安徽省地級市發電碳排放因子特征與聚類研究

馬大衛，蘇 陽，王正風，陳 劍，孔 明，梁 肖，吳 妍，戴皓升

（1.國網安徽省電力有限公司電力科學研究院，安徽合肥 230601；2.國網安徽省電力有限公司，安徽合肥 230022）

1 引言

2020年9月，中國在聯合國大會上鄭重承諾，力爭于2030 年前實現“碳達峰”、努力爭取于2060 年前實現“碳中和”。依據《中國電力行業年度發展報告2021》［1］，火力發電（主要指燃煤發電）依然是我國電力行業的發電主力，占比約68%。2021 年，覆蓋全國范圍的碳排放交易市場正式上線，電力行業成為首個納入全國碳市場的行業，納入重點排放企業2 162 家，覆蓋46 億t CO2排放量［2］。全國性碳排放交易市場的運營對于碳排放因子與總量核算提出了高精確度、高時頻和高空間分辨率的要求。

在電力碳排放因子核算領域，國家發改委多次公布區域電網平均CO2排放因子［3］，但沒有公布地級市尺度的電網碳排放因子，而省級電網碳排放因子的數據也較為滯后。部分學者也構建了電網碳排放因子核算方法，對全國［4］、省級［5］電網碳排放因子進行了核算和比較，對于電力碳排放責任核算及應用具有重要的意義［6］。其中，火電碳排放因子是計算電網碳排放因子的基礎，受到了學者們的關注［7，8］。隨著所采集到的數據越來越豐富，寧禮哲［9］等的研究不僅考慮了區域電網之間的電力輸送關系，還考慮了除CO2之外的其他溫室氣體，測度了2020 年省級電網溫室氣體排放因子。此外，部分學者同時從生產和消費兩個角度核算碳排放。何永貴等［10］基于從火電生產和消費兩個視角分別計算碳排放，提出了一種基于比例視角的能源消耗核算方法。以上測算多是基于年度數據展開，而普遍缺乏月度與日度動態碳排放因子的研究，也沒有深入到地級市層面的碳排放因子差異問題。

目前，在地級市或電廠層面開展高頻率的碳排放因子測度已具備技術條件。根據《企業溫室氣體排放核算方法與報告指南-發電設施（2022修訂版）》，可根據化石燃料燃燒CO2排放量與發電量、供電量指標對發電企業的碳排放因子進行核算。碳排放因子的空間范圍與頻率取決于數據采集的空間與時間屬性。如果要獲得高頻率的碳排放因子，就需要開展連續監測，再結合發電量進行計算［11］。有文獻探索了對火電機組排放氣體的CO2濃度監測，提出了實時監測法與動態碳排放因子核算方法，發現基于實測法的碳排放因子核算結果具有參考價值［12］?；趯崪y法、測度和推廣動態碳排放因子，對于統籌推進各行業各類設施的排放因子測算至關重要［13］。因此，基于高頻率、多環節的能耗與CO2排放監測數據，構建電力系統全環節碳計量方法受到了多方關注［14-15］。此外，各種動態碳排放因子也在全球尺度開展了研究與應用［16-17］。盡管區域層面的居民用電與企業用電的動態碳排放因子已經能夠被測度［18，19］，用戶側電力消費與發電電力碳排放的網絡映射關系也被揭示［20］，還能夠實現發電碳排放因子的日度小時級預測［21］，但是相關研究結果仍然缺乏實際的應用場景，也缺乏時間和空間上的連續性，尚未從時空格局的視角對比電力碳排放因子的差異性和波動性。

在各省市開展碳排放清單編制和碳減排目標分配時，需要考慮地級市發電和用電碳排放因子的精確性與區域間差異性，了解電網碳排放因子的變化動因。對碳排放的區域特征和聚類分析，有利于指導碳減排工作的開展，優化碳減排策略，促進碳排放的降低。已有文獻［22-23］采用空間自相關、核密度估計和系統聚類等方法，研究了省份電力碳排放量的格局與差異特征，并深入探究了我國電力行業碳排放的演變機理及影響因素［24］。目前，與電力碳排放因子區域格局、影響因素有關的研究極少涉及地級市層面，也很少實現日度、月度時間尺度上的對比分析。

本文根據安徽省火電機組的月度煤耗數據與發電量數據，測度了火電機組的發電碳排放因子，并結合地級市尺度各類發電方式的實時發電數據，對安徽省地級市層面發電動態碳排放因子進行測算和分析，揭示全省2022年度碳排放因子的時空變化特征，并根據地級市發電碳排放因子的值與時間變化特征，對地級市進行聚類，從而為區域電力碳排放的管控提供決策建議。與已有研究相比，本文創新性如下：（1）基于動態發電數據來計算動態的發電碳排放因子，相比于傳統的固定碳排放因子，地級市的動態因子更具有地域特征與時效性，由此可揭示發電碳排放因子的時空變化特征；（2）探索了地級市動態發電碳排放因子的應用，根據碳排放因子差異性對不同的地級市進行聚類，為制定差異化的區域碳排放管控方案提供參考。

2 研究方法

2.1 研究步驟

本文的研究步驟如圖1所示，首先基于對安徽省各火電機組的月度發電量與供電煤耗統計數據，計算各個地級市的基準火電碳排放因子。隨后根據不同發電方式的小時級發電數據，測算地級市層面的發電碳排放因子。其中，如果地級市對火電機組碳排放進行了實時監測，可以根據實時監測數據對火電碳排放因子進行動態調整?；谔寂欧乓蜃拥闹蹬c時間變化特征，分析安徽省發電碳排放因子的特征，并對地級市進行聚類，以區分不同地區的電力碳排放特征，提出差異性的電力碳減排建議。所統計的火電機組包括30 萬kW 及以上燃煤機組，可再生能源指水力、太陽能、風能和生物質能發電。

圖1 研究框架與步驟Fig.1 Research framework and steps

2.2 火電碳排放的核算

對于火電廠的發電碳排放量核算，一般用能源的消耗量來估算CO2的排放量，也有基于實測法的測度方法。本文首先獲取火電廠機組尺度的發電與燃料消耗數據，根據其所在地級市進行匯總，核算和比較地級市的基準火電碳排放因子。計算公式如下：

式中：(CO2)i,j表示第i 電廠在j 時期碳排放量，Ei,j表示第i電廠在j時期的發電量（kWh），ki,j表示第i電廠在j時期單位發電的煤耗（g/（kW·h））。由于安徽省火電機組大多使用煙煤，因此使用煙煤的碳排放因子，系數2.757 為一單位煙煤用于燃燒發電所產生的CO2排放量［8］，單位為g/g。

根據煤耗法計算得出火力發電的年度碳排放量，可基于機組發電量數據計算得到p區域的基準火電碳排放因子Rp。具體公式如下：

式中：p表示地區，Rp表示p區域的基準火電碳排放因子，(CO2)p表示p區域在基準年的火電碳排放量，Ep表示p區域所有火電機組在基準年的發電量之和。

2.3 發電碳排放因子測算方法

統計各個發電機組的實時發電量，包括火力發電和可再生能源發電機組，基于該統計數據，可計算得出任意時期火力發電在發電總量中的占比。在任意時間段，計算得到地級市的火力發電占比，與該市基準火電碳排放因子相乘，即得到該市在這一時期的發電碳排放因子。區域p在t時期的發電碳排放因子EFp,t的計算式為：

式中：EFp,t是p區域t時期的發電碳排放因子（g/kWh）；Rp是p區域的基準火電碳排放因子（g/(kW·h)）；ECp,t是p區域t 時期的火力發電量（MW·h）；EGp,t是p區域t時期的發電總量，包括火電、風電、生物質能、水電、光伏等發電類型（MW·h）。

3 結果與討論

3.1 安徽省電源裝機及發電量結構

安徽省地處華東長江三角洲地區，介于東經114°54′-119°37′，北緯29°41′-34°38′之間，水力、風力發電資源相對稀缺，主要依靠火力發電滿足居民需求與社會發展。截至2022年底，安徽省全社會裝機容量9 219 萬kW，按機組類型分，水電約622 萬kW、火電約5 852 萬kW（含生物質242 萬kW）、風電590 萬kW、太陽能2 154 萬kW，水電、火電、風電和太陽能分別占比6.7%、63.5%、6.4%和23.4%。圖2 為安徽省各地級市2022 年發電量及不同發電類型的空間分布圖，地級市面狀圖反映了各地級市的發電量，餅圖顯示了不同發電類型的發電比例。五種發電類型的空間分布模式類似，火力發電占比最高，其中火力發電占比最高的城市是銅陵市，達96.6%，而旅游城市黃山無火電機組裝機，黃山市火力發電占比為0%?；茨鲜幸虍數孛禾抠Y源豐富，火電裝機量大（包括14臺皖電東送機組，指機組落地安徽，特高壓輸送至浙江、上海），火力發電量最高。

圖2 2022年各地級市發電量及發電結構（包含皖電東送機組）Fig.2 Power generation and structure of prefecture-level cities in 2022（including Anhui Power transmission units）

以安徽省月度發電數據為基礎，繪制2022 年月度電源發電圖，如圖3 所示。全年的火力發電量呈現出明顯的季節特征：7、8 月度夏期間及12 月、1 月度冬期間火力發電量處于全年高位，總體發電量也較高，而可再生能源發電占比較低。安徽用電負荷中家用空調等非工業用電占比較高。2022 年8 月，安徽省空調負荷已超2 500萬kW、同比增長35%，空調負荷占全部負荷比重達到46%，全省有9 個地市空調負荷比重突破50%［25］。上述因素導致發電主力電源的火力發電量呈現出明顯的季節特征。

圖3 安徽省月度發電量與結構Fig.3 Monthly power generation and structure of Anhui Province

3.2 安徽省發電碳排放因子時間特征

圖4顯示了安徽省2022年動態碳排放因子變化時間序列曲線。全年的發電碳排放因子均值為634 g/（kW·h），變化范圍為580～687 g/（kW·h），呈現出明顯的季節特征，總體變化趨勢與火力發電量占比的月度變化特征趨同。1 月份的碳排放因子處于全年的最高位，1-4月有一個急劇下降的趨勢，導致4月份的碳排放因子處于全年的最低位。如圖3所示，這可能是由于1月份處于冬季，因天氣原因而太陽能光照強度低，光伏發電出力相對較小，而居民取暖對電力的消耗較高。6-8 月則出現了快速上升的趨勢，到8月份處于下半年的最高值，這主要是因為居民制冷需求帶來的用電量激增，全省各地用電需求與火電占比都處于一年中的高位，盡管光伏發電量大，也難以完全滿足用電增長。3-5月份與9-11月份分別為春夏交替、秋冬交替之際，氣溫舒適，全社會總用電量較低，而此時太陽光照資源好，光伏發電量大，降低了火電發電量占比和碳排放因子。

圖4 安徽省12個月動態碳排放因子變化曲線Fig.4 Twelve-month dynamic variation of carbon emission factor in Anhui Province

圖5 顯示了安徽省4 月與10 月典型工作日24小時動態碳排放因子變化曲線，典型的日內動態碳排放因子變化曲線相似，呈“一谷兩峰”形狀。清晨出現第一峰值，此時光照逐漸增強，光伏開始出力增加，火電深度調峰逐漸出力降低；在中午12 點左右，光伏出力最強，碳排放因子降至最低；隨后，光伏出力降低，火電逐漸上升，在傍晚達到第二峰值，此時光伏出力為零，主要依靠火電；第二峰值后，隨著社會用電負荷降低，火電占比稍微下降，碳排放因子緩降，但仍高位運行。圖5 中10 月工作日第二峰值時間點相對4月工作日第二峰值時間點提前了約1小時，其主要是由于秋冬季光照時間短，相對春夏太陽日落時間早。由此可見，隨著光伏、風電等間歇性新能源發電比例的上升，發電碳排放因子的時間上差異性將更加明顯［26］。

圖5 典型月份的碳排放因子日度變化曲線Fig.5 Daily carbon emission factor change curves in Anhui Province

3.3 基于發電碳排放因子特征的聚類

圖6 顯示了安徽省2022 年各地級市發電碳排放因子的月度變化及均值分布圖。各個地級市年均碳排放因子排名前五的地級市是銅陵市、淮北市、馬鞍山市、淮南市、合肥市，其中銅陵市高達781 g/（kW·h）。碳排放因子較低的城市有六安市、滁州市、黃山市，均低于500 g/（kW·h）。整體來看，皖北、皖中地區的碳排放因子高于皖南地區，銅陵、淮北和馬鞍山等重工業城市的碳排放因子高于六安、滁州和黃山等輕工業城市。黃山市因沒有火力發電機組，所以其全年的發電碳排放因子為0。

圖6 各地級市發電碳排放因子Fig.6 Carbon emission factors of power generation of prefecture-level cities

碳排放因子的值與波動性是反映電力碳排放屬性的兩個維度。從排放水平與波動性兩個維度選取聚類變量，對16 個地級市進行聚類分析，以發掘不同類型的地級市，提出針對性建議。具體指標選取如表1所示，其中，與碳排放因子值有關的排放水平指標反映了地級市碳排放因子的高低與整體的排放規模，而波動性維度的三個指標反映了碳排放因子隨時間變化的波動性與差異性，其中碳排放因子變異系數表示標準差除以平均值。

表1 各地級市碳排放因子不同維度的指標Tab.1 Different dimension of carbon emission factors in prefecture-level cities

針對區域的聚類分析有助于揭示類別間差異性與同類型區域的共同點，以制定差異性的調控對策［27-29］。根據碳排放因子的水平和波動性指標，使用min-max標準化方法對其進行處理，然后運用層次聚類方法確定聚類個數，最后使用k-means方法進行聚類。在層次聚類方法中，首先確定距離的基本定義和類間距離的計算方式，隨后按照距離的遠近，將距離較近的數據依次并入一類，依次類推，直到數據完全歸為一類為止。k-means聚類法也稱快速聚類法，其思想是將樣本分到k個類中，使得每個樣本到其所屬類中心的距離最小。根據層次聚類結果，類別數為4時聚類系數趨于平緩，可確定聚類個數為4。

使用k-means 聚類方法將16 個地級市分為四類。第一類地級市僅包含黃山市，黃山市位于安徽省南部，沒有火力發電，全部為可再生能源發電，碳排放因子為0，與其他地級市區別較為明顯。因此，第一類地級市被命名為無火電城市。

第二類地級市包括六安和滁州。其碳排放因子的月度變化如圖7（a）所示，其特征為月度碳排放因子曲線波動較大，碳排放因子較低，主要原因是可再生能源發電占比較高，被命名為高比例可再生能源城市。

圖7 地級市月度碳排放因子曲線Fig.7 The monthly carbon emission factor curves of prefecture-level cities

第三類地級市包括蚌埠、宿州、亳州、宣城、阜陽和池州。其碳排放因子的月度變化如圖7（b）所示，其碳排放因子月度曲線波動幅度比第二類小，碳排放因子高于第二類，主要是因為可再生能源發電占比低于第二類，被命名為中比例可再生能源城市。

第四類地級市包括淮南、淮北、合肥、馬鞍山、銅陵、蕪湖和安慶。其碳排放因子的月度變化如圖7（c）所示，其特征為碳排放因子月度曲線波動較小，而碳排放因子較高，主要原因是可再生能源發電占比較低，發電以火電為主，因此被命名為火電依賴型城市。

從空間上看，各類型地級市的分布呈現一定的特征。第一類地級市位于安徽省最南部，山地比例較高，而工業規模偏低；第二類地級市分布于安徽省東西兩側，具有充沛的土地與風光資源，第三類地級市分布于南北兩側，多位于淮河與長江沿岸，工業規模與用電規模較大；第四類地級市主要位于中部，包括馬鞍山市、蕪湖市和合肥市等工業大市，用電量高，而可再生能源發電的貢獻率較低，因此導致碳排放因子相對較高。因此，考慮到四類城市的碳排放因子與用電需求差異，需要探索城市發展與可再生能源裝機的耦合機制。例如碳排放因子較低的池州、六安和黃山，整體用電規模小而可再生能源占比高，可以進一步探索可再生能源發電的輸出機制。而蕪湖與合肥的用電規模大，需要進一步拓展可再生能源輸入通道。

3.4 討論

安徽省各地級市的發電碳排放因子存在顯著的時空差異特征。從時間上看，全省及各地級市碳排放因子呈現明顯的季節特征，夏季、冬季的碳排放因子高于春季、秋季，因為夏季、冬季整個社會用電需求高于春季、秋季，期間火電發電占比較高，抬升了碳排放因子。四個季節一天24 小時的碳排放因子呈現大體相同的時間序列特征，呈“一谷兩峰”，日間碳排放因子低于夜間碳排放因子，中午的碳排放因子處于低谷，這主要因為安徽省日間光伏出力占發電總負荷的比例高，而火電機組出力占比降低?？梢栽陔妰r體系中考慮碳排放因子因素，通過電價激勵引導企業與消費者低碳用電，實現主動碳響應。

因為安徽省各地級市的自然資源稟賦與發電結構存在顯著差異，地級市之間的發電碳排放因子差異較大，皖北、皖中地區高于皖南地區。針對火電占比較高、發電碳排放因子高的地級市，可以通過綠色金融手段，加強零碳、負碳技術研發、示范及應用；統籌完善火電調峰等輔助服務的價格機制，探索燃煤機組與風光儲發電耦合發展模式；進一步強化綠證、綠電交易在可再生能源消納領域的重要作用，通過碳排放權交易助力火電機組“三改聯動”，為達峰后降碳奠定堅實基礎；對于新增煤電機組要實現上大壓小、淘汰落后，力爭實現增機不增碳。

總的來說，安徽省發電碳排放因子仍處于較高水平，需要積極發展風力、光伏、生物質能等可再生能源發電，依靠科技進步與技術創新提高可再生能源消納率與能源利用率。由于風力與光伏的發電曲線受氣象條件的影響較大，與地方用電負荷不匹配的現象顯著，需要充分考慮區域電源與用電特性，優化可再生能源配置儲能的規模與模式，從而更好地利用可再生能源、降低區域發電碳排放。

4 結語及展望

在地級市層面對發電行業進行實時、準確、全面的碳排放計量，是推動電源結構調整、技術創新、供需聯動、碳排放權交易的重要基礎，具有重要的實際應用價值。采用2022 年安徽省各地級市各種方式發電量及實時監測的火電煤耗數據，計算各地級市的發電碳排放因子，并揭示其時空變化特征，同時從排放因子水平和波動性維度兩個方面選取聚類變量進行聚類分析。

結果顯示，2022 年全省月度平均的發電碳排放因子變化范圍為580～687 g/（kW·h），呈現出冬夏高、春秋低的季節特征；地級市中銅陵市年均碳排放因子最高，高達780 g/（kW·h），而黃山市因為沒有火電，發電碳排放因子最低，皖北、皖中地區的碳排放因子高于皖南地區。使用k-means聚類方法將地級市分為四類，分別為無火電城市、高比例可再生能源城市、中比例可再生能源城市和火電依賴型城市，四個類型的可再生能源發電占比依次下降，而發電碳排放因子依次升高。在時間特征上，可再生能源發電占比較高的城市，其碳排放因子的波動性也更高。

根據安徽省地級市的碳排放因子與波動性特征，為全省進一步降低發電碳排放提出建議：進一步擴大電力供需管理范圍，全面推進跨城市的電力調度與需求側管理；針對可再生能源發電占比高、碳排放因子低的城市，可以適當引進電力消納型企業，促進可再生能源消納；針對火電占比高、發電碳排放因子高的城市，需要進一步加強火電機組改造，服務智能互動、靈活柔性、安全可控的新型電力系統建設；提高碳計量的時效性與準確性，推廣使用動態碳排放因子，以準確測度各類產品與服務的碳足跡。