張茹婷,陳傳敏*,吳華成,周衛(wèi)青,李 朋

京津冀煤改電對PM2.5濃度的影響

張茹婷1,陳傳敏1*,吳華成2,周衛(wèi)青2,李 朋2

(1.華北電力大學環(huán)境科學與工程學院,北京 102206；2.國網(wǎng)冀北電力有限公司電力科學研究院,華北電力科學研究院有限責任公司,北京 100045)

基于WRF-Chem模型,結合氣象要素,從PM2.5濃度的消減量及時空變化特征等方面模擬分析了煤改電政策實施前后京津冀地區(qū)采暖期(2018年11月～2019年3月)PM2.5的排放變化.結果表明,WRF-Chem模型很好地模擬了京津冀地區(qū)PM2.5濃度變化,北京、天津和石家莊模擬值與觀測值的相關系數(shù)分別為0.66、0.66和0.52,表現(xiàn)出良好的相關性.煤改電政策的實施對京津冀重點地區(qū)PM2.5減排效果明顯,PM2.5日均減少量分布在0.2～6.1μg/m3,減少比例分布在1.2%～7.8%.PM2.5小時均值變化顯示,2018年12月PM2.5減少量分布在0.4～8.3μg/m3,減少比例分布在2.3%～7.7%.其中,北京大興區(qū)減排量達8.3μg/m3,天津地區(qū)減排比例達7.7%.在特殊氣象條件下,煤改電政策影響范圍可擴散至山東、江蘇、河南北部以及山西西部,PM2.5小時均值減少量最大超過50μg/m3.

WRF-Chem；PM2.5；煤改電；數(shù)值模擬

PM2.5為京津冀地區(qū)采暖期首要污染物.根據(jù)國家環(huán)境空氣質量標準(GB3095-2012)[1],2018年京津冀地區(qū)中除承德市與張家口市,其余11個城市PM2.5年均濃度均超過了二級年均限值(35μg/m3),12月份的最高小時濃度甚至超過500μg/m3[2].

煤炭是我國主要能源消耗,2018年我國煤炭消耗約占能源消耗總量59%[3].盡管民用燃料消耗在中國能源使用總量中只占很小一部分,但它卻是污染物排放的重要來源[4].其中,民用散煤燃燒供熱作為冬季北方農村及部分城市重要采暖方式之一,在使用過程中由于其低效、不完全燃燒等特點,導致大量大氣污染物排入環(huán)境[5-6].不同于燃煤電廠,民用煤燃燒排放缺乏控制裝置,污染源的總排放量遠高于其他部門的排放[7].此外,民用燃煤也被認為是導致室內空氣質量惡化的重要原因[8],尤其是在北方冬季采暖季期間[9].Yun等[10]研究表明,2014年民用部門只貢獻了總能耗的7.5%,但卻貢獻了初級PM2.5排放的27%,室內外PM2.5排放的23%和71%,PM2.5暴露的68%,和PM2.5導致過早死亡的67%.中國政府為改善大氣環(huán)境質量以及保障人民健康,出臺了替代能源指導意見,制定了煤改電等一系列控制措施[11],以期通過電能替代煤炭在能源中的直接消費,提高電能在終端能源中的占比[12].

目前,國際上應用較為廣泛的空氣質量模式主要有:通用多尺度空氣質量模式(CMAQ)[13]、綜合空氣質量模式(CAMx)[14]、嵌套網(wǎng)格空氣質量預報系統(tǒng)(NAQPMS)[15]、區(qū)域大氣環(huán)境模式系統(tǒng)(RegAEMS)[16]等.傳統(tǒng)空氣質量模式的氣象過程和化學過程是分開的,先運行中尺度氣象模式得到的氣象場,再提供給化學模式會丟失一些小于輸出間隔的氣象過程,而在實際大氣中化學和氣象過程是同時發(fā)生且互相影響的[17-18].WRF-Chem氣象-化學在線耦合模式[19-20]不同于以往的空氣質量模式,WRF-Chem的化學和氣象過程使用相同的水平、垂直坐標系及物理參數(shù)化方案,不存在時間上的插值,并且能夠考慮化學對氣象過程的反饋作用,模擬再現(xiàn)一種更加真實的大氣環(huán)境.該模式被國內外學者廣泛應用于區(qū)域污染的數(shù)值模擬研究[21-23].

民用部門污染排放對區(qū)域污染的貢獻已有學者做過相關研究,如Liu等[24]研究了我國東部重污染地區(qū)采暖季民用排放對區(qū)域空氣污染的貢獻,結果表明消除京津冀地區(qū)民用部門排放后京津冀地區(qū)PM2.5日均濃度可顯著降低.Bilsback等[25]使用GEOS-Chem評估了北京與京津冀地區(qū)禁煤排放情景,結果顯示北京與京津冀地區(qū)禁止民用散煤使用每年可避免多例過早死亡.Chen等[12]建立了煤炭減排量、污染物排放量和綜合效益的評價模型,煤改電政策實施后每單位采暖面積可有效節(jié)約燃煤并降低PM2.5排放.Meng等[26]研究顯示,2021年超過60%的家庭將淘汰固體燃料,初級PM2.5的排放量和對環(huán)境PM2.5濃度的貢獻率分別為未開展替代活動的30%和41%.

針對京津冀地區(qū)實際煤改電政策實施情況,目前還沒有學者使用WRF-Chem模式來定量評估煤改電政策實施對PM2.5排放的影響.本文基于WRF- Chem模式,通過輸入京津冀地區(qū)最新的地理信息和氣象資料,模擬真實的自然大氣環(huán)境,同時對WRF- Chem模式進行本地化改進,建立適合的參數(shù)配置方案,引入數(shù)值模擬所需要的氣象場優(yōu)化數(shù)據(jù),設置不同排放源情景,根據(jù)截至2018年年底煤改電政策實際實施情況,模擬煤改電政策實施前后PM2.5濃度時間變化及空間分布,分析該政策對PM2.5濃度改善的影響,為定量評估該政策減排效益提供參考理論依據(jù).

1 數(shù)據(jù)與研究方法

1.1 數(shù)據(jù)來源

1.1.1 氣象數(shù)據(jù) 初始氣象場和側邊界條件數(shù)據(jù)來自于美國大氣環(huán)境預測中心(NCEP)提供的全球再分析資料FNL.FNL空間分辨率為1o×1o,時間分辨率為每6h一次.

1.1.2 地理數(shù)據(jù) 地理數(shù)據(jù)來自WRF模式推薦的美國地質勘探局(USGS)geog數(shù)據(jù),包括地形高度數(shù)據(jù)、坡度、土地利用、土壤類型、濕度、地表植被類型等,空間分辨率最高達到9s(0.27km).

1.1.3 觀測數(shù)據(jù) PM2.5觀測數(shù)據(jù)來自全國環(huán)境監(jiān)測站實時監(jiān)測數(shù)據(jù),時段為2019年1月1日～1月30日.北京覆蓋四環(huán)以內范圍,天津覆蓋6個市區(qū)范圍,石家莊覆蓋5個主要市區(qū)范圍.

1.2 WRF-Chem模型

WRF(Weather Research and Forecasting Model)模式是由美國國家大氣研究中心(NCAR)及美國國家海洋及大氣管理局(NOAA)聯(lián)合一些大學和研究機構開發(fā)的新一代中尺度預報模式同化系統(tǒng)[27]. WRF-Chem模式將化學模塊與WRF模式相耦合,考慮了大氣污染物的平流輸送、湍流擴散、干濕沉降、輻射傳輸?shù)戎饕髿馕锢磉^程,以及多相化學、氣溶膠演變等大氣化學過程[28].

1.2.1 模型參數(shù)設置 本文WRF-Chem模式的氣相化學過程采用CBM-Z方案[29];光解過程由Fast-J[30-31]方法在線計算,每0.5h為氣相化學模塊更新一次光解率;氣溶膠過程采用包含了液相化學反應的MOSAIC模型[32].主要物理過程方案設置如下:積云對流參數(shù)化方案采用Kain[33]改進方案;微物理過程采用Lin[34]方案;長波輻射采用RRTM[35]方案;短波輻射采用Dudhia[36]方案;表面層方案需要和邊界層方案配合使用,對MYJ[37]方案使用ETA[38-39]表面層方案,YSU方案[40]和ACM2對應MM5表面層方案;陸面過程采用Noah[41]參數(shù)化方案.采用Lambert地圖投影方式,水平分辨率為9km,中心點經(jīng)緯度(116°E,39.2°N),經(jīng)向格點數(shù)為132,緯向格點數(shù)為123,模式層頂設置為50hPa,垂直方向分30層.物理、化學參數(shù)化方案詳見表1.

表1 模擬參數(shù)設置

1.2.2 排放清單處理 選用清華大學主持研發(fā)的華北區(qū)域0.1°×0.1°格點化污染源排放MEIC清單(2016)及李朋等[42]基于人工神經(jīng)網(wǎng)絡的民用散煤燃用量估算模型,得到的京津冀地區(qū)煤改電替代民用散煤大氣污染物排放清單.MEIC清單包含電力、工業(yè)、民用、交通、農業(yè)5個排放部門.該清單提供了污染物月排放量,模型輸入需要轉換為小時排放強度.同時考慮到工業(yè)和電力行業(yè)的排放源具有一定高度,對這2類源排放進行了垂直分配優(yōu)化處理,其余污染源均置于模式第1層.此外,由于活動規(guī)律差異,不同種類的污染源排放在一日之內呈不同的變化趨勢,例如交通源的早、晚高峰等,因此同時需要對污染源進行日變化因子時間分配優(yōu)化.煤改電清單由基于人工神經(jīng)網(wǎng)絡得到的京津冀各地區(qū)戶均年燃用量,結合截至2018年年底煤改電在各地區(qū)的實施情況,各地區(qū)原煤與型煤燃用比例以及排放因子得到.通過時間分配因子,將散煤燃燒的年排放量轉換為小時排放強度,利用GIS差值技術,將散煤排放清單進行差值,形成與MEIC相匹配的網(wǎng)格化排放清單.煤改電排放清單作為民用源部分同樣置于模式第1層(0～28m)之間.

陽光明媚的春天，繁花似錦的皇城，跑馬的濁世翩翩佳公子與游園的香風裊裊女學生在途中不期而遇，正如王菲的歌詞“只因為在人海中多看了你一眼”，燕西迷戀上了清秋，而一段纏綿于淚水交錯的愛情故事就此展開——如果只讀出來這些，那么恭喜張恨水老爺子，你煞費苦心瞞天過海的手段奏效了。膚淺如我，也只能略略談一談那文字背后一點點的心得，前提是你讀的真的是《金粉世家》這套書，而不是看的央視糟改的那套電視劇。

1.3 研究區(qū)域

京津冀地區(qū)位于113°04′E～119°53′E,36°01′N～ 42°37′N.東臨渤海,東南部為開放性平原地區(qū),西部及北部為太行山脈和燕山山脈,地理位置處于山地(太行山東側和燕山南側)、平原和海陸邊界的半封閉地形中.根據(jù)各地區(qū)政府發(fā)布的煤改電政策及各地電網(wǎng)公司統(tǒng)計數(shù)據(jù),截至2018年年底北京、天津、保定、張家口地區(qū)煤改電戶數(shù)分別為123, 72, 8, 1萬戶,煤改電民用散煤替代量分別為438.16, 161.22, 7.76, 3.11萬t[42].根據(jù)地理位置、人口因素、居民生活能源消費情況及政府部門關注度等多方因素,選取北京延慶區(qū)、北京通州區(qū)、北京大興區(qū)、北京房山區(qū)、北京海淀區(qū)、保定雄安新區(qū)、張家口及天津為重點研究地區(qū).

2 結果與討論

2.1 模型可靠性驗證

2.1.1 PM2.5濃度時間序列對比 根據(jù)2019年1月北京、天津和石家莊站點PM2.5濃度觀測值與模擬值逐時變化,對模型的可靠性進行了驗證(圖1).模型很好地再現(xiàn)了北京、天津、石家莊PM2.5濃度的時間變化,總體呈現(xiàn)出1月1～3日逐漸上升、1月3～5日逐漸下降、1月5～10日重新緩慢上升的趨勢.與觀測值相比,模型較好地模擬了北京1月10日PM2.5濃度的峰值,但高估了1月2、4日的濃度值,低估了天津1月2日的濃度值,對于石家莊1月4日的PM2.5濃度值預測結果偏高.排放清單偏差[43]、局地突發(fā)源貢獻及氣溶膠物理化學機制[44]等原因都會對WRF-Chem模式的預測結果造成一定影響.京津冀地區(qū)PM2.5污染越重,氣溶膠對各氣象要素的影響越大[45].

WRF-Chem模型很好地模擬了1月PM2.5濃度在北京、天津、石家莊的逐時變化情況,合理地反映了3地PM2.5濃度逐時演變情況.1月10～25日在天津呈緩慢下降趨勢,北京、石家莊1月22～25日呈逐漸上升趨勢.總體來看,模式能夠模擬出污染物濃度的時間變化趨勢,除個別時段模擬濃度偏低外,絕大部分分時段模擬濃度與實況接近,表明模型可用于后續(xù)模擬評估.

2.1.2 模型性能評價 WRF-Chem模型在模擬空氣污染物方面的性能評價通過平均偏差(MB)、均方誤差(RMSE)和相關系數(shù)()進行驗證.模型性能評價顯示(圖1),北京、天津、石家莊地區(qū)MB分別為9.51, -3.57,-0.23μg/m3,RMSE分別為30.99,26.45,31.52μg/ m3,分別為0.66,0.66,0.52,模型性能符合標準[46-48].造成模擬偏差的原因主要為網(wǎng)格分辨率及排放源強.網(wǎng)格分辨率低會導致區(qū)域局地環(huán)流和污染源分布情況反映不準確,排放源強不細致則難以反映區(qū)域實時污染物排放,從而影響模擬結果.

圖1 2019年1月北京、天津、石家莊PM2.5逐時濃度觀測值與模擬值對比

圖2 2021年1月31日～2月2日PM2.5模擬(色階圖)和觀測(點狀圖)小時均值濃度空間分布

2.1.3 PM2.5濃度空間分布對比 2021年1月31日～2月2日期間模擬濃度對比空間分布顯示,華北地區(qū)的河北東南部和山東西部污染最重,PM2.5小時均值濃度為115～150μg/m3,北京地區(qū)為75～115μg/ m3(圖2a).隨著冷空氣的東移南下,華北地區(qū)污染氣象條件逐漸轉好,至2月1日20:00時,華北地區(qū)污染形勢減輕.京津冀大部分地區(qū)站點PM2.5小時均值濃度均低于35μg/m3,該狀況一直維持至2月1日夜間(圖2c).模式能夠較為準確地模擬污染過程中PM2.5濃度的時空演變形勢,對濃度高、低值落區(qū)的預報與實況吻合,空間分布模擬結果與觀測結果趨于一致.

2.2 重點地區(qū)煤改電實施對PM2.5濃度的影響

2.2.1 PM2.5濃度日均值變化 基于WRF-Chem模型,通過輸入污染物排放信息、地理信息、氣象信息,設置模型計算參數(shù)模擬出2018年11月～2019年3月采暖季期間煤改電實施前后的PM2.5日均濃度值,兩者之差即為煤改電實施后PM2.5濃度的日均值變化(圖3).煤改電實施對重點地區(qū)PM2.5濃度減排效果明顯,各地區(qū)數(shù)據(jù)變化趨勢線都呈現(xiàn)較好的一致性.2018年12月PM2.5濃度變化最為顯著,減少量最高達41.48μg/m3.在采暖初期,北京通州區(qū)、大興區(qū)及天津PM2.5濃度變化較明顯,2019年1月后趨于平緩,但在2019年1月26日、2月9日、2月28日陡增,出現(xiàn)峰值.煤改電實施后北京通州區(qū)PM2.5濃度減少比例較高,保持在7.8%左右.值得注意的是,北京延慶區(qū)PM2.5濃度減少比例處于較低水平,但在2018年12月29日、2019年2月7日達到峰值,遠高于其他地區(qū).

圖3 2018年11月16日～2019年3月15日重點地區(qū)煤改電實施后PM2.5濃度逐日變化

重點地區(qū)PM2.5濃度日均值減少量及減少比例變化顯示(圖4),煤改電實施后PM2.5濃度平均減少量分布在0.2～6.1μg/m3,最大減少量分布在2.4～ 42.2μg/m3,平均減少比例分布在1.2%～7.8%,最大減少比例分布在10.9%～74.6%.平均減少量、平均減少比例最大的地區(qū)分別為北京大興區(qū)、北京通州區(qū).閆禎等[49]研究表明,京津冀地區(qū)202萬戶與315萬戶實施煤改電后PM2.5年均濃度減少量分別為3.6,4.3μg/m3,與本文研究結果相近.

煤改電實施后,北京多地區(qū)PM2.5濃度變化量明顯,北京大興區(qū)、通州區(qū)平均減少量達6.1, 5.7μg/m3,北京通州區(qū)、天津最大減少量達41.5, 42.2μg/m3.煤改電實施后減少比例均值較為突出的是北京通州區(qū)及天津,分別為7.8%、6.3%,高于保定雄安新區(qū)及張家口.值得注意的是,北京大興區(qū)最大減少比例遠高于張家口,是其最大減少比例的7倍.各地區(qū)PM2.5濃度消減量空間差異受各地區(qū)污染物排放量差異、氣象條件及地形影響[50].

圖4 2018年11月16日～2019年3月15日重點地區(qū)煤改電實施后PM2.5濃度日均值減少量及減少比例

圖5 2018年12月重點地區(qū)煤改電實施后PM2.5濃度逐時變化

圖6 2018年12月重點地區(qū)煤改電實施后PM2.5濃度小時均值減少量及減少比例

重點地區(qū)PM2.5濃度小時均值減少量及減少比例變化顯示(圖6),煤改電實施后,PM2.5濃度平均減少量為0.4～8.3μg/m3,最大減少量為5.7～86.0μg/m3,平均減少比例為2.3%～7.7%,最大減少比例為22.7%～93.3%.平均減少量、平均減少比例最大的地區(qū)分別為北京大興區(qū)、天津.重污染天數(shù)越多,PM2.5濃度下降幅度一般越大[51].這說明空氣污染濃度越高,民用部門的排放控制措施對PM2.5濃度的降低幅度越大.冬季重污染時期,華北平原常以弱高壓系統(tǒng)為主,地面風較低,混合擴散較弱.因此,在這些時期減少排放對地方區(qū)域特別有利.

總體來看,煤改電實施對PM2.5濃度的影響表現(xiàn)為夜間顯著,白天較弱.這一方面體現(xiàn)了民用散煤燃燒排放的日變化特征,即散煤燃燒與氣溫、居民日常作息密切相關;另一方面受到邊界層結構日變化的影響,如夜間大氣穩(wěn)定、邊界層高度較低,排放濃度變化集中于近地層,而白天邊界層發(fā)展強烈,地面污染物隨著垂直混合運動的加劇被帶往高層,即便在地面相同的排放情況下,對地面污染物濃度的影響也會明顯低于夜間.

2.2.3 特殊氣象條件下PM2.5濃度小時均值變化 通過上述分析可知,煤改電實施對北京、天津和河北南部PM2.5濃度的降低影響較大.從極值情況來看,煤改電實施對最大日均濃度影響較為顯著.在排放相對穩(wěn)定的情況下,日均濃度變化的差異主要來源于不同氣象條件的作用.日均濃度變化極值較高,表明煤改電實施在某些特殊氣象條件下對當?shù)丶爸苓叺貐^(qū)空氣質量的改善起到了較為明顯的作用.

選取2018年12月23～24日作為一次典型污染過程,模擬分析煤改電實施后京津冀地區(qū)PM2.5濃度小時均值的變化特征.如圖7所示,2018年12月23～24日,京津冀多地PM2.5實時觀測濃度值超過了二級日平均限值(75μg/m3)[2],石家莊超過了100μg/m3,北京超過了80μg/m3,其余如廊坊、唐山和天津等地均變化明顯,且此次過程持續(xù)的時間較長.

分析12月23～24日天氣形勢可知,京津冀地區(qū)受弱氣壓場控制,地面風速較小,天氣形勢穩(wěn)定.在該天氣條件下,氣團滯留時間較長,大氣混合均勻,因此京津冀地區(qū)污染源排放的變化對污染物濃度的改變貢獻突出.進一步分析發(fā)現(xiàn),12月23～24日地面風場導致京津冀及周邊地區(qū)形成較為穩(wěn)定、閉合的流場,來自上游的偏西氣流沿著東西走向的燕山山脈傳輸,自河北北部進入渤海轉向,到達山東半島時轉為東北氣流向南輸送,在河南北部和河北東南部地區(qū)進一步轉向為偏東氣流,遇到太行山脈阻擋后向北傳輸,進一步影響京津冀地區(qū),從而形成一個以京津冀平原地區(qū)為中心的順時針走向的流場形勢.

(a)12月23日08:00 (b)12月23日10:00 (c)12月23日12:00 (d)12月23日14:00

(e)12月23日16:00 (f)12月23日18:00 (g)12月23日20:00 (h)12月23日22:00

(i)12月24日00:00 (j)12月24日02:00 (k)12月24日04:00 (l)12月24日06:00

圖7 2018年12月23～24日煤改電實施后京津冀及周邊地區(qū)PM2.5小時均值濃度(mg/m3)空間分布

Fig.7 Spatial distribution of hourly average concentration of PM2.5(mg/m3) after the implementation of the coal-to-electricity policy from 23 to 24 Dec 2018 over the BTH region and its surrounding areas

受天氣條件影響,京津冀地區(qū)污染源的變化在氣流的傳輸作用下影響周邊地區(qū),且由于持續(xù)時間較長,其影響程度較大.過程初期,PM2.5濃度變化明顯的區(qū)域僅集中在京津冀排放源變化顯著的地區(qū),隨著氣團在周邊的混合傳輸,其影響范圍進一步擴大,逐漸擴散至山東、江蘇和河南北部以及山西西部,部分地區(qū)PM2.5最大濃度變化量超過50μg/m3.

WRF-Chem模型對京津冀地區(qū)PM2.5濃度模擬表明,煤改電政策的實施對PM2.5濃度影響顯著.該政策不僅對京津冀地區(qū)PM2.5濃度改善影響較大,且在特殊天氣條件下,同樣會對周邊區(qū)域空氣質量的改善起到十分積極作用.王彥超等[52]研究中,煤改電與煤改氣政策對PM2.5減排的貢獻比例可達到39%.在執(zhí)行清潔空氣政策之后,不同部門對排放量的相對貢獻發(fā)生了重大變化[53].這表明必須采取新的政策,以便今后能夠進一步減少PM2.5排放.PM2.5污染控制政策的重點應該是控制整體煤炭消費.同時,控制民用散煤使用量也是十分重要的[54].

3 結論

3.1 WRF-Chem模型很好地模擬了2019年1月份北京、天津、石家莊PM2.5濃度時間變化趨勢及空間演變形勢.可靠性分析顯示PM2.5濃度模擬值與觀測值相關系數(shù)分別為0.66、0.66、0.52,對濃度高、低值落區(qū)的預報與實況吻合,空間分布模擬結果與觀測結果趨于一致.WRF-Chem模型能很好地模擬京津冀地區(qū)的PM2.5濃度變化.

3.2 煤改電實施后重點地區(qū)PM2.5濃度日均值平均減少量為0.2～6.1μg/m3,其中北京通州區(qū)、天津減少量最大值分別達41.5,42.21μg/m3;平均減少比例為1.2%～7.8%,其中北京延慶區(qū)、房山區(qū)減少比例最大值均達74.6%.重點地區(qū)PM2.5濃度小時均值平均減少量為0.4～8.3μg/m3,其中北京大興區(qū)、通州區(qū)減少量最大值分別達86.0,66.4μg/m3;平均減少比例為2.3%～7.7%,其中北京延慶區(qū)、大興區(qū)減少比例最大值分別達93.3,91.7%.模擬結果顯示,煤改電實施后對重點地區(qū)PM2.5減排效果明顯.

3.3 在特殊天氣條件下,煤改電措施會對周邊區(qū)域污染產(chǎn)生十分積極的影響.2018年12月23～24日石家莊PM2.5濃度小時均值變化量超過100μg/m3,北京超過80μg/m3,其余如廊坊、唐山和天津等地均變化明顯.在特殊氣象條件影響下,該措施的影響范圍可逐漸擴散至山東、江蘇和河南北部以及山西西部,京津冀周邊部分地區(qū)PM2.5濃度小時均值最大變化量超過50μg/m3.

[1] GB3095-2012 環(huán)境保護部.環(huán)境空氣質量標準 [S].

GB3095-2012 ambient air quality standards [S].

[2] 生態(tài)環(huán)境部.2018年中國國家環(huán)境監(jiān)測中心實時數(shù)據(jù)庫 [EB/OL] http://106.37.208.233:20035/.

Ministry of Ecology and Environment. 2018 China national environmental monitoring center real-time database [EB/OL] http: //106.37.208.233:20035/.

[3] 國家統(tǒng)計局.中國統(tǒng)計年鑒 [M]. 北京:中國統(tǒng)計出版社, 2018.

National Bureau of Statistics in China. China statistical yearbook [M]. Beijing: China Statistics Press, 2018.

[4] Shen G F, Ru M Y, Du W, et al. Impacts of air pollutants from rural Chinese households under the rapid residential energy transition [J]. Nature Communications, 2019,10(1):3405.

[5] Zhang X, Jin Y N, Dai H C, et al. Health and economic benefits of cleaner residential heating in the Beijing-Tianjin-Hebei region in China [J]. Energy Policy, 2019,127(Apr.):165-178.

[6] Liu J, Mauzerall D L, Qi C, et al. Air pollutant emissions from Chinese households: A major and underappreciated ambient pollution source [J]. Proc. Natl. Acad. Sci. U S A, 2016,113(28):7756-7761.

[7] Streets D G, Gupta S, Waldhoff S T, et al. Black carbon emissions in China [J]. Atmospheric Environment, 2001,35(25):4281-4296.

[8] Zhang J F, Smith K R. Household air pollution from coal and biomass fuels in China: Measurements, health impacts, and interventions [J]. Environmental Health Perspectives, 2007,115(6): 848-855.

[9] Chen Y L, Shen H Z, Smith K R, et al. Estimating household air pollution exposures and health impacts from space heating in rural China [J]. Environment International, 2018,119:117-124.

[10] Yun X, Shen G F, Shen H Z, et al. Residential solid fuel emissions contribute significantly to air pollution and associated health impacts in China [J]. Science Advances, 2020,6(44).

[11] 中國國家發(fā)展和改革委員會.中國北方冬季清潔采暖工作計劃(2017～2021年) [Z].

National Development and Reform Commission of China. Work plan for clean heating in winter in northern China (2017～2021) [Z].

[12] Chen Z X, Zhang D L, Jiang H R, et al. Environmental benefits evaluation of coal-to-electricity project in Beijing, China [J]. Environmental Science and Pollution Research, 2020,24(5).

[13] Dennis R L, Byun D W, Novak J H, et al. The next generation of integrated air quality modeling: EPA’s Models-3 [J]. Atmospheric Environment, 1996,30(12):1925-1938.

[14] Environ. User’s guide to the comprehensive air quality modeling system with extensions (CAMx) [Z]. Version 4.4. 2002:10-44.

[15] Wu Q Z, Shi A, Li Y, et al. Air quality forecast of PM10in Beijing with Community Multi-scale Air Quality Modeling (CMAQ) system: emission and improvement [J]. Geoscientific Model Development, 2014,7:2243–2259.

[16] 王德羿,王體健,韓軍彩,等."2+26"城市大氣重污染下PM2.5來源解析[J]. 中國環(huán)境科學, 2020,40(1):92-99.

Wang D Y, Wang T J, Han J C, et al. Source apportionment of PM2.5under heavy air pollution conditions in “2+26” cities [J]. China Environmental Science, 2020,40(1):92-99.

[17] Wu D W, Fung J C H, Yao T, et al. A study of control policy in the Pearl River Delta region by using the particulate matter source apportionment method [J]. Atmospheric Environment, 2013,76(Sep.): 147-161.

[18] Wang Z F, Jie L I, Wang Z, et al. Modeling study of regional severe hazes over mid-eastern China in January 2013 and its implications on pollution prevention and control [J]. Science China Earth Sciences, 2014,57(1):3-13.

[19] Wang T J, Jiang F, Deng J J, et al. Urban air quality and regional haze weather forecast for Yangtze River Delta region [J]. Atmospheric Environment, 2012,58(Oct.):70-83.

[20] Tie X, Madronich S, Li G, et al. Simulation of Mexico City plumes during the MIRAGE-Mex field campaign using the WRF-Chem model [J]. Atmospheric Chemistry & Physics Discussions, 2009, 9(14):4621-4638.

[21] Zhang L, Wang T, Lv M Y, et al. On the severe haze in Beijing during January 2013: Unraveling the effects of meteorological anomalies with WRF-Chem [J]. Atmospheric Environment, 2015,104(Mar.):11-21.

[22] Sha T, Ma X Y, Jia H L, et al. Aerosol chemical component: Simulations with WRF-Chem and comparison with observations in Nanjing [J]. Atmospheric environment, 2019,218(Dec.):116982.1- 116982.14.

[23] Liu C, Huang J P, Hu X M, et al. Evaluation of WRF-Chem simulations on vertical profiles of PM2.5with UAV observations during a haze pollution event [J]. Atmospheric Environment, 2021:118332- 118343.

[24] Liu J, Mauzerall D L, Chen Q, et al. Air pollutant emissions from Chinese households: A major and underappreciated ambient pollution source [J]. Proc. Natl. Acad. Sci. U S A, 2016,113(28):7756-7761.

[25] Bilsback K R, Baumgartner J, Cheeseman M, et al. Estimated Aerosol Health and Radiative Effects of the Residential Coal Ban in the Beijing-Tianjin-Hebei Region of China [J]. Aerosol and Air Quality Research, 2020,20(11):2332-2346.

[26] Meng W J, Zhong Q R, Chen Y L, et al. Energy and air pollution benefits of household fuel policies in northern China [J]. Proceedings of the National Academy of Sciences, 2019,116(34):201904182.

[27] Skamarock W C, Klemp J B, Dudhia J. Prototypes for the WRF (Weather Research and Forecasting) model [Z]. Preprints, 2001.

[28] 余鐘奇,瞿元昊,周廣強,等.2018年秋冬季長江三角洲區(qū)域PM2.5污染來源數(shù)值研究 [J]. 中國環(huán)境科學, 2020,40(10):64-73.

Yu Z Q, Qu Y H, Zhou G Q, et al. Numerical simulations of PM2.5pollution source in the Yangtze River Delta region in fall and winter in 2018 [J]. China Environmental Science, 2020,40(10):64-73.

[29] Zaveri R A, Peters L K. A new lumped structure photochemical mechanism for large-scale applications [J]. Journal of Geophysical Research Atmospheres, 1999,104(23):30387-30415.

[30] Wild O, Zhu X, Prather M J, et al. Accurate simulation of in- and below-cloud photolysis in tropospheric chemical models [J]. Journal of Atmospheric Chemistry, 2000,37(3):245-282.

[31] Barnard J C, Chapman E G, Fast J D, et al. An evaluation of the FAST-J photolysis algorithm for predicting nitrogen dioxide photolysis rates under clear and cloudy sky conditions [J]. Atmospheric Environment, 2004,38(21):3393-3403.

[32] Zaveri R A, Easter R C, Fast J D, et al. Model for simulating aerosol Interactions and chemistry (MOSAIC). [J]. Journal of Geophysical Research Atmospheres, 2008,113(D13204).

[33] Kain J S. The kain-fritsch convective parameterization: an update [J]. Journal of Applied Meteorology, 2004,43:170-181.

[34] Lin Y L, Farley R D, Orville H D. Bulk parameterization of the snow field in a cloud model [J]. Journal of Applied Meteorology and Climatology, 1983,22(6):1065-1092.

[35] Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave [J]. Journal of Geophysical Research Atmospheres, 1997,102(D104):16663-16682.

[36] Dudhia J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model [J]. Journal of Atmospheric Sciences, 1989,46:3077–3107.

[37] Janji Z I. Nonsingular implementation of the Mellor-Yamada level 2.5 scheme in the NCEP meso model [J]. NCEP Office Note, 2002, 437.

[38] Janji Z I. The step-mountain eta coordinate model: further developments of the convection, viscous sublayer, and turbulence closure schemes [J]. Monthly Weather Reviewer, 1994,122(5):927–945.

[39] Monin A S, Obukhov A M. Basic laws of turbulent mixing in the surface layer of the atmosphere [J]. Contrib. Geophys. Inst. Acad. Sci., 1954,24(151):163-187.

[40] Hong S Y, Pan H L. Nonlocal boundary layer vertical diffusion in a medium-range forecast model [J]. Monthly Weather Reviewer, 1996, 124(10):2322-2339.

[41] Chen F, Dudhia J. Coupling an advanced land surface–hydrology model with the penn state-NCAR MM5 modeling system. Part I: model implementation and sensitivity [J]. Monthly Weather Reviewer, 2001,129(4):569-585.

[42] 李 朋,吳華成,周衛(wèi)青,等.京津冀“煤改電”替代大氣污染物排放清單 [J]. 中國環(huán)境科學, 2021,41(4):1489-497.

Li P, Wu H C, Zhou W Q, et al. Emission inventory of atmospheric pollutants replaced by “coal-to-electricity” policy in Beijing-Tianjin- Hebei region [J]. China Environmental Science, 2021,41(4):1489-497.

[43] 周廣強,謝 英,吳劍斌,余鐘奇,常爐予,高偉.基于WRF-Chem模式的華東區(qū)域PM2.5預報及偏差原因 [J]. 中國環(huán)境科學, 2016,36(8): 2251-2259.

Zhou G Q, Xie Y, Wu J B, et al. WRF-Chem based on PM2.5forecast and bias analysis over the East China Region [J]. China Environmental Science, 2016,36(8):2251-2259.

[44] Zhang B, Wang Y X, Hao J M. Simulating aerosol-radiation-cloud feedbacks on meteorology and air quality over eastern China under severe haze conditions in winter [J]. Atmospheric Chemistry and Physics, 2015,14(5):2387-2404.

[45] 張晗宇,溫 維,程水源,等.京津冀區(qū)域典型重污染過程與反饋效應研究 [J]. 中國環(huán)境科學, 2018,38(4):1209-1220.

Zhang H Y, Wen W, Cheng S Y, et al. Study on typical heavy pollution process and feedback effect in Beijing-Tianjin-Hebei region [J]. China Environmental Science, 2018,38(4):1209-1220.

[46] US EPA (Environmental Protection Agency). Guidance on the use of models and other analyses for demonstrating attainment of air quality goals for ozone, PM2.5, and regional haze [EB/OL]. https://nepis. epa.gov/Exe/ZyPDF.cgi/P1009OL1.PDF?Dockey=P1009OL1.PDF.

[47] Boylan J W, Russell A G. PM and light extinction model performance metrics, goals, and criteria for three-dimensional air quality models [J]. Atmospheric Environment, 2005,40(26):4946-4959.

[48] Emery C, Liu Z, Russell A G, et al. Recommendations on statistics and benchmarks to assess photochemical model performance [J]. Air Waste Management Association, 2017,67(5):582–598.

[49] 閆 禎,金 玲,陳瀟君,等.京津冀地區(qū)居民采暖“煤改電”的大氣污染物減排潛力與健康效益評估 [J]. 環(huán)境科學研究, 2019,32(1): 101-109.

Yan Z, Jing L, Chen X J, et al. Assessment of air pollutants emission reduction potential and health benefits for “residential heating coal changing to electricity” in the Beijing-Tianjin-Hebei Region [J]. China Environmental Science, 2019,32(1):101-109.

[50] 李珊珊,程念亮,徐 峻,等.2014年京津冀地區(qū)PM2.5濃度時空分布及來源模擬 [J]. 中國環(huán)境科學, 2015,35(10):2908-2916.

Li S S, Cheng N L, Xu J, et al. Spatial and temporal distributions and source simulation of PM2.5in Beijing-Tianjin-Hebei region in 2014 [J]. China Environmental Science, 2015,35(10):2908-2916.

[51] Liu J, Mauzerall D L, Qi C, et al. Air pollutant emissions from Chinese households: A major and underappreciated ambient pollution source [J]. Proc Natl Acad Sci U S A, 2016,113(28):7756-7761.

[52] 王彥超,蔣春來,賀晉瑜,等.京津冀大氣污染傳輸通道城市燃煤大氣污染減排潛力 [J]. 中國環(huán)境科學, 2018,38(7):2401-2405.

Wang Y C, Jiang C L, He J Y, , et al. Air pollutant emissions reduction potential from burning coal in cities of air pollution transmission channel in Beijing-Tianjin-Hebei area [J]. China Environmental Science, 2018,38(7):2401-2405.

[53] Zheng B, Dan T, Meng L, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions [J]. Atmospheric Chemistry & Physics Discussions, 2018,18(19):14095- 14111.

[54] Xie X, Ai H S, Deng Z G. Impacts of the scattered coal consumption on PM2.5pollution in China [J]. Journal of Cleaner Production, 2019,245:118922.

Impact of the coal-to-electricity policy on PM2.5concentration in Beijing-Tianjin-Hebei region.

ZHANG Ru-ting1, CHEN Chuan-min1*, WU Hua-cheng2, ZHOU Wei-qing2, LI Peng2

(1.College of Environmental Science and Engineering, North China Electric Power University, Beijing 102206, China；2.Jibei Electric Power Research Institute, State Grid Jibei Electric Power Co., Ltd., North China Electric Power Research Institute Company Limited, Beijing 100045, China)., 2022,42(3)：1022～1031

Based on the Weather Research and Forecasting Model with Chemistry (WRF-Chem) model and combined with the meteorological parameters, the variation of PM2.5emission before and after the implementation of the coal-to-electricity policy during the heating period (November 2018 to March 2019) over the BTH region was simulated and analyzed from the aspects of the PM2.5concentration reduction and its spatial-temporal variation characteristic. The WRF-Chem model well stimulated the variation of PM2.5concentration over the BTH region, and the correlation coefficient between simulated values and observed values in Beijing, Tianjin and Shijiazhuang were 0.66, 0.66 and 0.52, respectively, showing a good correlation. The implementation of the coal-to-electricity policy had an obvious effect on the reduction of PM2.5concentration in key areas over the BTH region. The average daily mean reduction of PM2.5was 0.2～6.1μg/m3, and the average reduction ratio was 1.2%～7.8%. The variation of the PM2.5hourly mean concentration showed that the average reduction of PM2.5in December 2018 was 0.4～8.3μg/m3, and the average reduction ratio was 2.3%～7.7%. Particularly, the emission reduction in Daxing District of Beijing reached 8.3μg/m3, while the reduction ratio in Tianjin area reached 7.7%. Under special meteorological conditions, the scope of the coal-to-electricity policy over the BTH region could spread to Shandong, Jiangsu, Henan and the western of Shanxi, and the maximum hourly mean reduction of PM2.5was more than 50μg/m3.

WRF-Chem；PM2.5；coal-to-electricity；numerical simulation

X513

A

1000-6923(2022)03-1022-10

張茹婷(1994-),女,貴州貴陽人,華北電力大學博士研究生,主要從事大氣環(huán)境化學方面研究.發(fā)表論文1篇.

2021-07-16

國家電網(wǎng)公司科技項目(52010118000C)

*責任作者, 教授, hdccm@126.com