沈建伟
安科瑞电气股份有限公司 上海嘉定 201801
摘要：以北京市餐饮企业分布密度较大的西城区为案例区,通过对研究区域内餐饮企业进行实地污染物检测及排放活动水平调查,计算得到基于就餐人数、就餐时间、烹饪油用量和灶头数4种核算基准的餐饮业VOCs和PM2.5排放因子,并利用排放因子法分别估算该区域在餐饮废气净化设备升级改造前后餐饮企业VOCs和PM2.5年排放量。餐饮业废气净化设备改造后VOCs和PM2.5减排率分别为71%~82%和80%~86%,餐饮业废气净化设备升级改造减排效果良好。
关键词：北京典型城区；餐饮业；VOCs；PM2.5；排放因子；排放量；餐饮油烟监测云平台；安科瑞
0.引言
为应对严重的大气污染,北京市自1998年开始连续实施大气污染综合治理,空气质量明显变化。但是,2017年PM2.5年均浓度仍**过国家空气质量标准66%。此外,挥发性物(VOCs)是大气环境中二次细颗粒物和O3的重要前体物,科学管控VOCs的排放对协同防控PM2.5和O3有重要作用。
本文基于北京市典型城区餐饮行业调查和实测数据,开展餐饮业废气中VOCs和PM2.5排放因子和排放量核算实证研究,建立北京市城区餐饮业废气中VOCs和PM2.5本地化排放因子并估算排放量。
1. 方法与数据
企业规模是影响餐饮企业PM2.5排放因子的重要因素。根据北京市《餐饮业大气污染物排放标准》(DB11/1488-2018)中餐饮服务单位规模划分标准,选取其中较易获得的划分指标对所调查的餐饮服务企业进行规模划分(表1)。其中,不同方式判断规模不一致的,餐饮服务单位的规模类别以大者计。
表1餐饮服务单位规模划分
研究区域共有餐饮企业3400余家,按照表2划分餐饮业规模的标准,本研究区域有小型餐饮企业1300余家、中型餐饮企业1300余家、大型餐饮700余家。
根据检测数据和餐饮服务单位普查数据,获取不同规模餐饮业的基础数据参数。本研究对样本数据进行了Shapiro-Wilk正态分布检验,随机变量服从对数正态分布则取几何平均值,不服从对数正态分布的则取中位数。抽样餐饮企业基本数据参数见表2和表3。
表2废气净化设备升级改造前餐饮企业基本数据参数
表3废气净化设备升级改造后餐饮企业基本数据参数
3.安科瑞AcrelCloud3500餐饮油烟监测云平台
为了弥补现存餐饮行业在烟油监测上的漏洞，同时便利监管部门的监察，安科瑞油烟监测云平台应运而生。油烟监测模块通过2G/4G与云端平台进行通信和数据交互，系统能够对企业餐饮设备的开机状态、运行状态进行监控；实现开机率监测，对采集数据进行统计分析、排名等统计功能。平台预留与其他应用系统、设备交互对接接口，具有很好的扩展性。
3.1平台结构
平台GIS地图采集餐饮油烟处理设备运行状态和油烟排放的浓度数据，自动对**标排放及异常企业进行提示预警，监管部门可*进行处理，督促餐饮企业整改设备，并定期清洗、维护，实现减排环保，不扰民等目的。
■油烟监测设备用来监测油烟、颗粒物、NmHc等数据
■净化器和风机配合对油烟进行净化处理，同时对净化设备的电流、电压进行监测
■设备通过4G网络将采集的数据上传至远程云端服务器
3.2平台主要功能
（1）在线监测
对油烟排污数据的监测，包括油烟排放浓度，颗粒物，NmHc等数值采集监测；同时对监控风机和净化器的启停状态、运行数据进行监测。
(2)告警数据监测
系统根据采集的油烟数值大小，产生对应的排放**标告警；对净化器的运行数据分析，上传净化设备对应的运行、停机、故障等告警事件。
(3)数据分析
运行时长分析，离线分析；告警占比、排名分析；历史数据统计等。
(4)隐患管理
系统对采集的告警数据分析，产生对应的隐患记录，派发、处理隐患，及时处理告警，形成闭环。
(5)统计分析
包括时长分析、**标分析、历史数据、分析报告等模块。
(6)基础数据维护
个人信息、权限维护，企业信息录入，对应测点信息录入等。
(7)数据服务
数据采集，短信提醒，数据存储和解析。
3.3油烟监测主机
油烟监控主机是现场的管理设备，实时采集油烟浓度探测器和工况传感器的信号，进行数据处理，通过有线或无线网络通讯将数据传输到服务器平台。同时，对本地数据进行存储，监控现场设备状态，提供人机操作界面。
具体技术参数如下：
4.结语
1）通过对研究区域内餐饮企业进行实地检测数据及活动水平调查,分别得到了基于就餐人数、就餐时间、食用油用量和灶头数4项核算基准的餐饮业VOCs和PM2.5排放因子,但4种核算基准的排放因子差异较大,需要进一步本地化检验。
2）计算得到以街道为单元的餐饮业VOCs及PM2.5排放强度,VOCs排放强度范围1.45~4.32t/km2,PM2.5排放强度范围0.47~1.42t/km2。通过餐饮源VOCs和PM2.5排放强度情况的定量计算,便于有针对性的开展相应区域餐饮源大气污染物治理工作。