANG Dong, YANG Xue, SHEN Ninghang, CHEN Gao. Real-time estimation of atmospheric pollutant emission in industrial park with environment monitoring data[J]. Chinese Journal of Environmental Engineering, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035
Citation: WANG Jingshun, ZHAO Hansen, ZHANG Xiaxia, XU Xiangkai, WU Baiying, WANG Dong, YANG Xue, SHEN Ninghang, CHEN Gao. Real-time estimation of atmospheric pollutant emission in industrial park with environment monitoring data[J]. Chinese Journal of Environmental Engineering, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035

基于大气环境监测数据的工业园区污染物排放总量实时反演核算方法

    作者简介: 王经顺 (1977—) ,男,硕士,高级工程师,wjs@jsep.com
    通讯作者: 赵瀚森 (1993—) ,男,博士,中级工程师,zhaohs12@163.com
  • 基金项目:
    江苏省环保集团科研课题 (1004)
  • 中图分类号: X84

Real-time estimation of atmospheric pollutant emission in industrial park with environment monitoring data

    Corresponding author: ZHAO Hansen, zhaohs12@163.com
  • 摘要: 工业园区既是重要的社会经济发展单元,也是主要的大气污染排放单元。综合利用环境监测数据和数值模拟方法,开展工业园区污染排放的动态精准管控,有助于提升工业园区大气环境管控效果,统筹园区经济发展与环境优化。以某工业园区为例,探索了基于环境监测数据,利用高斯大气扩散模型和源参数反演技术,实现小时级别的园区大气污染物排放总量反演核算的技术可行性。结果表明:1) 监测站点布设方案显著影响反演核算精度,网格化布点方案有效提高了反演核算精度;2) 监测数据的随机误差显著影响反演核算精度,在简化布点方案下,园区监测站点对VOCs质量浓度监测误差应控制在0.1 mg∙m−3以下;3) 园区总排放强度对反演核算精度存在一定影响,总排放量大的园区反演核算精度较高;4) 反演核算精度与实时气象条件有关,当气象条件不适宜模型模拟污染物扩散或不适宜监测站点对污染物分布进行有效采样时,可能造成反演精度的下降。以上结果表明,在工业园区开展基于环境监测数据的大气污染物排放总量核算研究具有可行性,但需要在监测站点布设方案比选、监测站点数据质量控制等方面进行精细化管理,以达到最优反演核算效果。
  • 产业技术创新战略联盟(以下简称“产业联盟”)是指由企业、大学、科研机构或其他组织机构,以企业的发展需求和各方的共同利益为基础,以提升产业技术创新能力为目标,以具有法律约束力的契约为保障,形成的联合开发、优势互补、利益共享、风险共担的技术创新合作组织[1]。产业联盟能够聚集高级人才、前沿技术与产业资源等创新要素,并为科研成果向市场应用转化搭建关键的平台与渠道[2]。产业联盟在成果转化过程中的作用体现在以下几个方面。首先,产业联盟通过整合政府、企业、高校和科研机构等不同主体的资源优化资源配置与共享,为成果转化创造有利条件。其次,产业联盟可以建立各产学研主体之间的协作机制与信息交流平台,推进技术创新网络建设,缩短技术供需差距,加强技术研发、传播与转化应用。最后,产业联盟有助于研发投入的多元化,使联盟成员共同承担技术研发和成果转化风险,推动更多创新技术成果产出与转化。同时,产业联盟成员可针对关键技术领域开展人才培养,加速核心技术领域难题协同攻关,节约研发成本与提高研发效率,促进核心技术成果转化。产业联盟具有跨区域与跨部门性质,可在一定程度上减少地区或部门之间的行政障碍,推进合作,为成果转化营造良好政策环境。由此可见,通过联盟成员间的合作共赢,产业联盟以多种途径推进创新技术研发和促进成果转化,也是其在成果转化中发挥的关键作用。

    作为全球经济的重要组成部分,中国企业在享受经济全球化带来的契机的同时,也面临着全球化带来的巨大冲击。在此背景下,在中国政府的支持下,中国企业也开始寻求国内外合作伙伴,以增加全球化背景下的风险承担能力,联盟也因此在我国兴起并逐渐发展[3-4]。产业联盟在我国的建设始于21世纪初。为推动产业联盟的建设,我国政府在2008—2021年间颁布了一系列的政策文件,如《关于推动产业技术创新战略联盟构建的指导意见》、《“十三五”国家技术创新工程规划》等[15]。国家政策的颁布推动各级政府纷纷开展产业技术联盟建设工作,全国范围内各领域也因此建成大量产业联盟。如,广东佛山作为我国产业联盟建设的探路者,其在面临乡镇企业集群发展过程中的技术困扰难题时,转变以往单一企业产学研合作思路,针对企业面临的共性技术问题建立由企业、大学和科研机构组成的以“政府引导、企业主导、市场驱动”为基本特征的产业联盟,促进了产学研的深度融合,增强了企业的核心竞争力,促进了创新资源的合理流动和优化配置[6]。又如,就具体产业而言,江苏省为促进石墨烯产业发展,推动石墨烯研究院联合和吸引南京大学、常州大学等国内外高校及省内石墨烯骨干企业创建了石墨烯产业联盟,联盟内各个机构以契约为合作形式,推动石墨烯产业设备的自主研发和产业化生产,极大推动了江苏省石墨烯产业发展[7]

    产业联盟的建设推动了我国高科技领域的关键技术突破、研发成果的产业化应用、产业结构的优化升级与经济的快速增长。然而,我国产业联盟建设仍然面临不少难题,主要体现为:政策支持环境有待改善、联盟组织松散、运行管理机制不健全、资金缺乏问题严重、自主创新能力缺乏等方面。

    国家出台一系列政策推动我国产业联盟建设和发展,从而推动产学研一体化和产业技术升级,实现科技兴国。同时,各级政府也发布相应政策鼓励地方产业联盟的建设和发展[5, 8]。但由于联盟建设发展周期长,资金需求大,这就要求建立完善政策资金支持体系。但目前除了一些发达省市,如,上海北京完善了对联盟建设的资金支持体系,明确对联盟建设重大课题的大幅度资金支持,很多省份对联盟的政策和经费支持力度有待加强[5, 9]

    当前,我国现存多数产业联盟是契约型组织,没有进行法人注册,这导致联盟缺乏对联盟成员的约束力,联盟成员间凝聚力丧失。同时,也导致联盟无法以机构身份开展正常民事行为,甚至无法对外以法人身份签订合同和对联盟成员收取会费,从而引发不必要纠纷。同时,联盟运行管理机制不健全。联盟各成员之间存在竞争和合作的双重关系,如何处理好这种关系是发挥好联盟作用的重要基础。然而,目前我国联盟在运行过程中,资金投入分配、成果转化利益分配、联盟成员贡献度核定和业绩考核制度方面没有明确的界定,这就导致联盟成员利益得不到保证,联盟的作用得不到发挥[57]

    我国产业联盟处在发展阶段,联盟发展和技术创新均需要大量资金支持。但目前,联盟的主要资金来源为企业自筹和政府项目申请,这打击了企业参与联盟的积极性,影响了联盟自身发展和创新的进程[5, 10]。同时,联盟自筹和获取国家项目支持的资金缺乏连续性,这也使得联盟发展十分受限。

    自主创新能力是产业联盟发展的保障。但目前,受资金投入、创新人才等方面的限制,我国大多数产业联盟对国外技术的依赖程度大,自主研发能力不足,成果转化的效率较低 [5, 11]

    产业联盟由企业、高校、科研机构等不同主体组成,其利益诉求存在很大不一致性[3]。一般情况下,企业寻求能直接转化为利益的技术创新,而高校和科研机构更加关注科研学术成果。其利益诉求的不一致性使得联盟在管理过程中存在很大困难,管理不善将导致联盟的创新动力动不足。我国目前尚未找到不同联盟间利益的妥善处理方式,致使企业和科研机构间不能进行良好的联动创新。

    20世纪以来,随着经济全球化的日益加剧,单一企业无法应对全球化带来的同行业的剧烈竞争和快速的技术革新,这迫使企业间联合建立起“联盟”,以应对经济全球化对自身发展带来的巨大打击[3]。20世纪六七十年代,产业联盟在日本、美国、德国等发达国家和地区兴起并逐渐蓬勃发展[12]。进入21世纪以来,全球每年的产业联盟数量稳步上升,特别是在生物医药、新能源、电子科技等一些高新技术产业。这里以美国、德国、日本为代表分析发达国家产业联盟的发展及成功经验。

    最初,美国以产—学—研深度融合的方式实现高等教育机构与产业企业的有机衔接,这一协同创新模式的不断演进,最终催生了产业联盟。20世纪80年代,美国法案放宽了反垄断法对产业联盟的限制,扩大了其合作研究范围,这推动了近600多个产业联盟在10年内建立。进入21世纪,美国实施国家信息技术科研计划等多项科技计划进一步推动联盟的发展[13-14]

    目前,美国已经形成了包括政府引导联盟模式、工程研究中心模式和工业大学合作研究模式在内的较为系统完善的产业联盟模式。(1)政府引导联盟模式:主要是在政府资助前提下,推动多方资金投入,利用政府优势进行资源整合,从而吸引各产业主体融入国家战略技术研究。政府引导联盟模式的典型代表为FREEDOMCAR计划和半导体技术联盟。(2)工程研究中心模式:在政府、工业和大学的联合资助下,以企业和大学间的合作为重点合作方式,着重关注重大工程系统跨学科技术问题的一种模式。此种模式的组织管理方式也非常灵活,各联盟的中心组织架构可因各工程中心特征而异,也因此建立了多个以研究型大学为中心的工程研究中心,如斯坦福大学工程研究中心、麻省理工工程研究中心。(3)工业大学合作研究模式:企业的实际技术需求是此模式建立的基础,其主要通过产学之间长期的项目合作研究来实现。工业大学合作研究中心相对企业和大学独立存在,其通过单对多(一所院校与多个企业)、多对多(多个院校与多个企业)或者签订合同的方式与企业、大学开展联合,以有效解决行业内共性问题。

    美国市场体制的完善、科技法律制度的完善和高强度的科研技术投入,也促使美国在产业联盟建设与发展方面获得很大的成功,积累了丰富的成功经验。

    首先,大量科技创新资金投入是产业联盟建设与发展的重要前提。美国一直重视各领域的科技研发投入,研发投入从20世纪80年代的占GDP的2.3%增加到如今的3%,这些投资不仅促进了技术创新,也推动了技术成果的转化和产业化。

    第二,目标明确是联盟健康稳定运行的重要基础。美国各个联盟明确的目标促使联盟的运行及联盟间的合作具有很强的可操作性。如,美国创新联盟半导体知道技术联合体的建立目标就是开发10年内能够被广泛应用的技术,这也促使此创新联盟获取重大成功。

    第三,风险投资的合理加入是联盟健康发展的重要血液。政府投资是联盟正常运行的基础,但适度高效的风险投资可以为联盟的健康发展带来新鲜血液,增强联盟运行活力。美国大部分的高科技公司如微软等都是在风险投资下快速成长的,而美国大部分出产业创新联盟是集中在高科技领域的,这也铸就了其在高风险投资下成长的特点。

    第四,市场机制完善是联盟建设与发展的重要保障。美国完善的市场机制使得美国联盟的科技创新活动是建立在满足市场需求的基础之上,这也促使联盟的科技创新成果转化和产业化过程阻力较小。

    德国经济和科技发展一直处于世界领先水平,其中产业联盟发挥了重要作用。德国政府采用各种措施和计划来引导、促进、支持产业联盟的发展,集成产学研各方优势,组建各种适合各地区主导产业发展的产业技术创新联盟[15-16]。2006年8月,德国联邦政府推出了第一个涵盖所有政策范围的《德国高技术战略》,目标是把科技界和经济界的力量结合起来,通过公共资金鼓励和吸引其他资金投入到重点领域研究和开发,持续加强创新力量,使德国在最重要的未来市场上位居世界前列。德国高技术战略的核心是架起科学和经济的桥梁,成功地促成了新的联盟即德国实施“高技术战略”最重要的伙伴——“经济-科学研究联盟”。德国联邦政府“高技术战略”的投入总额为150亿欧元,其中部分资金专项用于对产业联盟的支持。“高技术战略”实施不到2年,2008年,德国共建立了116个重要的产业联盟,形成了生物技术、交通与移动、能源与环境、现代制造等九大创新领域,有460家大企业和6 000多家中小企业和1 600家研究机构加入了产业联盟。

    在“高技术战略”及相关政府政策和重大科研计划支持下,德国对产业联盟给予多方位的引导、支持和资助,德国各地建立近百个创新联盟在加强区域性研发、加快产品开发进程,推动服务业发展方面发挥了重要作用,加强了科技界和工业界的结合,提升了重点产业竞争力,其中有许多经验值得我们借鉴。

    第一,政府推动企业、研究机构和大学联合进行科研攻关。由于技术创新联盟的松散性,要使信息在研究实体间能够有效地流动,离不开政府联邦和各州的帮助。作为技术创新联盟的组织者,政府的作用就是克服信息传播的障碍,促进技术的转移与扩散。

    第二,企业成为技术创新联盟的主体。技术创新是一项与市场密切相关的活动,企业在市场机制激励下会自主自动进行技术创新,是技术知识生产和应用的主要承担者。所以,在德国成立产业联盟必须要有企业的加入。科技成果要转化为商品,需要大量的工程化知识和市场化知识,同时需要时间、资金投资以及不断实践才能完成这个过程。因此,企业应成为技术创新的主体,要形成以企业为主体的应用知识生产体系。

    第三,技术创新联盟必须目标明确。在高技术战略框架下,德国促进技术创新联盟的各项计划目标非常明确,目的就是促进企业、大学和科研机构建立战略联盟,共同开发对未来国家经济社会产生重大影响、有巨大市场潜力的关键技术,使德国在未来在重要技术领域保持和加强其世界领先地位。

    第四,为联盟打造信息通畅的平台。1998年德国就建立了名为“能力网”网站(www.kompetenznetze.de),其用户群体由2部分组成:一部分是加入该网站的创新联盟,联盟以该网站为依托建立了透明的联盟信息交流渠道,开展灵活、多样、面向需求的技术合作与转让,实现优势互补;另一部分是海内外投资者、创业者、科研人员、学生、企业人员、政府官员、媒体和社会公众,他们可以通过能力网了解德国的创新联盟,开展投资与合作。

    日本产业联盟起源于20世纪60年代,在日本政府技术研究组合法及相关辅助政策的支持下,其产业联盟不断发展起来,形成了共同签约提供研发经费、共同出资成立法人机构公司、依《技术研究组合法》设立技术研究组合等三类联盟组织模式[17-18]。20世纪80年代初调查显示,90%以上联盟属于第一种组织模式。技术研究组合模式虽占比例比较小,但大规模的合作研究开发多以此模式开展,其也因此成为更具日本特色的联盟组织模式。

    日本产业联盟的建立与日本政府在法律、政策及项目等方面的支持密不可分,这也成为日本产业创新联盟发展的重要特色和重要的成功经验[18],其具体体现在:(1)完善法律法规及辅助政策,提供优惠支持。日本1961年首次出台《工矿业技术研究组合法》,鼓励企业、高等院校、科研机构等参与政府的技术创新项目,推动产业联盟的形成。后因时制宜,修订为《技术研究组合法》。在此法律政策的支持下,日本政府又不断推出税收优惠、研究补助金交付制度等一系列的优惠支持,推动了产业技术联盟发展。(2)科技计划倾斜支持。日本政府的各类国家重大产业技术研究开发计划,从20世纪60年代的大型工业技术研究开发委托费制度到21世纪的研究开发计划和创新计划,均是以产业联盟为实施主体,这种科技计划与项目的倾斜在很大程度上解决了日本产业联盟发展的资金问题,并可以借助国家平台推动产业技术联盟的发展。(3)借助国家战略与行动计划促进技术标准联盟发展。自2001年起,日本政府不断推出与标准化相关的战略与行动计划,如2001年的“标准化战略及个分领域标准化战略”、2006年的“国际标准化战略目标”等,不断明确标准化战略,为技术转移到联盟发展创造了机遇[17-20]

    生态环境科技成果转化和产业化推广是解决环境安全问题,实现美丽中国建设的重要途径,但其转化过程复杂,一个或少数几个单位无法独立完成整个“产—学—研”过程。于是,通过整合多学科多机构的资源形成“产—学—研—用”相结合的联盟成为各生态环境相关机构和院校共同利益诉求。在国家《水体污染控制与治理科技重大专项管理办法》(试行)等政策文件支持下,原环保部印发了《环境保护部水体污染控制与治理科技重大专项产业联盟工作管理暂行办法(试行)》,并发布了有机化工废水污染控制与资源化产业联盟、水处理膜材料及装备产业联盟等8个联盟试点名单。通过产业技术创新战略联盟建设和发展,水专项在成果转化和产业化推广方面到得了重要突破,极大促进了生态环境科技成果的转化落地,有效解决了我国淮河、长江等重点流域水污染治理的难点问题。现以南京环保产业创新中心有限公司牵头建设的有机化工废水污染控制与资源化产业技术创新战略联盟为典型案例,总结分析水专项生态环境产业联盟的建设实践及发展成效[21]

    随着世界化工生产中心由欧美发达国家转移到包括中国在内的发展中国家,我国化工产业高速发展,也使化工废水成为我国环境污染的主要来源我国化工环保技术与发达国家相比还有很大差距,化工污染控制面临诸如技术水平低、产业化程度低、产学研脱钩、成果转化困难等问题,这些问题的解决需要企业、高校和科研机构联合,实现化工废水处理技术的“产—学—研—用”一体化。在此背景下,有机化工废水污染控制与资源化产业技术创新战略联盟于2014年成立。成立初期,联盟以南京环保产业创新中心有限公司为牵头单位,南京大学盐城环保技术与工程研究院担任理事长单位。经过六年发展,联盟成员增加至32家,被评为“优秀联盟”。联盟建设以来,以实现产学研用深度融合、突破化工环保关键技术,完善产业链、建设高端化工产业发展支撑平台,提供环境问题系统解决方案、建立公共服务平台等为总目标。

    为了促进联盟的健康发展,联盟建立了理事会、秘书处和专家委员会三大管理机构。理事会由理事长单位南京大学盐城环保技术与工程研究院和各理事单位组成,负责制定章程、管理成员、选举领导、决定工作方向和任务、协调资金等。秘书处作为执行机构,负责日常工作如文件管理、财务管理、督促和协调成员等。专家委员会提供技术咨询、制定工作方向、审查项目、检查执行情况等。同时,联盟采取开放运行机制,以吸纳更多企业、高校和科研机构加入。成员之间形成合作机制,成员之间共担风险、共有成果和共享利益。

    联盟建设以来取得很大成效,主要体现在3个方面。一是课题联合攻关与扩大合作领域。联合承担了7项国家科技重大专项课题、10项技术攻关项目、10余项污染控制工程项目、编制了2项指南;联合申报了2项国家级奖项、5项省部级奖项;合作从化工废水治理扩展到废气和土壤修复。二是优选合作伙伴与促进盟员发展。初期以科研实力强的科研院所和生产企业为主,后吸引大型环保企业加入;涵盖7个省市,服务重要流域和区域;定期组织会议与活动,推动交流与转化,带动单位获得多项荣誉与资质。三是产学研用合作与创新服务模式。在管理与服务模式上进行创新;突破了30多项污染控制技术,孵化了30多家高科技企业;核心技术与服务模式在10多个省市推广,为200多家企业提供服务,治理废水7 300万t/a,支撑产业发展。

    美国、德国、日本等发达国家联盟的成功建设和发展对我国产业联盟的建设具有很大的借鉴作用。综合分析美国、德国和日本联盟建设的成功经验以及我国水专项产业联盟建设探索,对我国生态环境相关产业联盟建设与发展提出以下建议。

    (1)明确主体角色,强化自身建设。我国联盟建设较晚,目前依然存在联盟主体不明确、联盟目标不清晰、组织涣散和运行机制不完善等问题。美国联盟建设的成功经验告诉我们,应该在政府调控的基础之上,融入市场机制调控,明确联盟的主体地位和发展目标,构建相对灵活的机构组织方式,构建完善的网络信息平台,从而明确联盟的主体角色,加强其自身建设。

    (2)多样化联盟模式,强化联动创新。当前,我国产业联盟面临着联盟成员利益不一致,自主创新动力不足的问题,这与联盟的组织模式有很大关系。美国与日本两国的联盟根据联盟成员间的合作目标建立了多样化的联盟模式,不仅完美解决了联盟成员间利益不一致的问题,还提高了联盟的自主创新能力,有效解决行业内共性问题。这启示我们,我国的产业联盟也应该因地制宜构建多样化联盟模式,解决联盟内部利益不一致和创新动力不足的问题,达到联盟技术创新潜力的最大化。

    (3)加强政府支持,完善支持政策。美国等国产业技术联盟建设和发展取得成功的重要原因之一就是政府政策和资金的强力支持。产业联盟的建设和良好发展,需要在政府政策和重大研发项目强有力的引导和倾斜之下开展,吸引大量企业、高校和科研机构参与政府主导下的高新技术产学研用一体化工作;同时,政府应该完善风险投资政策,鼓励风险投资加入联盟,完美解决我国联盟建设和发展资金缺乏的重要问题,促进联盟持续良好发展。

  • 图 1  示例园区污染源及监测站点布局图

    Figure 1.  Layout of pollution sources and monitoring stations in sample park

    图 2  示例园区2023年1月1日00时模拟扩散浓度及贡献比率空间分布

    Figure 2.  Simulated diffusion concentration (left) and contribution ratio (right) spatial distribution at 00:00 on January 1, 2023 of sample park

    图 3  不同排放情景下逐小时模拟排放量及反演排放量对比

    Figure 3.  Comparison of hourly simulated emissions and inverted emissions under different scenarios

    图 4  排放总量反演绝对相对误差 (ARE) 与风向关系

    Figure 4.  Relationship between absolute relative error (ARE) of total emission inversion and wind direction

    图 5  3种布点方案示意图

    Figure 5.  Schematic diagram of three layout schemes

    图 6  不同排放情境下反演精度与随机误差强度的关系

    Figure 6.  Relationship between inversion accuracy and random error intensity under different emission scenarios

    表 1  示例园区污染源相对位置及VOCs年排放量

    Table 1.  Relative location of pollution sources and annual emissions of VOCs in sample park

    企业编号 点位编号 相对位置 VOCs年排放量
    X/m Y/m 许可排放量/(t·a−1) 统计核算量/(t·a−1)
    (1) 1-1 −105.69 1 939.64 558.06 305.68
    1-2 694.15 1 513.34
    1-3 1 080.49 2 126.93
    (2) 2-1 2 191.57 1 535.64 231.22 52.70
    (3) 3-1 −567.09 1 159.14 0.00 0.00
    (4) 4-1 3 307.64 732.23 257.24 2.46
    (5) 5-1 2 328.21 2 950.21 188.13 11.10
    5-2 3 805.85 1 865.68
    (6) 6-1 −2 494.02 −1 017.60 16.17 0.84
    (7) 7-1 1 605.90 −3 561.35 1.01 0.46
    (8) 8-1 −945.73 223.88 1 855.47
    8-2 100.86 −572.14
    8-3 842.90 27.32
    (9) 9-1 −3 033.36 −2 506.92 23.64 0.14
    (10) 10-1 2 488.31 −2 613.47 801.12
    10-2 3 236.00 −1 661.56
    企业编号 点位编号 相对位置 VOCs年排放量
    X/m Y/m 许可排放量/(t·a−1) 统计核算量/(t·a−1)
    (1) 1-1 −105.69 1 939.64 558.06 305.68
    1-2 694.15 1 513.34
    1-3 1 080.49 2 126.93
    (2) 2-1 2 191.57 1 535.64 231.22 52.70
    (3) 3-1 −567.09 1 159.14 0.00 0.00
    (4) 4-1 3 307.64 732.23 257.24 2.46
    (5) 5-1 2 328.21 2 950.21 188.13 11.10
    5-2 3 805.85 1 865.68
    (6) 6-1 −2 494.02 −1 017.60 16.17 0.84
    (7) 7-1 1 605.90 −3 561.35 1.01 0.46
    (8) 8-1 −945.73 223.88 1 855.47
    8-2 100.86 −572.14
    8-3 842.90 27.32
    (9) 9-1 −3 033.36 −2 506.92 23.64 0.14
    (10) 10-1 2 488.31 −2 613.47 801.12
    10-2 3 236.00 −1 661.56
    下载: 导出CSV

    表 2  工业园区大气污染排放总量反演精度模拟评估

    Table 2.  Simulation and Evaluation of the Precision of Inversion of Total Air Pollution Emissions in Industrial Parks

    情景模式 背景浓度反演偏差 (MARE) 小时排放量反演偏差 (MARE)
    低排放情景 (0.00±0.00)% (5.39±7.43)%
    中排放情景 (0.00±0.00)% (5.33±7.34)%
    高排放情景 (0.00±0.00)% (5.54±7.50)%
    周期排放情景 (0.00±0.00)% (5.33±7.34)%
    情景模式 背景浓度反演偏差 (MARE) 小时排放量反演偏差 (MARE)
    低排放情景 (0.00±0.00)% (5.39±7.43)%
    中排放情景 (0.00±0.00)% (5.33±7.34)%
    高排放情景 (0.00±0.00)% (5.54±7.50)%
    周期排放情景 (0.00±0.00)% (5.33±7.34)%
    下载: 导出CSV

    表 3  排放总量反演精度与工业园区大气稳定度的关系

    Table 3.  Relationship between the accuracy of total emission inversion and the atmospheric stability of industrial parks

    大气稳定度 小时数 平均绝对相对偏差 (MARE)
    A 16 (0.00±0.01)%
    B 156 (0.62±2.16)%
    C 3 (3.40±5.88)%
    D 140 (1.03±3.22)%
    E 151 (6.07±6.67)%
    F 278 (10.08±8.12)%
    大气稳定度 小时数 平均绝对相对偏差 (MARE)
    A 16 (0.00±0.01)%
    B 156 (0.62±2.16)%
    C 3 (3.40±5.88)%
    D 140 (1.03±3.22)%
    E 151 (6.07±6.67)%
    F 278 (10.08±8.12)%
    下载: 导出CSV

    表 4  不同布点方案下模型逐小时反演精度评估

    Table 4.  Hourly Inversion accuracy evaluation of models under different layout schemes

    布点方案 监测站点数 平均绝对相对偏差
    高排放情景 中排放情景 低排放情景 周期排放情景
    两点布设 2 (75.55±34.42)% (75.68±34.20)% (76.06±33.83)% (75.56±34.39)%
    简化布设* 40 (5.39±7.43)% (5.33±7.34)% (5.54±7.50)% (5.33±7.34)%
    网格化布设 76 (0.36±1.55)% (0.39±1.69)% (0.48±2.28)% (0.40±1.83)%
      *注:本文2.1节采用简化布设条件,故本行结果采用表2中的数据。
    布点方案 监测站点数 平均绝对相对偏差
    高排放情景 中排放情景 低排放情景 周期排放情景
    两点布设 2 (75.55±34.42)% (75.68±34.20)% (76.06±33.83)% (75.56±34.39)%
    简化布设* 40 (5.39±7.43)% (5.33±7.34)% (5.54±7.50)% (5.33±7.34)%
    网格化布设 76 (0.36±1.55)% (0.39±1.69)% (0.48±2.28)% (0.40±1.83)%
      *注:本文2.1节采用简化布设条件,故本行结果采用表2中的数据。
    下载: 导出CSV
  • [1] 白璐, 乔琦, 张玥. 工业污染源产排污核算模型及参数量化方法[J]. 环境科学研究, 2021, 34(9): 2273-2284.
    [2] 江苏省打好污染防治攻坚战指挥部办公室. 江苏省工业园区(集中区)污染物排放限值限量管理工作方案(试行)[EB/OL]. [2021-7-19]. https://huanbao.bjx.com.cn/news/20210811/1169162.shtml, 2021.
    [3] 吴文华. 污染物排放总量的技术核算方法研究[J]. 中国资源综合利用, 2018, 36(3): 179-181.
    [4] 何雪芹, 周洁, 陈志诚, 等. 环境统计中污染物产生量排放量核算方法的探讨[J]. 科技创新导报, 2020, 17(13): 135-136.
    [5] 生态环境部. 排放源统计调查产排污核算方法和系数手册[EB/OL]. [2021-6-11] W020210624327149500026. pdf. ((mee. gov. cn).

    (mee. gov. cn).

    [6] 胡瑞, 张学伟. 环境统计中污染物产生量排放量核算方法的探讨[J]. 科技视界, 2012(34): 151.
    [7] 杨喆, 李涛, 杨松柏, 等. 同时考虑监测和物料衡算的环境保护税税基核定方法[J]. 环境污染与防治, 2019, 41(5): 608-610.
    [8] 郑伟, 孙亚梅, 刘伟. 燃煤电厂大气汞排放量核算方法研究[C]//2017中国环境科学学会科学与技术年会论文集(第一卷). 中国环境科学学会, 2017.
    [9] 高新伟, 李瑶. 火电企业大气污染物排放量核算方法研究[J]. 环境科学与管理, 2022, 47(12): 70-75.
    [10] 路学军, 展卫红. 物料衡算法在工业源污染物排放量核算中的应用探讨[J]. 科学之友, 2009(33): 153-155.
    [11] 张久凤. 基于监测数据的源强反算算法研究及应用[D]. 青岛: 中国石油大学, 2011.
    [12] 伯鑫, 丁峰, 徐鹤, 等. 大气扩散CALPUFF模型技术综述[J]. 环境监测管理与技术, 2009(3): 9-13.
    [13] CARLTON A G, BHAVE P V, NAPELENOK S L, et al. Model representation of secondary organic aerosol in CMAQv4.7[J]. Environmental Science & Technology, 2010, 44(22): 8553-8560.
    [14] 易俊华, 许泉立. GIS环境下基于高斯烟羽模型的大气点源污染扩散模拟研究[J]. 测绘与空间地理信息, 2022, 45(8): 73-76.
    [15] 制定地方大气污染物排放标准的技术方法GB/T 3840-1991[S]. 国内-国家标准-国家市场监督管理总局 CN-GB, 1991. (https://www.mee.gov.cn/image20010518/5332.pdf).
    [16] 沈泽亚, 郎建垒, 程水源, 等. 典型耦合优化算法在源项反演中的对比研究[J]. 中国环境科学, 2019, 39(8): 3207-3214.
    [17] CUI J, LANG J, CHEN T, et al. Investigating the impacts of atmospheric diffusion conditions on source parameter identification based on an optimized inverse modelling method[J]. Atmospheric Environment, 2019, 205: 19-29. doi: 10.1016/j.atmosenv.2019.02.035
    [18] HAUPT S E. A demonstration of coupled receptor/dispersion modeling with a genetic algorithm[J]. Atmospheric Environment, 2005, 39(37): 7181-7189. doi: 10.1016/j.atmosenv.2005.08.027
    [19] HAUPT S E, BEYER-LOUT A, LONG K J, et al. Assimilating concentration observations for transport and dispersion modeling in a meandering wind field[J]. Atmospheric Environment, 2009, 43(6): 1329-1338. doi: 10.1016/j.atmosenv.2008.11.043
    [20] 生态环境部. 环境空气挥发性有机物气相色谱连续监测系统技术要求及检测方法 HJ 1010-2018[S/OL]. https://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201901/t20190105_688615.shtml.
    [21] 国家质量监督检验检疫总局. 《挥发性有机化合物光离子化检测仪校准规范》(JJF 1172-2007)[S]. 北京: 中国标准出版社, 2007.
  • 加载中
图( 6) 表( 4)
计量
  • 文章访问数:  2547
  • HTML全文浏览数:  2547
  • PDF下载数:  78
  • 施引文献:  0
出版历程
  • 收稿日期:  2023-06-08
  • 录用日期:  2023-10-14
  • 刊出日期:  2023-11-26
王经顺, 赵瀚森, 张夏夏, 徐向凯, 吴柏莹, 王东, 杨雪, 沈宁航, 陈高. 基于大气环境监测数据的工业园区污染物排放总量实时反演核算方法[J]. 环境工程学报, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035
引用本文: 王经顺, 赵瀚森, 张夏夏, 徐向凯, 吴柏莹, 王东, 杨雪, 沈宁航, 陈高. 基于大气环境监测数据的工业园区污染物排放总量实时反演核算方法[J]. 环境工程学报, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035
WANG Jingshun, ZHAO Hansen, ZHANG Xiaxia, XU Xiangkai, WU Baiying, WANG Dong, YANG Xue, SHEN Ninghang, CHEN Gao. Real-time estimation of atmospheric pollutant emission in industrial park with environment monitoring data[J]. Chinese Journal of Environmental Engineering, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035
Citation: WANG Jingshun, ZHAO Hansen, ZHANG Xiaxia, XU Xiangkai, WU Baiying, WANG Dong, YANG Xue, SHEN Ninghang, CHEN Gao. Real-time estimation of atmospheric pollutant emission in industrial park with environment monitoring data[J]. Chinese Journal of Environmental Engineering, 2023, 17(11): 3698-3705. doi: 10.12030/j.cjee.202306035

基于大气环境监测数据的工业园区污染物排放总量实时反演核算方法

    通讯作者: 赵瀚森 (1993—) ,男,博士,中级工程师,zhaohs12@163.com
    作者简介: 王经顺 (1977—) ,男,硕士,高级工程师,wjs@jsep.com
  • 1. 江苏省生态环境监测监控有限公司,南京 210000
  • 2. 江苏省环保集团有限公司,南京 210000
  • 3. 江苏省生态环境大数据有限公司,南京 210000
基金项目:
江苏省环保集团科研课题 (1004)

摘要: 工业园区既是重要的社会经济发展单元,也是主要的大气污染排放单元。综合利用环境监测数据和数值模拟方法,开展工业园区污染排放的动态精准管控,有助于提升工业园区大气环境管控效果,统筹园区经济发展与环境优化。以某工业园区为例,探索了基于环境监测数据,利用高斯大气扩散模型和源参数反演技术,实现小时级别的园区大气污染物排放总量反演核算的技术可行性。结果表明:1) 监测站点布设方案显著影响反演核算精度,网格化布点方案有效提高了反演核算精度;2) 监测数据的随机误差显著影响反演核算精度,在简化布点方案下,园区监测站点对VOCs质量浓度监测误差应控制在0.1 mg∙m−3以下;3) 园区总排放强度对反演核算精度存在一定影响,总排放量大的园区反演核算精度较高;4) 反演核算精度与实时气象条件有关,当气象条件不适宜模型模拟污染物扩散或不适宜监测站点对污染物分布进行有效采样时,可能造成反演精度的下降。以上结果表明,在工业园区开展基于环境监测数据的大气污染物排放总量核算研究具有可行性,但需要在监测站点布设方案比选、监测站点数据质量控制等方面进行精细化管理,以达到最优反演核算效果。

English Abstract

  • 工业园区大气污染排放总量核算为园区大气环境质量管控提供重要依据,同时有助于推进企业排污许可、项目审批、执法监管以及排污权交易等管理联动,与排污总量挂钩,有助于提升综合管理效能、制定相关的环境管理政策[1]和解决污染源管控不准、产业调整方向不明、环评审批总量落实难、第三方机构弄虚作假等问题具有重要意义[2-3]。目前,工业园区大气污染物排放总量的核算主要是统计园区内所有企业大气污染物排放量并进行加和代表该园区大气污染物的排放总量。现有对企业排放量核算方法主要有实测法、产排污系数法及物料衡算法。实测法是依据实际监测环统对象产生和外排废气流量及其污染物质量浓度,计算出废气的排放量及各种污染物的产生量和排放量 (在线监测和手工监测) [4]。产排污系数法是根据《产排污系数手册》[5]提供的工业行业产排污系数,只要根据企业的实际情况选择合适的产排污系数,即可核算出污染物的产生量和排放量[6]。物料衡算法是通过计算生产过程中物质的量的变化对生产过程中使用的物料变化情况进行定量分析的一种方法[7]。但上述通过对企业排放量核算园区总排放量的方法均存在一定的局限性,如实测法 (在线监测和手工监测) 存在设备安装联网成本较高,运维困难、无法测算无组织排放等问题且监控数据无法验证[8-9]。产排污系数法忽视了企业生产过程中采取不同污染处理技术的因素,在计算过程中仅以企业生产消耗的原材料或生产成品就确定了一个企业的排放系数,未考虑企业对于污染管理和处理技术方面的因素,具有一定的局限性[6]。产排污系数法对于关键系数的选取存在一定主观性且可能会忽略行业特征[5]。而物料衡算法计算过程复杂,生产过程中的物料损耗、污染物的无组织排放等因素无法准确估算,适用范围较小等[4,10]。与此同时,产排污系数法和物料衡算法通常需要对生产企业进行调研,对于企业数量和类型较多的工业园区,核算的人力成本和时间成本较高,难以实现动态核算更新。

    本研究尝试探索基于环境监测站点的实时监测数据,结合大气污染物扩散模型和源参数反演算法,构建工业园区大气污染物实际排放总量反演算法,实现对园区无组织及低矮有组织大气污染物实际排放量的动态实时核算。该方法可极大地节省人力、物力,具有普遍适用性。该方法可作为实测法、物料衡算法及产排污系数法等传统排放总量核算方法的有益补充,同时有助于充分利用环境监测数据信息,明确环境质量与污染物排放的动态响应关系,为基于环境质量目标的动态污染排放管控提供参考。

    • 示例园区为东南沿海某重点石油化工产业基地,是国家石化产业布局方案中重点规划布局的新建石化产业基地。2021年,依据江苏省开展工业园区 (集中区) 污染物排放限值限量管理工作方案要求[2],建设了园区大气环境监测站点网络,并对园区企业大气污染排放情况进行了调查核算。该园区内共有涉及有机化学品的合成、储运、化学加工制造、危废治理、热电联产等污染排放企业20家。其生产及排放规模排名前10的企业VOCs排放总量占园区VOCs总排放量超过95%。因此,选取该10家企业作为主要研究对象,以VOCs的实际排放量实时反演为主要研究目标。由于本研究主要论证基于大气环境监测数据的污染排放总量实时反演的技术可行性,并讨论相关影响因素,故不考虑在工业园区尺度范围内VOCs的二次转化。

      将园区在WGS-84地理坐标系下的企业排污单元及监测站点经纬度、园区边界及主要道路矢量图信息转化为UTM投影坐标系以方便进行数值模拟。图1为园区主要污染企业、监测站点、园区边界及主要道路的空间分布情况。

      选取园区几何中心作为原点,计算各排污单元及监测站点的相对空间位置。表1为污染排放占比前10企业各污染排放点位的相对位置、排污许可中VOCs的年排放量 (许可排放量) ,以及通过在线监测、产能折算、产排污系数、物料衡算等方式核算的VOCs年排放量 (统计核算量) 。核算年度为2020年,部分企业如企业 (8) 、企业 (10) 在核算年度尚未正式投产,故其统计核算量处于缺失状态。在本研究过程中,相关企业已正式投产,故在模型模拟中将参考许可排放量作为污染源,考虑其排放过程对周边环境的影响。经统计,示例园区VOCs年排污许可量约为4 000 t。

    • 本研究基于工业园区地面监测站点实时监测数据开展大气扩散模拟。其中,模型采用的平均风场数据为园区内各监测站点小时平均风向的平均值,计算式见式 (1) 和式 (2) 。

      式中:uv分别为风向在纬线方向和经线方向的分量;ws是风速,m∙s−1θ为以北风为0o的风向角度。

      式中:umvm分别为平均风向量在纬线方向和经线方向的分量;N为监测站点总数;uivi分别为监测站点i的小时监测分量。

    • 高斯烟羽大气污染扩散模型是基于随机扩散形成高斯分布的污染物浓度场理想假设的第一代空气质量模型,适用于平坦地形下稳态风向中污染物的扩散模拟。随着研究的深入,进一步推出了第二代空气质量模式如AERMOD[11]、CALPUFF[12]和第三代空气质量模式如CMAQ[13],考虑了更为复杂的影响大气污染物扩散及二次转化的因素。然而,由于其快速简单的特点,高斯模型仍在应急处置、污染初步估算等领域被广泛应用[14]。本研究主要讨论基于环境监测站点监测数据开展工业园区大气污染排放总量实时反演的技术可行性,为简化起见,采用高斯烟羽大气污染扩散模型对该方案进行测试。在实际使用中,其他空气质量模型也可类似地应用于工业园区总量核算中。

      高斯烟羽大气污染扩散模型的解析形式见式 (3) 。

      式中:Q0为污染源的排放强度,mg∙s−1U为平均风速,m∙s−1σyσz分别为横向和纵向的扩散参数,该参数的值是x的函数,m;C(x,y,z)为质量浓度关于三维空间位置的分布函数,mg∙m−3y0z0分别为污染源的空间位置。此处,x是横向垂直于平均风向的方向,y是横向平行于平均风向的方向,z是纵向垂直于风场平面的方向。

      定义α为污染源对任意点位的污染物浓度贡献比率计算式为式 (4) ,则排放强度为Q0的污染源对任意点位的污染浓度贡献可由Q0α得到,σyσz的计算是高斯烟羽扩散模型应用的关键。

      本研究参考国标参数化方案《制定地方大气污染物排放标准的技术方法》 (GB/T 3840-91) [15]逐小时实时计算σyσz的数值。具体见式 (5) 。

      式中:参数γ1γ2α1α2具体取值与大气稳定度等级有关,大气稳定度等级可根据太阳倾角、云量、风速等气象信息估算获得。具体估算方法及参数取值参照标准GB/T 3840-91[5]

    • 监测站点污染物的监测质量浓度为背景质量浓度、污染源贡献质量浓度和监测误差累加而成。假设园区存在监测站点N个,污染源M个,则对于任意监测站点i,有监测污染物质量浓度di为式 (6) 。

      式中:bg为背景浓度。假设在工业园区尺度范围内,污染物的背景质量浓度是均一的常数,εi为监测站点i对目标污染物的监测误差,其计算式为式 (7) 。

      式中:ε为控制监测误差强度的系数,χ为均值为0,方差为1的高斯分布。

      以此构造优化目标函数见式 (8) 。

      式中:^bgˆQj分别为背景浓度和污染源j排放强度的估算值。该值将在优化目标函数的迭代过程中被不断优化,直到趋近于实际情况。ab为目标函数的一阶和二阶正则项系数,该系数取值可通过贝叶斯优化获得。基于前人研究,对源参数反演的优化算法选取有较多讨论,如采用Nelder-Mead优化法[16]、粒子群算法 (PSO) [17]、遗传算法 (GA) [18-19]等。为验证基于环境监测站点开展工业园区大气污染物实际排放总量实时核算的可行性,本文采用基础的Nelder-Mead算法作为优化器。在实际使用中,可根据实际情况采用其他优化算法。

    • 本研究主要采用平均绝对相对偏差 (Mean Absolute Relative Error, MARE) 作为排放总量反演误差的度量,其计算公式见式 (9) 。

      式中:T为核算时段的小时数;ˆxnxn分别为反演排放量和模拟排放量;||表示绝对值。

    • 收集园区2023年1月1日0时至1月31日23时地面气象监测数据开展模拟研究。参考表1中收集的企业许可排放量数据设定模拟的污染源排放强度。其中,大型企业生产单元占地面积较大,存在多个排放点位 (如企业1) ,则将企业的年排放量均匀分配到每个排放点位。将各个点位的排放强度由t∙a−1转化为mg∙s−1带入公式 (3) 中,获取各污染源对监测点位贡献C,背景浓度设定为0~0.3 mg∙m−3的随机数。依照公式 (5) 可获得园区监测点位的监测浓度值di

      为验证基于环境监测数据对工业园区排放总量进行实时反演核算的有效性和适用性,研究设定了4个不同排放情景:高排放情景、中排放情景、低排放情景和周期排放情景。其中,高、中、低排放情景分别为实际排放量占许可排放量的100%、50%和10%,周期排放情景则设定园区排放以24 h为周期依照正弦函数在许可排放量的20%~120%内波动。图2展示了高排放情境下,园区2023年1月1日00时污染物质量浓度及污染源对监测点位贡献比率的空间分布情况。

      利用模拟的在线监测浓度值,以公式 (7) 为目标函数 (设定正则项为0) ,进行反演核算。图3展示了4种排放情景下逐小时的模拟排放量和反演排放量。结果表明,在该条件下模拟排放量逐小时变化曲线与模拟排放量的逐小时变化曲线基本一致,部分时刻存在明显偏差。

      计算1月份逐小时反演排放总量与模拟排放总量的平均绝对相对偏差发现,在该条件下,模型反演背景浓度与模拟的实际背景浓度一致,其偏差极小,小时排放量反演偏差约为5.4%左右,且不同情境下偏差大小基本不变。这表明此时对园区的排放总量反演核算具有较好的效果。

      同时,观察到图3中不同时刻的反演偏差有所差异,部分时段的反演偏差明显偏大。从反演机理考虑,该反演过程本质上是利用环境质量监测站点对污染源排放形成的扩散烟羽进行空间采样,再利用采样结果根据污染扩散公式对源排放参数进行约束优化,最终依靠目标函数优化寻找最符合采样结果的源排放参数。因此,采样过程的充分与否将直接影响反演效果。对于固定的污染源和监测点位分布,受气象条件影响的污染扩散烟羽的形态可能对采样造成影响。

      为验证该猜想,对不同大气稳定度下的反演差异进行了统计分析(表2) 。结果表明,核算时段内大气稳定度等级主要集中于B、D、E、F这4种情况,总体呈现从A到F (强不稳定到稳定) ,反演偏差逐步增大的规律 (表3) 。参照标准GB/T 3840-91[15],反演效果较差的大气稳定度等级E、F主要出现于风速小于3.0 m∙s−1、太阳辐照等级较低的气象条件下。这一条件可能不利于污染物的扩散与传输,污染物空间分布较为集中,不利于监测点位对污染物扩散特征的监测采样,进而导致基于监测数据的反演效果较差。

      利用风玫瑰图分析反演效果与风向的关系,分析发现反演绝对相对误差 (ARE) 较高的时刻,风向主要分布在西北-东南方向 (图4) 。这一风向与园区主导风向正交。该方向上的反演效果较差可能与该方向监测站点布点相对稀疏有关。

    • 为进一步研究监测点位对反演效果的影响,对比了3种布点方案下的反演精度。两点布设指在园区主导风向的上下风向各布设一个监测点位;网格布设指在园区内及园区边界,依照1~2 km的距离网格式布设监测点位;简化布设则指介于两点布设与网格布设之间的一种情形,对应部分网格布设监测点位失效情形下的反演效果。前文的数据模拟实验是在简化布设条件下进行的。各布点方案的站点位置分布示意见图5

      不同布点方案对反演精度有显著影响(表4)。其中,两点布设方案在4种排放情境下偏差最大,基本无法对园区实际排放量进行有效评估。简化布设方案和网格化布设方案偏差均在可接受范围内。网格化布设方案偏差相比简化布设降低90%以上。因此,网格化布设方案能显著提高园区排放总量核算的精准度。这一结论进一步验证了前述采样充分程度显著影响反演精度的假设。从两点布设、简化布设到网格布设,监测站点的数量增多,对扩散烟羽的采样更加充分,对源排放参数的反演提供了更精确的约束,进而提升了反演的准确度。

    • 在实际应用中,由于系统误差、随机误差的存在,导致监测站点对污染扩散烟羽的采样可能存在不确定性。对于经过定期校验及规范运维的监测站点,可考虑随机误差为采样误差的主要来源,故本文讨论随机误差对反演精度的影响。依照公式 (5) 模拟不同排放情境下反演精度与随机误差强度的关系。结果表明,公式 (7) 中的正则项显著提高了反演模型在监测数据存在误差时的精度。当不考虑监测误差时,公式 (7) 中的正则项可设置为0 (即不考虑正则化损失函数) ,但当监测数据叠加随机误差时,不考虑正则项将导致反演结果显著偏离模拟实际排放量。以下分析的反演精确度均为通过贝叶斯优化迭代50次后取最佳一阶和二阶正则化系数获得的反演精度。对于本研究的示例园区,正则化因子取值为10−4到10−20之间。

      实验表明,在考虑随机误差的情况下,4种排放情景的反演精度存在一定的差异 (这与不考虑随机误差的情况不同) 。反演精度随排放量的增加而提高,低排放情景下反演偏差最大。周期排放情境下的反演偏差则与中排放情景接近。对于低排放情景,随机误差的标准差达到0.01 mg∙m−3时,小时反演偏差达到了30%;对于中、高排放情景及周期排放情景,随机误差标准差达到0.1 mg∙m−3时,小时反演偏差约为30% (图6) 。即在简化布点方案下,可接受反演误差范围内可忍受的随机误差强度约为0.01~0.1 mg∙m−3。以该园区的主要VOCs污染物丙烷为例,在25 ℃常温下,该误差强度相当于5.6~55.6 ppb。该数值大于《环境空气挥发性有机物气象色谱连续监测系统技术要求及检测方法》 (HJ1010-2018) [20]规定的监测误差,但小于或相当于《挥发性有机化合物光离子化检测仪校准规范》 (JJF 1172-2007) [21]规定的空气微站测量TVOC的误差。这表明采用空气微站监测数据可能会增大对工业园区的VOCs排放总量反演核算偏差。

    • 1) 以东南沿海某石化园区为例,讨论了基于环境监测数据开展工业园区大气污染物实际排放量实时反演核算的技术可行性。该技术可实时动态测算工业园区低矮有组织排放及无组织排放总量的能力,可作为在线监测法、产排污系数法等传统排放总量核算方法的有效补充,提升工业园区基于环境质量开展污染排放动态管控的能力。

      2) 基于高斯大气扩散模型及Nelder-Mead优化反演算法,测试并讨论了反演核算方法的准确度及其影响因素。监测站点布设方案显著影响反演核算精度,网格化布点方案有效提高了反演核算精度。监测数据的随机误差显著影响反演核算精度,在简化布点方案下,园区监测站点对VOCs的浓度监测误差应控制在0.1 mg∙m−3以下。园区总排放强度对反演核算精度存在一定影响,总排放量大的园区反演核算精度较高。反演核算精度与实时气象条件有关,当气象条件不适宜模型模拟污染物扩散或不适宜监测站点对污染物分布进行有效采样时,可能造成反演精度的下降。

      3) 在工业园区开展基于环境监测数据的大气污染物排放总量核算研究具有可行性。同时,监测站点对污染源排放扩散烟羽的采样充分程度是影响反演精度的重要因素。因此,需要在监测站点布设方案比选、监测站点数据质量控制等方面进行精细化管理,以达到最优反演核算效果。

    参考文献 (21)

返回顶部

目录

/

返回文章
返回