2024, Vol. 45
为了应对气候变化的挑战, 我国在2020年正式提出2030年碳达峰2060年实现碳中和的目标（“双碳”目标）.实现双碳目标, 迫切需要采取行动减少二氧化碳（CO2）排放[1, 2]. CO2的来源主要是在电力、工业和交通等领域广泛使用化石燃料[3 ~ 7].当前电力行业主要依赖于煤炭和天然气等化石燃料发电[8 ~ 10]. 2020年, 全球煤炭发电占比35.1%, 天然气占比23.4%；而我国煤炭发电占比63.2%, 天然气仅占3.1%[11].据中国多尺度碳排放清单（multi-resolution emission inventory for China, MEIC）v2.0（http://meicmodel.org.cn）估算[12], 2020年, 电力行业贡献了我国46.3%的CO2排放.电力行业同时也是大气污染物二氧化硫（SO2）、氮氧化物（NOx）和颗粒物（PM）的重要来源, 2020年我国电力行业贡献了15.5%的SO2、18.9%的NOx和3.4%的PM2.5[13, 14].因此电力行业的低碳转型不但能起到降碳的作用, 同时也将带来减污的协同效益.
我国电力部门的低碳转型是实现“双碳”目标的重要环节.有研究表明, 降低煤电在我国能源结构中的比重是实现低碳能源转型和减缓气候变化风险的关键[15 ~ 19].有研究对我国电力行业的低碳发展路径进行了分析.Li等[20]基于自下而上的成本优化模型, 考虑16种火电技术为中国省级火电厂制定技术导向的低碳发展路径.结果表明, 政策加强结合火电需求的降低, 电力行业将在2023年达到约4.1 Gt CO2的排放峰值, 大部分低效燃煤发电技术应在2030年被淘汰.Fan等[21]构建综合评估框架, 研究了中国煤-生物质混燃电厂碳捕获与封存（carbon capture and storage, CCS）技术的时空布局.结果显示这一转型将在2025年提供0.97 Gt·a-1（以CO2计）的碳封存潜力, 2040年实现1.6 Gt·a-1的碳减排潜力, 相当于2025~2060年累计减排41.2 Gt CO2. Yuan等[22]采用多阶段混合整数线性规划发电规划模型, 通过将未来需求增长轨迹与最低成本供电路径相匹配, 建立了不同情景分析中国电力系统到2035年的低碳转型和可持续发展.结果表明, 由于快速电气化, 到2035年, 中国的电力需求将达到9 800~13 300 TW·h.电力需求每增加1 TW·h, 需要0.41~0.53 GW的新增装机容量.每退役1 GW的煤电, 需要建设3.7 GW的可再生能源.
随着国家层面的电力结构调整, 电源布局优化, 电力行业转型带来的影响将在省级层面呈现出异质性[23 ~ 26], 这源于每个省份能源禀赋、地理位置、气象条件和经济发展情况等因素的差异. Han等[27]研究发现, 火电传输的额外排放会导致内蒙古、山西、陕西和宁夏等省空气污染物浓度增加, 而安徽等地空气污染物浓度却会下降. Li等[20]研究发现, 为了使火电行业在2030年达到碳排放峰值, 内蒙古和山西等中部煤电大省到2030年需大力淘汰低效燃煤发电, 将占全国总淘汰容量的26.2%.目前这些研究多基于国家层面进行设计, 未能给出具体到某个省份的发展路径.而针对省级电力系统的研究大多从经济效益出发, 分析煤电淘汰转型成本[28]、电价成本[29]和碳减排成本[30]等方面, 忽视了省级电力系统低碳转型对地区空气污染的协同效应.
江苏省是中国经济最发达的地区之一, 也是全国污染物减排的重点区域和潜力地区. 2020年江苏省电力行业CO2排放贡献了总排放量的49.8%[12], SO2、NOx和PM2.5分别占到了22.7%、22.9%和6.0%[31, 32].近年来, 江苏省高度关注电力低碳转型, 出台了一系列的政策以指导和支持省级电力系统的低碳发展[33 ~ 36].因此, 本研究统筹考虑经济发展和技术进步对江苏省电力需求的影响, 基于历史数据进行建模, 预测江苏省未来电力需求.进一步根据江苏省电力系统最新规划政策, 以2020年为基准年, 5a为一个增量, 对目标年2025年、2030年和2035年进行具体研究, 通过设置不同的电力低碳转型情景, 预测了不同情景下2020~2035年江苏省电力行业CO2和主要大气污染物的排放量变化, 分析了不同措施对CO2和大气污染物减排的影响, 以期为江苏省电力行业节能降碳工作与大气污染治理提供决策参考.
1 材料与方法 1.1 数据来源为对江苏省未来2020~2035年电力需求量进行预测, 本研究选取江苏省历史数据进行建模分析, 选取的变量有地区生产总值（GDP）、能源消耗数据和历史用电量.其中江苏省历史GDP、能源消耗数据来自《江苏省统计年鉴》（2005~2020）, 历史用电量数据来自《中国电力年鉴》（2005~2020）；江苏省2020年现役燃煤电厂数据来自全球能源监测的全球燃煤电厂跟踪数据（https://globalenergymonitor.org/）[37]；2020年江苏省电力排放源数据来自清华大学研发的中国多尺度排放清单（MEIC）（http://meicmodel.org.cn/）[12, 31, 32], 排放物种包括CO2、SO2、NOx、PM2.5和PM10.
1.2 电力需求预测制定合理的电力低碳发展路径, 需要对未来电力需求进行合理的预测.电力需求与社会经济发展、科技进步、能效提升等密切相关, 应根据过去的趋势和合理的假设估计未来用电量的需求. Kachoce等[38]使用地区生产总值、人口、能源价格等因素的真实变化, 用EG（Engle-Granger）两步法建模, 描述和预测了伊朗电力需求的变化情况.戚岳[39]使用协整模型、误差修正模型和向量自回归模型等对GDP和全社会用电量进行了建模, 并在河北省廊坊市进行了实际应用.
EG两步法是一种用于分析时间序列数据中协整关系的方法, 适用于处理非平稳时间序列数据, 并能够捕捉到变量之间的长期均衡关系[40].它包括两个主要步骤：第一步是进行协整分析.协整是指当两个或多个非平稳时间序列变量之间存在长期稳定的线性关系时的状态[41].通过使用单位根检验来检验每个变量的平稳性, 当变量同阶单整时, 进行最小二乘法回归, 判断其残差的平稳性, 若平稳, 则协整关系存在.
第二步是进行误差修正模型（error correction model, ECM）的估计.ECM模型用于描述协整关系变量之间的短期调整过程.它包括一个差分项（表示短期变化）和一个误差修正项（表示变量之间的长期均衡关系）.通过最小二乘法（ordinary least square, OLS）或其他估计方法, 估计ECM模型的系数.
本文综合考虑未来江苏省经济发展形势和能效提升等因素, 运用EG协整检验建立江苏省用电量与江苏省地区生产总值、单位产值能耗之间的动态关系[公式（1）], 然后根据未来的地区生产总值和单位产值能耗对未来的用电需求进行预测.
|
(1) |
式中, ED为电力需求（亿kW·h）；GDP为本地区生产总值（亿元）, EGDP为单位产值能耗（t·元-1）.
根据分析需要, 本研究选取江苏省2005~2020年数据来估算电力需求方程, GDP按2005年不变价格计算.
GDP、EGDP和ED都有明显的趋势变动, GDP和ED的变动趋势相似, EGDP和ED的变动趋势相反.为了消除可能存在的异方差问题, 对时间序列采取对数化处理, 得到lnGDP、lnEGDP和lnED这3个序列, 便于后续研究.
1.2.1 单位根检验为避免虚假回归, 本研究采用含有常数和时间趋势选项的ADF（augmented dickey-fuller）单位根检验法来判断lnGDP、lnEGDP和lnED序列的稳定性.此外, 为排除时间序列变量中结构突变的可能性, 同时采用PP（phillips-perron）单位根检验法检查变量的平稳性.
在表 1中, 单位根检验的结果表明, 原序列lnGDP、lnEGDP和lnED都是单位根非平稳的.它们的一阶差分序列, 也是非平稳的.而他们的二阶差分序列统计量都小于0.05临界值, 表明序列是平稳的.因此, PP和ADF单位根检验最终表明, 所有研究变量都是二阶单整I（2）序列.这是变量间具有协整关系的必要条件.
|
表 1 序列的单位根检验结果 Table 1 Unit root test results of sequences |
1.2.2 EG两步法协整检验
经单位根检验, lnGDP、lnEGDP和lnED虽然自身非平稳, 但它们都存在着相似规律的增长和变化趋势, 表明了三者之间可能存在着长期稳定的比例关系, 并且三者都是二阶单整序列, 可以做协整检验.
对序列lnGDP、lnEGDP和lnED进行OLS回归, 得到的回归方程为：
|
(2) |
式中, εt为残差项.
从回归结果来看, 度量拟合优度的可决系数R2和调整后R2都高达0.99, 说明方程的拟合优度较好, 且各项系数t检验的统计量值显著性均小于5%.
根据公式（2）生成残差序列E, 检验序列E的平稳性.用计量经济学软件（econometrics views, Eviews）自带的EG两步法检验残差序列, 结果显示t统计值为-4.49, 显著性为0.043 7, 小于5%, 即认为估计的残差序列为平稳序列, 也就是表明lnGDP、lnEGDP和lnED具有协整关系, 其三者长期均衡关系存在.由于本研究主要关注长期均衡关系, 所以无需建立误差修正模型观察短期如何修复至均衡状态.从公式（2）可知, 江苏省地区生产总值lnGDP和单位产值能耗lnEGDP对电力需求lnED均具有正向影响.也就是说, 假设其他变量维持不变, 地区生产总值每变动1%, 电力需求值会相应变动1.04%；单位产值能耗每变动1%, 电力需求值会相应变动0.55%.
1.3 温室气体-大气污染相互作用和协同模型（GAINS）本研究采用温室气体-大气污染相互作用和协同模型（greenhouse gas-air pollution interaction and synergies, GAINS）对江苏省电力行业由电源结构变化引起的碳排放和空气污染物排放进行评估分析.该模型由国际应用系统分析研究所（International Institute for Applied Systems Analysis, IIASA）开发, 是目前评估温室气体和空气污染物之间相互作用和协同效应的主流工具.GAINS模型基于一个复杂的污染源-排放-传输-沉降-人类健康-生态系统链条, 涵盖了大气污染物和温室气体的多个污染源、排放源和影响因素.它可以模拟不同政策措施对大气污染物和温室气体排放的影响, 并评估这些措施对空气质量、气候变化和人类健康等方面的效应[42 ~ 44].GAINS模型支持用户自定义, 用户可以根据需求自行创建排放情景和活动路径, 对代表活动路径、控制措施以和各种节能减排设备的应用占比等参数进行调整修改.Amann等[45]和Zheng等[46]对GAINS模型原理进行了详细的描述.
针对中国地区, GAINS中国模型（GAINS-China）分为31个省、市和自治区, 活动水平数据来自世界能源署（International Energy Agency, IEA）等机构2018年开发的能源情景[47], 排放因子整合了国际和国内的众多排放因子测定成果, 研究行业涵盖电力和热力生产、钢铁、水泥、化工等工业部门, 交通部门, 民用部门和农业活动, 研究的大气成分包括SO2、NOx、细颗粒物（PM2.5）、可吸入颗粒物（PM10）、氨气（NH3）、挥发性有机物（VOC）等多种大气污染物和CO2、甲烷（CH4）、氧化亚氮（N2O）、氢氟氯碳化物（CFCs、HFCs）、六氟化硫（SF6）等温室气体.为改善模型的本地化效果, GAINS-China模型采用了中国统计年鉴的分省分行业能源消费数据对活动水平进行了校正, 并与中国团队合作, 改进了对大气污染物排放控制措施和控制效率的表征[48].
GAINS模型基于[公式（3）]对温室气体和大气污染物的排放量进行估算：
|
(3) |
式中：k、m和p分别为活动类型、控制措施和污染物类型；Ep为大气污染物p的排放量；Ak为类型k的活动水平；efk, m, p为活动类型k应用控制措施m后, 污染物p的排放因子；χk, m, p为针对活动k产生的污染物p的控制措施m的技术应用占比份额.
GAINS-China模型将江苏地区划分为一个单一的区域, 本研究根据江苏省的发展政策, 更新相应的活动数据、排放因子和控制因子.为了重现江苏省电力部门排放清单, 更新了“ECLIPSE_V6b_CLE_base”默认基线情景下电力部门的活动数据.根据全球燃煤电厂跟踪数据进行校准, 其中包含江苏省每个区域的电厂容量和类型.
根据MEIC中国污染物排放v1.4和中国碳排放v2.0清单对基准年2020年进行排放量校准, 基于江苏省历史数据修改GAINS模型中江苏省2020年电厂燃料使用进行碳排放量校准, 修改污染物控制措施占比份额进行污染物排放量校准.江苏省自2014年实施节能减排升级与改造专项行动以来, 全省燃煤发电企业积极响应超低排放要求, 有序推进环保设施改造提升, 截至2020年底, 全省在役煤电机组均已全部完成大气污染物超低排放改造[49].因此本研究对2020年进行大气污染物排放校准后, 默认电厂不再对大气污染物排放控制措施技术进行更新, 不再提高占比份额.
1.4 情景设置 1.4.1 需求侧情景设置根据《江苏省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》[34]规划的省“十四五”经济社会发展主要指标目标, 设置地区生产总值年均增速5.5%.根据《江苏省“十四五”全社会节能实施意见》[35]规划的全省单位产值能耗下降目标, 设置单位产值能耗年下降率为1.804%.
1.4.2 供应侧情景设置近年来, 经济发展强势的江苏省仅靠本省发电已经无法满足省内用电需求, 需要外省供给, 外省输入电量占比逐步提高.对江苏省历史数据分析发现, 近两年江苏省发电量增速仅为1%左右, 而用电量增速则保持在5%~6%, 外来电在其中发挥了重要作用, 2018年江苏省用电量省外来电占比高达19%.所以需要首先对江苏本省发电量进行估算, 发电量可以根据[公式（4）]粗略计算：
|
(4) |
式中, E为发电量, kW·h；i为发电能源类型；C为电源装机容量, kW；h为各能源发电利用小时数.
首先基于目前的政策、电源项目建设周期和能源价格等各方面因素考虑, 确定现行政策下江苏省各发电能源类型装机规模.
当前, 江苏省煤电（HC3）仍占据绝对主导地位, 但风电、光伏等新能源不论是发电装机容量还是发电量, 均呈现加速增长趋势.根据《江苏省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》[34]和《江苏省研究“十四五”期间全省煤电高质量发展有关工作》[36]指导：严控煤电增量, 全面淘汰落后煤电机组.所以, 在此情景中按照江苏省电厂运行寿命40年正常淘汰煤电机组, 并且2020年后不再新建, 包括取消计划中的煤电项目.
CCS煤电（CCS）：中国的CCS煤电技术在研究、示范项目和政策支持方面已经取得了一定的进展.作为亚洲煤电最大碳捕集示范项目, 江苏泰州电厂在2023年6月2日正式投产.目前, CCS技术仍处于示范阶段, 不够成熟, 成本也有待下降, 预计2030年前碳达峰阶段不具备大规模商业应用的条件.预计“十六五”碳中和初期阶段为最佳扩展时期.
而对于天然气发电（GAS）来说, 基于我国“缺油少气”的资源禀赋和燃机设备成本高昂的现状, 近一个时期, 国家能源政策与发展规划对气电提及不多.但在双碳目标的倒逼下, 我国未来中期面临“减污降碳”改造, 气电作为相比传统煤电更清洁低碳高效, 且同具灵活性, 将发挥重要替代作用.《江苏省“十四五”可再生能源发展专项规划》[33]中也提到, 要积极开展燃气机组调峰电源建设.2022年, 江苏省发布《燃气发电大气污染物排放标准》[50].所以, 保持“十三五”发展趋势[51], 按照其现实增量500万kW发展江苏省气电.
对于核电（NUC）来说, 江苏省现有田湾核电站一座, 截至2020年, 总装机容量436万kW, 年发电300~400亿kW·h.田湾核电站最多可容纳8台百万千瓦级机组, 考虑核电项目建设周期较长, 成本较高, 计划建成在建机组后, 2035年前不再新建.预计2025年发电能力达到548万kW, 2030年达到760万kW.
其余新能源, 风电（WND）、太阳能光伏发电（SPV）、生物质发电（OS1）、垃圾发电（OS2）、水电均保持“十四五”发展增量.WND新增1 300万kW, SPV新增1 800万kW, OS1新增20万kW, OS2新增50万kW, 蓄能水电（HYD）新增68万kW, 常规水电维持现状, 不再新增. 2020年后, 目前政策下, 每5 a各能源装机扩张容量如表 2所示.
|
|
表 2 江苏省各能源发展政策总结 Table 2 Summary of energy development policies in Jiangsu Province |
其次, 基于江苏省历年发电利用小时数变化和北京大学能源研究院[52]的预测, 确定2020~2035年江苏省各能源类型的发电利用小时数, 如表 3所示, 假设2020~2035年各能源类型发电小时数保持不变.
|
|
表 3 发电能源年利用小时数 Table 3 Annual utilization hours of power generation energy |
优化电源结构是电力行业碳达峰的关键.本研究根据相同的电力需求量设计了5种不同的供应侧情景, 每种情景煤电机组的退役时间不同, 相应的补足能源也有所不同.5种情景电源装机容量变化如图 1所示, 电源结构对比如图 2所示.
|
图 1 4种情景下各电源类型发电装机容量与BAU情景相比 Fig. 1 Comparison of installed power generation capacity of each power source type with BAU scenario under four scenarios |
|
图 2 5种情景发电结构对比 Fig. 2 Comparison of power generation structures in five scenarios |
5种情景的具体描述如下.基准情景（BAU）：是以江苏省2020年电源结构为基准, 未来保持不变. 2020年江苏省发电结构如图 2（2020BAU）所示.整体来看, 江苏省的电源结构仍然以化石燃料为主导, 新能源的利用仍有较大的提升空间.其中HC3占比最高, 达到73.62%, 是最主要的发电来源.其次是GAS, 占比为8.71%. NUC占比排名第3, 为6.87%.尽管近年来新能源发展迅猛, 但相对于传统能源, 新能源的发电占比仍然较小, 仅占总发电量的10.80%.其中, WND占4.50%、SPV占3.28%、OS2占1.69%、OS1占0.73%, 而HYD占比仅为0.61%.未来需要进一步加大对新能源的部署, 以减少对化石燃料的依赖, 推动可再生能源的发展, 实现能源结构的多元化和低碳可持续发展的目标.
IEA目标情景（IEA）：是基于GAINS模型中的ECLIPSE_V6b_CLE_base建立的.ECLIPSE_V6b_CLE_base是欧盟“碳中和”行动的基线情景, 与以前的版本相比, 进行了许多更新, 借鉴了IEA《2018年世界能源展望》[47]中的宏观经济和能源情景设定, 并且基于中国的“十三五”规划进行了更新.此研究中, 2020年根据江苏省的现实状况加以修改, 2020年后基于该情景的预测增量进行发展.与BAU相比, 逐步减少HC3发展, 主要发展GAS、WND和NUC补足发电量.
现行政策情景（CLE）：根据江苏省目前颁布的关于电力行业的政策和发展规划建立的, 与BAU相比, 进一步减少HC3, 靠小部分GAS、WND和SPV补足.
政策加强情景1（STE1）：基于碳市场基准强度淘汰落后煤电建立的.在目标年份, 淘汰低于碳市场基准强度的煤电, 煤电碳市场基准强度每5 a以-3%、-6%和-6%的速度下降, 与CLE相比, 发电量缺口用GAS弥补；煤电机组运行效率提高, 可利用小时数均提高至5 600 h.
政策加强情景2（STE2）：以更严格的标准加速淘汰煤电, 煤电碳市场基准强度每5 a以-3%、-12%和-22%的速度下降.在此情景下, 大部分煤电都将在2035年退役.与STE1相比, 发电量缺口用WND和SPV弥补.
2 结果与讨论 2.1 未来电力预测本研究以2020年为基准年, 根据江苏省历史发展和用电量分析, 预测了2021~2035年江苏省的电力供需情况.预计未来江苏省经济形势保持现有增长, 单位产值能耗持续下降, 用电量增速略低于往年增速.预测的电力需求年增长率为4.01%, 每5 a增长率为21.69%, 到2035年用电量将为11 478.27亿kW·h.如图 3所示, 根据现行政策的推算, 江苏省2025年本省发电量为6 154.16亿kW·h, 占全省用电量比重79.40%；2030年为7 043.14亿kW·h, 占比为74.67%；到2035年, 由于大量煤电厂达到预期寿命, 煤电发电量将大幅减少, 同时其他新能源发电尚未充分部署, 预计江苏省本省的发电量仅为6 190.98亿kW·h, 占比为53.94%.
|
图 3 电力需求预测 Fig. 3 Power demand forecast |
在电力需求预测的基础上, 利用GAINS模型模拟分析了不同电力发展情景下CO2和大气污染物的排放量.图 4显示了2020~2035年江苏省电力行业碳排放趋势.由于各情景下煤电淘汰力度不同, 达峰时间和达峰排放量具有显著差异. BAU情景下, 2020年后碳排放量持续上升, 在2030年左右达峰, 碳峰值排放量为462.03 Mt；IEA情景下, 碳排放量在2020年后缓慢上升, 最终在2028年左右达峰, 峰值排放量为380.27 Mt；CLE情景下达峰时间提前至2026年, 峰值排放量进一步下降, 为353.46 Mt；两个煤电淘汰政策加强情景下, 碳排放量已经达峰, 在2020年后持续下降.
|
图 4 2020~2035年江苏省电力行业CO2排放趋势 Fig. 4 Carbon emission trends of the power industry in Jiangsu Province from 2020 to 2035 |
将电力行业改革的各种措施划分为化石能源转向非化石能源发电、煤电转向气电、煤电配备CCS和煤电厂比例优化这4类.化石能源转向非化石能源发电是指HYD、OS1、OS2、WND、SPV和NUC替代HC3发电；煤电转向气电是指GAS替代HC3；煤电配备CCS是指将现有燃煤电厂改造为配有CCS的电厂或者开发新的CCS燃煤电厂；煤电厂比例优化是指亚临界或未知燃煤技术电厂装机容量与超临界、超超临界燃煤电厂装机容量的比值变化, 比例越接近0, 代表超临界、超超临界燃煤电厂越多.各情景下, 重点年份与基准年相比二氧化碳减排量如图 5所示, 不同的电源结构设置使得减排效果呈现显著差异.与2020年BAU情景相比, 其余4种情景中, 减排的主要途径均是化石能源转向非化石能源发电.煤电转向气电的减排量也较为明显, 但相关的减排量比例将会随时间减小.IEA情景中, 2025年GAS替代减排量占比为14.00%, 到2035年为9.65%；STE1情景中, 2025年为27.55%, 2035年为17.69%.CCS带来的减排量在STE2情景中较为明显, 2035年占比将高达8.86%.而通过煤电厂比例优化带来的减排量要低得多, 仅在煤电加速淘汰的两个情景中带来相对明显的减排量, 2025年在两个政策加强情景中带来8.5 Mt的减排量, 占比为8.84%；2030年, 在STE1情景中带来9.9 Mt的减排量, 占比为6.10%, STE2情景中带来6.2 Mt的减排量, 占比为2.09%；2035年, 在STE1情景中带来6.16 Mt减排量, 占比为2.66%；STE2情景中, 现役煤电在2035年已经完全淘汰, 该措施不会再带来减排.
|
图 5 重点年份不同情景下的CO2减排量 Fig. 5 Carbon dioxide emissions reduction in different scenrios compared to the BAU scenario in key years |
江苏省电力行业以煤为主的能源结构决定了其在CO2排放和大气污染物排放之间存在高度的同源性.图 6显示了重点年份2025年、2030年和2035年的4种情景与基准情景相比, CO2和大气污染物NOx、SO2、PMTSP减排量.主要都是由GAS、NUC、SPV和WND替代发电和普通煤电厂比例优化（PP）带来的减排, 其余能源替代措施带来的大气污染物减排效果不明显, OS1和OS2的部署甚至会带来几种大气污染物较为显著的排放增加. CCS只有在2035年才表现出较大的协同效益.
|
图 6 重点年份不同低碳发展情景与基准情景相比CO2与污染物减排量 Fig. 6 CO2 and pollutant emissions reduction in the low carbon development scenarios compared to the BAU scenarios in key years |
不同能源替代措施对不同大气污染物的减排效果差异显著. GAS、SPV、WND和NUC作为替代能源, 可以显著减少CO2、NOx和SO2等污染物的排放.OS1的部署对CO2的减排效果较为显著, 但其相应发电增加会导致SO2排放量显著增加.OS2对颗粒物的减排效果更为明显, 但也会导致SO2排放量的显著增加.PP对于CO2减排效果不显著, 但对于颗粒物减排效果显著.CCS技术经过10 a的部署运行, 到2035年将显著减少CO2、NOx和SO2等污染物的排放, 虽然对于颗粒物的减排效果不如其他污染物明显, 但该技术的实施仍然意味着更清洁的煤电产业.
2025年, IEA情景中发电占比12.60%的NUC替代减排效果显著, 在CO2减排量中占比为63.70%, NOx中占比为59.75%, SO2占比为71.46%, PM10占比为49.74%, PM2.5占比为56.13%, PMTSP中占比为48.55%.在煤电加强淘汰的两个情景（STE1和STE2）中, PP对颗粒物的减排效果非常显著, 两情景下的电厂比例从2020年的0.40变为2025年的0.12, 在碳减排总量中, 该措施仅占8.84%, 而在PM2.5、PM10和PMTSP中占比分别为48.58%、52.38%和51.01%, 这意味着煤电厂发电技术升级改造将会在颗粒物减排方面带来更高的协同效益；同时, 该项措施也将导致IEA与CLE两情景间CO2、NOx和SO2减排量差距较大, 颗粒物减排量则较为相近.另一个值得注意的是, OS1和OS2的部署, 会带来一部分负的协同效益.如在IEA情景中, 部署1.08%的OS1发电, 将会带来1.87 Mt的碳减排和0.15 kt的NOx减排, 却会带来SO2 1.23 kt的排放量增加.在CLE、STE1和STE2情景中, 占比0.97%的OS1发电带来1.3 Mt碳减排, 0.11 kt NOx减排的同时, 带来0.85 kt的SO2排放增加；而在这3种情景中占比1.95%的OS2将会带来碳排放（0.14 Mt）的增加和SO2排放（1.08 kt）的增加, NOx（0.11 kt）、PM2.5（0.02 kt）、PM10（0.05 kt）和PMTSP（0.08 kt）的减排.
2030年, IEA情景和CLE情景在CO2、NOx、SO2减排量差距较大, 颗粒物减排量较为相近, 与2025年情况类似, 这主要是PP带来的颗粒物较高的协同效益导致.而针对该项措施, 对2030年STE1、STE2情景进一步分析, 却得到了不一样的结果. 2030年, STE1情景中, 亚临界或未知燃煤电厂装机容量比超临界、超超临界燃煤电厂装机容量值为0.067, 而在STE2情景中, 该值进一步缩小为0.009, 但在大气污染物减排方面表现出了更小的协同效益, 在STE1情景带来了9.94 Mt的碳减排, STE2情景中仅有6.16 Mt, 两者相差三分之一.这值得进一步探索.此外, 根据情景设计, 2030年CCS电厂投产运行, 但与BAU对比, 其减排效果并不显著.CLE、STE1和STE2情景中占比0.87%的CCS发电仅带来4.76 Mt（减排总量的3.78%、2.92%和1.62%）的碳减排, 特别是在颗粒物减排方面, 效果微乎其微, 仅带来0.02 kt的PMTSP减排.
2035年, CCS电厂发展规模扩大, 在IEA情景中发展到295 MW, CLE情景1 825 MW, STE1情景3 650 MW, STE2情景7 300 MW, 发电占比也进一步扩大, 分别为0.27%、1.65%、3.30%和6.60%.该措施在碳减排和大气污染物减排方面表现开始显著, 例如, 在STE2情景中减排了31.77 Mt的CO2, 16.35 kt的NOx, 2.53 kt的SO2, 但在颗粒物减排方面协同较小, 仅减排了0.13 kt的PMTSP.同时, OS2占比提高至2.91%, 对SO2排放的增加也更为显著, 在CLE、STE1和STE2这3个情景中增加了2.21 kt的排放量.这也表明, 部署CCS需在颗粒物减排方面作出更大努力, 发展OS2燃料替代需在SO2减排方面作出更大努力.
3 结论（1）江苏省2020~2035年电力需求逐年递增, 年增长率约为4.01%. 2035年, 用电量将达到11 478.27亿kW·h, 根据现行政策推算, 外来电比重逐年增加, 到2035年外省发电量将占46.06%.
（2）基于江苏省目前规划, 建立4种低碳发展情景（CLE、IEA、STE1和STE2）与基准情景（BAU）进行对比分析. BAU情景下, 碳排放在2030年左右达峰, 碳峰值排放量为462.03 Mt；IEA情景下, 在2028年左右达峰, 峰值排放量为380.27 Mt；CLE情景下, 在2026年达峰, 为353.46 Mt；STE1和STE2情景下, 碳排放量已经达峰, 在2020年后持续下降.
（3）4种低碳发展情景中, 天然气（GAS）、核能（NUC）、太阳能光伏（SPV）、风能（WND）替代发电和普通煤电厂比例优化（PP）的减污降碳协同效益较高；生物质能（OS1）和不可再生垃圾能（OS2）的部署会带来SO2较为显著的排放增加；碳捕集与储存改造煤电（CCS）充分部署会表现出较大的协同效益.电厂发展OS1和OS2燃料替代应更多地关注SO2减排；升级改造CCS技术应更多地关注颗粒物减排.
| [1] | IPCC. Global warming of 1.5℃[R]. Cambridge: The Intergovernmental Panel on Climate Change, 2018. |
| [2] | UNFCCC. The Pairs Agreement[R]. United Nations Climate Change, 2016. |
| [3] | Cook J, Oreskes N, Doran P T, et al. Consensus on consensus: a synthesis of consensus estimates on human-caused global warming[J]. Environmental Research Letters, 2016, 11(4). DOI:10.1088/1748-9326/11/4/048002 |
| [4] | Doran P T, Zimmerman M K. Examining the scientific consensus on climate change[J]. Eos, Transactions American Geophysical Union, 2009, 90(3): 22-23. DOI:10.1029/2009EO030002 |
| [5] | Powell J L. The consensus on anthropogenic global warming matters[J]. Bulletin of Science, 2016, 36(3): 157-163. |
| [6] | Oreskes N. The scientific consensus on climate change[J]. Science, 2004, 306(5702). DOI:10.1126/science.1103618 |
| [7] | Anderegg W R L, Prall J W, Harold J, et al. Expert credibility in climate change[J]. Proceedings of the National Academy of Sciences of the United States of America, 2010, 107(27): 12107-12109. |
| [8] | Solarin S A, Bello M O, Olabisi O E. Toward sustainable electricity generation mix: an econometric analysis of the substitutability of nuclear energy and hydropower for fossil fuels in Canada[J]. International Journal of Green Energy, 2021, 18(8): 834-842. DOI:10.1080/15435075.2021.1880917 |
| [9] | Solarin S A, Bello M O, Bekun F V. Sustainable electricity generation: the possibility of substituting fossil fuels for hydropower and solar energy in Italy[J]. International Journal of Sustainable Development & World Ecology, 2021, 28(5): 429-439. |
| [10] | Chen H, Kang J N, Liao H, et al. Costs and potentials of energy conservation in China's coal-fired power industry: A bottom-up approach considering price uncertainties[J]. Energy Policy, 2017, 104: 23-32. DOI:10.1016/j.enpol.2017.01.022 |
| [11] | BP. BP Statistical review of world energy 2020[R]. London: British Petroleum, 2021. 34-51. |
| [12] | Xu R C, Zhang Q, Tong D, et al. Development of a new global CO2 emission database with highly-resolved source category and sub-country information: methodology and 1970-2021 emissions[R]. Vienna: EGU General Assembly, 2023. |
| [13] | Li M, Liu H, Geng G N, et al. Corrigendum to anthropogenic emission inventories in China: a review[J]. National Science Review, 2018, 5(4). DOI:10.1093/nsr/nwy044 |
| [14] | 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 |
| [15] | Hu J L, Huang L, Chen M D, et al. Impacts of power generation on air quality in China—Part Ⅱ: Future scenarios[J]. Resources, Conservation and Recycling, 2017, 121: 115-127. DOI:10.1016/j.resconrec.2016.04.011 |
| [16] | Su S S, Fang X K, Zhao J Y, et al. Spatiotemporal characteristics of consumption based CO2 emissions from China's power sector[J]. Resources, Conservation and Recycling, 2017, 121: 156-163. DOI:10.1016/j.resconrec.2016.06.004 |
| [17] | Li N, Yan C Z, Xie J L. Remote sensing monitoring recent rapid increase of coal mining activity of an important energy base in northern China, a case study of Mu Us Sandy Land[J]. Resources, Conservation and Recycling, 2015, 94: 129-135. DOI:10.1016/j.resconrec.2014.11.010 |
| [18] |
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. |
| [19] |
向梦宇, 王深, 吕连宏, 等. 基于不同电力需求的中国减污降碳协同增效路径[J]. 环境科学, 2023, 44(7): 3637-3648. Xiang M Y, Wang S, Lyu L H, et al. Synergistic paths of reduced pollution and carbon emissions based on different power demands in China[J]. Environmental Science, 2023, 44(7): 3637-3648. |
| [20] | Li R, Tang B J, Shen M, et al. Low-carbon development pathways for provincial-level thermal power plants in China by mid-century[J]. Journal of Environmental Management, 2023, 342. DOI:10.1016/j.jenvman.2023.118309 |
| [21] | Fan J L, Fu J Y, Zhang X, et al. Co-firing plants with retrofitted carbon capture and storage for power-sector emissions mitigation[J]. Nature Climate Change, 2023, 13(8): 807-815. |
| [22] | Yuan K, Zhang T T, Xie X M, et al. Exploration of low-cost green transition opportunities for China's power system under dual carbon goals[J]. Journal of Cleaner Production, 2023, 414. DOI:10.1016/j.jclepro.2023.137590 |
| [23] | Wang R, Li H R, Cai W J, et al. Alternative pathway to phase down coal power and achieve negative emission in China[J]. Environmental Science & Technology, 2022, 56(22): 16082-16093. |
| [24] | Xie Y, Xu M, Pu J L, et al. Large-scale renewable energy brings regionally disproportional air quality and health co-benefits in China[J]. iScience, 2023, 26(8). DOI:10.1016/j.isci.2023.107459 |
| [25] | Jiang X T. Rapid decarbonization in the Chinese electric power sector and air pollution reduction co-benefits in the Post-COP26 Era[J]. Resources Policy, 2023, 82. DOI:10.1016/j.resourpol.2023.103482 |
| [26] |
李楠, 刘弯弯, 朱书涵, 等. 湖南省工业领域碳减排与空气质量改善协同[J]. 环境科学, 2024, 45(3): 1274-1284. Li N, Liu W W, Zhu S H, et al. Coordinated control of carbon emission reduction and air quality improvement in the industrial sector in Hunan Province[J]. Environmental Science, 2024, 45(3): 1274-1284. |
| [27] | Han G L, Chen L, Wei W D, et al. Impacts of trans-provincial thermal power transmission on air-quality recovery and related health outcomes in China[J]. Environmental Science & Technology, 2023, 57(22): 8289-8300. |
| [28] | Zhang W R, Meng Z X, Yang J J, et al. Managing the phaseout of coal power: A comparison of power decarbonization pathways in Jilin Province[J]. Resources, Conservation and Recycling, 2022, 180. DOI:10.1016/j.resconrec.2022.106216 |
| [29] | Xu J P, Yang G C, Wang F J, et al. A provincial renewable portfolio standards-based distribution strategy for both power plant and user: A case study from Guangdong, China[J]. Energy Policy, 2022, 165. DOI:10.1016/j.enpol.2022.112935 |
| [30] | Jiang P, Zhang H W, Li M Y, et al. Research on the structural optimization of the clean energy industry in the context of dual carbon strategy-A case study of Sichuan province, China[J]. Sustainability, 2023, 15(4). DOI:10.3390/su15042993 |
| [31] | Liu F, Zhang Q, Tong D, et al. High-resolution inventory of technologies, activities, and emissions of coal-fired power plants in China from 1990 to 2010[J]. Atmospheric Chemistry and Physics, 2015, 15(23): 13299-13317. |
| [32] | Tong D, Zhang Q, Liu F, et al. Current emissions and future mitigation pathways of coal-fired power plants in China from 2010 to 2030[J]. Environmental Science & Technology, 2018, 52(21): 12905-12914. |
| [33] | 江苏省发展改革委. 江苏省"十四五"可再生能源发展专项规划[EB/OL]. https://fzggw.jiangsu.gov.cn/art/2022/7/11/art_83783_10531644.html, 2022-07-11. |
| [34] | 江苏省人民政府. 江苏省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要[EB/OL]. https://www.jiangsu.gov.cn/art/2021/3/2/art_46143_9684719.html, 2021-02-19. |
| [35] | 江苏省人民政府办公厅. 关于江苏省"十四五"全社会节能的实施意见[EB/OL]. https://www.acfic.org.cn/ztzlhz/145gh/145gh_10/202112/t20211227_69233.html, 2022-01-09. |
| [36] | 江苏省能源局. 江苏省研究"十四五"期间煤电高质量发展有关工作[EB/OL]. http://www.mei.net.cn/dgdq/202108/1729936015.html, 2021-08-25. |
| [37] | GEM. Global coal plant tracker[DB/OL]. Global Energy Monitor, https://globalenergymonitor.org/projects/global-coal-plant-tracker/download-data/. |
| [38] | Kachoee M S, Salimi M, Amidpour M. The long-term scenario and greenhouse gas effects cost-benefit analysis of Iran's electricity sector[J]. Energy, 2018, 143: 585-596. |
| [39] |
戚岳. 基于计量经济学的中长期电力负荷分析及预测[D]. 北京: 北京交通大学, 2008. Qi Y. Research on mid-long term load analyzing and forecasting based on econometrics[D]. Beijing: Beijing Jiaotong University, 2008. |
| [40] | Engle R F, Granger C W J. Co-integration and error correction: Representation, estimation, and testing[J]. Econometrica, 1987, 55(2): 251-276. |
| [41] | 金玉国. 计量经济学[M]. 北京: 经济科学出版社, 2006. |
| [42] | 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, 2019. DOI:10.1016/j.rcrx.2019.100006 |
| [43] | Shu Y, Hu J N, Zhang S H, et al. Analysis of the air pollution reduction and climate change mitigation effects of the Three-Year Action Plan for Blue Skies on the "2+26" Cities in China[J]. Journal of Environmental Management, 2022, 317. DOI:10.1016/j.jenvman.2022.115455 |
| [44] | Shu Y, Li H S, Wagner F, et al. Pathways toward PM2.5 air quality attainment and its CO2 mitigation co-benefits in China's northern cities by 2030[J]. Urban Climate, 2023, 50. DOI:10.1016/j.uclim.2023.101584 |
| [45] | Amann M, Bertok I, Borken-Kleefeld J, et al. Cost-effective control of air quality and greenhouse gases in Europe: Modeling and policy applications[J]. Environmental Modelling & Software, 2011, 26(12): 1489-1501. |
| [46] | Zheng J J, Jiang P, Qiao W, et al. Analysis of air pollution reduction and climate change mitigation in the industry sector of Yangtze River Delta in China[J]. Journal of Cleaner Production, 2016, 114: 314-322. |
| [47] | IEA. World Energy Outlook 2018[R]. Pairs: International Energy Agency, 2018. |
| [48] | Zhao B, Wang S X, Liu H, et al. NOx emissions in China: historical trends and future perspectives[J]. Atmospheric Chemistry and Physics, 2013, 13(19): 9869-9897. |
| [49] | 黄霞, 刘丽, 王宝. 推动"煤电+CCUS"发展助力煤电脱碳运行[EB/OL]. https://news.bjx.com.cn/html/20220817/1248984.shtml, 2022-08-17. |
| [50] | DB32/ 4386-2022, 燃气电厂大气污染物排放标准[S]. |
| [51] |
刘伟, 葛斌, 冷伟. 江苏省燃气发电发展现状及相关问题研究[J]. 燃气轮机技术, 2014, 27(1): 6-10, 64. Liu W, Ge B, Leng W. Research on present situation and related issues of natural gas power generation in Jiangsu province[J]. Gas Turbine Technology, 2014, 27(1): 6-10, 64. |
| [52] | 北京大学能源研究院. 中国有条件加速脱煤电[EB/OL]. https://energy.pku.edu.cn/xsdt/kycg/811049e81c644c14823f21b81225c6a4.htm, 2021-03-23. |