上海交通大学学报

上海交通大学学报, 2024, 58(5): 600-609 doi: 10.16183/j.cnki.jsjtu.2022.437

新型电力系统与综合能源

考虑减排对能源需求潜在影响的沿海城市碳减排路径动态优化

肖银璟1, 张迪2, 魏娟,2, 葛睿3, 陈达伟1, 杨桂兴4, 叶志亮1

1.上海交通大学 电子信息与电气工程学院, 上海 200240

2.湖南大学 电气与信息工程学院, 长沙 410082

3.国家电力调度控制中心, 北京 100031

4.国家电网新疆电力有限公司,乌鲁木齐 830000

Dynamic Optimization of Carbon Reduction Pathways in Coastal Metropolises Considering Hidden Influence of Decarbonization on Energy Demand

XIAO Yinjing1, ZHANG Di2, WEI Juan,2, GE Rui3, CHEN Dawei1, YANG Guixing4, YE Zhiliang1

1. School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China

2. College of Electrical and Information Engineering, Hunan University, Changsha 410082, China

3. National Electric Power Dispatching and Control Center, Beijing 100031, China

4. State Grid Xinjiang Electric Power Co.,Ltd., Urumqi 830000, China

通讯作者: 魏 娟,助理研究员;E-mail:weijuanba@hnu.edu.cn.

责任编辑: 王历历

收稿日期: 2022-11-1   修回日期: 2023-01-3   接受日期: 2023-01-4  

基金资助: 国家自然科学基金(51977062)

Received: 2022-11-1   Revised: 2023-01-3   Accepted: 2023-01-4  

作者简介 About authors

肖银璟(1998-),硕士生,从事电力系统规划研究.

摘要

制定合理的沿海城市碳减排规划是实现全球碳目标的关键环节.碳减排将改变城市气候并影响能源需求,这两者都会影响碳减排路径的优化结果.现有扩容规划模型考虑了直接减排贡献并能解决大部分能源系统长期碳减排路径规划问题,但新型电力系统的建设也会通过改变热岛强度等微气候因素间接影响碳排放.考虑碳排放和热排放变化对空调等负荷需求的潜在影响机理,结合扩容规划与碳排放峰值预测,给出沿海城市碳减排路径动态优化方法.以上海浦东地区作为算例,证实所提方法能有效降低碳减排估计成本,并根据仿真结果对沿海城市碳减排提出建议.

关键词： 动态优化; 碳减排; 扩容规划; 微气象; 负荷预测

Abstract

Setting a reasonable carbon reduction plan in coastal metropolises is the key part to reach the global carbon target. Carbon reduction will change urban climate and influence energy demand, both of which affect the optimization results of carbon reduction pathways. Current generation expansion optimization models consider direct abatement contribution and solve most problems of planning for long-term carbon emission reduction in energy systems. However, the construction of new type power systems also indirectly impacts carbon emissions by changing microclimate factors such as heat island intensity. By combining generation expansion with carbon emission prediction model, the proposed approach in this paper considers the hidden mechanism of carbon and heat emission change on air-conditioning loads and dynamically optimizes the carbon reduction pathways in coastal metropolises. Taking Pudong Area in Shanghai as an example, the estimated cost of carbon reduction is reduced by the proposed approach. Some suggestions for the carbon reduction in coastal metropolises are made according to the simulation results.

Keywords： dynamic optimization; carbon emission reduction; power system planning; microclimate; load forecasting

PDF (1733KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

肖银璟, 张迪, 魏娟, 葛睿, 陈达伟, 杨桂兴, 叶志亮. 考虑减排对能源需求潜在影响的沿海城市碳减排路径动态优化[J]. 上海交通大学学报, 2024, 58(5): 600-609 doi:10.16183/j.cnki.jsjtu.2022.437

XIAO Yinjing, ZHANG Di, WEI Juan, GE Rui, CHEN Dawei, YANG Guixing, YE Zhiliang. Dynamic Optimization of Carbon Reduction Pathways in Coastal Metropolises Considering Hidden Influence of Decarbonization on Energy Demand[J]. Journal of Shanghai Jiaotong University, 2024, 58(5): 600-609 doi:10.16183/j.cnki.jsjtu.2022.437

实现碳中和需要一场全球范围的系统性变革.由于沿海发达城市常常作为区域经济和社会发展的标杆和试点,所以在实现碳中和过程中,沿海发达城市也应发挥其表率作用.

作为已经引起广泛关注的研究领域,碳减排路径是指在不同减排措施实施情景下可以在未来某区域全社会实现低碳转型的发展路径,包含各行业在不同减排政策组合作用下的规划发展路径.因此,探寻最优碳减排路径需要基于对区域碳排放现状、特征和发展趋势构建的碳排放预测模型,分析各类可行的减排措施作用机理和减排成本,并考虑相关物理、政策约束限制.

预测某一国家或地区的碳排放需要构建综合评估模型(Integrated Assessment Model, IAM),并基于此预测未来的气候变化趋势并分析其特点[1].IAM的建模思路可分为两种,一种是基于计量经济学模型自上而下的模型,另一种是基于传统能源技术模型自下而上的模型[2⇓-4].文献[2]中提出一种可计算的一般均衡模型,阐释了各代表性消费模式和各种行业的平均消费者之间的固定关系.文献[3]中将能源系统供需侧结构变化纳入模型的动态优化中.文献[4]中采用长期能源替代规划(Long-Range Energy Alternative Planning, LEAP)模型来评估气候政策产生的潜在效益.

衡量碳减排措施的成本和减排潜力有助于确定其优先次序.胡春璇等[5]基于IAM对中国的碳排放社会损失进行试算,该评估方法提供了衡量社会碳减排的经济标准.文献[6]中分析了能源供应和消费结构变化对碳排放的影响,并建议电力系统应采取包括发展清洁能源和促进电力能源替代等在内的措施改变能源供应和消费结构,以实现碳中和.上述研究已经从宏观角度探讨了碳减排的最优路径,但如何探寻各区域具体且经济可行的碳减排路径,仍需要结合实情分析.

如何在电力行业实现碳减排目标也广受关注.能源生产行业,特别是电力行业,是能源碳排放的主要来源,大约40%的社会碳排放由电力行业产生[7].因此,电力行业碳减排在区域碳减排的过程中起着至关重要的作用.文献[8]中基于LEAP模型和对数平均迪氏指数法(Logarithmic Mean Disivia Index, LMDI)评估中国电力行业施行的4项碳减排措施,发现设定可再生能源目标发挥主要作用,可以比原有预期提前10年实现碳达峰.开发利用新能源能促进能源结构转型、实现电能替代、提高清洁能源占比的主要途径可以大幅降低区域碳排放总量.许多学者对电力行业的扩容规划模型进行探索,考虑电源结构变化对社会碳排放的直接影响,提出MARKAL-EFOM模型[9]和MESSAGE模型[10]等.这些模型基于根据历史数据预测的未来能源需求而构建,但未来能源需求和碳排放量是依据相关预测模型得出的固定预测值,并作为与约束条件相关的静态参数导入模型中,从而建立能源需求与碳排放量的映射关系.因此,上述模型存在一定局限.

事实上,可再生能源发电的建设和电动汽车的普及不仅减少化石燃料的使用,也通过影响城市气候和微气象间接减少碳排放.文献[11]中发现沙漠地区的光伏建设会提高平均气温.Li等[12-13]、Ma等[14]发现用电动车取代燃油车可以通过减少碳排放和热岛强度(Heat Island Intensity, HII)来降低空调负荷的电力消耗,而夏季城市30%以上的电力消费因为热岛效应产生[13].文献[15]中发现使用可再生能源的微电网考虑气候的相互作用,能更好地实现经济运行.这表明碳排放量的变化将改变区域的气候和微气象因素,暗中影响气候敏感性负荷需求.在现实中随着减排措施深入实施,气候因素的变化量将会偏离原有预测,而气候敏感性负荷的占比随着生活和工作标准的提高不断增加.因此,在碳减排路径中不应忽视减排对能源需求的潜在影响.为了提高预测的准确性,必须构建一个碳排放与能源需求的映射关系.结合能源需求与碳排放的映射,能源需求和碳排放量应被视为动态变量,而非碳减排路径动态优化模型中的静态参数.

随着新型电力系统建设的不断进行,现有研究忽略了新型电力系统建设对碳排放的潜在影响,更忽略了碳排放和热排放变化对能源需求,特别是电力需求的反馈作用.为填补研究空白,构建考虑气候因素和温度、HII等微气象因素的负荷预测模型,将其作为动态约束,并结合宏观层面的碳排放路径优化与微观层面的能源系统扩容规划模型,提出考虑减排对能源需求潜在影响的沿海城市碳减排路径动态优化方法.

1 沿海城市低碳发展特征

沿海城市的低碳发展对于一个国家实现其国家自主贡献目标具有重要意义.对沿海地区来说,经济全球化促进了其经济发展,同时国际间货运和服务贸易创造了大量就业机会.这使得沿海城市经济发达、人口密集,产生相较于其他地区更多的能源消费和碳排放量.在经济方面,由于贸易全球化,航运业在这里发挥了更重要的作用.如果沿海城市不进行低碳化发展,碳减排可能将导致碳排放从经济发达地区转移到欠发达地区.

然而,如何评估并采取措施减少碳排放这一问题,可以通过各种能源的消费量和相应的碳排放因子来计算.因此,减少能源消费总量、改变能源消费结构或增加碳排放清除量可以减少碳排放.在保持经济增长的前提下,实现低碳发展有3个角度,即降低单位能耗、转变能源结构和碳吸收.它们可以细分为以下5个主要措施:①提高能效;②调整经济结构,降低高耗能产业的占比;③提高可再生能源的占比,积极消纳可再生能源;④推动碳捕捉、利用和封存技术(Carbon Capture, Utilization and Storage, CCUS)的应用;⑤加大碳汇项目的建设.

沿海城市的低碳发展需要结合其区域禀赋.沿海城市地区技术相对先进、产业结构合理、经济总量大,单位国民生产总值(Gross Domestic Product, GDP)的碳排放强度下降空间不大,制造业和银行业的占比会保持稳定甚至增加.这意味着利用技术创新和产业升级这两种方法来降低单位GDP碳排放强度进而减少区域碳排放总量效果将较为有限.

因为土地成本和一次能源容量有限,所以大多数沿海城市的电力系统是受端系统,相当一部分电力从其他城市传输过来.此外,过往对水力资源的高度开发导致水电剩余可开发容量较低[16].因此,海上风力发电(简称风电)和光伏发电成为沿海城市本地开发的主要目标清洁能源.光伏的发展需要更多土地,它与沿海城市土地资源少、成本高的经济因素有矛盾,导致当地新建光伏的容量有限.未来沿海地区的低碳发展将主要依靠海上风电.

总而言之,沿海城市在实现碳中和的过程中具有以下特征:

(1) 鉴于地区GDP的强劲增长预期和单位GDP能耗的有限空间,能源消费总量可能继续上升,因此沿海城市必须在保持经济增长的同时降低碳排放.

(2) 考虑到高昂的投资成本和巨大的能源需求,在沿海城市的能源消费中,外来输入能源的比例较高.

(3) 沿海大都市可开发利用的太阳能资源相对有限,而海上风能潜力很大.

(4) 由于城市土地利用率高,沿海大都市的碳汇资源有限且稳定.

2 新型电力系统建设在碳减排路径中引发的交互作用

新型电力系统建设对碳减排路径的影响往往被简化为电力系统的直接碳减排.在大多数利用发电扩容优化模型的长期碳减排路径中,只包括用可再生能源发电等清洁发电方式替代传统火力发电所带来的碳排放减少,且未来社会碳排放被计算为基于历史数据预测的一系列固定碳排放量与替代造成的碳减排量之差.然而,新型电力系统的建设可以促进电能替代,改变能源消费结构,对社会碳排放有重大影响.因此,碳排放预测值与扩容规划引起的碳减排量之差不能简单视作未来实际碳排放.

在电力行业加快构建以新能源为主的新型电力系统的同时,社会碳排放将对能源需求产生明显的负面影响.碳减排路径中的能源需求预测不应再被认为是预测模型得出的常数值,而更应该被看作碳减排路径动态优化中的状态变量之一.

建立以下两个模型来分别衡量新型电力系统建设在碳减排路径中引起的交互影响.

2.1 沿海城市的能源消费与碳排放预测模型

经过优化的区域碳排放应是综合考虑各碳减排措施全部影响的结果.减碳措施的直接成效可以用数学公式准确描述.但分析其整体成效时,构建一个拟合模型会更好.选择人口、富裕程度和技术回归的随机影响-沿海城市(Stochastic Impacts by Regression on Population, Affluence, and Technology-Coastal Metropolis, STIRPAT-CM)模型来量化沿海大都市的效果.该模型被广泛用于预测碳排放和研究其背后的影响因素[17].STIRPAT模型可以考虑环境压力、人口因素、财富水平和技术水平,并消除同比例变化问题的影响.它还具有极高的可扩展性.其基本公式为

ln I=ln α+βln P+χln A+δln T+ln er

式中:I为环境压力;P为人口因素;A为富裕度因素;T为技术水平;α为模型系数;β、χ、δ为对应的弹性系数;er为随机误差项.

工业化引起的城市化率、能源消费结构和第二产业比例变化的影响不能忽视[18].提出STIRPAT-CM模型来衡量新型电力系统在沿海城市碳减排路径中的作用.随着经济社会全面绿色转型,为实现碳减排目标,需要推动新型电力系统建设.它不仅在消费侧推动实施电能替代,提高区域电气化率,影响能源消费结构,而且在供应侧转变能源供应结构.清洁能源的升级换代和比例的提高,最终会对区域碳排放的减少产生积极影响.因此,为了充分考虑各种因素对碳排放的影响,STIRPAT-CM模型包括与建设密切相关的电气化率和清洁能源比例.同时,由于地理环境的原因,交通运输业对沿海大都市的经济有着重要影响,所以考虑交通业在第三产业中的占比合理.为了探讨新型电力系统建设对沿海城市碳排放的影响,分析其在碳减排途径中的贡献,结合沿海城市区域禀赋对STIPRAT模型进行改进如下:

ln EC=ln a+bln PP+cln PUR+dln APCG+fln APSI+gln ASI+hln TEPG+ lln TER+jln TPCE+ln er

式中:EC为碳排放量;PP为人口;PUR为城镇化率;APCG为人均GDP;APSI为第二产业占比;ASI为运输业在第三产业中的占比;TEPG为能耗强度;TER为电气化率;TPCE为清洁能源占比;a为模型主要系数;b、c、d、f、g、h、l、j为对应的弹性系数.各参数具体含义如附录A所示.

电力消费总量由本地发电和净输入电力组成.因此,消费的清洁能源产生电力包括当地清洁能源产生的电力和净输入的绿电.清洁能源发电的比例计算公式为

TER= QL, CE, sum+QI, CE, sumDEle= ∑QL, clean+kICEQIDEle= ∑QL, clean+∑QNI, cleanDEle

式中:QL,CE,sum为当地清洁能源发电量之和;QL,CE,sum为净输入绿电之和;DEle为电力需求;QL,clean为某种清洁能源的本地发电量;kICE为清洁能源发电量在净输入电量中的比例;QI为净输入电量;QNI,clean为净输入电量中的某种清洁能源发电量.

电力消费总量由电力需求预测模型得出,清洁能源发电比例涉及的清洁能源发电量由电力系统中长期扩容规划模型中的状态变量计算得出,将在后文介绍.

碳减排措施的贡献是指因实施减排措施而影响碳排放的因素发生变化时的排放量与历史趋势下的排放量之差.因此,新型电力系统建设的贡献计算公式为

EC, con, PSC=EC, base-EC, PSC

式中:EC, con, PSC为新型电力系统贡献的减排量;EC, base为按历史趋势预测的碳排放总量;EC, PSC为仅采用建设新型电力系统这一减排措施的碳排放总量.EC, base和EC, PSC均可由STIRPAT-CM模型计算得出.

2.2 考虑减排对电力需求反馈作用的电力需求预测模型

许多因素都会影响电力消费总量,而气候因素是改变人们电力消费行为的主要影响因素之一[19].欧洲中程天气预报中心的ERA5再分析报告发现:至少有66个气候变量会影响电力消费总量[20].此外,社会经济因素如GDP、人口等,也发挥着重要作用.为了衡量碳排放对能源需求的影响,通过耦合灰色模型(Grey Model, GM)和基于城市微气象因素的修正,构建一个长期电力需求预测模型.

与其他能源预测模型不同,灰色模型对样本数据的要求不高,在研究中可以选择动态特征作为样本数据[21-22].然而,碳减排将改变城市气候和微气象.对于沿海城市,减排会影响碳排放、附近洋流的平均速度和平均温度以及气候因素,包括城市的平均降水量、平均日照强度和HII.同时,城市微气象严重影响部分电力负荷,如空调负荷.减排对能源需求的反馈机制如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   减排对能源需求反馈机理

Fig.1   Feedback mechanism of decarbonization on energy demand


为了评估碳排放的影响,考虑沿海城市的区域禀赋,预测不同部门的能源需求和部分负荷,这些负荷与气候因素和微气象因素密切相关.例如,建筑物中的空调负荷取决于其工作地点的温度和相对湿度.高碳排放会引起温室效应,提高全球平均温度.由碳减排引起的热量排放减少会缓解城市内平均HII.由于相对湿度取决于水蒸气的排放,所以假设平均温度的降低和空调节能是一个线性关系.因此,对空调负荷的能源需求预测应修改为

DEle, AC, m=DEle, AC, GMpd(1+ΔFkT, AC)× (1-ΔHHIIkHII, AC)

式中:DEle, AC, m为修正后的空调负荷能源消费量;DEle, AC, GMpd为灰色模型预测的空调负荷能源消费量;ΔF为平均气温变化量;kT,AC为平均气温下降 1 ℃ 时空调负荷所消耗的能量降低比例;ΔHHII为碳减排路径与历史趋势预测的HII之差;kHII,AC为平均HII下降1 ℃时空调负荷所消耗的能量降低比例.

碳排放影响全球温度.一个地区的CO2排放也会改变区域温度的特征,包括平均温度和HII.假设一个地区的平均温度和碳排放之间的关系与全球的关系相似,平均温度的变化可计算如下:

ΔF= MareaECTGPTMearthEC, GPT

式中:Marea为沿海城市面积;Mearth为由地球表面积;TGPT为《巴黎协定》中的全球平均气温上升目标;EC,GPT为《巴黎协定》中的全球碳排放目标[23].

减少化石燃料的终端消费量可以减少沿海城市的热排放.Li等[12]发现并推导人为热排放对HII的影响,并估算2012年北京电动汽车取代传统汽车所造成的HII下降量.在上述基础上,假设HII的减少和能耗降低是一个线性关系,并将其推广至能源替代以估计电气化率提升和新型电力系统建设造成的平均HII下降量.则有:

ΔHHII=HHIIkCOHΔEH, FFCEH, FFC
ΔEH=∑Dfuel, HThfuel+he∑QL, fuel, HT-(∑Dfuel, CRhfuel+he∑QL, fuel, CR)

式中:HHII为按历史趋势预测的HII;kCOH为化石能源终端消费的热排放贡献比例;ΔEH,FFC为降低的化石能源终端消费量;EH,FFC为按历史趋势预测的化石能源终端消费量;ΔEH为降低的能源终端消费量;Dfuel,HT为按历史趋势预测的终端能源消费总量;Dfuel,CR为碳减排路径中的化石能源终端消费量;QL,fuel,HT为按历史趋势的本地火力发电量;QL,fuel,CR为碳减排路径中本地火力发电量;hfuel为化石能源折标系数;he为电力折标系数.

3 沿海城市碳减排路径动态优化模型

在第2节的基础上,为了评估碳排放、未来能源需求和碳减排路径中新型电力系统建设之间的相互作用,提出沿海城市碳达峰路径的双层动态优化模型(Double-Layer Dynamic Optimization Model of Carbon Peak Pathway for Coastal Metropolises, DOCPPCM).该模型基于沿海城市的资源禀赋和各种碳减排措施成本的动态变化,并考虑各地区的碳排放责任分摊,达到沿海城市的碳减排目标,并可以在实现总成本最低和不影响经济增长的前提下,逐步降低区域碳排放强度.

DOCPPCM模型的碳排放预测并非基于预测的固定值,而是采用STIRPAT-CM模型作为动态优化状态变量,并将沿海城市碳减排路径的经济成本问题转为目标函数优化问题.关于新型电力系统建设的中长期扩容规划部分参考MESSAGE-ix模型[24].DOCPPCM框架如图2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   DOCPPCM模型框架

Fig.2   Framework of DOCPPCM


以MESSAGE-ix模型为代表的电力系统中长期扩容规划模型通常以电力系统扩容规划总经济成本为目标函数,以各节点各类发电机组装机容量、储能装机容量、输电线路输送容量等电力设备总容量为状态变量,以各节点各类新建发电机组装机容量、新建储能装机容量、新建输电线路输送容量等新建电力设备容量等为控制变量,除了考虑电力供需平衡、新建电力设备等电力系统建设、运行、维护等过程中的物理约束,还包含碳排放总量约束、清洁能源发电设备总容量目标等其他政策性约束.考虑碳排放约束的电力系统中长期规划模型即为电力系统碳减排路径.但由于电力系统的碳排放总量可以通过电力系统火力发电消费的化石能源以及新建发电设备过程中产生的碳排放等直接计算得出,所以现有电力系统中长期扩容规划模型中的碳排放总量约束为约束电力系统的碳排放总量.这类约束条件在各行业碳减排路径优化研究中被广泛应用.然而这种碳排放约束仅考虑减排措施对本行业碳排放总量的直接减排影响,并未考虑实施减排措施变化后对社会碳排放总量的整体影响,因此将单一行业碳减排最优路径的集合作为全社会碳减排路径很有可能得到局部最优解.而为了获得全社会碳减排路径的全局最优解,需要构建社会碳排放总量预测模型,并将微观角度的电力系统扩容路径与扩容路径中变化的宏观碳排影响因素相关联,使得电力系统扩容对区域碳排放的整体影响被考虑在内.同时,由于新型电力系统建设逐步推进,微气象对电力系统的影响日益显著.区域的碳排放变化也会引起微气象变化,进而对包括负荷、发电量等在内电力系统扩容规划模型的物理约束产生影响.

DOCPPCM模型的目标是使社会福利最大化.在该模型中社会福利被定义为碳减排措施的总成本与碳排放之和的负数,目标函数F的计算公式为

$\begin{aligned} \min F= & \sum_{n=1}^{N}\left[\frac { 1 } { ( 1 + i ) ^ { n - 1 } } \left(C_{\mathrm{EE}, n}+C_{\mathrm{RES}, n}+\right.\right. \\ & \left.\left.C_{\mathrm{CPS}, n}+C_{\mathrm{CS}, n}+C_{\mathrm{ACCUS}, n}\right)+C_{\mathrm{CE}, n}\right] \end{aligned}$

式中:F为碳减排路径成本的净现值;N为计划的碳减排路径年数;i为内部收益率;CEE,n为第n年提高能效的成本;CRES,n为第n年调整经济结构的成本;CCPS,n为第n年建设新型电力系统的成本;CCS,n为第n年建设与运维碳汇项目的成本;CACCUS,n为第n年CCUS技术应用的成本;CCE,n为第n年碳排放社会损失成本.

DOCPPCM模型分为上下两层,上层为如目标函数所示的碳减排措施投资优化,下层对各级减排措施具体投入路径进行优化.以建设新型电力系统为例,下层对应新型电力系统扩容规划路径中所需总经济成本.同时,下层路径中各级减排措施具体投入路径也会引发相关碳排放影响因素变化,进而影响区域碳排放总量和碳排放社会损失成本,如建设新型电力系统会引起电气化率、清洁能源占比等因素变化.

状态变量Xn由提高能效、调整经济结构、建设与运维碳汇项目、人工CCUS技术应用等相关状态变量集与碳排放量构成,即

Xn= [XEE,n XRES,n XCPS,n XCS,n XACSUS,n EC,n]

式中:XEE,n为第n年影响能效的变量集合;XRES,n为第n年影响经济结构的变量集合;XCPS,n为第n年影响新型电力系统建设的变量集合;XCS,n为第n年影响碳汇的变量集合;XACSUS,n为第n年影响CCUS技术应用的变量集合;EC,n为第n年社会碳排放总量.

假设除了关于电力系统建设和碳排放的因素之外的其他状态变量按历史趋势变化,状态变量Xn可以简化为[XCPS,n EC,n].EC,n由第2节所构建的碳排放预测模型得出.而新型电力系统建设相关的状态变量可以用其中的电力设备容量来描述,即

XCPS,n=[SCoal,n SNG,n SPV,n SHydro,n SONW,n SOFFW,n ONIEE,n XCPSo,n]

式中:SCoal,n为第n年本地燃煤发电装机容量;SNG,n为第n年本地燃气发电装机容量;SPV,n为第n年本地太阳能光伏发电装机容量;SHydro,n为第n年本地水力发电装机容量;SONW,n为第n年本地陆上风电装机容量;SOFFW,n为第n年本地海上风电装机容量;QNIEE,n为第n年净输入电量;XCPSo,n为第n年新型电力系统建设其他相关状态变量合集,包括并网储能容量和输电线路容量等.

除了中长期扩容规划优化方法考虑的碳排放目标约束、资源可开发容量约束、可再生能源发电成本约束、装机容量约束等约束外,结合第2节模型额外考虑碳排放与新型电力系统的交互影响约束.具体模型约束条件如附录B所示.

4 算例分析

选取浦东新区为例,数据来源为上海市统计局公布的相关统计年鉴和国网上海市浦东供电公司提供的浦东新区 1 210 km2 范围内接入的 6 500 多家10 kV及以上高压用户相关数据,探究该区域碳达峰经济成本最优路径.

4.1 人均GDP能耗、总能耗和碳排放总量预测

2012—2019年的区域能源数据来自上海浦东新区统计局出版的《上海浦东新区统计年鉴》(2010—2021)[25],选取其中2013—2015、2019和2020共5年的数据.上海2012年以来的CO2排放清单来自《新兴经济体碳排放账户与数据集》[26].本研究中使用的社会经济辅助数据,如GDP和人口等,源于《上海浦东新区统计年鉴》和《上海统计年鉴》.

为了避免各种因素可能存在的共线性关系,在如式(2)所示STIPRAT-CM模型的基础上,采用岭估计的方法对浦东新区的碳排放量和各种影响因素进行线性回归.当岭参数k为0.3时,该模型趋于稳定.此时,表达式为

ln EC=-1.468+2.176ln PP-0.642ln PUR+0.718ln APCG+0.261ln APSI+0.222ln ASI+1.089ln TEPG-0.873ln TER-0.378ln TPCE+ln er

回归结果通过了方差检验,模型系数在1%的水平上显著,模型拟合优度大于0.9,表明模型具有较高的线性拟合度.

如式(12)所示,对于浦东新区,人口、人均GDP、第二产业占比、城市化率、交通运输业在第三产业中的比例和能源强度对区域碳排放总量有正向影响,而城市化率、电气化率和清洁能源发电的比例有负向影响.这是因为各行业的电气化将提高电能在最终能源消费中的比例,促进化石能源的清洁利用.而如果交通运输业在第三产业中的比例较高,银行业在第三产业中的比例就会降低,经济的发展就会出现困难.同时,浦东新区的城市化率在85%~90%之间波动.较高的城市化率使得能源消费更加集中.清洁能源发电可以取代化石燃料的火力发电,如煤炭驱动的电厂,并减少碳排放.此外,根据式(3)和碳排放因子的预测,如果碳排放的趋势保持不变,浦东新区将不能确保在2025年达到碳排放峰值,且碳排放总量将长期在峰值附近波动.这一结果意味着地方政府和电力系统必须采取额外措施达到目标.

4.2 浦东新区各碳减排措施的成本变化趋势预测

浦东新区电力系统可采取的减碳措施可细分为新增本地清洁能源发电容量、购入外来清洁电力、购买碳汇等.规定内部收益率i为5%,并使用时间序列法来预测措施成本的各项数据.

(1) 净输入电力的市场价格变化趋势.技术进步和规模扩大使绿电的成本降低,但绿电并网价格与火力发电等传统能源的上网价格存在博弈.为了简化计算,假设净投入电量的平准化度电成本(Levelized Cost of Energy, LCOE)价格与火力发电的市场价格相当,上海市政府规定该价格约为0.062美元/(kW·h).假设清洁能源在净输入电力中的比例与按历史趋势中我国的清洁能源占比预测值相同.

(2) 本地清洁能源发电成本.根据2010—2021年海上风电和太阳能光伏发电单位千瓦的加权平均LCOE数据,预测2022—2030年海上风电和光伏发电单位千瓦的LCOE[27].2022—2030年海上风电和太阳能光伏发电的LCOE预测曲线如图3所示.预测结果显示,海上风电和太阳能光伏发电的LCOE总体上呈稳步下降趋势,且光伏的LCOE总是远远低于海上风电的LCOE.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2022—2030年海上风电和太阳能光伏发电的LCOE预测曲线

Fig.3   Forecast curves of the LCOE of offshore wind power and solar photovoltaic from 2022 to 2030


受气候的影响,该地区的新能源年度发电总量波动很大.在电网运行过程中,尽可能不发生弃风弃光现象.每年可再生能源发电设备的发电设备利用时间存在一定波动.本算例基于2011—2021年浦东新区在运的本地风电和太阳能发电机组装机容量与年发电总量,设定海上风电的加权平均容量系数kCF,OWP为40.54%,太阳能光伏发电的加权平均容量系数kCF,PV为16.3%.根据上海市政府的统计,浦东新区光伏发电最大可开发量为5 GW,而海上风电最大可开发量为14 GW.由于天然气发电的成本将高于所有可再生能源发电,考虑到碳排放,风能和光伏等新能源发电将成为新型电力系统的主体.

(3) 碳汇的市场价格和碳税的变化趋势.我国在2021年建立碳交易市场,至2022年7月,中国的碳汇价格增长20%,约为8美元/t CO2,而欧洲的价格约为70美元/t CO2.根据中国的碳价格调查报告预测,中国的碳价格将不可避免地逐步上升,并可能达到发达国家的水平.2030年中国的碳汇价格将是14美元/t CO2[28].根据欧美国家的碳税设置,中国的碳税可能在3~40美元/t CO2之间[29].

4.3 浦东新区碳达峰路径动态优化和电力系统的贡献率计算

由于缺乏所有碳减排措施的量化成本,暂且将沿海城市的碳减排路径优化简化为沿海城市的发电扩容优化.根据《上海市电力规划(2022—2026)》和《上海市2025年碳排放峰值计划》的目标,2025年浦东新区的清洁能源发电比例要达到50%.基于区域现状,假设与新型电力系统建设无强相关的碳排放因子变化趋势与按历史趋势预测相同[25].2022—2030年各碳排放影响因素的年均变化率设定见附录C.

基于第1~2节,假设经济发展趋势不变,采用DOCPPCM模型对浦东新区碳减排路径进行动态优化,并将结果与按历史趋势变化的碳排放总量以及基于MESSAGE-ix模型的碳减排路径进行比较.基于不同动态优化模型预测的浦东新区碳达峰路径如图4所示.按历史趋势预测的区域碳排放总量变化趋势表明,如果浦东新区保持现有发展趋势,且不实施额外减排措施,则该区域碳排放总量将处于波动,难以在2025年按期实现当地政府设定的碳排放目标.采用MESSAGE-ix模型和所提DOCPPCM模型分别预测的碳达峰最优路径表明,只有采用额外减排措施,浦东新区才可以在2025年按期达到碳排放峰值目标.DOCPPCM模型得出的碳达峰最优路径在2025年的碳排放总量51.9×106 t要比MESSAGE-ix模型的54.4×106 t低约5%.同时在2022—2030年间,与MESSAGE-ix模型得出的碳排放总量相比,DOCPPCM模型所得碳排总量降低从3%增加到5%.结果表明,电气化和新型电力系统的建设在减少空调负荷方面具有不容忽视的潜在效益,而随着空调负荷整体需求的增加,潜在效益将越发明显.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   基于不同动态优化模型预测的2021—2030年间浦东新区碳达峰路径

Fig.4   Carbon peaking paths of Pudong New Area from 2021 to 2030 forecasted by different dynamical optimization models


同时,由于新型电力系统的建设,2022—2030年清洁能源发电的比例上升.随着科学技术的进步和市场需求的增长,2022—2030年海上风电和太阳能光伏发电的比例将从6%提高到35%以上,新能源发电逐渐成为电力系统的主体.受资源容量和成本限制,光伏发电占比会快速提高,海上风电成为沿海城市新能源电源的重要组成部分,送入绿电占比缓慢下降.而化石燃料火力发电则倾向于发挥维持电厂、负荷和储能之间平衡的作用,本地火力电厂发电量逐步下降.DOCPPCM模型预测下的2021—2030年浦东新区碳减排路径中电力系统电源结构变化趋势如图5所示.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2021—2030年间浦东新区电力系统电源结构预测

Fig.5   Power structure of power system of Pudong New Area from 2021 to 2030


5 结语

考虑气候敏感负荷的能源需求变化,提出一种碳减排路径的动态优化模型.分析了缓解热排放对气候敏感负荷能源需求变化的影响机制.基于碳减排对热排放降低的影响建立DOCPPCM模型,实现对经济快速增长并制定了严格碳排放目标的沿海城市碳减排路径的动态优化.与其他模型不同,所提模型考虑新型电力系统建设对空调负荷的潜在影响.模型所需数据只包括相关的宏观统计数据、地方政府制定的经济发展计划以及部分气候和微气候参数.最后,以中国上海浦东新区电力系统的碳达峰路径为例对模型进行测试.

以浦东新区为例,假设清洁能源的比例在2025年提高到50%以上,不同情景下碳峰演变过程并没有削弱GDP的增长速度,而是符合以新能源为主体的新型电力系统基本特征.同时,所得2030年前浦东新区建设新型电力系统的成本最优路径表明,随着电能替代战略的不断推进,电能逐渐成为区域综合能源消费的主体,迫使新型电力系统的建设成为碳减排的主要推动力.此外,碳排放和热排放的降低对空调等气候敏感性负荷的影响不容忽视.在碳排放预测模型相同的情况下,所提DOCPPCM模型得出的碳减排路径最优路径与仅不考虑碳排放和热排放变化的MESSAGE-ix模型相比降低3%~5%.

附录见本刊网络版(xuebao.sjtu.edu.cn/article/2024/1006-2467/1006-2467-58-05-0600.shtml)

参考文献

CIARLI T, SAVONA M.

Modelling the evolution of economic structure and climate change: A review

[J]. Ecological Economics, 2019, 158: 51-64.

[本文引用: 1]

LIN B Q, JIA Z J.

Impacts of carbon price level in carbon emission trading market

[J]. Applied Energy, 2019, 239: 157-170.

DOI:10.1016/j.apenergy.2019.01.194      [本文引用: 2]

The problems of excessive CO2 emissions and global warming caused by human activities are becoming more and more severe. Emission Trading Scheme (ETS) may be an effective mean of combating global warming. However, little research focuses on the influence of ETS price on energy consumption, CO2 emissions, and the economy. This paper analyzes the impact of different ETS price level by applying a dynamic recursive Computable General Equilibrium model. The results show that GDP will reduce more with increasing ETS price level. The output of energy industries is more sensitive to ETS price than other industries. Higher ETS price, lower marginal reduction of fossil energy consumption of ETS price. Moreover, low ETS prices will undermine the capacity of the carbon market to reduce emissions. Higher ETS price will lead to a higher reduction in CO2 emission, but the economic costs cannot be ignored. Therefore, this paper argues that ETS prices in China's ETS pilot cities are too low, and would provide little emission reduction. Maintaining EIS prices at $10 and gradually increasing carbon price to $20 is suggested in this paper. Also, we should focus on the appropriate subsidies for new energy generation.

WANG M, YU H, YANG Y K, et al.

Unlocking emerging impacts of carbon tax on integrated energy systems through supply and demand co-optimization

[J]. Applied Energy, 2021, 302: 117579.

[本文引用: 2]

SHAHID M, ULLAH K, IMRAN K, et al.

LEAP simulated economic evaluation of sustainable scenarios to fulfill the regional electricity demand in Pakistan

[J]. Sustainable Energy Technologies & Assessments, 2021, 46: 101292.

[本文引用: 2]

胡春璇, 黄杰, 薛禹胜, 等.

能源转型碳减排效益的货币价值化评估

[J]. 电力系统自动化, 2020, 44(1): 29-34.

[本文引用: 1]

HU Chunxuan, HUANG Jie, XUE Yusheng, et al.

Monetary value evaluation for carbon emission reduction benefit of energy transition

[J]. Automation of Electric Power Systems, 2020, 44(1): 29-34.

[本文引用: 1]

PAN X F, GUO S C, XU H T, et al.

China’s carbon intensity factor decomposition and carbon emission decoupling analysis

[J]. Energy, 2022, 239: 122175.

[本文引用: 1]

The Intergovernmental Panel on Climate Change.

Climate change 2022: Mitigation of climate change

[R/OL]. (2022-01-31) [2022-10-31]. https://www.ipcc.ch/report/ar6/wg3/.

URL     [本文引用: 1]

KHANNA N Z, ZHOU N, FRIDLEY D, et al.

Quantifying the potential impacts of China’s power-sector policies on coal input and CO2 emissions through 2050: A bottom-up perspective

[J]. Utilities Policy, 2016, 41: 128-138.

[本文引用: 1]

LI N, CHEN W Y, ZHANG Q.

Development of China TIMES-30P model and its application to model China’s provincial low carbon transformation

[J]. Energy Economics, 2020, 92: 104955.

[本文引用: 1]

FRICKO O, HAVLIK P, ROGELJ J, et al.

The marker qualification of the shared socieeconomic pathway 2: A middle-of-the-road scenario for the 21st century

[J]. Global Environmental Change, 2017, 42: 251-267.

[本文引用: 1]

BARRON-GAFFORD G A, MINOR R L, ALLEN N A, et al.

The photovoltaic heat island effect: Larger solar power plants increase local temperatures

[J]. Scientific Reports, 2016, 6: 35070.

[本文引用: 1]

LI C B, CAO Y J, ZHANG M, et al.

Hidden benefits of electric vehicles for addressing climate change

[J]. Scientific Reports, 2015, 5: 9213.

DOI:10.1038/srep09213      PMID:25790439      [本文引用: 2]

There is an increasingly hot debate on whether the replacement of conventional vehicles (CVs) by electric vehicles (EVs) should be delayed or accelerated since EVs require higher cost and cause more pollution than CVs in the manufacturing process. Here we reveal two hidden benefits of EVs for addressing climate change to support the imperative acceleration of replacing CVs with EVs. As EVs emit much less heat than CVs within the same mileage, the replacement can mitigate urban heat island effect (UHIE) to reduce the energy consumption of air conditioners, benefitting local and global climates. To demonstrate these effects brought by the replacement of CVs by EVs, we take Beijing, China, as an example. EVs emit only 19.8% of the total heat emitted by CVs per mile. The replacement of CVs by EVs in 2012 could have mitigated the summer heat island intensity (HII) by about 0.946 degrees C, reduced the amount of electricity consumed daily by air conditioners in buildings by 14.44 million kilowatt-hours (kWh), and reduced daily CO2 emissions by 10,686 tonnes.

LI C B, YANG H Y, SHAHIDEHPOUR M, et al.

Optimal planning of islanded integrated energy system with solar-biogas energy supply

[J]. IEEE Transactions on Sustainable Energy, 2020, 11(4): 2437-2448.

[本文引用: 2]

MA Z Y, ZHANG S N, HOU F X, et al.

Exploring the driving factors and their mitigation potential in global energy-related CO2 emission

[J]. Global Energy Interconnection, 2020, 3(5): 413-422.

[本文引用: 1]

YANG H Y, LI C B, SHAHIDEHPOUR M, et al.

Multistage expansion planning of integrated biogas and electric power delivery system considering the regional availability of biomass

[J]. IEEE Transactions on Sustainable Energy, 2021, 12(2): 920-930.

[本文引用: 1]

SONG Q J, LIU T L, QI Y.

Policy innovation in low carbon pilot cities: Lessons learned from China

[J]. Urban Climate, 2021, 39: 100936.

[本文引用: 1]

WANG S J, WANG J Y, LI S J, et al.

Socioeconomic driving forces and scenario simulation of CO2 emissions for a fast-developing region in China

[J]. Journal of Cleaner Production, 2019, 216: 217-229.

[本文引用: 1]

THATCHER M J.

Modelling changes to electricity demand load duration curves as a consequence of predicted climate change for Australia

[J]. Energy, 2007, 32(9): 1647-1659.

[本文引用: 1]

CHRENG K, LEE H S, TUY S.

Electricity demand prediction for sustainable development in Cambodia using recurrent neural networks with ERA5 reanalysis climate variables

[J]. Energy Reports, 2022, 8: 76-81.

[本文引用: 1]

HERSBACH H, BELL B, BERRISFORD P, et al.

The ERA5 global reanalysis

[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146(730): 1999-2049.

[本文引用: 1]

LI H, WU Z X, YUAN X, et al.

The research on modeling and application of dynamic grey forecasting model based on energy price-energy consumption-economic growth

[J]. Energy, 2022, 257: 124801.

[本文引用: 1]

DENG J L.

Control problems of grey systems

[J]. Systems & Control Letters, 1982, 1(5): 288-294.

[本文引用: 1]

IPCC.

Global warming of 1.5 ℃

[R/OL]. (2018-10-16) [2022-10-31]. https://www.ipcc.ch/sr15/.

URL     [本文引用: 1]

HUPPMANN D, GIDDEN M, FRICKO O, et al.

The MESSAGEix integrated assessment model and the ix modeling platform (ixmp): An open framework for integrated and cross-cutting analysis of energy, climate, the environment, and sustainable development

[J]. Environmental Modelling & Software, 2019, 112: 143-156.

[本文引用: 1]

上海市浦东新区统计局.

上海浦东新区统计年鉴(2010—2021)

[DB/OL]. (2022-06-16) [2022-10-31]. https://www.pudong.gov.cn/014004002002/index.html.

URL     [本文引用: 2]

Shanghai Pudong New Area Municipal Bureau of Statistics.

Statistical yearbook of Shanghai Pudong new area (2010—2021)

[DB/OL]. (2022-06-16) [2022-10-31]. https://www.pudong.gov.cn/014004002002/index.html.

URL     [本文引用: 2]

CHEN J D, GAO M, CHENG S L, et al.

County-level CO2 emissions and sequestration in China during 1997—2017

[J]. Scientific Data, 2020, 7(1): 391.

[本文引用: 1]

International Renewable Energy Agency.

Renewable power generation costs in 2020

[R/OL]. (2021-06-30) [2022-10-31]. https://www.irena.org/publications/2021/Jun/Renewable-Power-Costs-in-2020.

URL     [本文引用: 1]

MACDONALD A E, CLACK C T M, ALEXANDER A, et al.

Future cost-competitive electricity systems and their impact on US CO2 emissions

[J]. Nature Climate Change, 2016, 6(5): 526-531.

[本文引用: 1]

ARCILA A, BAKER J D.

Evaluating carbon tax policy: A methodological reassessment of a natural experiment

[J]. Energy Economics, 2022, 111: 106053.

[本文引用: 1]

/

〈 〉