商业和工业电力消费者的零售电力成本与排放激励措施不匹配

《Environmental Science & Technology》：Retail Electricity Costs and Emissions Incentives Are Misaligned for Commercial and Industrial Power Consumers

　　

电气化正在推动美国商业和工业负荷的显著增长，但这种负荷增长的成本和范围2（Scope 2）碳排放影响对电力消费者和公用事业公司而言并不透明。研究人员（研究人员）提出了一套全面的美国基于价格的需求响应（即电价）数据集，适用于大型商业和工业消费者，以及基于激励的需求响应计划，从而能够直接与先前发布的边际排放因子（MEF）、平均排放因子（AEF）和日前市场（DAM）价格进行比较。研究人员通过开发离散数据的时间序列近似值并统一地理空间异构数据集，解决了这些数据集的结构不兼容性和碎片化问题。对整合后数据的分析揭示了需求侧能源灵活性的成本和碳排放激励在空间和时间上的显著异质性，强调了选址作为影响电力成本和范围2（Scope 2）排放的关键因素的重要性。研究人员还发现，在现有电价结构下，经济激励和排放激励普遍不匹配，这意味着电价正在激励消费更高碳强度的电力，并凸显了电气化在实现碳减排方面的潜在障碍。

**研究背景与问题**
电气化将能源消耗的排放和成本从范围1（Scope 1，现场一次能源消耗）转移到范围2（Scope 2，电网供应电力）。完全电气化在完全脱碳、经济高效的电力市场中消除了CO₂排放，并经济激励避免发电和输电约束的用电模式。然而，现实中，电网区域间和日内边际排放因子的显著差异模糊了电气化的减排效益，而复杂的电价结构使得用电模式优化更加困难。过去的研究已指出，在碳密集型或过载电网中，电气化可能增加CO₂排放和电力成本。在电网转型期间实现最佳电气化情景，取决于激励大型工业和商业负荷将消费从碳密集和电网受限（峰值）时段和节点转移。这样做具有显著的社会效益：美国能源部（DOE）识别出工业能源灵活性可避免50-350亿美元的电网现代化成本，减少高达60 TWh的可再生能源弃电，并到2050年每年减少4440万公吨CO₂-eq的碳排放。然而，对于提供这些能源服务的大型工业和商业负荷消费者而言，其收益更具挑战性，需要空间和时间上解析的电力批发价格、电价结构、基于激励的需求响应计划以及范围2平均和边际排放因子数据，而这些数据目前尚未以统一格式或位置提供。缺乏统一、机器可读的数据集，使得量化负荷转移的财务激励是否也激励范围2碳排放减少变得困难。经济学家已奠定理论基础，表明平均排放因子（AEF）是边际排放因子（MEF）的差代理，但许多研究仍仅依赖AEF。以往纳入MEF的研究集中于单一独立系统运营商（ISO）或单一客户类别。此外，关于成本和排放一致性的现有研究倾向于关注未来电网情景用于规划目的，而本研究聚焦于量化现有成本与排放的一致性，这是一个关键区别，因为电网预测包括电网规划杠杆，如投资新能源和退役老旧技术。本研究的方法允许在无需了解未来电网运行决策的情况下量化现有成本与排放的一致性。量化电力成本与碳排放的一致性还有助于确定负荷增长、负荷选址和负荷塑造的影响。美国预计因电气化和新需求（如数据中心）而出现显著负荷增长，但政策制定者缺乏全国性数据了解这种增长在何时何地实质性改变电网排放。工业和商业运营商也可利用空间时间解析的电力与排放数据来选址新负荷以最小化成本和/或利用能源套利机会。同样，这些数据对于确定设施电气化的成本效益、指导设施能源灵活性升级安装以及计算这些升级的能源性能特性（如往返效率、功率容量、能量容量）至关重要。此外，Borenstein和Bushnell发现电力定价过低与排放定价过高并不平衡，这意味着成本与排放之间负相关，但这种不匹配在全国范围内难以量化验证。电网运营商和公用事业委员会需要空间时间解析的成本与碳数据来评估基于价格（即电价）和基于激励的灵活计划设计。统一成本与排放数据对于确定立法指令在费率设定中内部化环境外部性（即发电碳排放）的有效性至关重要。现有成本与排放数据集有助于回答其中一些问题，但数据不兼容性和碎片化限制了其他问题的洞察范围和相关性。例如，AEF现在由美国能源信息署（EIA）报告，MEF可使用Siler-Evans等人的方法计算，批发市场成本与排放数据可从Grid Status和WattTime获取，OpenEI提供来自美国公用事业费率数据库（USURDB）的电价，近期学术工作汇编了适用于100个特定大负荷客户的电价并附有成本计算代码，最后，需求响应（DR）计划数据可从美国DOE获取。这些数据集的不兼容性限制了成本、碳排放及其一致性的时空动态分析。每个数据集由多样化的数据结构（离散、连续及其组合）表示，运行在不同时间尺度上（如定义时段最大值、区间平均值、边际信号）。例如，电价基于小时消费量的电费（energy charges）和基于账单期内最大消费量的需量电费（demand charges）。分时电价（TOU）具有多个离散（可能重叠）时段。基于激励的需求响应（IBDR）数据集更为复杂；每个计划具有独特的基线和支付程序，通常是非线性的。这种数据不兼容性使得量化激励结构之间的一致性变得困难。例如，以税收抵免形式对氢气生产的经济补贴，旨在实现难脱碳部门的净零目标，却可能增加排放。现有数据的碎片化进一步阻碍了电力成本与碳强度时空动态的全面全国性分析。即使数据在其他方面兼容（即可以用相同数据结构表示），也难以在同一地理或时间尺度上解析。例如，批发电力价格可能在节点级别可用，而平均排放因子由平衡机构报告。或者批发电力价格每15分钟报告，而排放因子每小时报告。除了地理和时间碎片化，一些数据集具有不同的客户分类（如住宅、商业或工业），而其他数据集聚合客户并报告单个值。总之，评估经济和排放激励结构依赖于整合跨越不同时空尺度的数据。虽然理论研究表明成本与排放激励不匹配，但过去的分析由于数据不兼容性和碎片化，难以提供关于成本与排放激励结构在何处、何时以及何种程度上一致的普遍性见解。作为变通，案例研究分析倾向于使用单一批发市场或电价结构来探讨一致性问题，但无法定量评估其相对于区域或国家电网的代表性。研究人员提出了一种新颖的数据整合方法，用于统一先前不兼容和碎片化的电力价格与排放数据集。然后，研究人员提供了一个全面的全国性电力成本数据集（电价和IBDR计划），该数据集与现有平均和边际排放因子数据兼容。最后，研究人员应用这一全国性电力成本与排放数据库，利用整合后的数据分析了激励措施的一致性。

**研究方法**
研究人员收集了范围2排放因子、批发和零售电力价格以及基于激励的需求响应（IBDR）计划的数据。边际排放因子（MEF）和平均排放因子（AEF）通过Siler-Evans等人的回归算法从历史电网运行时间序列（2023年）计算得到，并整合为月-小时平均值。平均排放因子（AEF）从美国能源信息署（EIA）获取，按平衡机构报告。批发价格采用日前市场（DAM）价格，数据从Grid Status、MISO和SPP网站收集。零售电价从美国公用事业费率数据库（USURDB）筛选出1,492个商业和工业电价，并转换为机器可读的时间序列格式，通过假定的1 MW平负荷曲线计算成本再平均分配。IBDR计划参数从美国DOE联邦能源管理计划网站收集，创建了激励需求响应计划参数（IDRoPP）数据集。通过月-小时平均法解决了时间碎片化，利用ISO地理信息系统（GIS）数据匹配电价经纬度解决空间碎片化。最后，对整合后的数据计算皮尔逊相关系数并分析峰值-谷值比。

**研究结果**
**数据集特征**：
通过分析2023年排放因子，发现平均排放因子（AEF）在月度间和日内变化显著，而边际排放因子（MEF）平均比AEF高50%，且区域间差异大，表明存在负荷转移和选址以降低碳强度的机会。

**批发和零售电力价格**：
研究人员整合了1,492个电价结构，发现夏季电价高于冬季，平均电费（energy charge）和需量电费（demand charge）分别为11.9 ￠/kWh和$9.65/kW（冬季为11.4 ￠/kWh和$8.36/kW）。电价灵活性激励有限，平均电费和需量电费峰值-谷值比分别为1.43和1.31。50%的电价具有单一电费层级。日前市场（DAM）价格与电价在峰值溢价上呈现不同模式，且DAM存在负电价，而电价严格为正。区域间电价差异显著，同一ISO内电价可相差100倍以上。

**基于激励的需求响应**：
研究人员创建了IDRoPP数据集，覆盖全美，主要集中在加利福尼亚州。事件持续时间集中在5小时左右，一次1小时DR事件可返回相当于500-2500小时电费的价值。

**电力价格与排放数据集整合**：
整合后数据显示，平均排放因子（AEF）与电价之间平均呈负相关，而边际排放因子（MEF）与DAM价格之间呈正相关。部分ISO的相关系数分布呈多峰，表明需要高时空分辨率分析。

**电力消费者的负荷转移激励**：
研究人员发现，电价的峰值-谷值比与AEF的相关系数无明确关系，表明零售电价并未有效激励减排。IBDR支付与成本-排放一致性也无明显关联，需求响应事件通常基于电网供应缺口而非避免高碳电力。此外，除CAISO外，高IBDR支付区域往往具有低电价峰值-谷值比，表明政策制定者倾向于通过IBDR或电价（PBDR）之一激励灵活性，但在CAISO中两者并存产生矛盾，导致负荷消费者在非DR峰值时段增加消费以提高基线，从而增加电网峰值负荷。

**讨论与结论**
该研究提供了全国范围内商业和工业电力消费者成本与排放激励一致性的分析。通过整合先前不兼容的数据集，研究人员发现MEF与DAM价格正相关，支持将批发价格作为MEF代理的研究；而AEF与电价负相关，意味着经济理性的零售消费者更可能增加而非减少电网排放。这种不匹配的根源因ISO区域而异，需要针对性市场与政策工具（如碳定价、排放导向的需求响应市场或电价设计）来纠正。研究还发现，负荷选址需考虑节点级信息，不同灵活性特征的负荷应选择不同区域：稳态负荷选址于低平均成本且排放信号一致的区域，高灵活性负荷选址于高峰值-谷值比且排放一致的区域，可完全或部分停机的负荷选址于高IBDR支付的区域。最后，研究方法可用于设计经济激励减排的电价和IBDR计划，并强调未来需量化IBDR参与的不确定性。研究结论：零售电力成本与排放激励在2023年对美国商业和工业电力消费者存在广泛不匹配，现有电价结构激励了更高碳强度的电力消费，突出了电气化实现碳减排的潜在障碍。