《Greenhouse Gases: Science and Technology》：A Review of Probabilistic and Novel Approaches to Cost Assessment in CCUS Projects
尽管可再生能源领域正在取得进展，但绿色能源的充分利用仍有很长的路要走。在此背景下，碳捕集利用与封存（Carbon Capture Utilization and Storage, CCUS）技术可充当高排放过去与低排放未来之间的临时桥梁。高成本，加之与技术、经济、政策及法规相关的不确定性和风险，是全球CCUS部署尚未达到国际能源署（International Energy Agency, IEA）设定目标的主要原因之一。传统的确定性方法提供单点估计值，能够初步描绘CCUS项目的轮廓。然而，概率性模型允许在考虑不确定性和投资灵活性的情况下进行项目评估。本综述旨在逐步审视CCUS项目中概率性经济模拟的实施方式。本综述首先阐述了不同研究中报告的不确定性来源，并将其分类为技术、经济和社会政治类别；随后，研究了如何使用随机过程、概率分布或基于情景的方法对不确定参数进行建模；最后，阐释了如何运用经济评估方法和概率性计算技术来模拟整个CCUS项目。以往的研究对CCUS不确定性和建模的讨论较为零散；然而，本文提供了一个用于在不确定性下对CCUS经济性进行建模的综合框架。在近期研究中，每项研究均采用特定的假设。因此，近期文献中的一个主要空白是缺乏一个能够实现模型间比较的标准基准框架。
1 引言
1.1 碳捕集利用与封存（CCUS）概述
近年来，以二氧化碳（CO2）为主的温室气体排放导致全球变暖加速和环境灾害加剧。风能、太阳能和核能等绿色能源在过去二十年取得了显著进展以应对环境问题。然而，由于工业和人口增长，全球能源需求也在增加，这使得可再生能源在未來几十年内无法完全替代化石燃料能源。CCUS是能够在传统化石燃料能源与完全可再生能源利用之间架起桥梁的关键技术之一。CO2最初用于提高原油采收率（enhanced oil recovery, EOR）以增加油气产量，如今它已成为名为CCUS的关键技术的一部分，旨在实现净零碳排放甚至负碳排放。
国际能源署（IEA）的目标是将本世纪全球温升限制在不超过2°C。与这一政策相悖的是，整体CCUS产能显著落后于IEA对2030年1024百万吨/年（Mtpa）的预测。除了高昂的碳排放成本外，地质封存容量评估不足、项目失败率高、资金和市场激励不足、法规和风险分担机制不完善等风险和不确定性是阻碍CCUS部署的主要因素。CCUS的未来在很大程度上取决于技术进步。例如，直接空气捕集作为一种新技术，能够直接从大气中吸收大量CO2。此外，许多研究聚焦于捕集技术的改进以提高成本效率。Liu等人（2022）提到，全球CCUS部署的理想时期将在2040年至2060年之间。这些延迟部署对气候的影响仍是悬而未决的问题。据Wang等人所述，许多大型CCUS项目在三十年前失败，这为投资者敲响了警钟。他们认为，尽管CCUS系统在从化石燃料向可再生能源过渡中发挥重要作用，但其部署可能陷入“技术死亡之谷”，从而引发财务风险并抑制投资。因此，CCUS项目的成功部署除了需要克服高成本障碍外，还需解决关键的社会接受度问题、建立制度和政策框架、管理环境和地质风险，并改善整个CCUS价值链中的组织协调。此外，考虑到地理、时间维度以及碳资源，地方与全球层面的协调对于实现CCUS目标至关重要。
完整的CCUS链包括碳捕集与压缩、运输、封存和利用。CCUS项目的第一步是CO2捕集与压缩，研究人员通常将捕集和压缩阶段一并考虑。在此阶段，CO2捕集技术主要分为燃烧后捕集、燃烧前捕集、富氧燃烧和直接空气捕集技术。尽管燃烧后胺法捕集和燃烧前天然气处理已处于商业阶段，但富氧燃烧和直接空气捕集在达到商业阶段前需要更多的中试项目。由于捕集是CCUS链中最复杂的部分，碳捕集成本主要取决于行业类型和烟气成分，捕集环节占CCUS项目成本的比例最高，超过60%。例如，天然气加工和合成氨厂等烟气中CO2浓度较高的行业，其捕集成本较低，因为捕集过程相对容易。相比之下，钢铁、水泥和常规煤粉电厂烟气中的CO2浓度通常较低，由于需要额外的分离和纯化步骤，捕集成本更高。因此，近期研究集中于使用更高效的溶剂、降低能耗惩罚、改进过程集成、优化纯化要求以及开发共享CCUS基础设施，以降低捕集成本，从而降低CCUS总成本。第二阶段是将捕集的CO2运输至利用设施或封存场地。碳运输成本取决于距离、压力、地形变化、质量流量和杂质参数。此外，运输成本是CCUS系统中第二高的成本。碳可通过管道、船舶、卡车和铁路系统运输。管道是运输二氧化碳的主要技术；然而，对于长达1500公里的距离，研究人员建议采用船舶运输。最后阶段是CO2封存或利用，代表着CCUS过程的最后一环。在封存方面，枯竭油气藏、咸水层、不可开采煤层和矿物碳化是主要策略。然而，封存成本可能因地质特征和场地位置而异。在利用方面，EOR尤其受欢迎，因为它能在CCUS链中产生可观的利润。EOR作业可提高油田采收率；油价、注入成本、注入井距和额外采油量等参数影响CCUS-EOR项目的经济绩效。因此，应根据项目是否具有正的净现值（net present value, NPV）或负的NPV来单独评估每个项目。此外，从环境角度看，额外采油产生的排放量应低于注入的CO2量，以使CCUS-EOR在环境上有利。进一步而言，将现有井重新用于CO2注入和监测的潜力可以显著降低EOR和封存成本。
1.2 确定性方法的局限性
确定性经济分析通常分为静态、动态和敏感性分析方法。静态方法不考虑货币的时间价值，而动态方法则考虑。敏感性分析仅处理了有限视角的不确定性。许多研究聚焦于确定性技术经济分析（techno-economic analysis, TEA）。例如，Subramani等人使用TEA方法进行CO2捕集溶剂评估。相比之下，Lee等人指出，确定性TEA方法无法分析时变的不确定性。
确定性方法与概率性方法的主要区别在于概率性方法处理不确定性的能力。CCUS项目很可能面临多种不确定性和较长的投资回收期；因此，概率性方法可以产生更精确的结果。确定性方法在不确定性下可能提供不切实际的项目估值。例如，这些方法可能会拒绝现金流较低但对公司有价值的项目。在另一项研究中，Aras等人发现，确定性方法在纸面上看似能降低成本，但在实践中，由于错误的假设，它们常常失败。具有显著不确定性和风险的CCUS项目必须在一系列可能值的范围内进行评估，以确定项目的可行性。
不确定性通常源于数据缺乏或数据限制。Zhang等人提到了CCUS数据的局限性，并建议未来的研究应使用更新的实际项目数据以减少不确定性。CCUS项目涉及巨大成本和广泛的不确定性，涉及多个利益相关者，这阻碍了其实施。CCUS投资具有不可逆性、收益不确定、技术经验有限和政策依赖性强等特点，使得传统的确定性方法无法充分捕捉不确定性下的投资灵活性。此外，传统的确定性方法通过假设“现在或永不”的选择来过度简化投资决策。
1.3 论文范围与结构
本研究的重点是概率性方法在CCUS经济分析中的应用。最初，研究人员在许多研究中使用各种关键词来寻找CCUS技术、经济学和数学模型之间的联系。图1以完全图的形式描绘了这些关键词之间的关系。红色关键词在综述的研究中经常出现，而蓝色和绿色关键词分别显示重要性递减。对这些关键词的综述有助于确定CCUS项目概率性经济评估的结构，下一节将更详细地介绍该结构。
图2展示了通过关键词分析得到的CCUS项目经济分析概率性框架。例如，表A1中提到的研究使用类似的框架来建模CCUS项目。不确定性来源被分为技术、经济和社会政治因素。识别这些不确定性来源对于准确的不确定性建模至关重要。时变数据，如石油、碳、电力、氢气和燃料价格，应使用随机方法进行建模，而不确定的技术和经济参数通常使用概率分布进行建模。此外，参数可以使用基于情景的方法进行建模。在对不确定因素进行建模后，它们可以作为经济评估指标中的输入变量。然后，应用计算工具在多次迭代中计算这些指标并产生概率性结果。例如，如果选择NPV作为经济评估指标，则NPV可以写成不确定参数的函数。在第一阶段，对每个不确定参数（X）进行建模，然后将其代入NPV公式。最后，使用计算分析工具评估NPV公式以获得结果。
在本文中，第2节讨论了项目评估中的不确定性来源，并研究了CCUS项目中考虑的不确定性。第3节介绍了用于建模不确定因素的方法。由于概率分布方法不在本综述范围内，本节仅涵盖随机和基于情景的模型。CCUS项目的经济分析可以使用各种指标进行；然而，本研究重点关注净现值（NPV）、实物期权分析（real options analysis, ROA）、成本效益分析（cost–benefit analysis, CBA）和风险调整贴现作为概率性方法中使用的主要工具。第5节回顾了以往研究中使用的分析和计算工具及概率性方法。最后，第6节讨论了所综述研究的优势和局限性。
2 不确定性来源
CCUS项目通常具有高成本，而CO2利用以及激励措施可以产生利润。在这方面，CCUS项目创收的主要方法之一是将CCUS与EOR项目整合，这有助于降低CCUS的整体成本。在许多项目中，即使EOR收入也不够，需要碳税或激励措施才能使项目可行。因此，CCUS链的高成本和不确定性会降低投资者对CCUS未来的信心。因此，清晰理解这些不确定性是迈向更好决策的重要一步。概率性经济分析的第一步是识别不确定性的主要来源。
CCUS项目的发展存在技术、经济、社会和法律的障碍，这些是这些项目中不确定性的主要来源。关于高成本障碍，Szolgayova等人指出，企业可能更倾向于支付CO2价格上限，而不是使用减排系统。除了这些障碍之外，每个项目都有必须解决的独特挑战。例如，在北海部署CO2-EOR项目作为利用选项，将涉及对项目结果有强烈影响的储层和采收率不确定性。同样，在中国，调峰约束、封存评估有限和监管延迟等额外挑战可能会阻碍CCS技术的推广。Oda和Akimoto将不确定性来源大致分为技术、经济和社会三类。然而，本研究中的不确定性来源被归类为技术、经济和社会政治。之所以采用这种不同的分类，是因为社会和法律不确定性与政策、法规和项目许可相关而合并为一个类别。
不确定性会增加项目成本，因为在CCUS项目规划和开发过程中可能做出不当决策。事实上，不确定性可能出现在CCUS链的不同阶段，影响实施和经济绩效。例如，van der Spek等人使用谱系和敏感性分析的组合检查了早期CCUS项目的不确定性来源。他们发现设备尺寸假设、成本估算方法和系数化方法是变化的主要来源。表2总结了研究中的不确定参数及其变化范围，其中碳价和燃料价格是报告最频繁的变量。
3 不确定参数建模
进行概率性分析的第二步是为不确定参数建立稳健的模型。概率分布方法使用统计数据来识别不确定参数的分布，这不在本研究的范围内。因此，本综述涵盖了不确定参数的随机和基于情景的建模。诸如油价和碳价等一些参数在经济评估中随时间变化，随机模型可用于预测这些时变参数。
3.1 随机建模方法
3.1.1 几何布朗运动（GBM）与均值回归过程（MRP）
碳价在决策中起着至关重要的作用，并作为经济指标的输入。几何布朗运动（Geometric Brownian Motion, GBM）可用于模拟CCUS系统中的未来碳价。GBM是一种随机游走随机过程，通过假设独立的价格变化、恒定的波动率和价格的对数正态分布来模拟金融变量的不确定性。GBM可以预测未来资产价格，如油价、碳价、氢价和甲醇价格。
碳价的上涨可能作为促进CCUS项目投资的触发因素；因此，精确预测碳价对于明智决策至关重要。GBM随机过程公式为dS = μSdt + σSdW，其中μ是碳价的漂移率；σ是其波动率；dt是时间增量；dW是标准维纳过程增量。初始碳价设定为碳市场的当前碳价。表3总结了研究中使用的上述参数。这些参数可以通过历史数据计算得出，用于确定这些参数的时间范围可能会影响参数值。
漂移和波动率参数可以使用历史市场数据进行调整，但政策、市场状况、碳排放交易体系（Emissions Trading Scheme, ETS）和法规等因素在GBM中仍未得到充分考虑。此外，碳价不遵循正态分布，具有厚尾特征，表明GBM的主要假设是不现实的。而且，在现实条件下，碳市场价格在一年内可能变化超过100%，CO2价格可能在违反GBM假设的时期出现跳跃。Qi和Wang在传统GBM方法的基础上增加了跳跃扩散和分数布朗运动，以更好地捕捉碳价动态并解决这些问题。尽管存在上述局限性，GBM仍被用作碳价预测的基准。GBM可以将碳价估算风险降低35%，并提供碳价的概率范围；该方法的准确性取决于市场状况和市场波动性。
如果商品在长期内具有回归均衡或平均水平的趋势，则均值回归过程（mean-reverting process, MRP）模型可能有效。此外，MRP模型用于CCUS经济分析中描述油价、电价、碳价以及其他在短期内存在随机波动的商品价格。
研究人员通常使用GBM模拟未来碳价，而Zhu等人使用MRP模型，因为他们认为价格在较长时期内通常会回归均衡。根据Jaimungal等人所述，GBM模型允许价格无界漂移，而MRP模型可以更好地考虑供需、成本压力和均衡趋势。因此，这些特性使MRP模型更符合现实。
3.1.2 跳跃扩散模型
传统模型如GBM可以表示连续波动，而跳跃扩散模型可以考虑由重大新闻或危机引起的价格突然变化。Qi和Wang提到碳金融资产价格呈现重尾、高峰和突然跳跃的特征，这与GBM模型的假设相矛盾。跳跃扩散模型结合了布朗运动和泊松过程。因此，跳跃扩散方法可用于捕捉碳价的突然冲击。跳跃扩散公式为dS = μSdt + σSdW + κ?SdP? + κ?SdP?，其中μ是漂移率，σ是波动率，dW是布朗运动，dP?和dP?是泊松跳跃过程，κ?和κ?是向上和向下的跳跃幅度。
在该方程中，扩散分量代表市场波动，而跳跃表示突然的价格变化。因此，这种方法更适用于不连续的时间序列。跳跃扩散可用于通过考虑政策变化、技术进步和经济中断来预测碳市场的碳价。在CCUS-EOR系统中，油价是收入来源，一些研究考虑了不同的油价情景以确定这些项目的可行性。这些研究考虑了固定的油价情景；然而，跳跃扩散模型可用于使模型更符合现实。
跳跃扩散方法计算成本高，并且需要高质量的数据进行校准。在校准参数时，跳跃频率难以准确估计。此外，该模型无法捕捉波动率聚集现象，因为它假设参数是独立的。尽管存在这些局限性，跳跃扩散方法可能比GBM和MRP方法更适合CCUS项目决策，因为它可以更准确地预测碳价。然而，Dutta表明，碳市场的跳跃应谨慎解读，因为它们可能是由异常值引起的，在修正后可能变得不显著。此外，Zhao等人建议应分别考虑不确定性来源以提高模型准确性。
3.2 基于情景的参数建模
基于情景的建模是指使用预定义的情景（如低、基准和高案例）来简化不确定参数的建模。例如，Ng等人考虑了三种情景来模拟东南亚近海CCUS系统中的CO2价格。此外，其他情景集，如参数范围，也经常用于CCUS研究的经济评估。政策和法规参数也可以使用诸如含补贴和不含补贴案例等情景进行分析。该方法已反复用于以往CCUS经济评估中的不确定参数建模，表4列出了一些其他的情景应用。
4 经济评估
4.1 净现值
CCUS项目的经济评估存在不同的指标，其中净现值（NPV）是研究人员常用的指标。基于NPV的决策很直接；正的NPV对投资者有吸引力。常规NPV未直接反映减排的环境效益。这意味着即使项目具有环境效益，负NPV的项目也不具吸引力。此外，当将大型CCUS项目与较小项目进行比较时，具有较高NPV的较大项目可能看起来更经济。然而，较小项目的归一化NPV可能更高，这意味着其经济效率更高。因此，为解决此问题，NPV通常辅以平准化指标，如平准化能源成本（levelized cost of electricity, LCOE）、CO2避免成本、平准化捕集成本（levelized cost of capture, LCOC）和平准化封存成本（levelized cost of storage, LCOS）。此外，不同寿命的项目可以使用年金分析进行比较，其中NPV可以使用公式转换为年金值。
LCOC、LCOE和CO2避免成本参数是捕集系统分析中的基准指标。这些指标的一个应用是在不同捕集技术之间进行选择。例如，Guven和Ozgur Kayalica使用LCOC指标评估了单乙醇胺（MEA）、钙循环（CaL）和富氧燃烧技术的经济可行性。类似地，Roussanaly等人使用LCOE和CO2避免成本对不同捕集技术进行经济评估。此外，这些指标可用于分析捕集系统内的特定组件，如材料或整个捕集过程。
在一些研究中，整个CCUS系统的NPV被视为评估指标。例如，Han等人使用基于蒙特卡洛的Sobol敏感性分析来识别整个CCUS系统中影响最大的技术和经济参数。类似地，Gallego Dávila和Aagesen评估了水泥行业全链系统的NPV，结果表明在假设条件下实现正NPV的概率很低。此外，Nie等人关注全CCUS链的减排成本，而诸如[75, 88]等研究通过使用NPV作为经济指标来考虑盈利性方面。这种方法的主要局限性在于将所有成本项合并为单一参数可能会降低决策的透明度；例如，当NPV为负且碳价较低时，CCUS项目对投资者不具吸引力。然而，投资者可以等待，直到碳价、政策条件或技术成本发生变化，使项目实现正NPV。在这些情况下，实物期权可以作为一个强大的决策工具，因为它们捕捉了不确定性下等待的价值。
4.2 实物期权分析
实物期权分析（ROA）是一种系统性的决策方法，应用期权理论对不确定性下的实物资产进行估值。这些期权可能包括关闭项目、寻找最佳时机、扩张、收缩、转换、复合或放弃项目的管理灵活性，以保护公司的权利。ROA可以捕捉等待的价值，这在CCUS研究中很有价值，因为投资规模大且不可逆，不恰当的决策可能导致巨大损失。ROA不是作为确定性策略的替代品，而是作为进行合理性检查的手段。ROA的估值通过动态规划（dynamic programming, DP）、偏微分方程（partial differential equations, PDE）、格点模型、模拟和模糊集技术进行。在这些模型中，DP和格点模型是研究人员在离散和连续时间模型中常用的方法。
在格点模型中，二叉树模型在每一步考虑两种可能的情况（上涨/下跌），而三叉树模型具有上涨、下跌和保持不变选项。例如，Xiang等人在其模拟中考虑了立即投资、延期投资和放弃投资机会。在每个节点，使用公式计算每种可能移动的概率，然后将每个分支与其他分支进行比较，以确定价值最高的决策。三叉树提供了资产价格运动的现实表示，实现更快的收敛，并且由于其自然的重组结构更易于实现。
DP和PDE是用于求解实物期权模型的分析工具。相比之下，格点和模糊方法是数值方法，有助于随时间对期权进行估值。DP概念应用贝尔曼方程在投资和等待选项之间进行选择，从而确定最佳投资时机和阈值。DP和格点模型可以通过识别理想投资时间来评估未来机会，而蒙特卡洛方法不太适合确定最佳投资时机。由于投资的不可逆性、未来的不确定性以及选择合适的投资时间的需要，延迟投资决策至关重要。
ROA可以为模型增加不确定性和管理灵活性。然而，不正确的模型输入会降低ROA的准确性。例如，在许多情况下，现实世界中的CCUS不确定性被简化为有限的参数，这可能导致代价高昂的决策。表5展示了使用上述估值方法的各种CCUS投资研究。
4.3 概率性成本效益分析（PCBA）
在概率性成本效益分析（Probabilistic CBA, PCBA）模型中，成本和收益都被视为具有已知均值和方差的随机变量以反映不确定性。该方法可以估算一个项目在投资上比另一个项目经济性更好的概率。该方法可以将不可量化的不确定性（如社会和环境参数）通过转换为经济价值纳入模型。例如，van der Zwaan和Gerlagh从社会和环境角度进行了PCBA，比较了减缓气候变化的成本与避免气候损害的效益。在该方法中，计算效益-成本比小于给定值的概率，结果可以表示为概率分布。
确定性CBA方法比概率性方法更受欢迎，并且利用PCBA进行CCUS的研究有限。然而，Humphries Choptiany和Pelot以及Wei认为，传统的CBA方法不足以评估复杂的CCUS能源系统。此外，PCBA方法的主要局限性在于所有效益被汇总为单一净效益，参数之间的重要性权衡会丢失。用于将定性不确定性转换为经济价值的假设是另一个局限性，因为它们对结果有强烈影响。
4.4 风险调整贴现
风险调整贴现率（risk-adjusted discount rate, RADR）方法涉及修改传统贴现率以考虑风险，从而提供更现实的现值预测。风险可以通过两种方式纳入计算。第一种方法根据风险水平向上或向下调整贴现率。例如，Cherbonnier和Gollier以及Prabawa和Hakam应用了这种方法，并提出了一种估算新RADR的方法。该方法的主要局限性在于它认为风险随时间保持不变，而Rohlfs和Madlener的研究将π视为时间的函数，以调整电价、CO2证书价格和CCS成本的风险。此外，Frederick van der Ploeg使用风险厌恶和波动率开发了更先进的风险调整框架来模拟碳价。
第一种RADR方法的主要局限在于风险溢价参数基于个人判断，这可能导致不正确的项目估值。此外，由于不同风险被聚合为单一风险溢价参数，每个不确定参数的影响是未知的。
第二种方法涉及对现金流应用概率加权调整。例如，Sethi等人应用第二种方法通过考虑每个情景概率的随时间变化曲线来模拟CO2封存失败风险。第二种方法的主要局限性在于其对情景概率假设的强烈依赖。
5 概率性经济模型分析工具
5.1 蒙特卡洛模拟
在该方法中，不确定输入参数通过从指定的概率分布中随机抽样进行选择，从而产生诸如NPV和归一化NPV等结果的分布。蒙特卡洛模拟的第一步是建模不确定参数的分布。Hawer等人开发了一个流程图，通过将数据与最合适的数学分布相关联，帮助为不确定值选择最合适的分布。例如，正态分布假设变量参数以均值为中心，而帕累托分布考虑过度损害或不平等结果的可能性，例如风险事件。类似地，Caesary等人使用帕累托分布来计算碳的社会成本并代表CCUS项目的社会经济条件。当历史数据不可用时，Han等人建议使用均匀分布，因为它为不确定参数分配相等的概率。相比之下，Blondes等人推荐使用三参数beta-PERT分布来评估自然资源。总体而言，大多数研究假设不确定输入参数服从正态分布，近期研究越来越多地在不确定性分析中使用蒙特卡洛模拟。第二阶段是运行模拟，其中基于输入概率分布选择一个随机值，并在每次迭代中计算输出函数。迭代次数越高，结果的概率分布越准确。
二叉树和三叉树方法可以对低维变量进行建模。当不确定参数数量较多时，蒙特卡洛方法提供了更好的建模灵活性。此外，该模型常用于CCUS项目的可行性评估、投资风险分析、技术比较和政策决策。然而，该方法的主要挑战在于选择代表输入不确定性的分布，因为不恰当的分布会导致误导性结果。研究通常使用5000至10000次迭代来模拟模型。
5.2 随机与鲁棒优化方法
CCUS系统优化目标通常是最大限度地降低项目总成本和CO2排放或最大化项目总收益。随机规划、机会约束优化、鲁棒优化和多目标优化是CCUS经济分析中常用的主要优化方法。
随机规划优化是一种考虑未来情景以在不确定性下实现最佳性能的决策方法。在该方法中，未来的不确定参数（如碳价、燃料价格和碳税）使用不同情景进行定义。然后为每个情景分配一个概率，总成本优化反映了未来条件下的预期性能。Lei等人使用该方法模拟了现实项目条件，包括设施故障情景和设施调整，以开发弹性系统。此外，该方法还可以通过连接长期规划和短期运营决策来考虑CCUS供应链中的不确定性。
机会约束优化方法考虑了必须以特定概率满足的约束。这意味着决策者应选择他们能接受的风险程度。高风险项目可能成本更低，但安全性较低；相反，低风险项目可能增加成本和项目安全水平。因此，决策者可以平衡风险与成本效益。例如，Wu等人和Wang等人的研究将1%、5%和10%的概率视为低、中、高风险约束。该方法的主要局限性在于计算概率和导数很困难，尤其是当系统是非线性的时候。
鲁棒优化通过考虑最坏情况而不是依赖精确的概率分布来解决不确定性问题。该方法构建一个描述不确定值可能范围的不确定性集合。然后，优化确保所选设计在该集合内的所有实现下都具有可接受的性能。很少有研究将这种方法用于综合CCUS经济分析，他们通常将这种方法分别应用于CCUS的各个部分，如CO2捕集、CO2管道运输和CO2封存。这可能是因为鲁棒方法较为保守，可能使项目成本估算高于预期。目前，CCUS项目的高成本是主要障碍之一；如果加入这种方法，投资者对这些项目的兴趣可能会降低。CCUS项目是长期项目，不当的决策可能导致代价高昂的后续修改。在这些情况下，鲁棒方法能有效支持更好的决策。
多目标优化是CCUS系统设计中的主要方法。它通常旨在同时优化两个目标，如经济和环境绩效。多目标优化通常呈现帕累托曲线，描绘了最优解。为了做出最优决策，目标之间通常需要权衡，需要折中解。从帕累托曲线中选择最佳解是该方法的主要挑战，因为它取决于决策者的偏好，并且可能因决策者而异。
5.3 机器学习和人工智能方法
人工智能（artificial intelligence, AI）和机器学习（machine learning, ML）的应用可以显著改善CCUS系统的经济评估。经典优化方法在建模整个CCUS系统时通常难以处理。因此，ML方法可以有效处理大规模CCUS系统。ML和AI方法在CCUS经济研究中使用较少，这可能是因为许多CCUS技术仍处于研究阶段。目前，大多数ML和AI研究集中于ML在碳捕集、运输和封存的技术方面的应用，而对CCUS经济方面的关注较少。然而，一些研究已将ML应用于经济部分。例如，强化学习（reinforcement learning, RL）已被用于评估CCUS部署的实物期权。RL是一种分析工具，可以解决ROA中涉及多种不确定性的复杂问题。RL模型有助于识别CCUS项目中的投资时机、运营灵活性和资产估值。此外，RL模型可以模拟价格的突然跳跃和波动，并可用于解决GBM模型的局限性。综合评估模型用于估算碳的社会成本，但这些模型计算成本高昂，因为它们涉及许多复杂参数。因此，使用支持向量机（support vector machines, SVMs）生成一个快速预测模型，可与模拟模型一起使用。ML方法也用于CCUS系统的TEA，主要作为系统技术部分的模型。
近年来几项关于ML和AI在CCUS中应用的可获取研究被综述，以识别使用这些模型的研究。研究结果表明，与在其他领域的应用相比，ML在CCUS经济评估和未来预测中的应用仍然有限。这可能是因为CCUS项目在商业规模上尚不成熟，并且缺乏开发精确ML模型所需的大量CCUS经济数据集。此外，由于场地特定特征，ML模型可能缺乏泛化能力。
6 研究空白与未来方向
尽管确定性方法使用固定假设估算碳价，但Oda和Akimoto表明，不确定性因素可能导致企业延迟投资决策并等待最佳时机。相比之下，概率性方法为分析CCUS项目中的风险和不确定性提供了强有力的途径。此外，这些方法的优势包括可以同时评估多个不确定参数。因此，概率性方法为政策制定者和企业管理者在不确定性下制定战略提供了更好的见解。例如，Leonzio等人揭示，概率性方法的结果可能并不总是与确定性方法的结果有显著差异。此外，它们的弱点还包括当考虑多个随机参数时的计算复杂性和解释困难。为解决解释问题，Welkenhuysen等人使用了两个额外的情景，并将随机变量改为固定变量以理解参数的影响。CCUS项目经济分析的主要空白之一是CCUS项目不同部分的数据有限。Ng等人和Zhang等人指出，近海CCUS项目不同部分的数据不足会限制项目评估。此外，模型中的输入参数通常被认为是独立的，而实际上这些参数可能相互影响。例如，当燃料价格上涨时，电价预计也会上涨。研究人员主要关注线性方法，而CCUS项目中的不确定性通常需要解决非线性问题。模型通过考虑基于情景的不确定参数建模中的一些情景来简化不确定性，但它们没有指明每个情景的概率，这会影响决策的准确性。大多数研究将CO2和燃料价格视为不确定因素，但考虑整个CCUS系统中所有技术、经济和社会政治不确定性的研究有限。经济评估指标是CCUS经济分析的核心；然而，它们的解释可能并不总是直接明了。NPV对未来的成本（如监测和井封堵成本）进行贴现，这使得这些成本与项目早期成本相比显得很小。因此，这些长期成本参数可能在CCUS项目中被低估。ROA方法的主要局限性在于它使用复杂的数学方法，计算成本高；因此，研究简化了现实的不确定性并集中于有限的参数。大多数ROA研究集中于最佳投资时机，而放弃、复合、设计、运营、增长和障碍等其他期权受到的关注有限。以往研究主要关注CCUS项目的成本，而PCBA可以为模型增加效益。尽管PCBA在将环境和社会不确定性纳入经济框架方面具有巨大潜力，但它尚未在CCUS项目中成为主流。此外，未来的研究可以将PCBA作为目标函数，并使用优化工具寻求最优策略。RADR方法在CCUS项目评估中的应用有限；这可能是因为这些项目的时间跨度长。在较长的时间跨度内，现金流的现值会减少。因此，当将短期项目与长期CCUS项目进行比较时，基于RADR方法，长期项目可能显得不具吸引力。未来的研究应考虑RADR方法的这一局限性，并开发混合模型来评估CCUS项目中的不确定性。
蒙特卡洛方法已被用作不确定性评估的主要分析工具。蒙特卡洛方法是一种前瞻性方法，在覆盖动态不确定性方面存在局限性。因此，包括蒙特卡洛与期权相结合的混合模型可以使决策更符合现实。优化工具也有助于投资者改进决策。随机规划方法可以比确定性方法更现实地预测未来。然而，该方法的主要局限性在于它需要准确的数据和情景。此外，当情景数量增加时，求解模型的计算成本可能会变得很高。以往的多目标优化研究通常在其模型中考虑两个目标函数。然而，缺乏同时考虑经济、技术、社会和环境等多于两个维度的模型。近期文献通常使用确定性参数在CCUS系统中进行多目标优化。这是因为整个CCUS系统的多目标优化本身就比较复杂，当向系统添加不确定性时，可能会发生计算爆炸。未来的研究可以考虑这些不确定性，并使用分解方法和情景削减来管理模型的复杂性。机会约束方法的主要局限性在于它不考虑每个约束违反的严重性。例如，如果井泄漏的约束设置为5%，而实际上发生了这5%的情况，后果可能是灾难性的。因此，在这些情况下，未来的研究可以将约束违反的严重性添加到模型中。ML分析工具是强大的模型，但仍处于早期阶段。在ML模型中，当不确定参数的数量增加时，模型的稳定性会下降。未来的工作可以专注于在保持稳定性的前提下向模型添加更多不确定参数的结构。
大规模CCUS系统计算成本高昂，而研究通常使用简化假设以加快计算速度。然而，未来研究应检验这些简化模型的准确性以加强模型。此外，缺乏用于CCUS项目经济评估和比较的基准框架，因为每个项目都有不同的假设，这使得模型比较和决策变得困难。混合方法最近因其能提供更准确和实用的预测而受到更多关注。近期CCUS研究将优化工具与概率性方法联系起来，这可以提供对项目更精确的视角。类似地，Ng等人和Han等人提出，采用混合方法可以兼顾计算效率与准确性。此外，Yang等人将概率性和分析方法相结合，构建了更稳健的不确定性评估模型。Wu等人建议，CCUS经济评估因场地而异，通常缺乏普适性。此外，由于各环节之间的相互关联，一个环节的失败或成功会对项目的其他经济环节产生连锁效应，而研究通常忽略这一点。因此，应为每个案例开发特定于项目的模型，以期为投资者提供更切合实际的投资环境。
7 结论
本研究讨论了CCUS概率性经济分析框架的不同组成部分。研究结果表明，碳价、燃料价格和电价是文献中最常考虑的不确定参数。这些不确定性通常使用随机过程、概率分布和基于情景的方法进行建模，然后作为经济指标的输入。整个系统随后使用蒙特卡洛模拟、优化方法或ML分析工具进行分析。蒙特卡洛模拟是研究人员广泛使用的主要工具，因为它可以处理不同的不确定参数并生成概率性结果。ROA方法常用于寻找最佳投资时机，而优化方法为系统级决策提供了有用的见解。相比之下，PCBA和RADR在CCUS经济模型中的应用较少。大多数研究只考虑有限数量的不确定参数，而CCUS链中还存在更多的不确定性来源。此外，模型输入参数通常被认为是独立的，尽管这些参数在实际项目中可能相互影响。另一个重要的局限性是每项研究使用不同的假设，仍然没有用于比较模型和结果的基准框架。此外，大规模模型通常被简化以减少计算费用，这可能影响结果的准确性。最后，未来的研究应转向混合模型和针对特定区域的特定项目系统级模型，这些模型结合概率性、优化和数据驱动的方法。此类模型可以为在不确定性下评估CCUS项目提供更现实的基础，并有助于投资者、政策制定者和项目开发者做出更好的决策。
