“十三五”规划碳减排目标下碳交易机制的博弈分析

李 薇，董艳艳，卢 晗，黄 奎，王振宇（.华北电力大学，区域能源系统优化教育部重点实验室，北京006；.南瑞（武汉）电气设备与工程能效测评中心，湖北 武汉 430000）

“十三五”规划碳减排目标下碳交易机制的博弈分析

李 薇1*，董艳艳1，卢 晗1，黄 奎1，王振宇2（1.华北电力大学，区域能源系统优化教育部重点实验室，北京102206；2.南瑞（武汉）电气设备与工程能效测评中心，湖北 武汉 430000）

基于碳排放许可值、C O2减排技术与成本、碳交易参数的浮动性与不确定性，构建碳交易机制的区间两阶段不确定性随机规划模型（TISP），通过优化模型寻求系统净收益与CO2排放许可的平衡点，结果表明，当µ=40%时，系统的净收益为最优，且系统的净收益在碳交易模式下高于非交易模式下的净收益；当µ＜40%时，燃煤电厂在碳交易模式下只需采用CS减排技术均能达到排放许可要求，在非交易模式下则同时采用CS和CA减排技术；当µ＞40%时，3种发电方式在保证CS减排技术的前提下，均要增加CA减排技术的处理.碳交易机制有利于减排技术的合理分配及用能权、碳排放权和排污权交易市场的建立，尽快实现市场化节能碳减排目标.

碳排放权交易；区间规划；随机规划；CS和CA减排技术

十三五规划中提出严格控制碳排放，加强高耗能行业能耗管控，尤其控制电力、钢铁等重点碳排放行业，同时建立碳排放权初始分配制度，建设全国统一的碳排放交易市场，加大低碳技术（CA、CS）和“CO2产品”的推广力度.同时规划指出将碳排放总量作为约束性控制指标，实现最小总量和最优强度的“双控”目标［1］.

当前，碳排放权配额的分配方式主要有免费发放、拍卖发放和以政府规定的固定价格购买配额，然而，免费发放和拍卖发放在一定程度上鼓励高排放而打击采取积极减排措施的企业，有悖于污染者付费的环境法基本原则；配额拍卖发放虽然有效地避免了免费发放和拍卖发放的缺陷，但也可能会导致资金差异较大的企业间的不公平竞争等不良现象，尤其对低碳排放源的发电企业尤为严重.因此，在最小总量和最优强度的“双控”目标下，鉴于现有的碳排放配额发放方式和碳交易试点现状，如何对某一区域内相同行业进行有效而准确地发放碳排放配额将是试点区域面临的一大难题.

对此，国内外研究者对 CO2减排问题进行了深入的研究［2］，如基于发电侧CO2减排优化分析模型，申杨硕等［3］采取双重分析法挖掘发电侧碳排放潜力；Chen等［4］将区间随机优化模型用于分析CO2减排交易机制的制定；姜海洋等［5］利用合作博弈优化模型进行区域发电侧间的发电量的优化调配；上述研究均体现了节能减排目标下发电侧CO2减排政策的多样性和减排技术的不确定及随机性，因此，本文利用区间参数规划（IPP）［6］和两阶段随机规划（TSP）［7］方法构建碳减排控制技术优化模型（TISP）［8-11］，并根据“十三五”规划减排目标设置不同 CO2减排控制技术下的排放量，根据优化结果制定减排措施，有利于“十三五”规划目标下用能权、碳排放权和排污权交易市场的建立，推进市场化节能、碳减排目标.

1 模型的构建

在考虑 CO2排放总量、处理技术成本、各电厂的目标发电量以及电力供需指数等不确定参数的基础上，构建以区域发电系统最大净收益为目标函数的碳排放交易模型，并求得模型中决策变量的可行且稳定的解，从而优化碳交易市场模式，保证不同发电资源的最佳配置，为相应的决策者提供最优的碳排放交易方案［12-13］.在该模型中，约束条件有：CO2排放总量控制约束、CO2处理技术能力约束、各电厂的目标发电量约束及机组运行成本的约束，这些约束参数均以区间数表示；电力供需指数则以信息分布概率 Pih为区间变量表示.

本模型研究 3种不同发电方式的碳排放量交易.由于区域经济的发展要求不同，每个电厂排放CO2量不一定均在CO2排放限额范围内，对于超出的CO2量部分，该电厂可以通过购买其它电厂剩余的 CO2排放量来弥补自身额外排放的CO2量，从而避免政府部门和管理机构的惩罚措施［14-15］，即：对于区域内一定排放量的 CO2，研究不同发电方式之间进行碳排放量交易显得尤为重要.基于此，构建TISP模型1如下：

目标函数：

约束条件：

式中：i表示发电方式（燃煤电厂，燃油电厂，生物质电厂）；j表示CO2处理技术（CS，CA）；h表示CO2排放水平（h=1，2，3）；f±表示碳排放交易下电力系统的净利润（元）；Ci±为 i发电方式下每度电的净利润，［元/（kW·h）］；Wi±为i发电方式下的目标发电量（第一阶段决策变量） （kW·h）；Rijh±表示i发电方式在h排放水平下，采用j种CO2处理技术减排的量（t）；Pih表示i发电方式下CO2排放水平分布概率；Bij±表示i发电方式下采用技术处理超出排放标准的CO2量的运行成本（元/t）；T±为区域电力系统CO2的总排放限值（t）；Qih±表示i发电方式在排放水平h下排放CO2量（t）；Aij±表示i发电方式利用j技术处理CO2量（t）；ηj±表示j技术的去除效率；Di±表示碳交易下i发电方式的再分配排放标准（t）；μ表示区域CO2减排量占CO2排放总限值的百分比（即减排水平）；kih±为电力供需指数；li表示 i发电方式下每度电 CO2排放负荷值［t/（kW·h）］.

在TISP模型中，由于发电方式的目标发电量 Wi±为区间数，不易求解，因此，在模型中引用一个隶属度 zi±（zi∈［0，1］），通过 Wi±=Wi-+△Wi±· zi（△Wi=Wi+-Wi-）求解模型中最优目标值和决策变量值.当 Wi±达到最大时（zi=1），电力系统将会产生最大的净利润，但同时会伴随高风险罚款措施与增加超出CO2排放限额的CO2量的处理成本；当Wi±达到最低时（zi=1）电力系统将会产生最少的净利润，超出CO2排放限额的CO2量最少，受到相应罚款的风险为最低.根据交互式算法，将模型1拆分为以下两个确定的子模型［16］：

子模型（1）

约束条件：

子模型（2）

约束条件：

在TISP模型中，当区域内不存在碳排放交易时，每种发电方式排放的CO2量受到CO2分配限额的约束，该情景下，构建TISP模型2如下：

目标函数：

约束条件：净利润，元；Wimax±表示 i种发电方式目标发电量的最大值，千瓦时；同上，将模型2拆分为以下2个子模型：

子模型（3）

约束条件：

子模型（4）

约束条件：

根据约束条件，在碳交易与非交易情况下分别求解子模型［16］f+和f-，分别得出 fjopt+、wjopt-（j=1，2，…，k1）、 wjopt+（j=k1+1，k1+2，…，n）、Rjopt-（j=1，2，…，k1）、Rjopt+（j=k1+1，k1+2，…，n）和fjopt-、wjopt-（j=1，2，…，k1）、 wjopt+（j=k1+1，k1+2，…，n）、Rjopt-（j=1，2，…，k1）、Rjopt+（j=k1+1，k1+2，…，n），即：区间线性规划的最优解为 fjopt±=［fjopt-，fjopt+］、Wjopt±=［Wjopt-，Wjopt+］和Rjopt±=［Rjopt-，Rjopt+］.

式中：f 2

±表示碳排放量不交易情况下电力系统的

2 仿真案例研究

针对是否进行碳交易情形，研究某一区域在未来5年内的发电侧的净收益情况.假设该区域仅存在燃煤电厂、燃油电厂和生物质电厂，并且作为该区域CO2的主要排放源，CO2减排技术有碳捕集与封存（CS）和化学吸收法（CA）［17-18］，则该区域的碳交易平台模式如下所示：

图1 基于碳交易下区域电力系统示意图Fig.1 The sketch map of a regional power system under carbon trading

表1 发电厂的目标发电量和净利润Table 1 The target of generated energy and net benefit in each power plant

表2 污染物控制技术的运行成本Table 2 Pollution control techniques and operation costs

本研究通过设置多情景的 CO2减排水平分析碳交易平台的构建对电力系统的净收益的影响.在仿真案例中，生物质电厂、燃油电厂和燃煤电厂的年 CO2排放负荷分别为 0.0004、0.0009和 0.00095t/（kW·h），CO2总排放限额为［66.55，73.76］×106t，减排技术在生物质电厂、燃油电厂以及燃煤电厂中的处理能力分别为［9.60，11.10］× 106t，［9.30，10.80］×106t，［9.90，11.40］×106t，CS技术对CO2的减排效率是1.0，CA技术对CO2的减排效率是［0.80，0.90］，发电厂的目标发电量、运行成本、技术减排成本等参数如表1、表2和表3所示［19-20］.基于上述特定的系统参数，通过设置CO2减排水平为0、10%、25%、40%、55%、70%和85%等情景，如表4所示.通过情景比较分析碳交易对系统净收益的影响，寻求该区域内经济-能源-环境的最优方案.

表3 不同概率分布下的电力供需指标Table 3 The power demand and supply index and the associated probabilities

表4 不同CO2减排方案下的情景Table 4 The list of scenarios under different CO2emissionreduction levels

3 结果分析

3.1 基于碳交易和非交易模式下系统净收益分析

利用 Lingo软件对上述四个碳减排控制技术优化模型（TISP）进行求解，得出在不同的 CO2减排水平下系统收益的变化如图2所示.随着区域CO2减排比例的加大，电力系统的收益逐渐减少.其原因是区域CO2减排比例的加大将会导致选择不同的减排技术，增加系统设备的减排成本.在相同的减排比例下，碳交易模式下的系统收益均高于非交易模式下的净收益，说明对不同发电方式之间实行碳交易机制有利于提高系统的净收益，同时也达到“节能”与“减排”的双重效果.例如：当区域CO2减排比例为25%时，交易机制下系统收益为［108.68，116.17］×109元，非交易机制下系统收益为［105.86，114.73］×109元；当区域 CO2减排比例为 70%时，交易机制下系统净收益为［84.91， 95.14］×109元，非交易机制下系统收益为［84.15， 94.76］×109元；当区域 CO2减排比例为40%时，交易机制下系统净收益为［101.23，114.67］×109元，非交易机制下系统收益为［97.63，112.53］×109元，此时，系统的收益差额达到最大，区域内“经济-能源-环境”3系统达到最佳平衡状态，规避的风险概率最大，即：碳交易机制在情景S4和非交易机制在情景S4-N下均为最优方案.因此，以情景S4和S4-N为基准，分析其他情景下系统的收益与CO2减排技术.

图2 不同CO2减排水平下区域系统净收益Fig.2 Net system benefits under different CO2-mitigation levels

3.2 基于碳交易模式下碳减排技术分析

通过系统收益分析可知，当 CO2减排技术（CA+CS）比例为40%时，区域系统收益为最优，此时，3个发电厂只采用CS处理技术均能达到区域CO2排放的许可，其对应的最佳限额值分别为［8.71，9.52］×106t、［12.50，14.20］×106t和［18.25， 20.36］×106t，如图3所示.根据图3可得，在不同的概率信息分布和相同的发电方式下，CS处理CO2的量均不相等，如：当概率分布P11=0.6时，CS技术处理生物质电厂的 CO2处理量的最大值为11.40×106t，最小值为 9.80×106t，当概率分布为P12=0.2时，CS技术处理生物质电厂的CO2处理量为［8.25，8.98］×106t；从图 3还可得，在相同的概率信息分布和不同的发电方式下，CS处理 CO2的量也不相等，如：当概率信息分布为 0.6时，CS技术处理燃油电厂的 CO2处理量为［9.05，10.75］×106t，而燃煤的 CO2处理量为［9.40，10.75］×106t.

图3 S4下各电厂采用处理措施处理CO2的量Fig.3 Solutions for CO2emissions from each power plant under S4

图4 S3下各电厂通过处理措施处理CO2的量Fig.4 Solutions for CO2emissions from each power plant under S3

图5 S5下各电厂通过处理措施处理CO2的量Fig.5 Solutions for CO2emissions from each power plant under S5

图4和图5表征系统收益不是最优状态时利用CO2减排技术（CA+CS）处理CO2的量；图4表示CO2减排技术为25%时各电厂利用CO2减排技术处理CO2的量.由于系统减排比例小于最优状态时的减排比例，因此，3个电厂只需采用 CS处理技术，区域CO2排放的量逼近区域限额的上限值，潜在增加了罚款的风险.相对于 S4情景下，S3情景减少了CS处理技术设备的数量与降低减排力度，相应的限额值为［12.05，13.58］×106t、［18.10，19.04］×106t和［22.38，25.15］×106t，CO2的处理量均少于 S4情景时的处理量，在生物质电厂中，CS处理技术处理 CO2的量为［7.05，7.90］× 106t、5.70×106t和 4.06×106t；在燃油电厂中，CS处理技术处理 CO2的量为［3.65，4.71］×106t、1.88×106t和0t；在燃煤电厂中，CS处理技术处理CO2的量为［4.55，5.83］×106t、2.30×106t和0t.图5表示CO2减排技术为55%时各电厂利用CO2减排技术处理CO2的量，由于系统减排比例大于最优状态时的减排比例，系统在采用 CS处理技术的同时也要采用CA处理技术，此时，在生物质电厂中，CA处理 CO2的量分别为 6.17×106t、4.23×106t和 2.57×106t；在燃油电厂中， CA处理CO2的量分别为4.72×106t、2.15×106t和0t；在燃煤电厂中，CA处理CO2的量分别为5.83× 106t、3.01×106t和0t.随着CO2减排比例的增大，在保证CS处理技术的前提下，增多CA处理技术的设备数量与增强系统的减排力度.通过各发电方式间的碳交易权的购买寻求系统的净收益与 CO2排放许可的风险的一种平衡，合理分配CA与CS处理技术，从而既避免了由高排放导致的环境罚款风险又规避了减排设备运行成本的增加，以保障系统经济收益的最优化.

3.3 基于非交易模式下碳减排技术分析

当区域发电方式间不存在碳排放权交易模式时，各电厂采用的减排技术处理的CO2量如图6所示.根据图6可知，在区域排放限额值为一定时，生物质电厂和燃油电厂只需采用 CS处理技术，燃煤电厂则同时采用CS和CA处理技术，且在不同的发电方式和不同的概率信息分布下，CS处理技术处理的CO2量均不相等，如在生物质电厂中CS处理技术处理的量为［8.02，9.05］×106t、［6.13，6.65］×106t和［4.42，4.83］×106t；在燃油电厂中处理的量为［9.31，10.42］×106t、［7.29，7.82］×106t和［5.58，5.89］×106t，然而对于高排放源的燃煤电厂，CS处理技术处理的量为［9.41，11.12］×106t、［8.92，9.53］×106t和［6.63，7.24］×106t，同时CA处理技术处理CO2的量为2.32×106t、0t和 0t，此时，区域对应的排放限额值为［10.83，12.10］×106t、［12.72，14.25］×106t和［15.76，17.62］×106t，系统收益达到最优状态.

图6 S4-N下各电厂通过处理措施处理的CO2的量Fig.6 Solutions for CO2emissions from each power plant under S4-N

图7 S3-N下各电厂通过处理措施处理CO2的量Fig.7 Solutions for CO2emissions from each power plant under S3-N

在碳非交易情景下，区域使用碳减排技术处理CO2的量如图7和图8，图7表示碳减排技术比例为 25%时各发电厂利用碳减排技术处理CO2的量.在SN-3情景下，3个电厂只需采用CS处理技术均能达到区域排放限额值，此时，区域排放限额值分别为［14.47，16.16］×106t、［17.02，18.99］×106t和［21.05，23.51］×106t，具体而言，在不同概率信息分布下，CS减排技术处理生物质电厂的 CO2处理量为［4.31，5.02］×106t、2.39×106t和 0.91×106t；燃油电厂的 CO2处理量为［4.92，5.95］×106t、2.98×106t和 1.41×106t；燃煤电厂的CO2处理量为［6.01，7.23］×106t、3.80×106t和1.81×106t.图 8表示在 SN-5情景下各电厂处理CO2量情况.在SN-5的情景下，由于系统减排比例大于最佳状态时的减排比例，因此，3个发电厂均同时采用CS和CA处理技术.从图8可知，在不同的发电方式下，CS和CA处理技术处理CO2量均不相等，如：在生物质电厂中，CS减排技术处理 CO2量为［9.71，11.20］×106t、［9.69，10.85］×106t和［8.23，9.04］×106t，CA减排技术处理 CO2量为2.01×106t、0t和0t，而在燃煤电厂中，CS减排技术处理 CO2量为［9.27，10.59］×106t、［9.24，10.23］× 106t和［9.25，10.36］×106t，CA减排技术处理CO2量为9.51×106t、6.24×106t和3.57×106t.在不存在碳排放权交易的情况下采用高比例的碳减排技术，会造成系统中低排放源发电方式的碳交易权浪费或者增加高排放源发电方式的减排运行成本，从而造成系统碳减排技术的不合理分配与排放限额值的不科学配置，影响系统收益的最优状态.

图8 S5-N下各电厂通过处理措施处理CO2的量Fig.8 Solutions for CO2emissions from each power plant under S5-N

3.4 基于2种模式下各发电方式的CO2排放许可分析

图9 碳交易与非交易模式下各电厂的CO2排放许可Fig.9 Solutions for CO2emission permits from each power plant under carbon trading and non-trading

由图9可知，在碳交易权机制下，高排放的燃煤电厂通过购买低排放的生物质电厂的碳交易权的方式来扩大自身的排放限值，以此来规避环境罚款的风险和降低减排设备运行成本，低排放的生物质电厂通过将多余的碳排放权以“产品”形式转卖给高排放源的燃煤电厂以此来获取收益.如果发电厂之间不实行碳交易机制，各电厂的CO2处理量基本相等，将会导致CS和CA减排技术的不合理分配与区域排放限值的不科学设定，间接影响不同发电方式减排的潜力和区域环境与经济收益.因此，碳交易机制的形成更有利于科学地制定排放许可值和合理分配减排技术，更有利于系统寻求净收益与CO2排放许可的平衡点.

4 结论

4.1 基于上述7种情景分析可知，当区域减排比例为 40%时，系统收益的下界值与上界值的差值最大，此时系统的净收益为最优状态，碳交易模式下系统的净收益均高于非交易模式下的系统净收益， 此外，在不同发电方式的碳排放量交易下，可以计算出各个发电方式的碳交易量，有助于决策者优化合理的配额分配方式和调整初始的碳排放配额值，从而实现“十三五”规划的约束性目标—最小总量和最优强度的“双控”目标。

4.2 当减排比例 µ＜40%时，在碳交易模式下，发电厂通过买卖碳排放权来扩大或缩减自身的排放许可值，因此发电厂只需采用 CS处理技术均能达到区域排放限额值；在碳非交易模式下，低排放源的发电方式只需采用 CS减排技术，而高排放源的燃煤发电方式则同时采用CS和CA减排技术；当减排比例µ＞40%时，不管区域系统是否具有碳交易模式，在保证 CS减排技术的前提下，3个电厂均增大了CA减排技术的处理力度.

4.3 对比分析碳交易与非交易模式可知，对于相同的减排比例和发电方式，CS减排技术和CA减排技术处理CO2量均不相等，如：对于减排比例为40%的燃煤的电厂，CS减排技术在碳交易模式下处理的CO2量为9.69×106t，而CS和CA减排技术在非交易模式下处理的 CO2量分别为7.25×106t和2.44×106t，增加了非交易模式下减排设备的运行成本.

［1］ 莫北.“十三五”规划建议”能源看点探究 ［J］. 中国石油企业，2015，11：23-27.

［2］ 王文军，傅崇辉，骆跃军，等.我国碳排放权交易机制试点地区的ETS管理效率评价 ［J］. 中国环境科学， 2014，34（6）：1614-1621.

［3］ 申杨硕.我国发电侧C O2减排途径分析及其优化模型研究 ［D］.北京，华北电力大学， 2013：2-7.

［4］ Chen C， Li Y P， Huang G H， et al. A robust optimization method for planning regional-scale electric powersystems and managing carbon dioxide ［J］. Electrical Power and Energy Systems，2012，1（40）：70-84.

［5］ 姜海洋.促进发电环节节能减排的煤电产业链合作优化模型［D］. 北京，华北电力大学， 2010：5-10.

［6］ 孙玉华，许 平，王来生.区间规划问题的最优性条件 ［J］. 运筹与管理， 2014，1：39-43.

［7］ 刘敬生.两阶段随机规划的若干算法及应用研究 ［D］. 山东科技大学， 2009.

［8］ Maqsood I， Huang G H. A two-stage interval-stochastic Programming model for waste Management under uncertainty ［J］. Journal of the Air & Waste Management Association （A&WMA），2003，53：540-552.

［9］ 李晓惠.区间两阶段随机规划在电厂 SO2排放配额分配中的应用 ［D］. 北京：华北电力大学（北京）， 2008.

［10］ 莫淑红，段海妮，沈 冰，等.考虑不确定性的区间多阶段随机规划模型研究 ［J］. 水利学报， 2014，12：1427-1434.

［11］ 董 聪.基于不确定性优化方法的能源环境系统规划模型研究［D］. 北京：华北电力大学， 2014.

［12］ 范英英.基于碳排放总量控制的低碳经济发展优化模型研究［D］. 华北电力大学， 2012.

［13］ 武传宝，李 薇，解玉磊，等.基于区间规划的多区域行业间碳排放权交易模型研究 ［J］. 中国电力， 2014，（7）：137-143.

［14］ 王素凤.中国碳排放权初始分配与减排机制研究 ［D］. 合肥：合肥工业大学， 2014.

［15］ 陈 强.电力系统绿色电力交易机制研究 ［D］. 上海：上海交通大学， 2013.

［16］ Huang G H， Loucks D P. An inexact two-stage stochastic programming model for water resources management under uncertainty ［J］. Civil Engineering and Environmental Systems，2000，17（1）：95-118.

［17］ 罗金玲，高 冉，黄文辉，等.中国二氧化碳减排及利用技术发展趋势 ［J］. 资源与产业， 2011，1：132-137.

［18］ 林永明.中国燃煤电厂CO2捕集技术开发及应用 ［J］. 广西电力，2013，3：16-19+27.

［19］ 丁 炜，朱 林.火电厂 CO2减排技术及成本探讨 ［J］. 电力科技与环保， 2011，2：9-13.

［20］ 孙 亮，陈文颖.中国大陆 CCUS源汇静态匹配管网布局 ［J］.清华大学学报（自然科学版）， 2015，6：678-683.

A Game analysis on carbon trade under carbon mitigation targets during the 13thFive-Year plan period.

LI Wei1*， DONG Yan-yan1， LU Han1， HUANG Kui1， WANG Zhen-yu2（1.Key Laboratory of Regional Energy System Optimization， North China Electric Power University， Beijing 102206， China；2.Nan Rui （Wuhan） Electrical Equipment and Engineering Center for Energy Efficiency Assessment， Wuhan 430000， China）. China Environmental Science， 2016，36（9）：2857～2864

Considering the floatability and uncertainties of Carbon Trade， this paper proposed a under Carbon Trade model called a two-stage inexact-stochastic programming （TISP） which was structured on the basis of Carbon emissions permits and the technologies and costs of carbon emission reduction. Then the balance of net benefit and CO2emission permit of the system was sought through the optimization model. The paper showed the result about a significant index called µ. Firstly， when the model defined µ=40%， net system benefit achieved optimal and the benefit was higher under carbon trading than that under non-trading. Secondly， when the model defined µ＜40%， the carbon reduction requirements of the coal-fired power plants could be met only by capture and storage （CS） reduction technology under the conditions of carbon trading or both the CS and chemical absorption （CA） reduction technology under the conditions of non-trading. Lastly， when the model defined µ＞40%， all of the three power plants must develop the CA reduction technology processing on the premise of guaranteeing the CS technology. In a word， Carbon Trade would not only contribute to rationally allocating carbon reduction technologies but also help to establish a new trading markets including energy-use specification， carbon-emission criterion and pollutant-emission restriction. The final aim was to make the target of the carbon dioxide reduction come true as early as possible.

carbon-emission trade；interval-parameter programming；stochastic programming；capture and storage reduction technology and chemical absorption （CA） reduction technology

X24，X32

A

1000-6923（2016）09-2857-08

2016-01-11

国家自然科学基金 （61471171）；环保公益性行业科研专项（201509010）；中央高校基本科研业务费专项资金资助（2015ZZD08）

* 责任作者， 教授， weili819@aliyun.com

李 薇（1974-），女，内蒙古赤峰人，教授，博士，主要从事能源与环境系统优化、节能减排理论、能运环境污染控制等领域研究.发表论文70余篇.