文献阅读 | 可再生能源的多因素学习曲线及平准化发电成本

题目

Untangling global levelised cost of electricity based on multi-factor learning curve for renewable energy: Wind, solar, geothermal, hydropower and bioenergy

作者

Yue Yao, Jin-Hua Xu , De-Qiang Sun

期刊

Journal of Cleaner Production

时间

2020.11

一作

单位

China University of Geosciences, Department of Energy, Beijing, 100083, China

链接

https://doi.org/10.1016/j.jclepro.2020.124827

研究背景

近几十年来，可再生能源已成为越来越重要的发电来源。2019年全球可再生能源发电总量增长超过化石燃料增长2.6倍，新增发电量176吉瓦，其中太阳能和风能占新增可再生能源发电量的90%。在可持续发展、气候减缓和能源转型的需求下，可再生能源在全球范围内源源不断地提供价格更低的新电力来源，与化石燃料展开正面竞争。平准化发电成本( LCOE )的开发在不同的可再生能源技术之间有所不同 (图1)。

陆上风力发电、太阳能光伏发电、集中式太阳能发电( CSP )和海上风力发电在过去的十年中经历了相当大的成本下降和累积产能增长，而地热、水电和生物能源等技术在2010年至2018年期间的变化很小。这使得探索全球可再生能源利用的共同驱动成本下降的潜在机制和重新调查不同可再生能源技术发展趋势背后的原因变得有趣，以获得未来可再生能源发展的相对清晰的前景。

图1.可再生能源技术的全球加权平均LCOE

研究方法

该研究结合成本最小化方法、柯布-道格拉斯函数和学习曲线方法建立了可再生能源的多因素学习曲线理论模型-Multi-factor Learning Curve（MFLC)，如下所示：

其中，PL、PK、PM分别表示单位劳动力成本、单位资本成本和单位物质成本，成本最小化函数使用修正的柯布-道格拉斯生产函数，即生产固定产出电力Q (千瓦时)。COSTtotal 表示生产固定产出水平Q的总成本，a1、a2、a3是劳动的弹性指数，A是由双因素学习曲线法得出的技术变化和学习指数，Cum为累计装机容量( MW )，KS为知识存量，b和g分别为累计装机容量和知识存量的弹性指数。为了解决优化问题，我们使用拉格朗日方法，引入拉格朗日乘子。

研究结果

技术学习曲线

原始成本数据(实心图形)与MFLC结果中计算的拟合成本数据(空心图形)高度吻合(图2 )。而单因素学习曲线（OFLC）未能或仅部分解释了海上风力、集中式太阳能发电、地热、水电和生物能源的成本变化，其适应度较低(图3 )。

2010 ~ 2018年，陆上风电LCOE从0.084下降到0.055美元/ kWh，容量因子从0.271上升到0.338，累计装机容量从177 796增加到539 954 MW，安装成本从1914下降到1498美元/ kW，钢材价格从629略微下降到622美元/ MT，容量因子在陆上风电成本下降中发挥了重要作用，高适应度MFLC的容量因子效应为68.16 %。在MFLC模型中，钢铁价格效应较小。对于海上风电，LCOE从2010年的0.159 USD / kWh上升到2015年的0.185 USD / kWh，再下降到2018年的0.126美元/千瓦时。MFLC模型显示了良好的拟合条件和较高的显著性水平。根据MFLC结果，安装成本对海上风电成本影响较大。容量因子每提高一倍，成本降低38.65 %；安装成本每降低一半，成本降低70.58 %；累计容量每增加一倍，成本降低4.23 %。

太阳能光伏LCOE从2010年的0.57美元/千瓦时快速下降到2018年的0.085美元/千瓦时。LCOE随着快速容量因子的增加、累积容量的增加和安装成本的降低而降低。多晶硅价格从59.48美元/公斤下降到12.94美元/公斤，影响较小，为5.56 %。2010年至2018年，整体地热成本从0.048美元/千瓦时上升至0.072美元/千瓦时，水电成本从0.041美元/千瓦时上升至0.048美元/千瓦时，生物能源成本从0.074美元/千瓦时下降至0.061美元/千瓦时。与风电和太阳能发电不同，地热、水电和生物质能的LCOE、容量系数和安装成本发展波动，没有明确的变化方向。

图2. 影响因素与多因素学习曲线拟合结果 

图3. 基于累计装机容量拟合结果的单因素学习曲线

应用学习曲线方法计算不同可再生能源品种的学习率并预测未来成本或价格趋势的文献已有上百篇。时间范围、区域位置、数据来源和影响因素的不同组合产生了不同的拟合和回归结果 （图4）。从1971年到2018年，陆上风能的学习率普遍在5 %到25 %之间。海上风能出现较晚，学习率较小，不稳定性较大，介于15 % ~ 10 %之间。太阳能光伏能源的学习率普遍较高，在10 % ~ 35 %之间，CSP在5 % ~ 20 %之间。鉴于全球尺度的单因素、双因素和多因素学习曲线，此前研究的常见影响因素主要包括研发、硅价、钢价、化石燃料价格、工厂规模、上网电价水平等。

图4. 与现有全球学习曲线研究的学习率比较

结论

该模型优于其他单因素学习曲线模型，因为它涵盖了更全面的影响因素，使分析结果更加客观和真实。该模型优于其他两个因子学习曲线模型，用容量因子代替研发数据解决了累积能力与知识存量之间的共线性问题。该模型优于其他多因子学习曲线模型，使用干中学学习率，容量因子，和安装成本作为LCOE的驱动因素，首次提出使用容量因子来量化技术创新和自然资源波动的综合影响。

在OFLC模型中，陆上风电和太阳能光伏均表现出高干中学（LBD）率的良好拟合条件，且在不考虑其他因素的情况下，LBD效应本身与成本降低趋势匹配良好。累计装机容量的变化趋势与容量系数和装机成本的变化趋势相似。对于海上风电和CSP，学习效应只是部分解释了OFLC的成本下降。然而，它不能解释地热、水电和生物能源的成本变化，因为LCOE在累计装机容量增加的同时波动。因此，LBD并不是这3个影响因素中最重要的驱动因素。在MFLC模型中，学习率受到其他多因素影响的抵消，如容量因子上升、安装成本下降和原材料价格变化等。

编辑&排版：刘心远

相关阅读

1 诚邀海内外英才参加2023年北京大学环境学科优秀青年人才国际论坛2 环院·学术 | 首届“气候与环境管理”全国研究生论坛成功举办3 东京大学工学系研究科 2023秋季CSC国家公派留学项目申请开放4 文献阅读 | 提高建筑物的材料效率以应对全球用砂危机5 文献阅读 | 用清洁氢气突破中国碳中和的减排瓶颈

点击“阅读原文”浏览小组主页