新型电力系统对实现沿海城市双碳目标贡献的探讨

阮前途，陈 赟，潘智俊

（1. 国网上海市电力公司，上海市 200122；2. 国网上海浦东供电公司，上海市 200233）

0 引言

实现“碳达峰、碳中和”（简称双碳）目标，是一场广泛而深刻的经济和社会系统性变革，是实现高质量发展的重要路径与必然要求。然而，经济的增长通常伴随着能源消耗量的提升，进而导致碳排放量增加。如何解决经济增长与减排需求的矛盾，在保障经济增长的同时降低碳排放水平，是中国迫切需要解决的问题［1-2］。

电力行业在双碳目标实现过程中，肩负着特殊使命。电力行业约占全社会碳排放总量的40%［3-5］，且这一比重还会随着电能替代战略的实施持续增长。若能实现电力能源的低碳化生产，将能调和经济发展与减排需求的矛盾，可在保障经济发展所需能源供给的同时，助力双碳目标的实现。在这样的背景下，构建以新能源为主体的新型电力系统，是电力行业转型升级的必然趋势。目前中国已开展了相关工作，如浙江等地区正进行新型电力系统省级示范区的方案设计和建设工作［6］。沿海地区是中国经济较发达、人口承载力较高的地区，面积仅占全国14%的沿海地区，人口占全国的40%，综合能源消费占全国的50%，贡献了53% 的国内生产总值（gross domestic product，GDP）。因此，探讨新型电力系统对该地区双碳目标贡献具有重要意义。

评估碳减排措施效果有利于各地区政府与电力部门经济可行地实现双碳目标。现有文献主要对碳交易［7］、价格激励［8-9］和建设新型储能［10］等措施带来的碳减排效果进行评估。文献［7］运用双重差分模型分析了碳排放交易试点地区低碳政策的减排效果，并基于实际数据进行了实证。文献［8-9］分析了区域价格激励对用能转型和需求侧响应的促进，并评估了其减排效果。文献［10］从制造过程、热量排放和城市温度影响等角度评估了电动汽车取代传统汽车的碳减排效果。以上研究衡量了当地政府碳减排措施效果，为后续碳排放政策制定提供了依据。

此外，有较多的研究从双碳目标实现路径的角度为减排工作提供政策建议。文献［11-12］基于气候变化综合评估模型和长期能源替代规划模型，对中国当前碳排放情况和达峰时间进行了评估，得出了实现碳达峰时间越早，对实现碳中和越有利，但对经济增长负面影响越大的结论。文献［13-15］从关键技术发展、能源供给与消费结构变化的角度，提出了可行的电力系统碳减排措施，如开发清洁能源、推行电能替代等，并指出大力投资清洁能源发电技术和储能技术更有利于电力系统经济可行地实现清洁转型。文献［16-17］基于对数平均迪氏指数法，分析了长期电能替代战略对中国和具体区域各行业碳排放量的具体影响。

评估碳减排措施效果和减排贡献率可以为进一步制定碳减排决策提供有力依据。本文从宏观角度探讨了不同政策情景下构建新型电力系统对双碳目标的贡献，为相关决策提供参考。

1 新型电力系统对实现双碳目标贡献的评估流程

从宏观上看，新型电力系统对于双碳目标的贡献主要体现在以下3 个方面:在需求侧，提升电能在终端能源消费中的比重，减少本地化石能源的消耗，并通过挖掘负荷中的灵活性资源，提升电力系统消纳新能源的能力；在供应侧，提升新能源在电能供应中的比重，从而提高新能源在能源供给中的比重；在电网侧，提升电力系统消纳新能源的能力。

本文将新型电力系统对于实现双碳目标的贡献定义为新型电力系统消纳含风、光等清洁电能带来的碳减排量和电能替代引起的碳减排量之和，贡献率为新型电力系统贡献与碳排放峰值在人口变化、GDP 增长等多种因素共同影响下降低总量的比值。图1 为构建新型电力系统对于实现双碳目标的贡献率评估流程。

图1 新型电力系统的碳减排贡献评估流程Fig.1 Assessment process of contribution of novel power system to carbon emission reduction

新型电力系统的建设是一个长期的过程，评估其贡献需要依据终端电能消费量、能源消费总量、清洁能源占比等预测数据进行估计。本文分别给出碳排放峰值预测、电气化率预测以及清洁能源消纳量预测的方法，在此基础上探讨新型电力系统对于双碳目标的贡献，并提出了贡献率计算方法，最后以中国上海市浦东新区为例进行了验证。

2 考虑经济发展的碳排放量峰值预测

对人口、富裕度和技术要素随机影响回归的环境影响评估（stochastic impacts by regression on population，affluence，and technology，STIRPAT）模型是目前研究碳排放峰值和碳排放影响因素的常用方法。它消除了因素同比例变动的影响，能考察各因素的弹性，并可根据研究目的及需要拓展和细化STIRPAT 模型的要素以更全面地评估碳排放量。现有STIRPAT 模型考虑了人口要素O、富裕度要素A和技术要素T，其基本表达式为:

式中:I为区域碳排放总量；α为模型系数；β、γ、δ分别为对应变量的弹性系数；ε为模型误差。

碳排放量峰值预测需要考虑工业化的影响。工业化推动了经济快速发展，城市化水平不断提高，转变了能源消费结构，同时也造成了碳排放的显著增加。因此，在对碳排放量峰值的研究中，工业化引起的城镇化率、能源消费结构以及第二产业占比变化的影响不容忽视［18］。

在此基础上，为探究新型电力系统对双碳目标的减排贡献，本文提出了新型电力系统碳排放峰值影响评估模型。随着中国经济社会发展的绿色转型，为实现双碳目标而建设新型电力系统，不仅在消费侧推动电能替代实施、提高区域电气化率、影响能源消费结构，也在供给侧使能源供给结构转型升级、提高清洁能源占比，最终对区域碳排放量减少产生积极影响。所以，为充分考虑各因素对碳排放量的影响，所提新型电力系统碳排放峰值影响评估模型引入了与新型电力系统建设密切相关的电气化率和清洁能源占比2 个因素。

鉴于人口规模、人均GDP、能耗强度等因素也被广泛用于碳排放研究，本文基于STIRPAT 模型，选取人口规模和城镇化率作为人口要素，选取人均GDP 和第二产业占比作为富裕度要素，选取单位GDP 能耗强度、电气化率和清洁能源占比作为技术要素，构建了新型电力系统碳排放峰值影响评估模型。并通过取对数的方式，将模型线性化，以便于探究各影响因素单一或耦合变化对碳排放峰值的影响，其线性表达式为:

式中:E为区域碳排放量；a为模型系数；OPP为区域年末常住人口数，b为其对应的弹性系数；AGP为人均GDP，c为其对应的弹性系数；AU为城镇居民人口在总人口中的占比，d为其对应的弹性系数；TIS为区域第二产业产值在GDP 中的占比，f为其对应的弹性系数；TNH为区域单位GDP 能源消费量，g为其对应的弹性系数；TPRE为区域电气化率，h为其对应的弹性系数；TRRE为清洁能源占比，l为其对应的弹性系数；er为模型误差。

3 电气化率提升对碳减排的影响及其预测

进行碳排放峰值预测时，需要考虑电能替代战略对电气化率造成的影响。相同能耗电能创造的经济价值远高于化石能源，是石油的3.2 倍、煤炭的17.27 倍，具有更高的经济效率［19］。因此，电能替代战略已在国际上得到了广泛推广。电能替代战略是指利用电力能源代替煤、石油、天然气等常规终端化石能源，通过大规模集中转化提高燃料使用效率、减少污染物排放，改善终端能源结构，促进环保［20］。

电气化率是区域中电能消费占终端能源消费的比重，而非用于发电的能源需求在一次能源总需求中的占比。该值由终端能源消费总量和终端电能消费量决定，值越大表明区域电气化水平越高，区域实施电能替代战略进展越好。

按经济合作与发展组织（Organization for Economic Co-operation and Development，OECD）和国际能源署（International Energy Agency，IEA）的定义，终端能源消费指的是终端用能设备入口得到的能源［21］。因此，终端能源消费总量是指全社会能源消费总量在剔除能源加工、转化、储存、运输以及能源工业所耗能源后的值；终端电能消费量是指全社会用电量剔除厂用电、网损和能源工业消耗电能后的值。

区域电气化率TPRE的计算公式如式（3）所示。

式 中:Psum为 全 社 会 用 电 量；PCY为 厂 用 电 量；PEI为能源工业用电量；kxs为综合线损率；kscc，e为电力折标当量系数；Jsum为全社会能源消费总量；Jlost为能源损失总量；JEI为能源工业的能源消耗量。

全社会能源消费总量由商品能源消费总量和非商品能源消费总量组成，非商品能源消费随着社会发展被逐渐淘汰，因此全社会能源消费总量可由商品能源消费总量近似。商品能源消费总量和全社会用电量的历史数据可以从各地区政府的统计年鉴中获取。由于各地区大量历史统计数据保存完好，含能源工业在内的工业各部门及其他能源消费部门的变化具有一定的规律性，且终端能源消费数据仅包含商品经济的相关数据，因此采用回归分析法、时间序列法和能源弹性系数法对各能源消费部门能源消费总量和终端电能消费量进行预测，并相加得到区域终端能源消费总量和社会用电总量。区域内厂用电量和综合线损率可以依据时间序列法进行预测。

4 清洁能源消纳量预测与碳减排贡献评估

评估新型电力系统对于碳减排的贡献还需要明确新型电力系统消纳清洁电能而导致的碳减排量。因此，本章给出了清洁能源消纳量预测方法。

清洁能源由风能、太阳能等未被大规模开发利用的新能源和水电等常规能源组成。部分新能源供能出力具有波动性，通常采用如太阳能-沼气能等多种新能源互补发展形式来降低供能出力的波动幅度［22］。波动性清洁能源的减排效益需要综合考虑清洁能源装机容量和电力系统消纳能力。根据文献［23］对中国电力系统碳达峰路径的研究，实现碳达峰时清洁能源发电量比例需达51%以上，中国实现双碳目标的基础和必要条件是清洁能源的大规模生产和足够的清洁能源消纳能力［23］。目前，中国正大力规划建设以大型风光电基地为基础、以其周边清洁煤电为支撑、以特高压输电通道为载体的新能源供给消纳体系。文献［24］提出结合改造火电机组、调动需求侧响应、安装储能设备、就地开发与消纳，能将风光发电量渗透率提高到60%［24］。本文在上述研究基础上，假设未来碳达峰过程中，风光发电渗透率达30%～40%的新型电力系统可以实现弃风弃光低于5%的现行国家标准。在计算中，将电力系统应承担的清洁能源成本分为发电成本和消纳成本，消纳成本由输配电成本和辅助服务成本构成。

清洁能源消纳量包括本区域清洁能源发电量以及外购清洁能源电量。本章选取Logistic 模型对本区域清洁能源发电量以及外购清洁能源电量进行了预测。在长时段的技术发展过程中，累积产量沿着S 型曲线趋于该技术的极限，Logistic 模型和学习曲线模型是常用刻画技术发展极限与技术成本的预测模型［25］，可以描述清洁能源发电量以及外购清洁能源电量逐渐逼近发电极限且发电成本不断减少的过程。Logistic 模型如式（4）所示。

本文假定CF值不变，清洁能源最大经济开发容量Nn的计算公式见附录A。

基于Logistic 模型和学习曲线模型预测清洁能源发电成本Cn:

式中:C0为初始时刻清洁能源发电成本；λ为模型参数，取值区间为［0，1］，其值越大，发电成本Cn下降趋势受清洁能源发电量影响程度越明显；Q0为清洁能源消纳量，在本区域清洁能源发电量预测中体现为初始时刻本区域清洁能源消纳容量QL，0，在外购清洁能源电量预测中，体现为初始时刻外购清洁能源电量QW，0。

得到本区域清洁能源发电量Ln以及外购清洁能源电量Wn后，结合第3 章对于终端电能消费量的预测，可以得到碳排放峰值预测中清洁能源占比TRRE的计算方法如下:

式中:RCE，n为第n年区域构建新型电力系统贡献率；Eori，n为区域第n年仅考虑经济发展的预测碳排放量峰值；EES，n为区域第n年不考虑能源消费结构和电源结构变化的预测碳排放量峰值；Efin，n为区域第n年考虑所有碳减排措施的预测碳排放量峰值。Eori，n、EES，n与Efin，n可 通 过 第2 章 的 预 测 方 法 得 到，Eori，n为区域第n年仅人口规模OPP、人均GDP 值AGP和城镇化率AU按情景设置变化，其他碳排放影响因素为初始值时对应的预测碳排放量峰值；EES，n为区域第n年其他碳排放影响因素按情景设置变化，仅电气化率TPRE和清洁能源占比TRRE为初始值时对应的预测碳排放量。各碳排放影响因素初始值可依据当地政府最新统计数据计算。

5 算例分析

本文算例选取中国上海市浦东新区，依托国网上海市电力公司的智慧能源“双碳”云平台，以浦东新区1 210 km2范围内接入的6 500 余户10 kV 及以上电压等级用户相关数据作为数据来源。该平台依据《上海市温室气体排放核算与报告指南（试行）》［26］构建碳监测算法，提供能源碳排放热力图，以直观地了解区域能源碳排放情况。

5.1 不同情景下区域碳达峰和新型电力系统贡献率计算

依据上海市浦东新区统计局的《上海浦东新区统计年鉴—（2010—2020）》［27］，基于所提的新型电力系统碳排放峰值影响评估模型，对区域碳排放总量进行线性回归，得出区域模型中各碳排放影响因素对应的弹性系数。浦东新区各碳排放影响因素的弹性系数如表1 所示。

表1 浦东新区各碳排放影响因素的弹性系数Table 1 Elastic coefficients of influencing factors of carbon emission in Pudong New Area of Shanghai, China

从表1 可以看出，人口、人均GDP、能耗强度均对区域碳排放总量起显著的正向作用，城镇化率、电气化率和清洁能源占比起显著的负向作用。这是因为沿海城市的城镇化率已经达到较高水平，能源利用更为集中。同时，对各行业进行电气化改造，提高电能在终端能源消费中的比重，可以更清洁高效地利用化石能源，并提高清洁能源占比，从而降低区域碳排放总量。

结合浦东新区区域现状和“十四五”规划目标，基于浦东新区碳排放预测模型，考虑到清洁能源占比受电网规划影响较大，对未来浦东新区除清洁能源占比外的各因素变化率分别设定了快速、中速和慢速3 种情景，并对应国家的五年规划，以五年为周期进行调整。各因素变化速率具体设置依据见附录B。各因素变化率折合的年平均变化率设置的详细情况如表2 所示。

表2 2021—2030 年各碳排放影响因素年平均变化率设置Table 2 Setting of average annual change rate of each carbon emission influencing factor in 2021—2030

碳排放量受诸多因素影响，为探究实际政策影响并简化研究，采用情景分析法设置了基准情景（S1）、产业升级情景（S2）、节能发展情景（S3）、电能替代情景（S4）、和谐发展情景（S5）和减排优先情景（S6）共6 种典型情景，探究不同政策下新型电力系统对碳排放量的影响。各情景的影响因素设置见附录C。下文以基准情景为例进行计算。

5.2 基准情景下区域电气化率预测

依据回归分析法、时间序列法和能源弹性系数法［28］，结合重点工业行业电力终端消费以及其他产业用电预测得到各能源消费部门电气化率，部分工业部门电气化率预测如表3 所示。

表3 2021—2030 年浦东新区工业部门电气化率预测Table 3 Prediction of electrification rate of industrial sectors in Pudong New Area of Shanghai, China in 2021—2030

依据各能源消费部门终端能源消费量和用电量，经过累加可得区域终端能源消费总量和区域社会用电量的预测结果。结合区域厂用电量、网损率变化趋势，得到2021—2030 年的终端能源消费总量和终端电能消费量，取电力折标当量系数kscc，e为0.122 9 tce/（MW·h）（其中tce 表示吨标准煤），计算区域电气化率，结果如表4 所示。

表4 2021—2030 年浦东新区电气化率预测Table 4 Prediction of electrification rate in Pudong New Area of Shanghai, China in 2021—2030

5.3 基准情景下区域电源能源结构占比变化趋势预测

浦东新区清洁能源主要为本地风电、光伏发电和包含水电、核电等其他清洁能源在内的外购清洁能源。本节预测风电、光伏以及外购清洁能源电量，部分模型参数取自文献［25］，清洁能源成本、最大可开采容量和现有开发量等数据来源于国际可再生能源机构（IRENA）相关报告和浦东新区政府统计数据［27-28］。本算例中，利用系数ke在本地清洁能源预测中取值为浦东区域风电/光伏加权平均容量系数；在外购清洁能源电量预测中取值为1。依据浦东新区2011—2020 年风光发电数据，取风电加权平均容量系数为40.54%，光伏加权平均容量系数为16.3%。火电度电成本CF取0.415 5 元/（kW·h），λ取0.17［25］，风 力 发 电、光 伏 发 电、外 购 清 洁 能 源 的Logistic 模型和学习曲线模型参数见附录D 表D1、表D2。

IRENA 指出因为新能源的迅速普及，到2030年，新能源在全球能源结构中的占比将增加一倍，储能作为消纳新能源发电的有效方式，单位成本将下降66%，社会储能总量将增长17 倍［29］。基于学习曲线模型预测的清洁能源发电成本和清洁能源消纳成本历史数据［25，30］，考虑清洁能源占比增长时储能等消纳措施总成本急剧增长，依据Logistic 模型和学习曲线模型，风电、光伏、外购清洁能源电量成本、风电储能联合系统（简称风储）成本和光伏储能联合系统（简称光储）成本预测结果如图2 所示。

图2 2021—2030 年清洁能源成本预测曲线Fig.2 Prediction curves of cost of clean energy in 2021—2030

图2 中的风储成本和光储成本分别为包含消纳成本在内的风电和光伏度电总成本。由于在实际运行过程中，对风、光等波动性清洁能源进行辅助服务时存在耦合，故本算例对其辅助服务成本进行捆绑计算。

随着科技进步和需求量增长，2021—2030 年本地风光渗透率将从6%增长至35%以上，造成储能配置比例上升，辅助服务总成本大幅上升。但由于清洁能源发电成本和储能度电成本均下降，波动性清洁能源-储能耦合系统的总度电成本（即风储成本和光储成本）总体呈下降趋势。

依据Logistic 模型和学习曲线模型，浦东新区2021—2030 年风力发电、光伏发电和外购清洁能源电量预测曲线见附录D 图D1 至图D3。

本文基于浦东新区实际情况，不考虑本地水电、核电等其他清洁能源，总电量减去清洁能源电量的剩余部分由火电补充，2021—2030 年浦东新区电源结构如图3 所示。

图3 2021—2030 年浦东新区电力系统电源结构Fig.3 Power source structure of power system in Pudong New Area of Shanghai, China in 2021—2030

5.4 不同情景下区域碳达峰能耗变化预测和新型电力系统贡献率计算

2025 年浦东新区清洁能源发电占比需要达到50%［31-33］。基于区域现状［27］，选取不同典型情景，预测浦东新区新型电力系统中的清洁能源建设容量、外购电量和外购电能源结构，并开展具体分析。

根据区域现状和规划目标，结合不同情景下浦东新区实现碳达峰中电能替代的减排贡献和电力系统清洁能源替代的减排贡献，计算不同典型场景（S1～S6）下，2030 年浦东新区总能耗和终端电能消费量相较2021 年的变化、碳减排总量和新型电力系统贡献率，如表5 所示。

表5 情景S1～S6 下2030 年浦东新区能耗变化和新型电力系统贡献率Table 5 Changes in energy consumption and expected contribution rate of novel power system in Pudong New Area in 2030 in scenario S1～S6

情景S1～S6 中，浦东新区总能耗在2021—2030年间波动上升。仅单一变量发生变化时，比较情景S2～S4，其中情景S4 的相对能耗减少最为显著，与基准情景S1 相比可额外降低约20%的总能耗，这表明推动电能替代、提高社会电气化水平是早日实现双碳目标的重要驱动力。情景S6 与基准情景S1相似，表明放缓经济增长对碳减排并非良策。构建新型电力系统，提升区域电能来源中的清洁能源占比，可以在各情景下均按期实现碳达峰。随着电气化水平从当前的20%～30% 提升至2030 年的50%～70%，电力在能源消费比重升高至50%以上，区域终端电能消费量激增了50 000～60 000 GW·h，增长了近150%～200%，这使得电源结构的变化更为显著地影响区域碳排放量。清洁能源在区域电能来源占比从当下的40%～50% 提高至2030 年的50%～60%，电力系统碳减排贡献率逐步从初期的20%～40%达到80%～95%，区域年碳减排总量达到34～49 Mt 二氧化碳。这表明建设新型电力系统能显著降低区域总体能耗和碳排放量，有助于区域能耗与碳排放、经济发展与碳排放的双重脱钩。如果同步采用社会、经济、政治等多方面举措，将会减轻浦东新区电力行业减排压力，略微降低新型电力系统的减排贡献，但此时电力系统在碳达峰过程中的贡献仍不可忽视。

6 结语

本文运用所提新型电力系统碳排放峰值影响评估模型、情景分析法、回归分析法、时间序列法和能源弹性系数法，探讨了新型电力系统在实现双碳目标中的贡献，提出了一种贡献率区间评估方法。基于浦东新区经济发展规划、能源碳排放、电网运行和新能源发电单位容量成本数据，探究了浦东新区2021—2030 年新型电力系统在碳达峰中的贡献，并计算了贡献率区间，结论如下:

1）以浦东新区为算例，2025 年清洁能源占比增长至50%以上的前提下，随着电能替代的不断推进，区域电气化率提升至50%以上，此时新型电力系统对于区域减排的贡献率最终可达到80%～95%。

2）构建以新能源为主体的新型电力系统，有助于将能耗与碳排放脱钩，有利于解决碳减排与经济社会发展的矛盾。

需要指出的是，本文探讨的新型电力系统贡献并未包含电力系统碳捕捉与封存等其他碳减排措施的贡献，后续需要进一步深入研究。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。