Machine Translated by Google

Energi Terapan 322 (2022) 119514

Daftar konten tersedia di ScienceDirect

Energi Terapan

beranda jurnal: www.elsevier.com/locate/apenergy

Keputusan investasi pada teknologi penangkapan dan pemanfaatan

karbon (CCU)—Model opsi nyata berdasarkan efek pembelajaran teknologi

, Hailong Li b , Siyuan Chen c , Fei Teng iklan

sebuah,*

Jiangfeng Liu , Qi Zhang sebuah

sebuah

Fakultas Ekonomi dan Manajemen, China University of Petroleum, Beijing, Changping, Beijing 102249, China
b
Sekolah Bisnis, Masyarakat & Teknik, Malardalen ¨ Universitas, Vasteras, Swedia
c
Sekolah Manajemen dan Ekonomi, Institut Teknologi Beijing, Haidian, Beijing 100081, Cina
d
Perpustakaan Sains Nasional Akademi Sains China, Beijing, China

HIGHLIGHT

• Model keputusan investasi opsi riil baru diusulkan berdasarkan efek pembelajaran teknologi. • Pendekatan
kurva pembelajaran teknologi dua faktor berbasis komponen dikembangkan untuk memprediksi biaya komponen. • Harga minyak
harus $80/barel untuk memicu investasi segera untuk CO2-EOR. • Harga metanol harus lebih dari 580 $/ton o memicu investasi
segera untuk CO2-MET. • Proyek CO2-MET memiliki fleksibilitas yang lebih ekonomis dan geografis daripada proyek CO2-EOR.

INFORMASI ARTIKEL ABSTRAK

Kata kunci: Teknologi Carbon Capture and Utilization (CCU) sangat penting untuk mencapai target netralitas karbon. Namun, menilai
Penangkapan dan Pemanfaatan Karbon (CCU) nilai dan waktu investasi secara komprehensif masih menjadi tantangan bagi CCU karena ketidakpastian teknologi dan
Keputusan investasi
pasar dari perspektif jangka panjang. Untuk membantu pengambilan keputusan, karya ini mengembangkan model
Efek pembelajaran teknologi
keputusan investasi opsi nyata baru berdasarkan efek pembelajaran teknologi. Secara khusus, pendekatan kurva
Peningkatan pemulihan minyak menggunakan CO2 (CO2-EOR)
pembelajaran teknologi dua faktor berbasis komponen diusulkan untuk memprediksi biaya masa depan untuk setiap komponen.
Sintesis metanol dari CO2 yang ditangkap (CO2-
BERTEMU)
Untuk memverifikasi model ini, digunakan untuk menganalisis dua proses CCU, termasuk pemulihan minyak yang
ditingkatkan menggunakan CO2 (CO2-EOR) dan sintesis metanol dari CO2 yang ditangkap (CO2-MET). Hasil menunjukkan
bahwa model yang diusulkan dapat memprediksi kurva biaya teknologi secara efektif dan menemukan keputusan investasi
yang optimal untuk kedua aplikasi dengan mempertimbangkan berbagai ketidakpastian. Juga ditemukan bahwa harga
minyak setidaknya harus lebih dari 80 $/barel untuk CO2 - EOR dan harga methanol harus lebih dari 580 $/ton untuk CO2-
MET untuk memicu investasi segera. Relatif, berinvestasi dalam proyek CO2-MET lebih ekonomis daripada proyek CO2-EOR.

1. Perkenalan ketidakpastian pasar juga mempengaruhi proses pengambilan keputusan

Menurut analisis Badan Energi Internasional (IEA), tangkapan CO2 global
akan mencapai 1,7 dan 7,6 miliar ton per tahun pada tahun 2030 dan 2050 [1].
Penangkapan dan Pemanfaatan Karbon (CCU) adalah salah satu langkah
penting untuk mencapai target netralitas karbon; dan dibandingkan dengan
Carbon Capture and Storage (CCS), ini bisa lebih menarik secara ekonomi [2].
Namun, sebagian besar teknologi CCU belum dikomersialkan, dan menghadapi
tantangan modal yang tinggi serta biaya operasi dan pemeliharaan (O&M) [3].
Mengurangi biaya sangat penting untuk meningkatkan nilai investasi CCU di
masa mendatang [4]. Tambahan,
proyek-proyek CCU, yang tidak hanya mencakup pasar ketenagalistrikan, tetapi
juga pasar produk-produk CCU. Misalnya, peningkatan pemulihan minyak
menggunakan CO2 (CO2-EOR) telah dianggap sebagai CCU dalam banyak
penelitian sebelumnya [3–5], meskipun masih ada perdebatan apakah CO2-
EOR adalah teknologi CCS atau CCU karena dual -peran penggunaan CO2
untuk meningkatkan penutupan minyak dan penyimpanan CO2 secara geologis.
Dalam karya ini, juga dipilih sebagai teknologi CCU. Ada 51 proyek
komersialisasi CCUS global yang akan ditugaskan sebelum tahun 2021, 28 di
antaranya menerapkan teknologi CO2-EOR [6]. Namun, karena volatilitas pasar
minyak dan metanol, pendapatannya penuh dengan ketidakpastian, sehingga sulit untuk me

* Penulis yang sesuai.

Alamat email: ZhangQi56@tsinghua.org.cn (Q.Zhang).

https://doi.org/10.1016/j.apenergy.2022.119514
Diterima 7 Februari 2022; Diterima dalam bentuk revisi 23 Mei 2022; Diterima 17 Juni 2022 Tersedia
online 28 Juni 2022 0306-2619/© 2022 Elsevier Ltd. Semua hak dilindungi undang-undang.
Machine Translated by Google
J. Liu dkk.
nilai investasi secara akurat [7]. Selain itu, stimulus kebijakan yang lemah dan subsidi
keuangan yang tidak memadai merusak ekspektasi investor, serta kerangka peraturan
yang tidak lengkap untuk CCU [8]. Semua masalah tersebut mempersulit investor untuk
secara akurat menilai nilai investasi CCU, dan kemudian membuat keputusan investasi
yang optimal. Oleh karena itu, ada kebutuhan mendesak untuk mengembangkan model
keputusan investasi bagi investor.
Untuk tujuan ini, model keputusan investasi opsi riil baru dikembangkan dalam
penelitian ini, yang dapat mempertimbangkan ketidakpastian proyek CCU multidimensi.
Secara khusus, pendekatan kurva pembelajaran teknologi dua faktor berbasis komponen
diadopsi dalam model keputusan investasi untuk memprediksi biaya masa depan dari
komponen terperinci dalam teknologi yang berbeda. Ini memperhitungkan efek belajar
sambil melakukan (LBD) yang diukur dengan faktor keluaran kumulatif dan efek belajar
sambil meneliti (LBR) yang diukur dengan aplikasi paten kumulatif.
Untuk memverifikasi keefektifan model, digunakan untuk membuat keputusan investasi
untuk dua proses CCU, CO2-EOR dan sintesis metanol dari CO2 yang ditangkap (CO2-
MET). CO2-EOR dipilih karena merupakan salah satu cara pemanfaatan CO2 yang paling
umum [9]. Sementara itu, karena kebutuhan dekarbonisasi yang kuat di sektor transportasi,
CO2 - MET semakin menarik perhatian. Pada tahun 2021, ada 29 proyek CO2-MET dari
fasilitas dan penyedia teknologi yang ada atau direncanakan di seluruh dunia, termasuk 7
proyek dengan skala lebih dari 100.000 t/ tahun. Chauvy et al [10] juga menegaskan
produksi metanol dan metana sebagai jalur konversi CO2 yang lebih disukai. Oleh karena
itu, CO2 -MET juga disertakan. Tujuannya adalah untuk menemukan waktu investasi dan
nilai investasi yang optimal, dan menyelidiki dampak dari faktor kunci pada pengambilan
keputusan.
2. Tinjauan literatur
2.1. Prediksi biaya CCU
Biaya, termasuk biaya modal dan O&M, menentukan kelayakan proyek teknologi
energi, termasuk proyek CCU. Rantai CCU secara umum dapat dibagi menjadi
penangkapan CO2, transportasi CO2, dan pemanfaatan CO2 [7,11]. Kurva pembelajaran
teknologi telah umum digunakan untuk memprediksi biaya masa depan CCU [12,13].
Misalnya, Lin dan Tan [12] menerapkan pendekatan ini dengan mempertimbangkan efek
LBD untuk memprediksi investasi dan biaya O&M untuk perkuatan penangkapan CO2.
Marchese et al [13] menerapkannya dengan pertimbangan efek LBD untuk memprediksi
biaya produksi lilin Fischer-Tropsch (FT) pada tahun 2030 dan 2050.
Penerapan kurva pembelajaran teknologi umumnya memberikan tingkat pembelajaran
keseluruhan untuk teknologi yang dipelajari dalam studi di atas. Namun, teknologi yang
kompleks dapat terdiri dari beberapa subproses dan komponen utama, yang biayanya
juga dapat mengikuti teori kurva pembelajaran. Untuk memprediksi biaya lebih akurat,
penting untuk mempertimbangkan efek pembelajaran teknologi dari setiap sub-proses
atau komponen utama [14]. Kurva biaya komponen selanjutnya dapat dikumpulkan untuk
menyajikan biaya teknologi yang kompleks [15].
Kurva pembelajaran berbasis komponen telah digunakan untuk memprediksi biaya
masa depan teknologi CCU, namun studi saat ini hanya mempertimbangkan efek LBD
[13,16,17]. Kang dkk. [16] menerapkan pendekatan kurva pembelajaran berbasis
komponen dengan mempertimbangkan efek LBD untuk menganalisis biaya teknologi
penangkapan CO2 (CC) masa depan, yang diuraikan menjadi boiler PC, kontrol polusi
udara, dan komponen kunci lainnya. Ruttinger dkk. [17] menerapkan pendekatan yang
sama untuk CO2-to diesel, yang dipecah menjadi kompresor umpan syngas, pembangkit
uap, reaktor, dll.
Selanjutnya, selain efek LBD, efek LBR terjadi pada proses inovasi perusahaan
dengan meningkatkan kapabilitas R&D-nya, yang memungkinkan perusahaan
memanfaatkan modal pengetahuan secara lebih efektif, sehingga meningkatkan
produktivitas dan mengurangi biaya [18,19].
Namun, efek LBR jarang dipertimbangkan dalam pendekatan kurva pembelajaran berbasis
komponen dalam studi CCU sebelumnya.
Oleh karena itu, untuk menjembatani kesenjangan pengetahuan ini, pendekatan
kurva pembelajaran teknologi dua faktor berbasis komponen diusulkan saat ini
2
Energi Terapan 322 (2022) 119514
studi untuk memprediksi pengurangan biaya masa depan dalam teknologi CCU. Efek LBD
yang diukur dengan faktor keluaran kumulatif dan efek LBR yang diukur dengan faktor
penerapan paten kumulatif disertakan untuk meningkatkan pendekatan.
2.2. Keputusan investasi pada proyek-proyek CCU
Metode tradisional untuk membuat keputusan investasi untuk proyek terkait energi
dapat diklasifikasikan sebagai: i) Teori investasi statis, yang terutama mencakup metode
tingkat pengembalian akuntansi dan metode periode pengembalian statis. Karena
mengabaikan nilai waktu arus kas dan tidak mempertimbangkan perubahan nilai investasi
proyek masa depan, hal itu dapat menyebabkan keputusan investasi yang salah [20]; ii)
Teori investasi dinamis, yang dapat mempertimbangkan nilai waktu arus kas atas dasar
statis
teori investasi. Ini terutama mencakup metode nilai sekarang bersih, metode tingkat
pengembalian internal keuangan dan metode periode pengembalian dinamis. Namun,
tidak dapat mempertimbangkan dampak ketidakpastian dalam keputusan investasi [21];
iii) Metode analisis sensitivitas, yang sering digunakan untuk menganalisis dampak
perubahan variabel kunci terhadap keputusan investasi proyek energi dalam lingkungan
yang tidak pasti. Metode ini berguna untuk membantu investor menemukan faktor paling
kritis yang mempengaruhi nilai proyek, dan menilai perubahan nilai proyek dengan
memprediksi perubahan faktor kritis. Namun, diasumsikan bahwa variabel kunci adalah
distribusi diskrit dan tidak akan berubah dengan waktu, sehingga dianggap ketidakpastian
terbatas [22]; iv) Metode analisis pohon keputusan, di mana probabilitas berbagai status
perubahan variabel acak umumnya disimpulkan dari data dan pengalaman proyek awal
atau serupa lainnya [23]. Secara umum, metode ini memiliki pertimbangan terbatas
ketidakpastian eksternal, dan mengabaikan nilai yang diciptakan oleh inisiatif subjektif
manajer [24]. Proyek CCU memiliki karakteristik ketidakpastian yang tinggi, periode
pengembalian yang panjang dan biaya yang tinggi, sehingga metode keputusan investasi
tradisional yang disebutkan di atas tidak sesuai.
Selain itu, Black dan Scholes [25] mengusulkan model penetapan harga opsi Black
Scholes yang terkenal, yang meletakkan landasan teoretis untuk kelahiran opsi nyata.
Teori opsi riil juga dikenal sebagai metode pengambilan keputusan investasi dalam kondisi
ketidakpastian, yang percaya bahwa ketidakpastian dan fleksibilitas manajemen
menciptakan nilai aset riil, dan karenanya harus dipertimbangkan sepenuhnya oleh investor
dalam proses pengambilan keputusan investasi [26,27] . Dalam metode opsi riil, nilai
investasi proyek energi berfluktuasi dari waktu ke waktu, dan investor memiliki hak untuk
menunda investasi hingga lingkungan investasi menjadi lebih menguntungkan. Dengan
demikian berdasarkan karakteristik proyek, hak investor dalam tahapan yang berbeda
dapat dipertimbangkan dalam metode opsi riil dengan cara yang jauh lebih fleksibel. Myers
dan Turnbull [28] pertama kali menerapkan teori opsi nyata untuk membuat keputusan
investasi bagi perusahaan, dan telah diterapkan secara bertahap sejak saat itu [26,29,30].
Oleh karena itu, metode opsi riil, yang mempertimbangkan pengaruh ketidakpastian
dan fleksibilitas manajemen, sangat sesuai untuk menganalisis keputusan investasi proyek
CCU. Saat ini, metode opsi riil telah banyak digunakan dalam penelitian sebelumnya untuk
menganalisis keputusan investasi proyek CCU dalam hal ketidakpastian harga pasar
(mengingat harga minyak, harga karbon, dll.) dan insentif kebijakan (subsidi investasi
modal, penyimpanan CO2). atau subsidi pemanfaatan, dll.)
[12,26,31–33]. Misalnya, Lin dan Tan [12] mengusulkan model opsi yang ditangguhkan
untuk mengevaluasi secara kuantitatif dampak guncangan harga minyak yang rendah dan
mekanisme perdagangan karbon pada nilai investasi proyek CCU.
Hasilnya menunjukkan bahwa harga karbon dan minyak yang lebih tinggi diperlukan untuk
memicu investasi segera. Zhu dan Fan [26] menetapkan model evaluasi investasi CCUS
berdasarkan teori opsi nyata dengan mempertimbangkan ketidakpastian dari biaya
pembangkit listrik termal yang ada, harga karbon, dll. Temuan menunjukkan bahwa risiko
investasi saat ini relatif tinggi. Singkatnya, penelitian sebelumnya hanya mengasumsikan
bahwa biaya masa depan menurun dengan efek LBD [12,34,35], atau membuat analisis
sensitivitas pada tingkat pembelajaran teknologi [11,36]. Namun, mengabaikan efek lain,
seperti
Machine Translated by Google
J. Liu dkk.
Gambar 1. Kerangka model terintegrasi.
Efek LBR, membuat akurasi hasil prediksi biaya di atas perlu ditingkatkan. Selain itu,
belum ada penelitian yang mengintegrasikan efek pembelajaran berbasis komponen
dalam keputusan investasi opsi riil.
Oleh karena itu, sebagai faktor kunci yang mempengaruhi ekonomi CCU, prediksi
akurat biaya masa depan dengan mempertimbangkan efek pembelajaran berbasis
komponen dan integrasinya dalam keputusan investasi masih merupakan kesenjangan
yang besar. Untuk menjembatani kesenjangan, efek LBD dan LBR diperkenalkan
dalam pendekatan kurva pembelajaran teknologi dua faktor berbasis komponen untuk
memprediksi biaya modal dan O&M di masa mendatang dengan lebih akurat.
Selanjutnya, pendekatan learning curve di atas diintegrasikan ke dalam model
keputusan investasi opsi riil terlebih dahulu untuk meningkatkan akurasi keputusan
investasi.
3. Metodologi
3.1. Kerangka model
Kerangka model penelitian ini diilustrasikan pada Gambar. 1, yang dapat dibagi
menjadi tiga bagian. Pada langkah 1, komponen utama yang terlibat dalam setiap
teknologi pertama-tama diidentifikasi menurut diagram alur proses CCU, kemudian
biaya masa depan dari setiap komponen diprediksi dengan menggunakan pendekatan
kurva pembelajaran. Pada langkah 2, selain biaya masa depan dari setiap komponen,
harga produk juga merupakan faktor kunci yang mempengaruhi keekonomian proyek
CCU. Oleh karena itu, ketidakpastian harga produk digambarkan dengan menggunakan
Geometric Brownian Motion (GBM) atau mean-reverting process (MRP). Pada langkah
3, model opsi nyata dengan mempertimbangkan opsi yang ditangguhkan dikembangkan
dan keputusan investasi proyek CCU dianalisis berdasarkan hasil yang diperoleh pada
langkah 1 dan langkah 2.
3
Energi Terapan 322 (2022) 119514
Untuk menunjukkan keefektifan model terintegrasi yang diusulkan, telah diadopsi
untuk membantu keputusan investasi untuk dua teknologi pemanfaatan CO2, CO2-
EOR dan CO2-MET.
3.2. Pendekatan kurva pembelajaran dua faktor berbasis komponen
3.2.1. Alur proses dan komponen utama teknologi CCU
Sebagai input kunci dari teknologi pemanfaatan CO2, CO2 perlu ditangkap dari
sumber CO2. Ada tiga jalur penangkapan CO2 (CC) yang dapat digunakan di sektor
ketenagalistrikan: (1) jalur penangkapan pasca pembakaran; (2) jalur penangkapan
pra-pembakaran berdasarkan Siklus Gabungan Gasifikasi Terintegrasi (pra-IGCC);
dan (3) jalur pembakaran bahan bakar Oxy [37]. Jalur penangkapan pasca-pembakaran
telah dianggap sebagai solusi yang paling layak [16]. Oleh karena itu dipilih dalam
penelitian ini. Aliran proses dan komponen kunci dari jalur penangkapan pasca-
pembakaran ditunjukkan pada Gambar. 2a, yang terutama terdiri dari komponen
penangkap CO2 dan komponen kompresi CO2.
CO2 - EOR, seperti yang ditunjukkan pada Gambar 2b, termasuk komponen
injeksi CO2 (terdiri dari transmisi pipa CO2 dan sumur injeksi), dan komponen produksi
& pemisahan (terdiri dari sumur ekstraksi, unit penanganan dan pemisahan produk)
[7]. CO2 - MET, seperti yang ditunjukkan pada Gambar 2c, termasuk komponen
sintesis metanol (terdiri dari tangki penyangga bahan baku dan menara sintesis
metanol), dan komponen pemurnian & distilasi (terdiri dari penukar panas suhu tinggi,
pendingin air-metanol mentah dan pemisah meth anol) [38,39]. Karena hidrogen
adalah bahan baku utama CO2 - MET, komponen produksi hidrogen hijau berdasarkan
elektrolisis air juga dimasukkan sebagai komponen kunci [39]. Selain itu
Machine Translated by Google
J. Liu dkk.
Gambar 2. Alur proses dan komponen utama teknologi CCU.
diasumsikan bahwa hidrogen diperoleh dari pabrik produksi hidrogen yang ada daripada
membangun kembali pabrik baru dalam penelitian ini. Selain itu, tingkat kesiapan teknologi
(TRL) CC [40], CO2-EOR [4] dan CO2-MET [10,41] telah dinilai dalam beberapa penelitian
sebagai TRL 9, yang berarti teknologi ini telah memasuki aplikasi komersial. tahap tion.
Sebuah teknologi baru akan mulai diadopsi sebagai yang pertama dari jenisnya (FOAK),
dan dengan penerapan teknologi yang terus menerus, teknologi yang sudah mapan dapat
dianggap sebagai Nth of a kind (NOAK) [42].
Ketika teknologi FOAK maju menuju teknologi NOAK, efek pembelajaran akan terjadi dan
mengurangi biaya modal dan O&M [43]. Teknologi FOAK menyatakan telah memasuki
tahap aplikasi komersial dan mencapai TRL 9, yang berarti efek pembelajaran, seperti
efek LBD dan LBR, terjadi hanya setelah teknologi mencapai TRL 9. Mengingat bahwa
CC, CO2-EOR dan CO2- Teknologi MET telah mencapai TRL 9, oleh karena itu efek
pembelajaran dapat diterapkan di ketiga teknologi tersebut.
Pendekatan kurva pembelajaran dua faktor berbasis komponen ditunjukkan pada
Persamaan. (1) [44]:
(1)
Ct = C0 × (Qt Q0 )b × (PTt PT0 )c
4
Energi Terapan 322 (2022) 119514
dimana Ct menunjukkan biaya pada tahun t, C0 adalah biaya awal, b menunjukkan rasio
pengalaman LBD, c menunjukkan rasio pengalaman LBR, Qt adalah keluaran kumulatif
pada tahun t, Q0 adalah keluaran kumulatif awal, PTt adalah aplikasi paten kumulatif pada
tahun t, dan PT0 adalah aplikasi paten kumulatif awal.
Tingkat pembelajaran (LR) adalah proporsi pengurangan biaya dengan setiap
penggandaan output kumulatif, seperti yang terlihat pada Persamaan. (2) [45]:
LR = 1 ÿ 2b (2)
Potensi pengurangan biaya dari keseluruhan sistem teknologi terutama bergantung
pada efek pembelajaran teknologi dari komponen-komponen utama [14]. Sebuah teknologi
yang kompleks dapat dianggap sebagai integrasi dari beberapa komponen kunci, dimana
biaya setiap komponen mengikuti teori kurva pembelajaran. Kurva biaya komponen
selanjutnya dapat diringkas untuk menyajikan keseluruhan biaya teknologi [15]. Selain itu,
seluruh biaya dapat dibagi menjadi biaya modal dan biaya O&M. Selain itu, komponen
yang berbeda memiliki tingkat pembelajaran yang berbeda. Menurut Persamaan. (1),
biaya modal dan biaya O&M dapat dimodifikasi seperti yang ditunjukkan pada Persamaan.
(3–8) [16]:
Machine Translated by Google

J. Liu dkk. Energi Terapan 322 (2022) 119514

CC CC tingkat pembelajaran modal dan biaya O&M CC, CO2-EOR dan CO2-MET masing-masing disebabkan
Saya = saya
t 0
t 0 )b1 × (PTCC PTCC
(QCCQCC t )c10× oleh efek LBR.
Topi
1
CC CC
= saya0 Kap
3.2.2. Prediksi parameter input kunci Output produk
+ saya0Komp
(QCCQCC PTCC
t 0 )bCap 1 × (PTCC t 0)c × QCC
1 × (QCC
0 )bKomp
t kumulatif dan aplikasi paten kumulatif, sebagai parameter input kunci untuk pendekatan kurva
Komp
1
pembelajaran teknologi, perlu diprediksi terlebih dahulu. Model konseptual kurva-S evolusi teknologi

PTCC
(3) telah banyak digunakan sebagai model teoretis yang dapat dengan baik menjelaskan hubungan antara
× (PTCC t0)c
teori siklus hidup dan evolusi teknologi [46]. Oleh karena itu, model S-curve diterapkan untuk
memprediksi output produk kumulatif masa depan dan aplikasi paten kumulatif. Bentuk dasarnya
EOR EOR
Saya = saya ditunjukkan pada Persamaan. (9) [46]:
t 0
QEOR
(QEOR t )bCI)b2
0 2 )cCI 2 ×PTEOR
× (PTEOR(PTEOR
t 0)c2 ×t ×

EOR EOR
= saya0CI + saya0CP
QEOR
0 (QEOR t PTEOR
0 2 × (QEOR
0 t )bCP
QEOR
k/ b
T= (9)
1 + s × eÿ k(tÿ t0 )
(4)
PTEOR
2 × (PTEOR
0 t0
)cCP
)b3
di mana T menunjukkan indeks kinerja teknologi (mengacu pada output produk kumulatif dan aplikasi
paten kumulatif dalam penelitian ini) pada tahun t, t0 adalah waktu awal, dan k menunjukkan tingkat
Saya Saya
Saya = saya pertumbuhan tetap. Saat t menuju tak terhingga, T cenderung sama dengan k/ b, sehingga k/ b
t 0
QMe
0 )bMS 3
× )cMS
(QMe
(PTMe
t 3 t×)c3 ×PTMe
(PTMe(QMe
0t × t
merepresentasikan output produk kumulatif maksimum atau aplikasi paten [47]. Sebuah konstanta s

Saya Saya
digunakan untuk menyesuaikan nilai awal. Menurut Schmidt et al [47], k/ b didasarkan pada prediksi IEA
= saya0MS + saya0PD
PTMe 0 )bPD 3 )cPD 3 × tPTMe
(QMe (PTMe [1] atau sebagai asumsi. k dan s kemudian dapat dilengkapi dengan data historis keluaran produk
QMe 0 QMe 0 t×
kumulatif atau aplikasi paten dari literatur [3] dan dataset Inovasi Derwent dengan regresi nonlinier.
(5)
Oleh karena itu, berdasarkan output produk kumulatif saat ini dan data aplikasi paten serta nilai k dan s
yang sesuai, output produk kumulatif dan aplikasi paten di masa depan dapat diprediksi.
O&PKS = O&PKS
t 0
t 0 )b4 × (PTCC PTCC
(QCCQCC t )c40×
Topi
4

= O&PKS 0 Kap + O&PKS 0Komp

QCC
4 × (QCC
0 )bCap
(PTCC
t × t )c PTCC
0
Komp Komp
4 4 Kurva S dengan output produk kumulatif ditunjukkan pada Persamaan. (10) [46]:

(6)
(QCCQCC
t 0 )b × PTCC
× (PTCC t0 )c
TQ = kQ/ bQ
t (10)
1 + sQeÿ kQ (tÿ t0 )
O&MEOR = O&MEOR 0
t
× (QEOR t × (PTEORPTEOR
QEOR
0 )b5 t )c50 0 )bCI
di mana TQ tmenunjukkan keluaran produk kumulatif pada tahun t.

Kurva S dengan aplikasi paten kumulatif ditunjukkan pada Persamaan. (11) [46]:
= O&MEOR0CI + O&MEOR0CP
t )cCPQEOR
55×)cCI
(PTEOR PTEOR
5 × (QEOR
t t × 0(PTEOR 0 )t bCP5
QEOR
× (QEOR

kPT / bPT
TPT =
t kPT (tÿ (11)
PTEOR t0 ) 1 + sPT eÿ
0

(7)
dimana TPT menunjukkan permohonan paten kumulatif pada tahun t. t

O&MMe = O&MMe
t 0 PTMe
(QMeQMe
t 0t0×)bMS
)b6
(PTMe
× 6(PTMe
)cMS
t )cPD
t6)c6
×6 0(QMe
×× 3.3. Model keputusan investasi opsi riil

= O&MMe 0MS + O&MMe 0PD 3.3.1. Investasi proyek CCU

QMe
(PTMe t PTMe
0 × (QMeQMe0)cHP
)bPD
t (PTMe 6 t6
×
Memaksimalkan nilai investasi adalah tujuan keputusan investor rasional. Ini menyiratkan bahwa
mereka hanya akan berinvestasi ketika nilai investasi saat ini lebih besar dari nilai diskon periode
+ O&MMe 0HP
PTMe
0 0t )bHp 6
QMe
× (QMe PTMe
0 mendatang; jika tidak, mereka akan menunda investasi. Waktu investasi ini merupakan nilai utama dari

(8) opsi yang ditangguhkan [48]. Opsi yang ditangguhkan tersebut telah dimasukkan ke dalam model
keputusan investasi.
EOR aku
CC dimanat I, Saya
t
dan aku mewakili biaya modal CC, CO2-EOR dan
t

CO2-MET masing-masing, dan biaya O&MCC CC O&MEOR dan O&MMe mewakili Beberapa asumsi utama diperkenalkan sebagai berikut: i) Mempertimbangkan bahwa sebagian
t, t t
CC O&M. II 0Cap, 0Komp besar negara mengusulkan untuk mencapai netralitas karbon sebelum tahun 2050, periode pengambilan
dan O&MCC O&MCC
0 Tutup, 0Comp merupakan biaya modal dan
keputusan investasi dalam studi ini ditetapkan antara tahun 2023 dan 2050, dengan keputusan dibuat
biaya O&M komponen (komponen penangkap CO2 dan komponen kompresi CO2 ) dalam teknologi
EOR EOR
setiap awal tahun; ii) Pembangunan proyek membutuhkan waktu 3 tahun, proyek dapat beroperasi
CC. I O&MEOR 0CP merupakan biaya modal dan biaya O&M dari dua 0CI
komponen
,
dan O&MEOR0CI ,
0CP ( komponen injeksi
Saya

dengan kapasitas penuh setelah pembangunan hingga akhir proyek, dan tidak memperhitungkan nilai
CO2 dan komponen produksi & pemisahan) dalam O&Me
sisa; iii) Investor hanya dapat mengambil satu keputusan selama periode pengambilan keputusan
investasi. iv) CO2 yang digunakan untuk teknologi CO2-EOR atau CO2-MET dapat disimpan atau
Saya Saya
teknologi CO2-EOR. Saya mewakili 0MS,
Saya
0PD
dan O&MMe 0MS, 0PD,
O&MMe0HP dikonversi selama beberapa dekade, yang berarti pelepasan kembali CO2 ke atmosfer tidak
biaya modal dan biaya O&M komponen (komponen sintesis metanol, komponen pemurnian & distilasi, dipertimbangkan dalam penelitian ini.
dan komponen produksi hidrogen) dalam teknologi CO2-MET. b1, b2, b3 masing-masing adalah laju
pembelajaran biaya modal CC, CO2-EOR dan CO2-MET yang disebabkan oleh efek LBD; b4, b5, b6
masing-masing adalah learning rate dari biaya O&M CC, CO2-EOR dan CO2-MET; dan c1-c6 adalah Fungsi tujuan ditunjukkan pada Persamaan. (12) [12]:
r×tD
OIV = maks[maks(TVt, 0) × eÿ ], (1 ÿ tD ÿ t0) (12)

5
Machine Translated by Google

J. Liu dkk. Energi Terapan 322 (2022) 119514

dimana OIV adalah nilai investasi yang optimal, tD adalah waktu investasi yang optimal, TVt = PCO2 × QTCO2
t ÿCO2
t t
(24)
adalah nilai total proyek pada tahun t, r adalah tingkat diskonto, dan t0 adalah periode
pengambilan keputusan investasi.
volume perdagangan
adalah
PCO2
rata-rata
CO2harga
pada karbon
tahun t.pada tahun t; dan QTCO2 dimana adalah total
t t
Nilai total dan net present value (NPV) pada tahun tertentu selama periode pengambilan
keputusan investasi dapat dihitung dengan menggunakan Persamaan. (13–15) [12]:
Jumlah total CO2 yang ditangkap per tahun dapat dinyatakan sebagai Persamaan. (25) [12]:

eÿ r×(iÿ t1 ) (13) QCO2

t
= QIC × Te × ÿ × fe × fc (25)
TVt = E [ ÿLÿsaya=t1+1
t1 × CFi ÿ It ] , (1 ÿ t ÿ t0)
di mana QIC menunjukkan kapasitas terpasang pembangkit listrik termal; Te adalah jam operasi
t1 = tc + t (14) tahunan pembangkit listrik termal; ÿ adalah efisiensi pembangkitan unit daya; fe adalah intensitas
emisi CO2 pembangkit listrik; dan fc menunjukkan rasio penangkapan karbon. Untuk proyek
r×t
NPVt = eÿ × TVt (15)
CO2-EOR, semua CO2 diasingkan dan ada sejumlah CO2 yang hilang.

di mana L adalah umur pembangkit listrik termal; CFi adalah arus kas bersih pada tahun i periode
operasi; Ini adalah biaya modal pada tahun t proyek; tc adalah masa konstruksi; dan NPVt QTCO2t = QCO2 ÿ Qloss (26)
t t
adalah NPV dari nilai investasi pada tahun t.

Qrugi
t = ÿ × QCO2 ÿ EOR
t
(27)
Arus kas selama periode operasi meliputi pendapatan produk, pendapatan perdagangan
karbon, pendapatan yang hilang dari pengurangan pembangkit listrik karena perkuatan CC, dan dimana Qloss adalah jumlah kebocoran CO2 pada tahun t, dan ÿ adalah CO2
t
biaya variabel CC (termasuk biaya O&M dan biaya transportasi CO2), seperti terlihat pada rasio kebocoran.
Persamaan. (16–17) [12]: Kerugian pendapatan karena pengurangan pembangkit listrik dihitung dengan Persamaan.
(28–30) [12]:

CFt EOR = ÿEOR + ÿCO2 ÿ Ce ÿ CCC (16) Cet = Pe × Qe ÿ PCoal × QCoal (28)
t t t t t t t t

CF MET = ÿMe + ÿCO2 ÿ Ce ÿ CCC (17) = Qe t× d (29)

t t t t Batubara
t

dimana ÿEOR adalah keuntungan CO2-EOR pada tahun t; ÿMe adalah keuntungan CO2 - MET
t t Qet = ÿ × QIC × Te × ÿkerugian (30)
pada tahun t; ÿCO2 adalah
t keuntungan
yang hilang perdagangan karbon
dari pengurangan pada tahun
pembangkit t; Ce
listrik adalah
pada pendapatan
tahun
t
t;CCC
dan
dimana Pe adalah feed-in tariff listrik rata-rata pada tahun t; Qe adalah kekuatan
adalah biaya variabel CC pada tahun t. t t t

rugi pembangkitan akibat perkuatan CC pada tahun t; ÿloss adalah hilangnya efisiensi
Untuk CO2-EOR, keuntungan dapat dihitung lebih lanjut dengan Persamaan. (18–20) [12]: pembangkitan; PCoal adalah
t
harga rata-rata
batubara yangbatubara pada
diperlukan tahun
untuk t; QCoal
listrik adalah
yang hilang
t
konsumsi
pada
dan tahun
d adalah
t;
konsumsi batubara per kWh.

ÿEOR = REOR ÿ O&MEOR (18)

t t t
Biaya variabel CC dihitung dengan Persamaan. (31–32) [12]:

REOR = PEOR × QEOR (19) CCC = O&PKS + CT (31)

t t t t t t

QEOR = CEganti × QCO2 ÿ EOR

(20) CTt (32)
t t = QCO2
t × CCO2T t_

dimana REOR adalah pendapatan pemulihan minyak pada tahun t; O&MEOR adalah biaya di mana O&MCC adalah biaya O&M CC pada tahun t; CT adalah rata-rata biaya transportasi
t t t t

O&M dari CO2-EOR pada tahun t; PEOR

t
adalah
produksi
harga
minyak
minyak
pada
pada
tahun
tahun
t; QCO2ÿ
t; QEOR
t
EOR
adalah
jumlah
adalah
CO2 CO2 dari CO2 pada tahun t; dan CCO2 T adalah biaya angkut per ton CO2 pada tahun t.
t

yang digunakan dalam CO2-EOR

t pada tahun
CO2 minyak
t; dan CEreplace
[11]. Jumlah
adalah
CO2efisiensi
yang digunakan
penggantian
setiap
CC EOR
tahun untuk CO2-EOR dibatasi oleh jumlah total CO2 yang ditangkap setiap tahunnya. Biaya modal referensi CC, CO2-EOR dan CO2-MET adalah I t,
saya ,
t
Saya
Saya

t
masing-masing dalam Persamaan. (33) [12]:

CC EOR Saya
Itu = saya + saya + saya (33)
Untuk proyek CO2-MET, keuntungan dihitung dengan Persamaan. (21–23) [49]: t t t

ÿSaya = RMe ÿ O&MMe (21)

t t t 3.3.2. Pemodelan ketidakpastian harga pasar
Keuntungan proyek CCU akan sangat dipengaruhi oleh harga minyak mentah, metanol, dan
RMe = PMet ×QMe t (22)
t perdagangan CO2 yang memiliki ketidakpastian tinggi.
Pindyck [51] menyimpulkan bahwa model stokastik GBM dapat memberikan perkiraan yang kuat
QMe
t = a × QCO2 ÿ Me
(23)
t dan tidak menghasilkan kesalahan evaluasi yang signifikan.
Model GBM dapat secara sederhana dan akurat menggambarkan proses random walk harga
dimana RMe
t adalah hasil penjualan methanol pada tahun t; O&MMe adalah biaya variabel
t komoditas di pasar awal dan telah digunakan secara luas [52–54]. Namun, menurut ekonomi
proyek CO2-MET pada tahun t; PMe adalah harga metanol rata-rata
t
adalah
tahunan
produksi
padamethanol
tahun t; QMe
pada klasik, saat pasar semakin matang, harga komoditas selalu berfluktuasi di sekitar nilai tertentu
tahun t; a adalah laju konversi CO2 menjadi
t
metanol;
digunakan QCO2ÿ
untuk Me adalah
CO2-MET padajumlah
tahun CO2 yang
t, yang dibatasi yang cenderung seimbang. Untuk mewakili proses gerak ini, MRP diusulkan dan telah dianjurkan
oleh jumlah total CO2 yang ditangkap setiap tahunnya; dant O&MMeCO2-MET
adalah biaya
padaO&M
tahun
proyek
t. untuk mencirikan harga minyak mentah dalam banyak penelitian [12,55,56]. Oleh karena itu,
MRP diterapkan untuk mensimulasikan ketidakpastian harga minyak mentah, sedangkan GBM
diterapkan untuk simulasi harga metanol dalam penelitian ini.
t

Pasar Karbon Bersatu Nasional telah didirikan di banyak negara. Menggunakan pasar
karbon China sebagai contoh, pendapatan dari perdagangan karbon dapat dihitung dengan
Persamaan. (24–27) [50]: (1) Ketidakpastian harga minyak

6
Machine Translated by Google

J. Liu dkk. Energi Terapan 322 (2022) 119514

Tabel (2) Ketidakpastian harga metanol

1 Deskripsi parameter utama.
Deskripsi Parameter Nilai Sumber Untuk ketidakpastian harga metanol [27]:

Qgross output daya kotor dari pembangkit 600 MW dPMet

t
= DRMet × PMet
t
dt + VMet × PMet
t
dzMet
t
(35)
[12]
listrik termal output daya bersih
Qnet dari pembangkit listrik termal 570 MW
[12] Dalam (PMet / PMet1)
t
output daya bersih dari pembangkit DRMet tÿ
(36)
QIC listrik termal setelahnya 389 MW = ÿt
[66]
ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ

CC retrofit jam n 1
Te pemanfaatan tahunan pembangkit 7165 jam
1 ÿÿ 2 ÿÿ [ ln(PMettÿt 1 ) ÿ ln(PMet t tÿ1 ) ]2
[67] PMet PMet
listrik termal intensitas emisi CO2 t=1
VMet = (37)
fe dari pembangkit listrik 762 ÿÿÿÿÿ
ÿt
[12]
gCO2/
kWh
di mana DRMet adalah tingkat penyimpangan harga metanol; VMet adalah volatilitas
fc rasio penangkapan karbon 90%
[12] harga metanol; dan dzMet menunjukkan
t
peningkatan independen dari proses Wiener.
ÿ
efisiensi unit daya 94%
[12]
t0 periode pengambilan 15 tahun
keputusan investasi seumur
[12] (3) Ketidakpastian harga karbon
L hidup termal 35 tahun
[12]
daya GBM cocok untuk mendeskripsikan variabel yang memiliki tren naik atau
tc masa konstruksi 3 tahun
[12] turun yang signifikan, daripada berfluktuasi di sekitar harga rata-rata. Mengingat
CEreplace efisiensi penggantian 0,2 bahwa pencapaian puncak karbon pada tahun 2030 di sebagian besar kabupaten,
[11]
CO2 minyak studi ini mengasumsikan bahwa akan ada tren kenaikan atau penurunan harga
EOR
Referensi investasi modal 7,4 $/t
saya 1

[62] karbon yang signifikan sebelum tahun 2030, yang cocok untuk disimulasikan
CO2-EOR CO2
Saya oleh model GBM; setelah tahun 2030, pasar karbon akan menjadi pasar yang
saya 1
Referensi investasi modal $5,9 juta
[64] matang dan harga karbon akan berfluktuasi di sekitar nilai tertentu, yang cocok
CO2-MET referensi biaya
O&PKS
t
O&M CC 49.4 untuk disimulasikan dengan model MRP, seperti yang terlihat pada Persamaan.
[16]
$/MWh (38–41) [55,57]:
O&MEOR referensi biaya O&M dari 7,2 $/t
t [62]
CO2 - EOR CO2 653 (38)
dPCO2
t sebelum2030
= DRCO2 × PCO2
t dt + VCO2 × PCO2
t dzCO2
t
O&MMe referensi biaya O&M $/ton
t [39]
CO2 - MET
d konsumsi batubara per kWh 0,4 kg/ dalam(PCO2 t / PCO2 )
kWh
[12]
DRCO2 =
tÿ 1
(39)
pembangkit listrik termal ÿt
hilangnya efisiensi pembangkitan
31,8%
????

kerugian rasio kebocoran CO2

[16] n 1
t t
ÿ 90% 1 ÿÿ 2 ÿÿ PCO2 PCO2
[62] t=1 [ ln( PCO2
tÿ1 )ÿln( PCO2 tÿ1 ) ]2
Tingkat diskon VCO2 = (40)
ÿÿÿÿÿ ÿt
r proyek CO2-EOR 8%
[55]
sebuah
laju konversi CO2 menjadi 0,7 dimana DRCO2 adalah tingkat penyimpangan harga karbon; VCO2 adalah volatilitas
[39]
metanol rata-rata harga minyak
harga karbon; dan dzCO2t adalah inkremen independen dari Wiener
PEOR mentah jangka panjang rata-rata 69,7 Dihitung oleh penulis
proses.
acuan harga metanol rata-rata $/barel menurut database WIND;
PM acuan harga karbon rata-rata 373 $/ton [12]
1
dPCO2 = ÿCO2 (PCO2 ÿ PCO2
t
) × PCO2
t
dt + ÿCO2PCO2t dzCO2
t
(41)
kecepatan pengembalian laju t setelah2030

PCO2 volatilitas harga minyak laju 8,6 $/ton

1
di mana ÿCO2 adalah kecepatan reversi rata-rata; PCO2 adalah rata-rata jangka panjang dari
penyimpangan metanol
ÿEOR 0,149 harga karbon; dan ÿCO2 adalah tingkat volatilitas harga karbon.
ÿEOR 0,331

3.3.3. Metode penyelesaian

DRMet 0,005
model Simulasi Monte Carlo sering digunakan untuk menganalisis
harga
VMet volatilitas metanol harga laju 0,021 fleksibilitas keputusan dalam menunda investasi [12]. Namun, sebagian besar
penyimpangan karbon harga metode Monte Carlo tidak dapat menentukan harga opsi tipe Amerika dan
DRCO2 0,04 volatilitas karbon 0,03 harga kecepatan karenanya menentukan waktu investasi yang optimal. Secara khusus, model
VCO2 reversi rata-rata
Monte Carlo kuadrat terkecil (LSMC), pertama kali diusulkan oleh Longstaff
1.6 dan Schwartz [58], dapat digunakan dalam penentuan harga opsi Amerika
ÿCO2
[55]
dengan mempertimbangkan banyak ketidakpastian dan waktu keputusan
CCO2 T biaya transportasi rata-rata per 21,7 $/t
t
[12] selama beberapa langkah waktu. Prinsip dasar LSMC adalah: Pada titik
ton CO2 CO2 1430
CC waktu diskrit dalam jumlah terbatas, menurut data cross-sectional dari jalur
saya 1
Referensi modal investasi
[16] sampel simulasi dari harga aset dasar pada setiap waktu, gunakan regresi
perkuatan CC $/kW
kuadrat terkecil untuk mendapatkan pengembalian yang diharapkan dari
melanjutkan ke tahan opsi, dan bandingkan dengan kembalinya segera
mengeksekusi opsi pada saat itu. Jika yang terakhir lebih besar dari yang
Ketidakpastian harga minyak dapat dinyatakan dengan Persamaan. (34) [55]:
sebelumnya, segera jalankan opsi tersebut, jika tidak, lanjutkan menahan
dPEOR = ÿEOR(PEOR ÿ PEOR ) × PEOR dt + ÿEORPEOR dzEOR (34) opsi tersebut. Langkah-langkah dasar LSMC adalah sebagai berikut: Pertama,
t t t t t
buat jalur sampel dari harga aset dasar. Kedua, waktu eksekusi opsi yang
di mana ÿEOR adalah kecepatan rata-rata pengembalian; PEOR adalah rata-rata optimal dan pengembalian opsi yang sesuai pada setiap jalur sampel diperoleh
jangka panjang dari harga minyak mentah; dan ÿEOR adalah tingkat volatilitas harga karbon. dengan penyelesaian terbalik dari tanggal kedaluwarsa opsi. Terakhir, pengembalian ops

7
Machine Translated by Google

J. Liu dkk.
Energi Terapan 322 (2022) 119514

Tabel basis data WIND [65]. Dan tingkat drift dan volatilitas dari harga ini diperkirakan
2 Asumsi kapasitas produksi dari tiga teknologi. berdasarkan data di atas.

Teknologi Asumsi kapasitas produksi tahunan Kapasitas tangkapan kumulatif masa depan CC dipasang berdasarkan
CC
prediksi IEA [1]. Pemanfaatan/injeksi CO2 kumulatif dari proyek CO2-EOR yang
2700 kt CO2
CO2-EOR 550 kt minyak mentah ada dirujuk ke jalur pengembangan keluaran produk kumulatif dari Chinese
CO2-MET Metanol 1900 kt Academy of Environmental Plan ning (CAEP) untuk CO2-EOR [3]. Untuk CO2-
MET, kapasitas produksi kumulatif CO2-MET global diambil sebagai output
produk kumulatif. Selain itu, aplikasi paten kumulatif untuk ketiga teknologi
didiskontokan dengan suku bunga bebas risiko, dan kemudian diambil nilai rata-
tersebut diperoleh dari kumpulan data Derwent Innovation. Output produk
ratanya untuk mendapatkan nilai opsi yang disimulasikan [58]. Model LSMC kumulatif, aplikasi paten kumulatif, dan tingkat pembelajaran digunakan sebagai
telah banyak digunakan untuk memecahkan nilai opsi dan membuat keputusan data input dari pendekatan kurva pembelajaran teknologi untuk memprediksi
investasi dalam proyek teknologi energi [46,59,60]. Oleh karena itu, metode biaya modal dan O&M di masa depan, yang akan digunakan sebagai data input
LSMC diterapkan untuk menyelesaikan model keputusan investasi dalam penelitian ini.
model keputusan investasi.
Model keputusan investasi opsi riil telah diimplementasikan pada perangkat
lunak Matlab.
Berdasarkan data pada Tabel 1 dan hubungan kuantitatif antara pembangkit
listrik dan emisi karbon pada Persamaan. (25), dihitung bahwa CO2 tahunan
4. Data kunci dan skenario yang ditangkap dari asumsi pembangkit listrik termal adalah sekitar 2632,8 kt.
Diasumsikan bahwa semua CO2 yang ditangkap akan digunakan baik dalam
4.1. Data
CO2-EOR maupun CO2-MET, sehingga kapasitas produksi kedua proyek ini
dapat ditentukan berdasarkan jumlah CO2 yang ditangkap. Mempertimbangkan
Parameter utama untuk studi kasus tercantum dalam Tabel 1. Diasumsikan efisiensi 20% untuk penggantian minyak dengan CO2, kapasitas produksi
bahwa pembangkit listrik termal akan dihentikan pada akhir tahun 2060. Sejak minyak mentah tahunan CO2-EOR adalah 526,6 kt. Berdasarkan neraca karbon
periode pengambilan keputusan berakhir pada tahun 2050, proyek CCU memiliki dan efisiensi 70% untuk konversi CO2 menjadi metanol, produksi metanol
setidaknya 10 tahun periode pelaksanaan proyek. Informasi pembangkit listrik tahunan adalah 1843,0 kt untuk CO2-MET.
termal yang dipelajari diambil dari Lin dan Tan [12]. Untuk memastikan bahwa semua CO2 yang dipancarkan dapat ditangkap dan
Berbagai biaya dan tingkat pembelajaran teknologi dari teknologi CC dimanfaatkan, kapasitas produksi yang diasumsikan dari teknologi CC, CO2-
ditentukan menurut literatur. Modal acuan dalam investasi instalasi penangkapan EOR dan CO2-MET harus lebih besar dari kapasitas yang dihitung, seperti yang
adalah US$1430/kW, biaya O&M tidak termasuk bahan bakar adalah US$29,7/ ditunjukkan pada Tabel 2, dan kapasitas produksi yang diasumsikan setara.
MWh, dan biaya bahan bakar tambahan karena CC adalah US$19,7/MWh [16].
dengan proyek skala besar nyata dari teknologi yang relevan.
Proporsi biaya komponen sistem CC diperoleh dari survei proyek percontohan
dan perhitungan Kang et al [16]. Tingkat pembelajaran teknologi komponen 4.2. Skenario
utama mengikuti Program R&D Gas Rumah Kaca Badan Energi Internasional
(IEAGHG) [61].
Tingkat pembelajaran teknologi dapat dipengaruhi oleh banyak faktor.
Misalnya, faktor-faktor yang mempengaruhi tingkat pembelajaran LBD terutama
Biaya CO2-EOR diambil dari penelitian Zhang [62]. Jumlah sumur injeksi
mencakup peningkatan kemampuan kerja staf, peningkatan manajemen, kualitas
dan sumur produksi masing-masing adalah 138 dan 392, dan volume injeksi
peralatan, dll [36,68]; sedangkan faktor yang mempengaruhi tingkat pembelajaran
CO2 bersih sebesar 7766,3 t/d dapat dicapai. Biaya CO2-EOR adalah 14,6 US$/
LBR terutama mencakup cadangan pengetahuan, terobosan teori kunci atau
t CO2, di mana biaya kapita dan O&M masing-masing mencapai 50,9% dan
penelitian teknologi, dll [19]. Tiga skenario pembelajaran teknologi ditetapkan
49,1%. Selain itu, meskipun CO2-EOR dan CO2-MET memiliki TRL yang sama,
untuk mempertimbangkan volatilitas tingkat pembelajaran teknologi dalam
teknologi CO2-EOR telah memasuki tahap aplikasi komersial lebih awal dari
penelitian ini, seperti yang ditunjukkan pada Tabel 3.
CO2- MET selama beberapa dekade [ 3,4,10 ]. Dengan akumulasi skala
Literatur tentang learning rate dari teknologi sejenis direview untuk
teknologi secara terus menerus dari FOAK ke NOAK, pengurangan biaya modal
mendapatkan technology learning rates untuk CO2-EOR dan CO2- MET .
dan O&M akan semakin besar, sedangkan tingkat penurunan biaya masa
Karena tingkat pembelajaran adalah proporsi pengurangan biaya dengan setiap
depannya akan semakin kecil [43]. Oleh karena itu, CO2-EOR memiliki tingkat
penggandaan output kumulatif, tingkat pembelajaran yang lebih tinggi
pembelajaran teknologi yang lebih rendah daripada CO2-MET. Tingkat
menunjukkan tingkat pengurangan biaya yang lebih cepat. Studi sebelumnya
pembelajaran CO2-EOR mengacu pada komponen industri minyak & gas yang
memperkirakan tingkat pembelajaran untuk teknologi energi telah menemukan
digunakan untuk penyimpanan CO2 [63].
bahwa tingkat pembelajaran LBD lebih tinggi daripada LBR dalam banyak kasus.
Data CO2-MET diambil dari proyek nyata yang direncanakan di Taman
Misalnya, Lohwasser dan Madlener [69] memperkirakan bahwa tingkat
Kimia Changshou, Chongqing [64]. Pabrik tersebut dapat menghasilkan 35.000
pembelajaran LBD sekitar 7% lebih tinggi daripada LBR. Miketa dan
ton metanol per tahun, dan biaya modalnya sekitar $5,9 juta. Biaya O&M
Schrattenholzer [70] memperkirakan perbedaan ini sekitar 40% untuk teknologi
mengacu pada penelitian Sealand Securities dimana
PV surya. Karena kurangnya data tentang tingkat pembelajaran LBR untuk
biaya bahan baku (terutama hidrogen) adalah 595 $/ton, dan biaya produksi
CCU, asumsi didasarkan pada studi sebelumnya bahwa tingkat pembelajaran
(termasuk tenaga kerja, penyusutan dan biaya produksi lainnya) adalah 58 $/
LBD adalah 20% lebih tinggi daripada LBR. Selain itu, tingkat pembelajaran
ton [39]. Hidrogen diperlakukan sebagai bahan baku utama untuk produksi
biaya O&M seringkali lebih tinggi daripada biaya modal [71]. Misalnya, 11% dan
metanol, yang diperoleh dari pabrik produksi hidrogen yang ada alih-alih
22% digunakan sebagai tingkat pembelajaran biaya modal dan biaya O&M untuk desulfurisa
membangun kembali pabrik baru dalam penelitian ini. Karena biaya O&M
Tingkat pembelajaran LBD untuk teknologi CC dalam tiga skenario mengacu
produksi metanol terutama adalah produksi hidrogen, efek pembelajaran dari
pada Kang et al [16] dan IEAGHG [61]. Selain itu, literatur tentang learning rate
biaya O&M produksi hidrogen dibahas dalam penelitian ini [39].
dari teknologi sejenis juga ditinjau untuk mendapatkan technology learning rates
untuk CO2-EOR dan CO2-MET. Tingkat pembelajaran LBD untuk CO2-EOR
Harga referensi minyak mentah ditetapkan pada $69,7/barel, yang berasal
dalam tiga skenario mengacu pada Upstill dan Hall [63]. Adapun CO2-MET,
dari paket harga minyak OPEC antara 26 Desember 2001 dan 7 Desember 2021.
tingkat pembelajaran dihitung berdasarkan faktor penskalaan menurut
Harga referensi metanol ditetapkan pada 373 $/ton, yang berasal dari data
Persamaan (2) [41], yang jauh lebih tinggi daripada literatur lain dan ditetapkan
harga metanol (premium grade) antara 31 Desember 2013 dan 10 Desember
sebagai tingkat pembelajaran dalam skenario pembelajaran teknologi cepat.
2021. data harga karbon diadopsi dari pasar perdagangan emisi Beijing antara
Selain itu, laju pembelajaran sintesis dan distilasi metanol dalam studi Lin et al
29 November 2013 dan 8 Juli 2021, dan harga referensi karbon ditetapkan
[73] relatif lebih rendah dan ditetapkan sebagai laju pembelajaran dalam skenario
sebesar 8,6 $/ton. Data diatas berasal dari
pembelajaran teknologi lambat. Teknologi

8
Machine Translated by Google

J. Liu dkk. Energi Terapan 322 (2022) 119514

Tabel 3
Tingkat pembelajaran berbagai komponen.

Komponen Biaya modal Biaya O&M Tingkat belajar sambil melakukan Tingkat belajar sambil meneliti Referensi

% Total % Total Biaya modal 1 biaya O&M Biaya modal biaya O&M
(S/M/F) (S/M/F) (S/M/F) (S/M/F)

CC Penangkapan CO2 (sistem amina) 81.8 95.2 0,06/0,11/0,18 0,10/0,22/0,30 0,048/0,088/0,144 0,08/0,176/0,24 0,00/0,00/0,08 [16,61]
kompresi CO2 18.2 4.8 0,00/0,00/0,10/0,00/0,10 0,03/0,036/0,042
0,04/0,048/0,056 0,00/0,00/0,08 [16,61]
Sistem Injeksi CO2-EOR 50 25.73 [63] [63]
Sistem produksi & pemisahan 50 74.27 0,03/0,036/0,042 -/-/- [74]
– – 0,04/0,08/0,12 [41,73]
Produksi Hidrogen CO2-MET
sintesis MeOH 90 27.33 0,048/0,088/0,13 [41,73]
Pemurnian & Distilasi 10 72.67 0,024/0,029/0,03/0,03/0,03/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04/0,04

1
Catatan: S/M/F mewakili laju pembelajaran dalam berbagai skenario. Secara khusus, skenario pembelajaran teknologi S-Slow; Skenario pembelajaran teknologi M-Medium;
Skenario pembelajaran teknologi F-Fast.

Gambar 3. Prediksi biaya modal komponen utama dalam berbagai skenario.

tingkat pembelajaran untuk komponen utama dalam berbagai skenario ditunjukkan membuat. Oleh karena itu, bagian ini menganalisis hasil prediksi biaya masa depan.
pada Tabel 3.

5. Hasil dan Pembahasan 5.1.1. Prediksi biaya masa depan komponen kunci dalam skenario yang berbeda
Biaya modal dari berbagai komponen utama dalam skenario yang berbeda
5.1. Prediksi biaya masa depan ditunjukkan pada Gambar. 3. Dalam skenario lambat/sedang/cepat, komponen
penangkap CO2 memiliki potensi pengurangan biaya terbesar pada tahun 2060,
Karena biaya merupakan bagian penting dari nilai investasi, prediksi biaya masa dengan tingkat pengurangan biaya sebesar 34,7%/55,1%/ 74,3%, masing-masing.
depan memiliki dampak penting pada keputusan investasi Sedangkan untuk teknologi CO2-EOR, biaya kedua komponennya menurun dalam tren yang sama d

9
Machine Translated by Google
J. Liu dkk.
Gambar 4. Prediksi biaya O&M komponen utama dalam berbagai skenario.
tingkat yang lebih lambat. Dalam skenario yang berbeda, pada tahun 2060, biaya
komponen injeksi dan komponen produksi & pemisahan akan turun masing-masing
sebesar 17,7%/20,9%/24,1%, dan 22,6%/26,6%/30,3%. Adapun teknologi CO2-
MET, komponen sintesis metanol memiliki potensi pengurangan biaya terbesar
(sekitar 1,9/2,6/3,2 juta $) dan tingkat pengurangan biaya tercepat (sekitar 35,2%/
49,2%/60,7%) pada tahun 2060 dalam berbagai skenario, masing-masing.
Biaya O&M dari komponen kunci yang berbeda dalam skenario yang berbeda
ditunjukkan pada Gambar. 4. Komponen penangkap CO2 memiliki potensi
pengurangan biaya terbesar dan tingkat pengurangan biaya tercepat pada tahun
2060, dengan pengurangan biaya sebesar 6,7/8,8/10,2 $/MWh dan tingkat
pengurangan biaya masing-masing adalah 51,5%/67,2%/78,3% dalam skenario lambat/sedang/cepat.
Sedangkan untuk teknologi CO2-EOR, komponen produksi & pemisahan memiliki
potensi pengurangan biaya terbesar dan tingkat pengurangan biaya tercepat pada
tahun 2060, dengan pengurangan biaya sebesar 3,0/3,5/4,0 $/t CO2 dan tingkat
pengurangan biaya sebesar 27,9% /32,7%/37,1% dalam skenario yang berbeda,
masing-masing. Sedangkan untuk teknologi CO2-MET, komponen produksi
hidrogen memiliki potensi pengurangan biaya terbesar dan tingkat pengurangan
biaya tercepat pada tahun 2060, dengan pengurangan biaya sebesar
293,1/361,1/469,0 $/ton dan tingkat pengurangan biaya sebesar 49,2%/60,7 %/
78,8% masing-masing dalam skenario yang berbeda.
5.1.2. Prediksi biaya masa depan seluruh teknologi
Biaya modal dan biaya O&M CC, CO2-EOR dan CO2-MET
10
Energi Terapan 322 (2022) 119514
teknologi dalam skenario yang berbeda ditunjukkan pada Gambar. 5. Pada tahun
2060, biaya modal teknologi CC akan turun sebesar 28,4%/45,1%/70,2% dan biaya
O&M akan turun masing-masing sebesar 49,1%/64,0%/77,0%.
Sebagai teknologi yang relatif matang, biaya CO2-EOR menurun perlahan.
Pada tahun 2060, biaya modal akan turun sebesar 20,2%/23,8%/27,2% dan biaya
O&M akan turun masing-masing sebesar 26,6%/31,1%/35,4%. Sebaliknya, CO2-
MET memiliki efek pembelajaran teknologi yang lebih besar, dan pada tahun 2060,
biaya modal akan turun sebesar 34,4%/48,6%/60,1% dan biaya O&M akan turun
masing-masing sebesar 49,1%/62,2%/79,3%. Selain itu, teknologi CC memiliki
potensi pengurangan biaya modal terbesar, sedangkan teknologi CO2-MET
memiliki potensi pengurangan biaya O&M terbesar.
5.2. Dampak harga pada keputusan investasi dalam berbagai skenario
Dampak harga pada waktu investasi yang optimal dan nilai investasi yang
sesuai dianalisis di bagian ini. Pada Gambar 6, NPVIV merepresentasikan nilai
investasi yang dihitung dengan metode NPV, sedangkan ROIV merepresentasikan
nilai investasi optimal yang dihitung dengan model keputusan investasi opsi riil.
Dalam metode NPV, seorang investor hanya akan berinvestasi ketika NPVIV lebih
besar dari nol, dan baru dapat mengambil keputusan pada tahun 2023 (periode
pertama periode pengambilan keputusan).
Namun, dalam model keputusan investasi opsi riil, pengenalan opsi yang
ditangguhkan memungkinkan investor membuat keputusan kapan saja.
Dampak harga minyak dan metanol terhadap keputusan investasi untuk
Machine Translated by Google

J. Liu dkk. Energi Terapan 322 (2022) 119514

Gambar 5. Prediksi biaya masa depan dalam berbagai skenario.

11
Machine Translated by Google
J. Liu dkk.
Gambar 6. Dampak harga pada keputusan investasi dalam berbagai skenario.
Proyek CO2-EOR dan CO2-MET dalam berbagai skenario diilustrasikan pada
Gambar 6, dari mana nilai investasi optimal (bintang merah) di bawah harga
referensi dapat dengan mudah diidentifikasi, jika investasi harus dilakukan.
Bilah berjudul NPVIV mewakili nilai investasi yang dihitung dengan menggunakan
metode NPV, sedangkan bilah berjudul ROIV mewakili nilai investasi optimal
selama periode keputusan setelah memperkenalkan opsi yang ditangguhkan.
Kurva mewakili waktu optimal untuk berinvestasi atau tidak berinvestasi.
Di bawah kondisi harga referensi, investasi baik proyek CO2-EOR maupun CO2-
MET tidak akan terjadi dalam skenario pembelajaran teknologi lambat dan
menengah. Namun, dengan peningkatan efek pembelajaran teknologi, dalam
skenario pembelajaran teknologi cepat, baik untuk CO2-EOR maupun CO2-
MET, investasi menjadi bernilai dan nilai investasi optimalnya masing-masing
dapat mencapai sekitar $217,4 juta dan $387,9 juta. Selain itu, dari skenario
lambat ke skenario cepat, nilai investasi CO2-MET secara bertahap akan
melampaui CO2-EOR. Ini menyiratkan bahwa dengan peningkatan efek
pembelajaran, CO2-MET memiliki keuntungan yang lebih besar
12
Energi Terapan 322 (2022) 119514
potensi pertumbuhan dan bahkan lebih ekonomis daripada CO2-EOR.
Seperti yang ditunjukkan pada Gambar. 6, ROIV lebih tinggi dari NPVIV.
Alasannya adalah pengenalan opsi yang ditangguhkan memungkinkan investor
untuk menunda investasi jika proyek saat ini tidak menguntungkan, dan memilih
untuk berinvestasi ketika nilai investasinya paling tinggi dan positif. Hasil ini
menunjukkan keunggulan model yang diusulkan dalam pengambilan keputusan
investasi.
Untuk CO2-EOR, nilai investasi akan meningkat seiring dengan kenaikan
harga minyak. Untuk mencapai nilai investasi yang positif, harga minyak
setidaknya harus lebih dari 110 dan 60 $/barel dalam skenario pembelajaran
teknologi lambat dan cepat. Selain itu, untuk memicu investasi segera pada
tahun 2023, dalam skenario menengah dan cepat, harga minyak setidaknya
harus mencapai masing-masing $110/barel dan $80/barel.
Untuk CO2-MET, untuk mencapai nilai investasi positif, harga metanol harus
lebih dari $580/ton dalam skenario pembelajaran teknologi lambat. Namun,
dalam skenario pembelajaran teknologi cepat, itu sudah cukup
Machine Translated by Google

J. Liu dkk. Energi Terapan 322 (2022) 119514

ketika harga metanol mencapai 300 $/ton (20% lebih rendah dari harga saat ini).
Selain itu, sebagai produk kimia yang banyak digunakan, permintaan metanol akan
lebih besar di sektor kimia dan transportasi. Namun, untuk memicu investasi segera,
harga metanol harus lebih dari $580/ton dalam skenario pembelajaran teknologi
cepat, dan tingkat pertumbuhan harga yang dibutuhkan adalah 40% lebih tinggi
daripada CO2-EOR. Hal ini karena biaya awal CO2-MET lebih tinggi daripada CO2-
EOR, sehingga lebih baik menunda investasi CO2-MET untuk mendapatkan
keuntungan yang lebih tinggi.
Membandingkan keputusan investasi antara CO2-EOR dan CO2- MET pada
skenario yang berbeda (Gambar 6a vs 6d; Gambar 6b vs 6e; dan Gambar 6c vs 6f),
pada skenario yang berbeda, ROIV dari CO2-MET sekitar 1,6 kali CO2 - EOR dengan
tingkat pertumbuhan harga yang sama. Selain itu, untuk mencapai nilai investasi yang
positif, tingkat pertumbuhan harga yang dibutuhkan untuk CO2-MET adalah 3%, 6%,
dan 6% yang lebih rendah dari CO2-EOR.
Hasil ini menunjukkan bahwa CO2-MET lebih ekonomis dibandingkan CO2-EOR.
Namun, karena biaya di muka yang lebih tinggi, CO2-MET lebih sulit memicu investasi
langsung daripada CO2-EOR, oleh karena itu lebih baik berinvestasi di dalamnya
dalam jangka panjang.
pilihan akan dipertimbangkan dalam pekerjaan masa depan. Karena kurangnya data
historis yang tersedia seperti biaya teknologi, tingkat pembelajaran teknologi yang
digunakan dalam analisis diperoleh dari literatur dan beberapa asumsi juga
diperkenalkan. Disarankan kami akan terus menyelidiki data yang relevan di masa
mendatang untuk meningkatkan akurasi hasil. Sementara itu, perbandingan antara
dampak LBD dan efek LBR terhadap pengurangan biaya juga disarankan untuk
pekerjaan di masa mendatang. Selain itu, penting juga untuk mempertimbangkan
faktor-faktor seperti lokasi geografis, potensi simpanan geologis, dan heterogenitas
regional di masa depan.
Pernyataan kontribusi kepengarangan CRedit
Jiangfeng Liu: Kurasi data, Perangkat Lunak, Visualisasi, Penulisan – draf asli,
Analisis formal. Qi Zhang: Konseptualisasi, Pengawasan, Akuisisi Pendanaan,
Penulisan – Tinjauan & Penyuntingan. Hailong Li: Metodologi, Investigasi, Penulisan
– ulasan & penyuntingan. Siyuan Chen: Metodologi, Investigasi. Fei Teng: Kurasi
data, Investigasi.

6. Kesimpulan
Deklarasi Kepentingan Bersaing

CCU sangat penting untuk mencapai target netralitas karbon, namun, biaya modal
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan keuangan
dan O&M yang tinggi serta tingginya ketidakpastian harga minyak atau metanol
yang bersaing atau hubungan pribadi yang dapat mempengaruhi pekerjaan yang
menghambat perkembangannya. Model keputusan investasi opsi nyata baru
dilaporkan dalam makalah ini.
berdasarkan efek pembelajaran teknologi dikembangkan untuk menganalisis
keputusan investasi proyek CCU, dan pendekatan kurva pembelajaran teknologi dua
faktor berbasis komponen diusulkan untuk memprediksi biaya masa depan untuk Pengakuan
setiap komponen terperinci. Melalui penggunaan metode ini untuk menganalisis dua
teknologi CCU, CO2-EOR dan CO2-MET, kesimpulan berikut dapat ditarik dari hasil: Penulis berterima kasih atas dukungan yang diberikan oleh National Social
Science Foundation of China (No. 21ZDA030) dan National Nature Science Foundation
of China (No.71974197).

• Model keputusan investasi dapat mengungkapkan potensi investasi proyek-proyek

CCU dan menemukan waktu investasi yang optimal, berkat pertimbangan Lampiran
fleksibilitas manajemen investor. • Berdasarkan kondisi harga referensi, baik CO2-
EOR maupun CO2-MET tidak layak untuk segera diinvestasikan. • Kenaikan harga Proyek CO2-EOR dan CO2-MET tercantum dalam Lampiran (Tabel A1 dan Tabel
minyak berkontribusi signifikan terhadap nilai investasi CO2-EOR. Untuk memicu A2).
investasi segera pada tahun 2023, dalam skenario menengah dan cepat, harga
minyak setidaknya harus lebih dari $110/barel (tingkat pertumbuhan 54%) dan Tabel
$80/barel (tingkat pertumbuhan 15%), yang sulit untuk bertahan di pasar minyak A1 Proyek spesifik CO2-EOR di Cina [3].
global saat ini. Ini menegaskan bahwa sebagian besar proyek CCU yang ada Nama Proyek Tahun Pemanfaatan Pemanfaatan
dengan CO2-EOR berakhir dengan kegagalan karena profitabilitas yang rendah. Operasi Teknologi CO2 tahunan (kt/y)

• CO2-MET merupakan opsi pemanfaatan CO2 yang menjanjikan untuk

meningkatkan nilai investasi CCU. Dalam skenario yang berbeda, ROIV CO2- Yanchang Petroleum Utara 2013 CO2-EOR 50

MET sekitar 1,6 kali CO2-EOR pada tingkat pertumbuhan harga yang sama. Selain Bahan kimia batubara Shaanxi 50000

itu, pelaksanaan proyek CO2-MET lebih fleksibel dibandingkan proyek CO2-EOR T/a penangkapan dan
demonstrasi CO2
yang dibatasi oleh letak geografis dan potensi penyimpanan geologis. Penelitian dan demonstrasi dari 2008 300
CO2-EOR
CO2-EOR di PetroChina Jilin
Ladang minyak

Ladang Minyak Sinopec Shengli CO2- 2010 CO2-EOR 40

proyek EOR
Ladang Minyak Sinopec Zhongyuan 2015 CO2-EOR 100
7. Keterbatasan dan pekerjaan yang akan datang
proyek CO2-EOR
minyak bumi Karamay Dunhua - 2015 CO2-EOR 50 ~ 100

Nilai investasi optimal proyek CO2-EOR di bawah skenario pembelajaran teknologi Proyek CO2-EOR Ladang Minyak

menengah adalah sekitar 20% lebih rendah dari hasil Lin dan Tan dengan harga Xinjiang
Proyek CO2-EOR Changqing 2017 CO2-EOR 50
minyak yang sama [12]. Alasannya adalah biaya modal dan biaya O&M dari teknologi Ladang minyak

CO2-EOR dipertimbangkan dalam penelitian ini, yang kurang dalam penelitian Lin Proyek demonstrasi CO2-EOR 2003 CO2-EOR 200
dan Tan [12]. Selain itu, hasil bahwa ROIV lebih tinggi dari NPVIV menunjukkan Ladang Minyak Daqing
2005 CO2-EOR 100
bahwa opsi yang ditangguhkan dapat mengungkapkan potensi investasi proyek Proyek percontohan seluruh proses
lapangan minyak dan gas Sinopec
melalui penundaan keputusan investasi, yang konsisten dengan kesimpulan yang
China Timur CCUS
diperoleh dalam studi terkait yang ada [12,26,50 ]. 2007 CO2-EOR NA
Petrokimia Sinopec Qilu
proyek CCS
Namun, model dalam penelitian ini memiliki beberapa keterbatasan: Saat ini Petrokimia Qilu -Shengli 2022 CO2-EOR 1000

hanya opsi yang ditangguhkan yang dipertimbangkan, sementara mungkin ada Proyek CCUS ladang minyak

perluasan atau penyusutan investasi dalam proyek CCU. Disarankan seperti itu

13
Machine Translated by Google

J. Liu dkk. Energi Terapan 322 (2022) 119514

Tabel A2 Tabel A2 (lanjutan )

Proyek spesifik CO2-MET [75]. Bahan baku
Perusahaan Tahun awal Kapasitas
Perusahaan Tahun awal Kapasitas Bahan baku (kt/y)
(kt/y) 3.6–72 COÿ dan Hÿ dari elektrolisis
Thyssenkrupp/ Penyedia
CRI 2011 4 Panas bumi CO2 dan H2 Cairan Uhde/Swiss teknologi air
Masa depan
dari elektrolisis air
Institut Dalian 2020 1 CO2 dan H2 dari elektrolisis Rekayasa Bse Penyedia 8.2–16.4 COÿ dan Hÿ dari elektrolisis

Fisika Kimia air (PV) / BASF teknologi air

Angin Cair 2023 (rencana 45 Industri daur ulang Haldor Topsoe Penyedia Variabel COÿ dan Hÿ dari elektrolisis

untuk 6 fasilitas oleh CO2 dan H2 dari elektrolisis teknologi air

air Johnson Matthey Penyedia Variabel100- COÿ dan Hÿ dari elektrolisis
2030) teknologi 1700 air
ABEL 2023 60 CO2 biogenik dan H2
dari elektrolisis air
Henan Shuncheng 2022 110 COÿ dari limekiln dan Referensi
Grup/KRI Hÿ dari gas oven kokas
Masa Depan Cairan Swiss/ n/k 80 COÿ dari pabrik ferosilikon
[1] Badan Energi Internasional (IEA). Net zero by 2050: Peta jalan untuk sektor energi global. Paris:
Thyssenkrupp dan Hÿ dari elektrolisis air IEA; 2021. https://www.iea.org/reports/net-zero-by-2050 [diakses 20 Januari 2022].
(tenaga air)
[2] Mac Dowell N, Fennell PS, Shah N, Maitland GC. Peran penangkapan dan pemanfaatan CO2
Konsorsium dari 2024 100 COÿ dan Hÿ dari elektrolisis dalam mitigasi perubahan iklim. Perubahan Iklim Alam 2017;7(4):243–9.
perusahaan/CRI air [3] Cai B, Li Q, Zhang X. Laporan Tahunan Penangkapan, Pemanfaatan dan Penyimpanan Karbon
Hidrogen Terbarukan n/k 120 COÿ dan Hÿ dari elektrolisis (CCUS) di China 2021. Akademi Perencanaan Lingkungan China. Institut Mekanika Batuan dan
Kanada (RHÿC) Tanah, Akademi Ilmu Pengetahuan China. Pusat Administrasi untuk Agenda 21 China; 2021
air (hidro)
Konsorsium di COÿ dan Hÿ dari elektrolisis [diakses 23 September 2021]. [4] de Kleijne K, Hanssen SV, van Dinteren L, Huijbregts MAJ, van
n/k 8
Zelm R, de
pelabuhan Antwerp air
Coninck H. Membatasi kompatibilitas penangkapan dan pemanfaatan CO2 di Paris. Satu Bumi
Konsorsium di n/k 46–180 Industri COÿ dan Hÿ dari
2022;5(2):168–85.
pelabuhan Ghent elektrolisis air
[5] Rakhiemah AN, Xu Y. Kelangsungan ekonomi CCUS-EOR rantai penuh di Indonesia.
Konsorsium n/k 15 COÿ dan Hÿ dari elektrolisis
Daur Ulang Konservasi Sumberdaya 2022;179:106069.
Nouryon/Gasunie/ air [6] Institut CCS Global (GCCSI). Status Global CCS 2021. Global CCS Institute
BioMCN dan 3 Cina; 2021. https://cn.globalccsinstitute.com/resources/publications-reports-r esearch/the-global-
lainnya status-of-ccs-2021/ [diakses 2 April 2022].
Dow n/k 200 COÿ dan Hÿ dari elektrolisis [7] Fukai I, Mishra S, Moody MA. Analisis ekonomi pemulihan minyak yang ditingkatkan CO2 di Ohio:
air COÿ dari MSW dan Implikasi untuk penangkapan, pemanfaatan, dan penyimpanan karbon di wilayah Appalachian
konsorsium 2023–2030 n/k biomassa. Hÿ dari elektrolisis Basin. Pengendalian Gas Rumah Kaca Int J 2016;52:357–77.
perusahaan air (angin lepas pantai). [8] Jiang K, Ashworth P, Zhang S, Liang Xi, Sun Y, Angus D. Kebijakan penangkapan, pemanfaatan,
Kapasitas pengelektrolisis dan penyimpanan karbon China (CCUS): Tinjauan kritis. Perbarui Sustain Energy Rev
2020;119:109601.
hingga 1,3 GW pada tahun
[9] Zhang Z, Pan SY, Li H, Cai J, Olabi AG, Anthony EJ, dkk. Kemajuan terbaru dalam pemanfaatan
2030
karbon dioksida. Perbarui Sustain Energy Rev 2020;125:109799.
[10] Chauvy R, Meunier N, Thomas D, De Weireld G. Memilih produk pemanfaatan CO2 yang muncul
Konsorsium n/k n/k COÿ dari pabrik semen dan
untuk penerapan jangka pendek hingga menengah. Appl Energy 2019;236:662–80.
Hÿ dari air
[11] Yang L, Xu M, Yang Y, Fan J, Zhang X. Perbandingan skema subsidi untuk investasi pemanfaatan
elektrolisis (angin) dan penyimpanan penangkapan karbon (CCUS) berdasarkan pendekatan opsi nyata: Bukti dari
FreSMe 2019 1 t/h Aliran limbah COÿ
China. Appl Energy 2019;255:113828.
dan Hÿ dari pabrik [12] Lin B, Tan Z. Seberapa besar dampak harga minyak yang rendah dan mekanisme perdagangan
baja dan Hÿ dari elektrolisis karbon terhadap nilai proyek pemanfaatan dan penyimpanan penangkapan karbon (CCUS)?
air Analisis berdasarkan metode opsi riil. J Cleaner Prod 2021;298:126768.
MefCOÿ 2019 1 t/h Gas buang pembangkit listrik [13] Marchese M, Buffo G, Santarelli M, Lanzini A. CO2 dari tangkapan udara langsung sebagai
COÿ dan Hÿ dari air bahan baku karbon untuk bahan kimia dan bahan bakar Fischer-Tropsch: Analisis energi dan
elektrolisa ekonomi. J CO2 Util 2021;46:101487.
Power2Met Denmark 2019 800L/hari [14] Rubin ES, Chen C, Rao AB. Biaya dan kinerja pembangkit listrik berbahan bakar fosil dengan
COÿ dari biogas dan Hÿ dari
Konsorsium penangkapan dan penyimpanan CO2. Kebijakan Energi 2007;35(9):4444–54.
elektrolisis air (angin dan
[15] Ferioli F, Schoots K, van der Zwaan BCC. Penggunaan dan batasan kurva pembelajaran untuk
matahari)
kebijakan teknologi energi: Hipotesis pembelajaran komponen. Kebijakan Energi 2009; 37(7):2525–
Carbon2Chem 2020 50L/hari COÿ/CO/Hÿ dari gas
35.
pabrik baja dan Hÿ dari
[16] Kang JN, Wei YM, Liu L, Han R, Chen H, Li J, dkk. Prospek Karbon
elektrolisis air Penangkapan dan Penyimpanan di Sektor Tenaga China di bawah Target 2 ÿC: Pendekatan
Proyek ALIGN-CCUS 2020 50L/hari COÿ dari gas buang Kurva Pembelajaran Berbasis Komponen. Kontrol Gas Rumah Kaca Int J 2020;101:103149.
DME pembangkit listrik dan Hÿ [17] Ruttinger AW, Kannangara M, Shadbahr J, De Luna P, Bensebaa F. Bagaimana Teknologi CO2-ke
dari elektrolisis air Diesel Dapat Membantu Mencapai Target Emisi Net-Zero: Studi Kasus Kanada . Energi
dari COÿ 2021;14:6957.
Masa Depan Cairan Swiss 2012 75L/hari COÿ dan Hÿ dari elektrolisis [18] Cohen WM, Levinthal DA. Inovasi dan Pembelajaran: Dua Wajah R & D. Econ
air J 1989;99:569–96.
Total/Matahari e 2022 1,5 ton/hari COÿ dari kilang dan [19] Watanabe C, Shin JH, Akaike S, Griffy-Brown C. Pembelajaran dan asimilasi vs.
Hÿ dari elektrolisis M&A dan inovasi: Jepang di persimpangan jalan. Technol Soc 2009;31:218–31.
Proyek COÿMet
[20] Bhandari SB. Discounted Payback: kriteria untuk keputusan investasi modal.
air
2020 COÿ dan Hÿ dari elektrolisis J Bus Kecil Kelola 1986;24:16.
Rekayasa Bse 28L/hari ´
[21] Rothwell G, Gomez T. Ekonomi Listrik: Regulasi dan Deregulasi. Wiley IEEE Tekan; 2003.
/Lembaga untuk air (angin)
Energi terbarukan
[22] Zhang F, Wang X, Hou X, Han C, Wu M, Liu Z. Analisis sensitivitas global berbasis varian dari
Sistem(IRES) sistem fuzzy generator termoelektrik hibrida. Energi Appl 2022;307: 118208.
Mitsui 2009 0,1 COÿ dan Hÿ dari elektrolisis
air [23] Moutis P, Skarvelis-Kazakos S, Brucoli M. Pohon keputusan membantu perencanaan dan
Institut Korea 2004 100 kg/hari COÿ dari gas buang penyeimbangan energi dari microgrid masyarakat yang direncanakan. Appl Energy 2016;161:197–205.
Sains dan pembangkit listrik dan Hÿ [24] Tseng CL, Barz G. Penilaian Aset Generasi Jangka Pendek: Pilihan Nyata
Teknologi (KIST) dari elektrolisis air Mendekati. Operasi Res 2002;50(2):297–310.
/ proses KAMERA [25] Black F, Scholes M. Penetapan Harga Opsi dan Kewajiban Perusahaan. J Polit Econ 1973;81(3):637–
CRI Penyedia 50–100 COÿ dan Hÿ dari elektrolisis 54.

teknologi air [26] Zhu L, Fan Y. Model evaluasi investasi CCS berbasis opsi nyata: Studi kasus sektor pembangkit
listrik China. Appl Energy 2011;88(12):4320–33.

14
Machine Translated by Google
J. Liu dkk.
[27] Chen S, Zhang Q, Wang G, Zhu L, Li Y. Strategi investasi untuk fasilitas penyimpanan gas bawah
tanah berdasarkan model opsi nyata dengan mempertimbangkan reformasi pasar gas di Cina.
Energi Ekon 2018;70:132–42.
[28] Myers SC, Turnbull SM. Penganggaran Modal dan Model Penetapan Harga Aset Modal: Kabar
Baik dan Kabar Buruk. J Keuangan 1977;32(2):321–33.
[29] Chen W, Zeng Y, Xu C. Estimasi subsidi penyimpanan energi untuk microgrid: Pendekatan teori
permainan opsi nyata. Appl Energy 2019;239:373–82.
[30] Agaton CB, Guno CS, Villanueva RO, Villanueva RO. Analisis ekonomi investasi limbah menjadi
energi di Filipina: Pendekatan opsi nyata. Appl Energy 2020;275:115265.
[31] Fan JL, Xu M, Yang L, Zhang X, Li F. Bagaimana pemanfaatan dan penyimpanan penangkapan
karbon dapat diinsentifkan di Cina? Perspektif berdasarkan ketentuan kredit pajak 45Q.
Kebijakan Energi 2019;132:1229–40.
[32] Lamberts-Van Assche H, Compernolle T. Menggunakan Pilihan Nyata Berpikir untuk Menilai
Fleksibilitas Investasi dalam Proyek Penangkapan dan Pemanfaatan Karbon: Tinjauan.
Keberlanjutan 2022;14:2098.
[33] Deeney P, Cummins M, Heintz K, Pryce MT. Alat pendukung keputusan berbasis opsi nyata untuk
investasi R&D: Aplikasi untuk teknologi daur ulang CO2. Eur J Oper Res 2021;289:696–711.
[34] Linton JD, Walsh ST. Mengintegrasikan inovasi dan teori kurva pembelajaran: memungkinkan untuk
memindahkan teknologi nano dan teknologi proses baru lainnya ke dalam produksi. R&D Manage
2004;34:517–26.
[35] Jaber MY, Peltokorpi J, Glock CH, Grosse EH, Pusic M. Penyesuaian untuk gangguan kognitif
meningkatkan prediktabilitas kurva belajar daya. Int J Prod Econ 2021;234:108045.
[36] Li S, Zhang X, Gao L, Jin H. Tingkat pembelajaran dan kurva biaya masa depan untuk sistem
energi bahan bakar fosil dengan penangkapan CO2: Metodologi dan studi kasus. Appl Energy
2012;93:348–56.
[37] Liu H, Gallagher KS. Mengkatalisasi transformasi strategis menuju ekonomi rendah karbon: Peta
jalan CCS untuk Tiongkok. Kebijakan Energi 2010;38(1):59–74.
[38] Ryoo SG, Jung HS, Kim M, Kang YT. Bridge to zero-emission: Penilaian siklus hidup proses konversi
CO2-metanol dan optimalisasi energi. Energi 2021;229: 120626.
[39] Sekuritas Sealand. Kedalaman karbon ganda satu: hidrogenasi karbon dioksida menjadi metanol
diharapkan mengantarkan industrialisasi 2021. Cina; 2021 [diakses 31 Desember 2021].
[40] Institut CCS Global (GCCSI). Kesiapan Teknologi dan Biaya CCS - Global CCS Institute; 2021.
https://www.globalccsinstitute.com/resources/publications-rep orts-research/technology-readiness-
and-costs-of-ccs/ [diakses 30 Maret 2022].
[41] Penilaian Michailos S. Technoeconomic dari Sintesis Metanol melalui CO2
Hidrogenasi. Sheffield, Inggris; 2018.
[42] Netl. Kurva Pembelajaran Teknologi (FOAK ke NOAK). Pedoman kualitas untuk energi
studi sistem; 2013. hal. 24.
[43] Thomassen G, Van Passel S, Dewulf Jo. Tinjauan tentang efek pembelajaran dalam penilaian
teknologi prospektif. Perbarui Sustain Energy Rev 2020;130.
[44] Argote L, Epple D. Kurva pembelajaran di bidang manufaktur. Sains 1990;247(4945):
920–4.
[45] van den Broek M, Hoefnagels R, Rubin E, Turkenburg W, Faaij A. Pengaruh
pembelajaran teknologi pada biaya masa depan dan kinerja pembangkit listrik dengan
penangkapan CO2. Ilmu Pembakaran Energi Prog 2009;35(6):457–80.
[46] Chen Feng. Model kurva-S evolusi teknologi dan analisis karakteristik diskontinuitas
Universitas Fudan; 2000.
[47] Schmidt O, Hawkes A, Gambhir A, Staffell I. Biaya masa depan penyimpanan energi listrik
berdasarkan tingkat pengalaman. Energi Nat 2017;2:1–8.
[48] Ritzenhofen I, Spinler S. Rancangan feed-in-tariff yang optimal untuk merangsang investasi energi
terbarukan di bawah ketidakpastian regulasi — Sebuah analisis opsi nyata. Energi Ekon
2016;53:76–89.
[49] Atsonios K, Panopoulos KD, Kakaras E. Investigasi aspek teknis dan ekonomi untuk produksi
metanol melalui hidrogenasi CO2. Energi Hidrogen Int J 2016;41(4):2202–14.
[50] Chen S, Zhang Q, Li H, Mclellan B, Zhang T, Tan Z. Keputusan investasi pada
pemanasan & pendinginan panas bumi dangkal berdasarkan model opsi majemuk:
Studi kasus Cina. Energi Appl 2019;254:113655.
15
Energi Terapan 322 (2022) 119514
[51] Pindyck RS. Evolusi harga energi jangka panjang. Energi J 1998;20:1–27.
[52] Postali FAS, Picchetti P. Gerak Brown Geometrik dan jeda struktural dalam harga minyak: Sebuah
analisis kuantitatif. Hemat Energi 2006;28(4):506–22.
[53] Chen R, Deng T, Huang S, Qin R. Pengadaan minyak mentah yang optimal dengan harga yang
berfluktuasi di kilang minyak. Eur J Oper Res 2015;245(2):438–45.
[54] Fonseca MN, Pamplona EdO, Valerio VED, Aquila G, Rocha LCS, Rotela Junior P.
Volatilitas harga minyak: Pendekatan penilaian opsi nyata di ladang minyak Afrika. J Petrol Sci
Eng 2017;150:297–304.
[55] Zhang Q, Chen S, Tan Z, Zhang T, Mclellan B. Strategi investasi pemanasan panas bumi hidrotermal
di Cina di bawah ketidakpastian kebijakan, teknologi dan geologi.
J Cleaner Prod 2019;207:17–29.
[56] Guedes J, Santos P. Menilai proyek eksplorasi dan produksi minyak lepas pantai melalui analisis
opsi nyata. Energi Ekon 2016;60:377–86.
[57] Kraan O, Kramer GJ, Nikolic I. Investasi dalam sistem kelistrikan masa depan - Pendekatan
pemodelan berbasis agen. Energi 2018;151:569–80.
[58] Longstaff FA, Schwartz ES. Schwartz ES. Rev Financ Stud 2001;14(1):113–47.
[59] Zhang W, Dai C, Luo X, Ou X. Insentif kebijakan dalam investasi pemanfaatan dan penyimpanan
penangkapan karbon (CCUS) berdasarkan analisis opsi nyata. Kebijakan Lingkungan Teknologi
Bersih 2021;23(4):1311–26.
[60] Insley M. Pendekatan Opsi Nyata untuk Penilaian Investasi Kehutanan.
J Environ Econ Manage 2002;44(3):471–92.
[61] Program Litbang Gas Rumah Kaca Badan Energi Internasional (IEAGHG).
Memperkirakan tren masa depan dalam biaya teknologi penangkapan CO2. Cheltenham, Inggris;
2006. https://ieaghg.org/ccs-resources/blog/new-ieaghg-technical-review-towar ds-improved-
guidelines-for-cost-evaluation-of-carbon-capture-and-storage [diakses 31 Desember 2021].
[62] Zhang J. Analisis Biaya dan Kebijakan untuk CCS. Energi Sino-Global 2011;16:21–5.
[63] Upstill G, Hall P. Memperkirakan laju pembelajaran suatu teknologi dengan berbagai varian:
Kasus penyimpanan karbon. Kebijakan Energi 2018;121:498–505.
[64] Maks. Laporan studi kelayakan penangkapan karbon dioksida dan sintesis metanol
proyek 2017. Cina; 2017 [diakses 12 Oktober 2021].
[65] Angin. Basis Data Ekonomi Angin; 2022. https://www.wind.com.cn/newsite/edb. html [diakses 19
April 2022].
[66] Hu B, Zhai H. Biaya penangkapan dan penyimpanan karbon untuk pembangkit listrik tenaga batu
bara di Cina. Pengendalian Gas Rumah Kaca Int J 2017;65:23–31.
[67] Administrasi Energi Nasional (NEV). Administrasi Energi Nasional merilis data statistik industri
tenaga nasional pada tahun 2019. China; 2020. http://www.nea.gov.cn/2020-01/20/
c_138720881.htm [diakses 10 Oktober 2021].
[68] Barreto L, Klaassen G. Perdagangan emisi dan peran limpahan pembelajaran sambil melakukan
dalam model ERIS sistem energi "bottom-up". Kebijakan Teknologi Energi Int J 2004;2: 70–95.
[69] Lohwasser R, Madlener R. Menghubungkan R&D dan kebijakan investasi dengan difusi pasar CCS
melalui pembelajaran dua faktor. Kebijakan Energi 2013;52:439–52.
[70] Miketa A, Schrattenholzer L. Eksperimen dengan metodologi untuk memodelkan peran pengeluaran
R&D dalam proses pembelajaran teknologi energi; hasil pertama. Kebijakan Energi
2004;32(15):1679–92.
[71] McDonald A, Schrattenholzer L. Tingkat pembelajaran untuk teknologi energi. Energi
Kebijakan 2001;29(4):255–61.
[72] Rubin ES, Yeh S, Hounshell DA, Taylor MR. Kurva pengalaman untuk teknologi kontrol emisi
pembangkit listrik . Kebijakan Teknologi Energi Int J 2004;2:52–69.
[73] Lin Hu, Jin H, Gao L, Han W. Evaluasi tekno-ekonomi berbasis batubara
sistem poligenerasi bahan bakar sintetik dan tenaga dengan pemulihan CO2. Energy Convers
Manage 2011;52(1):274–83.
[74] Badan Energi Terbarukan Internasional (IRENA). Pengurangan biaya hidrogen hijau 2020. Bonn,
Jerman; 2020. https://www.irena.org/publications/2020/Dec/Gr een-hydrogen-cost-reduction
[diakses 31 Maret 2022].
[75] Badan Energi Terbarukan Internasional (IRENA). Outlook Inovasi: Metanol Terbarukan 2021. Bonn,
Jerman; 2021. https://www.irena.org/publications/ 2021/Jan/Innovation-Outlook-Renewable-
Methanol [diakses 7 April 2022].