可凝結顆粒物排放對北京市PM2.5污染的影響估計

李虹霖,宋國君,姜藝婧,姜曉群,李 辰,時 鈺

可凝結顆粒物排放對北京市PM2.5污染的影響估計

李虹霖,宋國君*,姜藝婧,姜曉群,李 辰,時 鈺

(中國人民大學環境學院,北京 100872)

可凝結顆粒物(CPM)是PM2.5的前體物之一.行業研究發現我國燃煤燃氣鍋爐、冷卻塔等存在大量CPM排放,理論上存在致霾可能,但環境污染研究很少將CPM納入PM2.5排放成因分析中.基于北京市空氣質量監測數據的統計分析發現,PM2.5超標時PM2.5/PM10顯著上升,二次污染特征明顯,且有逐年加劇趨勢.而當前被視為主要前體物的SO2和NO2排放量和環境濃度逐年下降,且環境濃度與PM2.5/PM10和PM2.5積累速率無顯著相關關系.估算北京市燃氣采暖源的CPM排放量對環境空氣中PM2.5含量的貢獻至少與NO相當,且PM2.5污染高發的靜穩高濕氣象極易導致CPM集聚轉化,推測當前監測管理中忽視的CPM是影響北京市PM2.5繼續削減的原因,建議制定法規對CPM排放予以控制,篩選并推廣先進技術,實現水蒸氣余熱回收和霧霾治理雙重效益.

PM2.5；可凝結顆粒物；排放原因分析

短期高濃度PM2.5即能造成重大健康損失[1-2],持續暴露則會進一步增加發病風險[3];以PM2.5為代表的氣溶膠吸濕增長成為霾[4],還會引起交通運輸業、農業、制造業等經濟部門的間接損失[5-6].北京作為承擔重要政治、經濟與文化發展任務的人口經濟密集區, PM2.5污染治理需求尤為突出.2013年開始,通過一系列大氣污染治理措施, PM2.5濃度顯著下降.2019年之后,雖然污染治理行動繼續推進, PM2.5的超標和重污染改善卻進入瓶頸期,PM2.5年超標率維持在10%上下,超標日平均濃度和重污染天數明顯回升.《北京市“十四五”時期生態環境保護規劃》提出“PM2.5年均濃度降至35μg/m3左右,基本消除重污染天氣”的目標,較以往降速明顯保守;“污染來源主體向城市運行和生活源轉型、減排潛力收窄”的陳述,指明PM2.5繼續減排的壓力.

PM2.5組分分析顯示[7-10]:①北京市PM2.5重污染時以二次源貢獻為主,二次無機離子質量濃度隨PM2.5污染加重而遞增.②多數樣本中NO3–是占比最高的水溶性無機離子,近年NO3-/SO42-比值有上升趨勢.由于當前對二次PM2.5前體物的主要定位是SO2,NO2和VOCs,隨著北京市工業和燃煤治理行動的推進和SO2的顯著削減,移動源和揮發性有機物(VOCs)治理逐漸成為基于PM2.5源解析的治理建議中提及的管理重點.然而2020年初疫情防控期間,工業企業多數限產停產,建筑與餐飲業面源全面停工,道路交通源大量減少,NO2和VOCs的主要來源得到明顯扼制,而京津冀地區仍經歷了持續數日的霧霾重污染.尋本溯源,在此期間仍存在排放行為的污染源以民生相關的電力與供暖為主,京津冀地區燃煤電廠(包括熱電廠)大多已實現超低排放,可過濾顆粒物(FPM)、SO2和NO排放水平遠低于國家標準,北京市更是已經全面取消了燃煤供暖,此時PM2.5重污染的發生并不符合以SO2,NO2和VOCs為主要貢獻源的預期.

雖然尚未得到廣泛關注,大氣中PM2.5的來源除常規監測的顆粒物(屬于FPM)排放與前體物的轉化外,還有在高溫下以氣相排放的可凝結顆粒物(CPM)在煙羽中稀釋和冷卻之后凝結成固相這一途徑.美國環保署將其定義為“在煙道內呈氣態,離開煙道進入大氣后經稀釋和冷卻后很快凝結或反應成為液態或者固態顆粒物的可凝結微粒”,規定自2008年起將CPM納入PM2.5排放監測和控制評價[11].基于這一事實,本文提出可凝結性顆粒物(CPM)可能是造成北京市PM2.5污染治理瓶頸的重要影響因素的猜想,并基于對空氣質量監測數據的比較分析給出支持性論據.

1 數據與方法

1.1 可凝結顆粒物致霾的理論探討

雖然基于是否發生均相或非均相化學反應的標準,僅發生相變的CPM應當被歸類為一次污染物,但其仍然是PM2.5前體物的一種,在特定氣象條件下對霧霾的形成有重要貢獻[12].已有研究證實固定源排放顆粒物中含有大量CPM.李小龍等[13]綜述了6位學者對20種不同“燃料+燃燒設施+脫硫脫硝除塵工藝”組合情景下煙氣排放CPM的檢測分析結論,得出CPM在總顆粒物(TPM)中占比22.7%～ 99.6%不等,與燃料、設施類型、機組負荷[14]、除塵工藝、煙溫等諸多因素相關;李玉忠教授團隊的綜述中該比例為2.22%～99.8%,且證實其中含有PAHs、VOCs和重金屬等有害物質[15].北京周邊地區案例也檢測到固定源煙氣中CPM含量超過FPM的現象[16-20];超低排放機組CPM占比相對更高,超過80%[21-22].特別的是,CPM的控制措施與SO2、NO2和VOCs等并不相同,甚至固定源廢氣中SO2、NO2的脫除過程如果缺乏后續處理,反會造成CPM排放量的增加.如SCR脫硝裝置后續系統形成的硫酸氫銨與硫酸銨,多數會以亞微米級細顆粒物的形態逸散到空氣中[23];濕法脫硫的凈煙氣中會含有部分硫酸鹽等可凝結顆粒物,呈現有色煙羽的形態[24];濕式電除塵器的放電過程可能促進煙氣中NO和SO2的氧化,使得最終排放CPM中SO42-和NO3-含量增加.因此,僅以捕集的可過濾顆粒物含量來衡量固定源煙氣中顆粒物排放量,則只有不足1/2的TPM實際納入考核,且當前的末端處理措施對CPM的消除作用有限.綜上,現有監測技術忽視的CPM造成大氣中PM2.5濃度升高的可能性切實存在,而關于CPM對PM2.5污染貢獻的定性或定量討論明顯不足.

1.2 分析框架與技術方法

服務于數據分析和管理需求,本文將CPM歸為二次污染物分析.原因如下:第一,基于PM2.5的來源識別方法,目前將源解析中的二次無機水溶性離子(SNA,包括SO42-、NO3-和NH4+)與二次有機碳(SOC)含量作為識別二次污染的主要指標,其中水溶性離子的成分與CPM組分高度一致[13,20],因此基于源解析的二次污染源貢獻識別中包含了CPM的排放貢獻.第二,基于PM2.5的形成條件考慮,一次排放的氣溶膠與排放強度關系密切,而二次氣溶膠的形成及濃度變化卻主要受天氣條件控制[25],CPM的轉化條件與溫度和濕度有很大關系(與水蒸氣冷凝條件類似[26]),對PM2.5污染的貢獻與排放位置和排放強度不直接對應,與其他二次前體物SO2、NO2相似.第三,由于國內尚未實施對CPM的監測,一次顆粒物排放量統計中未包含CPM的排放數據;CPM本身也不能被多數用于可過濾顆粒物控制的除塵設備有效捕集,因此對顆粒物直接排放的控制政策不能對CPM產生明顯治理效果.

由于CPM的排放和濃度數據無法獲取,本文通過分析PM2.5其他二次前體物的排放量和濃度與PM2.5污染之間的關聯關系,間接估算CPM的影響.在此基礎上,補充對于北京市燃氣發電供熱和垃圾焚燒發電行業CPM排放量的估算結果,在排放層面佐證CPM致霾的可能性.

由于空氣污染物之間的相關關系通常是非線性的,以上假設均通過計算秩相關的spearman相關性系數進行檢驗, 變量的秩為每個監測點的變量值在全部監測點變量值集合中的位次.相關系數計算過程由R-4.2.1軟件執行.

最后,雖然區域傳輸的影響也是PM2.5污染成因分析較為常見的研究對象[10,27-28],但其本質仍然可以追溯到一次顆粒物與二次前體物的排放,且二者均能夠發生遠距離遷移.即外地傳輸的影響本身已反映在本地污染物的環境濃度之中.因此,本文重點分析各類排放源對PM2.5污染的貢獻,不對污染產生的地域作具體討論.

1.3 數據來源和預處理

本文所用空氣質量實時監測數據來自中國環境監測總站,包括北京市12個國控空氣質量監測站點的小時尺度污染物濃度數據(2015-01-02～2021- 12-31,樣本量688269),北京市實測相對濕度數據來自中國天氣網(http://www.weather.com.cn/),由墨跡天氣提供,為北京市轄區日尺度的氣象數據(2016- 01-01～2020-07-24,樣本數1659d).

研究所用空氣質量監測指標包括PM2.5、PM10、SO2、NO2、CO、O3,數據缺失率4.2%.除PM10外單項指標缺失率5%以下,缺失樣本依統計方法對數據完整性的需求采取單獨剔除或整行剔除處理.從原始數據中剔除PM10小時濃度值大于800μg/m3的樣本以排除沙塵天氣影響,基于PM10和PM2.5小時濃度值計算PM2.5/PM10值和PM2.5～10(CP)濃度值. PM2.5/PM10倒掛值(31)在有效值中占比8.1%,替換為同監測點非倒掛值最大值.所有空氣質量監測指標指標在統計時剔除均值±3倍標準差的離群樣本.

2 結果與討論

2.1 PM2.5超標和二次污染特征分析

如圖1圖2所示,總體來看, 2015～2021年間北京市PM2.5濃度呈穩定下降趨勢,伴隨采暖期上升非采暖期下降的周期性變動.截至2021年底,全市PM2.5濃度均值由2015年的80μg/m3降至35μg/m3,累計降幅55.6%;PM2.5年超標率下降28.5%.PM2.5濃度的年際變化趨勢在采暖期與非采暖期略有不同.2015～2018年間,采暖期PM2.5濃度迅速下降,由108μg/m3下降至54μg/m3,累積降幅50%;同期非采暖期PM2.5濃度下降趨勢平緩,由64μg/m3下降至51μg/m3,累積降幅不足20%.2019～2021年間,采暖期PM2.5濃度在50μg/m3上下波動,2020年達到最低值45μg/m3,年超標率維持在20%左右;同期非采暖期PM2.5濃度迅速下降,累積降幅接近50%,年超標率低于10%.2018年及之前,采暖期PM2.5超標日占比約40.8%.而2019年后,68.4%的PM2.5超標日和100%的PM2.5重污染日發生在采暖期, PM2.5污染明顯向采暖期集中.

圖1 北京市PM2.5& PM2.5～10濃度歷年均值及超標情況

Fig.1 Annual average and exceedance levels of PM2.5& PM2.5～10concentrations in Beijing

目前尚未建立PM2.5～10的環境空氣標準限值,本節將PM2.5達標而PM10超標作為判定PM2.5～10達到超標污染水平的條件,即PM2.5～10濃度24h值超過75μg/m3視為超標,超過200μg/m3視為重污染.

類比分析不具有二次來源的PM2.5～10,與PM2.5在污染程度和重點污染時段方面存在明顯差異.PM2.5～10濃度均值在2015～2021年間由48μg/m3降至35μg/m3,累計降幅28.1%,明顯低于PM2.5;分別于2016～2018年和2020～2021年出現兩次濃度回升,在2020年達到最低值19μg/m3.采暖期與非采暖期年際變化趨勢基本一致,趨勢線呈單峰雙谷形態(圖3).非采暖期PM2.5～10平均濃度和超標率高于采暖期.

圖2 北京市采暖期與非采暖期PM2.5污染特征對比

圖3 北京市采暖期與非采暖期PM2.5～10污染特征對比

圖4 北京市PM2.5超標日PM2.5/ PM10小時值分布

對于北方采暖城市,采暖期所屬的冬春季節受低溫高壓氣候影響,氣團活動減弱,污染擴散條件變差;同時采暖污染源帶來顆粒物及其前體物的排放增加.但不含二次來源的PM2.5～10并沒有與PM2.5同樣表現出采暖期污染加劇的趨勢,說明采暖期的PM2.5高污染狀態更有可能是受到二次來源的影響.

PM2.5/PM10是在空氣質量監測數據上反映PM2.5二次性的重要指標. 2018年是北京市“煤改氣”行動的一個重要節點:全市工業領域和鍋爐基本實現燃煤“清零”,平原地區基本實現“無煤化”.以2018年底為界將2015～2021年分為“煤改氣”政策前后,兩時期的PM2.5/PM10存在顯著差異(檢驗,<0.001),尤其在采暖期的PM2.5超標日,PM2.5/ PM10均值相差近0.1.2019年后,北京市采暖期60.5%的PM2.5超標日PM2.5/ PM10均值超過0.9,年均天數約15d;而2018年及之前這一比例只有26.7%,年均天數不足10d;同時,非采暖期PM2.5超標日PM2.5/ PM10也有明顯的上升趨勢(圖 4).

PM2.5/PM10的變化反映出隨著能源結構的調整,北京市PM2.5的污染特征也在發生轉變,雖然PM2.5年均濃度繼續下降,但“煤改氣”完成后,這種濃度的削減主要發生在非采暖期,采暖期的PM2.5平均濃度和超標率基本保持穩定,二次污染的貢獻明顯上升.考慮PM2.5的二次來源中,無機組分通常在二次組分中占據更大比例,且隨PM2.5污染加劇有比例增大趨勢[10,29-31],而二次有機組分的合成以光照為重要條件,在PM2.5高污染的秋冬季節反應減弱,重污染時占比相對降低[32].以PM2.5的超標和重污染原因探究為目標,重點考慮大氣中無機前體物SO2、NO2、CPM轉化貢獻.

2.2 SO2和NO2致PM2.5二次污染的貢獻分析

2.2.1 SO2和NO2與PM2.5/PM10的相關性分析 將全市空氣質量指數為優(AQI￡50,PM2.5￡35μg/m3)的日期視為氣象擴散條件良好的情景(空氣清潔日).2015～2021年,北京市共有空氣清潔日1114d,占比約44%,其中采暖期382d,非采暖期732d.空氣清潔日監測點PM2.5/PM10的上限(均值+標準差)通常在0.6～0.8之間(圖5),空間分布不均,12個國控點PM2.5/PM10差異顯著(<0.05),東部順義新城、懷柔鎮、天壇監測點比值較高,中西部奧體中心、海淀區萬柳、古城、定陵監測點比值較低.不同年份之間、采暖期與非采暖期之間PM2.5/PM10差異顯著(<0.05),根據年份、采暖期、監測點分組計算PM2.5/PM10上限作為識別PM2.5二次污染的標準,認為PM2.5/PM10超出標準的日期即發生了比較明顯的PM2.5二次反應,記為“PM2.5二次污染日”.

圖5 空氣清潔日國控點PM2.5/PM10均值散點圖

三角形表示非采暖期,正方形表示采暖期

據此統計2015～2021年,北京市PM2.5二次污染日全年天數占比18.6%～30.4%,PM2.5累積濃度全年占比36%～52.5%(圖6).篩選其中2017年12月PM2.5二次污染日累計濃度占比47.6%,與徐云凡等[33]利用NAQPMS模式模擬計算的PM2.5的化學生成貢獻率46.6%相近;2018年累計濃度占比44.6%,與李歡等[34]利用源解析方法計算2018年北京市PM2.5二次組分貢獻率41.1%相近,認為估算結果較為可靠. 2020年,PM2.5二次污染日累計濃度占比最高達52.5%.篩選其中的PM2.5超標日,PM2.5二次污染日天數占比持續上升,由2015年的46.2%增加到2021年的90.4%,PM2.5累計濃度占比由52%增加到88.9%.尤其是2020年和2021年,PM2.5超標日中二次污染日占比已經達到90%左右,且二次污染主導的PM2.5超標日PM2.5濃度相對更高.

從污染源排放情況來看,北京市SO2、NO和顆粒物排放量逐年下降(圖7),PM2.5超標日SO2、NO2濃度也持續降低. 2018年后,已明確的前體污染物排放量繼續削減,但PM2.5二次污染天數無繼續削減趨勢,在PM2.5超標日中占比不降反增,繼續削減SO2、NO對改善PM2.5二次污染不再具有明顯效益.這與SO2、NO2作為PM2.5二次污染主要前體物的假設相矛盾.

圖6 PM2.5二次污染日天數和累計濃度貢獻率年際趨勢

圖7 北京市廢氣中主要污染物排放量和PM2.5二次污染天數年度數據

數據來自國家統計局,二次污染天數僅統計PM2.5超標日

將全市PM2.5平均濃度超過75μg/m3的日期定義為PM2.5污染日.2015～2021年,北京市PM2.5污染日共計512d.從化學機理來說,前體污染物的濃度會影響PM2.5的合成速率,二者存在正相關關系.北京市的12個國控站點相距不遠,面臨的氣象形勢相似,若SO2和NO2轉化是PM2.5二次污染的主要來源,則SO2和NO2濃度更高的監測點應當呈現更高的PM2.5濃度和PM2.5/PM10.對每個PM2.5污染日監測點SO2和NO2濃度與PM2.5濃度日均值的spearman相關分析結果顯示,滿足PM2.5濃度與SO2和 NO2中至少一種顯著相關的日期約占50%(圖8).2015～2018年, PM2.5污染天數減少較為迅速,從125d下降為71d,降幅43.2%,期間NO2與PM2.5濃度相關的天數占比呈下降趨勢,由39%下降至32%,累計下降7%;SO2與PM2.5濃度相關的天數占比呈先上升后下降趨勢,2016年占PM2.5超標天數比例最高達29%,2018年降至15%.2019年后,PM2.5污染日數維持約40d/a,NO2與PM2.5濃度相關的天數占比較前一階段明顯增加,達到39%～49%,SO2與PM2.5濃度相關的天數維持在11%～12%.同日監測點SO2和NO2濃度與PM2.5濃度的相關情況既可反映二者的反應關系,也在一定程度上體現了二者的同源情況,半數以上PM2.5污染日并不滿足SO2和NO2濃度與PM2.5同高同低假設,說明環境中積累的PM2.5與SO2和NO2的排放源不完全一致,且不以環境中SO2和NO2轉化為主要來源.對每個PM2.5污染日監測點SO2和NO2濃度與PM2.5/PM10日均值spearman相關分析結果顯示(圖8),SO2和NO2濃度與PM2.5/PM10顯著相關的日期重合均為109d,占比21.2%.2015～2018年,相關天數呈先上升后下降趨勢,2016年占超標天數比例最高達到29.2%,2019后每年12%左右.即4/5以上的PM2.5污染日不滿足SO2和NO2濃度更高的監測點PM2.5/PM10更高的假設,因此不能為PM2.5高濃度和高二次轉化率是由SO2和NO2導致提供有效證據支持.

2.2.2 SO2和NO2與PM2.5積累速率的相關性分析 2015～2021年,北京市PM2.5積累與擴散速率呈尖峰分布(峰度系數119.3),80%情景下PM2.5小時變化速率低于10μg/(m3·h),1%的情景下PM2.5小時變化速率超過50μg/(m3·h).PM2.5平均積累速率6.1μg/(m3·h),平均擴散速率6.6μg/(m3·h).PM2.5污染日平均積累速率9.1μg/(m3·h),較平日增加約49.2%.市區平均積累速率為6.3μg/(m3·h),略高于郊區5.8μg/(m3·h)(PM2.5污染日為市區9.3μg/(m3·h),郊區8.6μg/(m3·h)).2015～2019年,北京市PM2.5平均積累速率6.8μg/(m3·h),按照姬藝珍等[35]所做同期汾渭平原11市PM2.5平均積累速率統計處于中等積累水平.PM2.5濃度上升時段達到“PM2.5爆發式增長”[36]速率(20μg/(m3·h))的小時數綜合占比5.8%,PM2.5超標日達到14.6%,PM2.5重污染日達到25.9%.

圖8 PM2.5濃度和PM2.5/PM10與NO2或SO2濃度顯著相關天數及在PM2.5超標日中占據比例

Fig.8 Days with significant correlation between PM2.5/PM10or PM2.5concentration and NO2or SO2concentrations, and their proportion on PM2.5exceedance days

PM2.5平均積累速率與PM2.5污染程度正相關.當PM2.5濃度日均值低于35μg/m3時,平均積累速率為4.4μg/(m3·h);PM2.5濃度日均值35～75μg/m3時,平均積累速率為7.0μg/(m3·h); PM2.5濃度日均值75～150μg/m3(超標)時,平均積累速率為9.3μg/(m3·h); PM2.5濃度日均值超過150μg/m3(重污染)時,平均積累速率達到13.1μg/(m3·h).以PM2.5平均積累速率6.1μg/(m3·h)作為判定快速積累的標準,PM2.5快速積累小時數占比隨PM2.5日均濃度上升而增加(圖9),PM2.5濃度達到超標和重污染區間時,污染擴散過程的持續時間并未縮短,而污染積累過程時長明顯增加,其中快速積累的小時數占比上升.從污染排放量的角度來說,由于重污染天氣應急響應政策的存在,PM2.5重污染日相對清潔日的排放量應當更低,而PM2.5濃度積累速率卻明顯增加,上文已驗證PM2.5重污染時以二次源貢獻為主,而SO2和NO2的二次轉化是長期的緩慢氧化過程, 如果此時PM2.5濃度快速上升是大氣中前體物SO2和NO的二次轉化加劇,或是通過前期轉化積累的SO42-、NO3-在大氣中迅速結合,那么SO2和NO2濃度更高的監測點積累的SO42-、NO3-數量更多,理應有更高的PM2.5積累速率.為排除氣象影響,同樣采取同期不同監測點SO2和NO2環境濃度與PM2.5平均積累速率的相關性分析.

圖9 PM2.5以不同速率積累的小時數按PM2.5日均濃度分組統計柱形圖

從長期趨勢的相關性來看,僅考慮PM2.5污染日的PM2.5積累速率,空間分布特征如圖10.順義新城、古城、東四監測點積累速率較高,定陵、懷柔鎮積累速率較低.假定PM2.5的高積累速率是空氣中前體物SO2和NO2的氧化產物SO42-和NO3-在不利氣象形勢下快速積累所致,則SO2和NO2環境濃度較高的監測點理應存在更高的PM2.5的積累速率,而SO2環境濃度較高的監測點為官園、東四、農展館,NO2環境濃度較高的監測點為海淀區萬柳和奧體中心,與PM2.5平均積累速率最高的監測點一致性并不高.將各監測點的PM2.5平均積累速率與SO2和NO2平均濃度作spearman相關性分析,相關系數分別為0.476(=0.12)和0.245(=0.44),兩項指標相關性較低且不顯著.進一步按年分組計算spearman相關性,僅2016年SO2環境濃度與PM2.5平均積累速率達到顯著相關水平,2019年NO2環境濃度與PM2.5平均積累速率達到顯著相關水平,具體數據如表1所示.

圖10 北京市PM2.5污染日PM2.5積累速率,NO2和SO2濃度空間分布

基于審圖號為GS(2022)1873號的標準地圖制作,底圖邊界無修改

表1 PM2.5污染日PM2.5積累速率與SO2和NO2環境濃度spearman相關性分析結果

注:*表示顯著性系數小于0.05.

從短期趨勢的相關性來看,以日為單位計算2015～2021年512個PM2.5污染日監測點PM2.5平均積累速率與日和-1日SO2和NO2濃度的spearman相關性, PM2.5平均積累速率與日SO2和NO2濃度達到顯著相關的日數在全部PM2.5污染日中占比分別為10%和11.1%(-1日為6.5%和11.9%).作為對照,與PM2.5不存在轉化關系的CO,日和-1日濃度與PM2.5平均積累速率顯著相關的日數占比為12.3%和10.2%.從化學反應條件分析,NO2和SO2濃度更高的監測點積累的SO42-和NO3-數量更多,PM2.5二次污染又通常呈現大范圍區域性特征,說明區域內合成二次PM2.5的條件相似,前體物濃度更高的地區更容易實現PM2.5的快速積累.而90%的情景下,更高的NO2和SO2濃度與更快的PM2.5積累速率并未形成顯著相關關系,不能為PM2.5超標日濃度快速上升是由SO2和NO2導致提供有效證據支持.

圖11 PM2.5/PM10與相對濕度散點圖

2.3 CPM致PM2.5污染的可能性分析

2.3.1 CPM轉化與PM2.5污染日氣象一致性分析 與PM2.5前體物的二次轉化不同,CPM對PM2.5的轉化與其他氣態污染物在大氣中的含量不存在直接關聯,在靜穩天氣背景下,排放到空氣中的CPM不能及時擴散,即會發生凝結形成PM2.5.與水蒸氣相似,低溫和高濕條件會促進CPM凝結.從季節上看,PM2.5污染高發的采暖季為普遍低溫環境, CPM凝結過程加快.經統計,2016～2020年北京市PM2.5超標日的相對濕度顯著高于未超標日(<0.01).同時,PM2.5/PM10與相對濕度呈顯著正相關(<0.01)(圖11),采暖期線性擬合趨勢更陡峭. PM2.5超標日的PM2.5/PM10和相對濕度起點更高,通常PM2.5/PM10達到0.5以上,相對濕度大于40%.因為PM2.5/PM10存在上限值且普遍偏高,線性趨勢斜率相對減緩,但仍保持明顯的正相關趨勢,隨相對濕度增加,二次污染特征加劇.綜合來看,PM2.5污染時氣象條件符合促進CPM轉化的低溫高濕環境.而采暖季也是CPM的主要排放季節,燃氣鍋爐尾氣和冷卻塔水蒸氣排放大量CPM.

2.3.2 北京市CPM排放量估算 目前北京市基本消除燃煤,工業排放CPM按照天然氣發電廠、天然氣供暖鍋爐予以估算,暫不考慮壁掛爐等難以治理的排放,天然氣發電廠CPM排放源包括冷卻塔和燃燒煙氣兩部分.生活垃圾焚燒發電廠也包括冷卻塔和燃燒煙氣兩部分.由于我國CPM監測制度的缺位,固定源排CPM數據尚無連續監測與統計記錄,無法直接獲取CPM排放數據并建立與空氣質量的關聯關系,因此利用工業能耗數據和專家及文獻給出的指標及參數進行簡要估算.

根據《北京市“十四五”時期供熱發展建設規劃》,截至2020年底,北京市供熱方式以燃氣供熱(含壁掛爐)、熱電聯產供熱和新能源和可再生能源耦合供熱為主,三者合計分擔了全市99%以上的供熱需求,年消耗天然氣實物量累計79.7億m3.基于文獻估算,天然氣燃燒產生水蒸氣量約1.21～1.55kg/ m3[37-39](按標準大氣壓100℃水蒸氣密度0.6kg/m3).按專家估計,廢氣中水蒸氣含CPM的平均濃度為300mg/L.由此計算2020年,北京市各類天然氣供熱方式直接排放CPM總量2940～3705t,與供熱排放NO總量4489t數量相當,遠遠超出供熱排放SO2與PM總量.并且NO和SO2在大氣中只有部分經過氧化過程轉化為PM2.5,北京地區PM2.5源解析研究顯示,NOR值通常在0.1～0.3之間[40-41],假定PM2.5組分中的NO3-全部來自于NO2轉化,結合PM2.5中占比較高的陽離子為NH4+,Na+,Ca2+,K+形成顆粒物質量約為NO3-的1.18～1.63倍,按照NOR=0.3計算最高達到NO2排放質量的50%,且現實中遠遠達不到該水平.相反,CPM除直接燃燒排放水蒸氣攜帶外,也大量存在于冷卻塔排放的水蒸氣當中[42-43].

燃氣電廠顆粒物排放以CPM為主,占TPM的比例高達93.8%～99.2%,平均占比為97.0%[12].超過燃煤電廠和燃煤供暖鍋爐[44].在超低排放鍋爐煙氣中CPM對TPM的質量貢獻明顯,燃氣電廠中CPM占比質量最高,超過燃煤電廠和燃煤供暖鍋爐[44].電廠在運行過程中為了將汽輪機中做功后排入凝汽器中的乏汽冷凝成水,需由循環水泵從冷卻塔抽取大量的冷卻水送入凝汽器,冷卻水吸收乏汽的熱量后再回到冷卻塔冷卻.火電廠每日的耗水量可達10萬t的量級,這也導致冷卻塔的水蒸氣排放問題尤為突出,其中攜帶大量CPM等污染物,因此對天然氣發電廠冷卻塔的水蒸氣及CPM排放情況進行估計.

根據全國排污許可證管理信息平臺提供的數據,當前北京市共有16家火電廠/熱電廠,均使用燃氣鍋爐發電,即北京市火力發電量均為燃氣提供, 2021年火力發電量444.6億kW·h.根據專家估算,除燃燒產生的水蒸氣之外,燃氣電廠晾水塔所造成的的水蒸氣消耗為每度電4kg,同樣按水蒸氣含CPM的平均濃度為300mg/L估計,若滿足全部電廠均安裝冷卻塔的前提假設,2021年北京市燃氣電廠冷卻塔排CPM量最高可達5.3萬t.

生活垃圾焚燒發電行業排放經濕法脫硫的飽和濕煙氣,其中含有大量水蒸氣,攜帶CPM等致霾微粒[45],北京市共12家生活垃圾焚燒發電廠,年處理垃圾量近764萬t,按垃圾含水量35%估算,僅年入爐垃圾中水分可產生煙氣水蒸氣267.4萬t,其中攜帶CPM約800t,數量達到燃氣供暖鍋爐排CPM的1/4,此外另有冷卻塔水蒸氣排放.垃圾焚燒發電行業是不可忽視的CPM排放源.

目前我國固定源脫硫率已達較高水平,無論是在排放量還是環境濃度層面,NO2污染問題遠比SO2嚴重,但PM2.5源解析結果顯示SO42-與NO3-含量相當,也不乏樣本中SO42-是含量最高的無機離子;另有研究得出①隨PM2.5污染加重,SNA中SO42-的占比增加,NO3-的占比保持穩定或減小[10];②大氣中SO42 –降幅小于SO2降幅,SOR有明顯增加趨勢;③SO42 –在PM2.5重污染時占比上升等結論[7, 46-47].而基于固定源排放CPM組分的研究顯示,其中主要的水溶性離子為SO42-、NO3-、Cl-、NH4+,且SO42-通常為含量最高的組分[13,48],可能是PM2.5中SO42-的重要來源.

2.3.2 綜合分析 PM2.5超標日PM2.5/PM10升高趨勢明顯,大量PM2.5源解析研究表明PM2.5重污染時有更加明顯的二次污染特征.作為PM2.5的前體物,CPM凝結和SO2、NO2轉化過程的最大差別即是PM2.5的濃度和PM2.5/PM10變化是否與SO2、NO2濃度存在關聯,基于監測數據的統計分析結果不能為SO2、NO2轉化作為二次PM2.5主要貢獻源提供有效支持.

當前,北京市城市燃氣電廠、燃氣鍋爐、生活垃圾焚燒發電廠等固定源的煙氣和冷卻塔水蒸氣中攜帶大量CPM,能夠在靜穩高濕天氣快速轉化為細顆粒物.固定源排放CPM中主要的水溶性離子為SO42-、NO3-、Cl-、NH4+[13,48],與PM2.5源解析中大氣中PM2.5無機組分中的主要離子SO42-、NO3-、NH4+[29,49-52]相一致.可以為SO2、NO2轉化難以解釋的PM2.5濃度上升現象提供補充性證據.

為繼續推進PM2.5達標與持續改善,建議開展固定源CPM排放監測研究,明確CPM實際排放水平;在排放量確實顯著的情況下,建立諸如美國環境保護署的Method202手冊的CPM檢測與分析技術指導規范.開展CPM減排技術研究,目前已有研究證明①袋式除塵(FF)、靜電除塵(ESP)、低低溫電除塵(LLT-ESP)和濕式電除塵(WESP)等常規顆粒物控制措施對CPM的脫除有一定效果.②煙氣溫度降低有利于CPM減排,通過布設煙氣熱交換器“間接冷卻”和向煙氣中注入冷卻介質“直接冷卻”的方式降低煙溫,可以實現氣相CPM的冷凝,促使CPM 被脫除.③煙氣除濕過程能夠對其中的可凝結顆粒物進行部分脫除,當前我國濕法脫硫,富氧燃燒,天然氣鍋爐煙氣余熱回收等領域都涉及了煙氣除濕技術,對CPM的去除具有積極作用.

3 結論和建議

3.1 2019年開始,北京市PM2.5污染進入以二次污染為主的新階段.2015～2018年隨“煤改氣”行動推進,采暖期PM2.5迅速下降,非采暖期PM2.5平緩下降;2019年后非采暖期PM2.5改善趨勢顯著,而采暖期PM2.5濃度維持穩定,PM2.5污染向采暖期集中.而一次顆粒物PM2.5～10的污染季節分布和年際變化趨勢與PM2.5存在明顯差異,在非采暖期相對濃度更高.阻礙采暖期PM2.5污染繼續改善的因素更可能是二次來源.2015～2021年,北京市SO2、NO2排放量和平均濃度持續下降,但PM2.5二次污染天數無持續削減趨勢,PM2.5超標日中PM2.5二次污染日天數和累計濃度占比持續上升.2018年后,繼續削減SO2、NO對改善PM2.5二次污染不再具有明顯效益.

3.2 CPM可能是2019年后北京市PM2.5污染主要二次來源.排除氣象影響后,并沒有充分證據表明SO2、NO2環境濃度更高的監測點PM2.5二次污染特征更明顯,或PM2.5積累速率更高,這與SO2、NO2作為主要前體物導致PM2.5的假設相矛盾.北京市燃氣鍋爐和垃圾焚燒廠的尾氣和冷卻塔水蒸氣有大量CPM排放,且CPM組分與PM2.5二次無機組分基本一致.PM2.5重污染時多為極易導致CPM快速轉化為細顆粒物的靜穩高濕天氣,CPM可能是重要的二次PM2.5來源.

3.3 CPM治理是新時期PM2.5污染防治的重要任務,建議開展固定源CPM監測驗證、排放標準的修訂以及CPM治理示范工程等.對各類工藝的CPM去除效果進行檢驗,篩選減排效果好的工藝技術建立CPM減排措施指南并進行推廣.對于北京市等以天然氣為主要能源的城市,建議修訂地方法規,規范工業水蒸氣回收過程以去除CPM,對天然氣鍋爐實施排煙溫度控制.

[1] 謝元博,陳 娟,李 巍.霧霾重污染期間北京居民對高濃度PM2.5持續暴露的健康風險及其損害價值評估 [J]. 環境科學, 2014,35(1): 1-8.

Xie Y B, Chen J, Li W. An assessment of PM2.5related health eisks and impaired values of Beijing residents in a consecutive high-level exposure during heavy haze days [J]. Environmental Science, 2014, 35(1):1-8.

[2] 施小明.大氣PM2.5及其成分對人群急性健康影響的流行病學研究進展 [J]. 山東大學學報(醫學版), 2018,56(11):1-11.

Shi X M. Research advances on the epidemiological study on acute health effects of ambient fine particulate matter and related components [J]. Journal of Shandong University (Health Sciences), 2018,56(11):1-11.

[3] 陳 晨,仲 宇,劉園園,等.2013～2018年北京市大氣PM2.5持續高暴露對居民因病入院的急性影響 [J]. 環境科學研究, 2021,34(1): 213-219.

Chen C, Zhong Y, Liu Y Y. Impact of persistent high ambient fine particulate matters exposures on hospitalization in Beijing from 2013 to 2018 [J]. Research of Environmental Sciences, 2021,34(1):213-219.

[4] 馬 楠,趙春生,陳 靜,等.基于實測PM2.5、能見度和相對濕度分辨霧霾的新方法 [J]. 中國科學:地球科學, 2015,45(2):227-235.

Ma N, Zhao C S, Chen J, et al. A novel method for distinguishing fog and haze based on PM2.5, visibility, and relative humidity. Science China: Earth Sciences [J]. 2015,45(2):227-235.

[5] 王桂芝,顧賽菊,陳紀波.基于投入產出模型的北京市霧霾間接經濟損失評估 [J]. 環境工程, 2016,34(1):121-125.

Wang G Z, Gu S J, Chen J B. Assessment of the indirect economic loss caused by heavy haze in Beijing based on input-output model [J]. Environmental Engineering, 2016,34(1):121-125.

[6] 李春華,趙雋宇.北京市霧霾災害農業損失引起的部門間接經濟損失評估 [J]. 中國農學通報, 2017,33(10):118-124.

Li C H, Zhao J Y. Indirect economic loss estimation of inter-industrial sectors: Triggered from agricultural economic loss induced from haze in Beijing [J]. Chinese Agricultural Science Bulletin, 2017,33(10): 118-124.

[7] Wang J Q, Gao J, Che F, et al. Decade-long trends in chemical component properties of PM2.5in Beijing, China (2011～2020) [J]. The Science of the total environment, 2022,832.

[8] 高韓鈺,魏 靜,王躍思.北京南郊區PM2.5中水溶性無機鹽季節變化及來源分析 [J]. 環境科學, 2018,39(5):1987-1993.

Gao H Y, Wei J, Wang Y S. Seasonal variation and source analysis of water-soluble inorganic salts in PM2.5in the southern suburbs of Beijing [J]. Environmental Science, 2018,39(5):1987-1993.

[9] 李 星,趙文吉,熊秋林,等.北京采暖季PM2.5水溶性無機離子污染特征及其影響因素 [J]. 生態環境學報, 2018,27(1):93-100.

Li X, Zhao W J, Xiong Q L, et al. The pollution characteristics and influencing factors of PM2.5inorganic water-soluble ions in Beijing during heating season [J]. Ecology and Environmental Sciences, 2018, 27(1):93-100.

[10] 逄妮妮.京津冀及周邊地區采暖季PM2.5理化性質及其污染成因研究 [D]. 北京:北京化工大學, 2020.

Pang N N. Physicalchemical properties and pollution causes of PM2.5in Beijing-Tianjin-Hebei and its surrounding areas [D]. Beijing: Beijing University of Chemical Technology, 2020.

[11] US EPA. EPA Method 202 Best Practices Handbook (2016) [Z].

[12] 胡月琪,顏 旭,孔 川,等.超低排放高濕廢氣總顆粒物監測方法及燃氣電廠實際測試 [J]. 環境科學, 2020,41(8):3563-3571.

Hu Y Q, Yan X, Kong C, et al. Monitoring method of total particulate matter in ultra-low-emission and high-humidity exhaust gas from stationary sources and an actual test in a gas power plant [J]. Environmental Science, 2020,41(8):3563-3571.

[13] 李小龍,朱法華,段玖祥,等.固定污染源排放可凝結顆粒物研究進展 [J]. 化工進展, 2019,38(11):5091-5102.

Li X L, Zhu F H, Duan J X, et al. Anoverview of condensable particulate matter emission from stationary sources [J]. Chemical industry and engineering progress, 2019,38(11):5091-5102.

[14] 王鵬程,袁 暢,粱勝文,等.超低排放燃煤電廠中濕電除塵器對可凝結顆粒物排放特性的影響 [J]. 環境科學, 2021:1-10.

Wang P C, Yuan C, Liang S W, et al. Effect of WESP on emission characteristics of condensable Particulate Matter from ultra-low emission coal-fired power plants [J]. Environmental Science, 2021: 1-10.

[15] Zhang Z P, Li Y Z, Zhang X Y, et al. Review of hazardous materials in condensable particulate matter [J]. Fuel Processing Technology, 2021,220.

[16] 石愛軍,胡月琪,白志鵬,等.濕法脫硫煙氣中多形態顆粒物的測量方法及組分特征 [J]. 中國環境監測, 2017,33(2):101-109.

Shi A J, Hu Y Q, Bai Z P. Characterizationof the Inorganic Ionic Composition of Multi-state Particulate Matter in Wet Desulfurized Flue Gas from Stationary Sources by a New Assembled Device [J]. Environmental Monitoring in China, 2017,33(2):101-109.

[17] 鄧建國,王 剛,張 瑩,等.典型超低排放燃煤電廠可凝結顆粒物特征和成因 [J]. 環境科學, 2020,41(4):1589-1593.

Deng J G, Wang G, Zhang Y, et al. Characteristics of condensable particulate matter in ultra-low emission coal fired power plants [J]. Environmental Science, 2020,41(4):1589-1593.

[18] Wu Y J, Xu Z Y, Liu S Q, et al. Emission characteristics of PM2.5and components of condensable particulate matter from coal-fired industrial plants [J]. Science of the Total Environment, 2021,796.

[19] 彭 越.燃煤可過濾和可凝結顆粒物中汞的遷移轉化規律研究 [D]. 北京:華北電力大學, 2021.

Peng Y. Study on the emission behavior of particle-bond mercury in condensable particulate matter and filterable particulate matter from coal combustion [D]. Beijing: North China Electric Power University, 2021.

[20] 劉更生,李軍狀,李小龍,等.北京周邊地區典型超低排放燃煤機組顆粒物特征研究 [J]. 電力科技與環保, 2022,38(2):128-134.

Liu G S, Li J Z, Li X L, et al. Characteristics of particulate from typical ultra low emission coal-fired units around Beijing [J]. Electric Power Technology and Environmental Protection, 2022,38(2):128- 134.

[21] 林國輝,楊富鑫,李正鴻,等.燃煤機組顆粒物排放特性及其有機成分分析 [J]. 潔凈煤技術, 2021:1-8.

Lin G H, Yang F X, Li Z H, et al. Analysis of emission characteristics of particulate matter and organic pollutants from coal-fired power plant [J]. Clean Coal Technology, 2021:1-8.

[22] Wang L L, Wu H, Wang Q W, et al. Emission reduction of condensable particulate matter in ammonia-based desulfurized flue gas by heterogeneous vapor condensation [J]. Chemical Engineering and Processing - Process Intensification, 2021,(prepublish).

[23] 唐 堅,楊建輝,陳 鷗,等.氨逃逸過大成為加重大氣霧霾的又一成因 [J]. 中國能源, 2020,42(10):39-41.

Tang J, Yang J H, Chen O, et al. Ammonia escaping from coal-fired power plants has become a new cause that aggravates atmospheric haze [J]. Energy of China, 2020,42(10):39-41.

[24] 高 境,趙傳峰,劉 宇,等.有色煙羽分析及可凝結顆粒物管控技術綜述 [J]. 環境影響評價, 2019,41(3):6-10.

Gao J, Zhao C F, Liu Y, et al. Analysis of colored smoke plumes and introduction of a condensable particulate matter control technology [J]. Environmental Impact Assessment, 2019,41(3):6-10.

[25] 張小曳,孫俊英,王亞強,等.我國霧-霾成因及其治理的思考 [J]. 科學通報, 2013,58(13):1178-1187.

Zhang X Y, Sun J Y, Wang Y Q, et al. Factors contributing to haze and fog in China [J]. Chinese Science Bulletin, 2013,58(13):1178-1187.

[26] Wang L, Li Y Z, Li J W, et al. The state of the art of condensable particulate matter [J]. Fuel, 2022,325.

[27] 李佳霖,張美根.北京冬季不同污染情況下PM2.5傳輸特征模擬研究 [J]. 高原氣象, 2022,41(3):829-838.

Li J L, Zhang M G. Numerical study on transport characteristics of PM2.5under different pollution conditions in Beijing during wintertime [J]. Plateau Meteorology, 2022,41(3):829-838.

[28] 劉旭艷.京津冀PM2.5區域傳輸模擬研究 [D]. 北京:清華大學, 2015.

Liu X Y. Modeling Research on the regional transport of PM2.5over Jing-Jin-Ji region [D]. Beijing: Tsinghua University, 2015.

[29] 李杏茹,白 羽,陳 曦,等.北京冬季重污染過程大氣細顆粒物化學組成特征及來源分析 [J]. 環境化學, 2018,37(11):2397-2409.

Li X R, Bai Y, Chen X, et al. Chemical composition and source apportionment of PM2.5during winter in Beijing [J]. Environmental Chemistry, 2018,37(11):2397-2409.

[30] 劉艷菊,楊 崢,劉慶陽,等.北京4個功能區春冬季大氣重污染期間PM10和PM2.5化學污染特征及影響因素分析 [J]. 環境工程技術學報, 2021,11(4):631-646.

Liu Y J, Yang Z, Liu Q Y, et al. Chemical pollution characteristics of PM10and PM2.5during heavy air pollution in spring and winter in four functional areas of Beijing and their associated influencing factors [J]. Journal of Environmental Engineering Technology, 2021,11(4):631- 646.

[31] 安欣欣,曹 陽,王 琴,等.北京城區PM2.5各組分污染特征及來源分析 [J]. 環境科學, 2022,43(5):2251-2261.

An X X, Cao Y, Wang Q, et al. Chemical characteristic and source appointment of PM2.5in urban area of Beijing [J]. Environmental Science, 2022,43(5):2251-2261.

[32] 索娜卓嘎,譚 麗,周芮平,等.采暖期北京大氣PM2.5中碳組分的分布特征及來源解析 [J]. 中國環境監測, 2018,34(4):54-59.

Suo N Z G, Tan L, Zhou R P, et al. Distribution characteristics and sources apportionent of carbonaceous components in PM2.5during the heating periods in Beijing [J]. Environmental Monitoring in China, 2018,34(4):54-59.

[33] 許云凡,王大瑋,向偉玲,等.基于PM2.5來源解析的減排方案制定 [J]. 中國環境科學, 2021,41(5):2048-2055.

Xu Y F, Wang D W, Xiang W L, et al. Emission reduction scheme based on source apportionment analysis [J]. China Environmental Science, 2021,41(5):2048-2055.

[34] 李 歡,唐貴謙,張軍科,等.2017～2018年北京大氣PM2.5中水溶性無機離子特征 [J]. 環境科學, 2020,41(10):4364-4373.

Li H, Tang G Q, Zhang J K, et al. Characteristics of water-soluble inorganic Ions in PM2.5in Beijing during 2017～2018 [J]. Environmental Science, 2020,41(10):4364-4373.

[35] 姬藝珍,郭 偉,胡正華,等.基于積累速率的汾渭平原秋冬季PM2.5污染特征及影響因素分析 [J]. 環境科學學報, 2021,41(9):3673- 3682.

Ji Y Z, Guo W, Hu Z H, et al. The pollution characteristics and influencing factors of PM2.5in autumn and winter seasons in Fenwei Plain based on accumulation rate [J]. Acta Scientiae Circumstantiae, 2021,41(9):3673-3682.

[36] 胡京南,柴發合,段菁春,等.京津冀及周邊地區秋冬季PM2.5爆發式增長成因與應急管控對策 [J]. 環境科學研究, 2019,32(10):1704- 1712.

Hu J N, Chai F H, Duan J C, et al. Explosive growth of PM2.5during the autumn and winter seasons in the Jing-Jin-Ji and Surrounding Area and its control measures with emergency response [J]. Research of Environmental Sciences, 2019,32(10):1704-1712.

[37] 胡杰鋒.天然氣鍋爐煙氣余熱回收技術及應用研究 [J]. 節能, 2018,37(4):58-60.

Hu J F. Gas waste heat recovery technology and application research of natural gas boiler [J]. Energy Conservation, 2018,37(4):58-60.

[38] 聶 勇,朱 鵬.燃氣鍋爐煙氣余熱利用與凝結水回收探討 [J]. 區域供熱, 2015,(3):64-69,77.

Nie Y, Zhu P. Discussion on waste heat utilization and condensate recovery from flue gas of gas-fired boilers [J]. District Heating, 2015, (3):64-69,77.

[39] 李少巖,劉少平.高效節能板式換熱器在燃氣鍋爐煙氣余熱回收中的應用 [J]. 山東工業技術, 2018,(23):56,38.

Li S Y, Liu S P. Application of high efficiency and energy saving plate heat exchanger in waste heat recovery from flue gas of gas-fired boilers [J]. Shandong Industrial Technology, 2018,(23):56,38.

[40] 賈 佳,韓力慧,程水源,等.京津冀區域PM2.5及二次無機組分污染特征研究 [J]. 中國環境科學, 2018,38(3):801-811.

Jia J, Han L H, Cheng S Y, et al. Pollution characteristic of PM2.5and secondary inorganic ions in Beijing-Tianjin-Hebei region [J]. China Environmental Science, 2018,38(3):801-811.

[41] 張國峰,劉 波,周少磊,等.2016～2018年北京市通州區大氣PM2.5中4種水溶性離子污染特征分析 [J]. 環境衛生學雜志, 2022,12(4): 278-285,307.

Zhang G F, Liu B, Zhou S L,et al. Pollution characteristics of four water-soluble ions in atmospheric PM2.5in Tongzhou District of Beijing, China, 2016～2018 [J]. Journal of Environmental Hygiene, 2022,12(4):278-285,307.

[42] 蘇躍進.水蒸氣和水溶性離子排放對霧霾暴發的影響分析 [J]. 科學與管理, 2019,39(2):55-68.

Su Y J. Analysis of the influence of water vapor and water-soluble ion emission on haze outbreak [J]. Science and Management, 2019,39(2): 55-68.

[43] 馬軍鵬,孫漢明,褚世洋,等.CRECT冷卻塔蒸發水氣回收效率提高措施研究 [J]. 石油化工安全環保技術, 2017,33(1):53-55,70.

Ma J P, Sun H M, Chu S Y, et al. Research on the improvement measures for recovery efficiency of evaporated water from CRECT cooling tower [J]. Petrochemical Safety and Environmental Protection Technology, 2017,33(1):53-55,70.

[44] 胡月琪,王 錚,郭建輝,等.超低排放典型燃燒源顆粒物及水溶性離子排放水平與特征 [J]. 環境科學, 2021,42(5):2159-2168.

Hu Y Q, Wang Z, Guo J H, et al. Emission concentration and characteristics of particulate matter and water-soluble ions in exhaust gas of typical combustion sources with ultra-low emission [J]. Environmental Science, 2021,42(5):2159-2168.

[45] 鄒 貞.垃圾焚燒含濕法脫酸系統的脫白工藝比較 [J]. 節能與環保, 2022,(4):62-64.

Zou Z. Comparison of deacidification processes of wet deacidification system in waste incineration [J]. Energy Conservation & Environmental Protection, 2022,(4):62-64.

[46] 毛書帥,陳 添,富佳明,等.基于在線觀測的北京冬季一次PM2.5重污染過程特征分析 [J]. 安全與環境學報, 2018,18(1):369-374.

Mao S S, Chen T, Fu J M, et al. Characteristic analysis for the thick winter air pollution accidents in Beijing based on the online observations [J]. Journal of Safety and Environment, 2018,18(1):369- 374.

[47] Liu Y Y, WANG J, Zhao X Y, et al. Characteristics, secondary formation and regional contributions of PM2.5pollution in Jinan during Winter [J]. Atmosphere, 2020,11(3).

[48] 孫和泰,黃治軍,華 偉,等.超低排放燃煤電廠可凝結顆粒物排放特性 [J]. 潔凈煤技術, 2021:1-7.

Sun H T, Huang Z J, Hua W, et al. Emission characteristics of condensable particulate matter from an ultra-low emission coal-fired power plant [J]. Clean Coal Technology, 2021:1-7.

[49] 陳 源,謝紹東,羅 彬.成都市大氣細顆粒物組成和污染特征分析(2012～2013年) [J]. 環境科學學報, 2016,36(3):1021-1031.

Chen Y, Xie S D, Luo B. Composition and pollution characteristics of fine particles in Chengdu from 2012 to 2013 [J]. Acta Scientiae Circumstantiae, 2016,36(3):1021-1031.

[50] 趙雪艷,谷 超,楊煥明,等.新疆奎獨烏區域冬季大氣重污染過程PM2.5組成特征及來源解析 [J]. 環境科學研究, 2017,30(10):1515- 1523.

Zhao X Y, Gu C, Yang H M, et al. Chemical composition and source apportionment of PM2.5during a winter air pollution episode in the Kui-Du-Wu Area of Xinjiang Uygur Autonomous Region [J]. Research of Environmental Sciences, 2017,30(10):1515-1523.

[51] 楊孝文,周 穎,程水源,等.北京冬季一次重污染過程的污染特征及成因分析 [J]. 中國環境科學, 2016,36(3):679-686.

Yang X W, Zhou Y, Cheng S Y, et al. Characteristics and formation mechanism of a heavy winter air pollution event in Beijing [J]. China Environmental Science, 2016,36(3):679-686.

[52] 劉倬誠,牛月圓,吳 婧,等.山地型城市冬季大氣重污染過程特征及成因分析[J]. 環境科學, 2021,42(3):1306-1314.

Liu Z C, Niu Y Y, WU J, et al. Characteristics and cause analysis of heavy air pollution in a mountainous city during winter. [J]. Environmental Science, 2021,42(3):1306-1314.

Assessing the impact of condensable particulate matter emissions on PM2.5pollution in Beijing.

LI Hong-lin, SONG Guo-jun*, JIANG Yi-jing, JIANG Xiao-qun, LI Chen, SHI Yu

(School of Environment & Natural Resources, Renmin University of China, Beijing 100872)., 2023,43(12)：6301～6312

Condensable particulate matter (CPM) is recognized as a precursor to PM2.5. Extensive industrial research in China reveals substantial CPM emissions from coal and gas-fired boilers, cooling towers, and other sources, all potentially contributing to haze formation. Despite its notable impact, CPM is seldom considered in cause analyses of PM2.5emissions. An analysis of Beijing's air quality monitoring data reveals a significant increase in the PM2.5/PM10ratio during periods when PM2.5levels exceed standard limits, indicating a clear and growing trend of secondary pollution. In contrast, the emissions and ambient concentrations of traditional primary precursors, such as SO2and NO2, are decreasing, displaying no significant correlation with PM2.5/PM10ratios or PM2.5accumulation rates. Our estimates suggest that the contribution to PM2.5in ambient air in Beijing from CPM emissions from gas heating sources is at least equivalent to that from NO. Additionally, static and high-humidity conditions, conducive to PM2.5pollution, likely intensify CPM agglomeration and conversion. This study suggests a substantial, previously underestimated, impact of CPM on Beijing's PM2.5secondary pollution and underscores the need for regulatory oversight on CPM emissions. We recommend the implementation and promotion of advanced technologies for the concurrent benefits of water vapor and waste heat recycling, alongside efficient haze reduction.

PM2.5；condensable particulate matter；analysis of emission cause

X513

A

1000-6923(2023)12-6301-12

李虹霖,宋國君,姜藝婧,等.可凝結顆粒物排放對北京市PM2.5污染的影響估計 [J]. 中國環境科學, 2023,43(12):6301-6312.

Li H L, Song G J, Jiang Y J, et al. Assessing the Impact of Condensable Particulate Matter Emissions on PM2.5Pollution in Beijing [J]. China Environmental Science, 2023,43(12):6301-6312.

2023-05-08

*責任作者, 教授, songguojun@ruc.edu.cn

李虹霖(1994-),女,山東煙臺人,中國人民大學博士研究生,主要從事環境政策分析和空氣質量管理研究.發表論文4篇. lhl1994@ruc.edu.cn.