印度煤电系统脱碳路径与机器学习分析

研究背景

作为全球第三大碳排放国，印度承诺到2070年实现净零排放。其电力系统60%依赖低效燃煤电厂，且未来十年用电需求预计翻倍。缺乏详细电厂数据与区域差异分析是制定脱碳计划的主要挑战。

数据构建与方法

1. 机器学习评估电厂效率

   • 利用机器学习模型预测印度全部806座燃煤电厂的“站热效率”（station heat rate），首次构建涵盖30个区域的完整开源数据集。
   • 数据集包含机组容量、效率、年龄、负载因子、水资源压力及锅炉类型（超临界/亚临界），获2024年MIT开放数据奖。

2. GenX模型模拟脱碳情景

   • 基于2020年印度电力系统数据，输入区域化煤价、风光资源潜力等参数，模拟2035年四种电网演进情景：
     • 基准情景：限制风光发电，无改造选项。
     • 高可再生能源容量：无供应链限制的风光大规模部署。
     • 生物质共燃：所有煤电厂可改造使用20%生物质燃料。
     • 碳捕获封存+生物质共燃：超临界电厂附加90%碳捕获率。

关键发现

• 成本最优路径：高可再生能源情景下电力成本最低，但导致西部南部富裕地区集中投资，东部贫困地区边缘化。
• 技术替代方案：碳捕获+生物质共燃可降低22%电力成本（相对于基准情景500Mt碳限额），但需考虑技术可行性与地域公平。
• 煤电依赖持续：即使无碳限额，2035年煤电容量仍需增长10-20%以满足需求。

政策启示

• 需平衡成本与能源公平，通过区域化可再生能源配额促进均衡发展。
• 碳捕获技术尚未在印度应用，成本基于中国数据上浮10%，实际推广需政策支持与产业链配套。
• 开源模型与数据集可为发展中国家提供定制化能源转型分析工具。

研究限制

• 碳捕获成本估算存在不确定性，生物质共燃仅替代20%煤燃料，脱碳效果有限。
• 高可再生能源情景假设理想化供应链，实际部署需考虑基础设施与投资壁垒。

研究方法与数据已开源，支持其他国家能源政策制定。