迈向循环型生物经济:基于双重标准的场地级决策支持方法,以巴登-符腾堡州的氢气生产为例探讨潜在产业集群节点的选取
《Journal of Cleaner Production》:Towards a circular bioeconomy: A bi-criteria site level decision support for potential cluster nodes exemplified by hydrogen production in Baden-Württemberg
【字体:
大
中
小
】
时间:2026年02月18日
来源:Journal of Cleaner Production 10
编辑推荐:
斯蒂芬·基梅尔(Steffen Kiemel)| 宋元欣(Yuanxin Song)| 西蒙·格洛瑟-查胡德(Simon Gl?ser-Chahoud)| 罗伯特·米埃赫(Robert Miehe)| 亚历山大·绍尔(Alexander Sauer)
弗劳恩霍夫制造工程与自动
斯蒂芬·基梅尔(Steffen Kiemel)| 宋元欣(Yuanxin Song)| 西蒙·格洛瑟-查胡德(Simon Gl?ser-Chahoud)| 罗伯特·米埃赫(Robert Miehe)| 亚历山大·绍尔(Alexander Sauer)
弗劳恩霍夫制造工程与自动化研究所(Fraunhofer Institute for Manufacturing Engineering and Automation IPA),诺贝尔街12号(Nobelstra?e 12),70569,斯图加特(Stuttgart),德国
**摘要**
促进本地化及循环型的生物经济预计将提高韧性并减少环境影响。通过将生物基废物转化为有价值的产品,生物质废物转化为化学品(B2X)技术为实现这一价值创造提供了可能。然而,由于生物质废物的供应有限,其利用必须根据当地的供需情况加以优化。本文提出了一种基于经济和生态关键绩效指标的区域生物经济集群节点设计优化模型。决策内容包括可安装的技术组合的容量,以及从供应地区向需求地点运输生物质的过程。鉴于B2X技术仍处于发展阶段,该模型具有可扩展性,能够考虑未来的技术发展。此外,该系统的框架条件可调,以实现不受地点和时间限制的应用。本研究面向研究人员、私人投资者、公司及地方政府,旨在帮助他们计划在特定地点建设B2X设施,从而建立成本效益高的本地循环经济。该模型通过氢气生产案例进行了验证,其中包括B2X技术和传统技术,以避免教条化决策,并基于可持续性的两个维度确定最优方案。通过对德国巴登-符腾堡州两家公司的案例研究,说明了将带碳捕获与储存的生物基氢气生产转化为有利技术组合所需的特定框架条件。敏感性分析揭示了水、电力、生物质及劳动力成本,以及氢气和碳回收证书售价的关键参数。
**1. 引言**
2021年,工业过程占全球直接温室气体排放的6.5%。虽然能源行业是主要排放源(占75.7%),但制造业和建筑业也贡献了相当一部分排放(占总排放的12.7%)。此外,工业部门还承担了电力和热能需求的较大份额,而这些能源的生成又产生了总排放量的29.7%(世界资源研究所,2022年)。在德国-奥地利-瑞士地区的实证研究表明,业界将能源供应和利用视为最关键的行动领域。用氢气替代化石燃料或使用绿色氢气代替灰色氢气正是实现这一目标的途径(基梅尔等人,2023年)。大量研究和出版物预测工业部门对绿色氢气的需求将持续增长(格里菲斯等人,2021年;氢能委员会,2021年;国际能源署,2025年;库尔曼等人,2023年;斯莫林卡等人,2018年)。绿色氢气至少有44种应用领域,包括高温应用(如水泥、玻璃、造纸、陶瓷生产)和原料应用(如氨和气相二氧化硅的生产)(基梅尔等人,2024年)。虽然绿色氢气通常通过水电解法生产,但也存在其他生产技术(基梅尔等人,2025年)。鉴于水电解大规模实施面临特定材料供应问题(例如质子交换膜电解器所需的铱),这一技术尤为重要(基梅尔等人,2021年)。此外,包含碳捕获与储存的生物基技术(HyBECCS)具有潜力,因为如果将生物基排放量视为净零排放,则这些技术可作为负排放技术(Full等人,2021年)。这类技术的广泛应用是实现气候目标的关键因素(罗格利等人,2022年)。如果仅利用目前尚未在高价值应用中得到利用的生物质,这些技术也可构成循环经济的实例。根据Full等人的定义,这类设施属于生物质废物转化为化学品(B2X)系统(Full等人,2023年)。生物技术的创新和B2X系统的进一步发展有望彻底重塑循环经济,使迄今未被工业生产利用的物质流得以价值化。在区域集群中建立本地生物经济时,这些解决方案将更加重要。此类集群的系统边界灵活多变,范围可以从邻近企业扩展到NUTS-3级别的多个区域(欧盟统计局,2025年)。为实现目标导向的集群设计,必须在区域层面协调供需关系(Full等人,2023年)。在集群内部,需要决策支持系统来决定在特定地点应采用哪种B2X技术(即集群节点)。该决策支持系统应具有扩展性,可通过预定义接口添加新的应用案例,从而纳入当前正在研究中的B2X技术。模型还需能够处理空间变化的参数,以确保其应用不受地点限制。例如,输入因素(如电力)的成本和排放强度就是这类参数。本文提出的模型旨在帮助决策者根据生态和经济因素,在特定地点优化生物质处理基础设施的安装方案。其核心并非简单地满足对特定产品(如氢气)的本地需求,而是致力于根据地点具体情况设计最佳供应链。图1可视化了这种可转移且可扩展的优化模型概念。该模型基于德国巴登-符腾堡州的氢气生产案例进行了详细描述和验证。
**2. 方法与数据**
通过评估相关出版物的特点,对现有研究不足进行了系统梳理。随后对用于验证的模型和案例进行了定性描述,包括所考虑的生物质转化技术及其相关数据的来源。还介绍了生成本地生物质供应、主要产品需求、运输成本及二氧化碳储存所需输入数据的方法论,以提高模型的可重复性和其他系统的适用性。
**2.1. 系统边界与独特特征**
为确保模型的科学创新性和对生物经济研究的实际价值,首先明确了模型要求,并与已有文献进行了对比。遵循PRISMA方法流程图进行了文献搜索(2024年12月15日)。检索结果共182篇论文,其中65篇被详细分析用于定性评估。排除的主要原因包括:与生物质关联度低(n = 44篇)、与生物质相关但未涉及其利用方式(n = 25篇)以及模型描述不足(n = 4篇)。
该模型的生态和经济目标函数可通过内化生态成本或进行帕累托分析来单独或综合评估。大多数研究要么仅分析一个维度(例如Jayarathna等人,2020年;Marchenko等人,2022年;Rudi等人,2017年),要么同时分析两个维度但无法进行综合评估(例如Chiew等人,2011年;Wang等人,2015年)。该模型关注微观层面,针对单一特定地点做出决策,而非从预先设定的可能性集合中确定最优方案(例如Balaman等人,2018年;Chiew等人,2011年;Mayerle等人,2016年),也不进行持续的位置规划(例如Dunnett等人,2008年;Wietschel等人,2021年)。模型考虑了多个时间段,以进行动态的投资成本核算,而不仅仅是单一时期(例如Huang等人,2010年;Schmidt等人,2012年;Walther等人,2012年)。决策内容涵盖最佳技术组合的选择及其规模确定,以及年产量、从供应地区运输的生物质量和运输到需求地点的商品量。最后评估 annually transported to demand locations d的二氧化碳量或二氧化碳储存设施的容量。尽管大多数研究关注生物质运输和生产能力,但仅少数研究涉及将产品运输给客户的过程(例如Ahmed和Sarkar,2019年;Wang等人,2015年;Wietschel等人,2021年),更少的研究探讨哪种技术组合最合适(例如Petig等人,2019年;Rudi等人,2017年;Y?lmaz等人,2018年)。仅有三篇论文提及将二氧化碳运输至储存或需求地点(例如Ahn等人,2015年;Khatiwada等人,2016年;Pan等人,2015年)。虽然本文中的模型以氢气生产案例进行验证,但其设计具有可扩展性,其他生物基转化技术也易于整合。如图1所示,模型定义了相应的连接器和其他前提条件。尽管很少有出版物满足这些要求(例如Rudi等人,2017年;Y?lmaz等人,2018年),但有些研究涉及多个应用案例,不过并非为扩展而设计(例如Ahmed和Sarkar,2019年;Cambero等人,2015年;Vuka?inovi?和Gordi?,2016年),而大多数研究仅关注单一应用案例。模型的其他特点还包括考虑空间特定数据(约70%的文献支持这一点)、考虑生物质特性对工艺效率的影响(30%)以及评估地点的可用空间(10%)。
没有一篇研究完全满足作者提出的所有要求。相关评估结果详见补充信息第3.1节。需要说明的是,文献评估仅反映参考文献与本文模型内容的相关性,并不涉及其质量。
**2.2. 模型概念化**
该模型通过净现值(经济维度)和所考虑时间段内的累计温室气体排放(生态维度)来评估特定技术组合的性能。评估时考虑了调查地点的可用土地、区域内的生物质供应情况以及最终产品的区域需求。根据温室气体协议,结果进一步区分了基于地点和基于市场的方法(世界可持续发展商业理事会和世界资源研究所,2004年)。优化这两个目标函数所需的决策在2.1节中有详细说明。数据输入参数化处理,以便考虑空间和时间变化的数据(例如商品成本/排放强度)。我们采用确定性混合整数线性规划(MILP)结合等距ε约束帕累托分析方法。选择这种方法的理由是:两个目标(净现值和累计排放)及所有相关的技术经济关系均为线性关系,关键投资决策为二元决策,且产能扩展选项为离散值。该模型旨在提供帕累托最优解,用户可根据自身偏好进行选择。ε约束有助于处理帕累托前沿中的非凸性问题,这在具有二元决策和离散产能水平的MILP中较为常见。该模型在IBM ILOG CPLEX Optimization Studio 22.1.1环境下运行,使用配备8个物理核心、2.20 GHz主频和24 GB RAM的Intel? Xeon? E5-2696 v4处理器实现。模型包含963,850个决策变量,其中20,950个为二元变量。设定的绝对混合整数最优性容忍度为1E-6,使得每个案例研究的单目标优化平均运行时间为2.02分钟(见第4.2节)。
针对生物基氢气生产和传统对应技术的案例,所有必要的计算均已完成并记录在文中(参考Kiemel等人,2025年)。表格1列出了纳入模型的技术组合所需的数据信息。尽可能为四个规模级别的集群(前端、小规模、中等规模、大规模)提供数据,以体现规模经济效应。
**表1. 各技术所需数据——以生物基技术为例,同时考虑两种不同类型的生物质**根据Kiemel等人的研究,每个数据集都应该尽可能地区分为四个规模集群和三种情景(平均、最小、最大)(Kiemel等人,2025年)。经济资本投资包括TPEC/maxCap 2022 [$/kg主要产品]、TPEC的额外成本、占地面积 [m2/kg主要产品/a]、间接成本 [% of TPEC]、安装费用 [% of TPEC]、应急费用 [% of TPEC] 和REPEX [% of CAPEX]。生态资本投资包括GWP基础设施 [kg CO2e/kg主要产品]、工厂寿命 [a]、容量系数 [%]、生物质原料的所需水分含量 [%]、主要产品的输出压力 [MPa]、CO2的输出压力 [MPa]、固定运营费用(每单位产能的工人数量 [#/kg主要产品]、每单位产能的监督人员数量 [#/kg主要产品] 以及其他固定运营费用 [%]、变动运营费用(电量需求 [kWh/kg主要产品]、生物质1的需求量 [kg/kg主要产品]、生物质2的需求量 [kg/kg主要产品]、主要原料1的需求量(例如,水)[kg/kg主要产品]、主要原料2的需求量(例如,天然气)[kg/kg主要产品]、主要原料3的需求量(例如,煤炭)[kg/kg主要产品]、工艺排放(生物质1 [kg CO2/kg主要产品]、工艺排放(生物质2 [kg CO2/kg主要产品])以及碳转化效率(生物质1 [%]、生物质2 [%])。
此外,还推导出了空间和时间相关的变量。每种技术组合包括主要设施(在本评估用例中是产氢设施)、周边设施(包括预处理设施(生物质干燥)和后处理设施(H2压缩、CO2压缩和碳捕获)。基于生物的技术还根据引入的生物质基质的特性进一步参数化。水分含量影响生物质干燥的需求以及随之产生的成本和环境影响。生物质基质的碳含量和半纤维素-纤维素比例影响工艺排放和主要设施的效率。然而,该模型不仅考虑了基于生物的转化技术,还考虑了制造目标产品的传统技术,因为不应做出教条性的决策,而应该进行优化决策。因此,在本文分析的产氢用例中,考虑的技术包括电解(AEL、PEMEL、HTEL)、重整(蒸汽甲烷和自热)、气化(煤炭、生物质和超临界水)以及厌氧发酵。
模型考虑了主要设施和周边设施的经济资本、生态资本和运营支出(CAPEX、OPEX),以及生物质和最终产品(氢)的运输。如果技术组合包含碳捕获单元,则还考虑了二氧化碳输送到其需求地点或储存设施的运输费用以及储存本身的成本和环境影响。收入包括主要产品的销售和捕获的CO2的销售,或者替代方案是出售负排放证书。此外,还考虑了在考虑的时间范围内的基础设施的残值。对于使用寿命有限的设施来说,残值很重要,因为这需要在考虑的时间范围内进行再投资。所有与空间相关的排放和成本因素在考虑的时间范围内都是可变的。一个相关的参数化工具(参见Kiemel等人,2025年)提供了预定义的预测因子,例如欧洲消费者价格指数的线性或指数预测。同一工具还允许决策者选择电力供应方式(电网 vs. 当地可再生能源生成)以及温室气体排放的抵消(区分仅限于范围1的排放和所有三个范围的排放)。此外,还可以纳入关于负排放证书市场存在的假设,以及将基于生物的排放分类为净零的假设。
优化模型针对了几组潜在用户,这些用户主要在氢需求和现场生物质可用性方面存在差异。图2可视化了用户组之间的差异。模型的参数化允许进一步区分,例如通过选择确切的位置(影响潜在的运输努力)以及所有成本和排放因素的调整。图2列出了第4.2段中描述的两个案例研究之间的差异。这两个案例研究分别代表了Boller Fruchts?fte OhG和Evonik Industries AG的Rheinfeld工厂,都位于德国巴登-符腾堡州。需要强调的是,这两家公司都没有承诺实施优化模型提出的设施。
此外,虽然某些假设与公司达成一致,但在某些情况下并不反映现实(例如,Rheinfeld工厂通过自身发电来满足全部电力需求)。尽管如此,这些假设仍用于说明模型的可变性。基准年2024年的基础成本和排放因素,包括相应的参考资料和预测因子的选择,在补充信息第2.1段中有列出。作为验证示例,模型使用了来自产氢技术的数据(Kiemel等人,2025年)。因此,考虑了平均情景(Kiemel等人,2025年)。总共考虑了19种技术组合和十二种可能的设施规模,生产能力从182,500 kg H2/a到373,760,000 kg H2/a不等。
为了实现关于货物需求位置和数量的优化决策,需要有关信息和可用生物质供应的信息。在评估的用例中,货物指的是氢。Kiemel等人(2024年)描述了识别工业中空间和时间分布的氢需求的方法。该程序应用于巴登-符腾堡州的地理系统边界。应用该方法所需的假设有如下所述。确定了(可能)在其生产过程中使用氢的公司位置,并通过初级数据或通过特定公司的生产量和产品特定的能耗来分配相应的氢需求。考虑了影响未来氢需求的巴登-符腾堡州的区域特性,这些特性通过四个定义的位置特定影响因素来体现(气候战略、温室气体价格机制、氢战略、政府对化石燃料的补贴)。德国的气候战略被评估为“不足”(Climate Transparency,2018年),国家温室气体价格机制的水平被评估为“低”(Wegner等人)。相比之下,德国的氢战略获得了高评价,因为它“包含了详细的市场发展时间表和目标”[59],政府补贴的水平被评为“中等”(Wegner等人)。此外,每种潜在氢应用情况的文献参考文献数量设定为1,并考虑了生产产品的市场趋势(参见Kiemel等人,2024年)。选择了预定义的渐进情景,这导致使用氢的公司数量增加。在选择情景并输入上述参数以及潜在氢用户的特定公司数据后,Kiemel等人提供的计算工具量化了2024年、2030年和2050年的每个识别位置的氢需求(Kiemel等人,2024年)。为了将年度数据输入优化模型,假设了参考年份之间的线性趋势。识别的氢需求被映射到参数GDd,g,t中,该参数参与了优化模型的约束#2(参见第3段)。
关于巴登-符腾堡州生物质可用性的定量信息来自Deutsches Biomasseforschungszentrum(DBFZ)发布的详细数据库(Kalcher等人,2021年)。为了减少可用生物质的竞争用途风险,我们关注“可移动生物质潜力”这一类别。在此背景下,可移动指的是目前尚未得到有效利用的技术生物质潜力(可用于材料或能源用途的比例)(Br?dner等人,2023年)。数据提供在NUTS-3级别。在选择“可移动生物质潜力”时,仅提供作物秸秆的数据。因此,作物秸秆被定义为生物质类型1,其相关的生物质特定参数为72%的半纤维素-纤维素比例(hccr)(Deutsches,2022年)、10.2%的水分含量(Tavakoli等人,2009年)和45.7%的碳含量(Raimanova等人,2024年)。由于其中一个案例研究发生在苹果汁生产公司,因此苹果渣被认为是一种潜在的生物质输入。假设只有现场产生的苹果渣可用于基于生物的转化过程。没有分析苹果渣的空间分布。生物质2的特点是hccr为35%(Kaiser和Bertau,2020年)、水分含量为70%(Kauser等人,2024年)和碳含量(干基)为47%(Kauser等人,2024年)。因此,在第4.2段描述的案例研究中考虑了两种类型的生物质。根据需要,模型可以扩展以包括其他类型的生物质。生物质供应被映射到参数FDc,fb,v中,该参数参与了优化模型的约束#4(参见第3段)。
生物质在巴登-符腾堡州的运输和碳捕获及储存的数据和假设来自Deutsches Biomasseforschungszentrum(DBFZ)发布的详细数据库(Kalcher等人,2021年)。为了降低可用生物质的竞争用途风险,我们关注“可移动生物质潜力”这一类别。在这种情况下,可移动指的是技术上可用于材料或能源用途的生物质潜力中目前尚未得到有效利用的部分(Br?dner等人,2023年)。数据提供在NUTS-3级别。选择“可移动生物质潜力”时,仅提供作物秸秆的数据。因此,作物秸秆被定义为生物质类型1,其相关的生物质特定参数为72%的半纤维素-纤维素比例(hccr)(Deutsches,2022年)、10.2%的水分含量(Tavakoli等人,2009年)和45.7%的碳含量(Raimanova等人,2024年)。由于其中一个案例研究发生在苹果汁生产公司,因此苹果渣被视为第二种潜在的生物质输入。假设只有现场产生的苹果渣可用于基于生物的转化过程。没有分析苹果渣的空间分布。生物质2的特点是hccr为35%(Kaiser和Bertau,2020年)、水分含量为70%(Kauser等人,2024年)和碳含量(干基)为47%(Kauser等人,2024年)。因此,在第4.2段描述的案例研究中考虑了两种类型的生物质。如果需要,模型可以扩展以包括其他类型的生物质。生物质供应被映射到参数FDc,fb,v中,该参数参与了优化模型的约束#4(参见第3段)。
生物基转化设施与生物质/最终产品的供应位置和需求位置之间的运输取决于各自的距离和运输方式。优化模型的用户通过提供纬度和经度坐标来定义所考虑的位置。当应用Kiemel等人描述的程序(参见第2.3段)时,最终产品(氢)的需求位置已经以相同的形式提供(Kiemel等人,2024年)。然而,DBFZ提供的生物质数据是在NUTS-3级别提供的。因此,需要定义地理坐标来计算距离。我们使用QGIS软件计算每个NUTS-3区域的地理中心点。随后,应用哈弗辛公式根据地理坐标来量化距离。由于这种方法得出的是两个考虑位置之间的直线距离,因此添加了一个因子来考虑直线距离与实际距离之间的差异。例如,通过在96个已识别的氢需求位置和Google Maps提出的生物质转化设施示例位置之间计算直线距离,并将42%的差异平均值(标准差0.128)作为附加因子。该因子具有很高的波动性,取决于区域特性。因此,建议在将优化模型应用于其他区域时,必须计算特定的附加因子。至少当所考虑的区域在规模和运输基础设施方面与巴登-符腾堡州有显著差异时,必须进行这样的计算。在评估的案例研究中,卡车被用作生物质和最终产品的运输方式。
由于没有关于捕获的二氧化碳的区域需求数据,因此做了一些假设。我们假设捕获的CO2储存在海上深层咸水含水层中。此外,假设卡车运输50公里后,捕获的CO2会被引入一条500公里长的管道,最终储存在北海,那里具有显著的地质储存潜力(Wallmann和L?schke,2024年)。尽管德国目前还没有这两者(CO2管道、海上储存设施),但这些假设是为了展示带有碳捕获单元的B2X设施作为负排放技术的潜在优势。目前正在讨论建造管道的相关计划,包括一条沿德国西海岸通往北海的南北路线和两条东西向路线。其中一条路线计划穿过巴登-符腾堡州中部(Schneider等人,2024年)。距离假设基于这些知识。如果有关工业对CO2的需求的空间和时间数据可用,可以通过将二氧化碳定义为第二种最终产品来扩展优化模型,以便运输到需求地点。
运输努力源于距离、成本因素和每单位质量和距离的运输模式的排放强度的乘积。用于二氧化碳储存的利用因素和努力在补充信息第2.1段中有相应的参考资料。
虽然优化模型以通用形式呈现(参见表3),但表2中列出的集合和指标对应于第4.2段描述的用例。通过修改相应信息,该模型可以应用于其他地区和用例。利用的指数、参数和决策变量的定义。
### 指数
| Index | Description | Set |
|--------------|-------------------------------------------------------|---------------------|
| c | Technology combination | C = {1,…,19} |
| AEL | Noneande PEMEL | None |
| HTEL | None | None |
| SMR | None | None |
| SMR CC MDEA Precombust | None | None |
| SMR CC MDEA Flue | None | None |
| SMR CC Physical | None | None |
| ATR | None | None |
| ATR CC MDEA Precombust | None | None |
| Coal Gasification | None | None |
| Coal Gasification CC MDEA Flue | None | None |
| Coal Gasification CC Physical | None | None |
| Biomass Gasification | None | None |
| Biomass Gasification CC MDEA Flue | None | None |
| Biomass Gasification CC Physical | None | None |
| SCWG | None | None |
| SCWG CC MDEA Flue | None | None |
| Dark Fermentation | None | None |
### 需求地点(Demand Location)
| D | Identified industrial demand locations for hydrogen | D = {1,…,96} |
| | in BW |
| | |
### 生物基原料类型(Type of Biobased Feedstock)
| FB | {1,…,2} | Crop straw, apple pomace |
| | |
| G | {1} | Hydrogen |
### 供应地点(Supply Location)
| S | Geographic centroids of BW NUTS-3 region | S = {1,…,43} |
### 时间范围(Time Range)
| T | Start year: 2024; End year: 2049 | T = {1,…,25} |
### 设备容量(Capacity of Equipment)
| v | 182.500, …, 373.760.000 kg of main good/a | |
### 参数(Parameters)
| Parameter | Description | |
|-------------------|--------------------------------------|------------------------|
| AA | Available area at site | |
| GHGGT | GHG emissions: main good transportation | |
| AFc,v | Floor area of facility | |
| GHGLB | Cumulative GHG emissions | |
| BBB | | Binary variable: Third-party ownership of lot of land |
| GHGMBS | Cumulative GHG emissions | |
| BCB | | Binary variable: Biobased technology? |
| GTd,g,t | Mass of good transport | |
| COSTEV1 | Discounted CAPEX of facility installation | |
| LTc | Lifetime | |
| COSTEV2 | Discounted OPEX location-based (LB) | |
| NPVLB | Net present value L.B. | |
| COSTEV2MB | Discounted OPEX market-based (MB) | |
| COSTEV3 | Discounted fixed OPEX | |
| REVC | Disc. revenue: selling of captured CO2 | |
| COSTFT | Discounted OPEX dependent on biomass transport | |
| REVCB | Disc. revenue: selling of biobased captured CO2 | |
| COSTFTMB | Discounted OPEX dependent on biomass transport | |
| REVG | Disc. revenue: selling of main good | |
| COSTLBST | Total discounted costs L.B. | |
| REVIM | Residual value main facility | |
| COSTMBST | Total discounted costs MB | |
| REVIP | Residual value periphery | |
| FDc,fb | Mass of feedstock demand | |
| REVLBt | Disc. revenue: total LB | |
| REVMBt | Disc. revenue: total MB | |
| FDc,fb,s,t | Mass of feedstock transport | |
| REVNLBc,t | Disc. revenue: negative emission certificates | |
| REVNMBc,t | Disc. revenue: neg. emission certificates | |
| GHGEV1 | GHG emissions: facility installation | |
| GTd,g,t | Mass of good transport | |
| GHGEV2 | GHG emissions: variable LB | |
| Tt | Point in time within T | |
| GHGEV2LBc,t | GHG emissions: variable LB |
| TCFfb,s,t | Transportation costs feedstock | |
| GHGEV2MBc,t | GHG emissions: variable MB |
| GTd,g,t | Transportation costs main good | |
| GHG123 | FTBLBc,fb,t | |
| GHGEV2MBc,t | GHG emissions: biobased scopes 1,2,3 |
| TST | Timespan under consideration | |
| GHG123FTBMBc,t | GHG emissions: biobased scopes 1,2,3 |
| Vc,v | Production capacity | |
| GHFTfb,s,t | GHG emissions: feedstock transportation | |
| DC | Annual value decrease | |
### 决策变量(Decision Variables)
| Variable | Description | Domain | Unit |
|-------------------|--------------------------------------|------------------------|----------------------|
| ITc,t,v | Installation of technology combination with capacity v | {0,1} | |
| OFc,t,v | Production output of good g by c, v | N0+ | kg of main product |
| RVc,t,v | Residual value of installed facility c, v | Q0+ | |
| RVS1c,t,v | Supporting decision variable 5: Residual value facility c, v | |
| RVS2c,t,v | Supporting decision variable 6: Residual value facility c, v | {0,1} | |
| CFt | Number of closed facilities with c, v | | {0,1} |
| PLt | Purchase of land in t | |
| FTc,fb,s,t,v | Feedstock fb transport from supply location | Q0+ | kg of biomass |
| GTd,g,t | Good g transport to demand location | N0+ | kg of main product |
### 优化模型的数学表达式(Mathematical Expression of the Optimization Model)
| Objective Functions |
| Ecological Location-based | Cumulative greenhouse gas emissions location-based | For market-based: replace GHGEV2LBc,t,v & GHG123FTBLBc,fb,t,v with | GHGEV2MBc,t,v & GHG123FTBMBc,fb,t,v |
| | | |
| Emission Factors | | |
| min -> GHGLBS = ∑cC ∑tT ∑vV(GHGEV1c,t,v?ITc,t,v) | Emissions due to facility installation |
| |加上 ∑cC ∑tT ∑vV(GHGEV2LBc,t,v?∑gGPOc,g,t,v) | |
| | Emissions due to variable process inputs |
| |加上 ∑cC ∑fbFB ∑tT ∑vV(GHG123FTBLBc,fb,t,v?1/FDc,fb,v?∑sSFTc,fb,s,t,v) | |
| | Emissions due to biomass transformation |
| |加上 ∑fbFB ∑sS ∑tT(GHGFTfb,s,t?∑cC ∑vVFTc,fb,s,t,v) | |
| | Emissions due to biomass transportation |
| |加上 ∑dD ∑gG ∑tT(GHGGTd,g,t?GTd,g,t) | |
| | Emissions due to main good transportation (hydrogen) |
| Economic Location-based | Net present value location-based | For market-based: replace REVLBt & COSTLBSt with REVMBt & COSTMBSt | |
| | | |
| | max -> NPVLB = ∑tT(REVLBt?COSTLBSt) | |
| | Total discounted revenue location-based | |
| | For market-based: replace REVNLBc,t,v, GHGEV2LBc,t,v & GHG123FTBLBc,fb,t,v with | REVNMBc,t,v, GHGEV2MBc,t,v & GHG123FTBMBc,fb,t,v |
| | |
| Revenue Factors | | |
| REVLBt = ∑cC ∑vV(REVCc,t,v?POc,t,v) | Selling of captured CO2 |
| |加上 ∑cC ∑vV(REVCBc,fb,t,v?1/FDc,fb,v?∑sSFTc,fb,s,t,v) | |
| | Selling of biobased captured CO2 |
| |加上 ∑cC ∑vV((REVIMc,t,v+REVIPc,t,v)?RVc,t,v) | |
| | Residual value of infrastructure |
| |加上 ∑cC ∑vV(REVNLBc,t,v?((GHGEV2LBc,t,v?∑gGPOc,g,t,v) + ∑fbFB(GHG123FTBLBc,fb,t,v*1/FDc,fb,v*∑sSFTc,fb,s,t,v)| |
| | Selling of negative emission certificates |
| |加上 ∑cC ∑gG ∑vV(REVGc,g,v,t?POc,g,v,t) | |
| | Selling of main good (hydrogen) |
| Total Discounted Costs | Location-based | For market-based: replace COSTEV2LB & COSTFTLB with COSTEV2MB & COSTFTMB | |
| | |
| Cost Factors | | |
| COSTLBSt = ∑cC ∑vV(COSTEV1c,t,v?ITc,t,v) | CAPEX Facility |
| |加上 ∑cC ∑vV(COSTEV2LBc,t,v?∑gGPOc,g,t,v) | |
| | Variable OPEX |
| |加上 ∑cC ∑vV(COSTFTLBc,fb,t?1FDc,fb,v?∑sSFTc,fb,s,t,v) | |
| | Variable OPEX (biomass dependent) |
| |加上 ∑cC ∑vV(COSTEV3c,t,v?OFc,t,v) | |
| | Fixed OPEX |
| |加上 BA?AA?LC?PLt | Land purchase |
| |加上 ∑fbFB ∑sS(TCFfb,s,t?∑cC ∑vVFTc,fb,s,t,v) | |
| | Transportation costs biomass |
| |加上 ∑dD ∑gG(TCGd,g,t?GTd,g,t) | Transport costs main good (hydrogen) |
### 约束条件(Constraints)
| For all | | |
| PoC,t,v ≤ Vc,v?OFc,t,v | All production of good must use the corresponding technology combination |
| | | |
| | |
| GTd,g,t ≤ GDd,g,t | Good transport must not exceed land availability |
| | |
| | |
| ∑dDGTd,g,t = ∑vV∑cCPOc,g,t,v | Good transport to demand locations must not exceed demand |
| | |
| | |
| ∑cC∑vVFTc,fb,s,t,v ≤ FSfb,s,t |生物质 transport must not exceed available area |
| | |
| | |
| FDc,fb,v = ∑gGPOc,g,t,v |管理人员需求必须在可用范围内 |
| | |
| | |
| REVLBt = ∑cC∑vV(REVCc,t,v*POc,t,v | Selling of captured CO2 |
| | |
| | |
| | REVNMBt = ∑cC∑vV((REVIMc,t,v+REVIPc,t,v)?RVc,t,v) | |
| | Selling of biobased captured CO2 |
| | |
| | |
| COSTLBSt = ∑cC∑vV(COSTEV1c,t,v*ITc,t,v) | Total discounted costs |
| | |
| | |
| | |
| COSTEV2LB = ∑cC ∑vV(COSTEV1c,t,v*ITc,t,v) | CAPEX Facility |
| | |
| | |
| | |
| | Variable OPEX |
| | |
| | |
| | Variable OPEX (biomass dependent) |
| | |
| | |
| | Fixed OPEX |
| | |
| | |
| | Ba + AA?LC?PLt | Land purchase |
| | |
| | |
| | Transport costs biomass |
| | |
| | |
| | Transport costs main good (hydrogen) |
关于模型中使用的参数和/或约束条件,请参见表2。在参数化工具中进行的先前计算将用户针对所考虑地区的具体空间信息与所列参数联系起来。其数学公式可以在补充信息中的第4段找到。如表2所示,决策变量的范围各不相同。虽然产品和运输量以及开放设施的数量被定义为自然数,但基础设施的残值和生物质运输量可以表示为包括零在内的正有理数。模型中还包括了表示在时间t安装特定技术组合c的决策的二元变量。因此,开发了一个MILP算法。由于需要考虑生态和经济维度,定义了多个目标函数。生态维度表现为累积温室气体排放的最小化,而经济维度表现为净现值的最大化。这两个维度都考虑了整个考虑时间范围内所有安装的设施以及主要产品、所考虑的生物质类型和捕获的CO2的运输(如果安装了包含碳捕获单元的技术组合)。此外,根据温室气体协议(世界商会可持续发展组织和世界资源研究所,2004年),两个维度区分了基于位置(LB)和基于市场(MB)的方法。这导致了四个目标函数。虽然LB和MB是分别评估的,但可以通过考虑碳抵消和出售负排放证书的可能性将生态维度内化到经济维度中,这影响了参数GHGEV2LBc,t,v、GHG123FTBLBc,fb,t,v、COSTFTLBc,fb,t和COSTEV2LBc,t,v(详见补充信息中的第4段数学相关性)。关于经济维度,所有成本和收入参数在引入目标函数之前都会进行折现,以确保线性。每个目标函数分别进行单目标优化。此外,通过等距离ε约束方法进行多目标优化(详见第4.3段)。
### 结果
关键结果是开发出的用于优化当地生物质利用的模型的数学定义。使用定义的用例对模型进行了验证。该用例应用于巴登-符腾堡州的系统边界。在第4.1段中可视化了系统边界内的氢需求和生物质供应情况。考虑了两个具有不同决定因素的示例站点(参见图2)作为案例研究。结果在第4.2段中呈现,并通过经济和生态目标的敏感性和帕累托分析进行了讨论。
### 4.1. 巴登-符腾堡州的H2用例:氢需求和生物质供应
图3可视化了巴登-符腾堡州确定的工业氢需求地点及其规模,以及2024年、2030年和2050年可动员的生物质资源。选择渐进情景来预测未来的氢需求(参见Kiemel等人,2024年)。对于可用生物质的质量,假设其在2050年前保持不变。这是由于数据缺乏,以及巴登-符腾堡州用于农业的土地在过去几年中稳步减少。因此,假设生物质供应稳定是一个渐进的假设。根据DBFZ的数据,巴登-符腾堡州的最大潜在产量为832,000吨作物秸秆,主要集中在该州的东北部(Kalcher等人,2021年)。相反,渐进情景将导致到2050年氢需求显著增加。这主要是由于假设外部压力将增加工业过程的脱碳。
### 4.2. 巴登-符腾堡州的H2用例:决策模型
如图2所示,分析了代表巴登-符腾堡州两家公司的两个案例研究。基于市场的评估结果在下面描述,而基于位置的结果可以在补充材料的第2.2段和第2.3段找到。经济和生态优化分别进行。此外,在案例研究中1的经济评估中内化了生态影响,假设所有范围的温室气体排放得到补偿,并且可以出售负排放证书。氢和生物质的生产和运输量是针对整个考虑期间的总和。所有数值四舍五入到万位数。
### 案例研究1的经济优化结果
案例研究1的结果是安装了一个生物质气化厂,随后安装了一个MDEA Flue碳捕获单元,年容量此外,通过储存基于生物的二氧化碳,从大气中提取了约256,550吨二氧化碳。根据第二个目标函数(最小化温室气体排放)进行优化会产生不同的结果。不是安装一个生物质气化系统,而是在t=1时安装了两个配备物理碳捕获装置的SCWG设施(容量分别为364,999公斤和730,000公斤),并在t=20达到使用寿命后进行更新。相应地,运输的生物质量也增加了。同时,由于满足了附近客户的全部需求,氢气也被运输到更远的地区。虽然从大气中提取了更多的温室气体(总共906,700吨二氧化碳当量),但实现了负的净现值(-424,070,000欧元)。因此,这种实施被认为不现实。基于位置的评估得出的结果类似,但由于需要补偿的范围2排放量增加,净现值略有下降。表5列出了案例研究2的结果。低排放强度和自发电的成本促使安装了一个高容量、高温电解系统(每年生产2,920,000公斤氢气)。产生的氢气量满足了Evonik Industries AG在Rheinfelden的年度需求的大部分。然而,没有剩余的氢气用于出口到其他氢气消费地点。由于HTEL不是基于生物的,因此不需要运输生物质。由于基于生物的二氧化碳不被视为净零排放,即使安装了碳捕获装置,每种技术组合都会产生排放。这是由于设施安装和输入因素(如电力)引起的上游排放。由于没有要求生产一定量的氢气,因此最小化温室气体排放的最优结果是不开设单一设施。这是因为模型的目标本来就不是为了满足当地的氢气需求。尽管在基本模型中氢气是唯一的用途案例,但该模型最终旨在帮助决策者在整合其他用途案例后优化利用当地可用的生物质。因此,不生产氢气也是一个可行的解决方案,这样可以优先考虑其他在经济和生态上表现更好的用途案例。如果使用所提出的模型的投资者旨在提供一定量的氢气(或在整合其他生物质增值用途案例后生产的其他商品),则需要引入另一个约束条件以确保最低生产容量。由于假设电力需求完全由自发电满足,因此基于位置的分析不会影响结果。
表5. 案例研究2的结果。
此外,通过储存基于生物的二氧化碳,大约有256,550吨二氧化碳从大气中被提取出来。根据第二个目标函数(即最小化温室气体排放)进行优化后,得出了不同的结果。原本计划安装一个生物质气化系统,但实际上在t=1时安装了两个配备物理碳捕获装置的SCWG设施(容量分别为364,999公斤和730,000公斤),并在t=20时达到使用寿命后进行更新。因此,运输的生物质量也相应增加了。同时,由于满足了附近客户的需求,氢气也被运输到更远的地区。尽管从大气中提取了更多的温室气体(总共906,700吨二氧化碳当量),但实现了负的净现值(-424,070,000欧元),因此这种实施方案被认为不现实。基于位置的评估得出的结果类似,但由于需要补偿的范围2排放量增加,净现值略有下降。表5列出了案例研究2的结果。
表5. 案例研究2的结果。
5. 讨论
所提出的优化模型具有很高的自由度,这使得将案例研究结果与已发表的文献中的发现进行比较变得复杂。差异源于特定地点的成本和排放因素,这些因素在之前的文献中要么没有考虑,要么没有全面考虑(例如,出售负排放证书的可能性)。Kiemel等人(2025年)关于氢气生产技术的文献综述,以及本文中提到的关于生物经济背景下数学优化模型的文献综述(比较第2.1段和补充材料第1.3段),都强调了该方法与现有方法的区别。
与案例研究1相比,其他出版物认为生物质气化的净现值为负。Yao等人(2017年)计算出奥地利一个年产量为720吨氢气的设施的净现值约为-3,500万欧元;而Martins等人(2023年)计算出葡萄牙一个年产量为65吨氢气的设施的净现值约为-260万欧元。后者在假设氢气售价为7欧元的情况下被认为具有经济可行性(本文中也假设了这一售价)。正如第4.3节所示,目标函数受到氢气售价的影响。
这两篇文章都没有考虑捕获的二氧化碳的利用问题,这使得技术组合的业务模式得以扩展,包括碳捕获装置。特别是对于基于生物的技术,这一选项可能会促进经济运营,因为除了出售二氧化碳外,出售负排放证书也是可行的。案例研究1描述的评估方案倾向于支持基于生物的技术。需要指出的是,目前还没有负排放证书的市场。然而,预计这种情况很快会发生变化(欧盟委员会,2024年)。除了负排放证书市场的存在外,其价格也是一个不确定因素。案例研究1假设证书的价格等同于补偿二氧化碳排放的价格。所考虑的补偿费用基于德国的碳定价机制。由于假设存在二氧化碳运输管道,实际情况可能与此有所不同。尽管目前德国还没有这种规模的管道,但当前的规划活动表明这在中期内可以实现。正如第4.3节所示,目标函数容易受到这些因素的影响。因此,如果初始最优解提出了不同的技术组合(例如煤的气化),各个参数的影响可能会有所不同。在这种情况下,煤价的变化将产生显著的影响。
下载:下载高分辨率图片(561KB)
下载:下载全尺寸图片
图4. 敏感性分析的结果。
生态评估的敏感性分析可以在补充材料的第3.2节和第3.3节找到。在假设的条件下,生物质、煤炭和水电的排放强度是相关参数。值得注意的是,某些参数之间存在相互依赖关系。有些参数的并行调整会对目标函数的高层参数产生增强效果,而相反的调整则可能抵消这些效果。例如,减少管道长度和增加管道运输成本可能会对目标函数中的产品运输部分(∑dD∑gG(TCGd,g,t?GTd,g,t))没有影响或影响较小。此外,某些参数之间存在反向关系,同一方向上的调整可能会使这些效果相互抵消。例如,所有成本因素与最终产品的售价之间的关系就是如此。还存在跨维度的关系。例如,生产投入的排放强度及其对工厂范围2和范围3排放的影响,会与相应补偿措施成本的增加共同作用于运营成本。相反,当收入价格上涨时,这种影响也会增强。
为了找到同时满足两个目标函数的解决方案,并为决策者提供一系列折中方案,采用了等距ε约束方法的Pareto分析。因此,在经济评估中引入了另一个约束条件(方程(1)。(ECOLOGICAL)总温室气体排放量被设定为生态优化最优值(对于案例研究1为-906,700.000公斤)乘以一个交替因子。步长(STEP)定义为0.05,ε(EPS)在每个计算周期内从0增加到20。
方程1:等距ε约束
ECOLOGICAL ≤ ECOOOPT?(1?EPS?STEP)
这导致了一个由19个帕累托有效点组成的帕累托最优前沿,这些点位于经济优化的最优值和生态优化的最优值之间。图5展示了这一结果。ε值在15到20之间时结果相同,因此只能看到16个帕累托有效点。这是由于设施的容量范围有限。如果工厂容量被定义为一个不受限制的数字,每个ε值都会产生一个单独的结果。虽然决策者通常可以在每个帕累托有效点之间进行选择,但在目前的情况下,只有位于盈利区内的点(用浅绿色标示的NPV为正)才是现实的选择。
下载:下载高分辨率图片(350KB)
下载:下载全尺寸图片
图5. 帕累托优化 - 经济目标函数与生态目标函数。
5. 讨论
所提出的优化模型具有很高的自由度,这使得将案例研究结果与已发表文献中的发现进行比较变得复杂。差异源于特定地点的参数以及一些在之前文献中未被考虑或未能全面考虑的参数(例如,出售负排放证书的可能性)。Kiemel等人(2025年)关于氢气生产技术的文献综述,以及本文中提到的关于生物经济背景下数学优化模型的文献综述(比较第2.1段和补充材料第1.3段),都强调了该方法与现有方法的区别。
与其他出版物相比,案例研究1认为生物质气化的净现值为负。Yao等人(2017年)计算出奥地利一个年产量为720吨氢气的设施的净现值约为-3,500万欧元;而Martins等人(2023年)计算出葡萄牙一个年产量为65吨氢气的设施的净现值约为-260万欧元。后者在假设氢气售价为7欧元的情况下被认为具有经济可行性。正如第4.3节所示,目标函数容易受到氢气售价的影响。
这两篇文章都没有考虑捕获的二氧化碳的利用问题,这为包括碳捕获装置的技术组合提供了更广泛的商业模式。特别是对于基于生物的技术,这种选择可能促进经济运营,因为除了出售二氧化碳外,出售负排放证书也是可行的。案例研究1描述的评估方案因此有利于基于生物的技术。需要指出的是,目前还没有负排放证书的市场。然而,预计这种情况很快会发生变化(欧盟委员会,2024年)。除了负排放证书市场的存在外,其价格也是一个不确定因素。案例研究1假设证书的价格等于补偿二氧化碳排放的价格。所考虑的补偿费用基于德国的碳定价机制。由于假设存在二氧化碳运输管道,实际情况可能与此有所不同。尽管德国目前还没有这种规模的管道,但当前的规划活动表明这在中期内是有可能实现的。正如第4.3节所示,目标函数容易受到这些因素的影响。因此,如果这些因素中的一个或多个数据发生变化,最优解可能会随之改变。
还应提到的是,该研究关注的是可移动的生物质潜力,并使用了单一数据库,这可能忽略了巴登-符腾堡州可用的生物质资源(如林业废弃物)。由于计算生物质供应地区运输距离的方法存在不准确性,也出现了进一步的误差。应该创建一个包含精确坐标的数据库,或者需要改进NUTS-3区域内加权平均值的选取方法。然而,由于生物质运输成本对结果的影响相对较小(参见敏感性分析),作者认为这种简化是可以接受的。在这个用途案例中,生物质的可用性不是一个限制因素,因为更多较远的生物质资源仍未得到利用。因此,开发一种详细识别当地可用生物质的方法,并将相应数据整合到模型中,将有助于提高基于生物技术的经济性能。尽管如此,诸如负排放证书市场是否存在等框架条件仍然是更决定性的因素。
关于巴登-符腾堡州预期的氢气需求,采用了Kiemel等人(2024年)提出的渐进性情景。该情景假设去碳化的监管压力会增加,氢气生产技术将得到有利的发展,而高温热泵等替代技术的创新将停滞。这些带有不确定性的假设导致了氢气应用的增加,从而促进了氢在该州的高需求。虽然不保证完全性,但某些氢气生产技术在未来可能会变得可行,而这些技术在分析中被忽略了。
在分解目标函数时,可以看出某些项的贡献在结果中占主导地位。例如,在案例研究1的经济评估中就体现了这一点。虽然出售捕获的(基于生物的)二氧化碳不会带来利润(因为这些二氧化碳被储存起来并未被利用),但出售负排放证书和主要产品构成了总收入的最大部分(分别为23%和76%)。成本在初始投资(23%)、可变运营成本(28%)、依赖于生物质的可变运营成本(干燥、储存等——27%)以及固定运营成本(20%)之间分配得较为均匀。生物物质的运输成本(0.6%)和主要产品的运输成本(2%)对总成本的贡献较小。然而,需要指出的是,当供应对象位于更远的地方时,氢气运输的成本会显著增加。
在对案例研究1进行敏感性分析的过程中,确定了各项约束条件。经济评估中的活跃约束条件是第1、3、5和7条(见表3)。此外,对于某个特定设施来说,第8、9和10条约束条件也是有效的。在第28种情况下,第2条约束条件成立(时间t的需求地点);在第18种情况下,第4条约束条件成立(时间t的供应地区)。在生态评估中,第6条约束条件(在考虑的期间关闭两座设施)变得有效,第11条约束条件也成立,因为可用面积已被完全利用。第2条约束条件在44种情况下成立,第4条约束条件在100种情况下成立。关于各项约束条件的详细信息见补充材料的3.4和3.5段落。
由于当前模型的重点是向决策者提供透明且易于理解的结果,因此尚未采用随机方法。然而,考虑到数据库中的不确定性(如成本、氢气需求、生物质供应、排放强度等),未来的工作应该探讨是否采用随机方法和参数敏感性分析更为合适。在当前的设计中,可以通过调整输入数据来应对不确定性,从而进行低门槛的情景分析。虽然提出了一个有助于基于B2X系统的本地生物经济群落节点站点级设计决策过程的强大模型,但作者也意识到仍有改进的空间,主要体现在对所用数据的优化和不确定性建模方面。此外,还需要进一步研究以完善基于所用生物质类型推导生物基技术效率的方法(Kiemel等人,2025年)。
**6. 结论与展望**
B2X技术在提升生物基废物的价值方面具有巨大潜力。生物质在区域集群中的循环利用以及生物基工艺和产品在工业生产中的引入,对当地价值创造的环境影响具有重要意义。此外,通过减少对全球不稳定供应链的依赖,可以提高系统的韧性。然而,必须在具体情况下分析在特定地点引入B2X技术的可行性。因此,投资者、地方政府和企业需要根据地区特点提供深入的决策支持。基于运筹学方法的优化模型(如线性规划)是解决这一问题的有效工具。虽然已有用于生物经济基础设施规划的宏观经济模型,但在微观经济层面,特别是通过在特定地点安装B2X技术来设计本地生物经济群落节点的解决方案仍然不足。
本文提出了一个在时间和地点方面具有灵活性的通用优化模型。整合的、特定于地点的数据越可靠,模型的结果就越准确和有效。如果此类数据不可用或仅提供范围信息,该模型仍能支持低门槛的情景分析。结合模型的高定制性,可以考虑关于市场未来状况和框架条件(例如负排放证书的交易系统)的不同假设。该模型本身设计为可扩展到除氢气生产之外的其他B2X应用场景。未来计划在这一领域进行更多的研究,以最终提供更全面的生物经济群落节点规划工具。关于在特定地点安装哪些技术组合的决定,将不仅取决于氢气需求,还取决于其他资源(如生物塑料)的需求。
通过对巴登-符腾堡州现有公司地点的两个案例进行研究,验证了该优化模型的有效性。结果表明,在某些框架条件下,基于生物的氢气生产过程可以具有经济可行性。需要创新方法来提升二氧化碳的利用价值(例如,如案例研究1中所假设的负排放证书的存在)。这是可取的,因为如果将基于生物的二氧化碳视为净零排放,这些技术就有潜力从大气中去除大量二氧化碳。此外,该模型对某些参数(如可再生能源的可用性和成本)非常敏感。例如,在案例研究2中假设的低电价显著提高了电解技术的经济效率。
**CRediT作者贡献声明**
Steffen Kiemel:撰写——初稿、可视化、验证、监督、软件选型、资源协调、方法论设计、调查实施、形式化分析、数据整理、概念构建。
Yuanxin Song:可视化、数据整理。
Simon Gl?ser-Chahoud:撰写——审稿与编辑、监督、方法论指导。
Robert Miehe:撰写——审稿与编辑、监督。
Alexander Sauer:撰写——审稿与编辑、监督。