京津冀煤改电对PM2.5浓度的影响

张茹婷,陈传敏*,吴华成,周卫青,李 朋

京津冀煤改电对PM2.5浓度的影响

张茹婷1,陈传敏1*,吴华成2,周卫青2,李 朋2

(1.华北电力大学环境科学与工程学院,北京 102206；2.国网冀北电力有限公司电力科学研究院,华北电力科学研究院有限责任公司,北京 100045)

基于WRF-Chem模型,结合气象要素,从PM2.5浓度的消减量及时空变化特征等方面模拟分析了煤改电政策实施前后京津冀地区采暖期(2018年11月～2019年3月)PM2.5的排放变化.结果表明,WRF-Chem模型很好地模拟了京津冀地区PM2.5浓度变化,北京、天津和石家庄模拟值与观测值的相关系数分别为0.66、0.66和0.52,表现出良好的相关性.煤改电政策的实施对京津冀重点地区PM2.5减排效果明显,PM2.5日均减少量分布在0.2～6.1μg/m3,减少比例分布在1.2%～7.8%.PM2.5小时均值变化显示,2018年12月PM2.5减少量分布在0.4～8.3μg/m3,减少比例分布在2.3%～7.7%.其中,北京大兴区减排量达8.3μg/m3,天津地区减排比例达7.7%.在特殊气象条件下,煤改电政策影响范围可扩散至山东、江苏、河南北部以及山西西部,PM2.5小时均值减少量最大超过50μg/m3.

WRF-Chem；PM2.5；煤改电；数值模拟

PM2.5为京津冀地区采暖期首要污染物.根据国家环境空气质量标准(GB3095-2012)[1],2018年京津冀地区中除承德市与张家口市,其余11个城市PM2.5年均浓度均超过了二级年均限值(35μg/m3),12月份的最高小时浓度甚至超过500μg/m3[2].

煤炭是我国主要能源消耗,2018年我国煤炭消耗约占能源消耗总量59%[3].尽管民用燃料消耗在中国能源使用总量中只占很小一部分,但它却是污染物排放的重要来源[4].其中,民用散煤燃烧供热作为冬季北方农村及部分城市重要采暖方式之一,在使用过程中由于其低效、不完全燃烧等特点,导致大量大气污染物排入环境[5-6].不同于燃煤电厂,民用煤燃烧排放缺乏控制装置,污染源的总排放量远高于其他部门的排放[7].此外,民用燃煤也被认为是导致室内空气质量恶化的重要原因[8],尤其是在北方冬季采暖季期间[9].Yun等[10]研究表明,2014年民用部门只贡献了总能耗的7.5%,但却贡献了初级PM2.5排放的27%,室内外PM2.5排放的23%和71%,PM2.5暴露的68%,和PM2.5导致过早死亡的67%.中国政府为改善大气环境质量以及保障人民健康,出台了替代能源指导意见,制定了煤改电等一系列控制措施[11],以期通过电能替代煤炭在能源中的直接消费,提高电能在终端能源中的占比[12].

目前,国际上应用较为广泛的空气质量模式主要有:通用多尺度空气质量模式(CMAQ)[13]、综合空气质量模式(CAMx)[14]、嵌套网格空气质量预报系统(NAQPMS)[15]、区域大气环境模式系统(RegAEMS)[16]等.传统空气质量模式的气象过程和化学过程是分开的,先运行中尺度气象模式得到的气象场,再提供给化学模式会丢失一些小于输出间隔的气象过程,而在实际大气中化学和气象过程是同时发生且互相影响的[17-18].WRF-Chem气象-化学在线耦合模式[19-20]不同于以往的空气质量模式,WRF-Chem的化学和气象过程使用相同的水平、垂直坐标系及物理参数化方案,不存在时间上的插值,并且能够考虑化学对气象过程的反馈作用,模拟再现一种更加真实的大气环境.该模式被国内外学者广泛应用于区域污染的数值模拟研究[21-23].

民用部门污染排放对区域污染的贡献已有学者做过相关研究,如Liu等[24]研究了我国东部重污染地区采暖季民用排放对区域空气污染的贡献,结果表明消除京津冀地区民用部门排放后京津冀地区PM2.5日均浓度可显著降低.Bilsback等[25]使用GEOS-Chem评估了北京与京津冀地区禁煤排放情景,结果显示北京与京津冀地区禁止民用散煤使用每年可避免多例过早死亡.Chen等[12]建立了煤炭减排量、污染物排放量和综合效益的评价模型,煤改电政策实施后每单位采暖面积可有效节约燃煤并降低PM2.5排放.Meng等[26]研究显示,2021年超过60%的家庭将淘汰固体燃料,初级PM2.5的排放量和对环境PM2.5浓度的贡献率分别为未开展替代活动的30%和41%.

针对京津冀地区实际煤改电政策实施情况,目前还没有学者使用WRF-Chem模式来定量评估煤改电政策实施对PM2.5排放的影响.本文基于WRF- Chem模式,通过输入京津冀地区最新的地理信息和气象资料,模拟真实的自然大气环境,同时对WRF- Chem模式进行本地化改进,建立适合的参数配置方案,引入数值模拟所需要的气象场优化数据,设置不同排放源情景,根据截至2018年年底煤改电政策实际实施情况,模拟煤改电政策实施前后PM2.5浓度时间变化及空间分布,分析该政策对PM2.5浓度改善的影响,为定量评估该政策减排效益提供参考理论依据.

1 数据与研究方法

1.1 数据来源

1.1.1 气象数据 初始气象场和侧边界条件数据来自于美国大气环境预测中心(NCEP)提供的全球再分析资料FNL.FNL空间分辨率为1º×1º,时间分辨率为每6h一次.

1.1.2 地理数据 地理数据来自WRF模式推荐的美国地质勘探局(USGS)geog数据,包括地形高度数据、坡度、土地利用、土壤类型、湿度、地表植被类型等,空间分辨率最高达到9s(0.27km).

1.1.3 观测数据 PM2.5观测数据来自全国环境监测站实时监测数据,时段为2019年1月1日～1月30日.北京覆盖四环以内范围,天津覆盖6个市区范围,石家庄覆盖5个主要市区范围.

1.2 WRF-Chem模型

WRF(Weather Research and Forecasting Model)模式是由美国国家大气研究中心(NCAR)及美国国家海洋及大气管理局(NOAA)联合一些大学和研究机构开发的新一代中尺度预报模式同化系统[27]. WRF-Chem模式将化学模块与WRF模式相耦合,考虑了大气污染物的平流输送、湍流扩散、干湿沉降、辐射传输等主要大气物理过程,以及多相化学、气溶胶演变等大气化学过程[28].

1.2.1 模型参数设置 本文WRF-Chem模式的气相化学过程采用CBM-Z方案[29];光解过程由Fast-J[30-31]方法在线计算,每0.5h为气相化学模块更新一次光解率;气溶胶过程采用包含了液相化学反应的MOSAIC模型[32].主要物理过程方案设置如下:积云对流参数化方案采用Kain[33]改进方案;微物理过程采用Lin[34]方案;长波辐射采用RRTM[35]方案;短波辐射采用Dudhia[36]方案;表面层方案需要和边界层方案配合使用,对MYJ[37]方案使用ETA[38-39]表面层方案,YSU方案[40]和ACM2对应MM5表面层方案;陆面过程采用Noah[41]参数化方案.采用Lambert地图投影方式,水平分辨率为9km,中心点经纬度(116°E,39.2°N),经向格点数为132,纬向格点数为123,模式层顶设置为50hPa,垂直方向分30层.物理、化学参数化方案详见表1.

表1 模拟参数设置

1.2.2 排放清单处理 选用清华大学主持研发的华北区域0.1°×0.1°格点化污染源排放MEIC清单(2016)及李朋等[42]基于人工神经网络的民用散煤燃用量估算模型,得到的京津冀地区煤改电替代民用散煤大气污染物排放清单.MEIC清单包含电力、工业、民用、交通、农业5个排放部门.该清单提供了污染物月排放量,模型输入需要转换为小时排放强度.同时考虑到工业和电力行业的排放源具有一定高度,对这2类源排放进行了垂直分配优化处理,其余污染源均置于模式第1层.此外,由于活动规律差异,不同种类的污染源排放在一日之内呈不同的变化趋势,例如交通源的早、晚高峰等,因此同时需要对污染源进行日变化因子时间分配优化.煤改电清单由基于人工神经网络得到的京津冀各地区户均年燃用量,结合截至2018年年底煤改电在各地区的实施情况,各地区原煤与型煤燃用比例以及排放因子得到.通过时间分配因子,将散煤燃烧的年排放量转换为小时排放强度,利用GIS差值技术,将散煤排放清单进行差值,形成与MEIC相匹配的网格化排放清单.煤改电排放清单作为民用源部分同样置于模式第1层(0～28m)之间.

阳光明媚的春天，繁花似锦的皇城，跑马的浊世翩翩佳公子与游园的香风袅袅女学生在途中不期而遇，正如王菲的歌词“只因为在人海中多看了你一眼”，燕西迷恋上了清秋，而一段缠绵于泪水交错的爱情故事就此展开——如果只读出来这些，那么恭喜张恨水老爷子，你煞费苦心瞒天过海的手段奏效了。肤浅如我，也只能略略谈一谈那文字背后一点点的心得，前提是你读的真的是《金粉世家》这套书，而不是看的央视糟改的那套电视剧。

1.3 研究区域

京津冀地区位于113°04′E～119°53′E,36°01′N～ 42°37′N.东临渤海,东南部为开放性平原地区,西部及北部为太行山脉和燕山山脉,地理位置处于山地(太行山东侧和燕山南侧)、平原和海陆边界的半封闭地形中.根据各地区政府发布的煤改电政策及各地电网公司统计数据,截至2018年年底北京、天津、保定、张家口地区煤改电户数分别为123, 72, 8, 1万户,煤改电民用散煤替代量分别为438.16, 161.22, 7.76, 3.11万t[42].根据地理位置、人口因素、居民生活能源消费情况及政府部门关注度等多方因素,选取北京延庆区、北京通州区、北京大兴区、北京房山区、北京海淀区、保定雄安新区、张家口及天津为重点研究地区.

2 结果与讨论

2.1 模型可靠性验证

2.1.1 PM2.5浓度时间序列对比 根据2019年1月北京、天津和石家庄站点PM2.5浓度观测值与模拟值逐时变化,对模型的可靠性进行了验证(图1).模型很好地再现了北京、天津、石家庄PM2.5浓度的时间变化,总体呈现出1月1～3日逐渐上升、1月3～5日逐渐下降、1月5～10日重新缓慢上升的趋势.与观测值相比,模型较好地模拟了北京1月10日PM2.5浓度的峰值,但高估了1月2、4日的浓度值,低估了天津1月2日的浓度值,对于石家庄1月4日的PM2.5浓度值预测结果偏高.排放清单偏差[43]、局地突发源贡献及气溶胶物理化学机制[44]等原因都会对WRF-Chem模式的预测结果造成一定影响.京津冀地区PM2.5污染越重,气溶胶对各气象要素的影响越大[45].

WRF-Chem模型很好地模拟了1月PM2.5浓度在北京、天津、石家庄的逐时变化情况,合理地反映了3地PM2.5浓度逐时演变情况.1月10～25日在天津呈缓慢下降趋势,北京、石家庄1月22～25日呈逐渐上升趋势.总体来看,模式能够模拟出污染物浓度的时间变化趋势,除个别时段模拟浓度偏低外,绝大部分分时段模拟浓度与实况接近,表明模型可用于后续模拟评估.

2.1.2 模型性能评价 WRF-Chem模型在模拟空气污染物方面的性能评价通过平均偏差(MB)、均方误差(RMSE)和相关系数()进行验证.模型性能评价显示(图1),北京、天津、石家庄地区MB分别为9.51, -3.57,-0.23μg/m3,RMSE分别为30.99,26.45,31.52μg/ m3,分别为0.66,0.66,0.52,模型性能符合标准[46-48].造成模拟偏差的原因主要为网格分辨率及排放源强.网格分辨率低会导致区域局地环流和污染源分布情况反映不准确,排放源强不细致则难以反映区域实时污染物排放,从而影响模拟结果.

图1 2019年1月北京、天津、石家庄PM2.5逐时浓度观测值与模拟值对比

图2 2021年1月31日～2月2日PM2.5模拟(色阶图)和观测(点状图)小时均值浓度空间分布

2.1.3 PM2.5浓度空间分布对比 2021年1月31日～2月2日期间模拟浓度对比空间分布显示,华北地区的河北东南部和山东西部污染最重,PM2.5小时均值浓度为115～150μg/m3,北京地区为75～115μg/ m3(图2a).随着冷空气的东移南下,华北地区污染气象条件逐渐转好,至2月1日20:00时,华北地区污染形势减轻.京津冀大部分地区站点PM2.5小时均值浓度均低于35μg/m3,该状况一直维持至2月1日夜间(图2c).模式能够较为准确地模拟污染过程中PM2.5浓度的时空演变形势,对浓度高、低值落区的预报与实况吻合,空间分布模拟结果与观测结果趋于一致.

2.2 重点地区煤改电实施对PM2.5浓度的影响

2.2.1 PM2.5浓度日均值变化 基于WRF-Chem模型,通过输入污染物排放信息、地理信息、气象信息,设置模型计算参数模拟出2018年11月～2019年3月采暖季期间煤改电实施前后的PM2.5日均浓度值,两者之差即为煤改电实施后PM2.5浓度的日均值变化(图3).煤改电实施对重点地区PM2.5浓度减排效果明显,各地区数据变化趋势线都呈现较好的一致性.2018年12月PM2.5浓度变化最为显著,减少量最高达41.48μg/m3.在采暖初期,北京通州区、大兴区及天津PM2.5浓度变化较明显,2019年1月后趋于平缓,但在2019年1月26日、2月9日、2月28日陡增,出现峰值.煤改电实施后北京通州区PM2.5浓度减少比例较高,保持在7.8%左右.值得注意的是,北京延庆区PM2.5浓度减少比例处于较低水平,但在2018年12月29日、2019年2月7日达到峰值,远高于其他地区.

图3 2018年11月16日～2019年3月15日重点地区煤改电实施后PM2.5浓度逐日变化

重点地区PM2.5浓度日均值减少量及减少比例变化显示(图4),煤改电实施后PM2.5浓度平均减少量分布在0.2～6.1μg/m3,最大减少量分布在2.4～ 42.2μg/m3,平均减少比例分布在1.2%～7.8%,最大减少比例分布在10.9%～74.6%.平均减少量、平均减少比例最大的地区分别为北京大兴区、北京通州区.闫祯等[49]研究表明,京津冀地区202万户与315万户实施煤改电后PM2.5年均浓度减少量分别为3.6,4.3μg/m3,与本文研究结果相近.

煤改电实施后,北京多地区PM2.5浓度变化量明显,北京大兴区、通州区平均减少量达6.1, 5.7μg/m3,北京通州区、天津最大减少量达41.5, 42.2μg/m3.煤改电实施后减少比例均值较为突出的是北京通州区及天津,分别为7.8%、6.3%,高于保定雄安新区及张家口.值得注意的是,北京大兴区最大减少比例远高于张家口,是其最大减少比例的7倍.各地区PM2.5浓度消减量空间差异受各地区污染物排放量差异、气象条件及地形影响[50].

图4 2018年11月16日～2019年3月15日重点地区煤改电实施后PM2.5浓度日均值减少量及减少比例

图5 2018年12月重点地区煤改电实施后PM2.5浓度逐时变化

图6 2018年12月重点地区煤改电实施后PM2.5浓度小时均值减少量及减少比例

重点地区PM2.5浓度小时均值减少量及减少比例变化显示(图6),煤改电实施后,PM2.5浓度平均减少量为0.4～8.3μg/m3,最大减少量为5.7～86.0μg/m3,平均减少比例为2.3%～7.7%,最大减少比例为22.7%～93.3%.平均减少量、平均减少比例最大的地区分别为北京大兴区、天津.重污染天数越多,PM2.5浓度下降幅度一般越大[51].这说明空气污染浓度越高,民用部门的排放控制措施对PM2.5浓度的降低幅度越大.冬季重污染时期,华北平原常以弱高压系统为主,地面风较低,混合扩散较弱.因此,在这些时期减少排放对地方区域特别有利.

总体来看,煤改电实施对PM2.5浓度的影响表现为夜间显著,白天较弱.这一方面体现了民用散煤燃烧排放的日变化特征,即散煤燃烧与气温、居民日常作息密切相关;另一方面受到边界层结构日变化的影响,如夜间大气稳定、边界层高度较低,排放浓度变化集中于近地层,而白天边界层发展强烈,地面污染物随着垂直混合运动的加剧被带往高层,即便在地面相同的排放情况下,对地面污染物浓度的影响也会明显低于夜间.

2.2.3 特殊气象条件下PM2.5浓度小时均值变化 通过上述分析可知,煤改电实施对北京、天津和河北南部PM2.5浓度的降低影响较大.从极值情况来看,煤改电实施对最大日均浓度影响较为显著.在排放相对稳定的情况下,日均浓度变化的差异主要来源于不同气象条件的作用.日均浓度变化极值较高,表明煤改电实施在某些特殊气象条件下对当地及周边地区空气质量的改善起到了较为明显的作用.

选取2018年12月23～24日作为一次典型污染过程,模拟分析煤改电实施后京津冀地区PM2.5浓度小时均值的变化特征.如图7所示,2018年12月23～24日,京津冀多地PM2.5实时观测浓度值超过了二级日平均限值(75μg/m3)[2],石家庄超过了100μg/m3,北京超过了80μg/m3,其余如廊坊、唐山和天津等地均变化明显,且此次过程持续的时间较长.

分析12月23～24日天气形势可知,京津冀地区受弱气压场控制,地面风速较小,天气形势稳定.在该天气条件下,气团滞留时间较长,大气混合均匀,因此京津冀地区污染源排放的变化对污染物浓度的改变贡献突出.进一步分析发现,12月23～24日地面风场导致京津冀及周边地区形成较为稳定、闭合的流场,来自上游的偏西气流沿着东西走向的燕山山脉传输,自河北北部进入渤海转向,到达山东半岛时转为东北气流向南输送,在河南北部和河北东南部地区进一步转向为偏东气流,遇到太行山脉阻挡后向北传输,进一步影响京津冀地区,从而形成一个以京津冀平原地区为中心的顺时针走向的流场形势.

(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

图7 2018年12月23～24日煤改电实施后京津冀及周边地区PM2.5小时均值浓度(mg/m3)空间分布

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

受天气条件影响,京津冀地区污染源的变化在气流的传输作用下影响周边地区,且由于持续时间较长,其影响程度较大.过程初期,PM2.5浓度变化明显的区域仅集中在京津冀排放源变化显著的地区,随着气团在周边的混合传输,其影响范围进一步扩大,逐渐扩散至山东、江苏和河南北部以及山西西部,部分地区PM2.5最大浓度变化量超过50μg/m3.

WRF-Chem模型对京津冀地区PM2.5浓度模拟表明,煤改电政策的实施对PM2.5浓度影响显著.该政策不仅对京津冀地区PM2.5浓度改善影响较大,且在特殊天气条件下,同样会对周边区域空气质量的改善起到十分积极作用.王彦超等[52]研究中,煤改电与煤改气政策对PM2.5减排的贡献比例可达到39%.在执行清洁空气政策之后,不同部门对排放量的相对贡献发生了重大变化[53].这表明必须采取新的政策,以便今后能够进一步减少PM2.5排放.PM2.5污染控制政策的重点应该是控制整体煤炭消费.同时,控制民用散煤使用量也是十分重要的[54].

3 结论

3.1 WRF-Chem模型很好地模拟了2019年1月份北京、天津、石家庄PM2.5浓度时间变化趋势及空间演变形势.可靠性分析显示PM2.5浓度模拟值与观测值相关系数分别为0.66、0.66、0.52,对浓度高、低值落区的预报与实况吻合,空间分布模拟结果与观测结果趋于一致.WRF-Chem模型能很好地模拟京津冀地区的PM2.5浓度变化.

3.2 煤改电实施后重点地区PM2.5浓度日均值平均减少量为0.2～6.1μg/m3,其中北京通州区、天津减少量最大值分别达41.5,42.21μg/m3;平均减少比例为1.2%～7.8%,其中北京延庆区、房山区减少比例最大值均达74.6%.重点地区PM2.5浓度小时均值平均减少量为0.4～8.3μg/m3,其中北京大兴区、通州区减少量最大值分别达86.0,66.4μg/m3;平均减少比例为2.3%～7.7%,其中北京延庆区、大兴区减少比例最大值分别达93.3,91.7%.模拟结果显示,煤改电实施后对重点地区PM2.5减排效果明显.

3.3 在特殊天气条件下,煤改电措施会对周边区域污染产生十分积极的影响.2018年12月23～24日石家庄PM2.5浓度小时均值变化量超过100μg/m3,北京超过80μg/m3,其余如廊坊、唐山和天津等地均变化明显.在特殊气象条件影响下,该措施的影响范围可逐渐扩散至山东、江苏和河南北部以及山西西部,京津冀周边部分地区PM2.5浓度小时均值最大变化量超过50μg/m3.

[1] GB3095-2012 环境保护部.环境空气质量标准 [S].

GB3095-2012 ambient air quality standards [S].

[2] 生态环境部.2018年中国国家环境监测中心实时数据库 [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] 国家统计局.中国统计年鉴 [M]. 北京:中国统计出版社, 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] 中国国家发展和改革委员会.中国北方冬季清洁采暖工作计划(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,王体健,韩军彩,等."2+26"城市大气重污染下PM2.5来源解析[J]. 中国环境科学, 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] 余钟奇,瞿元昊,周广强,等.2018年秋冬季长江三角洲区域PM2.5污染来源数值研究 [J]. 中国环境科学, 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,吴华成,周卫青,等.京津冀“煤改电”替代大气污染物排放清单 [J]. 中国环境科学, 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] 周广强,谢 英,吴剑斌,余钟奇,常炉予,高伟.基于WRF-Chem模式的华东区域PM2.5预报及偏差原因 [J]. 中国环境科学, 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] 张晗宇,温 维,程水源,等.京津冀区域典型重污染过程与反馈效应研究 [J]. 中国环境科学, 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] 闫 祯,金 玲,陈潇君,等.京津冀地区居民采暖“煤改电”的大气污染物减排潜力与健康效益评估 [J]. 环境科学研究, 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年京津冀地区PM2.5浓度时空分布及来源模拟 [J]. 中国环境科学, 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] 王彦超,蒋春来,贺晋瑜,等.京津冀大气污染传输通道城市燃煤大气污染减排潜力 [J]. 中国环境科学, 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

张茹婷(1994-),女,贵州贵阳人,华北电力大学博士研究生,主要从事大气环境化学方面研究.发表论文1篇.

2021-07-16

国家电网公司科技项目(52010118000C)

*责任作者, 教授, hdccm@126.com