加速向中国光伏和风的能量过渡

　　在扩展数据中显示了我们优化模型的概述。我们优化了由地理空间数据驱动的模型（补充方法1）在我们的模型中的放置和容量，包括土地覆盖，太阳辐射，风速，风速，地表空气温度，地面空气，地面坡度，地面坡度，地面坡度，纬度，纬度和安装的PV，地面和海上型号，供水量，水上赛车，供水室，水上赛车，供水量，水上赛车，水上，供水量，供水量，供水量，供水量，供水量，供水量，供水量，供水量表，水上赛车，水上，水上，水上赛车，水上，水上，水上赛车，水上，水上，水上，水上，水上，水上，水上，水上，水上，水上，水上，水上，水上，水流和纬度和经度。（补充表2）。所有土地像素均分为森林，灌木丛，萨凡纳，草原，湿地，农田，城市和建筑土地，天然植被，雪和冰的马赛克，沙漠和水体46。PV面板或风力涡轮机安装的适用性由土地覆盖定义（补充表3）。Onshore wind turbines with the capacity of 2–2.5 MW and offshore wind turbines with the capacity of 5–10 MW are considered as the main models used in China at present47, so we considered models for onshore (General Electric 2.5 MW) and offshore (Vestas 8.0 MW) wind power plants (Supplementary Table 4) at a hub height of 100 m above the ground to convert air kinetic energy to electricity based on the recommended power-generation curve48（补充图3）。太阳能和风能的资源与季节性和昼夜变化以及年际差异有关。我们估计，由于2012 - 2018年平均值，在地面上方100 m的集线器高度上估计了小时太阳辐射和风速，以提供中国太阳能和风能的代表性估计（补充方法2）。所有地理空间数据的纬度分辨率为0.0083°，经度的分辨率为0.033°，用于通过在每个像素中安装PV面板或风力涡轮机来估计发电的潜力（补充方法3-5）。 　　我们估计了光伏和风能系统的LCOE，以指示发电的电网均等，该电力均等为投资成本的归一化净现值，O＆M，O＆M，土地获取，传输和能源存储除以生命周期（25年（Ref。30））的PV和Wind Dower with Dower植物的产生的电源35。在解决优化问题之前，我们寻求安装具有不同形状的PV面板或风力涡轮机的最佳策略，以实现每个县的最大发电能力（补充图4）。我们花了几个像素的数量来安装PV面板或风力涡轮机，并将其作为决策变量数十年来构建每个PV或风力发电厂的时间。通过考虑学习的跨乘数动力26,30，我们开发了一种独特的方法，以优化每个发电厂的容量，建造电厂的顺序，建造每个发电厂的时间以及通过解决新的发电厂来解决新的发电厂时的能源存储，从而解决了基于LCOE的成本限制问题，以通过预测的PV和风力发电机发电来发电： 　　其中ϵ是新的发电厂（ϵ = 1至3,844），x是在ϵ，nx之前建造的电厂，是在X植物X中安装PV面板或风力涡轮机的数量China, East China, North China, Northeast China, Northwest China, South China and Southwest China, respectively), nq is the number of power plants in region q, rd is the discounting rate (5%)2, τp is a year in the operation of plant x, τg is a year during operation of energy storage in plant x, Lg is the lifetime of storage (50 years for pumped hydro6 and 15 years for chemical batteries49), Eϵ is the total powergeneration, Vϵ is the total investment in power plants, Aϵ is the total cost of electricity transmission, Gϵ is the total cost of storage, Ry is the ratio of O&M costs to investment costs (1% for PV50 and 3% for onshore and offshore wind power plants51), Vx is the investment in plant x, ξx is the ratio of cost reduction by learning when building plant x, Ex,h is the hourly generation of power in a county, Θh is the每小时的电力传输，λH是电力的每小时存储，ηTra是传输过程中电力损失的比例，ηStore是储存过程中电力损失的一部分，MQ，H，H是Q和UQ中的电力小时消耗，H是从其他区域到区域Q的电力的小时传输。 　　我们在2021 - 2060年期间10年间隔10年优化了功率的增加，因为新技术通常需要10到20年才能广泛应用52。鉴于十年内可再生能源的变化，我们通过以5年的间隔优化模型进行了灵敏度实验，其中安装的PV和风能能力和总成本都适度变化（扩展数据图8）。然而，模拟十年内可再生能源的渗透对于改善优化模型将是有用的。 　　我们考虑了县中的发电厂与CFED PLAN7（补充数据集1）中UHV传输线的一个变电站与建立新的UHV线路（补充方法6）和开发存储能源系统（补充方法7）的成本的连接。我们使用三个假设估算了UQ，H。首先，将一个地区的所有光伏和风电厂产生的电力用于优先满足该地区的电力需求。其次，额外的电力连接到UHV线中的变电站，并传输到该线中下一个变电站所在的区域。第三，根据该地区的电力消费分配，传输到一个地区的电力分配给每个县。我们考虑了传输访问对何时何地建造新的光伏和风力发电厂的影响。当优化3,844 PV和风力发电厂的施工时间时，我们已经计算了建造新的发电厂时建造新的UHV传输线的成本，这影响了该工厂的LCOE以及所有新厂的建筑时间。通过优化每个新电厂的施工时间，我们认为将同时建造该新工厂所需的新UHV线路。 　　作为这项研究的警告，我们没有所有UHV传输线的明确信息，因此我们假设中央政府投射的UHV线被用作该国主要地区之间UHV线的代理。该假设对于确定区域之间电力传输的需求很有用，但是由于所有UHV线缺乏详细信息，因此可能导致我们的成本估算偏见。例如，在我们的模型中，从Huaidong到Wan’Nan的128条UHV线的投影表明，至少需要1,536 GW的总传输能力，以从以Huaidong为中心到Wan'nan中心的该地区的该地区传输电力，但与这些最终的UHV线相中，但与我们之间建立的最终UHV可能不同。当所有UHV传输线的详细信息可用时，可以解决此限制。为了考虑一个县产生的电力流出，我们寻求最接近该县的UHV线的变电站，然后我们估计了使用UHV线之一的电力传输成​​本以及从该县到传输变电站的电力传输成​​本。尽管这项研究预计建造了优化电力系统的大型传输能力，但重要的是要考虑物理，技术和经济限制。其中包括对可以在> 1,000 kV的电压下运行的高级聚合物矩阵复合材料的需求，在挑战性的地形上构造UHV线，维护这些线路并确保在极端天气条件下电力传输的安全性。 　　我们在使用机械存储（泵送水力）建造新的发电厂时寻求最佳系统，其寿命为50年，往返效率为70％或化学储存（电池），其寿命为15年，往返效率为85％（请参阅补充表5中的两个系统的参数），以最小化LOCO（最终数据）。 　　最后，根据中国的学习率（补充表1），ξx是根据已安装的PV或风能（补充方法8）的总能力计算的。我们研究了在模型中采用国际学习率的敏感性（图2C）。 　　对于新的PV或Wind Dower厂X，计算了年度电力： 　　在其中我是像素，J是一年中的小时数，Wi，J是安装PV面板（以补充方法3中计算），陆上风力涡轮机（在补充方法4中计算）或离岸风力涡轮机（在补充方法5中计算）的小时动力（在补充方法4中计算）。补充表6中列出了用于估计投影PV和风能发电的参数。 　　计算了新的PV或陆上风电厂X的投资成本6： 　　in which i is a pixel, Pi is the installed capacity of PV panels (calculated in Supplementary Method 3) or onshore wind turbines (calculated in Supplementary Method 4), Si is the area of​​ pixels installing PV panels or wind turbines, Pfix is the capacity of a voltage transformer (300 MW), μfix is unit capital costs, μland is unit cost of land acquisition, μline is unit cost of line连接和μTran是电压转换的单位成本。 　　我们假设已安装的电压变压器的容量为300兆瓦（参考文献53）。在估计征用土地的单位成本时，我们认为，陆上风力涡轮机在像素中仅占2％的面积，而PV面板在Pixel54中占用100％的面积。我们将μFix得出作为模块（μModule），逆变器（μinverter），安装材料（μmounting），二级设备（μSEC），安装（μINS），管理（μAdm）和Griance（μgrid）的PVATT PROTOD FORAND的数据（μGrid）的成本总和以前的研究56的陆上风力涡轮机（每瓦0.68美元）。我们通过检查对高资本成本的敏感性（分别为0.73美元和0.88美元的PV面板和陆上风力涡轮机）35或低资本成本（分别为PV和0.76美元（分别为PV PV面板）和在陆上风力涡轮机的0.23和0.76美元）36（图2C）。 　　基于该发电厂与陆上电动站的海上风力涡轮机的距离计算海上风电厂X的投资成本57： 　　在其中我是一个像素，μBaseline是离岸风力涡轮机的单位成本，PI是离岸风力涡轮机的安装容量（在补充方法5中计算），DL，I是离岸风力涡轮机到陆上电站的距离，而DP，I是安装的Offshore Offshore风力涡轮机的水深。使用工程Data57对系数Z0（0.0057），Z1（0.7714），Z2（0.0084）和Z3（0.8368）进行了校准。补充表7中列出了用于确定PV和风力发电成本的参数。在补充表8中列出了用于确定UHV传输和能源存储成本的参数。 　　我们采用了预计的PV和风力发电厂的O＆M成本与投资成本的固定比率为50,51。我们采用了25年（参考文献30）作为PV或风电厂的平均寿命。我们考虑了UHV的电力传输成​​本，当时提高了电厂的安装能力。我们在所有适合发电的像素中寻求地理中心，然后增加了安装PV面板或风力涡轮机的周围像素（NX）的数量。随着安装PV面板或风力涡轮机的像素数量的增加，每个发电厂的发电能力都会增加。但是，在电厂中包含更多像素，不仅增加了该PV或风力发电厂的容量，而且还增加了电力系统中的总成本。当我们通过增加安装PV面板或风力涡轮机的像素数量时，新电厂的LCOE首先降低，因为资本成本由产生的电力划分，但由于购买土地和降低的功率使用效率的增加而增加了（扩展数据图2）。我们寻求每个发电厂达到最低LCOE的最佳能力。 　　我们假设新的光伏和风电厂产生的电力用于以燃料价格顺序替代石油，天然气和煤炭以产生最高利润6。在建立新的PV或Wind Wower厂ϵ建造新的PV或Wind Power厂时，通过二氧化碳排放的目标限制了方程（1）中的成本最小化问题的限制（Fϵ）： 　　在其中Eϵ是总发电的总发电，SX是安装PV面板或风力涡轮机的面积，θFossil是煤（0.84 kg CO2 kWh -1）的CO2排放因子，油（0.72 kg CO2 kWh -1）或气体（0.46 kg co2 kWh -1）用pv和wildial pv替换为pv flow fore，与自下而上的估计值分解59和VX是被转移到PV面板或风力涡轮机覆盖的土地上的土壤碳的浓度（补充表9）。 　　我们根据减轻的二氧化碳排放量为新的PV或Wind Dower厂Mac衍生出Mac： 　　其中是煤炭，石油或天然气的价格。我们获得了煤炭（95％置信区间的0.043±0.015美元）61，石油（0.141美元（每千瓦时每千瓦时）62,63）和天然气（每千瓦时0.058±0.016 $ $ 0.058±0.016），中国在2010 - 2020年的平均值和35％的平均效率，35％的效率，35％的3％；分别为65。化石燃料在2010年代在中国产生的电力以煤为主导，2020年的贡献为96％，但未来化石燃料的构成对于中国来说尚不清楚。我们假设在中心案例中，中国未来的化石燃料组成将是恒定的，但是我们进行了两个灵敏度实验，以考虑燃料成分变化的影响。首先，当在中心案例中，当气体的份额与煤相同时，产生动力的石油份额从2020年的当前水平（0.3％）（0.3％）增加到2060年的50％。其次，当石油的份额与中心情况相同时，产生动力的气体份额从2020年的当前水平（4.1％）（4.1​​％）增加到2060年的50％（扩展数据图6）。 　　我们根据行业的功率载荷灵活性预测到2060年的小时电力需求（补充表10）。首先，我们通过在2060年预计的电气化速率下增加电力率的总电源需求增加了2018年的电网67（58％），包括六个非电力部门，包括农业，工业，交通，建筑，建筑，服务，建筑，服务和家用电器，在31个省份，缩放了历史性的小时功率负载。我们假设功率负荷对于农业，工业，建筑物，服务和家用电器具有灵活性，除了在房屋和电动汽车中加热和冷却，因此我们可以模拟小时电源的概况，以匹配PV和我们在优化模型中内源性发射的小时发电。其次，我们预测了电动汽车的小时电力需求。我们在2018年的深圳每五分钟每五分钟就获得了每条街道的交通流量的概况，由于中国其他城市缺乏数据，这被认为代表了将来的交通流量变化。当电动汽车使用电力时，立即对三分之一的车辆充电，三分之一在一小时内收取三分之一，而三分之一则在两小时内被收费25。 　　第三，我们预测房屋中的加热和冷却的小时功率负载。我们在中国按地区的房屋中获得了用于供暖和冷却的小时能量。最后，我们考虑了温度对基于气候变暖下预计温度的房屋和电动汽车加热和冷却的电力需求的影响。当小时温度低于16°C以下时，用于加热的电力增加了0.98％（参考文献70）时，年平均温度降低1°C，而当小时温度高于28°C时，用于冷却的电力增加了0.63％。我们预测，基于2016 - 2020年平均栅格的小时温度为71的31省加热和冷却的小时电力需求以及2021 - 2060年平均温度的预计在SSP1-2.6在地球系统模型中的SSP1-2.6场景下预计变化。电力需求在白天发生变化，以匹配小时的光伏和风能的高峰（补充图5）。 　　我们采用了1×3 km2的像素分辨率，用于安装PV面板或风力涡轮机，这使我们能够在优化模型中预测单个PV和风力发电厂的位置和容量。我们无法验证尚未建造的预计的PV或风力发电厂的位置和容量，因此我们使用了OpenStreetMap31中委托的PV和风力发电厂的位置和容量，这些位置和风力发电厂最接近预计的PV或风力发电厂来评估我们的预测（扩展数据图3）。我们估计了投影和实际的PV和风力发电厂之间位置的地理距离。对我们的优化模型进行全面验证，需要在未来几十年内建造PV和风力发电厂的详细信息，因此我们仅比较了当前区域正常化的电厂的预计能力与OpenStreetMap31中现有发电厂的实际容量。 　　我们估计了新的PV和风电厂产生的电力流动中体现的财务影响对2060年收入的重新分配。首先，我们估计县级人口中的收入分布基于县级的收入频率分布，根据城市和农村人口的居民在2015年的全国性调查中的居民中的收入频率分布。青海，新疆和Xizang高于其他省份（1％），这是由于这些较不发达的省份创造的新工作和更高的收入而产生的。66。其次，我们在2015 - 2019年的县级66中为城市和农村人口的每日可支配收入汇编。我们根据2021 - 2060年省的收入增长率对2060年的每日可支配收入进行了线性预测。我们在2015 - 2060年期间校准了县级每个收入群体的人均收入的增长率，以确保预计的人均收入为2060年每个县的平均收入等于2060年的预测。鉴于碳价格（ς），我们只有该碳价格低于此碳价格的碳价格（ς）。我们估计建造新的PV或风力发电厂（ϵ）时发电的收入（Rϵ）： 　　其中是由PV或风能代替的中国煤炭，石油或天然气的价格，Fϵ完全减少了CO2排放，Eϵ是PV和Wind Odeent Exenenation，LCOEϵ是预计的PV和风力发电厂的LCOE。 　　PV和风力发电的收入可以从LCOE降低，但电力价格可能会受到许多社会政治因素25,50的影响。我们专注于分析碳价格作为气候政策对光伏和风能收入的代理的影响，因此我们认为电价取决于化石燃料价格和碳价格。由于化石燃料的稀缺性，化石燃料的价格可能会在未来上涨。73的稀缺性可以增加用可再生能源（包括PV和风能）代替化石燃料的收入。为了估计2060年化石燃料的价格，我们从正常分布中随机提取价格，其平均和标准偏差是根据2010年至2020年可用的价格估算的（扩展数据图6）。在本研究中不考虑能源稀缺对化石燃料价格的影响以及PV和风能的收入。 　　我们根据每个县的收入顺序将人口分为2,002组，代表了收入不平等。我们排除了城市地区的像素以建设公用事业规模的光伏或风电厂，因此我们在每个县的农村人口中分配了收入。当对化石燃料征收碳税时，我们通过考虑发电成本的增加，PV和风能发电的收入以及通过减少化石燃料的使用（补充方法9）而节省的碳税成本来预测人口中每组的人均收入的变化。最后，我们使用公式74估算了中国的收入基础74，基于每个人口群体的收入和人口分数的变化，当时碳价格从每个TCO2上涨至100美元，在2060年为2060年的2373个县。 　　我们通过运行Monte Carlo模拟40,000 TISTE75估算Mac和Gini系数中的不确定性。我们在这些模拟中随机变化了参数，包括：（1）由于气溶胶沉积对PV面板的影响以及风能发电面板的可变性（±2％），PV发电（±5％）的可变性（±5％）的变异性（Wijy）的变化（±2％）在适当的Pixel（Wijy）（Wijy）上的差异（Wijy）上的差异（Wijy）在频率上的影响（2）在频率上的影响（2），而在风气中的影响范围（2），（2）在频道上的影响范围（2），（2）在风气中的范围（2）（2）（2）（2）在风度上的范围（2）；2020–2060 (±1%)7, (3) the parameters used in the calculation of initial investment costs based on the variability of capital costs (±10%) from previous estimates55,56, (4) the historical rates of learning for different cost components measured in China (Supplementary Table 1) and (5) the parameters used for calculating the costs of UHV transmission and energy storage from different studies (Supplementary Table 8).最后，我们采用了Mac的中位数和Gini系数来代表我们的最佳估计，而我们使用90％的不确定性和四分位数范围来代表他们的不确定性。