2020, Vol. 12
2. 华中科技大学能源与动力工程学院, 湖北武汉 430074;
3. 上海交通大学国际与公共事务学院, 上海 200030;
4. 伦敦大学学院, 英国伦敦 WC1E7HB;
5. 山东大学蓝绿发展研究院, 山东威海 264209
2. Energy and Power Engineering School, Huazhong University of Science and Technology, Wuhan 430074, China;
3. School of International and Public Affairs, Shanghai Jiao Tong University, Shanghai 200093, China;
4. The Bartlett School of Construction and Project Management, University College London, London, WC1E7HB, UK;
5. Institute of Blue and Green Development, Shandong University, Weihai 264209, China
汞是一种全球性污染物，对人类和自然环境构成了严重威胁。研究表明：大气汞对神经系统和心血管系统造成严重危害[1]。中国是汞排放量最大的国家，贡献了全球总排放量的1/3[2]。鉴于中国严峻的汞污染形势，全国人大常务委员会于2016年正式批准了《关于汞的水俣公约》（以下简称《水俣公约》），标志着大气汞污染控制已经上升为国家意志。燃煤电厂是中国大气汞污染的主要来源之一。2012年，我国大气汞排放量为749.5t，燃煤的贡献约为21%[3]。因此，《水俣公约》也将燃煤汞排放列为重点管控对象。针对严峻的煤电汞污染形势，我国出台了多项政策，如《燃煤电厂大气污染物排放标准》和《重金属污染综合防治“十二五”规划》，以减少大气汞等污染物的排放[4]。辨识汞排放驱动因素，准确预测汞排放量，不仅可以为未来减排政策的制定提供依据，还可以为汞排放预警提供重要参考。辽宁是我国煤炭消耗大省，其燃煤电厂汞排放位居全国前列[5]。因此，本文选取辽宁省为研究对象，揭示其煤电汞排放的主要驱动因素，预测不同政策路径下煤电汞排放趋势，以期为制定科学合理的区域煤电汞减排政策提供科学参考。
1 文献综述识别污染物排放的驱动因素是节能减排政策实施的基础。然而，目前驱动因素的研究主要集中在CO2 [6, 7]和SO2 [8]等常规大气污染物，缺乏针对汞排放的因素分解研究。Meng等[9]探究了人均出口量、排放强度、生产结构和出口贸易结构等因素对南南贸易中隐含碳排放的影响，发现我国2004—2011年的出口碳排放增长量中超过60%是由人均出口量的变化引起的。刘满芝等[10]利用LMDI模型分析了末端治理力度、煤炭消耗、能源强度、经济增长等因素对我国大气污染物的减排效果。Liang等[11]对我国1992—2007年的人为源汞排放进行驱动因素分析，结果显示人均GDP的变化是汞排放增长的主要驱动力。
在大气污染预测方面，现有的研究主要从两个角度进行分析。第一类主要采用情景分析，对空气质量目标、污染物控制政策等约束下的污染物排放进行评估，为污染物减排政策提供重要参考。联合国环境规划署[12]探讨了2020年污染物控制技术和全球大气汞排放之间的关系，其中最佳可行技术情景的汞减排潜力最大，其大气汞排放较2005年下降了54.7%。惠霂霖等[13]具体分析了我国燃煤部门在不同能源和污染物控制情景下的大气汞排放，发现与无控制情景相比，2017年调整能源结构能有效减少33.9t的大气汞排放。吴清茹等[14]针对有色金属冶炼行业的大气汞排放，设定了精矿消费量发展、大气污染控制和污酸污染控制12种情景，结果显示2030年低精矿消耗与加严控制的组合情景具有最大的汞减排潜力。Wu等[15]通过对我国2020—2030年五类大气汞排放源进行情景分析，发现对汞减排贡献最大的来源是燃煤电厂和工业燃煤锅炉。Liu等[16]探究了气象变化和汞控制政策实施对我国2013—2017年大气汞浓度的影响，发现控制政策的实施对汞浓度减少的贡献率达到了90.6%。
第二类研究则是通过建立数学模型具体分析了大气污染物的历史排放规律，预测未来排放趋势。Stern等[17]的研究表明，1990—2025年全球二氧化硫排放量随着经济的发展而持续增长，到2025年预计排放量将达到118.1万t。刘晨[18]通过探究气象要素与大气污染物浓度之间的关系，预测SO2、CO和NOx的浓度值，发现污染物浓度的预测结果与风向呈显著相关。Dai等[19]利用灰色模型和蛙跳算法分析了1990— 2016年9种社会经济要素与我国CO2排放之间的灰色关联度，并且对2018—2025年的碳排放量展开预测。张成等[20]探究了重庆人为源大气汞排放的动态变化规律，基于此估算2015年汞排放将达到30.9t。李嗣同[21]通过微分方程估算我国2013—2017年的废气污染物排放量，结果显示2017年合计排放SO2、NOx和粉尘7461.4万t，表明我国减排任务依然严峻。Jensen等[22]构建了燃煤电厂的神经网络模型，并通过对76个燃煤锅炉的燃煤特征、烟气控制系统技术参数进行训练，预测汞排放量，结果精度高达0.975。
通过不同角度的文献梳理，发现相关研究还存在以下几点尚待完善：首先，现有驱动因素研究和大气污染预测大多集中在国家层面，特定省份的汞排放研究较为缺乏。由于我国各省份在人口、经济、能源结构和技术水平等方面存在较大差异，简单套用国家层面的驱动因素和汞排放预测研究来指导省（区、市）一级的汞减排工作可能会产生“南辕北辙”的后果。此外，当前汞排放预测研究主要是基于空气质量标准、污染物控制政策等约束条件估算污染物排放量。然而，随着时间推移和经验的积累，电力行业在结构、技术、管理等方面不断进步，势必会对排放预测造成一定的影响。因此，仅考虑一个或几个因素，可能会影响预测的准确性。为了解决上述问题，本文以辽宁省煤电行业为例，通过梳理电力行业发电量、装机容量和煤炭消耗量等数据，编制2006—2017年煤电汞排放清单，并在此基础上构建环境学习曲线模型，通过综合考虑电力行业装机容量与电力需求的发展，进一步预测辽宁省2020—2030年电厂煤炭消耗量。根据《辽宁省环境保护“十三五”规划》和《中国煤炭消费总量控制规划研究报告》，本文构建了两种能源情景和三种污染物控制情景，并评估不同情景下的减排潜力。最后，从不同角度为辽宁省燃煤电厂大气汞减排提出针对性政策建议。
2 研究方法和数据来源 2.1 排放因子法基于燃煤消耗量和大气汞排放因子，电厂燃煤汞排放量的计算公式如下：
|
(1) |
式中，Q为燃煤电厂大气汞排放量（t）；M 为燃煤电厂煤炭消耗量（万t）；EF为大气汞排放因子。
燃煤电厂的排放因子与燃煤汞含量、洗煤比例和污染物控制组合等有关，计算公式为：
|
(2) |
式中，c为燃煤平均汞含量（mg/kg）；w 为洗煤的脱汞效率（%）；u为洗煤比例（%）；R 为燃煤发电锅炉的汞释放率（%）；P为污控设施组合比例（%）；η为污控设备组合的脱汞效率（%）；j 为锅炉的类型；i为污染物控制设施的种类。
汞排放的不确定性主要来源于燃煤消耗量、污染物控制设施的脱汞效率和燃煤汞含量[13, 23]。其中，燃煤消耗量符合均值分布，污染物控制设施的脱汞效率符合正态分布或韦伯分布，燃煤汞含量符合对数正态分布[13]。结合以上参数的概率分布，本文利用蒙特卡洛模型计算辽宁省燃煤电厂大气汞排放量的不确定度（80%的置信区间）。蒙特卡洛模拟的计算过程可参考Zhou等[23]。
2.2 LMDI分解对数平均迪氏分解法（LMDI）可以用来分析多种因素对特定研究对象的影响[24]。本文以Kaya恒等式为基础，将辽宁省燃煤电厂大气汞排放分解为排放因子（EF）、煤炭消耗效率（EC）、电力行业结构（ES）和电力需求（C）四个因素。由此，大气汞排放量可以表示为：
|
(3) |
式中，E为燃煤电厂大气汞排放量；M为电力行业煤炭消耗量；ELEm煤电发电量；ELE为总发电量。
基期和第T期间的大气汞排放变化量表示如下：
|
(4) |
|
(5) |
|
(6) |
|
(7) |
在下面的公式中，ΔEF 、ΔEC 、ΔES 和ΔC 分别表示排放因子、煤炭消耗效率、电力行业结构和电力需求对汞排放变化的贡献。
|
(8.1) |
|
(8.2) |
|
(8.3) |
|
(8.4) |
学习曲线的概念自Wright提出后，一直被应用于各种技术领域，如企业质量管理、工程技术改造、产品的研究开发等[25]。环境学习曲线由学习曲线演化而来，反映的是社会经济、科技进步和环境排放之间的关系。现阶段，环境学习曲线已在多个行业、区域得到验证[25-27]。
本文主要采用两种单因子模型对电力行业煤炭消耗量进行研究，具体的表现形式如下：
|
(9) |
|
(10) |
式中，x为发电量；Y1为单位装机煤耗的初始值；Y(x)为装机煤耗；b为装机煤耗减少的学习系数；B为燃煤电厂环境学习曲线的初始点。
对环境学习曲线求一阶导数，可以得到因变量在自变量附近的变化率。在本文中|Y(x)|反映的是电力行业的煤炭节能潜力，即在发电量每增加1亿kW·h时，装机煤耗的减少值。
发电量和装机容量是利用环境学习曲线预测煤炭消耗量的关键参数。当电力行业发展到一定规模后，人口、经济、资源、政策等将限制发电量和装机容量的增长[28]。参考Sun等[29]的研究，本文采用Logistics模型估算未来辽宁省电力行业的装机容量和发电量：
|
(11) |
式中，P（t）为发电量或装机容量；Q为电力行业能容纳的最大发电量或装机容量；c和d为待估计参数。
2.4 情景设置节能技术升级、减排政策实施和市场调节都会影响燃煤电厂大气汞排放。因此，本文采用情景分析法，估算1、2两种能源情景及基准情景（BAU）、环境规划情景（EPS）和严格控制（SCS）三种污染物控制情景下的大气汞排放量。情景1是基于本文预测模型所设立的学习情景。情景2的实质是《中国煤炭消费总量控制规划研究报告》中的节能情景[30]。根据《辽宁省“十三五”节能减排综合工作实施方案》可以得到电煤在煤炭消费中的占比，用节能情景中的煤炭消费总量，乘以电煤占比，就能够得到辽宁省电煤消耗总量。
为评估控制措施的汞减排效益，本文设立了三种控制情景。在BAU情景中，2020年燃煤电厂的污控设施安装比例保持在2017年水平，2025年和2030年在原有的污控设施上安装了专门的脱汞设施（SMC），其应用比例分别为5%和10%。EPS情景假设燃煤电厂的污控设施能达到《辽宁省环境保护“十三五”规划》中的要求，即所有煤粉炉都使用LNB+SCR+ESP-FF+WFGD，所有循环流化床锅炉都使用LNB+SNCR+ESP-FF+WFGD。在EPS情景中，2020年、2025年和2030年SMC的应用比例分别为0、15%和30%。SCS情景在ESP情景的基础上对污控设施水平提出了更高的要求。在SCS情景中，2020年、2025年和2030年SMC的比例分别为0、25%和50%。此外，2017年辽宁省电厂洗煤比例为8.47%[31]。本文假设在BAU、EPS和SCS三种控制情景下，洗煤比例的年增长率分别为10.2%、14.6%和17.6%。
2.5 数据来源辽宁省电力行业的发电量和装机容量来源于《中国电力年鉴》[32]，燃煤电厂的煤炭消耗量、洗煤比例来源于《中国能源统计年鉴》[31]。表 1显示的是2006—2017年辽宁省电力行业的发电量、煤炭消耗量和装机煤耗。辽宁省燃煤电厂2006—2016年的大气汞排放因子来源于现有文献[33, 34]。
|
表 1 2006—2017年辽宁省电力行业的发电量和装机煤耗 |
Zhang等[35]建立了我国各省（区、市）的燃煤信息库，其中辽宁省燃煤平均汞含量为0.14mg/kg。到2017年，辽宁省共有28家30万kW以上的燃煤电厂完成超低排放改造，相应电厂的污控设施是从各电厂的环境影响报告书中整理得到，见图 1[36]。不同污控设施的平均脱汞效率和标准差来源于现有研究[33, 37, 38]，如表 2所示。洗煤脱汞效率数据来自郑伟等[37]的研究，为38.8%。
|
图 1 2017年辽宁省燃煤电厂污控设施组合比例 注:PC表示煤粉炉，LNB表示低氮燃烧技术，CFB表示循环流化床锅炉，NID表示半干法脱硫，WFGD表示石灰石-石膏湿法脱硫，SCR表示选择性催化还原法，SNCR表示选择性非催化还原法，ESPFF表示电袋除尘，FF表示布袋除尘，ESP表示静电除尘，WESP表示湿式静电除尘 |
|
|
表 2 燃煤电厂不同污控设施组合的脱汞效率 |
图 2显示了辽宁省燃煤电厂的大气汞排放分布。2017年燃煤电厂大气汞排放量最大的是葫芦岛，超过全省的1/5。葫芦岛的高排放取决于两个因素：一方面是由于电煤消耗较高，超过1000万；另一方面是煤电污染物控制设施脱汞效率低（几乎90%的燃煤机组采用脱汞效率为29%的ESP作为除尘设施）。大连、铁岭、营口的燃煤电厂汞排放分别为202kg、164kg和144kg，列全省第二位至第四位。从排放体量来看，辽宁省城市排放呈现出较大的差异，其中前四名城市的总排放量几乎是后四名城市的十倍。从城市分布来看，高排放城市主要集中在辽宁省经济较发达地区（如大连、营口和沈阳）和煤炭生产基地（如铁岭和阜新）。值得注意的是，抚顺的电煤消耗量与阜新相当，但是燃煤电厂排放的大气汞仅为阜新的一半。两个城市汞排放量的差异取决于其电厂采用的污染物控制设备。在阜新，仍有超过2/3的燃煤电厂使用脱汞效率较低的ESP，并且近1/5的燃煤机组没有使用WFGD。而抚顺的燃煤电厂主要安装了SCR+FF+WFGD和SCR+ESP+FF+WFGD，平均脱汞效率较阜新高5.4%。
|
图 2 2017年辽宁省燃煤电厂大气汞排放分布 |
辽宁省燃煤电厂大气汞排放量从2006年的5009kg下降至2017年的1419kg，图 3显示了排放量的波动情况。在2006—2009年和2009—2012年，大气汞排放表现为平稳下降，降幅分别为13.6%和15.4%，而在2012—2015年和2015— 2017年急剧下降，降幅分别高达31.7%和43.2%。排放因子（EF）、煤炭消耗效率（EC）、电力行业结构（ES）和电力需求（C）四个因素共同影响了燃煤电厂大气汞排放。排放因子是大气汞减排的主要影响因素。2006—2017年，由于辽宁省政府加强煤电末端污染物排放控制，煤电汞排放因子持续下降，从而减少了4360kg的大气汞排放。例如，2006年辽宁省下达了限期治理令，要求在所有燃煤锅炉中安装脱硫设施，以改善包括汞在内的大气污染物的脱除效率[34]。2006— 2017年电力行业结构效应对燃煤电厂汞减排的贡献先增加后减少。2006—2017年辽宁省煤电在电力消费中的占比从95.2%下降至75.3%，其中煤电占比在2006—2009年几乎保持不变，在2009—2012年和2012—2015年有明显下降，降幅分别达到4.7%和8.3%，2015—2017年下降趋势放缓，降幅约为6.7%[39]。因此，电力行业结构的优化在2012— 2015年显著减少了293kg的煤电大气汞排放。煤炭消耗效率也是电厂减排的关键因素。为提高煤炭消耗效率，辽宁省不断推进小型燃煤电厂的淘汰工作，并鼓励新建电厂安装高效的燃煤锅炉，如循化流化床锅炉和超临界燃煤锅炉。煤炭消耗效率的提高为燃煤电厂带来了192kg的大气汞减排量。但是，由于辽宁省低效电厂的淘汰工作已接近尾声，煤炭消耗效率对电厂汞排放的抑制作用逐渐减弱。与其他因素相反的是，电力需求拉动了汞排放上升。2006—2012年辽宁省积极建设燃煤电厂，煤电的快速增长促使大气汞排放增加了1652kg[40]。而在2012—2017年，电力行业发电量增长放缓，煤电甚至出现了负增长，导致电力需求效应对燃煤电厂汞排放的贡献度明显下降。
|
图 3 2006—2017年辽宁省燃煤电厂大气汞排放变化 |
如图 4所示，辽宁省燃煤电厂大气汞排放的不确定性（80%的置信区间）从2006年的（-57.8%，79.1%）变化至2017年的（-61.1%，80.2%）。辽宁省燃煤汞含量对汞排放的不确定性贡献最大，达到了69.7%~85.5%。其次是污染物控制设施的脱汞效率和燃煤消耗量，分别贡献了8.3%~25.1%和5.2%~6.4%。从城市的角度来看，2017年抚顺、沈阳和辽阳的汞排放不确定区间最大，分别为（-69.0%，127.5%）、（-68.0%，86.1%）和（65.7%，84.9%）。其燃煤电厂使用的脱汞设备主要为SCR+FF+WFGD、SCR+ESP+WFGD和SCNR+FF，脱汞效率的不确定区间大。因此，这三个城市电厂汞排放的不确定性也较高。
|
图 4 大气汞排放的不确定度 |
图 5显示的是辽宁省电力行业装机煤耗随发电量变化的环境学习曲线。模拟曲线的相关系数为0.9890，拟合程度较高，说明辽宁省电力行业的发展过程中存在燃煤消耗的环境学习曲线。2006—2012年，电力行业装机煤耗表现为快速下降，2012—2017年，下降趋势放缓，反映了辽宁省电力行业显著的节能成果。
|
图 5 辽宁省燃煤电厂能源效率环境学习曲线 |
根据辽宁省2006—2017年电力行业的发电量和装机容量，估计得到两者的Logistic增长模型函数：
|
(12) |
|
(13) |
基于Logistic和环境学习曲线模型，预测了2017—2030年辽宁省燃煤电厂的煤炭消耗量，结果见表 3。2017年辽宁省燃煤电厂煤炭消耗量预计达到6850万t，与实际消耗量相比仅减少了2.4%，因此拟合得到的环境学习曲线可行性较高。2006—2030年辽宁省燃煤电厂煤炭消耗呈现先上升后下降的趋势。煤炭消耗量在2011年达到峰值，为7305万t，2012— 2017年在6869万t左右波动，2017—2030年预计将稳定下降，到2030年减少至5743万t。因此，可以预见的是在电力行业发展的驱动下，未来辽宁省电煤消耗将大幅降低。此外，辽宁省以煤电为主体的电力结构使得电力行业的节能潜力偏高。2017年辽宁省电力行业的节能潜力为1.01g/W，即每增加1亿kW·h的发电量，煤炭使用量将减少4.9t。2017—2030年辽宁省燃煤电厂节能潜力的变化率达到了42.6%，说明未来有较大的节能空间。
|
|
表 3 辽宁省燃煤电厂煤炭消耗量预测结果 |
图 6表示不同控制情景和煤炭消费情景下，辽宁省燃煤电厂大气汞排放变化趋势。若考虑《中国煤炭消费总量控制规划研究报告》中的节能煤耗，2030年辽宁省燃煤电厂在三种控制情景下的平均大气汞排放量为644kg，较2017年下降了54.6%。若煤耗符合本文的预测结果（学习情景），三种控制情景的平均结果显示，2030年燃煤电厂的大气汞排放量较节能情景减少了34.8%。这说明由于电力行业节能效率的大幅提升，辽宁省2030年燃煤电厂的煤炭消耗量能够达到国家煤控要求，并实现汞减排。
|
图 6 2020年、2025年和2030年辽宁省燃煤电厂大气汞排放 |
根据《辽宁省环境保护“十三五”规划》的要求，设定了燃煤机组全面使用脱硫（WFGD）和脱硝设施（SCR/SCNR），同时将ESP、FF升级为ESP-FF的污控设施优化方案。如图 7所示，BAU、ESP和SCS情景显示了燃煤电厂由于污控设施优化、洗煤比例提高和采用专门脱汞设施带来的大气汞减排。无控制情景的排放结果表明，如果辽宁省燃煤电厂的污控设施、洗煤比例仍保持在2017年的水平，2030年的大气汞排放量将达到1457kg。BAU情景下，辽宁省2030年燃煤电厂的汞减排潜力最小，其中，提高洗煤比例、提高SMC的应用比例分别避免了175kg和88kg的大气汞排放。在ESP情景中，2030年燃煤电厂的大气汞排放较BAU情景下降了82.4%。其中，优化污控设施的减排效果最为显著，协同脱除了908kg的大气汞，其次是提高洗煤比例和提高SMC的应用比例，分别减少了243kg和87kg的大气汞。SCS是最严厉的控制情景，在该情景下，2030年辽宁省燃煤电厂的排放量为145kg。其中，污控设施的优化有助于电厂脱除821kg的大气汞，提高洗煤比例、增加SMC应用比例分别减少了360kg和131kg的大气汞排放。对燃煤电厂而言，污控设施优化对大气汞减排的作用最为明显，说明《辽宁省环境保护“十三五”规划》的实施能有效控制汞污染。洗煤是最简单、成本最低的脱汞技术。当洗煤比例提高至70%时，辽宁省燃煤电厂的大气汞排放量比无控制时减少了360kg。此外，安装SMC设施能进一步减少燃煤电厂汞排放，但是其投入成本较高，后阶段的使用需要综合考虑电厂的经济效益。
|
图 7 不同控制措施对2030年辽宁省燃煤电厂大气汞的脱除效果 |
本文首先基于排放因子法编制了辽宁省2006— 2017年燃煤电厂大气汞排放清单，然后综合利用LDMI、环境学习曲线和情景分析等模型，辨识了辽宁煤电大气汞排放主要影响因素及其贡献，预测了2020—2030年辽宁省电力行业大气汞排放量，并在此基础上定量评估了不同政策情景的汞减排效果，最后依据辽宁煤电汞排放特点提出了有针对性的减排政策。主要结论如下：
（1）辽宁省燃煤电厂大气汞排放从2006年的5009kg（-57.8%，79.1%）下降至2017年的1419kg（-61.1%，80.2%）。从城市分布来看，2017年葫芦岛、大连、铁岭和营口是排放量最高的四个城市，占全省总排放的58.0%。
（2）2006—2017年，排放因子、煤炭消耗效率和电力行业结构是燃煤电厂汞排放的抑制因素，其中，排放因子对汞减排的贡献最大，而电力需求是汞排放的拉动因素。
（3）2020—2030年辽宁省燃煤电厂煤炭消耗量将持续下降，到2030年减少至5743万t。此外，2030年辽宁省电力行业的节能潜力较2017年下降了42.6%，表明未来电厂有较大的节能空间。
（4）在煤炭学习情景和严格控制情景下，2030年大气汞排放将减少至220kg，较2017年下降了84.5%，反映了辽宁省燃煤电厂最大限度的减排潜力。
根据研究结果，本文建议如下：
（1）继续推进燃煤电厂的超低排放改造以降低汞排放因子。排放因子主要由电厂的污染物控制设施（APCDs）、洗煤比例等因素共同决定。首先，应进一步在辽宁燃煤电厂推广更高效的脱汞设施。例如，所有燃煤机组强制性安装脱硫和脱硝设施，并更换脱汞效率更高的除尘设施[41, 42]。还应适当考虑SMC技术，如添加卤素强化脱汞和注入活性炭等，以最大限度地减少煤电汞排放。此外，辽宁省电厂的洗煤比例远远低于国家设定的目标。因此，政府应提高燃煤的预处理比例，从源头上减少汞排放。
（2）持续提升电厂煤炭消耗效率。由于“上大压小”项目的推进，2017年辽宁省燃煤电厂的煤炭消耗效率较2006年提高了6.5%。因此，辽宁省政府应继续关闭低效小电厂，并在新建的燃煤电厂中使用高效、节能的生产技术（如超临界燃煤锅炉和循环流化床锅炉）。此外，还应加强对燃煤电厂的运行管理，减少现有设施的能耗，并通过发展热电联产、循环经济和碳捕捉技术，优化煤炭燃烧效率。
（3）加快电力结构优化。2017年辽宁省75%的电力来源于煤炭，远高于国家设定的2020年煤电占比降至55%的优化目标[32, 43]。因此，辽宁省政府一方面需要合理抑制煤电快速增长趋势，严格控制燃煤电厂建设规模，减少煤电在电力消费中的占比[44]。另外，扩大可再生能源比例以填补煤电退出后出现的能源缺口。辽宁省具有丰富的风力资源，政府可通过技术合作、设定合理的风电电价等形式推进风电厂的建设。同时，针对严重的弃风现象，可以通过升级能源存储技术，改善可再生能源并网（如新建更多的调峰电厂，整合东北地区电网）来解决[32]。
（4）加强监管，提升汞排放信息的透明度。通过安装CEMS（烟气在线分析）系统和DCS（分布式控制系统），公开电厂烟气汞排放数据，调动民众参与汞减排的积极性。另外，在制定电厂汞减排政策时要推进大气汞清单核算工作，根据清单的排放结果，设定科学合理的大气汞排放标准和控制目标。
| [1] |
CHEN L, LIANG S, LIU M D, et al. Trans-provincial health impacts of atmospheric mercury emissions in China[J]. Nature communications, 2019, 10: 1484. DOI:10.1038/s41467-019-09080-6 |
| [2] |
United Nations Environment Programme (UNEP). Technical Background Report for the Global Mercury Assessment 2013[R]. Geneva, Switzerland: UNEP Chemicals Branch, 2013.
|
| [3] |
ZHAO Y, ZHONG H, ZHANG J, et al. Evaluating the effects of China's pollution controls on inter-annual trends and uncertainties of atmospheric mercury emissions[J]. Atmospheric chemistry and physics, 2015, 15(8): 4317-4337. DOI:10.5194/acp-15-4317-2015 |
| [4] |
GUO Y Q, ZHANG B N, CHEN B, et al. Disparities in socio-economic drivers behind China's provincial energy-related mercury emission changes[J]. Journal of environmental management, 2019, 251: 109613. DOI:10.1016/j.jenvman.2019.109613 |
| [5] |
刘晓星.开展汞排放清单研究切实有效防控汞污染[N].中国环境报, 2017-05-03(05).
|
| [6] |
GENG Y, ZHAO H Y, LIU Z, et al. Exploring driving factors of energy-related CO2 emissions in Chinese provinces:a case of Liaoning[J]. Energy policy, 2013, 60: 820-826. DOI:10.1016/j.enpol.2013.05.054 |
| [7] |
FENG K S, DAVIS S J, SUN L X, et al. Drivers of the US CO2 emissions 1997-2013[J]. Nature communications, 2015, 6(1): 7714. DOI:10.1038/ncomms8714 |
| [8] |
LIU Q L, WANG Q. Pathways to SO2 emissions reduction in China for 1995-2010:based on decomposition analysis[J]. Environmental science & policy, 2013, 33: 405-415. |
| [9] |
MENG J, MI Z F, GUAN D B, et al. The rise of South-South trade and its effect on global CO2 emissions[J]. Nature communications, 2018, 9(1): 1871. DOI:10.1038/s41467-018-04337-y |
| [10] |
刘满芝, 杨继贤, 马丁, 等. 基于LMDI模型的中国主要大气污染物的空间差异及其影响因素分析[J]. 资源科学, 2015, 37(2): 333-341. |
| [11] |
LIANG S, XU M, LIU Z, et al. Socioeconomic drivers of mercury emissions in China from 1992 to 2007[J]. Environmental science & technology, 2013, 47(7): 3234-3240. |
| [12] |
United Nations Environment Programme (UNEP). Global Mercury Assessment 2013: Sources, Emissions, Releases, and Environmental Transport[R]. Geneva, Switzerland: UNEP Chemicals Branch, 2013.
|
| [13] |
惠霂霖, 张磊, 王书肖, 等. 中国燃煤部门大气汞排放协同控制效果评估及未来预测[J]. 环境科学学报, 2017, 37(1): 11-22. |
| [14] |
吴清茹, 王书肖, 王玉晶. 中国有色金属冶炼行业大气汞排放趋势预测[J]. 中国环境科学, 2017, 37(7): 2401-2413. DOI:10.3969/j.issn.1000-6923.2017.07.001 |
| [15] |
WU Q R, LI G L, WANG S X, et al. Mitigation options of atmospheric Hg emissions in China[J]. Environmental science & technology, 2018, 52(21): 12368-12375. |
| [16] |
LIU K Y, WU Q R, WANG L, et al. Measure-specific effectiveness of air pollution control on China's atmospheric mercury concentration and deposition during 2013-2017[J]. Environmental science & technology, 2019, 53(15): 8938-8946. |
| [17] |
STERN D I, COMMON M S, BARBIER E B. Economic growth and environmental degradation:the environmental Kuznets curve and sustainable development[J]. World development, 1996, 24(7): 1151-1160. DOI:10.1016/0305-750X(96)00032-0 |
| [18] |
刘晨.半干旱区污染物浓度变化特征及其机理研究[D].兰州: 兰州大学, 2018.
|
| [19] |
DAI S Y, NIU D X, HAN Y R. Forecasting of energy-related CO 2 emissions in China based on GM(1, 1) and least squares support vector machine optimized by modified shuffled frog leaping algorithm for sustainability[J]. Sustainability, 2018, 10(4): 958. |
| [20] |
张成, 杨永奎, 王定勇. 重庆大气汞人为排放及其预测[J]. 环境科学研究, 2011, 24(8): 904-908. |
| [21] |
李嗣同. 灰色系统理论在废气污染物排放量预测中的应用[J]. 攀枝花学院学报, 2015, 32(2): 15-17. DOI:10.3969/j.issn.1672-0563.2015.02.005 |
| [22] |
JENSEN R R, KARKI S, SALEHFAR H. Artificial neural network-based estimation of mercury speciation in combustion flue gases[J]. Fuel processing technology, 2004, 85(6-7): 451-462. |
| [23] |
ZHOU S L, WEI W D, CHEN L, et al. Impact of a coal-fired power plant shutdown campaign on heavy metal emissions in China[J]. Environmental science & technology, 2019, 53(23): 14063-14069. |
| [24] |
ANG B W. The LMDI approach to decomposition analysis:a practical guide[J]. Energy policy, 2005, 33(7): 867-871. DOI:10.1016/j.enpol.2003.10.010 |
| [25] |
WITAJEWSKI-BALTVILKS J, VERDOLINI E, TAVONI M. Bending the learning curve[J]. Energy economics, 2015, 52(Suppl 1): S86-S99. |
| [26] |
YU S W, ZHANG J J, ZHENG S H, et al. Provincial carbon intensity abatement potential estimation in China:a PSO-GA-optimized multi-factor environmental learning curve method[J]. Energy policy, 2015, 77: 46-55. DOI:10.1016/j.enpol.2014.11.035 |
| [27] |
GUO F, ZHAO T, WANG Y A, et al. Estimating the abatement potential of provincial carbon intensity based on the environmental learning curve model in China[J]. Natural hazards, 2016, 84(1): 685-705. DOI:10.1007/s11069-016-2452-4 |
| [28] |
高梅, 康宝生, 曹黎侠. 数学模型在西安市人口预测中的应用[J]. 西安工业大学学报, 2019, 39(4): 373-377. |
| [29] |
SUN R H, LEI F, CHEN L D. A demand index for recreational ecosystem services associated with urban parks in Beijing, China[J]. Journal of environmental management, 2019, 251: 109612. DOI:10.1016/j.jenvman.2019.109612 |
| [30] |
中国煤控项目组, 中国节能协会.中国煤炭消费总量控制规划研究报告[R].北京: 中国煤控项目组, 中国节能协会, 2015.
|
| [31] |
国家统计局. 中国能源年鉴[M]. 北京: 中国统计出版社, 2007: 2007-2018.
|
| [32] |
《中国电力年鉴》编辑委员会.中国电力年鉴[M]北京: 中国电力出版社, 2007-2018.
|
| [33] |
LIU K Y, WANG S X, WU Q R, et al. A highly resolved mercury emission inventory of chinese coal-fired power plants[J]. Environmental science & technology, 2018, 52(4): 2400-2408. |
| [34] |
WU Q R, WANG S X, LI G L, et al. Temporal trend and spatial distribution of speciated atmospheric mercury emissions in China during 1978-2014[J]. Environmental science & technology, 2016, 50(24): 13428-13435. |
| [35] |
ZHANG L, WANG S X, MENG Y, et al. Influence of mercury and chlorine content of coal on mercury emissions from coal-fired power plants in China[J]. Environmental science & technology, 2012, 46(11): 6385-6392. |
| [36] |
辽宁省生态环境厅.关于2017年第二季度辽宁省30万千瓦以上火电厂污染源自动监控设备数据有效性审核情况通报[EB/OL]. (2017-06-30)[2019-06-03]. http://sthj.ln.gov.cn/hjgl/yjzf/zdjk/201706/t20170630_76722.html.
|
| [37] |
郑伟, 孙亚梅, 刘伟.燃煤电厂大气汞排放量核算方法研究[C]//2017中国环境科学学会科学与技术年会论文集(第一卷).厦门: 中国环境科学学会, 2017: 6-6.
|
| [38] |
赵毅, 韩立鹏. 660MW超低排放燃煤电站汞分布特征研究[J]. 环境科学学报, 2019, 39(3): 853-858. |
| [39] |
辽宁省统计局, 国家统计局辽宁调查总队. 辽宁统计年鉴[M]. 北京: 中国统计出版社, 2018.
|
| [40] |
王新, 江楠. 以污染减排促生态建设辽宁积极践行绿色责任[J]. 环境保护, 2008(17): 47-49. DOI:10.3969/j.issn.0253-9705.2008.17.018 |
| [41] |
ANCORA M P, ZHANG L, WANG S X, et al. Economic analysis of atmospheric mercury emission control for coal-fired power plants in China[J]. Journal of environmental sciences, 2015, 33: 125-134. DOI:10.1016/j.jes.2015.02.003 |
| [42] |
MA C B, ZHAO X L. China's electricity market restructuring and technology mandates:plant-level evidence for changing operational efficiency[J]. Energy economics, 2015, 47: 227-237. DOI:10.1016/j.eneco.2014.11.012 |
| [43] |
国家发展改革委, 国家能源局.电力发展"十三五"规划(2016-2020年)[R].北京: 国家能源局, 2016: 58.
|
| [44] |
LIU J L, WANG K, ZOU J, et al. The implications of coal consumption in the power sector for China's CO2 peaking target[J]. Applied energy, 2019, 253: 113518. DOI:10.1016/j.apenergy.2019.113518 |