山西省燃煤机组大气排放核算及减排潜力分析

引用本文

李彦斌, 王宣丹, 韩雅萱, 李赟, 刘晓琎, 任晓松, 安伟铭, 薛晓达. 山西省燃煤机组大气排放核算及减排潜力分析[J]. 环境科学, 2026, 47(10): 6618-6630.

LI Yan-bin, WANG Xuan-dan, HAN Ya-xuan, LI Yun, LIU Xiao-jin, REN Xiao-song, AN Wei-ming, XUE Xiao-da. Atmospheric Emission Inventory Establishment and Emission Reduction Potential Analysis of Coal-fired Units in Shanxi Province[J]. Environmental Science, 2026, 47(10): 6618-6630.

山西省燃煤机组大气排放核算及减排潜力分析

李彦斌¹, 王宣丹¹, 韩雅萱¹, 李赟¹, 刘晓琎², 任晓松^3,4, 安伟铭⁵, 薛晓达¹

1. 华北电力大学经济与管理学院，北京 102206;
2. 太原市生态环境监测与科学研究中心，太原 030002;
3. 山西财经大学管理科学与工程学院，太原 030031;
4. 北京理工大学管理学院，北京 100081;
5. 兰州大学大气科学学院，兰州 730000

收稿日期: 2025-09-03; 修订日期: 2025-11-07

基金项目: 国家自然科学基金项目（72404087）；河北省自然科学基金项目（G2024502011）；2024年山西省财经高质量发展重大专项（SXCJGZLQN003）

作者简介: 李彦斌（1967~），男，博士，教授，主要研究方向为碳市场和能源转型，E-mail：liyb@ncepu.edu.cn

通信作者: 薛晓达, E-mail：xuexd@ncepu.edu.cn

摘要: 为减缓气候变化、实现电力行业清洁高效发展，需大力推进燃煤电厂减污降碳. 引入在线监测数据，构建2020年山西省燃煤机组大气排放清单，基于SBM-DDF模型评估燃煤机组环境效率和大气排放物减排潜力. 结果表明：①2020年山西省燃煤机组SO₂、NO_x和PM的排放浓度范围分别为1.73~28.22、3.11~43.57和0.78~7.39 mg·m^-3，已达到超低排放限值要求，CO₂、SO₂、NO_x、PM排放量分别为27 074.21×10⁴、2.12×10⁴、5.34×10⁴和0.43×10⁴ t. ②山西省燃煤机组的环境效率平均值为0.71，其CO₂、SO₂、NO_x和PM减排潜力分别为11 190.35×10⁴、1.26×10⁴、3.22×10⁴和0.25×10⁴ t，可实现减污降碳协同增效，但协同水平较低. ③将供热量指标纳入投入产出指标体系，会降低燃煤机组环境效率，表明机组当前在热电联产运行方面效率较低. ④从装机规模和锅炉类型角度，小型机组和煤粉锅炉机组的污染物减排潜力较大.

关键词: 燃煤机组排放连续监测系统（CEMS）大气污染物 CO₂ 环境效率减排潜力

Atmospheric Emission Inventory Establishment and Emission Reduction Potential Analysis of Coal-fired Units in Shanxi Province

LI Yan-bin¹ , WANG Xuan-dan¹ , HAN Ya-xuan¹ , LI Yun¹ , LIU Xiao-jin² , REN Xiao-song^3,4 , AN Wei-ming⁵ , XUE Xiao-da¹

1. School of Economics and Management, North China Electric Power University, Beijing 102206, China;
2. Taiyuan Ecological and Environmental Monitoring and Scientific Research Center, Taiyuan 030002, China;
3. School of Management Science and Engineering, Shanxi University of Finance and Economics, Taiyuan 030031, China;
4. School of Management, Beijing Institute of Technology, Beijing 100081, China;
5. College of Atmospheric Sciences, Lanzhou University, Lanzhou 730000, China

Abstract: To mitigate climate change and achieve clean and efficient development in the power sector, it is imperative to vigorously advance pollution and carbon reduction in coal-fired power plants. By incorporating online monitoring data, this study constructs an atmospheric emission inventory for coal-fired units in Shanxi Province for the year 2020 and evaluates their environmental efficiency and emission reduction potential using the SBM-DDF model. The results indicate that: ① In 2020, the emission concentrations of SO₂, NO_x, and PM from coal-fired units in Shanxi Province ranged from 1.73-28.22, 3.11-43.57, and 0.78-7.39 mg·m^-3, respectively, already meeting ultra-low emission standards. The total emissions of CO₂, SO₂, NO_x, and PM were 27 074.21×10⁴, 2.12×10⁴, 5.34×10⁴, and 0.43×10⁴ tons, respectively. ② The average environmental efficiency of coal-fired units in Shanxi Province was 0.71, with reduction potentials for CO₂, SO₂, NO_x, and PM amounting to 11 190.35×10⁴, 1.26×10⁴, 3.22×10⁴, and 0.25×10⁴ tons, respectively. This indicates synergistic benefits in pollution and carbon reduction, albeit at a relatively low level of synergy. ③ Incorporating the heat supply indicator into the input-output framework reduced the environmental efficiency of coal-fired units, suggesting current inefficiencies in combined heat and power operation. ④ From the perspectives of installed capacity and boiler type, smaller units and pulverized coal boiler units exhibited greater potential for pollutant emission reduction.

Key words: coal-fired power plant continuous emission monitoring system(CEMS) air pollutants CO₂ environmental efficiency emission reduction potential

中国是全球最大的温室气体排放国，在全球气候转型中发挥着至关重要的作用. 其中，中国火电行业是CO₂排放的主要来源，排放总量占比约为40%. 中国大部分的CO₂以及大气污染物排放均源自煤炭燃烧，其中电力和热力供应是煤炭消耗的主力领域，燃煤发电用煤量就占据了全国煤炭消费总量的约50%^[1~3]. 伴随着经济的快速发展，这些CO₂和大气污染物的大量排放给我国环境带来了巨大压力^[4]. 因此，有效控制燃煤电厂的CO₂和大气污染物排放，对于中国乃至全球减缓气候变化、改善空气质量都至关重要.

为减少燃煤电厂大气污染物的排放，2015年，国家发布《全面实施燃煤电厂超低排放和节能改造工作方案》，明确到2020年，全国所有具备改造条件的燃煤电厂力争实现超低排放. 超低排放改造实现了燃煤机组大气污染物排放的大幅降低^[5]，燃煤机组转型为清洁高效机组，大气污染物减排取得了显著成效，未来治理重点逐渐从大气污染物减排转移至CO₂减排^[6]，此外，传统的供热燃煤锅炉会产生大量的大气排放，因此国家推出一系列政策措施来推动发展高效清洁的热电联产机组，推动燃煤机组热电联产改造. 2016年，《热电联产管理办法》出台，对热电联产的规划建设、机组选型、网源协调和环境保护等进行了规定. 2021年，《关于开展全国煤电机组改造升级的通知》发布，提出“三改联动”措施，鼓励现有燃煤发电机组替代供热，“十四五”期间改造规模力争达到5 000×10⁴ kW. 在上述一系列政策措施下，煤电机组的大气污染物排放已实现大幅度下降，需要核算当前最新的、精确的大气排放数据，为后续减污降碳政策的制定和评估提供数据支撑；在供热改造政策背景下，燃煤机组从只供电到既供电又供热的转变，因此评估燃煤机组清洁高效转型路径时，纳入其供热量具有重要意义.

为实现煤电行业CO₂和大气污染物减排，首先需要对燃煤机组排放进行精准核算，掌握其排放特征，从而有针对性地制定减排策略. 部分学者采用“自下而上”的方法，基于燃煤机组的活动水平和排放强度，研究煤电行业的排放量^[7]. Zheng等^[8]用“自下而上”的方法，计算了中国燃煤电厂2010~2017年PM、SO₂和NO_x等污染物的排放量. 吴艺楠等^[9]系统梳理了火电项目中温室气体排放核算方法标准和指南，提出了碳排放核算边界、计算方法和核算参数的选取原则. 施应玲等^[10]基于火电机组本身的活动水平和排放强度来计算排放量，厘清了电力行业碳排放的主要驱动或抑制来源. 上述研究通过文献调研获得火电厂大气排放强度，缺少基于实测数据的、机组维度的大气排放监测数据，无法精确反映最新的煤电行业排放特征及其变化趋势. 中国生态环境部建立了烟气排放连续监测系统（continuous emission monitoring system，CEMS），可直接、实时、连续监测火电厂烟囱排口的大气污染物（PM、SO₂和NO_x）排放浓度^[11]，大幅提高政府的监管效率. 在这一背景下，黄泳如等^[12]基于核算法和CEMS对燃气电厂的在线碳排放数据偏差进行分析，提高了燃气电厂排放量的数据质量. 宋明光等^[13]选取不同类型的燃煤机组，分析了在线监测法和核算法的碳排放差异，结果表示在线监测法不会产生较大偏差. 房庆熙等^[14]基于火电企业的实测数据，提出一种燃煤机组低碳经济运行评估决策方法，其有效性通过燃煤机组碳排放实测数据的算例分析结果得到验证. 因此，本研究引入CEMS监测的实时的大气污染物排放浓度数据，为后续探寻燃煤机组的减排路径提供精确可靠的微观实测数据.

为对燃煤机组的环保性进行定量衡量，因此引用环境效率指标来量化燃煤机组在能源利用、污染控制与发电效益间的协同优化水平，能够反映燃煤机组当前的环境友好性以及未来CO₂及大气污染物的减排潜力，是当前评估清洁生产水平的有效指标^[15，16]. DEA模型是当前分析环境效率较为成熟的方法，研究者通过选取不同的投入产出变量来计算投入产出效率，并根据计算结果和变量的选取来分析环境效率及影响环境效率的因素. 其中，由Chung等^[17]提出的DEA型方向距离函数（DDF）方法是DEA模型的一种，主要运用于需要增加期望产出、同时减少非期望产出的情景^[18]，适用于评估燃煤机组环境效率. DEA模型已应用到评估不同行业的环境效率，例如电力行业、蔬菜行业^[19]、生态行业^[20]和海洋行业^[21]等. 其中，蒋建立等^[22]通过改进两阶段DEA模型，选取燃料、资本和劳动力为投入指标，CO₂和大气污染物排放为非期望产出指标，对中国电力系统环境效率进行评价. 曼丽丹·泽尔民别克等^[23]基于新疆26家火电企业的数据，构建投入指标为消费类、从业人员，产出指标为总产值和CO₂排放量的SBM-DEA模型，进行了新疆火电企业的效率分析和影响因素分析. Nakaishi等^[24]构建了投入指标为资本、煤，产出指标为净发电量，非期望产出为大气污染物排放量的SBM模型，分析发电企业污染物排放的异质性. 上述研究为本研究中燃煤机组投入产出指标的选取和结果分析提供了方法论支撑.

由此可见，对于煤电行业燃煤机组环境效率方面的研究已取得一定成果，但在以下3个方面仍需深入研究：①目前基于CEMS实测数据的区域火电企业排放数据库，未能反映超低排放政策实施之后最新的、机组维度的大气污染物排放现状，并且未纳入基于实测热值数据的CO₂排放量^[25，26]. 因此，无法精确反映最新的燃煤机组排放特征及其变化趋势. ②对于火电行业的环境效率分析，学者们大多选取资本、煤、劳动力等因素作为投入指标，发电量和污染物的排放量等作为产出指标. 传统的指标体系未将供热量纳入产出指标，一方面会导致对机组实际能源利用效率的误判，另一方面我国火电行业热电联产机组装机容量占比已超30%，如果仍选取发电量作为单一的产出指标，将会难以准确评估机组的真实效率水平. ③当前大部分学者对于燃煤机组非期望产出指标的选取只选取了单一的CO₂或大气污染物，未同时将二者纳入产出指标，忽略了减污降碳的协同作用.

鉴于上述研究的现状和不足，本研究选取我国重要的能源基地和煤炭大省山西省，引入CEMS等监测数据，核算2020年山西省煤电机组的CO₂和大气污染物排放量，并基于SBM-DDF模型评估其煤电机组的环境效率和减排潜力. 本研究的主要贡献如下：①本研究引入CEMS监测的实时数据，构建最新的（2020年）山西省煤电企业高时空精度的大气排放数据库，真实精确反映超低排放改造后山西省燃煤机组的排放特征，为减排政策制定提供精确、可靠的微观数据支持；②本研究根据当前煤电发展政策，创新性地将燃煤机组供热量纳入DEA模型，评估燃煤机组环境效率值，并测算各机组的减排潜力，为“双碳”目标下的燃煤机组转型提供决策支持. ③本研究将CO₂和大气污染物同时纳入DEA模型的非期望产出体系，系统评估燃煤机组减污降碳的协同作用，同时测算其CO₂和大气污染物的减排潜力.

本研究构建的2020年山西省燃煤机组大气排放清单，对5 a后的今天仍具关键现实意义，其核心价值主要体现在以下3方面：①2020年既是“十三五”规划收官年，也是中国“双碳”目标提出的起点年，这一年的排放数据成为如今评估“十四五”山西省减煤降碳成效的基准. 若无2020年山西省燃煤机组大气排放清单，则无法精准判断当前的政策实施效果^[27]. ②环境规划与气候模型需依赖历史数据校验，2020年的高精度清单能让大气扩散、空气质量预报、健康影响评估等模型的模拟结果与实际观测更吻合，而经此校准的模型，用来预测2025年后排放路径与空气质量时准确性更高，可为山西省能源战略制定提供可靠支撑. ③该清单还能助力回溯评估“十三五”末期环保政策的覆盖盲区，可据此追踪当年重点排放源是否完成改造或关停，未达标的领域便是当前需关注的重点攻坚领域，以期为当下精准施策提供明确靶向依据^[28].

1 材料与方法 1.1 煤电排放清单构建

本研究对2020年山西省煤电机组排放的CO₂和大气污染物（PM、SO₂和NO_x）排放量进行核算，共纳入199个机组，其分布如图 1所示. 其中，圆形面积表示煤电机组的装机容量，颜色表示机组的行业类型（包括火力发电和热电联产行业）. 煤电机组具体信息（如地理位置、装机容量、燃料信息和排放信息等）来自国内外数据库^[29~35]和实地调研等.

图 1 燃煤机组地理分布 Fig. 1 Geographical distribution of coal-fired power plants

本研究采用“自下而上”的方法，基于山西省燃煤机组的实测大气污染物（PM、SO₂和NO_x）排放浓度，结合对应的活动水平，直接核算各机组维度的大气污染物排放强度和排放量；基于燃煤机组实测燃料热值和活动水平，核算各机组CO₂排放强度和排放量.

引入实时的CEMS监测数据，并对其进行一系列质控^[5，25]，采用公式（1）计算每个机组PM、SO₂和NO_x排放强度和排放量^[5]：

E F_{s, i, y, m, h} = C_{s, i, y, m, h} \times V_{i, y}

(1)

式中，EF_{s，i，y，m，h}为经末端烟气处理设施削减后的排放强度，即每单位燃料燃烧产生的大气污染物排放量（g·kg^-1），s为气体种类，i为不同的机组，y为年份，m为月份，h为运行小时数；C为CEMS检测的排放气体质量浓度，单位为mg·m^-3；V为理论烟气量，即每单位燃料燃烧产生的烟气量（m³·kg^-1），来源于《第一次全国污染源普查工业污染源产排污系数手册》. 基于公式（1），通过CEMS在末端控制设备后的排口烟囱进行监测气体浓度，直接求得排放强度.

CO₂排放因子的计算如公式（2）所示^[29]：

E F_{C O_{2, i}} = C A \times O \times (44 / 12) \times H_{i}

(2)

式中， $E F_{C O_{2}, i}$ 为煤炭的二氧化碳排放因子，单位为g·kg^-1，i为不同的机组；CA为煤炭每GJ含碳量（以C计，kg·GJ^-1）；O为碳氧化因子；44/12为二氧化碳与碳的分子量比；H为煤炭的热值，单位为kJ·g^-1. 本研究中假设碳氧化因子为1^[29].

单个发电机组的CO₂、PM、SO₂和NO_x的绝对排放量，可以根据排放强度与相应的活动水平计算，如公式（3）所示：

E_{s, i, y, m} = E F_{s, i, y, m} \times A_{i, y}

(3)

式中，E为大气污染物排放量（g）；A为活动水平数据，即燃料使用量（kg）.

1.2 标准差椭圆和中心分析法

作为一种衡量地理要素空间分布形态的关键工具，标准差椭圆在空间统计分析中占据重要地位. 该技术已广泛应用于环境学、地理学、经济学及其交叉学科. 为揭示山西省燃煤机组污染物排放的空间分异特征，本研究利用重心坐标、方位角、长轴标准差和短轴标准差等参数展开分析，具体计算方法如下^[33].

空间分布中心的计算：

\bar{x_{d}} = \frac{\sum_{i = 1}^{n} w_{i} x_{i}}{\sum_{i = 1}^{n} w_{i}}, \bar{y_{d}} = \frac{\sum_{i = 1}^{n} w_{i} y_{i}}{\sum_{i = 1}^{n} w_{i}}

(4)

σ_{x} = \sqrt[]{\frac{\sum_{i = 1}^{n} (w_{i} \bar{x_{l}} c o s θ - N_{i} {\bar{y_{l}} s i n θ)}^{2}}{\sum_{i = 1}^{n} w_{i}^{2}}}

(5)

σ_{y} = \sqrt[]{\frac{\sum_{i = 1}^{n} (w_{i} \bar{x_{l}} s i n θ - N_{i} {\bar{y_{l}} c o s θ)}^{2}}{\sum_{i = 1}^{n} w_{i}^{2}}}

(6)

标准差椭圆方位角：

$ \begin{aligned} \tan \theta= & \frac{\left(\sum\limits_{i=1}^n w_i^2 \overline{x_l^2}-\sum\limits_{i=1}^n w_i^2 y_l^2\right)}{2\left(\sum\limits_{i=1}^n w_i^2 \overline{x_l y_l}\right)}+ \\ & \frac{\sqrt{\left(\sum\limits_{i=1}^n w_i^2 \overline{x_l^2}-\sum\limits_{i=1}^n w_i^2 \overline{y_l^2}\right)^2-4 \sum\limits_{i=1}^n w_i^2 \overline{x_l^2} \overline{y_l^2}}}{2\left(\sum\limits_{i=1}^n w_i^2 \overline{x_l y_l}\right)} \end{aligned} $

(7)

式中， $\bar{x_{d}}$ 和 $\bar{y_{d}}$ 分别为空间区位（x_i，y_i）距离分布重心的相对坐标；w_i为权重，本研究以2020年山西省燃煤机组的CO₂、SO₂、NO_x和PM排放强度为权重；θ为标准差椭圆的方位角，具体是指正北方向顺时针旋转与椭圆长轴所形成的夹角；σ_x和σ_y分别为x轴和y轴上的标准差.

1.3 煤电机组环境效率评估和减排潜力测算

采用SBM-DDF模型评估山西省燃煤机组环境效率，并进行减排潜力测算^[34]. 定义燃煤机组的投入指标、期望产出指标和非期望产出指标分别为 $u = (u_{1}, u_{2}, \dots, u_{i}) \in R_{+}^{O}$ ， $v = (v_{1}, v_{2}, \dots, v_{i}) \in R_{+}^{P}$ 和 $b = (b_{1}, b_{2}, \dots, b_{i}) \in R_{+}^{Q}$ ，则根据定义计算生产技术P（u）如公式（8）所示：

P (u) = {(v, b) : u 可以 产生 (v, b)}

(8)

式中，O为投入指标，P为期望产出指标，Q为非期望产出指标.

DDF模型中， $\vec{D} (u, v, b)$ 为机组的低效率程度，该指标基于生产技术P（u），通过计算各电厂与生产前沿面之间的距离β来定义：

\vec{D} (u, v, b) = S u p {β : (v + β g_{v}, b - β g_{b}) \in P (u)}

(9)

式中，g_v为期望产出的方向向量，g_b为非期望产出的方向向量.

通过求解线性规划问题估计第i个机组的 $\vec{D_{i}} (u, v, b)$ ：

\vec{D_{i}} (u_{i}, v_{i}, b_{i}; g_{v}, g_{b}) = M a x β_{i} + ε (\sum_{o = 1}^{O} s_{o i}^{-} + \sum_{p = 1}^{P} s_{p i}^{+} + \sum_{q = 1}^{Q} s_{q i}^{-})

(10)

约束条件为：

$ \begin{cases}\sum\limits_{i=1}^N \lambda_n u_{o n}+s_{o i}^{-}=u_{o i}, \;\;\;\;\;\;\;\;\;\;\;\;\;\;o=1,2, \cdots, O \\ \sum\limits_{i=1}^N \lambda_n y_{p n}-s_{p i}^{+}=y_{p i}+\beta_i \boldsymbol{g}_v, \;\;\;\;p=1,2, \cdots, P \\ \sum\limits_{i=1}^N \lambda_n b_{q n}+s_{q i}^{-}=b_{q i}+\beta_i \boldsymbol{g}_b, \;\;\;\;\; q=1,2, \cdots, Q \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\sum\limits_{i=1}^n \lambda_n=1 & \\ \;\;\;\;\;\;\;\lambda_n, s_{o i}^{-}, s_{p i}^{+}, s_{q i}^{-} \geqslant 0, n=1,2, \cdots, N\end{cases} $

(11)

式中，u_oi、y_pi和b_qi分别为第i个机组的第o个输入，第p个期望产出和第q个非期望产出；n为机组数量（N=199）；λ_n为第n个机组的强度变量； $\sum_{i = 1}^{N} λ_{n} = 1$ 为假设可变规模收益的约束条件；ε为处理松弛变量的无穷小正数； $s_{o i}^{-} 、 s_{p i}^{+} 和 s_{q i}^{-}$ 分别为第i个机组的投入、期望产出和非期望产出的松弛变量；β_i为第i个机组的无效率值，取值范围为0~1，越靠近0表明越有效，越靠近1表明越无效.

通过线性规划问题求解β_i，代入公式（12）求解得到第i个机组的环境效率：

E E_{i} = 1 - β_{i}

(12)

式中，EE_i的取值范围为0到1，如果EE_i=1，则表明第i个机组达到了生产效率前沿.

第i个机组第q次非期望产出的减排潜力（ERP_qi）可以通过公式（13）计算^[34]：

E R P_{q i} = b_{q i} \times β_{i} + s_{q i}^{-}

(13)

当第i个机组的效率达到前沿面时，其第q个非期望产出的排放量由公式（14）进行计算：

b_{q i}^{*} = b_{q i} - E R P_{q i}

(14)

1.4 投入产出指标选取

本研究运用SBM-DDF模型对山西省2020年199个燃煤机组进行投入产出效率分析，表 1为山西省燃煤机组的投入产出指标体系. 本研究选取资本、煤炭作为投入指标，发电量和供热量为期望产出指标，CO₂、SO₂、NO_x和PM的排放量为非期望产出指标. 投入指标中资本是指机组的装机容量和机组实际运行小时数的乘积^[36]，煤炭投入量指各电厂燃煤消耗量；期望产出中，发电量为燃煤机组能量转换所产生电能的量^[37]，供热量为燃煤机组向外供给的热量^[38]；非期望产出为发电过程中产生的CO₂、SO₂、NO_x和PM排放.

表 1 山西省燃煤机组投入产出指标体系 Table 1 Input-output indicator system for coal-fired units in Shanxi Province

1.5 减污降碳协同度计算方法

定义排放量协同度k₁为单位CO₂排放量所对应的大气污染物排放量，减排量协同度k₂为减排单位量CO₂所对应的大气污染物去除量. 二者分别表示在降碳与污染治理协同过程中对污染物的控制效果. 协同度为负值表示存在负协同效应；协同度为正值则表示存在正协同效应，且数值越大，表明该污染物的协同控制效果越好. 协同度计算采用所有燃煤机组的平均值，具体计算方法见式（15）和式（16）.

k_{1} = \frac{E_{s}}{E_{C O_{2}}}

(15)

k_{2} = \frac{E R P_{s}}{E R P_{C O_{2}}}

(16)

式中，E_s为大气污染物的排放量（t）； $E_{C O_{2}}$ 为CO₂排放量（t）. ERP_s为大气污染物的减排潜力（t）； $E R P_{C O_{2}}$ 为CO₂的减排潜力（t）.

2 结果与分析 2.1 燃煤机组排放特征分析

2020年山西省燃煤机组污染物的排放浓度如图 2所示，SO₂、NO_x和PM的排放浓度范围分别为1.73~28.22、3.11~43.57和0.78~7.39 mg·m^-3，均值分别为13.40、29.25和2.39 mg·m^-3，上述排放浓度均在《火电厂大气污染物排放标准》（GB 13223⁃2011）的特别排放限值内（SO₂排放浓度：50 mg·m^-3，NO_x排放浓度：100 mg·m^-3，PM排放浓度：20 mg·m^-3）. 同时，山西省各发电机组SO₂、NO_x和PM的排放浓度也达到了超低排放限值的要求（SO₂排放浓度：35 mg·m^-3，NO_x排放浓度：50 mg·m^-3，PM排放浓度：10 mg·m^-3）^[26]. 因此，燃煤机组未来运用末端治理技术带来的大气污染物减排潜力有限，需从末端治理转向源头减排，如与绿氢、绿氨耦合发电，构建多能互补低碳耦合的能源供应体系^[30].

图 2 大气污染物排放浓度 Fig. 2 Concentration of atmospheric pollutant emissions

2020年山西省燃煤机组CO₂及大气污染物的排放量与地理分布如图 3所示，全省CO₂、SO₂、NO_x和PM排放量分别为27 074.21×10⁴、2.12×10⁴、5.34×10⁴和0.43×10⁴ t，省内11个城市的排放量如表 2所示. 其中朔州的SO₂、NO_x与PM排放量均为首位，分别为3 391.23、8 782.71和753.61 t，分别占山西省燃煤机组总排放量的16.0%、16.5%和17.5%；大同的CO₂排放量位于首位，为3 892.97×10⁴ t，占山西省燃煤机组总排放量的14.3%. 大同、朔州等山西省北部地区作为山西省核心煤炭生产基地，燃煤机组装机容量相比其他城市显著较大，朔州和大同大型机组占比分别为77%和52%，因此二者CO₂及大气污染物排放量尤为突出. CO₂和大气污染物排放量较低的城市为阳泉、晋城及运城，其中阳泉NO_x和PM排放量为最低，分别为2 583.73 t和152.90 t，主要原因为阳泉机组数量少，且小型机组数占比约为69%；晋城的SO₂排放量最低，为1 085.85 t，原因为晋城的SO₂排放浓度较低；运城CO₂排放量最低，为1 419.60×10⁴ t，因为运城大力推行新能源和清洁能源，清洁能源总装机位列全省第一，燃煤发电总量相对较小，且其燃煤机组的单位供电煤耗和供热煤耗较小. 总体来看，燃煤机组大气排放量整体上呈现山西省北部高于山西省南部的特征.

图 3 燃煤机组污染物排放量与地理分布 Fig. 3 Pollutant emissions from coal-fired units and their geographical distribution

表 2 不同城市燃煤机组CO₂及大气污染物排放量/t Table 2 CO₂ and atmospheric pollutant emissions from coal-fired units in different cities/t

燃煤机组污染物排放标准差椭圆及重心分布如图 4所示，标准差椭圆的测算结果如表 3所示. 从空间分布来看，CO₂和大气污染物排放的标准差椭圆方位角均在12.87°~14.31°之间，均呈现东北-西南方向分布，说明其排放共同受山西省地理、经济等因素的影响. 从标准差椭圆的面积来看，CO₂排放的标准差椭圆面积最大，反映了其空间分布最为分散的特征；NO_x排放的标准差椭圆面积最小，显示其排放空间分布最为集中. 从短轴和长轴的比值来看，CO₂排放标准差椭圆的短轴与长轴比值最大，则表明CO₂排放的空间分布相对最为均衡，原因为山西省煤电企业未安装应用CCUS等碳捕捉技术，不同机组间未有显著排放差异. NO_x排放标准差椭圆的短轴与长轴比值最小，表明NO_x排放的方向性最强，原因为燃煤机组虽已基本完成NO_x超低排放改造，但反应器入口烟气流量偏差、烟气流速分布不均、反应器出口NO_x质量浓度分布不均等问题普遍存在，最终导致不同机组NO_x排放差异较大^[39]；SO₂和PM的排放位于CO₂和NO_x之间，其排放强度分布属于中度集中，主要原因为脱硫和除尘设施全覆盖，且设施运行稳定保持较高去除率，SO₂和PM排放浓度控制较好，不同机组间差异较小. 从重心来看，CO₂和大气污染物的排放重心高度重叠，表明山西省存在核心排放区；重心的位置偏山西省北部，说明山西省北部的污染物排放量显著高于山西省的南部. 从CO₂和大气污染物标准差椭圆的位置来看，大气排放主要集中在东北方向，表明山西省东北地区的CO₂和大气污染物的排放量更大. 因此，应基于煤电机组当前排放特征，加强开展“一市一策”“一企一策”“一机一策”等针对性减排方案，助力煤电企业进一步深度减排.

图 4 燃煤机组污染物排放标准差椭圆和重心分布 Fig. 4 Standard deviation ellipse and centroid distribution of pollutant emissions from coal-fired units

表 3 燃煤机组污染物排放标准差椭圆测算结果 Table 3 Standard deviation ellipse calculation results of pollutant emissions from coal-fired units

2.2 燃煤机组环境效率和减排潜力分析

山西省燃煤机组的环境效率平均值为0.71，表明山西省燃煤机组CO₂、SO₂、NO_x和PM排放量平均可降低29%，其发电量和供热量平均可提高29%. 同时煤电机组中，有27个机组的效率值为1，表明其已经达到效率前沿面，可作为效率标杆，为其他机组提供提升改进方向.

山西省燃煤机组CO₂减排潜力的平均值为56.23×10⁴ t，SO₂、NO_x和PM的减排潜力均值分别为487.21、1 348.75和132.40 t. 通过提高燃煤机组的环境效率，使其按照生产前沿最高效机组的生产技术进行改进，山西省燃煤机组CO₂、SO₂、NO_x和PM排放量可以分别减少41.33%、63.62%、64.05%和61.93%，其减排潜力的累计值分别为11 190.35×10⁴、1.26×10⁴、3.22×10⁴和0.25×10⁴ t.

图 5显示了山西省煤电机组环境效率的空间分布. 山西省环境效率呈现“北高南低”的空间分异特征. 总体上，山西省北部的大同、忻州及中北部的阳泉、太原和吕梁等城市环境效率较高. 相比之下，山西省南部的晋中、长治、晋城和临汾等地环境效率偏低. 在所有燃煤机组中，大约56%机组的环境效率 > 0.7，只有少部分机组的环境效率 < 0.4，总体来看，山西省燃煤机组的环保性较好.

图 5 燃煤机组环境效率空间分布 Fig. 5 Spatial distribution of environmental efficiency for coal-fired units

表 4展示了山西省煤电机组减污降碳协同度，结果都为正数，表明降碳与减污方向一致，可实现协同增效. 由于煤电机组大气污染物已得到较好控制，达到超低排放限值，排放量已处于较低水平，但目前还未广泛推广CCUS等碳捕集技术，CO₂排放量和排放强度均处于较高水平. 因此，煤电机组减污降碳协同度结果较小，协同水平较低. 表明燃煤机组未来减排重心应从“减污降碳”转向“降碳减污”，逐步从超低排放时代向“双碳”时代过渡.

表 4 减污降碳协同度 Table 4 Synergistic level of pollution reduction and carbon mitigation

为检验碳氧化因子对环境效率与减排潜力的影响，本研究对比了不同取值的计算结果. 当采用Sun等^[40]所用的0.942时，山西省燃煤机组CO₂排放量降为25 503.90×10⁴ t，较碳氧化因子为1时下降5.80%，CO₂减排潜力平均值与累计值降幅均为5.80%，CO₂减排比例保持不变. 采用《省级温室气体排放清单》^[41]中褐煤的碳氧化因子0.96时，山西省燃煤机组CO₂排放量降为25 991.24×10⁴ t，较碳氧化因子为1时下降4.00%，CO₂减排潜力平均值与累计值降幅均为4.00%，CO₂减排比例保持不变. 此外，山西省燃煤机组的环境效率值和大气污染物的减排潜力值均未发生改变. 结果表明，碳氧化因子仅引起CO₂排放量及减排潜力同比例变动，未对环境效率值、CO₂减排比例及大气污染物减排潜力造成影响，本文选取碳氧化因子值为1能够保障研究的真实性.

2.2.1 供热量对燃煤机组环境效率的影响

选取资本（装机容量×实际运行小时数）和煤耗量为投入指标，机组的发电量和供热量为期望产出指标，机组CO₂、SO₂、NO_x和PM的排放量为非期望产出指标. 通过SBM-DDF模型计算出的山西省各燃煤机组环境效率以及CO₂和大气污染物减排潜力的平均值、标准差、最小值和最大值如表 5所示. 同时，仅以发电量为期望产出指标时，通过SBM-DDF模型计算出的结果如表 6所示.

表 5 期望产出有供热量的效率值和减排潜力统计（n=199） Table 5 Statistics of efficiency values and emission reduction potential for expected heat output(n=199)

表 6 期望产出无供热量的效率值和减排潜力统计（n=199） Table 6 Statistical table of efficiency values and emission reduction potential of expected output without heat supply(n=199)

为评估供热量对机组环境效率的影响，从供热量松弛变量角度分析机组环境效率变化的原因. 其中，松弛变量反映实际产出与最有效率水平之间的差距，差距越大，环境效率值越低. 在期望产出指标为发电量和供热量的DEA模型中，供热量指标的松弛变量数值大，意味着燃煤机组在供热方面的表现存在显著的低效率，实际产出与前沿面之间有较大差距. 原因可能是目前煤电机组处于供热改造初期，未能够充分实现热电解耦，供热能力不足^[42]，最终导致期望产出有供热量的环境效率值比无供热量时的环境效率值低. 因此，下一步建议因厂制宜采用打孔抽气、低真空供热、循环水余热利用、低压缸零出力等成熟适用技术，进一步提高机组供热能力.

2.2.2 不同城市燃煤机组环境效率和减排潜力分析

山西省各个城市燃煤机组的环境效率均值及减排潜力均值如图6~9所示，不同城市机组的环境效率均值位于0.60~0.90区间内. 阳泉的环境效率水平最高；大同、吕梁、太原、忻州、阳泉和运城的环境效率均值高于山西省环境效率的平均值，即有一半以上的城市的环境效率均值> 0.71. 在CO₂减排潜力方面，太原的CO₂减排潜力的平均值最大，为86.57×10⁴ t；晋城、临汾、朔州、太原、忻州和长治的CO₂减排潜力均值高于山西省CO₂减排潜力的平均值. 根据环境效率值和CO₂减排潜力，可以将山西省11个城市聚类为高效率值-高CO₂减排潜力、低效率值-高CO₂减排潜力、低效率值-低CO₂减排潜力和高效率值-低CO₂减排潜力这4类（如图 6）.

图 6 碳减排潜力城市聚类 Fig. 6 Cluster of cities with carbon emission reduction potential

图 7 CO₂排放量和松弛变量气泡图 Fig. 7 Bubble chart of CO₂ emissions and relaxation variables

图 8 大气污染物减排潜力城市聚类图 Fig. 8 Clustering map of cities by atmospheric pollutant reduction potential

图 9 大气污染物排放量和松弛变量气泡图 Fig. 9 Bubble plot of air pollutant emissions and relaxation variables

图 7展示了11个城市的CO₂排放量均值以及CO₂松弛变量均值. 太原和忻州CO₂排放量和松弛变量均值最大，主要原因为太原和忻州的煤粉锅炉机组占比较高，同时机组属于火力发电行业的比例大，导致CO₂排放量较大，即使环境效率提升空间较低，也可带来较大的绝对减排量. 晋城、临汾、朔州和长治的CO₂排放量和松弛变量均值处于中高水平，同时环境效率值较低，因此CO₂减排潜力较大. 晋中的CO₂排放量和松弛变量均值处于中低水平，意味着虽然其环境效率值较低，但实际排放与理论最优排放之间的绝对差距很小，即通过效率提升实现的减排空间有限；晋中循环流化床锅炉机组占比较大，属于热电联产行业的机组比例高，导致其CO₂排放量较低，即使环境效率提升空间较大，其绝对减排量较低. 大同、吕梁、阳泉和运城的松弛变量均值较低，排放量均值也处于中低水平，同时高环境效率限制了其减排空间，最终导致CO₂减排潜力均值较小.

在大气污染物减排潜力方面，临汾的SO₂和NO_x减排潜力最大，分别为125.07 t和290.94 t；朔州的PM减排潜力最大，为23.91 t. 根据环境效率值和大气污染物减排潜力，可以将山西省11个城市聚类为4类（如图 8）.

图 9展示了山西省11个城市的大气污染物排放量均值和大气污染物松弛变量均值. 太原的大气污染物排放量和松弛变量均值都处于高水平，太原煤粉锅炉机组占比高、火力发电机组集中，导致绝对排放量高，高松弛变量表明机组大气污染物减排潜力较大. 临汾、朔州和长治的大气污染物具有中高排放量和较大的松弛变量，其低环境效率值带来较大减排潜力. 晋城和晋中的热电联产行业机组的占比高，热电联产机组能源利用效率较高，其大气污染物排放基数小，导致减排潜力较低. 大同、吕梁、忻州、阳泉和运城的大气污染物排放量和松弛变量均值都处于中低水平，城市的高环境效率反映了较好的运营管理水平，机组减排潜力较低.

2.2.3 不同装机容量燃煤机组减排潜力分析

不同装机容量燃煤机组的CO₂、SO₂、NO_x和PM减排占比（减排量占总排放量的比值）如图 10所示，结果表明小型机组的减排占比大，中大型机组的减排占比小，300 MW以下机组的CO₂、SO₂、NO_x和PM减排占比较大，分别为59.17%、72.49%、67.15%和68.71%；400 MW以上机组占比分别为31.06%、53.12%、54.54%和50.02%. 因此，未来减排需特别关注小型机组改造，加快创造条件实施节煤降耗，大力淘汰关停环保、能耗和安全等不达标的30×10⁴ kW以下小型燃煤机组，可大幅减少污染排放总量并提升整体能源利用效率.

图 10 不同装机容量机组减排占比 Fig. 10 Proportion of emission reduction of units with different installed capacities

2.2.4 不同锅炉类型燃煤机组减排潜力分析

山西省燃煤机组的锅炉类型主要包括煤粉锅炉和循环流化床锅炉，不同锅炉类型机组效率值和减排潜力如表 7所示. 煤粉锅炉的燃煤机组环境效率均值为0.75，高于循环流化床锅炉机组，同时其非期望产出（CO₂、SO₂、NO_x和PM）的减排潜力均值大. 原因为煤粉锅炉机组中大型机组占比大，具有热效率高和节能环保等优点^[43]，其中大型机组的个数占比为82%，而循环流化床锅炉机组小型机组占比大，其小型机组个数占比为59%.

表 7 不同锅炉类型机组效率值和减排潜力 Table 7 Efficiency values and reduction potential of different boiler-type units

3 讨论

（1）2020年山西省燃煤机组的大气污染物排放浓度已达到超低排放限值，未来脱硫、脱硝和除尘等末端治理技术减排潜力有限^[44]. 根据当前燃煤机组排放现状和政策要求，山西省燃煤机组大气污染物排放管控将从末端治理转向源头治理，一方面，推广生物质掺烧技术^[45]，以及绿氨、纯氢等零碳燃料掺烧技术^[46]；另一方面，根据国家提出的“三改联动”政策，对燃煤机组进行节能降碳改造、供热改造和灵活性改造^[47].

（2）2020年山西省燃煤机组的平均环境效率值为0.71，具有提升空间. 为提高山西省燃煤机组的环境效率，环境效率值低的机组可以向环境效率高的机组学习先进的技术，以环境效率为1的机组作为标杆机组，总结其技术与管理模式，建立示范案例库，推动不同燃煤机组和火电企业间的技术协作. 识别和分析每个火电企业机组的技术短板，引进应用清洁生产、节能降碳等关键技术，推动山西省煤电企业形成环境效益与经济效益协同增长的新型发展范式.

（3）推动大型燃煤机组发展是能源转型的必然结果^[48]. 从煤炭消耗看，采用大容量高参数的机组能明显降低单位发电量煤耗和CO₂排放量^[49]；从燃烧技术看，大容量机组采用更高参数的热力循环系统，显著提升热效率，燃烧过程更稳定，燃尽率高，可以减少未燃尽颗粒物的生成；从环保技术看，大型机组更易配置高效湿法脱硫系统，多采用电袋复合除尘，减少了SO₂、NO_x和PM的排放；从国家政策方面，稳妥有序淘汰30×10⁴ kW以下落后煤电机组，推进30×10⁴ kW级纯凝煤电机组关停转备用，为新建大型清洁煤电机组提供煤耗空间^[45].

（4）循环流化床锅炉燃煤机组相比较于煤粉锅炉燃煤机组，环境效率低，污染物减排潜力小，但在技术层面上，循坏流化床锅炉相比于煤粉锅炉更加环境友好. 循环流化床锅炉通过炉内添加石灰石或白云石，在燃烧过程中直接脱硫，脱硫效率高^[50]；采用低温燃烧抑制热力型NO_x生成，结合分级燃烧技术，NO_x排放浓度低，可以实现低氮燃烧^[51]；循环流化床可燃烧劣质煤、矸石、生物质甚至垃圾，适应性强，可以减少优质煤消耗^[52，53]；鉴于循环流化床机组宽负荷灵活运行特征，可满足未来进一步增大的灵活性调峰需求. 但当前大部分循环流化床锅炉机组装机容量较小，导致总减排量较少. 因此国家可以推广中大型机组使用循环流化床锅炉，来提高大气污染物的减排潜力，虽然其运行维护成本较高，但通过技术改进，循环流化床锅炉有潜力帮助实现煤炭清洁高效利用.

4 结论

（1）引用CEMS监测数据，构建了2020年山西省燃煤机组大气排放清单，并核算了CO₂排放量，其SO₂、NO_x和PM的排放浓度均达到超低排放限值要求. 进一步计算了山西省煤电机组减污降碳协同度，结果表明可实现减污降碳协同增效，但协同水平较低.

（2）采用SBM-DDF模型测算山西省燃煤机组环境效率值，当产出指标有供热量时的环境效率值更低，表明2020年煤电机组供热改造未能得到理想供热能力，因而环境效率值低.

（3）山西省燃煤机组环境效率呈现“北高南低”的空间分布特征. 根据燃煤机组环境效率值和污染物减排潜力，可以将山西省11个城市聚类为高效率值-高减排潜力、高效率值-低减排潜力、低效率值-高减排潜力和低效率值-低减排潜力4种类型.

（4）根据减排潜力预测，300 MW以下小型机组是大气污染物及二氧化碳减排的主要贡献者，因此需特别关注小型机组改造，同时淘汰关停环保、能耗和安全等不达标的小型机组. 此外，循环流化床锅炉在中大型机组中的应用能够充分发挥其减排能力，然而当前多用于小型燃煤机组，限制循环流化床锅炉减排能力的发挥.

参考文献

[1]	夏鹏, 元博, 鲁刚, 等. 火电行业年度碳排放高精度预测模型构建方法[J]. 中国环境监测, 2025, 41(4): 196-205. Xia P, Yuan B, Lu G, et al. Construction method of high precision prediction model for annual carbon emissions of thermal power industry[J]. Environmental Monitoring in China, 2025, 41(4): 196-205.
[2]	王丽娟, 张剑, 王雪松, 等. 中国电力行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 329-338. Wang L J, Zhang J, Wang X S, et al. Pathway of carbon emission peak in China's electric power industry[J]. Research of Environmental Sciences, 2022, 35(2): 329-338.
[3]	刘春景, 吕建燚, 赵汶畅, 等. 两种模式下中国未来发电行业发展情景及其环境效益分析[J]. 环境科学, 2022, 43(7): 3375-3385. Liu C J, Lü J Y, Zhao W C, et al. Development scenarios and environmental benefits analysis of future power generation industry under two modes in China[J]. Environmental Science, 2022, 43(7): 3375-3385.
[4]	李辉, 孙雪丽, 庞博, 等. 基于碳减排目标与排放标准约束情景的火电大气污染物减排潜力[J]. 环境科学, 2021, 42(12): 5563-5573. Li H, Sun X L, Pang B, et al. Emission reduction potential of air pollutants of thermal power industry based on carbon emission reduction target and emission standard constraint scenarios[J]. Environmental Science, 2021, 42(12): 5563-5573.
[5]	Tang L, Qu J B, Mi Z F, et al. Substantial emission reductions from Chinese power plants after the introduction of ultra-low emissions standards[J]. Nature Energy, 2019, 4(11): 929-938. DOI:10.1038/s41560-019-0468-1
[6]	Liu S W, Guo Y, Wagner F, et al. Diversifying heat sources in China's urban district heating systems will reduce risk of carbon lock-in[J]. Nature Energy, 2024, 9(8): 1021-1031. DOI:10.1038/s41560-024-01560-4
[7]	孙菁阳, 孔祥玉, 陈一, 等. 电力系统全环节碳排放核算方法综述[J]. 电力系统自动化, 2025, 49(18): 1-13. Sun J Y, Kong X Y, Chen Y, et al. Review on carbon emission accounting methods for whole links of power system[J]. Automation of Electric Power Systems, 2025, 49(18): 1-13.
[8]	Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. DOI:10.5194/acp-18-14095-2018
[9]	吴艺楠, 李冬, 赵芳, 等. 建设项目环境影响评价中温室气体排放核算方法——以火电项目为例[J]. 环境工程技术学报, 2022, 12(6): 1890-1897. Wu Y N, Li D, Zhao F, et al. Research on greenhouse gas emissions accounting methods in environmental impact assessment of construction projects: a case of thermal power project[J]. Journal of Environmental Engineering Technology, 2022, 12(6): 1890-1897.
[10]	施应玲, 余欣玥. 基于LMDI和系统聚类的电力行业碳排放影响因素分析[J]. 生态经济, 2024, 40(2): 22-29. Shi Y L, Yu X Y. An analysis of influencing factors of carbon emission in power industry based on LMDI and system clustering[J]. Ecological Economy, 2024, 40(2): 22-29.
[11]	陈婉. CEMS, 守护碳数据的先锋[J]. 环境经济, 2025(2): 30-31.
[12]	黄泳如, 卢志民, 刘泽明, 等. 燃气电厂在线监测碳排放数据偏差分析[J]. 热能动力工程, 2025, 40(4): 171-179. Huang Y R, Lu Z M, Liu Z M, et al. Bias analysis of online monitoring carbon emission data of gas-fired power plants[J]. Journal of Engineering for Thermal Energy and Power, 2025, 40(4): 171-179.
[13]	宋明光, 李小江, 孙友源, 等. 基于在线监测法的火电机组碳排放分析[J]. 洁净煤技术, 2024, 30(S1): 464-473. Song M G, Li X J, Sun Y Y, et al. Analysis of carbon emission for thermal power units based on online monitoring method[J]. Clean Coal Technology, 2024, 30(S1): 464-473.
[14]	房庆熙, 李红霞, 黄杰, 等. 基于实测数据因果推断的燃煤机组低碳经济运行评估决策[J]. 全球能源互联网, 2024, 7(3): 292-302. Fang Q X, Li H X, Huang J, et al. Assessment and decision making for the low carbon economic operation of coal-fired units based on measured-data-driven causal inference[J]. Journal of Global Energy Interconnection, 2024, 7(3): 292-302.
[15]	徐曦, 赵新刚. 中国电力行业绿色全要素生产率的时空差异及影响因素[J]. 环境科学, 2025, 46(11): 6851-6862. Xu X, Zhao X G. Spatiotemporal differences in green total factor productivity and its influencing factors in China's power industry[J]. Environmental Science, 2025, 46(11): 6851-6862.
[16]	戴前智, 王毅红, 谢启伟, 等. 基于非合作博弈两阶段DEA的能源环境效率评价方法研究[J]. 系统工程理论与实践, 2024, 44(12): 3932-3946. Dai Q Z, Wang Y H, Xie Q W, et al. Energy environmental efficiency evaluation method based on non-cooperative game two-stage DEA[J]. Systems Engineering-Theory & Practice, 2024, 44(12): 3932-3946.
[17]	Chung Y H, Färe R, Grosskopf S. Productivity and undesirable outputs: a directional distance function approach[J]. Journal of Environmental Management, 1997, 51(3): 229-240. DOI:10.1006/jema.1997.0146
[18]	何吾洁, 梁小红, 陈含桦. 绿色税收对制造业绿色转型的效应分析——基于SBM-DDF模型和Luenberger指数测算[J]. 生态经济, 2020, 36(9): 58-66. He W J, Liang X H, Chen H H. Analysis of the effect of green tax on green transformation of manufacturing industry: based on SBM-DDF model and Luenberger index[J]. Ecological Economy, 2020, 36(9): 58-66.
[19]	王宇西, 周博, 张博, 等. 基于超效率SBM模型的中国蔬菜生产环境效率研究[J]. 北方园艺, 2024(21): 131-138. Wang Y X, Zhou B, Zhang B, et al. Research on environmental efficiency of vegetable production in China based on super efficiency SBM-model[J]. Northern Horticulture, 2024(21): 131-138.
[20]	王建华, 肖勇朋. 生态环境效率影响因素和时空演变特征分析——以江苏省为例[J]. 生态经济, 2023, 39(7): 165-170. Wang J H, Xiao Y P. Analysis of influencing factors and spatial-temporal evolution characteristics of eco-environmental efficiency: taking Jiangsu Province as an example[J]. Ecological Economy, 2023, 39(7): 165-170.
[21]	姜璐, 余静. 基于SBM模型与PVAR模型的我国海洋环境效率和海洋经济增长动态关系研究[J]. 海洋湖沼通报(中英文), 2025, 47(2): 118-126. Jiang L, Yu J. Study on the dynamic relationship between China's marine environmental efficiency and marine economic growth based on SBM model and PVAR model[J]. Transactions of Oceanology and Limnology, 2025, 47(2): 118-126.
[22]	蒋建立, 解百臣, 佘震宇. 中国电力系统环境效率评价及其空间异质性研究——基于改进两阶段DEA模型[J]. 环境经济研究, 2024, 9(4): 115-140. Jiang J L, Xie B C, She Z Y. Environmental efficiency evaluation and spatial heterogeneity analysis of China's power system: an improved two-stage DEA approach[J]. Journal of Environmental Economics, 2024, 9(4): 115-140.
[23]	曼丽丹·泽尔民别克, 丁杨杨, 王松江. 新疆火电企业节能减排效率评价及影响因素分析[J]. 科技和产业, 2024, 24(6): 180-186. Zeerminbieke M L D, Ding Y Y, Wang S J. The evaluation and influencing factors of energy conservation and emission reduction efficiency of Xinjiang thermal power enterprises[J]. Science Technology and Industry, 2024, 24(6): 180-186.
[24]	Nakaishi T, Takayabu H, Eguchi S. Environmental efficiency analysis of China's coal-fired power plants considering heterogeneity in power generation company groups[J]. Energy Economics, 2021, 102. DOI:10.1016/j.eneco.2021.105511
[25]	Tang L, Xue X D, Qu J B, et al. Air pollution emissions from Chinese power plants based on the continuous emission monitoring systems network[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-00665-1
[26]	屈加豹, 王鹏, 伯鑫, 等. 超低改造下中国火电排放清单及分布特征[J]. 环境科学, 2020, 41(9): 3969-3975. Qu J B, Wang P, Bo X, et al. Inventory and distribution characteristics of China's thermal power emissions under ultra-low reconstruction[J]. Environmental Science, 2020, 41(9): 3969-3975. DOI:10.13227/j.hjkx.202001042
[27]	郭敏晓, 杨宏伟. "十三五"能源与环境形势及"十四五"展望[J]. 中国能源, 2021, 43(3): 19-23, 58. Guo M X, Yang H W. 13th Five-Year" energy and environment situation and "14th Five-Year" outlook[J]. Energy of China, 2021, 43(3): 19-23, 58.
[28]	曲立涛, 齐晓辉, 王德鑫, 等. 基于CEMS数据的超低排放燃煤机组大气污染物排放特性分析[J]. 中国电力, 2023, 56(2): 171-178. Qu L T, Qi X H, Wang D X, et al. Analysis of air pollutant emission characteristics of ultra-low emission coal-fired units based on CEMS data[J]. Electric Power, 2023, 56(2): 171-178.
[29]	中华人民共和国生态环境部. 全国排污许可证管理信息平台公开端[EB/OL]. https://permit.mee.gov.cn/permitExt/defaults/default-index!getInformation.action, 2025-03-05.
[30]	山西省生态环境厅. 山西省生态环境厅官网[EB/OL]. https://sthjt.shanxi.gov.cn/, 2025-03-05. Department of Ecology and Environment of Shanxi Province. Official website of the department of ecology and environment of Shanxi Province[EB/OL]. https://sthjt.shanxi.gov.cn/, 2025-03-05.
[31]	Tong D, Zhang Q, Davis S J, et al. Targeted emission reductions from global super-polluting power plant units[J]. Nature Sustainability, 2018, 1(1): 59-68. DOI:10.1038/s41893-017-0003-y
[32]	Wang R, Cai W J, Cui R Y, et al. Reducing transition costs towards carbon neutrality of China's coal power plants[J]. Nature Communications, 2025, 16(1). DOI:10.1038/s41467-024-55332-5
[33]	Global Energy Monitor. Global coal plant tracker[EB/OL]. https://ndcpartnership.org/knowledge-portal/climate-toolbox/global-coal-plant-tracker-gcpt, 2025-03-05.
[34]	能源专业知识服务系统[EB/OL]. https://energy.qibebt.ac.cn/index, 2025-03-05. Professional knowledge service system for energy[EB/OL]. https://energy.qibebt.ac.cn/index, 2025-03-05.
[35]	李辉, 孙少龙, 贾玉婷, 等. 三峡库区土地利用碳收支时空格局及碳平衡管理分区[J]. 环境科学, 2026, 47(1): 112-124. Li H, Sun S L, Jia Y T, et al. Spatial-temporal pattern of carbon budget in land use and zoning for carbon balance management in the Three Gorges Reservoir Region[J]. Environmental Science, 2026, 47(1): 112-124.
[36]	Nakaishi T, Nagashima F, Kagawa S, et al. Quantifying the health benefits of improving environmental efficiency: a case study from coal power plants in China[J]. Energy Economics, 2023, 121. DOI:10.1016/j.eneco.2023.106672
[37]	祁慧博, 刘畅, 龙飞. 碳交易对火电企业财务效率的影响研究[J]. 会计之友, 2022(13): 82-90.
[38]	GB 35574-2017, 热电联产单位产品能源消耗限额[S].
[39]	王德鑫, 曲立涛, 李超, 等. 超低排放煤电机组SCR脱硝装置运行状态研究与分析[J]. 东北电力技术, 2022, 43(7): 32-36. Wang D X, Qu L T, Li C, et al. Research and analysis of operation state of SCR denitration device of ultra-low emission coal unit[J]. Northeast Electric Power Technology, 2022, 43(7): 32-36.
[40]	Sun Y Q, Deng A, Yang Q, et al. The future of coal-fired power plants in China to retrofit with biomass and CCS: a plant-centered assessment framework considering land competition[J]. Applied Energy, 2025, 377. DOI:10.1016/j.apenergy.2024.124547
[41]	国家发展改革委能源研究所, 清华大学, 中科院大气所, 等. 省级温室气体清单编制指南(试行)[R]. 北京: 国家发展改革委应对气候变化司, 2011.
[42]	亢子恺. 碳中和背景下我国发电企业经营与管理研究[J]. 财经界, 2022(2): 56-58.
[43]	江平, 陈标, 祁乐, 等. 大型燃煤火电机组集中供热的节能减排效果分析[J]. 广西电力, 2017, 40(2): 22-24. Jiang P, Chen B, Qi L, et al. Analysis of energy saving and emission reduction effect of central heating supplied by large coal-fired power unit[J]. Guangxi Electric Power, 2017, 40(2): 22-24.
[44]	邬凯浪, 单兰晴, 薄利明, 等. 考虑电力系统灵活爬坡需求的火电厂碳捕集改造方案优化方法[J]. 电力建设, 2025, 46(9): 27-41. Wu K L, Shan L Q, Bo L M, et al. Optimization methodology for carbon capture reformation schemes in thermal power plants considering the power flexible ramping demand[J]. Electric Power Construction, 2025, 46(9): 27-41.
[45]	孔德安, 赖延春, 朱清, 等. 基于电碳协同的胺法脱碳火电机组灵活控制策略[J]. 热力发电, 2025, 54(6): 204-210. Kong D A, Lai Y C, Zhu Q, et al. Electricity-carbon coupling modeling and coordinated control strategy for coal-fired power units with amine decarbonization[J]. Thermal Power Generation, 2025, 54(6): 204-210.
[46]	余官培, 姜海, 贺俊文, 等. 基于绿氨的低碳火电关键技术及经济性研究[J]. 水力发电, 2025, 51(2): 99-102, 107. Yu G P, Jiang H, He J W, et al. Research on key technologies and economy of low-carbon thermal power based on green ammonia[J]. Water Power, 2025, 51(2): 99-102, 107.
[47]	刘云. 煤电"三改联动"技术综述及讨论[J]. 洁净煤技术, 2024, 30(S1): 82-90. Liu Y. Overview and discussion of coal power "Three Reforms and Linkage" technology[J]. Clean Coal Technology, 2024, 30(S1): 82-90.
[48]	靳旺宗, 秦峰, 李涛, 等. 大型火电机组风机性能在线智能监控和实时预警系统研究及应用[J]. 洁净煤技术, 2024, 30(S1): 383-391. Jin W Z, Qin F, Li T, et al. Research and application of online intelligent monitoring and real-time early warning system for fan performance of thermal power unit[J]. Clean Coal Technology, 2024, 30(S1): 383-391.
[49]	刘鑫屏, 李波. 基于半监督竞争聚类和改进Apriori算法的大型火电机组燃烧优化[J]. 华北电力大学学报, 2024, 51(4): 133-142. Liu X P, Li B. Combustion optimization of large thermal power units based on semi-supervised competitive clustering and improved Apriori algorithm[J]. Journal of North China Electric Power University, 2024, 51(4): 133-142.
[50]	李鹏飞, 于文宇, 王欢, 等. 红沙岗高硫煤循环流化床富氧气化炉内脱硫试验研究[J]. 中国煤炭, 2024, 50(5): 98-103. Li P F, Yu W Y, Wang H, et al. Study on desulfurization experiment in oxygen-enriched dry desulfurization of circulating fluidized bed with Hongshagang high sulfur coal[J]. China Coal, 2024, 50(5): 98-103.
[51]	高明明, 刘博通, 刘春, 等. 超临界循环流化床锅炉NO_x排放预测模型[J]. 中国电机工程学报, 2026, 46(7): 2900-2911. Gao M M, Liu B T, Liu C, et al. NO_x emission prediction model of supercritical circulating fluidized bed boiler[J]. Proceedings of the CSEE, 2026, 46(7): 2900-2911.
[52]	吴丽萍, 李民杰, 陈思雨, 等. 循环流化床炉生物质掺烧降碳技术研究[J]. 热力发电, 2024, 53(10): 144-150. Wu L P, Li M J, Chen S Y, et al. Study on carbon emission reduction via co-firing biomass in circulating fluidized bed boilers[J]. Thermal Power Generation, 2024, 53(10): 144-150.
[53]	肖红亮, 吕俊复, 张扬, 等. 基于循环流化床燃烧的多元废弃物处理技术研究进展[J]. 锅炉技术, 2024, 55(6): 1-11. Xiao H L, Lyu J F, Zhang Y, et al. Research progress on multi-waste treatment technology based on circulating fluidized bed combustion[J]. Boiler Technology, 2024, 55(6): 1-11.


环境科学 2026, Vol. 47 Issue (10): 6618-6630	PDF