北京大学学报(自然科学版) 第61卷 第2期 2025年3月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 2 (Mar. 2025)
doi: 10.13209/j.0479-8023.2025.003
中国国际发展知识中心“碳达峰碳中和的中国战略与全球展望”旗舰研究交流项目和国家社会科学基金(24VRC030)资助
收稿日期: 2024–05–23;
修回日期: 2024–07–19
摘要 在中国电力行业未来发展的电力供应安全、深度脱碳及电力经济性三重目标约束下, 基于电力行业复杂性、非线性和深度不确定性等特征, 通过建立系统动力学模型, 分析中国电力行业低碳发展路径。模拟结果表明, 中国应立足以煤为主的基本国情, 通过电力市场、碳交易市场的价格约束合理控制火电发展速度, 有序部署储能设施保障系统稳定性并促进可再生能源合理发展, 加快碳捕集封存应用有效降低电力碳排放, 并通过碳排放配额拍卖收入分配激励碳捕集技术创新发展。
关键词 电力行业; 低碳发展; 系统动力学; 可再生能源; 电力安全; 电力经济性
要实现碳达峰碳中和目标, 中国电力行业需要从化石燃料向可再生能源发电转变, 实现电力结构的深度脱碳。在政府政策支持、成本下降等因素作用下, 中国可再生能源发电实现快速增长, 促进了电力结构的低碳转型。然而, 可再生能源存在间歇性特点, 对电力供应的稳定性产生较大影响, 另一方面, 低边际成本的可再生能源占比不断提高, 将降低电力市场交易价格, 无法有效地激励稳定的电源投资, 从而对电力长期供需平衡造成影响。高比例可再生能源下如何保障电力供应安全, 是电力行业低碳发展过程要应对的关键挑战。一个重要手段是增加系统的备用容量及储能措施等, 然而这将增加电力系统的投资和运行成本。此外, 中国建立了碳交易市场来促进电力行业脱碳, 化石燃料的碳排放负外部性将通过碳价格来反映, 也必将增加燃煤发电成本[1–2]。未来几十年, 中国电力行业要在保障电力供应安全的前提下实现深度脱碳, 同时要尽可能实现电力供应的经济性, 如何平衡好这 3 个约束目标, 将是一项艰巨的任务。
目前, 国内外已用不同的方法对电力行业低碳发展路径进行研究。国外许多研究往往直接使用传统的能源系统模型或改进的模型, 最具代表性的包括MARKAL 模型[3]和长期能源替代规划(LEAP)模 型[4]等, 通过自下而上或混合的方式建模, 优化模拟包括电力部门的能源系统碳减排途径。国际能源署(IEA)[5]基于其开发的世界能源模型, 分 8 个区域进行电力系统建模, 分析电力灵活性对中国电力系统转型的作用。国际可再生能源署(IRENA)[6]采用替代能源供给系统和环境影响(MESSAGE)模型对电力部门进行建模, 用于区域能源转型分析。美国劳伦斯伯克利国家实验室等机构的学者采用容量扩展与小时级生产调度模型(PLEXOS), 基于对省级负荷、跨省和跨区域输电约束及可再生能源和储能成本的预测, 分析 2035 年前中国电力系统可能的发展路径及对经济社会的影响[7]。Plazas-Niño 等[8]构建开放源代码的国家能源系统优化模型, 以哥伦比亚为例, 评估发展中国家可行的脱碳途径。Jacqu-ier 等[9]整合长期能源系统前景展望模型(POLES)和深度学习骨干网模型, 对国家及大洲尺度的输电网和配电网进行系统的研究, 分析能源系统的脱碳 途径。
国内, 张运洲等[10]构建电力低碳发展规划模型进行量化分析, 提出电力低碳转型的电–氢–碳协同路径; 李政等[11]建立“自下而上”能源系统模型, 模拟中国电力行业发展路径, 认为在当前基础上要加大可再生能源扩张, 加快燃煤电厂退出, 并大规模地部署碳捕集封存(CCS)技术; Chen 等[12]构建包含非碳外部成本的多期发电规划模型, 分析中国电力系统的发展路径; 清华大学碳中和研究院[13]联合多家国内机构, 结合中国风光技术发展数据, 分析碳中和目标下电力系统低碳发展路径; 衣博文等[14]构建高时空分辨电力系统随机优化模型, 分析如何通过电源、电网和储能等措施的协同优化, 经济有效地接纳高比例可再生能源; Wang 等[15]使用高分辨率的电力系统模型, 并结合容量规划和运行模拟, 预测电力系统低碳转型时期的发展情景。
传统的能源系统模型是针对整个能源系统设计的, 其中发电部门多是标准化模块, 因此在电力行业的适用性存在争议。均衡模型虽然可以跨部门进行经济建模, 但结果受模型结构和参数的影响较大, 如对技术成本进步速度及发展规模方面的预测缺乏足够的历史数据支持, 且决策的假设往往基于理性参与者, 模型分析通常向长期均衡收敛。然而, 电力系统的发展是一个复杂的非均衡过程, 受长期结构变化和各种因素的相互作用, 难以进行完美的预测。此外, 电力行业的研究涉及经济学、系统控制学和工程学等交叉学科, 需要建立从自然科学到社会科学的跨学科模型系统分析。以非线性动力学和数学、物理学和工程学中的反馈控制为理论基础的系统动力学(system dynamics, SD)模型是进行电力系统分析的重要方法, 本文采用该方法进行分析。
中国电力市场、低碳技术创新和碳交易市场建设缺乏足够的长期经验, 而这些相关机制对中国电力行业的长期发展都会产生很大的影响。同时, 向低碳结构的转变意味着深刻的系统性变化, 不同决策者之间的行为影响、路径依赖以及各个决策者之间的相互作用将决定政策实施成果[16]。特别是随着市场化的发展, 市场众多主体的投资意愿变化将对电力系统的发展产生更重要的影响。因此, 本文在系统地分析电力市场化和碳定价相关机制对中国电力行业影响作用的基础上, 结合储能、CCS 等关键低碳技术创新, 并充分考虑现有基础设施、技术水平、资源禀赋条件及市场主体行为方式, 构建包括电价形成、电力投资、技术进步以及电力碳排放交易等的电力行业 SD 模型, 系统地分析各因素之间的相互关系以及对电力行业发展的可能影响, 捕捉足够长时间的发展变化, 分析电力行业低碳发展的可行路径, 并且提出实现长期目标所需的政策建议。
不同于传统研究方法的线性影响分析, SD 方法强调系统的非线性影响, 将问题的解决视为一个连续的过程。系统是多循环信息反馈结构, 相关过程的结果产生新的信息, 会再次改变系统条件。将观察到的系统状态与期望的系统状态进行比较, 并根据设置的条件进行动态存量和流量过程的转换, 从而控制改变系统状态的流程[17]。目前, 国内外已有一些 SD 模型应用于电力系统发展的相关研究, 如Arto 等[18]结合 SD 模型模拟和数据分析, 比较要在德国电力行业实现减少温室气体排放目标, 不同的发电投资组合在可接受的可靠性下的潜在生产成本。Franco 等[19]基于 SD 模型, 分析英国新电力市场改革中各种政策工具的长期影响。我国学者通过SD 模型, 就碳排放配额拍卖比例对可再生能源发电影响进行研究[20], 还有学者通过 SD 模型, 对绿证交易、碳交易和发电权交易等碳减排政策对中国电力市场改革及碳减排影响效果进行分析[21–22]。
SD 模型是一组通过数值求解的非线性微分方程, 其基本构建模块是信息反馈循环结构内的存量和流量, 非线性反馈过程相当于求解高阶微分方程。SD 模型通过系统思维的方法来描述变量之间的内在相互作用, 将动态因果关系与变量的物理行为相结合, 将涉及的时间因素融入其中, 从进化的角度描述综合效应, 用于模拟系统行为, 可以接受的电力系统固有的复杂性、非线性和反馈回路结构, 从而更好地模拟电力系统未来演化的趋势。SD 方法的数学过程[17]可描述为如下。
1)把系统 S 划分为若干(p 个)相互关联的模块(子系统) si: S={si∈S|1~p}。模块的设置要保证系统结构和功能的完整性, 同时根据子系统对系统整体的相对重要性进行划分, 各模块之间的相互关系可通过关系矩阵来反映。在实际问题中, 各子系统之间的直接联系是有限的, 因此子结构的分解不会太复杂。
2)对模块si内部关系的数学描述。模块由基本单元和反馈回路组成。系统的基本变量有 3 种——状态变量、速率变量和辅助变量, 分别用状态方程、速率方程和辅助方程表示, 结合其他类别的变量方程、函数及常数等, 可以对现实社会的各类系统进行详细的模拟描述, 包括线性与非线性、静态与动态方程等。
(2)
式中, L 为状态变量向量, R 为速率变量向量, A 为辅助变量向量,为纯速率变量向量, P 为转移矩阵, W为关系矩阵。
为了更清晰地阐明模型, SD 方法使用因果循环图(CLD)来反映系统中的因果关系。SD 建模过程从问题表达开始, 以便确定系统的边界, 然后绘制因果循环图。主要变量以反馈方式连接在一起, 正反馈环是不断自我加强的数值发散过程, 因和果保持相同方向, 即数值可能越变越大, 也可能越变越小; 负反馈环是抑制和均衡的数值收敛过程, 因和果为反向变化。相关因果关系随时间的动态变化通过存量流量图(SFD)及内置方程构建正式模型, 作为运行和进一步分析的基础[23]。
2.2.1 因果循环关系分析
本文构建反映中国电力行业未来长期发展的SD 模型, 时间周期为 40 年以上, 重点关注影响电力行业长期发展的主要因素及其之间的关系。图 1反映与中国电力行业低碳发展相关的因果循环关系, 包括 4 个循环: 1)在电力市场中, 电价的变化受电力供需平衡的影响, 电力需求受外生因素的影响不断增加, 促使电价增高, 通过电力投资机制促进电力装机容量的增加, 从而实现电力供应的增加; 2)电力装机容量增加产生的技术进步会降低发电投资成本, 从而加速电力投资, 电力供应增加后, 会在长期内促使电价趋于平稳, 从而降低电力投资的增速; 3)电力供应增加的同时, 会增加碳排放量, 推动碳市场中配额价格升高, 碳价格的升高会增加电力成本, 从而限制进一步的电力投资, 使得电力投资也趋于稳定; 4)政府的补贴或碳市场配额拍卖的收入可以用于支持降低电力系统特定技术的运行或投资成本。如何在这一循环过程中实现碳排放的趋缓并逐渐减少, 同时保证电力供应能及时满足电力需求的增长, 促使电价稳定和投资最小化, 是本文需要通过 SD 模型的模拟实现的目标。
2.2.2 系统分析模块构建
按照系统整体架构的设计思路以及因果循环图(CLD), 本文构建的中国电力行业 SD 模型存量流量图(SFD)如图 2 所示, 主要分为 7 个模块。
1)电价形成模块。反映电价形成的内在机制, 主要受电力需求和电力供应影响, 同时电价形成模块是系统模型中其他模块的重要输入, 发电调度、电力投资决策和电力需求至少部分基于电价及其预期。中国正在逐步建立以中长期交易规避风险、以现货市场发现价格的电力市场, 未来中国电力市场将向批发竞争模式发展, 并进一步走向零售竞争模型, 这种模型下常见的定价方式包括拍卖定价和协商定价两种, 都主要体现供需双方的因素。因此, 本文参考经典经济学理论的市场价格形成机制构建电价模型。电价模块核心方程包括
“+”表示正反馈, 因和果保持同向变化, 为发散过程; “−”表示负反馈, 因和果反向变化, 为收敛过程
图1 电力系统因果循环图(CLD)
Fig. 1 Causal loop diagram (CLD) of power system
(4)
(5)
式中, Spot Price 为现货价格, Price chg 为单位时间现货价格变化量, AT 为电价调整周期, Demand 为电力需求, net Generation 为净发电量, future Price 为远期价格, average Price 为平均电价, FORECAST 为 SD模型内置自回归移动平均函数。
2)电力需求模块。反映电力需求增长的内在机制, 主要受电力需求增长因素和电价影响。由于宏观经济形势、电气化发展速度、技术解决方案的可用性和成本、消费者偏好等各种因素影响, 长期电力需求预测是一项复杂的工作。首先, 经济增长(GDP)和人口增长等宏观经济参数与电力需求增长密切相关, 再者, 电力需求通常与不同部门的增长速度相关, 各种能源技术的价格发展会降低电力使用成本, 从而提高电气化率, 消费者的规范和偏好也会影响未来对电力服务的需求。本文采用多元回归分析构建中国电力需求预测模型, 主要方程为
式中, Demand 为电力需求, GDP 为国内生产总值, People 为总人口数, Industry Ratio 为第二产业占比, Energy Efficiency 为能源效率。
图2 电力系统存量流量图(SFD)
Fig. 2 Stock flow diagram (SFD) of power system
3)电力供应模块。反映电力供应实时平衡的内在机制以及发电碳排放量的形成, 主要受电力装机容量影响。为避免模型过于复杂, 考虑到电力市场竞争下不同时期建成的机组发电效率不同, 本文将各类发电装机分为晚期、中期和近期机组, 捕捉不同时期不同电源类型容量利用率的基本特征。电力供应模块核心方程包括
(8)
(9)
式中, Generations[type, vintage]为各阶段各类型电源发电量([类型, 阶段] , 下同), Capacitys 为装机容量, GF matrix 为发电容量系数, CO2 Emissions 为发电碳排放量, Emission intensitys 为发电碳排放强度, Emission intensitys initial 表示初始发电碳排放强度, Learning multipliers 为技术进步乘数, CCS Ratio 为CCS 比例。
4)成本效益模块。反映发电利润形成的内在机制, 主要受电价、电力投资和运行成本影响, 其中电力投资成本受技术进步率影响, 运行成本受技术进步率和碳交易价格的影响。新增产能的投资决策基于预期投资回报的期望, 盈利能力是新增产能投资激励的关键因素, 市场价格信息、预期收益风险将影响投资规模。假定电力系统存在充分竞争的市场, 价格和成本是市场参与者投资决策的关键因素。成本效益模块核心方程包括
(12)
(13)
(15)
(16)
式中, effects of Profitability on Investment Rate 为投资影响因子, WITHLOOKUP 为 SD 内置搜寻函数, ROI 为实际投资回报率, RROI 为投资回报率标准, Operating Profits per kWh 为单位运营利润, real Price为实际电价, expected Price trend 为预期价格趋势, Operating Costs per kWh 为单位运营成本, Fuel Costs per kWh 为单位燃料成本, O&M Costs per kWh 为单位运行维护成本, Emission Costs per kWh 为单位发电排放成本, CCS Cost per kWh 为单位发电 CCS 成本, Incentives per kWh 为单位发电补贴, Investment Costs per kWh 表示单位发电投资成本, Investment Costs 为单位装机投资成本, Amortisation period 为折旧年限, Investment Cost initials 为初始单位装机投资成本, Integration Costs 为单位系统集成成本。
5)电力投资模块。反映影响电力投资的内在机制和电力装机容量的形成机制, 主要受电力成本效益影响。不同类型电源新增产能投资与装机容量和盈利能力影响是非线性关系, 模型中包含非线性和时间延迟, 使用非线性公式产生的产能投资行为与现实中观察到的一致, 通常表现出不同技术产能的 S 形扩散曲线。在长期范围内, 本模型可能表现出由投资者行为假设和所涉及的时间延迟导致的过度投资和产能赤字。电力投资模块核心方程包括
(18)
(19)
(21)
式中, Capacitys Investments 表示年新增容量投资, Investments rate 为年新增容量投资率, Capacitys 为各类型电源装机容量, Investments 表示各类型电源年新增投资金额, sum Investment 为年新增投资总金额, Investment NPV 为总新增投资净现值, discount rate 为折现率, NPVE 为 SD 模型内置折现计算函数, Financial Cost NPV 表示财政支出净现值, Incentive NPV 为补贴需求净现值。
6)技术进步模块。反映技术进步率变化的内在机制, 主要受电力装机容量影响。测量技术变化的常用方法是基于学习曲线概念和技术进步率的估计, 学习曲线将技术的成本或价格定义为内生学习资源因素的幂函数, 为累积形式, 如装机容量。在本模型设计中, 考虑内生和外生因素共同对技术进步的作用, 根据历史装机容量和成本数据估算内生学习率, 基于数据的可得性, 根据每种电源类型技术程度的不同, 对内生和外生学习率赋予不同的权重。技术进步模块核心方程包括
(23)
(24)
式中, endogenous Learning multipliers 为内生技术进步乘数, Learning index 为内生学习率, exogenous Learning multipliers 为外生技术进步乘数, exogenous Learning rates 为外生学习率, weight on endogenous Learning 为内生技术进步权重, Learning multipliers为技术进步乘数。
7)碳定价模块。反映碳价格形成的内在机制和碳收入分配的机制, 以碳交易为主, 主要受发电碳排放量影响。简化起见, 仅考虑电力行业排放的最主要构成部分, 即火电机组运行期的碳排放量, 其中碳价格主要对火电的运营成本产生影响, 从而影响火电赢利性, 进一步通过对投资率的变化影响火电装机投资。碳定价模块核心方程包括
(26)
(27)
(29)
(30)
式中, Carbon Price 为碳价格, Carbon Price chg 为单位时间碳价变化量, all CO2 Emission 为发电总碳排放量, total CO2 Allowance 为碳配额总量, cAT 为碳价调整周期, average Carbon Price 表示平均碳价格, SMOOTH 为 SD 内置平滑函数, pre1 total CO2 Emis-sion 为前 1 年总碳排放量, Allowance Ratio 为配额限比, Auction Income 为配额拍卖收入, Auction Ratio为配额拍卖比例, net Incentive 为净补贴需求总量, all Incentive 为总补贴量, TIME STEP 为 SD 模型计算步长, Carbon-Incentive Ratio 为碳收入用于补贴比例, Incentive NPV 为补贴需求净现值。
模型的构建及模拟通过 Vensim DSS 软件完成, 包含 551 个变量, 289 个方程。受篇幅限制, 各模块详细存量流量图(SFD)及方程组未能全部展示。
2.2.3 有效性测试
SD 模型是面向问题建模, 着重研究在合理范围内提出的问题, 在测试模型有效性时, 需要把模型信度与问题目标联系起来, 判断对主要问题目标模拟结果的有效性。由于影响电力行业发展的因素较为复杂, 且存在较大的不确定性, 模型模拟不可能准确地反映未来 40 年电力行业每个时刻的详细参数状态, 而是侧重系统内重要指标的变化趋势, 强调系统性的行为, 这也是模型有效性测试的出发点。基于以上目标和原则, SD 模型主要进行基本条件检查和敏感性测试的组合, 形成对系统全面性的检验, 筛选并处理模型可能存在的严重缺陷, 在此基础上对一定历史范围内的数据进行模拟, 通过对模拟数据与实际数据的偏差, 分析模型对客观系统反映的有效程度。
在完成基本条件检查和敏感度测试并完善基本参数的基础上, 通过对 2019—2023 年总发电装机、总发电量以及 2023 年各类发电类型装机等系统整体参数的模拟, 检验模型是否具备有效地反映真实情况的能力。从表 1 看, 2019—2023 年总发电装机的模拟数值与实际数值的偏差都在±10%以内。从表 2 看, 除 2020 年总发电量模拟数值比实际数值高 14.28%以外, 其他各年的模拟数值与实际数值的偏差基本上在±10%以内, 考虑到疫情对经济社会的影响冲击, 2020 年出现相对较大的偏差属于合理情况。从表 3 看, 2023 年的各类型电源发电装机模拟数值与实际数值之间的差距仍然不超过±10%。可以看出, 本文构建的 SD 模型能较好地反映中国电力系统变化情况, 具备开展系统长期模拟分析的基础条件。
SD 模型数据是存量和流量通过反馈循环结构内生变化的结果, 模型所需数据包括电力系统配置以及资源条件的初始值和方程变量间关系参数。模型旨在模拟电力行业可能的商业周期, 从而反映市场行为, 并非准确地模拟实际市场结果, 而是集中于数学框架的制定, 以便扩展建模方法。其中, 电力系统配置主要为相关电力工业统计数据, 包括不同发电类型(火电、核电、水电、风电和太阳能发电)装机容量及在建装机容量、火电单位发电碳排放水平、电力现货平均价格水平和碳配额平均价格水平等, 主要为国家能源局发布的 2023 年数据; 不同发电类型单位运行维护成本、单位建设投资、发电利用率、行业基准投资收益率及内生学习率等采用 2019—2022 年《中国电力统计年鉴》数据平均值, 不同发电类型的生命周期、建设周期参考 IEA报告[24], 各类资金净现值的折现率按 3%计。
表1 2019—2023年总发电装机模拟数据对比
Table 1 Comparison of SD simulated and real data (total capacity 2019–2023)
年份总发电装机/亿千瓦模拟与实际值偏差/%实际数值模拟数据 201920.1120.10−0.03 202022.0123.396.29 202123.7725.447.03 202225.6427.196.04 202329.2028.87−1.12
表2 2019—2023年总发电量模拟数据对比
Table 2 Comparison of SD simulated and real data (total generation 2019–2023)
年份总发电量/万亿千瓦时模拟与实际值偏差/%实际数值模拟数据 20197.507.37−1.78 20207.788.8914.28 20218.538.651.40 20228.859.153.42 20239.469.601.52
表3 2023年各类型电源发电装机模拟数据对比
Table 3 Comparison of SD simulated and real data (capacity of each power type 2023)
电源类型发电装机/亿千瓦模拟与实际值偏差/%实际数值模拟数据 火电13.9013.79−0.8 核电0.570.616.5 水电4.224.404.4 风电4.414.07−7.7 光伏60.9560.01−1.5
模型主要采用计量方法, 利用历史数据确定方程的关系参数。其中, 决定电力市场长期发展趋势的最主要因素是电力需求增长。考虑到中国电力行业不同阶段的发展历程, 电力市场化起步后的数据对本文研究更具参考意义。兼顾统计数据可得性, 本文选择 2005—2022 年《中国统计年鉴》相关数据, 通过多元回归分析, 构建以国内生产总值(GDP)、总人口数、第二产业占 GDP 比重和万元GDP 能耗的倒数(能源效率)为自变量, 电力消费量(用电量)为因变量的需求增长方程, 其中涉及价格的变量数据均采用 1978 年不变价格。在模型模拟分析过程中, 第二产业占 GDP 比重、万元 GDP 能耗水平变化率采用 2005—2022 年平均值, GDP 增速和总人口数变化趋势参考张小丽等[25]和张希良 等[26]的设置。需要说明的是, 不同文献中对中国未来电力需求增长的预测结果存在一定的差距, 本研究关注的核心问题是不同发展路径下电力系统结构的变化情况。需求预测结果的不同可能影响电力系统发展规模的具体数值, 但不会造成系统结构的决定性变化, 因此不影响本文的主要结论。
本文主要考虑燃料价格(火电、核电)和 CCS 初始成本这两个外部不确定性来源。其中, 燃料价格主要影响对应发电类型的运行成本, CCS 投入时间以及捕集封存比例是影响火电碳排放量的重要因素, 会增加火电投资和运行成本, 本模型中统一折算为运行成本的影响, 具体情况见电力供应和成本效益模块。火电燃料价格以 2022 年秦皇岛动力煤价均值为基准值, 核电燃料价格参考 IEA 报告[24], CCS初始成本参考联合国气候变化专门委员会(IPCC)特别报告[27]。考虑到燃料价格波动幅度较大, CCS 发展路线并不明确, 上述因素都存在不确定性, 本文通过适当的随机过程来描述这些外部变量的波动对电力市场的扰动以及对未来电力行业发展带来的不确定性。
如前所述, 在未来几十年中, 中国电力行业需要在保障电力供应安全、电力经济性和深度脱碳这3 个目标的共同约束下努力向前发展, 在实现低碳发展的同时, 避免对经济和社会福祉造成过大的负面影响。这也是本文进行中国电力行业未来发展情景分析的关键目标, 针对这 3 项目标分别设置以下指标变量, 作为模型模拟过程中主要目标参数。
3.1.1 电力供应安全指标
电力供应安全指标为电力供应充足率。电力供应安全始终是第一目标, 通过电力供应与电力需求差距占电力需求的比例来计算, 正值表示电力供应盈余, 负值表示电力供应欠缺。
3.1.2 电力低碳发展指标
电力低碳发展指标为发电总碳排放量。该指标的变化反映系统碳排放总量的发展趋势, 重点关注总排放量达峰时间及峰值、总排放量最低的时间及谷值。目前, 电力行业排放占全部排放的 40%左右, 考虑到其他高排放行业都属于难减排行业, 在 2030年实现达峰难度较大, 且加速电气化是推动其他行业减排的重要方式, 因此电力行业应至少保证按期达峰, 即发电总碳排放量应当在 2030 年前后实现达峰[28–29]。考虑到最后边际减排成本可能过高以及碳汇能力, 到 2060 年要实现深度脱碳目标, 排放量要减少至当前水平的 15%以下(不高于 7.5 亿吨)。
3.1.3 电力经济性指标
1)电价浮动比: 通过销售电价(电力市场交易价格+电网输配价格)变化值与初始值的占比来计算, 正值表示电价上涨, 负值表示电价下跌。
2)碳交易价格: 可能对火电发电成本产生巨大的影响, 产生资产搁浅问题。中国电力碳交易市场刚开始运行, 碳交易价格的形成机制还不成熟, 未来价格的走势如何尚不得而知, 希望通过本文研究能提供一定的参考。
3)电力低碳发展社会成本: 电力投资成本与补贴需求成本之和, 反映不同电力低碳发展路径的总社会成本水平, 其中电力投资成本为所有发电类型投资总额的累计净现值, 补贴需求成本为不同发电类型及 CCS 发展需要的补贴累计净现值。
模拟不同低碳发展措施对电力行业发展情景的影响, 本质都是通过不同的措施限制火电碳排放, 同时通过市场机制激励可再生能源发展, 包括行政手段限制增速、碳交易市场和发展碳捕集, 通过对不同措施的脱碳潜力以及对电力供应安全和经济性的影响进行评估, 提供分析电力行业低碳发展路径选择的依据。
1)基准情景(BAU 情景): 指在保持现有政策激励机制及市场发展模式的基础上, 通过行政手段直接限制火电发展速度的模式。火电投资增速控制在电力市场中基准投资增速的 1/10, 主要通过市场机制激励可再生能源发电, 满足新增电力需求; 针对可再生能源发电间歇性波动性问题, 维持电力系统可靠性产生的集成成本在电网部分统一计算, 并平均分担至单位用电量, 即不对可再生能源配储能进行强制约束; 碳交易市场采取免费配额方式, 不投入CCS, 即不对火电碳排放进行强制约束。
2)碳交易情景(ETS 情景): 指在保持现有政策激励机制及市场发展模式的基础上, 通过碳排放交易(ETS)限制碳排放总量的模式。碳交易提高火电排放成本, 从而控制火电发展速度, 通过市场机制激励可再生能源发电, 并适当加快核电发展, 满足新增电力需求; 系统集成成本在电网部分和可再生能源发电部分进行分担, 增加对风电、太阳能发电配套储能设施的要求比例; 碳交易配额采取拍卖配额的方式, 不投入 CCS, 即通过碳交易对火电碳排放进行强制约束。
3)碳交易+碳捕集情景(ETS+CCS 情景): 指在保持现有政策激励机制及市场发展模式基础上, 逐步发展 ETS 市场, 同时发展 CCS 控制碳排放总量的模式。ETS 和 CCS 增加火电碳排放成本, 从而控制火电发展速度, 通过市场机制激励可再生能源发电并适当加快核电发展来满足新增电力需求; 系统集成成本由电网部分和可再生能源发电部分分担, 增加对风电、太阳能发电配套储能设施的要求比例; 碳交易市场采取拍卖配额的方式, 同时投入 CCS, 即通过碳交易和 CCS 两方面对火电碳排放进行强制约束。
按照上述思路设置有主要情景参数如表 4 所示。
3.3.1 电力行业发展基本情况
电力行业发展基本情况主要关注电力结构调整过程和低碳电力增长过程, 图 3(a)和(b)分别显示不同发展情景下各类发电装机以及发电量占比的变化情况。
1)BAU 情景下, 由于火电装机增速的大幅下降, 电力供需差的增加会激励市场主体加大可再生能源投资, 其中太阳能发电由于成本下降更快、分担集成成本相对少及资源更丰富等原因, 将成为主力电源。到 2060 年, 总发电装机超过 180 亿千瓦, 与 2024 年水平相比, 火电装机降低近四成, 仅占总装机的 4.6%, 太阳能发电装机增长约 19 倍, 风电装机增长约 10 倍, 合计占总装机的 92%, 但会产生产能过剩问题(见 3.3.2 节的分析)。在发电装机快速增加的同时, 可再生能源发电量占比也不断增大, 到2060 年, 太阳能和风电合计发电量占比接近 80%, 火电发电量占比低于 10%, 核电和水电合计发电量的占比约为 10%。
2)ETS 情景下, 碳交易配额逐步缩减, 火电 碳排放约束逐渐提高, 成本提升, 装机增速下降, 但是整体装机规模大于 BAU 情景同期, 在 2035 年前后火电装机达到峰值; 风电、太阳能发电由于增加储能配置, 提高了投资成本, 在一定程度上控制了装机增速。到 2060 年, 总发电装机超过 120 亿千瓦, 其中火电装机的占比约为 7.8%, 太阳能和风电装机的占比合计约为 85.8%; 到 2060 年, 火电发电量的占比约为 12.7%, 太阳能和风电发电量的占比合计约为 68.5%, 核电和水电发电量的占比合计约为 18.8%。
3)ETS+CCS 情景下, 碳交易配额缩减速度可以放缓, 通过发展 CCS 来控制火电碳排放, 但是需要通过补贴支持 CCS 发展, 火电整体装机规模大于ETS 情景同期, 在 2044 年前后火电装机达到峰值; 相应地, 可再生能源装机小于 ETS 情景同期规模。到 2060 年, 总发电装机约 109 亿千瓦, 其中火电装机的占比约为 15.4%, 太阳能发电和风电装机的占比合计约为 78.3%; 到 2060 年, 太阳能和风电发电量的占比合计约为 58.6%, 火电发电量的占比约为24.5%, 核电和水电发电量的占比合计约为 16.9%。
3.3.2 电力供应安全目标情况
如图 4(a)所示, BAU 情景下, 前期电力供应会出现较大的缺口, 后期则会供应过剩。该路径下, 由于发展初期火电新建大幅减少, 随着火电机组到龄退役, 整体装机规模逐步减小, 会对整个电力系统装机规模造成影响。受资源限制、市场信息反馈滞后等因素影响, 可再生能源的新增容量不会立即弥补容量缺口, 因此会产生电力供应缺口, 并不断扩大, 到 2040 年前后电力缺口最大(约−7.6%)。之后, 随着可再生能源容量的增加, 电力供应缺口逐步缩小到满足需求, 但由于技术的进步加快了可再生能源装机成本的下降, 且未负担系统集成成本, 后期可再生能源的盈利能力会明显上升, 进而促进投资, 同样将因为市场信息反馈时滞等因素导致产能过剩, 电量供应过剩率可能高达 13%, 需要通过严格的管制措施来控制可再生能源投资率, 避免“弃风弃光”等问题的加剧。
表4 主要情景参数设置
Table 4 Main scenario parameters
指标项BAU情景ETS情景ETS+CCS情景 电力装机增速火电: 维持在 1%以下核电: 3%~4%水电: 从 3%逐步降至 0风电: 从 8%增至 13%后, 降至 6%光伏: 从 15%逐步降至 6%火电: 从 5%逐步降低, 2033 年后为 0核电: 6%~7%水电: 从 3%逐步降至 0风电: 7%~8%光伏: 从 13%增至 17%后, 降至 4%火电: 从 5%逐步降低, 2053 年后为 0核电: 6%~7%水电: 从 3%逐步降至 0风电: 7%~8%光伏: 从 14%逐步降至 6% 储能设施配置不增加储能设施, 系统集成成本由电网承担, 并传导至销售电价可再生能源配置储能设施, 分担25%系统集成成本可再生能源配置储能设施, 分担25%的系统集成成本 碳交易机制碳交易配额免费分配2024 年开始拍卖配额, 2032 年实现100%拍卖2024 年开始拍卖配额, 2060 年实现 100%拍卖 CCS应用不应用CCS不应用CCS2024 年开始应用 CCS 并补贴, 2060 年最大程度捕集
图3 不同情景下各类发电装机(a)和发电量占比(b)的变化情况
Fig. 3 Installed capacity (a) and the share of generation (b) by power types under different scenarios
ETS 情景下, 前期电力供应会出现一定的缺口, 后期基本上趋于平稳。该路径下, 碳交易通过增加碳成本来降低火电投资率, 但由于碳成本是逐步增加的, 这一过程存在时滞, 因此火电装机的增加将维持一段时间, 但增速下降。这一过程中, 电力供需会出现缺口, 风电和太阳能投资率开始上升, 但由于市场信息的时滞, 无法及时弥补电力供需缺口, 因此电力供应不足的情况会持续一定时间。直至 2034 年前后, 电力供应充足率最低降至−4.8%。之后, 随着可再生能源装机的增加, 电力供需缺口逐渐减小, 到 2043 年后基本上实现供需平衡。
ETS+CCS 情景下, 基本上可以保障电力供应安全。该路径下, CCS 的应用可以直接降低火电发电的碳排放强度, 但对火电投资和运行成本影响均较大, 需要进行补贴, 才能实现良性发展。火电装机会缓慢增长后再逐步下降, 可再生能源稳步增长, 由于市场信息时滞的存在, 可能存在短时的微小供需缺口, 但整体来看, 基本上可以实现电力供需 平衡。
3.3.3 电力低碳发展目标情况
如图 4(b)所示, BAU 情景下, 无法实现电力碳排放控制目标。该路径下, 碳排放降低的速度由现有机组的退役速度决定, 而中国火电机组平均服役年限还不到生命周期的 1/3, 因此碳排放总量将有一段较长的平台期, 大致维持到 2037 年, 期间排放量会有波动, 峰值排放量约为 58 亿吨, 之后排放量下降, 但下降速度有限, 到 2060 年, 排放量仍然有约 22 亿吨。
图4 不同情景下电力供应充足率(a)、发电碳排放总量(b)、电价浮动比(c)、碳交易价格(d)和电力低碳发展社会成本(e)的变化情况
Fig. 4 Power supply adequacy (a), total carbon emissions (b), tariff float ratio (c), carbon trading prices (d), and social costs of low-carbon development of power industry (e) under different scenarios
ETS 情景下, 可以实现电力碳排放达峰目标, 但无法实现电力深度脱碳目标。该路径下, 碳交易配额在 2032 年前后实现全部拍卖, 可实现 2030 年前后碳排放达峰, 峰值水平约为 58 亿吨。但是, 仅通过碳交易市场的深度脱碳效果有限, 在碳配额拍卖初期, 新增火电仍然保有一定的速度, 到 2060年, 仍然有 25 亿吨左右的排放量。
ETS+CCS 情景下, 可以较好实现电力碳排放达峰和深度脱碳目标。该路径下, CCS 对发电整体碳排放量的作用速度较快, 参考中国电力行业脱硫脱硝除尘经验, 可以通过逐步降低火电碳排放强度标准的方式, 增加 CCS 的应用比例。要实现碳排放达峰目标, 最晚 2027 年前要投入 CCS, 随着碳捕集比例增加, 碳排放强度降低, 火电碳排放量开始下降, 碳捕集的最大程度按照排放强度降低 85%考虑, 到 2060 年, 剩余的总排放量约为 6.7 亿吨。
3.3.4 电力经济性目标情况
BAU 情景下, 电价大幅上涨, 电力低碳发展社会成本较高。该路径下, 由于可再生能源比例的快速增大, 相应的系统集成成本不断增高, 导致电网成本增加, 并传递至销售电价。如图 4(c)所示, 销售电价不断增加, 到 2060 年增加幅度达到 25%, 这将给电力用户带来巨大的负担。该路径下, 由于没有碳交易成本和 CCS 补贴, 到 2060 年, 电力低碳发展社会成本约为 200 万亿元(图 4(e)), 基本上由发电投资成本组成。
ETS 情景下, 电价涨幅较大, 电力低碳发展的社会成本很高。该路径下, 通过增加储能设施, 由可再生能源分担系统集成成本, 可在一定程度上降低电网的成本负担, 从而适当地减少销售电价的上浮, 到 2060 年增加幅度约 19%(图 4(c))。该路径下, 将迅速提高碳交易价格, 到 2060 年前将达到 2000元/吨(图 4(d))。高碳价会造成火电运行成本大幅上升, 已有在运机组仍然是保障系统供应安全的基础, 因此需要对运行机组进行补贴, 保证零利润下的基本运行, 这部分补贴将成为社会成本的重要构成。到 2060 年, 电力低碳发展社会成本将达 356 万亿元(图 4(e)), 其中补贴和投资成本基本上各占一半。
ETS+CCS 情景下, 电价有一定的上涨比例, 电力低碳发展社会成本较低。该路径下, 可再生能源装机增幅最小, 因此系统集成成本也最低, 销售电价的上浮比例也最小, 到 2060 年, 增加幅度约为9.3%(图 4(c))。该路径下, 由于碳交易配额拍卖比例逐步提升, 到 2060 年即可实现全部拍卖, 碳交易价格上升缓慢, 到 2060 年约为 420 元/吨(图 4(d))。此外, 碳交易拍卖收入可以用于 CCS 补贴(模型中按照 50%用于 CCS 补贴来考虑), 降低总补贴成本。到 2060 年, 电力低碳发展社会成本将达 163 万亿元(图 4(e))。
3.3.5 三种情景发展路径对比
综上所述, 3 种情景发展路径的主要指标如表 5 所示。
根据本研究中 3 种情景模拟结果, 可以得到如下结论。
1)过度限制火电发展, 仅仅依靠市场激励可再生能源, 无法有效地保障电力供应安全, 同时也不能实现电力行业低碳发展目标。由于水电受资源限制, 核电受安全限制, 它们在电力系统中起到补充 作用。
2)高比例可再生能源导致的系统成本大幅增加, 会对电力的经济性造成较大的影响。由于对市场反应的时滞, 如不通过行政手段控制可再生能源的发展速度, 后期会产生过度投资导致的产能过剩问题, 造成大量无谓的投资, 增加电力低碳发展的社会成本。增加储能是缓解系统成本的有效方式, 同时可以合理地控制可再生能源增长速度。
3)加快推动碳交易市场的排放配额拍卖是实现碳排放达峰目标的可行措施, 但不能保证电力行业深度脱碳目标的实现, 而碳价格传导至火电生产成本, 将进一步限制火电装机增速, 还会产生供电安全隐患。可再生能源的快速发展不足以弥补供电缺口, 仍然需要对高碳价下火电机组的运行成本进行补贴, 避免因大量资产搁浅造成冲击电力基本供应, 但也会产生较大的补贴成本。
4)CCS 的应用可以有效地控制电力碳排放, 同时稳步配置储能设施, 实施碳交易配额拍卖, 促进火电和可再生能源的相对平稳发展, 可以在保障电力供应安全的前提下实现电力行业低碳发展目标。由于初期成本仍然较高, CCS 发展需要补贴支持, 将碳交易拍卖的收入用于补贴 CCS, 则可以有效地降低电力行业低碳发展的社会成本。
综上所述, 适用于中国电力行业的低碳发展路径不能完全停止火电发展, 应立足以煤为主的基本国情, 通过市场机制合理地控制火电增速, 促进可再生能源发展, 逐步完善储能设施保障系统的稳定性, 并降低系统成本, 启动碳交易市场排放配额拍卖并逐步加大拍卖比例, 同时加快 CCS 的发展应用, 可以将碳配额拍卖的收入用于 CCS 等低碳创新补贴, 促进电力行业的低碳发展。
表5 3种情景发展路径对比
Table 5 Comparison of three scenarios
情景电力供应安全电力低碳发展电力经济性电价涨幅碳交易价格低碳发展社会成本 BAU前期缺口较大(−7.6%), 后期供应过剩(13%)无法按时实现碳排放达峰目标, 到 2060 年仍有 22 亿吨排放最大, 2060年达 25%维持基准水平(50 元/吨)中等, 到 2060 年约为 200 万亿元, 投资成本为主 ETS前期少量缺口(−4.8%), 后期基本平衡可基本上实现碳排放达峰目标, 到 2060 年仍有 25 亿吨排放中等, 2060年达 19%到 2060 年超过2000元/吨最高, 到 2060 年约为 356 万亿元, 投资、补贴成本各半 ETS+CCS基本保证供需平衡可实现碳排放达峰目标, 到 2060年排放减少至 6.7 亿吨最小, 2060年达 9.3%到 2060 年约为420 元/吨最低, 到 2060 年约为 163 万亿元, 投资、补贴成本占比约为 0.84:0.16
1)电力行业低碳发展关键机制的设计要充分协调和发挥市场和政府的作用。电力市场以及碳交易市场的机制是电力行业资源配置的关键因素, 也是推动电力行业低碳发展的基础, 但在市场化主导的发展模式下, 由于信息的时滞等原因, 可能出现市场失灵, 导致投资不足, 产生电力供应缺口, 或可再生能源投资过度带来产能过剩问题。另一方面, 低碳技术创新面临化石燃料能源体系的技术锁定和路径依赖等障碍, 需要通过补贴和公共投资政策来支持低碳技术的扩散。其中, 储能设施的配套、在火电领域推广 CCS 的应用(借鉴大气污染物排放控制经验)、碳排放配额拍卖及拍卖收入的分配、避免火电资产搁浅的补贴等, 是政府在电力行业低碳发展过程中应当重点关注的方面, 必要时应及时进行政策干预。
2)监测行业发展信号, 及时进行政策调整, 是保证低碳路径实施的关键。电力行业低碳发展是一个长期的转型过程, 而电力行业又是一个复杂系统, 涉及国民经济的方方面面, 存在很大的不确定性, 制定如此长时期的发展策略并坚持执行将非常困难, 需要系统地梳理影响电力行业发展主要因素之间的关系, 制定推动电力行业深度脱碳发展的政策支撑体系。正如本文选择 SD 模型进行分析的出发点, 低碳发展过程中的信息反馈是决定低碳政策实施效果的重要因素, 包括行业主体的成本水平、技术进步情况和补贴的发放等, 都会对被实施主体的发展意愿产生重大影响, 从而影响路径发展结果。因此, 在路径发展的过程中, 要监测行业发展情况, 及时捕捉重要反馈信号, 在政策面临失效时(如减排力度不够或产生不可接受的成本)及时修订。
参考文献
[1] 林伯强. 现代能源体系下的碳市场与电力市场协调发展. 学术前沿, 2022(7): 56–65
[2] 冯永晟, 周亚敏. “双碳”目标下的碳市场与电力市场建设. 财经智库, 2021, 6(4): 102–123
[3] Zeyringer M, Price J, Fais, et al. Designing low-carbon power systems for Great Britain in 2050 that are robust to the spatiotemporal and inter-annual variability of weather. Nature Energy, 2018, 3: 395–403
[4] Handayani K, Filatova T, Krozer Y, et al. Seeking for a climate change mitigation and adaptation nexus: analy-sis of a long-term power system expansion. Applied Energy, 2020, 262: 114485
[5] IEA. China power system transformation: assessing the benefit of optimized operations and advanced flexibi-lity options [R/OL]. (2019–02) [2024–02–08]. https:// www.iea.org/reports/china-power-system-transformation
[6] IRENA. Renewable energy roadmap for Central Ame-rica: towards a regional energy transition, international renewable energy agency [C/OL]. Abu Dhabi, 2022 [2024–02–08]. https://www.irena.org/Publications/2022/ Mar/Renewable-Energy-Roadmap-for-Central-America
[7] Abhyankar N, Lin J, Kahrl F, et al. Achieving an 80% carbon-free electricity system in China by 2035. iScience, 2022, 25: 105180
[8] Plazas-Niño F A, Yeganyan R, Cannone C, et al. Infor-ming sustainable energy policy in developing coun-tries: an assessment of decarbonization pathways in Colombia using open energy system optimization modelling. Energy Strategy Reviews, 2023, 50(11): 101226
[9] Jacquier C, Rigo-Mariani R, Debusschere V, et al. Na-tional energy system modeling for decarbonization pathways analysis: considering distribution grids [EB/ OL]. (2024–06) [2024–07–09]. https://ssrn.com/abstra ct=4871008
[10] 张运洲, 张宁, 代红才, 等. 中国电力系统低碳发展分析模型构建与转型路径比较. 中国电力, 2021, 54(3): 1–11
[11] 李政, 陈思源, 董文娟, 等. 碳约束条件下电力行业低碳转型路径研究. 中国电机工程学报, 2021, 41(12): 3987–4000
[12] Chen H, Tang B J, Liao H, et al. A multi-period power generation planning model incorporating the non-carbon external costs: a case study of China. Applied Energy, 2016, 183: 1333–1345
[13] 清华大学碳中和研究院. 中国碳中和目标下的风光技术展望[EB/OL]. (2024–01) [2024–03–05]. https:// www.icon.tsinghua.edu.cn/__local/6/95/2F/2E40B08AF86764D6680DC9C7404_3BCB5C27_1CD0BD9.pdf
[14] 衣博文, 范英. 高比例可再生能源接入下的电力系统规划研究. 管理科学学报, 2023, 26(10): 21–25
[15] Wang Z, Li J, Wang B. The decarbonization pathway of power system by high-resolution model under dif-ferent policy scenarios in China. Applied Energy, 2024, 355(1): 122235
[16] 张素芳, 吕书贺. 基于系统动力学方法的碳市场拍卖比例对我国电源结构的影响研究. 华北电力大学学报(社会科学版), 2020(3): 16–25
[17] 王其藩. 系统动力学. 北京: 清华大学出版社, 1988
[18] Arto K, Dolgopolova I, Hu B, et al. Germany’s electricity industry in 2025: evaluation of portfolio concepts // The 212 International Conference of the System Dynamics Society Proceedings. St Gallen, 2012: 1148
[19] Franco C J, Castaneda M, Dyner I. Simulating the new British electricity-market reform. Eurepean Journal of Operation Research, 2015, 245(1): 273–285
[20] 张金良, 周秀秀. 基于系统动力学的发电行业市场型碳减排政策影响分析. 中国电力, 2020, 53(6): 114–123
[21] 刘文君, 张莉芳. 绿色证书交易市场、碳排放权交易市场对电力市场影响机理研究. 生态经济, 2021, 37(10): 21–30
[22] 李璐, 张泽端, 毕贵红, 等. “双碳”目标下基于系统动力学的发电行业碳减排政策研究. 电力系统保护与控制, 2024, 52(12): 69–81
[23] 陶在朴. 系统动力学入门. 上海: 复旦大学出版社, 2018
[24] IEA, NEA, OECD. Projected costs of generating ele-ctricity 2020 version [EB/OL]. (2020–12–09) [2024–03–09]. https://www.oecd-nea.org/upload/docs/applica tion/pdf/2020-12/egc-2020_2020-12-09_18-26-46_781.pdf
[25] 张小丽, 刘俊伶, 王克, 等. 中国电力部门中长期低碳发展路径研究. 中国人口·资源与环境, 2018, 28(4): 68–77
[26] 张希良, 黄晓丹, 张达, 等. 碳中和目标下的能源经济转型路径与政策研究. 管理世界, 2022(1): 35–51
[27] 政府间气候变化专门委员会. IPCC特别报告二氧化碳捕获和封存(ISBN 92-9169-519-X)[EB/OL]. (2018) [2024–03–09]. https://www.ipcc.ch/site/assets/uploads/ 2018/03/srccs_spm_ts_cn-1.pdf
[28] 华北电力大学袁家海教授课题组, 北京大学能源研究院气候变化与能源转型项目组. 电力部门碳排放达峰路径与政策研究[R/OL]. (2021–12) [2024–03–09]. https://energyandcleanair.org/wp/wp-content/uplo ads/2022/10/[报告]电力部门碳排放达峰路径与政策研究.pdf
[29] 陈怡, 田川, 曹颖, 等. 中国电力行业碳排放达峰及减排潜力分析, 气候变化研究进展, 2020, 16(5): 632–640
Low Carbon Development Path of China’s Power Sector Based on System Dynamics
Abstract In the future, China’s power sector needs to develop under the constraints of the triple objectives of power supply security, decarbonization and power economics. Given the complexity, nonlinearity and uncertainty of the power sector, an analysis of the low-carbon development path of China’s power sector using system dynamics modeling reveals that, based on the coal-dominated national conditions, China should reasonably control the growth rate of thermal power through power and carbon market price constraints, orderly deploy energy storage facilities to ensure the stability of the system and promote the rational development of renewable energy sources, accelerate the application of carbon capture and storage (CCS) to effectively reduce power carbon emissions, and incentivize CCS innovation and development through revenue distribution from carbon emission quota auctions.
Key words power sector; low carbon development; system dynamics; renewable energy; power security; power economics