“边际排放”：当1kWh风电进入电网后......，1kwh

这周笔者在芝加哥参加AGU2022。看到很多关于气候变化下地球系统和社会经济电力系统耦合的很有趣的talk。其中很多都谈到了关于“marginal emissions（边际排放）”的问题，今天笔者结合最近三篇有关的文章，聊一下当1MWh风电（光伏发电也类似）进入电网后，平均碳排放、边际碳排放、大气污染物排放、健康效应会发生什么变化？

这三篇文章是：

第一篇文章是明昊最近刚发表的文章。

Qiu, M., Zigler, C. M., & Selin, N. E. (2022). Impacts of wind power on air quality, premature mortality, and exposure disparities in the United States. Science Advances, 8(48), eabn8762.

第二篇文章是一篇讨论美国marginal emissions变化的文章。

Holland, S. P., Kotchen, M. J., Mansur, E. T., & Yates, A. J. (2022). Why marginal CO2 emissions are not decreasing for US electricity: Estimates and implications for climate policy. Proceedings of the National Academy of Sciences, 119(8), e2116632119.

第三篇文章是一篇讨论marginal emissions到底是个啥、能不能反映电网变化的好文，我向每一个用到average和marginal emissions的研究者推荐这篇新文。

Elenes, A. G., Williams, E., Hittinger, E., & Goteti, N. S. (2022). How Well Do Emission Factors Approximate Emission Changes from Electricity System Models. Environmental Science & Technology, 56(20), 14701-14712.

当1MWh风电进入电网后，什么事情会发生？

平均排放因子一定会下降。这是因为风电运行成本很低，基本会被送出去，而风电的排放低于电网本来的平均碳强度，就好像糖水里加糖糖水一定更甜一样，电网的平均碳强度基本会降低。

边际排放因子怎么变就比较复杂。这取决于这个风电让电网发生了怎样的变化。从短期来看，电力供应有一个基本概念是经济调度原则，电网运行成本最低的先发电，比如下图的供应曲线中，加入1MW风电，曲线就整体往右移一下，一般情况下天然气、油电发电是边际电力，而风电来了之后，更干净的天然气电力（一般更便宜）就取代更脏的天然气电力（一般也更贵），所以边际排放因子也会下降。

但是美国很多地方天然气成本在下降，导致边际的电厂天然气和煤电混着来，这样的情况下，进入1MW的风电，很多情况下都可能会从干净天然气变成很脏的煤电或者交叉着来。

而长期呢？风电进来，不论是边际还是非边际的风光、煤电、核电，要么发电量减少，要么发一个单位电赚的钱减少，长期来看煤电、核电和需求侧都会有各种各样的变化，大概率的影响都是电网的平均和边际排放因子都进一步下降。

短期、长期、平均、边际，自然的问题就是短期多短、长期多长、边际多边际？是什么时间的边际（早上、晚上、需求高的时候、需求低的时候）这些都会影响排放因子的变化。平均排放因子比较好算、变化也比较确定。边际排放因子要么是跑回归（一般是需求做自变量，排放做因变量，观察需求变化一个单位，排放变化多少），要么是用电力模型来计算。

笔者推荐的第三篇文章就指出，边际排放因子虽然有各种各样的计算方法，但是常用的边际排放因子其实都可以较好地表征电网的边际变化。就是说考虑一个电网增加了100万辆电动汽车，那么排放增加多少？用排放因子直接乘电力消费量和跑个复杂的电力模型，计算出来的结果差不多。

而第二篇文章则用回归方法计算了美国2010-2019年的排放因子，文章发现虽然平均排放因子十年内下降了28%，边际排放因子则上升了7%。意味着2019年电网中增加1kWh的电动汽车用电需求，导致的排放会比2010年增加高！这原因主要是煤电变成了边际电力，而天然气变成了基础电力，导致边际排放因子增加。此外，煤电一般利用小时数越低、效率越低、排放也越多，所以煤电变成边际电力的同时，也变脏了。这些因素交加导致边际排放因子升高。

而第一篇文章中，作者采用的统计学模型则是利用了风的随机性。自变量是风电发电量，因变量是排放。风是随机的，且这种随机在时间长度上越小越随机，利用这个随机性，这种统计学模型得到的是短期的风电替代效应（之前提到的长期效应理论上无法被捕捉）。文章用到的是小时尺度。可以想象，时间尺度越小，风电就越随机，因果性就越强，更确定这个排放变化就是风电导致的；而时间尺度越大，风电可预期性一般更大，得到的“风电影响”理论上规模就更大，包含的机制更多，就包含了更多的风电影响，但同时其他混杂因素导致的排放变化也就进来了，因果性就又不好说了。（当然，风电预测更精准和更广泛应用在发电的背景下，我觉得这个方法的可用性正在受到挑战）。

文章发现，风电的短期替代减少了煤电（下图灰色和黄色的部分，BIT和SUB）以及天然气（下图绿色，NG）的发电量，所以带来的减排。这些煤和天然气减少的发电量，减少的就是边际电力的发电，所以也可以看到边际电力也是天然气和煤电混合的。文章得到的结论理论上是减少的边际发电量导致了平均电力排放因子的下降（图中的B和C）。此外，这里的结果也解释了为什么需要风的随机性保证因果性，比如说天然气更便宜了，代替了一部分煤电（挤到了供应曲线外面或者让这些煤电倒闭了），这种影响和风电就没有什么关系，所以这种统计学模型就用风电的随机性排除了这种影响。

因为风电的环境效益体现在边际电力上，所以替代的边际电力是谁就很重要。市场经济电力体制下，这种替代往往是最贵的电力被替代。但如果最脏的电力先被替代，环境影响就会进一步增加，文章估计环境效益比最贵替代法（下图差不多4 billion）会增加3倍（下图达到12 billion）。而大气环境效应在哪替代往往哪的人受益，所以人口数量、结构和公平性也需要考虑。