2. 东莞市生态环境局, 东莞 523071;
3. 广东海洋协会, 广州 510220
2. Dongguan Ecological Environment Bureau, Dongguan 523071, China;
3. Guangdong Ocean Association, Guangzhou 510220, China
为应对气候变化, 降低温室效应影响, 如何更早实现CO2净零排放已成为全球热点问题.中国明确提出2060年实现碳中和目标, 其中城市作为能源消耗的中心, 在经济快速发展和城市化进程加快的驱动下, 能源消费持续增长, 存在着两个方面的问题: 一方面城市是温室气体的重要来源, CO2排放量占全球的3/4[1]; 另一方面城市大气环境问题日益突出, 复合型大气污染形势严峻, 城市同时面临着减少空气污染和碳排放的双重挑战[2].因此针对性确定城市协同减排路径对中国减轻空气污染和降低碳排放具有重要意义.
城市化进程推动着电气化水平提高[3], 利用电能替代终端部门直接使用的化石能源, 一方面将能源消耗集中在电力部门, 另一方面提高了清洁能源利用率[4~6], 电气化已成为城市实现减污降碳的关键策略.全球正在积极挖掘电气化的实施潜力, 包括交通部门推广新能源车、工业部门电冷热技术和建筑部门采用高效电器等[7~9].然而, 对于电气化能否实现减污降碳存在一定争议, Zhao等[6]和Khanna等[10]的研究指出, 即使中国最大化部署清洁能源, 加速电气化仍然会增加碳排放.但Ebrahimi等[4]和Dennis等[11]则认为, 未来电力CO2强度下降, 电力设备效率提高, 将出现对环境有益的电气化有利条件.因此, 评估我国不同城市低碳路径下加速电气化实现协同减排效应的可行性具有重要的现实意义.
电气化的研究大多以宏观经济作为出发点, 自上而下地评估特定区域的电气化潜力[12~14], 集中于对国家或区域的单个部门分析.侧重于分析交通部门电气化影响[7, 14~16], 忽略了主要且快速增长的工业和建筑部门电气化的减污降碳潜力[8~10, 17].归纳来看, 城市整体精细化评估多部门电气化措施的减污降碳潜力仍有空缺.东莞市作为“世界制造工厂”, 是广东省典型制造业城市, 经济迅速发展拉动人口增长, 交通运输扩大, 迫切需求满足改善空气质量和实现碳中和的低碳发展路径.鉴于此, 本文选取东莞市作为研究对象, 基于长期能源替代规划模型(LEAP-DG), 评估工业、建筑和交通部门在低碳路径下加速电气化的减排效果, 量化重点部门的措施贡献, 探讨典型城市的协同减排策略, 以期为类似城市减缓气候变化和节能减排发展提供参考.
1 材料与方法 1.1 LEAP模型LEAP模型是一种自下而上对温室气体-大气污染物进行精细化协同评估的模型.模型易于本地化设置, 以底层能源数据为依据, 基于经济和技术未来演变设计情景路线, 精确模拟未来各行业能源消费、温室气体和大气污染物的长期变化趋势.因此LEAP模型已被广泛运用于国家、地区和部门之间的温室气体和大气污染物的协同减排研究[18~24].
本研究归纳了东莞市工业、建筑和交通等重点部门的关键行业, 利用2010~2019年各行业详尽的活动水平、能源强度及排放因子数据, 自下而上地构建重点部门精细化的能源结构.识别并估算了工业和建筑部门的光伏潜力, 并考虑光伏发电和用电的时间特征, 余电并入电网.为了实现加速电气化措施的单独评估, 模型通过识别消费侧化石能源削减量, 采用热值等量替换的方法, 并考虑电能设备效率的提高, 生成对应的电力增长量, 避免了LEAP模型线性化特点.LEAP-DG模型采用排放因子法估算能源变化所产生的CO2和大气污染物排放量, 通过划分设计不同的情景路线, 评估东莞市在低碳路径下加速电气化的协同减排效果.
1.1.1 能源消耗量计算方法东莞市统计的能源消费品种按照《广东省市县级温室气体编制指南》[25]归纳为煤炭、石油、天然气、电力和热力等.在本研究中产生电力消耗的能源按照各部门电力消耗量占比划分到对应的部门计算.能源消耗量的计算公式如下所示:
![]() |
(1) |
式中, ED为能源消耗量, AL为活动水平, EI为能源强度, i表示某个用能部门, j表示某设备, k表示能源类型.
1.1.2 CO2排放量计算方法各部门CO2排放量可以根据能源消耗量和CO2排放因子计算得到, 公式如下:
![]() |
(2) |
式中, ECO2为CO2的排放量, EFk, j, i为部门i使用设备j消耗单位能源k的CO2排放因子.
1.1.3 大气污染物排放量计算方法CO、NOx、SO2、VOC和PM2.5等大气污染物排放量根据能源消耗量、排放因子和减污系数计算得到:
![]() |
(3) |
式中, EL为大气污染物的排放量, EFk, j, i和Nk, j, i分别为部门i使用设备j消耗单位能源k的大气污染物排放因子和减污系数.
1.1.4 协同系数计算方法为评估各部门大气污染物和CO2的协同减排效果, 依据碳协同减排效益计算方法[26]计算主要大气污染因子(P)相对于CO2减排的协同系数S:
![]() |
(4) |
式中, ΔEP和ΔECO2分别为污染物和CO2的减排量, EP和ECO2为污染物和CO2的排放量.
1.2 数据来源活动水平: GDP、人口和城市化率等宏观经济参数, 工业部门单位生产总值, 建筑人均居住面积均来自《东莞统计年鉴》, 外电调入类型比例参考文献[27], 交通部门年均行驶里程根据东莞市GDP弹性系数估算得出[28].
能源强度: 工业单位增加值能耗参考文献[29]估算.居民和公共建筑电器能耗来源于文献[30], 交通部门汽油、柴油和天然气机动车燃油经济性引用Ou等[31]研究的结果, 电动汽车百公里能耗来源于文献[32], 电力部门发电效率根据东莞市发电煤耗计算.
排放因子: 工业部门CO2排放因子优先按照《广东省市县级温室气体编制指南》[25]对各行业不同能源类型进行本地化修正, 交通和建筑部门CO2排放因子参考文献[33].不同部门各能源类型的SO2、PM2.5、NOx、VOC和CO污染物排放因子来自大气污染物排放清单[34, 35], 并考虑末端治理措施本地化修正.
碳排放和污染物排放结构: 对2010~2019年的历史数据分析, 识别出东莞市的碳排放结构和大气污染物排放结构.工业、建筑和交通碳排放占比大致为12∶5∶3, 建筑部门中电力碳排放占比为68.15%.在污染物排放中, 交通部门是VOC、CO和NOx的主要贡献部门, 工业部门对各项污染物贡献巨大, 建筑部门主要排放PM2.5和SO2等电力污染物.
1.3 情景设计从经济水平和能源结构等宏观因素出发, 基于东莞市各部门适用的减排措施(如表 1), 构建基准情景、低碳情景和加速电气化情景等3类情景.研究基准年为2019年, 利用2010~2019年的历史数据进行校验, 预测阶段为2020~2050年.
![]() |
表 1 不同情景设置 Table 1 Different context settings |
基准情景(BAU): 活动水平依据东莞市历史数据的发展趋势, 保持现有政策力度水平.BAU情景下电力部门无减排措施, 清洁电力主要来自外电调入, 2050年清洁电力占比达到32%.
低碳情景(LC): 该情景由终端强化减排情景(DLC)和电力结构优化情景(EST)组成, 分别构建消费侧和生产侧具有成本效益的低碳路径.LC电力结构通过最大化部署清洁能源, 2050年清洁电力占比达到60%.
加速电气化情景(AES): 该情景通过选取各部门更为有效的电气化措施, 加快电气化措施在各部门的渗透速率, 实现东莞市最大化的电气化程度.该情景分别在不同电力结构的终端强化减排情景(DLC-AES)和低碳情景(LC-AES)下实施, 以评估不同电力结构对电气化措施的影响.
2 结果与讨论 2.1 能源消耗图 1表示的是2010年及2050年各情景工业、建筑和交通部门电气化率.2010年, 东莞市电气化率达到29.86%, 得益于建筑部门更广泛地使用电器, 实现76.83%的电气化率, 但工业和交通部门电气化率仅为24.05%和3.22%.电力部门清洁转型和电能设备能效提升将推动电气化发展.2050年, AES情景下交通部门加速电气化使得电气化率相对于2010年提高29.79%, 但仍以化石能源为主.工业部门可实现43.66%的电气化率, 由于纺织、造纸等支柱行业存在自备电厂, 电气化潜力有限.建筑部门理论电气化潜力可达到100%[8], 城市化的缓慢增长限制建筑部门电气化率仅增长至90.91%, 这可能与农村建筑替代电器多有关[52].各部门预测结果均比中国参考值[13]高, 这与本研究考虑东莞市本地特征, 选取更为有效的电气化措施有关(表 1).
![]() |
图 1 2010年和2050年各情景部门电气化率 Fig. 1 Sector electrification rates by scenario in 2010 and 2050 |
不同情景下能源消耗变化趋势如图 2所示.2010~2050年, BAU情景能耗持续上升, 2040年后稳定在4.5×107 t左右.DLC情景能耗持续降低, 2038年达到峰值3.53×107 t, 随后缓慢下降, 2050年相对于BAU情景削减24.17%.2030年前, 由于煤电厂基本退役, EST情景能耗持续下降, 随后清洁能源的加快部署极大减少了能源消耗, 2050年相对于BAU情景削减31.23%. LC情景聚集了DLC和EST情景的减排措施, 能耗进一步持续降低, 2050年相对于BAU情景削减55.40%.特别是不同电力结构下加速电气化的能耗变化趋势不同.在32%清洁电力下, DLC-AES情景相对于DLC情景的能耗随着电气化渗透而加速上升, 在2050年提高1.10×106 t.而在60%清洁电力下, LC-AES情景相对于AES情景的能耗加速下降, 在2050年降低3.50×106 t.这说明电气化的能源效益取决于电气化渗透速率和电力结构优化的协调一致性[13].
![]() |
图 2 各情景能源消耗变化趋势 Fig. 2 Trend of energy consumption in each scenario |
为此, 本研究评估了不同部门低碳路径下加速电气化对能源需求的影响, 表示为LC-AES情景与LC情景的差值(图 3).电气化是指终端部门最终能源中利用电力替代化石能源使用, 如图 3(a)所示, 在降低大量化石能耗的同时, 仅增长较低的额外电力, 其本质是电能设备和化石能源设备的高效替换[47].不同部门所导致的能源削减特征不一致.交通部门能源净削减量逐年增大, 2050年, 净削减量达到1.85×106 t, 一方面由于燃油车和电动车的转换效率高[4], 在削减2.52×106 t化石能源的同时, 仅增长6.36×105 t的额外电力, 另一方面交通部门电气化率增长较快(见图 1), 提高了电能设备的替换量.而工业和建筑部门净削减量为9.27×105和2.65×105 t, 受制于两部门电气化率增长仅为19.61%和14.08%.同样, 工业和建筑部门较低的转换效率[48]是其净削减量低于交通部门的主要原因.
![]() |
图 3 不同部门低碳路径下加速电气化对能源需求影响 Fig. 3 Impact of accelerated electrification on energy demand under low-carbon pathways in different sectors |
电气化能源效益表现为额外电力的化石能源需求与减少的消费侧化石能耗的差值, 即一次能源削减量, 如图 3(b)所示.低碳路径下, 尽管2050年清洁电力占比达到60%, 清洁电力仍然不足以满足电气化所带来的额外电力需求, 额外电力主要来自火力发电.交通部门电气化措施的高转换效率使得削减的消费侧能耗足以抵消增长的额外电力能耗, 2050年, 清洁能源将进一步抵消48.75%的电力能耗.工业和建筑部门由于本地光伏部署(表 1), 清洁电力占比提高到65%和63%, 加速电气化提高了工业部门对清洁能源的利用, 清洁能源将抵消58.24%的电力能耗.而建筑部门额外电力中煤电占比在53.58%以上, 导致建筑部门能耗出现净增长, 2048年后, 火力发电以气电为主, 净能耗呈现下降趋势.这可能是建筑部门电气化程度较高, 清洁电力无法满足额外电力需求, 需要更多的煤电支撑.
2.2 CO2排放本研究CO2的核算范围包括本地和调入电力排放, 不同情景下CO2变化趋势如图 4所示.基准年CO2排放量为7.52×107 t, 与文献[42, 53]中2019年东莞市整体CO2排放量7.23×107 t相比差别不大.BAU情景CO2排放持续上升, 2044年达到峰值9.79×107 t. DLC情景CO2排放在2037年达到峰值8.06×107 t, 随后缓慢下降, 相对于BAU情景削减22.52%.EST情景CO2排放2030年后维持在5.82×107 t左右, 相对于BAU情景削减45.62%, LC情景CO2排放进一步持续下降, 相对于BAU情景削减68.14%. 和能源消耗相似, 在32%清洁电力下, DLC情景加速电气化将略微降低CO2排放, 随着用电量增长, 额外电力将以火力发电为主, 电力CO2排放强度提高, 2050年CO2将增加2.56×106 t.而在60%清洁电力下, LC情景加速电气化, 额外电力中清洁电力逐年提高, 火电结构优化进一步降低电力CO2排放强度, 从而加快CO2减排速率, 2050年CO2减少7.35×106 t.
![]() |
图 4 各情景CO2变化趋势 Fig. 4 Trend of CO2 emissions in each scenario |
为此, 本研究评估了低碳路径下各部门加速电气化对CO2排放的影响, 即LC-AES与LC情景的差值(图 5).电气化降碳效益表现为额外电力的CO2排放与减少的消费侧CO2排放的差值.从分部门来看, 交通部门CO2平稳下降, 2050年CO2排放减少5.42×106 t, 主要贡献来源于燃油车和电动车的高转换效率.工业部门屋顶光伏加快部署, 2042年清洁能源占比达到57.28%, 抵消了一半以上的额外电力CO2排放, 使得CO2净排放急速下降, 2050年减少3.21×106 t.与之相反的是, 建筑部门高电气化率使得清洁能源优先满足于既有电力, 额外电力中高火力发电, 使得CO2净排放呈现出先增后减趋势, 2050年减少1.02×105 t.从东莞整体来看, CO2排放在2041年快速下降, 这与2041年, 建筑部门CO2净减排量达到峰值4.85×105 t, 工业部门CO2排放急速下降有关.
![]() |
图 5 不同部门低碳路径下加速电气化对CO2排放影响 Fig. 5 Impact of accelerated electrification on CO2 emissions under low-carbon pathways in different sectors |
进一步评估不同部门各情景措施对CO2减排影响, 结果如图 6所示.交通部门加速电气化是其2020~2050年CO2减排的重要来源, 2050年, 减排量将达到8.76×106 t, 加速电气化提供56.41%的减排贡献率.2050年, 工业部门减排量将达到4.33×107 t, 其中电力结构优化将提供72.96%的减排贡献率, 其原因可能是造纸、纺织等支柱行业用电量大, 且自备电厂CO2约占工业碳排放的2/5, 电力结构优化将大幅降低电力CO2排放强度.建筑部门减排量将达到2.07×107 t, 其中终端强化减排将实现49.64%的减排贡献率, 主要来源于电能设备的能效提升, 随着建筑屋顶光伏部署, 供电结构优化将实现50.03%的减排贡献率.特别是工业和建筑部门加速电气化对CO2减排贡献率分别仅为6.62%和0.33%, 两部门加速电气化措施的降碳效益不明显.
![]() |
1. BAU排放量, 2. DLC减排贡献率, 3. EST减排贡献率, 4. AES减排贡献率, 5. LC-AES排放量; 蓝色柱子表示2050年排放量, 其他颜色柱子表示各情景措施实施后的减排贡献率(柱子顶端百分数) 图 6 2050年不同部门各情景措施对CO2减排贡献 Fig. 6 Contribution of measures in different sectors and scenarios on CO2 emission reduction in 2050 |
不同情景下污染物变化趋势见图 7.本研究污染物核算范围包括了东莞市本地和调入电力的污染物排放.SO2、PM2.5和NOx污染物变化趋势相似, 历史趋势表明3种污染物均保持着下降趋势, 在2019年分别达到1.25×105、2.81×104和1.36××105 t.电力结构优化是SO2、PM2.5和NOx减排的关键措施, 2050年减排潜力分别达到89.98%、91.19%和88.63%.在32%清洁电力下加速电气化, 将不同程度提高3种污染物的排放量, 而在60%清洁电力下加速电气化, 将降低电力SO2、PM2.5和NOx的排放, 在2050年, SO2和PM2.5消费侧减排量和生产侧增排量达到平衡, NOx逐渐发挥减排潜力.VOC和CO两种污染物相似, 历史趋势持续上升, 在2019年达到3.28×104和2.48×105 t.各种减排情景下均起到减排作用, 在32%清洁电力下加速电气化, 2050年VOC和CO减排潜力分别为58.17%和47.57%, 在60%清洁电力下加速电气化, 将提高两者减排潜力达到67.75%和67.68%.
![]() |
图 7 各情景不同污染物排放量变化趋势 Fig. 7 Variation trend of pollutants in each scenario |
进一步评估低碳路径下加速电气化对各部门大气污染物排放影响如表 2.可以发现3部门加速电气化均相对于LC情景不同程度上提高SO2和PM2.5排放, 在2040年左右达到峰值, 这可能是2040年前电气化渗透速率和电力清洁转型不协调, 导致增长的额外电力以煤电为主, 2040年后, 电气化渗透速率减缓, 清洁电力取代煤电主导地位, 极大削减了燃煤发电所产生的SO2和PM2.5排放.2040年后, 工业和建筑部门各项污染物呈现出快速下降的趋势, 工业部门可能是“冷热电三联产”的实施从而减少化石能源锅炉燃烧导致的, 而建筑部门仍略微提高各项污染物排放.交通部门是CO、VOC和NOx的主要贡献源, 加速电气化所产生的电力增排量远小于燃油车替代的减排量, 2050年分别减排7.76×104、1.43×104和1.06×104 t.这说明加速电气化的实施将对交通部门污染物减排更为有效.
![]() |
表 2 低碳路径下加速电气化对各部门污染物影响1)/t Table 2 Impact of accelerated electrification on pollutants in various sectors under the low-carbon path/t |
进一步评估不同部门各情景措施对大气污染物的减排贡献率, 结果如图 8所示.交通部门主要排放的CO、VOC和NOx等污染物, 终端强化减排措施限制了燃油车的排放标准, 将提供36%~38%的减排贡献率, 加速电气化措施提供42%~58%的贡献率.而对于主要由电厂排放的SO2和PM2.5等污染物, 加速电气化反而提高了SO2排放, 供电结构优化是其减排的关键.工业部门中供电结构优化显然是其主要的污染物减排措施, 减排贡献率占到62%~82%, 加速电气化同样可以有效减少工业CO和VOC排放, 减排贡献率达到10%~12%.而在建筑部门中终端强化减排和供电结构优化的减排贡献率分别为51%~62%和38%~49%, 加速电气化措施反而略微提高了各项污染物排放.
![]() |
图 8 2050年不同部门各情景措施对污染物的减排贡献 Fig. 8 Contribution of different sector and scenario measures to pollutant emission reduction in 2050 |
上述结果表明, 低碳路径下加速电气化可以同时降低CO2和污染物排放.通过公式(4)计算S值, 对东莞市大气污染物和CO2减排的协同效应进行分析, S值越趋近于1代表CO2和污染物协同减排效果越好.2050年, 东莞市实行终端强化减排、电力结构优化、加速电气化等措施之后, CO、VOC、NOx、SO2和PM2.5的S值如图 9所示, 分别为0.85、0.95、0.91、0.75和0.78, 相对于2020年协同效应均有所提升.不难发现VOC和NOx两种污染物在协同减排CO2的协同效应更强, 这可能是由于交通道路移动源是NOx和VOC的主要贡献源, 电动车替代燃油车政策的实施极大削减了VOC、NOx和CO2排放.而对于主要由火力发电产生的SO2和PM2.5等大气污染物的减排潜力显然要高于CO2的减排潜力.
![]() |
图 9 东莞市空气污染物协同系数S值 Fig. 9 The S value of the co-benefit parameter of air pollutants in Dongguan |
综合分析LC和LC-AES两类情景间各部门污染物的S值分布(表 3).LC情景下, 交通部门CO、VOC和NOx的S值高于工业和建筑部门, 同样, 建筑部门PM2.5和SO2的S值高于交通和工业部门, 这表明交通和建筑部门通过采取提高能效、供电结构优化等一系列重要举措取得了良好的大气污染物和CO2协同减排效应.无论何种情景下, 各部门SO2和PM2.5的S值均小于1, 这说明SO2和PM2.5减排潜力要优于对CO2的减排潜力.对比两种情景的S值变化, 加速电气化使得交通部门CO、VOC和NOx的S值降低, 偏向于对污染物减排, 减污潜力要优于减碳潜力.同时明显提高了工业VOC、交通SO2和交通PM2.5与CO2的协同减排效应.
![]() |
表 3 2030年和2050年不同情景下各部门协同系数S值 Table 3 The S values of pollutants in various sectors under different scenarios in 2030 and 2050 |
上述结果表明, 工业和交通部门实施电气化可以一定程度减少CO2排放和大气污染物排放, 同时提高两者减污降碳的协同减排效应.而建筑部门加速电气化反而提高CO2和大气污染物排放, 所以进一步通过减缓建筑部门的电气化, 以寻求最优的减污降碳路径(如图 10).建筑部门减缓电气化, 有利于电力部门缓解发电压力, 额外电力中清洁电力占比提高, 电力碳排放强度有所下降, 但对应的建筑部门消费侧碳排放增长, 导致2050年整体的碳排放提高1.62×104 t.显然, 建筑部门减缓电气化对大气污染物的减排更为有效, 对于主要由电厂产生的SO2和PM2.5等污染物减排贡献率分别达到23.15%和9.52%.而对于CO、NOx和VOC等污染物也起到一定的减排作用.
![]() |
图 10 2050年不同情景污染物排放比较 Fig. 10 Comparison of pollutant emissions under different scenarios in 2050 |
(1) 从能源消耗上看, 2050年DLC和EST情景相对于BAU情景削减24.17%和51.28%能耗.电力结构优化促进了加速电气化措施对能源的有效利用, 在32%和60%清洁电力下实施, 能耗分别提高1.10×106 t和降低3.50×106 t.加速电气化措施的节能潜力与电能设备转化率和电力结构有关, 交通部门电动车的高转换效率是其实现节能效益的关键, 净削减量达到1.85×106 t, 而工业主要依赖清洁能源抵消58.24%的电力能耗, 高电气化率的建筑部门, 清洁电力无法满足其额外电力需求, 需要更多的煤电支撑.
(2) 从CO2排放上看, 2050年LC情景相对于BAU情景削减68.14% CO2.加速电气化措施的降碳效益取决于电气化渗透速率和电力结构优化的协调一致性.电动车的高转换效率使电气化(56.41%)成为交通部门主要减排来源, 工业和建筑部门减排贡献主要来源于供电结构优化(72.96%和50.03%), 得益于屋顶光伏的高效利用.由于工业和建筑部门电气化率较高, 加速电气化减排贡献率仅为6.62%和0.33%, 建筑部门加快电能设备能效提升是其实现加速电气化的必要条件.
(3) 从减污降碳协同上看, 2050年交通部门加速电气化措施将减少42%~58%的CO、VOC和NOx, 提高了电力SO2排放.工业部门供电结构优化对各项污染物的减排贡献率为62%~82%, 加速电气化将减少10%~12%的CO和VOC.而在建筑部门中终端强化减排和供电结构优化的减排贡献率分别为51%~62%和38%~49%, 加速电气化反而增长了各项污染物排放.从东莞整体来看, VOC和NOx的S值分别为0.95和0.91, 具有较高的CO2协同减排效应.加速电气化提高了工业VOC、交通SO2和PM2.5的协同减排效应.
(4) 综上所述, 城市合理调整不同部门电气化措施渗透率可实现针对性的污染防控.通过减缓建筑部门电气化, 有利于缓解发电压力, 提高各项污染物的减排力度.交通部门优先作为电气化加速实施的重点部门, 新能源车推广将成为减污降碳的重点控制措施, 以优化交通部门以燃油为主的能源结构.工业部门自备电厂“煤改气”、工业光伏部署和加速电气化举措协同实施, 三者耦合可发挥最大化的减排潜力.建筑部门推动电能设备的能效提升, 放缓电气化实施步伐, CO2和污染物排放均会得到有效控制.同时工业和建筑部门加快供电结构优化, 可推动城市尽早碳中和并实现空气质量的极大改善.
[1] | Yan J Y, Chen B, Wennersten R, et al. Cleaner energy for transition of cleaner city[J]. Applied Energy, 2017, 196: 97-99. DOI:10.1016/j.apenergy.2017.04.015 |
[2] | Bian Y H, Huang Z J, Ou J M, et al. Evolution of anthropogenic air pollutant emissions in Guangdong Province, China, from 2006 to 2015[J]. Atmospheric Chemistry and Physics, 2019, 19(18): 11701-11719. DOI:10.5194/acp-19-11701-2019 |
[3] | Wu D, Geng Y, Zhang Y Q, et al. Features and drivers of China's urban-rural household electricity consumption: evidence from residential survey[J]. Journal of Cleaner Production, 2022, 365. DOI:10.1016/j.jclepro.2022.132837 |
[4] | Ebrahimi S, Mac Kinnon M, Brouwer J. California end-use electrification impacts on carbon neutrality and clean air[J]. Applied Energy, 2018, 213: 435-449. DOI:10.1016/j.apenergy.2018.01.050 |
[5] | Peng W, Yang J N, Lu X, et al. Potential co-benefits of electrification for air quality, health, and CO2 mitigation in 2030 China[J]. Applied Energy, 2018, 218: 511-519. DOI:10.1016/j.apenergy.2018.02.048 |
[6] | Zhao W G, Cao Y F, Miao B, et al. Impacts of shifting China's final energy consumption to electricity on CO2 emission reduction[J]. Energy Economics, 2018, 71: 359-369. DOI:10.1016/j.eneco.2018.03.004 |
[7] | Wu Y, Yang Z D, Lin B H, et al. Energy consumption and CO2 emission impacts of vehicle electrification in three developed regions of China[J]. Energy Policy, 2012, 48: 537-550. DOI:10.1016/j.enpol.2012.05.060 |
[8] | Deason J, Borgeson M. Electrification of buildings: potential, challenges, and outlook[J]. Current Sustainable/Renewable Energy Reports, 2019, 6(4): 131-139. DOI:10.1007/s40518-019-00143-2 |
[9] | Madeddu S, Ueckerdt F, Pehl M, et al. The CO2 reduction potential for the European industry via direct electrification of heat supply(power-to-heat)[J]. Environmental Research Letters, 2020, 15(12). DOI:10.1088/1748-9326/abbd02 |
[10] | Khanna N, Fridley D, Zhou N, et al. Energy and CO2 implications of decarbonization strategies for China beyond efficiency: Modeling 2050 maximum renewable resources and accelerated electrification impacts[J]. Applied Energy, 2019, 242: 12-26. DOI:10.1016/j.apenergy.2019.03.116 |
[11] | Dennis K, Colburn K, Lazar J. Environmentally beneficial electrification: the dawn of 'emissions efficiency'[J]. The Electricity Journal, 2016, 29(6): 52-58. DOI:10.1016/j.tej.2016.07.007 |
[12] | Mu Y Q, Evans S, Wang C, et al. How will sectoral coverage affect the efficiency of an emissions trading system? A CGE-based case study of China[J]. Applied Energy, 2018, 227: 403-414. DOI:10.1016/j.apenergy.2017.08.072 |
[13] | Li J F, Ma Z Y, Zhang Y X, et al. Analysis on energy demand and CO2 emissions in China following the energy production and consumption revolution strategy and China dream target[J]. Advances in Climate Change Research, 2018, 9(1): 16-26. DOI:10.1016/j.accre.2018.01.001 |
[14] | Dai H C, Masui T, Matsuoka Y, et al. Assessment of China's climate commitment and non-fossil energy plan towards 2020 using hybrid AIM/CGE model[J]. Energy Policy, 2011, 39(5): 2875-2887. DOI:10.1016/j.enpol.2011.02.062 |
[15] | Mao F, Li Z H, Zhang K. Carbon dioxide emissions estimation of conventional diesel buses electrification: a well-to-well analysis in Shenzhen, China[J]. Journal of Cleaner Production, 2020, 277. DOI:10.1016/j.jclepro.2020.123048 |
[16] | Ji S G, Cherry C R, Zhou W J, et al. Environmental justice aspects of exposure to PM2.5 emissions from electric vehicle use in China[J]. Environmental Science & Technology, 2015, 49(24): 13912-13920. |
[17] | Duan X L, Jiang Y, Wang B B, et al. Household fuel use for cooking and heating in China: Results from the first Chinese Environmental Exposure-Related Human Activity Patterns Survey(CEERHAPS)[J]. Applied Energy, 2014, 136: 692-703. DOI:10.1016/j.apenergy.2014.09.066 |
[18] | Jiang J J, Ye B, Shao S, et al. Two-Tier synergic governance of greenhouse gas emissions and air pollution in China's megacity, Shenzhen: impact evaluation and policy implication[J]. Environmental Science & Technology, 2021, 55(11): 7225-7236. |
[19] | Wang K, Wang S S, Liu L, et al. Environmental co-benefits of energy efficiency improvement in coal-fired power sector: a case study of Henan Province, China[J]. Applied Energy, 2016, 184: 810-819. DOI:10.1016/j.apenergy.2016.06.059 |
[20] | Shrestha R M, Pradhan S. Co-benefits of CO2 emission reduction in a developing country[J]. Energy Policy, 2010, 38(5): 2586-2597. DOI:10.1016/j.enpol.2010.01.003 |
[21] | Cai W J, Wang C, Wang K, et al. Scenario analysis on CO2 emissions reduction potential in China's electricity sector[J]. Energy Policy, 2007, 35(12): 6445-6456. DOI:10.1016/j.enpol.2007.08.026 |
[22] | Wang K, Wang C, Lu X D, et al. Scenario analysis on CO2 emissions reduction potential in China's iron and steel industry[J]. Energy Policy, 2007, 35(4): 2320-2335. DOI:10.1016/j.enpol.2006.08.007 |
[23] | Song H J, Lee S, Maken S, et al. Environmental and economic assessment of the chemical absorption process in Korea using the LEAP model[J]. Energy Policy, 2007, 35(10): 5109-5116. DOI:10.1016/j.enpol.2007.05.004 |
[24] | Huang Y, Bor Y J, Peng C Y. The long-term forecast of Taiwan's energy supply and demand: LEAP model application[J]. Energy Policy, 2011, 39(11): 6790-6803. DOI:10.1016/j.enpol.2010.10.023 |
[25] | 广东省生态环境厅. 广东省生态环境厅关于印发《广东省市县(区)温室气体清单编制指南(试行)》的通知[R]. 广州: 广东省生态环境厅, 2020. |
[26] | Lu Z Y, Huang L, Liu J, et al. Carbon dioxide mitigation co-benefit analysis of energy-related measures in the air pollution prevention and control action plan in the Jing-Jin-Ji region of China[J]. Resources, Conservation & Recycling: X, 2019, 1. DOI:10.1016/j.rcrx.2019.100006 |
[27] | Yao H Z, Zang C F. The spatiotemporal characteristics of electrical energy supply-demand and the green economy outlook of Guangdong Province, China[J]. Energy, 2021, 214. DOI:10.1016/j.energy.2020.118891 |
[28] | Huo H, Zhang Q, He K B, et al. Vehicle-use intensity in China: current status and future trend[J]. Energy Policy, 2012, 43: 6-16. DOI:10.1016/j.enpol.2011.09.019 |
[29] | Cai L Y, Luo J, Wang M H, et al. Pathways for municipalities to achieve carbon emission peak and carbon neutrality: a study based on the LEAP model[J]. Energy, 2023, 262. DOI:10.1016/j.energy.2022.125435 |
[30] | Zhou N, Fridley D, McNeil M, et al. Analysis of potential energy saving and CO2 emission reduction of home appliances and commercial equipments in China[J]. Energy Policy, 2011, 39(8): 4541-4550. DOI:10.1016/j.enpol.2011.04.027 |
[31] | Ou X M, Zhang X L, Chang S Y. Scenario analysis on alternative fuel/vehicle for China's future road transport: life-cycle energy demand and GHG emissions[J]. Energy Policy, 2010, 38(8): 3943-3956. DOI:10.1016/j.enpol.2010.03.018 |
[32] | Zhang R S, Hanaoka T. Deployment of electric vehicles in China to meet the carbon neutral target by 2060: provincial disparities in energy systems, CO2 emissions, and cost effectiveness[J]. Resources, Conservation and Recycling, 2021, 170. DOI:10.1016/j.resconrec.2021.105622 |
[33] | Shan Y L, Liu J H, Liu Z, et al. New provincial CO2 emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied Energy, 2016, 184: 742-750. DOI:10.1016/j.apenergy.2016.03.073 |
[34] | Zhong Z M, Zheng J Y, Zhu M N, et al. Recent developments of anthropogenic air pollutant emission inventories in Guangdong Province, China[J]. Science of the Total Environment, 2018, 627: 1080-1092. DOI:10.1016/j.scitotenv.2018.01.268 |
[35] | Huang Z J, Zhong Z M, Sha Q E, et al. An updated model-ready emission inventory for Guangdong Province by incorporating big data and mapping onto multiple chemical mechanisms[J]. Science of the Total Environment, 2021, 769. DOI:10.1016/j.scitotenv.2020.144535 |
[36] | Hernández K D, Fajardo O A. Estimation of industrial emissions in a Latin American megacity under power matrix scenarios projected to the year 2050 implementing the LEAP model[J]. Journal of Cleaner Production, 2021, 303. DOI:10.1016/j.jclepro.2021.126921 |
[37] | 东莞市人民政府办公室. 东莞市人民政府办公室关于印发《东莞市综合交通运输体系发展"十四五"规划》的通知[R]. 东莞: 东莞市人民政府办公室, 2022. |
[38] | Zhou Y, Wei T, Chen S Q, et al. Pathways to a more efficient and cleaner energy system in Guangdong-Hong Kong-Macao Greater Bay Area: a system-based simulation during 2015-2035[J]. Resources, Conservation and Recycling, 2021, 174. DOI:10.1016/j.resconrec.2021.105835 |
[39] | Peng T D, Ou X M, Yuan Z Y, et al. Development and application of China provincial road transport energy demand and GHG emissions analysis model[J]. Applied Energy, 2018, 222: 313-328. DOI:10.1016/j.apenergy.2018.03.139 |
[40] | 东莞市人民政府办公室. 东莞市人民政府办公室关于印发《东莞市生态环境保护"十四五"规划》的通知[R]. 东莞: 东莞市人民政府办公室, 2022. |
[41] | Wang Q, Chen Y. Status and outlook of China's free-carbon electricity[J]. Renewable and Sustainable Energy Reviews, 2010, 14(3): 1014-1025. DOI:10.1016/j.rser.2009.10.012 |
[42] | Zhai M Y, Huang G H, Liu L R, et al. Inter-regional carbon flows embodied in electricity transmission: network simulation for energy-carbon nexus[J]. Renewable and Sustainable Energy Reviews, 2020, 118. DOI:10.1016/j.rser.2019.109511 |
[43] | O'Shaughnessy E, Cutler D, Ardani K, et al. Solar plus: optimization of distributed solar PV through battery storage and dispatchable load in residential buildings[J]. Applied Energy, 2018, 213: 11-21. DOI:10.1016/j.apenergy.2017.12.118 |
[44] | 东莞市人民政府办公室. 东莞市人民政府办公室关于印发《东莞市能源发展"十四五"规划》的通知[R]. 东莞: 东莞市人民政府办公室, 2022. |
[45] | Hu G X, Ma X M, Ji J P. Scenarios and policies for sustainable urban energy development based on LEAP model-A case study of a postindustrial city: Shenzhen China[J]. Applied Energy, 2019, 238: 876-886. DOI:10.1016/j.apenergy.2019.01.162 |
[46] |
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[J]. 中国人口·资源与环境, 2018, 28(4): 68-77. Zhang X L, Liu J L, Wang K, et al. Study on medium and long-term low-carbon development pathway of China's power sector[J]. China Population, Resources and Environment, 2018, 28(4): 68-77. |
[47] |
张静, 李昊, 李文, 等. 面向碳中和的中国电能替代发展路径规划方法探讨[J]. 电力建设, 2022, 43(9): 47-53. Zhang J, Li H, Li W, et al. Discussion on the pathways of China's electrification polices to pursue the carbon neutralization target[J]. Electric Power Construction, 2022, 43(9): 47-53. |
[48] |
唐伟, 徐朝, 单葆国, 等. 基于细分行业用能结构特征的"十四五"电能替代电量规划[J]. 中国电力, 2021, 54(7): 36-45. Tang W, Xu Z, Shan B G, et al. Electric energy substitution planning for the "14th Five-Year Plan" period based on characteristics of energy consumption structure of subdivided industries[J]. Electric Power, 2021, 54(7): 36-45. |
[49] | Archer-Nicholls S, Carter E, Kumar R, et al. The regional impacts of cooking and heating emissions on ambient air quality and disease burden in China[J]. Environmental Science & Technology, 2016, 50(17): 9416-9423. |
[50] | Tan X C, Lai H P, Gu B H, et al. Carbon emission and abatement potential outlook in China's building sector through 2050[J]. Energy Policy, 2018, 118: 429-439. DOI:10.1016/j.enpol.2018.03.072 |
[51] | Li Y, Davis C, Lukszo Z, et al. Electric vehicle charging in China's power system: energy, economic and environmental trade-offs and policy implications[J]. Applied Energy, 2016, 173: 535-554. DOI:10.1016/j.apenergy.2016.04.040 |
[52] | Yuan B L, Ren S G, Chen X H. The effects of urbanization, consumption ratio and consumption structure on residential indirect CO2 emissions in China: a regional comparative analysis[J]. Applied Energy, 2015, 140: 94-106. DOI:10.1016/j.apenergy.2014.11.047 |
[53] | Zhou Y, Li K J, Liang S, et al. Trends, drivers, and mitigation of CO2 emissions in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Engineering, 2022. DOI:10.1016/j.eng.2022.03.017 |