“十三五”規劃碳減排目標下碳交易機制的博弈分析

李 薇，董艷艷，盧 晗，黃 奎，王振宇（.華北電力大學，區域能源系統優化教育部重點實驗室，北京006；.南瑞（武漢）電氣設備與工程能效測評中心，湖北 武漢 430000）

“十三五”規劃碳減排目標下碳交易機制的博弈分析

李 薇1*，董艷艷1，盧 晗1，黃 奎1，王振宇2（1.華北電力大學，區域能源系統優化教育部重點實驗室，北京102206；2.南瑞（武漢）電氣設備與工程能效測評中心，湖北 武漢 430000）

基于碳排放許可值、C O2減排技術與成本、碳交易參數的浮動性與不確定性，構建碳交易機制的區間兩階段不確定性隨機規劃模型（TISP），通過優化模型尋求系統凈收益與CO2排放許可的平衡點，結果表明，當μ=40%時，系統的凈收益為最優，且系統的凈收益在碳交易模式下高于非交易模式下的凈收益；當μ＜40%時，燃煤電廠在碳交易模式下只需采用CS減排技術均能達到排放許可要求，在非交易模式下則同時采用CS和CA減排技術；當μ＞40%時，3種發電方式在保證CS減排技術的前提下，均要增加CA減排技術的處理.碳交易機制有利于減排技術的合理分配及用能權、碳排放權和排污權交易市場的建立，盡快實現市場化節能碳減排目標.

碳排放權交易；區間規劃；隨機規劃；CS和CA減排技術

十三五規劃中提出嚴格控制碳排放，加強高耗能行業能耗管控，尤其控制電力、鋼鐵等重點碳排放行業，同時建立碳排放權初始分配制度，建設全國統一的碳排放交易市場，加大低碳技術（CA、CS）和“CO2產品”的推廣力度.同時規劃指出將碳排放總量作為約束性控制指標，實現最小總量和最優強度的“雙控”目標［1］.

當前，碳排放權配額的分配方式主要有免費發放、拍賣發放和以政府規定的固定價格購買配額，然而，免費發放和拍賣發放在一定程度上鼓勵高排放而打擊采取積極減排措施的企業，有悖于污染者付費的環境法基本原則；配額拍賣發放雖然有效地避免了免費發放和拍賣發放的缺陷，但也可能會導致資金差異較大的企業間的不公平競爭等不良現象，尤其對低碳排放源的發電企業尤為嚴重.因此，在最小總量和最優強度的“雙控”目標下，鑒于現有的碳排放配額發放方式和碳交易試點現狀，如何對某一區域內相同行業進行有效而準確地發放碳排放配額將是試點區域面臨的一大難題.

對此，國內外研究者對 CO2減排問題進行了深入的研究［2］，如基于發電側CO2減排優化分析模型，申楊碩等［3］采取雙重分析法挖掘發電側碳排放潛力；Chen等［4］將區間隨機優化模型用于分析CO2減排交易機制的制定；姜海洋等［5］利用合作博弈優化模型進行區域發電側間的發電量的優化調配；上述研究均體現了節能減排目標下發電側CO2減排政策的多樣性和減排技術的不確定及隨機性，因此，本文利用區間參數規劃（IPP）［6］和兩階段隨機規劃（TSP）［7］方法構建碳減排控制技術優化模型（TISP）［8-11］，并根據“十三五”規劃減排目標設置不同 CO2減排控制技術下的排放量，根據優化結果制定減排措施，有利于“十三五”規劃目標下用能權、碳排放權和排污權交易市場的建立，推進市場化節能、碳減排目標.

1 模型的構建

在考慮 CO2排放總量、處理技術成本、各電廠的目標發電量以及電力供需指數等不確定參數的基礎上，構建以區域發電系統最大凈收益為目標函數的碳排放交易模型，并求得模型中決策變量的可行且穩定的解，從而優化碳交易市場模式，保證不同發電資源的最佳配置，為相應的決策者提供最優的碳排放交易方案［12-13］.在該模型中，約束條件有：CO2排放總量控制約束、CO2處理技術能力約束、各電廠的目標發電量約束及機組運行成本的約束，這些約束參數均以區間數表示；電力供需指數則以信息分布概率 Pih為區間變量表示.

本模型研究 3種不同發電方式的碳排放量交易.由于區域經濟的發展要求不同，每個電廠排放CO2量不一定均在CO2排放限額范圍內，對于超出的CO2量部分，該電廠可以通過購買其它電廠剩余的 CO2排放量來彌補自身額外排放的CO2量，從而避免政府部門和管理機構的懲罰措施［14-15］，即：對于區域內一定排放量的 CO2，研究不同發電方式之間進行碳排放量交易顯得尤為重要.基于此，構建TISP模型1如下：

目標函數：

約束條件：

式中：i表示發電方式（燃煤電廠，燃油電廠，生物質電廠）；j表示CO2處理技術（CS，CA）；h表示CO2排放水平（h=1，2，3）；f±表示碳排放交易下電力系統的凈利潤（元）；Ci±為 i發電方式下每度電的凈利潤，［元/（kW·h）］；Wi±為i發電方式下的目標發電量（第一階段決策變量） （kW·h）；Rijh±表示i發電方式在h排放水平下，采用j種CO2處理技術減排的量（t）；Pih表示i發電方式下CO2排放水平分布概率；Bij±表示i發電方式下采用技術處理超出排放標準的CO2量的運行成本（元/t）；T±為區域電力系統CO2的總排放限值（t）；Qih±表示i發電方式在排放水平h下排放CO2量（t）；Aij±表示i發電方式利用j技術處理CO2量（t）；ηj±表示j技術的去除效率；Di±表示碳交易下i發電方式的再分配排放標準（t）；μ表示區域CO2減排量占CO2排放總限值的百分比（即減排水平）；kih±為電力供需指數；li表示 i發電方式下每度電 CO2排放負荷值［t/（kW·h）］.

在TISP模型中，由于發電方式的目標發電量 Wi±為區間數，不易求解，因此，在模型中引用一個隸屬度 zi±（zi∈［0，1］），通過 Wi±=Wi-+△Wi±· zi（△Wi=Wi+-Wi-）求解模型中最優目標值和決策變量值.當 Wi±達到最大時（zi=1），電力系統將會產生最大的凈利潤，但同時會伴隨高風險罰款措施與增加超出CO2排放限額的CO2量的處理成本；當Wi±達到最低時（zi=1）電力系統將會產生最少的凈利潤，超出CO2排放限額的CO2量最少，受到相應罰款的風險為最低.根據交互式算法，將模型1拆分為以下兩個確定的子模型［16］：

子模型（1）

約束條件：

子模型（2）

約束條件：

在TISP模型中，當區域內不存在碳排放交易時，每種發電方式排放的CO2量受到CO2分配限額的約束，該情景下，構建TISP模型2如下：

目標函數：

約束條件：凈利潤，元；Wimax±表示 i種發電方式目標發電量的最大值，千瓦時；同上，將模型2拆分為以下2個子模型：

子模型（3）

約束條件：

子模型（4）

約束條件：

根據約束條件，在碳交易與非交易情況下分別求解子模型［16］f+和f-，分別得出 fjopt+、wjopt-（j=1，2，…，k1）、 wjopt+（j=k1+1，k1+2，…，n）、Rjopt-（j=1，2，…，k1）、Rjopt+（j=k1+1，k1+2，…，n）和fjopt-、wjopt-（j=1，2，…，k1）、 wjopt+（j=k1+1，k1+2，…，n）、Rjopt-（j=1，2，…，k1）、Rjopt+（j=k1+1，k1+2，…，n），即：區間線性規劃的最優解為 fjopt±=［fjopt-，fjopt+］、Wjopt±=［Wjopt-，Wjopt+］和Rjopt±=［Rjopt-，Rjopt+］.

式中：f 2

±表示碳排放量不交易情況下電力系統的

2 仿真案例研究

針對是否進行碳交易情形，研究某一區域在未來5年內的發電側的凈收益情況.假設該區域僅存在燃煤電廠、燃油電廠和生物質電廠，并且作為該區域CO2的主要排放源，CO2減排技術有碳捕集與封存（CS）和化學吸收法（CA）［17-18］，則該區域的碳交易平臺模式如下所示：

圖1 基于碳交易下區域電力系統示意圖Fig.1 The sketch map of a regional power system under carbon trading

表1 發電廠的目標發電量和凈利潤Table 1 The target of generated energy and net benefit in each power plant

表2 污染物控制技術的運行成本Table 2 Pollution control techniques and operation costs

本研究通過設置多情景的 CO2減排水平分析碳交易平臺的構建對電力系統的凈收益的影響.在仿真案例中，生物質電廠、燃油電廠和燃煤電廠的年 CO2排放負荷分別為 0.0004、0.0009和 0.00095t/（kW·h），CO2總排放限額為［66.55，73.76］×106t，減排技術在生物質電廠、燃油電廠以及燃煤電廠中的處理能力分別為［9.60，11.10］× 106t，［9.30，10.80］×106t，［9.90，11.40］×106t，CS技術對CO2的減排效率是1.0，CA技術對CO2的減排效率是［0.80，0.90］，發電廠的目標發電量、運行成本、技術減排成本等參數如表1、表2和表3所示［19-20］.基于上述特定的系統參數，通過設置CO2減排水平為0、10%、25%、40%、55%、70%和85%等情景，如表4所示.通過情景比較分析碳交易對系統凈收益的影響，尋求該區域內經濟-能源-環境的最優方案.

表3 不同概率分布下的電力供需指標Table 3 The power demand and supply index and the associated probabilities

表4 不同CO2減排方案下的情景Table 4 The list of scenarios under different CO2emissionreduction levels

3 結果分析

3.1 基于碳交易和非交易模式下系統凈收益分析

利用 Lingo軟件對上述四個碳減排控制技術優化模型（TISP）進行求解，得出在不同的 CO2減排水平下系統收益的變化如圖2所示.隨著區域CO2減排比例的加大，電力系統的收益逐漸減少.其原因是區域CO2減排比例的加大將會導致選擇不同的減排技術，增加系統設備的減排成本.在相同的減排比例下，碳交易模式下的系統收益均高于非交易模式下的凈收益，說明對不同發電方式之間實行碳交易機制有利于提高系統的凈收益，同時也達到“節能”與“減排”的雙重效果.例如：當區域CO2減排比例為25%時，交易機制下系統收益為［108.68，116.17］×109元，非交易機制下系統收益為［105.86，114.73］×109元；當區域 CO2減排比例為 70%時，交易機制下系統凈收益為［84.91， 95.14］×109元，非交易機制下系統收益為［84.15， 94.76］×109元；當區域 CO2減排比例為40%時，交易機制下系統凈收益為［101.23，114.67］×109元，非交易機制下系統收益為［97.63，112.53］×109元，此時，系統的收益差額達到最大，區域內“經濟-能源-環境”3系統達到最佳平衡狀態，規避的風險概率最大，即：碳交易機制在情景S4和非交易機制在情景S4-N下均為最優方案.因此，以情景S4和S4-N為基準，分析其他情景下系統的收益與CO2減排技術.

圖2 不同CO2減排水平下區域系統凈收益Fig.2 Net system benefits under different CO2-mitigation levels

3.2 基于碳交易模式下碳減排技術分析

通過系統收益分析可知，當 CO2減排技術（CA+CS）比例為40%時，區域系統收益為最優，此時，3個發電廠只采用CS處理技術均能達到區域CO2排放的許可，其對應的最佳限額值分別為［8.71，9.52］×106t、［12.50，14.20］×106t和［18.25， 20.36］×106t，如圖3所示.根據圖3可得，在不同的概率信息分布和相同的發電方式下，CS處理CO2的量均不相等，如：當概率分布P11=0.6時，CS技術處理生物質電廠的 CO2處理量的最大值為11.40×106t，最小值為 9.80×106t，當概率分布為P12=0.2時，CS技術處理生物質電廠的CO2處理量為［8.25，8.98］×106t；從圖 3還可得，在相同的概率信息分布和不同的發電方式下，CS處理 CO2的量也不相等，如：當概率信息分布為 0.6時，CS技術處理燃油電廠的 CO2處理量為［9.05，10.75］×106t，而燃煤的 CO2處理量為［9.40，10.75］×106t.

圖3 S4下各電廠采用處理措施處理CO2的量Fig.3 Solutions for CO2emissions from each power plant under S4

圖4 S3下各電廠通過處理措施處理CO2的量Fig.4 Solutions for CO2emissions from each power plant under S3

圖5 S5下各電廠通過處理措施處理CO2的量Fig.5 Solutions for CO2emissions from each power plant under S5

圖4和圖5表征系統收益不是最優狀態時利用CO2減排技術（CA+CS）處理CO2的量；圖4表示CO2減排技術為25%時各電廠利用CO2減排技術處理CO2的量.由于系統減排比例小于最優狀態時的減排比例，因此，3個電廠只需采用 CS處理技術，區域CO2排放的量逼近區域限額的上限值，潛在增加了罰款的風險.相對于 S4情景下，S3情景減少了CS處理技術設備的數量與降低減排力度，相應的限額值為［12.05，13.58］×106t、［18.10，19.04］×106t和［22.38，25.15］×106t，CO2的處理量均少于 S4情景時的處理量，在生物質電廠中，CS處理技術處理 CO2的量為［7.05，7.90］× 106t、5.70×106t和 4.06×106t；在燃油電廠中，CS處理技術處理 CO2的量為［3.65，4.71］×106t、1.88×106t和0t；在燃煤電廠中，CS處理技術處理CO2的量為［4.55，5.83］×106t、2.30×106t和0t.圖5表示CO2減排技術為55%時各電廠利用CO2減排技術處理CO2的量，由于系統減排比例大于最優狀態時的減排比例，系統在采用 CS處理技術的同時也要采用CA處理技術，此時，在生物質電廠中，CA處理 CO2的量分別為 6.17×106t、4.23×106t和 2.57×106t；在燃油電廠中， CA處理CO2的量分別為4.72×106t、2.15×106t和0t；在燃煤電廠中，CA處理CO2的量分別為5.83× 106t、3.01×106t和0t.隨著CO2減排比例的增大，在保證CS處理技術的前提下，增多CA處理技術的設備數量與增強系統的減排力度.通過各發電方式間的碳交易權的購買尋求系統的凈收益與 CO2排放許可的風險的一種平衡，合理分配CA與CS處理技術，從而既避免了由高排放導致的環境罰款風險又規避了減排設備運行成本的增加，以保障系統經濟收益的最優化.

3.3 基于非交易模式下碳減排技術分析

當區域發電方式間不存在碳排放權交易模式時，各電廠采用的減排技術處理的CO2量如圖6所示.根據圖6可知，在區域排放限額值為一定時，生物質電廠和燃油電廠只需采用 CS處理技術，燃煤電廠則同時采用CS和CA處理技術，且在不同的發電方式和不同的概率信息分布下，CS處理技術處理的CO2量均不相等，如在生物質電廠中CS處理技術處理的量為［8.02，9.05］×106t、［6.13，6.65］×106t和［4.42，4.83］×106t；在燃油電廠中處理的量為［9.31，10.42］×106t、［7.29，7.82］×106t和［5.58，5.89］×106t，然而對于高排放源的燃煤電廠，CS處理技術處理的量為［9.41，11.12］×106t、［8.92，9.53］×106t和［6.63，7.24］×106t，同時CA處理技術處理CO2的量為2.32×106t、0t和 0t，此時，區域對應的排放限額值為［10.83，12.10］×106t、［12.72，14.25］×106t和［15.76，17.62］×106t，系統收益達到最優狀態.

圖6 S4-N下各電廠通過處理措施處理的CO2的量Fig.6 Solutions for CO2emissions from each power plant under S4-N

圖7 S3-N下各電廠通過處理措施處理CO2的量Fig.7 Solutions for CO2emissions from each power plant under S3-N

在碳非交易情景下，區域使用碳減排技術處理CO2的量如圖7和圖8，圖7表示碳減排技術比例為 25%時各發電廠利用碳減排技術處理CO2的量.在SN-3情景下，3個電廠只需采用CS處理技術均能達到區域排放限額值，此時，區域排放限額值分別為［14.47，16.16］×106t、［17.02，18.99］×106t和［21.05，23.51］×106t，具體而言，在不同概率信息分布下，CS減排技術處理生物質電廠的 CO2處理量為［4.31，5.02］×106t、2.39×106t和 0.91×106t；燃油電廠的 CO2處理量為［4.92，5.95］×106t、2.98×106t和 1.41×106t；燃煤電廠的CO2處理量為［6.01，7.23］×106t、3.80×106t和1.81×106t.圖 8表示在 SN-5情景下各電廠處理CO2量情況.在SN-5的情景下，由于系統減排比例大于最佳狀態時的減排比例，因此，3個發電廠均同時采用CS和CA處理技術.從圖8可知，在不同的發電方式下，CS和CA處理技術處理CO2量均不相等，如：在生物質電廠中，CS減排技術處理 CO2量為［9.71，11.20］×106t、［9.69，10.85］×106t和［8.23，9.04］×106t，CA減排技術處理 CO2量為2.01×106t、0t和0t，而在燃煤電廠中，CS減排技術處理 CO2量為［9.27，10.59］×106t、［9.24，10.23］× 106t和［9.25，10.36］×106t，CA減排技術處理CO2量為9.51×106t、6.24×106t和3.57×106t.在不存在碳排放權交易的情況下采用高比例的碳減排技術，會造成系統中低排放源發電方式的碳交易權浪費或者增加高排放源發電方式的減排運行成本，從而造成系統碳減排技術的不合理分配與排放限額值的不科學配置，影響系統收益的最優狀態.

圖8 S5-N下各電廠通過處理措施處理CO2的量Fig.8 Solutions for CO2emissions from each power plant under S5-N

3.4 基于2種模式下各發電方式的CO2排放許可分析

圖9 碳交易與非交易模式下各電廠的CO2排放許可Fig.9 Solutions for CO2emission permits from each power plant under carbon trading and non-trading

由圖9可知，在碳交易權機制下，高排放的燃煤電廠通過購買低排放的生物質電廠的碳交易權的方式來擴大自身的排放限值，以此來規避環境罰款的風險和降低減排設備運行成本，低排放的生物質電廠通過將多余的碳排放權以“產品”形式轉賣給高排放源的燃煤電廠以此來獲取收益.如果發電廠之間不實行碳交易機制，各電廠的CO2處理量基本相等，將會導致CS和CA減排技術的不合理分配與區域排放限值的不科學設定，間接影響不同發電方式減排的潛力和區域環境與經濟收益.因此，碳交易機制的形成更有利于科學地制定排放許可值和合理分配減排技術，更有利于系統尋求凈收益與CO2排放許可的平衡點.

4 結論

4.1 基于上述7種情景分析可知，當區域減排比例為 40%時，系統收益的下界值與上界值的差值最大，此時系統的凈收益為最優狀態，碳交易模式下系統的凈收益均高于非交易模式下的系統凈收益， 此外，在不同發電方式的碳排放量交易下，可以計算出各個發電方式的碳交易量，有助于決策者優化合理的配額分配方式和調整初始的碳排放配額值，從而實現“十三五”規劃的約束性目標—最小總量和最優強度的“雙控”目標。

4.2 當減排比例 μ＜40%時，在碳交易模式下，發電廠通過買賣碳排放權來擴大或縮減自身的排放許可值，因此發電廠只需采用 CS處理技術均能達到區域排放限額值；在碳非交易模式下，低排放源的發電方式只需采用 CS減排技術，而高排放源的燃煤發電方式則同時采用CS和CA減排技術；當減排比例μ＞40%時，不管區域系統是否具有碳交易模式，在保證 CS減排技術的前提下，3個電廠均增大了CA減排技術的處理力度.

4.3 對比分析碳交易與非交易模式可知，對于相同的減排比例和發電方式，CS減排技術和CA減排技術處理CO2量均不相等，如：對于減排比例為40%的燃煤的電廠，CS減排技術在碳交易模式下處理的CO2量為9.69×106t，而CS和CA減排技術在非交易模式下處理的 CO2量分別為7.25×106t和2.44×106t，增加了非交易模式下減排設備的運行成本.

［1］ 莫北.“十三五”規劃建議”能源看點探究 ［J］. 中國石油企業，2015，11：23-27.

［2］ 王文軍，傅崇輝，駱躍軍，等.我國碳排放權交易機制試點地區的ETS管理效率評價 ［J］. 中國環境科學， 2014，34（6）：1614-1621.

［3］ 申楊碩.我國發電側C O2減排途徑分析及其優化模型研究 ［D］.北京，華北電力大學， 2013：2-7.

［4］ Chen C， Li Y P， Huang G H， et al. A robust optimization method for planning regional-scale electric powersystems and managing carbon dioxide ［J］. Electrical Power and Energy Systems，2012，1（40）：70-84.

［5］ 姜海洋.促進發電環節節能減排的煤電產業鏈合作優化模型［D］. 北京，華北電力大學， 2010：5-10.

［6］ 孫玉華，許 平，王來生.區間規劃問題的最優性條件 ［J］. 運籌與管理， 2014，1：39-43.

［7］ 劉敬生.兩階段隨機規劃的若干算法及應用研究 ［D］. 山東科技大學， 2009.

［8］ Maqsood I， Huang G H. A two-stage interval-stochastic Programming model for waste Management under uncertainty ［J］. Journal of the Air & Waste Management Association （A&WMA），2003，53：540-552.

［9］ 李曉惠.區間兩階段隨機規劃在電廠 SO2排放配額分配中的應用 ［D］. 北京：華北電力大學（北京）， 2008.

［10］ 莫淑紅，段海妮，沈 冰，等.考慮不確定性的區間多階段隨機規劃模型研究 ［J］. 水利學報， 2014，12：1427-1434.

［11］ 董 聰.基于不確定性優化方法的能源環境系統規劃模型研究［D］. 北京：華北電力大學， 2014.

［12］ 范英英.基于碳排放總量控制的低碳經濟發展優化模型研究［D］. 華北電力大學， 2012.

［13］ 武傳寶，李 薇，解玉磊，等.基于區間規劃的多區域行業間碳排放權交易模型研究 ［J］. 中國電力， 2014，（7）：137-143.

［14］ 王素鳳.中國碳排放權初始分配與減排機制研究 ［D］. 合肥：合肥工業大學， 2014.

［15］ 陳 強.電力系統綠色電力交易機制研究 ［D］. 上海：上海交通大學， 2013.

［16］ Huang G H， Loucks D P. An inexact two-stage stochastic programming model for water resources management under uncertainty ［J］. Civil Engineering and Environmental Systems，2000，17（1）：95-118.

［17］ 羅金玲，高 冉，黃文輝，等.中國二氧化碳減排及利用技術發展趨勢 ［J］. 資源與產業， 2011，1：132-137.

［18］ 林永明.中國燃煤電廠CO2捕集技術開發及應用 ［J］. 廣西電力，2013，3：16-19+27.

［19］ 丁 煒，朱 林.火電廠 CO2減排技術及成本探討 ［J］. 電力科技與環保， 2011，2：9-13.

［20］ 孫 亮，陳文穎.中國大陸 CCUS源匯靜態匹配管網布局 ［J］.清華大學學報（自然科學版）， 2015，6：678-683.

A Game analysis on carbon trade under carbon mitigation targets during the 13thFive-Year plan period.

LI Wei1*， DONG Yan-yan1， LU Han1， HUANG Kui1， WANG Zhen-yu2（1.Key Laboratory of Regional Energy System Optimization， North China Electric Power University， Beijing 102206， China；2.Nan Rui （Wuhan） Electrical Equipment and Engineering Center for Energy Efficiency Assessment， Wuhan 430000， China）. China Environmental Science， 2016，36（9）：2857～2864

Considering the floatability and uncertainties of Carbon Trade， this paper proposed a under Carbon Trade model called a two-stage inexact-stochastic programming （TISP） which was structured on the basis of Carbon emissions permits and the technologies and costs of carbon emission reduction. Then the balance of net benefit and CO2emission permit of the system was sought through the optimization model. The paper showed the result about a significant index called μ. Firstly， when the model defined μ=40%， net system benefit achieved optimal and the benefit was higher under carbon trading than that under non-trading. Secondly， when the model defined μ＜40%， the carbon reduction requirements of the coal-fired power plants could be met only by capture and storage （CS） reduction technology under the conditions of carbon trading or both the CS and chemical absorption （CA） reduction technology under the conditions of non-trading. Lastly， when the model defined μ＞40%， all of the three power plants must develop the CA reduction technology processing on the premise of guaranteeing the CS technology. In a word， Carbon Trade would not only contribute to rationally allocating carbon reduction technologies but also help to establish a new trading markets including energy-use specification， carbon-emission criterion and pollutant-emission restriction. The final aim was to make the target of the carbon dioxide reduction come true as early as possible.

carbon-emission trade；interval-parameter programming；stochastic programming；capture and storage reduction technology and chemical absorption （CA） reduction technology

X24，X32

A

1000-6923（2016）09-2857-08

2016-01-11

國家自然科學基金 （61471171）；環保公益性行業科研專項（201509010）；中央高校基本科研業務費專項資金資助（2015ZZD08）

* 責任作者， 教授， weili819@aliyun.com

李 薇（1974-），女，內蒙古赤峰人，教授，博士，主要從事能源與環境系統優化、節能減排理論、能運環境污染控制等領域研究.發表論文70余篇.