劉細鳳

安科瑞電氣股份有限公司 上海嘉定 201801

摘要：以北京市餐飲企業分布密度較大的西城區為案例區,通過對研究區域內餐飲企業進行實地污染物檢測及排放活動水平調查,計算得到基于就餐人數、就餐時間、烹飪油用量和灶頭數4種核算基準的餐飲業VOCs和PM2.5排放因子,并利用排放因子法分別估算該區域在餐飲廢氣凈化設備升級改造前后餐飲企業VOCs和PM2.5年排放量。結果表明:本研究區域餐飲業廢氣凈化設備升級改造前VOCs排放量范圍為319.03~506.38t/a,改造后為92.14~109.89t/a；改造前PM2.5排放量范圍為166.55~211.09t/a,改造后為30.22~36.05t/a,排放量明顯減少。餐飲業廢氣凈化設備改造后VOCs和PM2.5減排率分別為71%~82%和80%~86%,餐飲業廢氣凈化設備升級改造減排效果良好。計算得到以街道為單元的餐飲源VOCs和PM2.5排放強度范圍分別為1.45~4.32t/km2和0.47~1.42t/km2。通過PM2.5實測濃度(小時值)數據分析,餐飲業廢氣凈化設備升級改造前、后PM2.5濃度平均減少了28.9%,接近于用油量為核算基準的排放因子降低比例。

關鍵詞：北京典型城區；餐飲業；VOCs；PM2.5；排放因子；排放量；監測云平臺；安科瑞

0.引言

為應對嚴重的大氣污染,北京市自1998年開始連續實施大氣污染綜合治理,空氣質量明顯變化。但是,2017年PM2.5年均濃度仍超過國家空氣質量標準66%。此外,揮發性物(VOCs)是大氣環境中二次細顆粒物和O3的重要前體物,科學管控VOCs的排放對協同防控PM2.5和O3有重要作用。目前,北京大氣污染已進入綜合治理階段,以能源結構調整和工業減排措施為主的治理效果逐步減弱,生活源大氣污染物排放的貢獻逐漸引起重視。近年來北京市餐飲業發展迅猛,對大氣環境中VOCs和顆粒物等有重要的貢獻,對城市局部大氣質量及人體健康產生不利影響。

餐飲行業是重要的大氣污染源,但人們對其實際存在狀況、活動水平及排放量的了解有限。餐飲業大氣污染物排放因子及排放量核算是控制餐飲業大氣污染的重要依據。準確可靠的排放因子的獲取尤為重要,但存在較大的困難。近年來,北京市域內餐飲業大氣污染物排放特征研究陸續涌現,但針對城區特定區域的餐飲業大氣污染物排放情況研究聚焦較少,且尚未建立涵蓋不同規模、不同核算基準的排放因子。因餐飲行業類型眾多,排放污染物組分復雜,活動水平信息的獲取也存在一定局限性,大部分餐飲業活動水平數據來自統計年鑒,部分數據僅有數據或無數據,因此排放量估算存在較大的誤差。

本文基于北京市典型城區餐飲行業調查和實測數據,開展餐飲業廢氣中VOCs和PM2.5排放因子和排放量核算實證研究,建立北京市城區餐飲業廢氣中VOCs和PM2.5本地化排放因子并估算排放量。

1. 方法與數據

1.1 監測數據

選擇北京市西城區為研究區域.研究區域總面積50.70km2,下轄15個街道,共計261個社區,常住人口117.9萬人。該區域餐飲企業分布密集,平均密度約100家/km2,2018年營業額高達90.6億元。

2019年北京市推進餐飲業大氣污染控制工程,各餐飲服務單位陸續開展廢氣凈化設備升級改造。本研究在2019年先后檢測2組餐飲企業廢氣樣本,其中包括未進行廢氣凈化設備升級改造(廢氣凈化設備升級改造前)餐飲企業42家(小型餐飲8家、中型20家、大型14家)和完成廢氣凈化設備升級改造(廢氣凈化設備升級改造后)餐飲企業33家(11家、中型14家、大型8家)。升級改造前、后餐飲樣本選擇同類型廢氣凈化設備進行采樣。每組樣本中燒烤(含燃氣燒烤、電燒烤、炭火燒烤)類、烤鴨類(含果木烤鴨、電烤鴨)、川湘菜、本幫江浙菜、家常菜、快餐(含中式、西式)、食堂餐飲占比均勻,檢測樣本類別的選取具有區域代表性。同時采集樣本餐飲企業標態干廢氣流量(m3/h)和折算后實際使用灶頭數(個)等相關指標。

為構建本地化排放因子庫,對研究區域內上述餐飲企業進行抽樣檢測,實地檢測餐飲業廢氣中顆粒物和非甲烷總烴(NMHC)污染物濃度。參考北京市地方標準DB11/1488-2018,使用“非甲烷總烴(NMHC)"作為VOCs的綜合控制指標.樣品采集選擇在餐飲廢氣排放單位作業(炒菜、食品加工或其他產生油煙的操作)高峰期進行,選擇了在午餐高峰時段11:00~13:00,和晚餐高峰時段18:00~20:00進行采樣。采樣位置優先選擇垂直管段,且避開煙道彎頭和斷面急劇變化部位。

1.2 采樣方法

使用TH-880F微電腦煙塵平行采樣儀(武漢市天虹儀表有限責任公司)進行顆粒物采樣,采樣管由S型皮托管、熱電偶或鉑電阻溫度計和采樣頭組成。使用從天津華翼科技有限公司采購的A型濾芯,其外殼材質為聚丙烯,內置雙層濾膜,一層濾膜為聚丙烯纖維濾膜,孔徑1~3μm,二層為超細玻璃纖維濾膜。此類型濾芯對于0.3μm標準粒子的截留效率≥99.95%。濾芯使用前經過101A-1E型電熱鼓風干燥箱(上海實驗儀器廠有限公司)干燥2h,干燥溫度為(60±1)℃,自然冷卻后,放入玻璃干燥器內,室溫下干燥12h。將濾芯用來自梅特勒-托利多國際貿易(上海)有限公司的XS205型電子天平稱量至恒重。采樣前,將組合采樣管放入煙道內測得排氣靜壓、測點動壓、溫度等參數,使用濕度儀測得煙氣水分含量,計算出采樣嘴的內徑。選擇對應采樣嘴內徑的濾芯(濾芯采樣嘴內徑一般為6,8,10和12mm)進行采樣,采樣步驟按照DB11/T1485-2017進行。

采用氣袋法采集非甲烷總烴樣品,采樣時將采樣管加熱并保持在(120±5)℃,10L的氣袋用樣品氣清洗3次,連續采集3個樣品,每個樣品采集時間宜不少于20min,采氣量均不小于10L。結束采樣后樣品應立即放入樣品保存箱內保存,直至樣品分析時取出,采樣步驟按照《固定污染源廢氣揮發性物的采樣氣袋法》(HJ732-2014)進行。

1.3 分析方法

顆粒物的分析方法采用手工稱重法.根據DB11/T1485-2017[9],采用煙道內過濾的方式,按照顆粒物等速采樣原理,使用濾芯采集餐飲廢氣中的顆粒物,通過101A-1E型電熱鼓風干燥箱(上海實驗儀器廠有限公司)除去水分后,由采樣前后濾芯的質量差除以標干采樣體積,計算出顆粒物的質量濃度。采樣時間均不少于15min,每次平行采集3個樣品。采樣后濾芯運回實驗室后,從密封袋中取出并放入玻璃干燥器內,在室溫下干燥12h后,還用XS205型分析天平稱量至恒重。

采用氣相色譜法對非甲烷總烴進行檢測。根據HJ38-2017[11],將氣體樣品直接注入具備氫火焰離子化檢測器的7820A型氣相色譜儀(安捷倫科技(中國)有限公司),分別在總烴柱和甲烷柱上測定總烴和甲烷的含量,兩者之差即為非甲烷總烴的含量。同時以除烴空氣代替樣品,測定氧在總烴柱上的響應值,以扣除樣品中的氧對總烴測定的干擾。實驗中色譜分析條件為:空氣流速400mL/min;進樣口溫度120℃；柱箱溫80℃；檢測器溫度200.℃購買5個濃度梯度的甲烷標準氣體分別繪制總烴、甲烷的校準曲線,進樣量1.0mL。再取1.0mL待測樣品測定樣品中總烴和甲烷的峰面積,總烴峰面積應扣除氧峰面積后參與計算。

1.4 餐飲業活動水平調查數據

餐飲業活動水平數據是污染物排放量計算的重要參數。本文中餐飲業主要的活動水平數據綜合以下來源獲得:①環境部門2019年對餐飲源污染物產生的普查數據；②相關行政管理部門、行業協會等公布的信息與資料。

2019年北京市開展了《餐飲業大氣污染排放標準》(DB11/1488-2018)發布后的對餐飲源污染物產生的普查,實現全區域餐飲服務單位清查。由于研究區域餐飲企業數量密度較大,普查工作制定了清查建庫、入戶調查、數據審核、質量抽查及匯總上報等一系列工作任務。建立的臺賬包括單位名稱、詳細地址、統一社會信用代碼、經營面積(m2)、經營天數(d)、年度日均經營時間(h)、固定灶頭數(個)、烹飪油使用量(kg/a)、客流量(人/a)、年營業額(當年價格,萬元)等指標。此次調查中的餐飲服務單位包括獨立經營的餐飲服務機構,賓館、酒店、度假村等場所內經營性餐飲部門,設于、事業單位、社會團體、民辦非企業單位、企業等供應內部職工、學生等集中就餐的單位食堂和廚房等集體用餐加工服務機構,覆蓋研究區域內所有產生餐飲大氣污染物的服務單位。

企業規模是影響餐飲企業PM2.5排放因子的重要因素。根據北京市《餐飲業大氣污染物排放標準》(DB11/1488-2018)中餐飲服務單位規模劃分標準,選取其中較易獲得的劃分指標對所調查的餐飲服務企業進行規模劃分(表1)。其中,不同方式判斷規模不一致的,餐飲服務單位的規模類別以大者計。

表1餐飲服務單位規模劃分

研究區域共有餐飲企業3400余家,按照表2劃分餐飲業規模的標準,本研究區域有小型餐飲企業1300余家、中型餐飲企業1300余家、大型餐飲700余家。

根據檢測數據和餐飲服務單位普查數據,獲取不同規模餐飲業的基礎數據參數。本研究對樣本數據進行了Shapiro-Wilk正態分布檢驗,隨機變量服從對數正態分布則取幾何平均值,不服從對數正態分布的則取中位數。抽樣餐飲企業基本數據參數見表2和表3。

表2廢氣凈化設備升級改造前餐飲企業基本數據參數

表3廢氣凈化設備升級改造后餐飲企業基本數據參數

1.5 餐飲業大氣污染物年排放總量估算方法

根據《城市大氣污染物排放清單編制技術手冊》[13],源排放清單污染物有PM10、PM2.5、BC、OC和VOCs。本文主要對PM2.5和VOCs排放總量進行估算.采用的核算方法為排放因子法。根據餐飲業行業特點,通常選取就餐人數、就餐時間、食用油用量和灶頭數4項便于統計的指標為核算基準來計算相對應大氣污染物排放因子。結合煙氣排放量、污染物排放濃度以及餐飲企業的數量等進行污染物排放量估算。不同核算基準存在一定的不確定性,吳雪偉等認為以用油量為基準的不確定性小,如PM2.5和VOCS的不確定性分別為31%和61%。吳芳谷等對研究發現,油煙中排出的顆粒物主要為細粒子,PM2.5占餐飲廢氣顆粒物的76.91%。

餐飲企業i以第j種核算基準的排放量Eij計算采用下面的公式:

式中:Ai為餐飲企業i活動水平,針對不同核算基準的排放因子取相對應的Ai值；EFj為第j種核算基準對應的排放因子,(g/kg)、(g/人)、(g/h)、[g/(h.個)]。本研究中,排放因子EFj以不同核算基準分別計算獲得。

第j種核算基準對應的排放因子EFj計算公式如下:

式中:cj為第j種污染物實測濃度,mg/m3；U為實測餐飲企業廢氣排放量,m3/h；Y為實測餐飲企業食用油年使用量,t；T為實測用餐時間,h；Z為實測餐飲企業基準灶頭數,個；R為實測餐飲企業用餐人數,人次。

本研究中不同餐飲企業活動水平A按餐飲規模計算統計得出,見表4。計算∑A時,∑A(用餐時間)、∑A(用油量)和∑A(用餐人數)均需考量年均經營時間(h)范圍。

表4不同餐飲規模餐飲企業活動水平

1. 結果與討論

2.1 餐飲業廢氣中VOCs和PM2.5排放因子

通過(2)~(5)式計算得到分別以用油量、灶頭數、用餐人數和用餐時間為核算基準的餐飲業廢氣VOCs和PM2.5排放因子,如表5所示。表6是按照不同規模餐飲企業核算的排放因子?？梢?span style=";padding: 0px;list-style-type: none;box-sizing: border-box">,不同核算基準的排放因子差異較大。升級改造前,基于用餐時間的VOCs和PM2.5排放因子分別為42.35和17.66g/h,明顯大于基于用餐人數的VOCs和PM2.5排放因子1.22和0.51g/人。因此,排放因子的參考基準不同影響了排放因子的值,且參考基準的實際情況因地域而異,需要獲得不同核算基準下的本地化排放因子。本研究得到升級改造后以用油量為核算基準的VOCs排放因子11.62g/kg與秦之湄等獲得的成都市的值13.8g/kg接近,但顯著高于王秀艷等獲得的沈陽市的值5.03g/kg。因此,需獲取本地化、易于計算并符合實際的排放因子,才能準確掌握餐飲企業排放對環境空氣質量直接或潛在的影響。

表5基于不同核算基準的餐飲業污染物排放因子

表6不同規模餐飲業不同核算基準的排放因子

從表5可見,不論以何種核算基準計算得出的排放因子,廢氣凈化設備升級改造后的餐飲業VOCs和PM2.5排放因子均比改造前明顯減小,分別降低了67.3%~82.2%和74.3%~86.0%但是,不同規模餐飲企業油煙污染治理效果存在一定差異,如表6所示。調查數據表明,大型餐飲企業均已全部安裝有油煙凈化設施,污染物排放因子下降明顯。中型餐飲企業VOCs和PM2.5排放因子下降幅度相對較小。中型餐飲企業數量占比和客流量較大,但存在未按要求啟用凈化設備,未定期清洗油煙凈化設備,和未及時更換炭及分子篩等吸附材料等現象。穆桂珍等研究也表明目前餐飲企業油煙凈化設施“重安裝,輕維護"的現象依然十分普遍。部分小型餐飲企業油煙凈化裝置缺乏及時的維護,排風量與灶頭數量不匹配也導致靜電油煙凈化器處理效果大打折扣。

1.2   餐飲業廢氣VOCs和PM2.5排放量

根據式(1)以及表5中的排放因子,核算出本研究區域全部餐飲企業2019年VOCs和PM2.5的排放量(表7)。

表7餐飲廢氣凈化設備升級改造前、后VOCs和PM2.5排放量(t/a)

本研究區域在餐飲業廢氣凈化設備升級改造前,不同核算基準得到VOCs排放量較大值為506.38t/a,較小值為319.03t/a;PM2.5排放量較大值為211.09t/a,較小值為166.55t/a。其中,VOCs和PM2.5排放量較大值均是以就餐時間為核算基準計算獲得的,但較小值分別是以用油量和就餐人次為核算基準計算獲得。假定區域內餐飲業廢氣凈化設備全部進行升級改造,則升級改造后,VOCs和PM2.5排放量范圍分別為92.14~109.89/a和30.22~36.05t/a.這時,較大值均是以灶頭數為核算基準計算獲得,較小值均是以就餐時間為核算基準計算獲得。這表明凈化設備改造后就餐時間不再是影響排放量主要的約束因素。在實際監督管理過程中,應督促餐飲企業及時進行餐飲廢氣凈化設備升級改造,進行餐飲業用油量、灶頭數量和就餐人次的管控。根據以上結果,餐飲廢氣凈化設備升級改造后,餐飲源VOCs減排率為71%~82%,PM2.5減排率達到80%~86%。

以街道為單元,對VOCs和PM2.5排放量貢獻占比較大的街道為展覽路街道(17.46%),月壇街道(12.68%),金融街街道(12.44%),德勝街道(8.73%)。通過餐飲企業的位置、數量、排放量及地區占地面積,獲得不同街道餐飲業VOCs和PM2.5年度排放強度分別為1.45~4.32t/km2和0.47~1.42t/km2。其中VOCs排放強度較大的5個街道分別為陶然亭街道(4.32t/km2)、大柵欄街道(4.23t/km2)、新街口街道(4.03t/km2)、月壇街道(3.90t/km2)和金融街街道(3.08t/km2).餐飲源PM2.5排放強度較小的街道為廣安門外街(0.47t/km2),排放強度較大為陶然亭街道(1.42t/km2)。

為驗證廢氣凈化設備升級改造前后對大氣中PM2.5含量的影響效果,選擇在7月(升級改造前)和10月(升級改造后)兩個時間段,對研究區域中餐飲企業分布密集社區進行了PM2.5監測。鑒于大氣污染物存在明顯的季節變化,把實測值減去當月的平均值得到差值(PM2.5)進行對比(圖1)。從圖1可看出,改造后PM2.5比改造前明顯降低,尤其在早餐(05:30~08:30)、午餐(10:30~13:30)和晚餐(16:00~19:00)時段。此外,由于兩次測值是在不同年段完成的,除排放外,大氣污染物還會受到天氣以及輸送變化的影響,導致個別改造后的測值大于改造前的。將對應的改造前后早午晚餐時段PM2.5進行了差異性檢驗,兩獨立樣本非參數檢驗結果顯示各抽樣社區PM2.5濃度實測值在凈化設備改造前后變化呈現顯著性差異(P<0.05),即區域PM2.5排放濃度經過餐飲廢氣凈化設備升級改造后有明顯的降低。

通過實測值計算,在月壇街道鐵二二社區,牛街街道東里社區,金融街街道豐匯園社區和大柵欄街道煤市街東社區早中晚餐時段PM2.5分別減少了26.9%,25.1%,32.9%和30.8%.4個社區平均減少了28.9%,較接近于以用油量為核算基準的排放因子降低比例。

圖1餐飲企業分布密集社區廢氣改造設備升級前后實測PM2.5濃度比較

3.安科瑞AcrelCloud3500監測云平臺

為了彌補現存餐飲行業在煙油監測上的漏洞，同時便利監管部門的監察，安科瑞油煙監測云平臺應運而生。油煙監測模塊通過2G/4G與云端平臺進行通信和數據交互，系統能夠對企業餐飲設備的開機狀態、運行狀態進行監控；實現開機率監測，凈化效率監測，設施停運

告警，待清洗告警，異常告警等功能；對采集數據進行統計分析、排名等統計功能；較之傳統的靜電監測方案，更具實效性。平臺預留與其他應用系統、設備交互對接接口，具有很好的擴展性。

3.1平臺結構

平臺GIS地圖采集處理設備運行狀態和油煙排放的濃度數據，自動對超標排放及異常企業進行提示預警，監管部門可迅速進行處理，督促餐飲企業整改設備，并定期清洗、維護，實現減排環保，不擾民等目的?，F場安裝監測終端，持續監測油煙凈化器的工作狀態，包括設備運行的電流、電壓、功率、耗電量等等，同時結合排煙口的揮發性物質、顆粒物濃度等進行對比分析，一旦排放超標，系統會發出異常信號。

■油煙監測設備用來監測油煙、顆粒物、NmHc等數據

■凈化器和風機配合對油煙進行凈化處理，同時對凈化設備的電流、電壓進行監測

■設備通過4G網絡將采集的數據上傳至遠程云端服務器

3.2平臺主要功能

（1）在線監測

對油煙排污數據的監測，包括油煙排放濃度，顆粒物，NmHc等數值采集監測；同時對監控風機和凈化器的啟停狀態、運行數據進行監測。

(2)告警數據監測

系統根據采集的油煙數值大小，產生對應的排放超標告警；對凈化器的運行數據分析，上傳凈化設備對應的運行、停機、故障等告警事件。

(3)數據分析

運行時長分析，離線分析；告警占比、排名分析；歷史數據統計等。

(4)隱患管理

系統對采集的告警數據分析，產生對應的隱患記錄，派發、處理隱患，及時處理告警，形成閉環。

(5)統計分析

包括時長分析、超標分析、歷史數據、分析報告等模塊。

(6)基礎數據維護

個人信息、權限維護，企業信息錄入，對應測點信息錄入等。

(7)數據服務

數據采集，短信提醒，數據存儲和解析。

3.3油煙監測主機

油煙監控主機是現場的管理設備，實時采集油煙濃度探測器和工況傳感器的信號，進行數據處理，通過有線或無線網絡通訊將數據傳輸到服務器平臺。同時，對本地數據進行存儲，監控現場設備狀態，提供人機操作界面。

具體技術參數如下：

4.結語

1）通過對研究區域內餐飲企業進行實地檢測數據及活動水平調查,分別得到了基于就餐人數、就餐時間、食用油用量和灶頭數4項核算基準的餐飲業VOCs和PM2.5排放因子,但4種核算基準的排放因子差異較大,需要進一步本地化檢驗。

2）本研究區域餐飲業廢氣凈化設備升級改造前,VOCs排放量范圍為319.03~506.38t/a,改造后為92.14~109.89t/a；PM2.5排放量范圍改造前為166.55~211.09t/a,改造后為30.22~36.05t/a,經過餐飲業廢氣凈化設備升級改造后VOCs及PM2.5排放量分別減少了71%~82%和80%~86%。

3）計算得到以街道為單元的餐飲業VOCs及PM2.5排放強度,VOCs排放強度范圍1.45~4.32t/km2,PM2.5排放強度范圍0.47~1.42t/km2。通過餐飲源VOCs和PM2.5排放強度情況的定量計算,便于有針對性的開展相應區域餐飲源大氣污染物治理工作。

4）通過對典型社區PM2.5濃度(小時值)抽樣檢測餐飲廢氣凈化設備升級改造前、后PM2.5濃度平均減少比例為28.9%,較接近于用油量為核算基準的排放因子降低比例。進一步說明餐飲業廢氣凈化設備升級改造對于PM2.5減排。

【參考文獻】

[1]鄭君瑜,王水勝,黃志烔,等.區域高分辨率大氣排放源清單建立的技術方法與應用[M].北京:科學出版社,2014:124-161.

[2]張洋,支國瑞,薛志剛,等.餐飲行業活動水平調查及大氣污染物排放清單編制研究[J].環境科學研究,2019,32(6):929-937.

[3]孫成一,白畫畫,陳雪,等.北京市餐飲業大氣污染物排放特征[J].環境科學,2020,41(6):2596-2601.

[4]馬殊瓊,林偉立,夏建新.北京市典型城區餐飲業VOCs和PM2.5排放量估算[J].中國環境科學2021,41（5）：2090-2096

[5]安科瑞AcrelCloud-3500監測云平臺.2020.05版.

作者簡介：

劉細鳳，女，現任安科瑞電氣股份有限公司，主要從事監測的研發與應用。