基于动态碳排放强度的电碳市场耦合建模方法及市场优化机制分析

为实现“双碳”目标，中国在多方位统筹布局，其中碳市场作为控排减碳的重要政策工具，其对于电力市场的影响不可忽视。中国于2021年正式启动全国碳排放权交易市场，是全球规模最大的碳市场。虽然全国碳市场当前仍处于起步阶段、流动性偏低，但已经逐步形成一套成熟的“总量控制-配额分配-排放交易-核查和清缴”管理体系。

（来源：《中国电力》2025年第4期 引文：赵彤, 李雪松, 周浩, 等. 基于动态碳排放强度的电碳市场耦合建模方法及市场优化机制分析[J]. 中国电力, 2025, 58(4): 31-43.）

文章分析火电企业在电碳市场交易中的策略行为及市场均衡，提出并验证低碳优化机制的有效性，为市场政策制定提供参考。首先，建立分机组类型的火电机组动态碳排放模型。其次，根据电力和碳市场交易机制，构建多发电企业参与的双层均衡仿真模型，并提出跨行业激励的低碳优化机制。然后，将发电企业参与电碳市场交易建模为马尔科夫决策过程，提出基于马尔科夫决策迭代的协同优化算法求解市场均衡。最后，通过IEEE 39节点算例验证模型、机制和算法的有效性。

摘要

由于碳市场与电力市场交易的时序差异，电力市场与碳市场耦合模型的建模和仿真面临准确度不足的问题。通过对实际工况的分析发现，火电机组碳排放强度随机组负荷率而波动，为电碳市场实时耦合和精确化建模提供了研究基础。为此，建立了考虑差异化动态碳排放特性的多发电企业博弈的电力市场和碳市场双层均衡仿真模型，其中上层为发电企业决策模型，下层为电力市场和碳市场交易模型，并提出了一种结合其他行业互动的低碳优化机制，以进一步增强电力市场的协同效应。为求解该模型，提出了一种基于马尔科夫决策迭代的协同优化算法。基于IEEE 39节点的算例分析表明，动态碳排放强度模型能够体现电碳市场的实时耦合，在电碳市场中采用低碳优化机制使系统进一步降低5.42%的碳排放量，使其他行业经济流入电力行业4.79万元，提高了电力市场的经济效益和环境效益。

01

市场架构

1.1  市场模型假设

1.1.1  电能量市场假设

电能量市场包括中长期市场、日前市场和实时市场。鉴于本文聚焦电力市场与碳市场的动态耦合，为展示小时级时间尺度的结果，主要探讨电能量市场中的现货市场，即日前市场与实时市场的运行机制，采用直流潮流模型建模分析。假设市场主体为火电企业及风电、光伏企业。火电企业在日前和实时市场报量报价，提交含量价信息的阶梯型曲线，风、光资源基于拉丁超立方抽样和蒙特卡洛法生成，基于用户侧仅报量不报价。

1.1.2  碳市场假设

目前中国碳市场仍采取基于碳排放强度的免费配额发放机制，根据机组类型划定不同的排放强度标准来确定初始配额发放量，根据全国碳市场当前实际及未来发展趋势，本文做出以下3点假设。

假设1：全国碳市场自2024年起将逐步纳入水泥、钢铁和电解铝行业。因此，本文建立扩容的二级碳市场交易模型，市场主体包含发电行业和其他重点行业的企业。

假设2：配额清缴周期为一年，电力现货市场结算周期为一天，碳市场与电力市场在交易结算方面不具有一致性，为避免年末配额清缴时无法履约而受到巨额考核，假设发电企业采用将年度碳配额清缴目标平均分解至每天的策略，每天结算一次。

假设3：根据全国碳市场第一、第二履约周期表现，碳价在临近清缴期限时上升。为鼓励市场主体及时完成每日配额分解目标，避免扎堆，假设碳市场存在配额回收机制，未完成的清缴部分可在回收市场中交易，且买方购买价格高于碳市场价格，卖方出售价格低于碳市场价格。

1.2  电碳市场衔接与耦合关系

各市场衔接关系如图1所示。为提高碳市场耦合下的电力市场协同效果，本文基于电力市场组织流程，提出一种电力市场优化机制。在电力交易中心组织日前交易后，电力调度机构根据安全约束机组组合（security constrained unit commitment，SCUC）和安全约束经济调度（security constrained economic dispatch，SCED）得到日前市场预出清结果，并在此基础上结合低碳优化交易机制，优化市场预出清结果。实时市场与日前市场类似，在出清过程中考虑低碳优化交易机制。

图1  电碳市场交易过程

Fig.1  Electricity and carbon market trading process

式（1）（2）表明免费碳配额量与电力市场中标电量直接关联，式（3）（4）表明碳市场决策受免费碳配额量和实际排放量约束。

碳市场价格会传导至电力市场价格。高于碳排放强度标准的企业通过抬高报价弥补配额成本，而低于该标准的企业则可能降低报价以扩大市场份额。引入碳市场后，电力市场价格变化取决于碳排放强度标准：若多数机组高于标准，边际机组报价上升，推动出清价格上升；若清洁机组占比高，受碳配额约束小，出清价格可能下降。电价也会通过影响不同类型机组的中标电量，间接影响碳价。随着碳市场纳入钢铁、化工等行业，电力市场对碳市场的影响减弱，价格传导效应降低。综上，模型中价格关系表现为碳市场价格对电力市场价格的传导更为合理。

02

电碳市场仿真模型

电碳市场双层均衡仿真模型框架如图2所示，可分为2层：上层为市场主体决策模型，下层为电力市场和碳市场出清模型。上层发电企业通过报量和报价将决策传递至下层电力市场进行出清，出清结果反馈至上层和碳市场，确定初始碳配额和碳排放量。发电企业根据配额需求提交碳市场交易决策，碳市场依据决策变量出清，出清结果再反馈至上层推动企业调整决策，直至上下层达到均衡。上层决策与下层出清相互耦合，电力市场与碳市场通过发电企业实现联动。本章将详细介绍模型内容。

图2  模型框架

Fig.2  Model framework

2.1  火电机组动态碳排放特性

火电机组碳排放强度与负荷率关系的物理证明过程见文献[31]，本文采用数据驱动的方法，建立描述火电机组动态碳排放特性的人工神经网络模型（artificial neural networks，ANN），确定负相关系数ANN模型和动态碳排放强度模型为

基于中国某地区600 MW、MW的火电机组的CEMS测量数据分析，碳排放强度随负荷率呈现出明显的递减特性，如图3所示。

图3  火电机组动态碳排放特性

Fig.3  Dynamic carbon emission intensity characteristics of thermal units

2.2  上层模型——火电企业决策模型

火电企业以在电力市场和碳市场中收入最大化为目标，目标函数为

03

求解算法

本文构建的电力市场和碳市场耦合的双层仿真模型是非线性模型，上下层模型求解相互依赖。使用KKT等方法将双层问题转化为单层问题是可行方案，但转化后模型通常高维、非线性、非凸，求解较困难。针对多主体决策的双层问题，常用的求解方法如DM、SSM和ADMM算法存在收敛精度差和参数选择困难等问题。本文在DM算法基础上，将马尔科夫决策过程融合到策略更新机制中，提出基于马尔科夫决策迭代的协同优化算法（Markov decision iterative optimal coordination algorithm，MDIOCA），其求解流程如图4所示。

图4  MDIOCA算法流程

Fig.4  Process of MDIOCA

3.1  策略评估与更新

04

讨论

算例测试环境为 RAM 16 GB，Intel 12th Gen Core i7-12700H CPU @2.30 GHz 笔记本电脑，编程平台为Matlab R2021b，并采用GUROBI 11.0对模型进行求解。

4.1  参数设置

本文采用改进的IEEE 39节点进行算例分析，节点31~36为火电企业，节点37和38为光伏企业，节点30和39为风电企业。电力市场价格上限为元/(MW·h)，均采用三段阶梯式报价曲线，将24 h简化为6个间隔均匀的时间段，忽略线路阻塞。假设风电、光伏报价较低且全部中标。火电机组参数及经CEMS测得的某地区火电机组碳排放强度数据见表1。碳市场价格上限为200元/t，配额回收机制的出售价格为180元/t，收购价格为80元/t。基于当前配额分配方案，进一步收紧碳排放强度标准，大部分火电机组实际排放强度略高于该标准。

表1  各机组的碳排放强度参数

Table 1  Parameters of carbon emission intensity for units

为分析低碳优化机制对电碳市场的影响，设置以下3种交易情景。

情景1：不存在碳市场，发电企业仅参与电力市场。

情景2：发电企业同时参与电力市场与碳市场。

情景3：发电企业同时参与电力市场与碳市场，电力市场采用低碳优化机制。

4.2  电碳市场出清结果分析

本算例在模型假设基础上，保持了电碳市场在结算周期上的差异，以一天为单位进行分析，电力市场按小时交易并结算，碳市场按天交易，在履约周期结束时对配额进行清缴，当天对交易进行结算。

4.2.1  电力市场出清

图5展示了各情景下电力市场出清结果，每个柱代表25 MW功率段，出清电价如图6所示。对比图5 a)与图5 b)可见，引入碳市场后，发电企业的出力结构变化，企业1的约130 MW中标电量转移至碳排放强度较低的企业6。图6显示，引入碳市场后，最低电价从408元/(MW·h)升至439元/(MW·h)，最高价无变化，且随着负荷增加，碳价对电价的传导减弱。

图5  不同情景下电力市场中标功率及价格

Fig.5  The winning bid power and prices in the electricity market under different scenarios

图6  各情景出清电价

Fig.6  The market clearing prices under different scenarios

图5 c)为低碳优化后的出清结果，碳排放强度较高的企业3出力减少，企业1和6的出力增加，转移电量占总发电容量的27.8%。低碳优化仅针对发电侧，不改变市场出清电价，情景3与情景2用户侧收益无变化。表2为各情景下发电侧整体收益情况。引入碳市场后，尽管电价上涨，但因购买碳配额，发电企业整体收益下降，而情景3的收益未低于情景2。低碳优化机制通过优化出清结果，实现帕累托改进，使市场达到帕累托最优。

表2  不同情景下的收入与支出

Table 2  Income and expenditure under different scenarios

4.2.2  碳市场出清

图7为碳市场出清结果，每一个柱代表25 t碳排放量对应的配额。图7 a)和 b)左边为碳配额卖方的中标量及价格，右边为碳配额买方的中标量及价格。由于发电企业的免费配额发放量逐年收紧，算例中发电企业整体的配额量为紧缺状态。在情景2中，仅企业6有盈余的碳配额可出售，其余发电企业均需在碳市场中购买配额。在情景3中，企业3约80%的电能量转移至企业1和企业6，配额购买量减少392 t。企业1由于排放强度更低，在碳市场中的配额购买量仅增加了118 t，发电侧整体配额购买量减少。由于动态碳排放特性，机组出力越多，排放强度越低，企业6的盈余碳配额增加了10 t。总之，对比图7 a)和图7 b)可以发现，低碳优化后发电侧整体在碳市场的亏损有明显减少。

图7  不同情景下碳市场中标量及价格

Fig.7  The winning bid power and prices in the carbon market under different scenarios

4.2.3  算法性能分析

本节对基于马尔科夫决策迭代的协同优化算法的求解性能进行分析，定义纳什均衡度来反映均衡状态下市场各主体策略集的优劣性，纳什均衡度的定义参见文献[42]。本算例采用MDIOCA的纳什均衡度结果如图8所示。

图8  纳什均衡度

Fig.8  The Nash equilibrium degree

从图8可以看出，随着迭代次数增多，算法的纳什均衡度逐渐提高，当迭代80次时，纳什均衡度达到5.98，距纳什均衡度上限仅相差0.33%，当迭代120次左右时，纳什均衡度已达到上限，表明各市场主体都根据其他主体的行为做出最优反应，此时没有主体有动力单方面改变自己的策略，判定市场已经达到纳什均衡，算法能够准确求解得到市场的纳什均衡解。

4.3  发电企业决策分析

在情景1中，发电企业按燃料成本申报价格，以边际成本报价实现电力市场下的帕累托最优。情景2中，发电企业交易策略变化。在图5中，申报曲线分为2部分：一部分报低价确保发电量，另一部分抬高价格以增加收入。对比图5 a)和 b)，情景1报价分布较平缓，情景2中申报更低价格以保证发电量，边际电价附近高报价集中，出现断层，体现电碳市场耦合机制。碳排放强度低的机组因配额需求小或盈余出售，报低价增大中标量减少碳市场亏损；而中标较少的机组抬高报价以弥补碳市场亏损。情景3中，高排放强度企业（如企业3）削减出力减少排放，电力市场收入减少21.10万元，但碳市场亏损减少5.29万元，如图9所示。低排放强度企业（如企业1）保持满发，电力市场收入增加32.95万元，碳市场亏损增加1.59万元。研究基于动态碳排放模型，若采用静态模型，情景3与情景2决策无差异。

图9  碳配额交易情况

Fig.9  Carbon emissions trading status

4.4  低碳优化机制效果分析

在前述对市场结果和企业策略分析的基础上，本节将进一步分析情景1~3中多类型市场主体在电碳市场中的能量流、碳流和经济流变化。在本文中，发电企业、电力市场用户和其他行业用户共同组成一个系统，其中能量流、碳流和经济流在该系统中流动转化，如图10所示。

图10  电碳市场能流

Fig.10  Electric carbon market energy flow

引入碳市场后（从情景1到情景2），电能量流和碳流从企业1转移到企业6，企业1的电力市场收入和燃料成本也随之转移。由于企业1~5缺少配额，新增的碳市场支出流向其他行业用户。同时，电价上涨导致电力用户增加支出，转移至发电企业收入。此过程中系统增加燃料成本2.83万元，减少碳排放78.93 t。

从情景2到情景3，电能量流、碳流和经济流主要从企业2、3转移至企业1、6。低碳优化后系统增加4.79万元燃料成本，碳排放减少493 t。配额需求减少使碳市场亏损降低，部分经济流（4.79万元）从其他行业回流，弥补燃料成本。低碳优化机制通过碳市场的跨行业激励，强化了碳减排效果，深化了电力与碳市场的耦合。研究结果表明，该机制有效减少碳排放并提升市场效率，验证了其在碳减排和资源优化中的作用。

05

结论

本文针对电碳市场耦合难以精确建模的问题，考虑火电机组差异化动态碳排放特性，建立了多发电企业博弈的电碳市场耦合交易模型，并提出了碳市场耦合背景下的电力市场低碳优化机制。通过算例的3种情景分析，得出以下结论。

1）构建能够刻画火电机组实时碳排放强度随功率变化而波动的差异化动态碳排放强度模型，相比于基于静态排放强度模型更贴近实际情况，增加了发电企业决策的灵活性。在此基础上，提出一个有效模拟电碳市场耦合运行的模型框架，该模型框架能够准确反映电力生产过程中碳排放强度的动态变化特征，为电碳市场的协调优化运行提供了理论依据和技术支持。

2）相较于单纯引入碳市场的情境，本文提出的低碳优化机制在促进碳排放减排方面表现出更显著的效果。该优化机制通过与其他行业碳市场参与者的互动，进一步激励电力市场主体采取更积极的减排措施以实现更显著的碳减排目标，有效增强了碳市场的协同作用，推动了跨行业的碳减排协作与资源优化配置。

3）建立考虑多发电企业博弈的电碳市场均衡仿真模型，该模型能够准确模拟电碳市场中的能量流、碳排放流以及经济流的动态变化，为市场管理者提供对市场运行状态的全面洞察和有效管理的工具，有助于优化资源配置、提升市场效率，并为政策制定提供理论依据。

作者简介

赵彤（1970），男，高级工程师，从事电力市场运行管理、电力交易研究，；

李雪松（1981），男，硕士，高级工程师，从事电力市场运行管理、电力交易研究；

王文涛（2000），男，通信作者，博士研究生，从事电碳市场协同优化研究；

王鹏（1973），男，博士，教授，博士生导师，从事能源电力经济、中国能源战略研究。

注：本文内容呈现略有调整，如需要请查看原文。