安徽省地级市发电碳排放因子特征与聚类研究

马大卫，苏 阳，王正风，陈 剑，孔 明，梁 肖，吴 妍，戴皓升

（1.国网安徽省电力有限公司电力科学研究院，安徽合肥 230601；2.国网安徽省电力有限公司，安徽合肥 230022）

1 引言

2020年9月，中国在联合国大会上郑重承诺，力争于2030 年前实现“碳达峰”、努力争取于2060 年前实现“碳中和”。依据《中国电力行业年度发展报告2021》［1］，火力发电（主要指燃煤发电）依然是我国电力行业的发电主力，占比约68%。2021 年，覆盖全国范围的碳排放交易市场正式上线，电力行业成为首个纳入全国碳市场的行业，纳入重点排放企业2 162 家，覆盖46 亿t CO2排放量［2］。全国性碳排放交易市场的运营对于碳排放因子与总量核算提出了高精确度、高时频和高空间分辨率的要求。

在电力碳排放因子核算领域，国家发改委多次公布区域电网平均CO2排放因子［3］，但没有公布地级市尺度的电网碳排放因子，而省级电网碳排放因子的数据也较为滞后。部分学者也构建了电网碳排放因子核算方法，对全国［4］、省级［5］电网碳排放因子进行了核算和比较，对于电力碳排放责任核算及应用具有重要的意义［6］。其中，火电碳排放因子是计算电网碳排放因子的基础，受到了学者们的关注［7，8］。随着所采集到的数据越来越丰富，宁礼哲［9］等的研究不仅考虑了区域电网之间的电力输送关系，还考虑了除CO2之外的其他温室气体，测度了2020 年省级电网温室气体排放因子。此外，部分学者同时从生产和消费两个角度核算碳排放。何永贵等［10］基于从火电生产和消费两个视角分别计算碳排放，提出了一种基于比例视角的能源消耗核算方法。以上测算多是基于年度数据展开，而普遍缺乏月度与日度动态碳排放因子的研究，也没有深入到地级市层面的碳排放因子差异问题。

目前，在地级市或电厂层面开展高频率的碳排放因子测度已具备技术条件。根据《企业温室气体排放核算方法与报告指南-发电设施（2022修订版）》，可根据化石燃料燃烧CO2排放量与发电量、供电量指标对发电企业的碳排放因子进行核算。碳排放因子的空间范围与频率取决于数据采集的空间与时间属性。如果要获得高频率的碳排放因子，就需要开展连续监测，再结合发电量进行计算［11］。有文献探索了对火电机组排放气体的CO2浓度监测，提出了实时监测法与动态碳排放因子核算方法，发现基于实测法的碳排放因子核算结果具有参考价值［12］。基于实测法、测度和推广动态碳排放因子，对于统筹推进各行业各类设施的排放因子测算至关重要［13］。因此，基于高频率、多环节的能耗与CO2排放监测数据，构建电力系统全环节碳计量方法受到了多方关注［14-15］。此外，各种动态碳排放因子也在全球尺度开展了研究与应用［16-17］。尽管区域层面的居民用电与企业用电的动态碳排放因子已经能够被测度［18，19］，用户侧电力消费与发电电力碳排放的网络映射关系也被揭示［20］，还能够实现发电碳排放因子的日度小时级预测［21］，但是相关研究结果仍然缺乏实际的应用场景，也缺乏时间和空间上的连续性，尚未从时空格局的视角对比电力碳排放因子的差异性和波动性。

在各省市开展碳排放清单编制和碳减排目标分配时，需要考虑地级市发电和用电碳排放因子的精确性与区域间差异性，了解电网碳排放因子的变化动因。对碳排放的区域特征和聚类分析，有利于指导碳减排工作的开展，优化碳减排策略，促进碳排放的降低。已有文献［22-23］采用空间自相关、核密度估计和系统聚类等方法，研究了省份电力碳排放量的格局与差异特征，并深入探究了我国电力行业碳排放的演变机理及影响因素［24］。目前，与电力碳排放因子区域格局、影响因素有关的研究极少涉及地级市层面，也很少实现日度、月度时间尺度上的对比分析。

本文根据安徽省火电机组的月度煤耗数据与发电量数据，测度了火电机组的发电碳排放因子，并结合地级市尺度各类发电方式的实时发电数据，对安徽省地级市层面发电动态碳排放因子进行测算和分析，揭示全省2022年度碳排放因子的时空变化特征，并根据地级市发电碳排放因子的值与时间变化特征，对地级市进行聚类，从而为区域电力碳排放的管控提供决策建议。与已有研究相比，本文创新性如下：（1）基于动态发电数据来计算动态的发电碳排放因子，相比于传统的固定碳排放因子，地级市的动态因子更具有地域特征与时效性，由此可揭示发电碳排放因子的时空变化特征；（2）探索了地级市动态发电碳排放因子的应用，根据碳排放因子差异性对不同的地级市进行聚类，为制定差异化的区域碳排放管控方案提供参考。

2 研究方法

2.1 研究步骤

本文的研究步骤如图1所示，首先基于对安徽省各火电机组的月度发电量与供电煤耗统计数据，计算各个地级市的基准火电碳排放因子。随后根据不同发电方式的小时级发电数据，测算地级市层面的发电碳排放因子。其中，如果地级市对火电机组碳排放进行了实时监测，可以根据实时监测数据对火电碳排放因子进行动态调整。基于碳排放因子的值与时间变化特征，分析安徽省发电碳排放因子的特征，并对地级市进行聚类，以区分不同地区的电力碳排放特征，提出差异性的电力碳减排建议。所统计的火电机组包括30 万kW 及以上燃煤机组，可再生能源指水力、太阳能、风能和生物质能发电。

图1 研究框架与步骤Fig.1 Research framework and steps

2.2 火电碳排放的核算

对于火电厂的发电碳排放量核算，一般用能源的消耗量来估算CO2的排放量，也有基于实测法的测度方法。本文首先获取火电厂机组尺度的发电与燃料消耗数据，根据其所在地级市进行汇总，核算和比较地级市的基准火电碳排放因子。计算公式如下：

式中：(CO2)i,j表示第i 电厂在j 时期碳排放量，Ei,j表示第i电厂在j时期的发电量（kWh），ki,j表示第i电厂在j时期单位发电的煤耗（g/（kW·h））。由于安徽省火电机组大多使用烟煤，因此使用烟煤的碳排放因子，系数2.757 为一单位烟煤用于燃烧发电所产生的CO2排放量［8］，单位为g/g。

根据煤耗法计算得出火力发电的年度碳排放量，可基于机组发电量数据计算得到p区域的基准火电碳排放因子Rp。具体公式如下：

式中：p表示地区，Rp表示p区域的基准火电碳排放因子，(CO2)p表示p区域在基准年的火电碳排放量，Ep表示p区域所有火电机组在基准年的发电量之和。

2.3 发电碳排放因子测算方法

统计各个发电机组的实时发电量，包括火力发电和可再生能源发电机组，基于该统计数据，可计算得出任意时期火力发电在发电总量中的占比。在任意时间段，计算得到地级市的火力发电占比，与该市基准火电碳排放因子相乘，即得到该市在这一时期的发电碳排放因子。区域p在t时期的发电碳排放因子EFp,t的计算式为：

式中：EFp,t是p区域t时期的发电碳排放因子（g/kWh）；Rp是p区域的基准火电碳排放因子（g/(kW·h)）；ECp,t是p区域t 时期的火力发电量（MW·h）；EGp,t是p区域t时期的发电总量，包括火电、风电、生物质能、水电、光伏等发电类型（MW·h）。

3 结果与讨论

3.1 安徽省电源装机及发电量结构

安徽省地处华东长江三角洲地区，介于东经114°54′-119°37′，北纬29°41′-34°38′之间，水力、风力发电资源相对稀缺，主要依靠火力发电满足居民需求与社会发展。截至2022年底，安徽省全社会装机容量9 219 万kW，按机组类型分，水电约622 万kW、火电约5 852 万kW（含生物质242 万kW）、风电590 万kW、太阳能2 154 万kW，水电、火电、风电和太阳能分别占比6.7%、63.5%、6.4%和23.4%。图2 为安徽省各地级市2022 年发电量及不同发电类型的空间分布图，地级市面状图反映了各地级市的发电量，饼图显示了不同发电类型的发电比例。五种发电类型的空间分布模式类似，火力发电占比最高，其中火力发电占比最高的城市是铜陵市，达96.6%，而旅游城市黄山无火电机组装机，黄山市火力发电占比为0%。淮南市因当地煤炭资源丰富，火电装机量大（包括14台皖电东送机组，指机组落地安徽，特高压输送至浙江、上海），火力发电量最高。

图2 2022年各地级市发电量及发电结构（包含皖电东送机组）Fig.2 Power generation and structure of prefecture-level cities in 2022（including Anhui Power transmission units）

以安徽省月度发电数据为基础，绘制2022 年月度电源发电图，如图3 所示。全年的火力发电量呈现出明显的季节特征：7、8 月度夏期间及12 月、1 月度冬期间火力发电量处于全年高位，总体发电量也较高，而可再生能源发电占比较低。安徽用电负荷中家用空调等非工业用电占比较高。2022 年8 月，安徽省空调负荷已超2 500万kW、同比增长35%，空调负荷占全部负荷比重达到46%，全省有9 个地市空调负荷比重突破50%［25］。上述因素导致发电主力电源的火力发电量呈现出明显的季节特征。

图3 安徽省月度发电量与结构Fig.3 Monthly power generation and structure of Anhui Province

3.2 安徽省发电碳排放因子时间特征

图4显示了安徽省2022年动态碳排放因子变化时间序列曲线。全年的发电碳排放因子均值为634 g/（kW·h），变化范围为580～687 g/（kW·h），呈现出明显的季节特征，总体变化趋势与火力发电量占比的月度变化特征趋同。1 月份的碳排放因子处于全年的最高位，1-4月有一个急剧下降的趋势，导致4月份的碳排放因子处于全年的最低位。如图3所示，这可能是由于1月份处于冬季，因天气原因而太阳能光照强度低，光伏发电出力相对较小，而居民取暖对电力的消耗较高。6-8 月则出现了快速上升的趋势，到8月份处于下半年的最高值，这主要是因为居民制冷需求带来的用电量激增，全省各地用电需求与火电占比都处于一年中的高位，尽管光伏发电量大，也难以完全满足用电增长。3-5月份与9-11月份分别为春夏交替、秋冬交替之际，气温舒适，全社会总用电量较低，而此时太阳光照资源好，光伏发电量大，降低了火电发电量占比和碳排放因子。

图4 安徽省12个月动态碳排放因子变化曲线Fig.4 Twelve-month dynamic variation of carbon emission factor in Anhui Province

图5 显示了安徽省4 月与10 月典型工作日24小时动态碳排放因子变化曲线，典型的日内动态碳排放因子变化曲线相似，呈“一谷两峰”形状。清晨出现第一峰值，此时光照逐渐增强，光伏开始出力增加，火电深度调峰逐渐出力降低；在中午12 点左右，光伏出力最强，碳排放因子降至最低；随后，光伏出力降低，火电逐渐上升，在傍晚达到第二峰值，此时光伏出力为零，主要依靠火电；第二峰值后，随着社会用电负荷降低，火电占比稍微下降，碳排放因子缓降，但仍高位运行。图5 中10 月工作日第二峰值时间点相对4月工作日第二峰值时间点提前了约1小时，其主要是由于秋冬季光照时间短，相对春夏太阳日落时间早。由此可见，随着光伏、风电等间歇性新能源发电比例的上升，发电碳排放因子的时间上差异性将更加明显［26］。

图5 典型月份的碳排放因子日度变化曲线Fig.5 Daily carbon emission factor change curves in Anhui Province

3.3 基于发电碳排放因子特征的聚类

图6 显示了安徽省2022 年各地级市发电碳排放因子的月度变化及均值分布图。各个地级市年均碳排放因子排名前五的地级市是铜陵市、淮北市、马鞍山市、淮南市、合肥市，其中铜陵市高达781 g/（kW·h）。碳排放因子较低的城市有六安市、滁州市、黄山市，均低于500 g/（kW·h）。整体来看，皖北、皖中地区的碳排放因子高于皖南地区，铜陵、淮北和马鞍山等重工业城市的碳排放因子高于六安、滁州和黄山等轻工业城市。黄山市因没有火力发电机组，所以其全年的发电碳排放因子为0。

图6 各地级市发电碳排放因子Fig.6 Carbon emission factors of power generation of prefecture-level cities

碳排放因子的值与波动性是反映电力碳排放属性的两个维度。从排放水平与波动性两个维度选取聚类变量，对16 个地级市进行聚类分析，以发掘不同类型的地级市，提出针对性建议。具体指标选取如表1所示，其中，与碳排放因子值有关的排放水平指标反映了地级市碳排放因子的高低与整体的排放规模，而波动性维度的三个指标反映了碳排放因子随时间变化的波动性与差异性，其中碳排放因子变异系数表示标准差除以平均值。

表1 各地级市碳排放因子不同维度的指标Tab.1 Different dimension of carbon emission factors in prefecture-level cities

针对区域的聚类分析有助于揭示类别间差异性与同类型区域的共同点，以制定差异性的调控对策［27-29］。根据碳排放因子的水平和波动性指标，使用min-max标准化方法对其进行处理，然后运用层次聚类方法确定聚类个数，最后使用k-means方法进行聚类。在层次聚类方法中，首先确定距离的基本定义和类间距离的计算方式，随后按照距离的远近，将距离较近的数据依次并入一类，依次类推，直到数据完全归为一类为止。k-means聚类法也称快速聚类法，其思想是将样本分到k个类中，使得每个样本到其所属类中心的距离最小。根据层次聚类结果，类别数为4时聚类系数趋于平缓，可确定聚类个数为4。

使用k-means 聚类方法将16 个地级市分为四类。第一类地级市仅包含黄山市，黄山市位于安徽省南部，没有火力发电，全部为可再生能源发电，碳排放因子为0，与其他地级市区别较为明显。因此，第一类地级市被命名为无火电城市。

第二类地级市包括六安和滁州。其碳排放因子的月度变化如图7（a）所示，其特征为月度碳排放因子曲线波动较大，碳排放因子较低，主要原因是可再生能源发电占比较高，被命名为高比例可再生能源城市。

图7 地级市月度碳排放因子曲线Fig.7 The monthly carbon emission factor curves of prefecture-level cities

第三类地级市包括蚌埠、宿州、亳州、宣城、阜阳和池州。其碳排放因子的月度变化如图7（b）所示，其碳排放因子月度曲线波动幅度比第二类小，碳排放因子高于第二类，主要是因为可再生能源发电占比低于第二类，被命名为中比例可再生能源城市。

第四类地级市包括淮南、淮北、合肥、马鞍山、铜陵、芜湖和安庆。其碳排放因子的月度变化如图7（c）所示，其特征为碳排放因子月度曲线波动较小，而碳排放因子较高，主要原因是可再生能源发电占比较低，发电以火电为主，因此被命名为火电依赖型城市。

从空间上看，各类型地级市的分布呈现一定的特征。第一类地级市位于安徽省最南部，山地比例较高，而工业规模偏低；第二类地级市分布于安徽省东西两侧，具有充沛的土地与风光资源，第三类地级市分布于南北两侧，多位于淮河与长江沿岸，工业规模与用电规模较大；第四类地级市主要位于中部，包括马鞍山市、芜湖市和合肥市等工业大市，用电量高，而可再生能源发电的贡献率较低，因此导致碳排放因子相对较高。因此，考虑到四类城市的碳排放因子与用电需求差异，需要探索城市发展与可再生能源装机的耦合机制。例如碳排放因子较低的池州、六安和黄山，整体用电规模小而可再生能源占比高，可以进一步探索可再生能源发电的输出机制。而芜湖与合肥的用电规模大，需要进一步拓展可再生能源输入通道。

3.4 讨论

安徽省各地级市的发电碳排放因子存在显著的时空差异特征。从时间上看，全省及各地级市碳排放因子呈现明显的季节特征，夏季、冬季的碳排放因子高于春季、秋季，因为夏季、冬季整个社会用电需求高于春季、秋季，期间火电发电占比较高，抬升了碳排放因子。四个季节一天24 小时的碳排放因子呈现大体相同的时间序列特征，呈“一谷两峰”，日间碳排放因子低于夜间碳排放因子，中午的碳排放因子处于低谷，这主要因为安徽省日间光伏出力占发电总负荷的比例高，而火电机组出力占比降低。可以在电价体系中考虑碳排放因子因素，通过电价激励引导企业与消费者低碳用电，实现主动碳响应。

因为安徽省各地级市的自然资源禀赋与发电结构存在显著差异，地级市之间的发电碳排放因子差异较大，皖北、皖中地区高于皖南地区。针对火电占比较高、发电碳排放因子高的地级市，可以通过绿色金融手段，加强零碳、负碳技术研发、示范及应用；统筹完善火电调峰等辅助服务的价格机制，探索燃煤机组与风光储发电耦合发展模式；进一步强化绿证、绿电交易在可再生能源消纳领域的重要作用，通过碳排放权交易助力火电机组“三改联动”，为达峰后降碳奠定坚实基础；对于新增煤电机组要实现上大压小、淘汰落后，力争实现增机不增碳。

总的来说，安徽省发电碳排放因子仍处于较高水平，需要积极发展风力、光伏、生物质能等可再生能源发电，依靠科技进步与技术创新提高可再生能源消纳率与能源利用率。由于风力与光伏的发电曲线受气象条件的影响较大，与地方用电负荷不匹配的现象显著，需要充分考虑区域电源与用电特性，优化可再生能源配置储能的规模与模式，从而更好地利用可再生能源、降低区域发电碳排放。

4 结语及展望

在地级市层面对发电行业进行实时、准确、全面的碳排放计量，是推动电源结构调整、技术创新、供需联动、碳排放权交易的重要基础，具有重要的实际应用价值。采用2022 年安徽省各地级市各种方式发电量及实时监测的火电煤耗数据，计算各地级市的发电碳排放因子，并揭示其时空变化特征，同时从排放因子水平和波动性维度两个方面选取聚类变量进行聚类分析。

结果显示，2022 年全省月度平均的发电碳排放因子变化范围为580～687 g/（kW·h），呈现出冬夏高、春秋低的季节特征；地级市中铜陵市年均碳排放因子最高，高达780 g/（kW·h），而黄山市因为没有火电，发电碳排放因子最低，皖北、皖中地区的碳排放因子高于皖南地区。使用k-means聚类方法将地级市分为四类，分别为无火电城市、高比例可再生能源城市、中比例可再生能源城市和火电依赖型城市，四个类型的可再生能源发电占比依次下降，而发电碳排放因子依次升高。在时间特征上，可再生能源发电占比较高的城市，其碳排放因子的波动性也更高。

根据安徽省地级市的碳排放因子与波动性特征，为全省进一步降低发电碳排放提出建议：进一步扩大电力供需管理范围，全面推进跨城市的电力调度与需求侧管理；针对可再生能源发电占比高、碳排放因子低的城市，可以适当引进电力消纳型企业，促进可再生能源消纳；针对火电占比高、发电碳排放因子高的城市，需要进一步加强火电机组改造，服务智能互动、灵活柔性、安全可控的新型电力系统建设；提高碳计量的时效性与准确性，推广使用动态碳排放因子，以准确测度各类产品与服务的碳足迹。