0 引言

2020年9月，中国明确提出2030年“碳达峰”和2060年“碳中和”的目标。能源电力行业改革在碳达峰碳中和进程中必不可少，在新型电力系统背景下，随着新能源渗透率的提升，火电机组将从电源主体逐渐转变为灵活性主体，运行方式的变化将会导致碳排放强度随之上升。在电力供给侧，以煤电为代表的火电一直占据主导地位[1-3]。全国碳排放权交易市场是实现碳达峰碳中和目标的核心市场机制之一[4-7]，碳配额是由碳排放权交易而产生的新型碳资产。而对于火电企业来说，配额盈缺与产量、碳排放强度和基准值相关[8]，根据当前全国碳市场配额分配方案[9]，燃煤机组的供电碳排放强度与其对应的供电碳排放基准值的差值和供电量的大小共同决定了其在碳市场中碳配额的盈缺水平。目前，不断下调各类燃煤机组碳排放基准值以及收紧碳配额发放规模，导致火电企业履约难度逐渐加大。因此在新型电力系统建设深化、碳市场约束逐渐收紧的背景下，研究燃煤机组供电量对供电碳排放强度的影响对于燃煤机组低碳发电运行是至关重要的。

针对供电量与供电碳排放强度的影响，部分学者采用实验研究挖掘其中的关系。文献[10]通过对8台不同类型的机组进行深度调峰运行实验，发现机组不同供热比会对锅炉低负荷运行能力产生影响，从而影响碳排放强度。文献[11]通过对600 MW机组30%～40%额定容量进行动态升降负荷深度调峰试验，证明机组可以实现稳燃、超低排放等要求。文献[12]针对4台并列运行的300 MW亚临界机组，通过分析60%负荷调峰滑压运行实验的结果，结合最优化理论的多项式回归法得出每台机组对应的发电标煤耗与负荷之间的关系。

进一步地，有学者在已有电碳监测数据的基础上，分析了燃煤机组不同容量机组供电量与碳排放强度的关系。其中文献[13]基于最小二乘法分析了机组以启停调峰、正常运行调峰和深度调峰3种方式参与灵活性运行对碳排放强度的影响，发现机组在正常调峰阶段随机组负荷下降，碳排放强度逐渐加大，深度调峰阶段的增大趋势更加明显。文献[14]分析了300 MW和600 MW燃煤机组负荷率与CO2排放强度的关系，建立了一种适用于环境-经济调度研究的碳排放特性模型，得出燃煤机组碳排放强度随机组负荷的增加而减少的结论。文献[15]针对机组发电量与CO2实测量采用三次多项式函数进行拟合，综合考虑发电成本、碳排放以及大气污染，构建了一种机组负荷-碳排放特性模型。文献[16]通过考虑燃煤机组负荷降低时汽轮机热耗率和厂用电率的变化，将供电煤耗与机组负荷间的关系拟合为二次函数形式进行分析。

部分学者结合经济性等对机组的其他特性进行了更深一步的研究。其中文献[17]基于热电联产机组的碳排放特性和碳交易经济性，利用EBSILON仿真软件得到全工况碳排放分布以及收益组成，分别研究了碳排放量和碳排放强度与负荷之间的定量关系，得出热电联产机组碳排放量与负荷呈正比，度电碳排放量与负荷呈反比的结论。文献[18]通过引入“荷碳率”的概念，建立扩展的碳排放流模型，并证明了该模型在降低碳排放方面的作用。文献[19]通过建立热电联产机组多目标优化模型，结合电力调峰辅助市场和碳排放权交易市场，利用多目标粒子群算法对效率、利润和碳排放量进行寻优，解决热电联产机组难以兼顾经济性和低碳性的问题。文献[20]尝试将Shapley值法引入到综合能源系统碳交易模型中，建立综合能源系统双层优化调度模型，计算出各负荷率下的碳排放量，分析其减排作用。文献[21]通过建立考虑环保效益的燃煤机组调度模型，分析得到随负荷率降低，燃煤机组煤耗和碳排放强度呈骤增趋势，且调峰幅度越大，发电成本越高。

根据现状调研，可以发现目前对燃煤机组碳排放监测大数据的分析利用大多停留在统计分析层面。文献[22-23]指出大数据技术应正视因果分析、统计分析和行为分析方法各自的适用场景并进行有机融合，应覆盖所有类型数据，涉及异类数据间的协同，精确算法与统计算法的融合，以及不同研究模式的协调。例如，在原本依靠统计分析的问题中加入因果知识可以提高适用性与精度；在原本依靠因果分析的问题中加入统计知识可以提高解决问题的效率。综合应用各种分析方法，来支撑那些用单一分析方法无法解决的复杂问题研究。数据驱动的统计分析方法和严格量化的因果分析相结合将是未来电力系统分析与控制领域的全新方向[24]。

本文沿着文献[22-23]提出的研究思路，试图在碳监测数据统计分析的基础上加入先验因果知识，在不同方法的融合方面进行了初步探索，旨在提升碳排放监测数据的分析精度。以热电联产燃煤机组为应用对象，综合考虑各变量间的因果关系，以能够充分挖掘燃煤机组历史碳排放监测数据为目标，提出一种基于数据驱动因果推断的燃煤机组低碳发电运行辅助决策方法，以求对燃煤机组碳排放监测分析形成一种有益扩充。首先，根据先验知识构建因果图，基于结构因果模型识别出混杂变量，同时采集对应的涉碳参数并进行数据预处理，构建燃煤机组数据集。其次，基于广义倾向得分匹配模型计算广义倾向得分，并拟合出供电量对供电碳排放强度的影响函数，计算辅助决策指标，为燃煤机组低碳经济运行提供辅助决策。通过本方法可以识别出火电机组最优碳排放点，为机组变负荷运行时的碳排放情况提供合理预测；通过考虑排放成本研究燃煤机组低负荷运行对火电企业经营发展的影响，从碳市场履约角度为燃煤机组运行策略提供建议。

1 火电供电标煤耗与碳排放强度监测分析

目前，中国电力格局仍然以火力发电为主，火力发电碳排放量占全国总排放量的50%以上。因此，对火电企业碳排放监测分析方法的研究十分重要。

目前国际上主要存在2种主流的碳排放监测方法，即在线测量法和核算法。中国遵循“核算为主，监测为辅”的原则，主要采用核算法。

核算法是指排放企业基于一定方法对企业的温室气体排放量进行核查计算[25]，包括对碳排放量、热量输入、供电量等的核算。其中，热量输入Ha 通过燃料消耗和燃料热值参数进行计算，如式 （1） 所示。

式中：Ha为热量输入，GJ；k为化石燃料种类代号；FC,k为第k种化石燃料的耗量，t；NCV,k为第k种化石燃料的日平均低位热值，GJ/t。

碳排放量则利用在线测量法进行监测。在线测量法是一种基于排放端CO2排放量的测量方法，通过安装连续排放监测系统（continuous emission monitoring system，CEMS）直接测量CO2排放量[26]。其中应用最为广泛的是烟气CO2实测，该方法根据烟气浓度、流速和时间进行计算，如式 （2） 所示。

式中：E为统计时间t内的CO2排放量，t；CCO2为烟气中统计时间t内的平均CO2体积浓度，%；v为统计时间t内的平均烟气流速，m3/s；t为统计时间，s；509表示1 t CO2的体积为509 m3。

此外，全国碳市场已经启动，火电是纳入其中的首个行业。配额分配制度是全国碳市场的重要基础制度，随着供电碳排放基准值的设置，供电碳排放强度已经逐渐成为燃煤机组最明确的排放指标。

热电联产机组的供电碳排放强度需要考虑供热比的影响，计算公式为

式中：EI为供电碳排放强度，t/MWh；Qa为供电量，MWh；RH为机组供热比。

燃煤机组供电标煤耗可由热量输入和供电量计算求得，公式为

式中：B为燃煤机组供电标煤耗，t/MWh；29.271为标煤热值，GJ/t。

燃煤机组度电发电成本首先需要考虑煤耗成本，度电煤耗成本可由供电标煤耗和煤价计算求得，如式（5） 所示。

式中：Ccoal为煤耗成本，元/MWh；Pcoal为煤价，元/t。

燃煤机组在碳市场中的度电排放成本可由供电碳排放强度和碳价计算求得，该成本为机会成本，用于支撑报价策略的制定，如式 （6） 所示。

式中：Ccarbon为排放成本，元/MWh；Pcarbon为碳价，元/t。

燃煤机组在碳市场影响下，在计算燃煤机组运行过程中的单位发电成本时，要在传统单位发电成本基础上额外考虑排放成本的影响，如式 （7） 所示。

式中：Call为单位发电总成本，元/MWh；Co&m为度电运维成本，元/MWh。

2 融合因果图和倾向得分的燃煤机组低碳运行辅助决策方法

现有的碳排放监测分析方法在对历史碳监测数据的挖掘利用方面存在不足，积累的大量相关数据中包含的价值并没有得到充分发挥，无法对影响火电企业碳排放量的因素进行有效的时空特征分析，难以形成规律性认识。

随着大数据的发展和积累，数据驱动的因果推断方法成为一种新的可选项，其本质是在统计分析中引入先验的专家知识，最普遍采用的是结构因果模型（structural causal model，SCM）和潜在结果模型（potential outcome framework，PO）[27]。SCM与PO的共同点在于其目的都是计算干预变量对结果变量的影响，都需要对变量之间因果关系的可识别性进行假设，都需要控制对评估结果产生混杂影响的变量[28]。对于燃煤机组低碳发电运行的辅助决策而言，数据驱动因果推断方法具有无需实验、无需调试的优点，若结合已积累的电碳监测历史数据，能够以较低成本、较高效率实现辅助决策。

为了更好地分析燃煤机组供电量对供电碳排放强度的影响，本文选择融合使用结构因果模型与潜在结果模型的方法，具体流程如图1所示。首先，根据锅炉热动原理和发电生产原理等先验知识构建有向无环图（directed acyclic graph，DAG），并同步进行燃煤机组涉碳样本采集和预处理，以及混杂变量的识别。其中，每个样本由经标幺化的供电量、热量输入和供电碳排放强度组成，体现了在不同供电量、热量输入情况下的供电碳排放强度。基于结构因果模型和潜在结果模型的等价性[29]，将混杂变量选取为匹配变量，根据样本干预变量和匹配变量的取值计算广义倾向得分并拟合出考虑热量输入的情况下，供电量对供电碳排放强度的影响函数，进而完成辅助决策指标的计算，为燃煤机组低碳发电运行提供决策支撑。

图1 融合结构因果模型和潜在结果模型的低碳运行辅助决策流程图
Fig. 1 Flow chart of low carbon operation decision support by integrating SCM and PO

2.1 构建燃煤机组运行参数有向无环图

根据锅炉热效率反平衡计算公式，热量输入对排烟热损失和机械不完全燃烧热损失影响较大，进而影响锅炉效率，使得供电标煤耗和供电碳排放强度发生变化。同时，热量输入决定了燃煤机组的最大供电能力和最大供热能力，进而决定了供电量和供热量。当供电量或供热量变化时，会使得机组碳排放量发生变化，进而影响供电标煤耗和供电碳排放强度。燃煤单位热值含碳量会直接影响供电标煤耗和供电碳排放强度，不过由于燃煤机组通常由多种燃煤混合燃烧，故很难获取到精确的单位热值含碳量。

故而构建分析供电量对供电标煤耗和供电碳排放强度的有向无环图如图2，虚线框表示无法获取具体数值的参数。基于结构因果模型后门准则[30]，结合图2可知，在分析供电量与供电标煤耗或供电碳排放强度的关系时，应选择热量输入作为混杂变量进行控制。

图2 供电量与供电标煤耗、供电碳排放强度的有向无环图
Fig. 2 DAG of electric power supply, standard coal consumption,and carbon emission intensity

2.2 样本数据的预处理

分别由第1章中式 （1）、式 （2）、式 （3）、式 （4）获得样本的热量输入、碳排放量、供电碳排放强度、供电标煤耗数据。为满足后续计算要求，需要对供电量和热量输入指标进行标幺化处理。其中，对于供电量指标，以燃煤机组理论最大供电能力为基准，对供电量进行标幺化，如式 （8） 所示。

式中：Q为标幺化后的供电量；Qmax为日最大供电能力；C为燃煤机组装机容量；tH为燃煤机组运行小时数。

对于热量输入指标，以样本集中最大热量输入为基准，进行标幺化，如式 （9） 所示。

式中：H为标幺化后的热量输入；Hmax为样本集中最大热量输入值。

根据燃煤机组每日的监测结果，将机组第i日的监测数据定义为第i个样本：qi、hi、ei、bi分别为第i个供电量、热量输入、供电碳排放强度、供电标煤耗，总样本数为N个。

2.3 评估样本的广义倾向得分

基于结构因果模型和潜在结果模型的等价性，将由有向无环图确定的混杂变量选取为匹配变量，采取潜在结果模型中的广义倾向得分 （generalized propensity score，GPS） 匹配模型进行因果效应的估计。倾向得分匹配 （propensity score matching，PSM） 是一种将多维度协变量降到倾向得分这一个一维变量，进而通过匹配倾向得分接近的个体消除选择偏差，计算因果效应的方法。而广义倾向得分匹配模型是对倾向得分匹配的一种扩展和补充，突破了干预变量为二值变量 （binary variable） 的局限性[31]。

本文中连续型干预变量Q为供电量，在区间[0,1]中取值，结果变量EI为供电碳排放强度（或取供电标煤耗B为结果变量），匹配变量H为热量输入。

针对每个样本的供电量和热量输入，采用Fractional Logit模型[32]计算对应的广义倾向得分，该模型具有干预变量无需满足正态分布的优点，适用于本文的研究。

首先采用最小二乘法对和hi进行一次拟合，得到系数β0、β1，如式 （10） 所示。

对式 （10） 进行反函数变换，得到供电量qi的条件期望值，进而得到伯努利似然函数形式的广义倾向得分，如式（11）所示。

2.4 影响函数的评估识别

利用供电量qi和估计出的广义倾向得分pˆi构建包括平方项和交互项的供电碳排放强度ei的条件期望模型，如式（12）所示。

根据式 （12），基于样本值利用最小二乘法（ordinary least squares，OLS）得到估计系数α0、α1、α2、α3、α4、α5，进而得到供电量为q时供电碳排放强度的期望值，即供电量与供电碳排放强度间的影响函数，如式 （13） 所示。类似地，将结果变量换为供电标煤耗B可以得到形式相同的函数，由于变量不同得到的估计系数也不同。

2.5 辅助决策指标的计算评估

式（13） 可以刻画燃煤机组处于任意运行工况时的供电碳排放强度均值，将不同供电量取值对应的供电碳排放强度均值与供电量为当前状态qc时的供电碳排放强度均值进行比较，可以计算得到供电量上（下）调Δq（下调时Δq取负）时，供电碳排放强度产生的净影响为µ(qc +∆q)-µ(qc)，进而得到辅助决策指标s(qc)，如式（14） 所示。

通过对供电量进行分段，并分别计算各区间的上（下） 调辅助决策指标，可以得到机组在不同供电量区间分别执行上 （下） 调时所要承担的不同排放成本。综合考虑总体发电成本及可能的减排效益后，确定优先进行调整的机组及上 （下） 调幅度。最终通过计算辅助决策指标确定燃煤机组的上（下） 调最优碳排放强度点，进而实现燃煤机组低碳发电运行辅助决策。

3 算例分析

3.1 数据结构

选取中国某火电厂4×350 MW机组和2×300 MW机组的实际运行数据分别进行分析，以验证本方法的可行性。以热电比为依据分组，将供热比接近0的4×350 MW机组定义为低供热比机组；将供热比0.2左右的2×300 MW机组定义为高供热比机组。考虑该火电厂传感器数据为多台机组共用，烟气统计数据无法细分至单台机组，因此对多台同一类型机组共同研究，所得结果在一定误差范围内，与分析单台机组的研究结果一致。整理初始样本经过预处理后的参数分布，如图3所示。

图3 燃煤机组样本数据结构
Fig. 3 Sample data structure of coal-fired units

对2种机组的供电量标幺值、热量输入标幺值、供电碳排放强度、供电标煤耗等数据分别求其最大最小值、均值和标准差，得到机组样本描述性统计如表1、表2所示。

表1 低供热比机组样本统计表
Table 1 Sample statistics of low heating ratio unit

变量均值标准差最小值最大值供电量标幺值0.696 70.128 50.370 10.923 6热量输入标幺值0.718 10.138 80.336 81.000 0供电碳排放强度/(t·(MWh)-1)1.019 30.116 40.589 61.670 6供电标煤耗/(t·(MWh)-1)0.322 80.035 00.188 60.509 0

表2 高供热比机组样本统计表
Table 2 Sample statistics of high heating ratio unit

变量均值标准差最小值最大值供电量标幺值0.728 50.178 20.271 80.967 5热量输入标幺值0.642 50.183 90.114 81.000 0供电碳排放强度/(t·(MWh)-1)0.958 30.199 80.291 91.656 0供电标煤耗/(t·(MWh)-1)0.319 00.061 40.099 80.535 4

通过比较图3和表1、表2中的数据，从均值角度考虑，高供热比机组供电量偏高，供电碳排放强度和供电标煤耗均偏低，这是由于机组供热对碳排放的影响主要体现在机组供热后减少余热损失，机组煤耗降低，供电碳排放强度相应减少。从标准差角度考虑，高供热比机组的供电标煤耗和供电碳排放强度的标准差均偏高，即数据离散程度高。

3.2 结果分析与比较

基于2类机组的样本数据，根据式 （10）、式（11）计算出各样本对应的广义倾向得分。其中，低供热比机组热量输入的GPS平均值为0.561 4，最大值为0.744 8，最小值为0.403 7；高供热比机组热量输入的GPS平均值为0.595 7，最大值为0.843 7，最小值为0.392 0。结合供电量和热量输入，得到对应的倾向得分分布图如图4所示。

图4 不同机组倾向得分分布对比
Fig. 4 Comparison of propensity score distribution for different units

由图4可知，对于2类机组，在热量输入固定时，存在供电量较大时倾向得分也较大的现象。由倾向得分的定义可知，该问题中供电量取较大值的概率高，最终的拟合结果在供电量取较大值的区间可信度高。

根据式 （12） 估计出供电碳排放强度的条件期望，进一步在细分的供电量标幺值及其对应的广义倾向得分下根据式 （13） 计算供电碳排放强度在不同供电量标幺值下的期望值，如图5中三角形标记曲线所示。同理计算出供电标煤耗在不同供电量标幺值下的期望值，如图6中三角形标记曲线所示。另外，正方形和圆形标记曲线分别由二次最小二乘和三次最小二乘拟合，即纯数据驱动方法直接拟合得到的结果[13-15]。

图5 不同方法排放影响函数对比
Fig. 5 Comparison of the emission impact functions of different methods

图6 不同方法煤耗影响函数对比
Fig. 6 Comparison of the coal consumption impact functions of different methods

对比图5、图6曲线形式可知，本方法相较纯数据驱动方法得到的结果更加精确。具体表现为：随供电量增加，供电碳排放强度和供电标煤耗均呈现明显的先下降后上升趋势。精确的影响函数更有利于识别燃煤机组的最优供电碳排放强度、最优供电标煤耗所对应的供电量区间。其中，对于低供热比的燃煤机组，当供电量低于0.7时，供电碳排放强度和供电标煤耗随着供电量的降低而升高，且供电量越低，升高越明显；对于高供热比的燃煤机组，该值为0.8。

从因果分析角度考虑，燃煤机组低出力运行时，易引发汽轮机热耗量增加、辅机厂用电量增加、锅炉燃烧不稳定等因素导致供电标煤耗增加。文献[33]提出根据供电量将燃煤机组标煤耗曲线分为基础调峰区间（高供电量）和深度调峰区间（低供电量）。在基础调峰区间，机组标煤耗变化较平缓；在深度调峰区间，机组标煤耗随供电量降低而升高，且变化较快。本文得到的曲线形态与因果分析得到的结论相符合。

由图7中供电标煤耗和供电碳排放强度的拟合曲线对比可知，供电标煤耗与供电碳排放强度的变化趋势基本一致。对于低供热比机组，机组最优供电标煤耗对应的供电量略高于机组最优供电碳排放强度对应的供电量；而对于高供热比机组，机组最优供电标煤耗和供电碳排放强度对应的供电量取值基本相同。

图7 燃煤机组煤耗成本、排放成本对比分析
Fig. 7 Comparative analysis of consumption cost and emission cost for thermal units

本算例拟合结果在供电量偏小时，存在供电碳排放强度偏大，达到1.6 t/MWh的情况，原因在于采用的样本在小供电量处的样本数量较少（如表3、表4所示），从而使得拟合结果存在一定偏差。不过由于对确定最优碳排放强度点的影响较小，且机组处于小供电量时的情况很少，故拟合结果在可接受范围内。

表3 低供热比机组样本分布表
Table 3 Sample distribution of low heating ratio units

供电量区间[0.370 1,0.646 9][0.646 9,0.923 6]样本个数136229

表4 高供热比机组样本分布表
Table 4 Sample distribution of high heating ratio units

供电量区间[0.271 8,0.619 7][0.619 7,0.967 5]样本个数90275

根据式 （14） 进行辅助决策指标计算，将2种机组的供电量分别均分为10段，并计算每一段的辅助决策指标，得到2台机组上调和下调时不同的辅助决策指标，如图8所示。

图8 不同机组辅助决策指标对比分析
Fig. 8 Comparative analysis of decision support indicators for different units

对比图8 （a） 和图8 （b） 可知，2类机组的上调辅助决策指标随供电量增加，均呈现先负后正的变化趋势，而下调辅助决策指标则相反。2种机组的辅助决策指标为零时对应的供电量分别在0.7、0.8附近，燃煤机组在定位转变为灵活性调节电源的过程中，供电量标幺值下调时若控制到对应供电量区间可以有效降低排放、承担更少的发电成本。

进一步分析350 MW燃煤机组的发电成本，从煤价和碳价2个维度设置仿真情景。首先，基于当前实际煤价、碳价计算燃煤机组发电运行成本。设置煤价为800元/t，碳价为70元/t，运维成本固定为60元/MWh进行分析计算，得到燃煤机组发电边际成本和排放成本占比，如图9所示。

图9 燃煤机组发电边际成本构成和排放成本占比
Fig. 9 Composition of marginal cost of power generation and emission cost proportion for coal-fired units

在固定煤价、碳价的情况下，燃煤机组总发电成本范围在382～538元/MWh，且最低点出现在供电量标幺值0.73左右；燃煤机组煤耗成本范围在252～371元/MWh，最低点同样出现在供电量标幺值0.73左右；因购买碳配额履约而增加的排放成本范围在70～106元/MWh，且最低点出现在供电量标幺值0.67左右，其占总发电成本比例的范围在18.2%～19.8%。

根据全国碳市场及地方试点碳市场近2年碳价交易及预期未来发展情况，设置碳价为高（300元/t）、低（50元/t）；根据2022—2023年中国煤炭产业经济形势研究报告中的煤价情况，设置煤价为高（1000元/t）、低（500元/t），共4个组合进行发电成本分析，以此研究不同碳价和煤价对燃煤机组发电成本的影响，得到结果如图10所示。

图10 不同煤价和碳价下的发电成本分析
Fig. 10 Power generation cost analysis of different coal prices and carbon prices

由图10结果可知，在低煤价低碳价下燃煤机组发电成本最低为268～369元/MWh，随着煤价和碳价持续走高，煤耗成本和排放成本均升高，在高煤价高碳价下发电成本最多为674～982元/MWh。

3.3 分析总结

由3.2节分析可知，随着供电量的增加，燃煤机组的供电碳排放强度会呈现先下降后上升的趋势。对于低供热比机组，当供电量达到0.724标幺值时，供电碳排放强度达到最低值0.998 t/MWh；对于高供热比机组，当供电量达到0.828标幺值时，供电碳排放强度达到最低值0.916 t/MWh。在对火电机组实施严格碳排放控制的政策背景下，在供电量标幺值下调时精确预测不同供电量下的供电碳排放强度，有利于火电企业通过综合考虑煤耗和排放成本，在低碳转型过程中承担更少的经济损失。

由本文所提出的辅助决策指标可以确定燃煤机组的上 （下） 调最优碳排放强度点，从碳排放视角为制定燃煤机组发电计划提供辅助决策。另外，通过计算得出燃煤机组排放成本随供电量的变化情况，更有利于火电企业在碳市场中进行履约，减轻履约压力。即本方法从火电企业参与系统调节和碳市场履约2个角度为燃煤机组低碳发电运行提供了辅助决策支持。

通过分别与纯数据拟合方法和因果分析方法进行比较可知，本文所提方法通过融合数据驱动方法和因果推断方法，保留了二者的优势。本文方法相较纯数据拟合方法得到的结果更加贴合燃煤机组运行实际，相较因果分析方法省去了复杂控制实验，大幅缩减了实验成本，且充分利用了碳排放监测数据，在工程上具有应用价值。

4 结论与展望

本文针对电力系统转型过程中的燃煤机组低碳运行问题，提出一种基于实测数据因果推断的燃煤机组低碳经济运行评估决策方法，其本质在于，在传统的统计分析方法基础上，加入了先验的因果关系知识，来提升大数据挖掘分析的准确度。主要结论如下。

1） 在燃煤机组低碳发电运行问题中引入数据驱动因果推断方法，通过刻画因果图来描述燃煤机组供电量与供电碳排放强度、供电标煤耗等变量间的因果关系，并依据因果图相关准则识别出混杂变量为热量输入。剔除混杂变量带来的伪相关关系，结合广义倾向得分匹配模型拟合出影响函数，从数据中提取出更具指导意义的辅助决策指标，验证了本文所提方法的可行性和有效性。

2） 通过供电碳排放强度对比分析得出，本文所提方法能够以较低的实施成本更加高效地识别出燃煤机组最低供电碳排放强度点，同时结合了数据拟合和因果分析的优点，有利于支撑当火电运行出力发生变化时，对燃煤机组供电碳排放强度的变化进行预测和控制，为火电企业参与系统调节和碳市场履约提供有效辅助决策。

后续将针对更多类型火电机组的CO2实测数据，对本文所提方法的强壮性进行进一步验证。此外，本文所提方法同样适用于电力系统级碳排放监测数据的数据挖掘，可以针对区域电网，研究电网平均碳排放因子的影响因素。