量化能源系统向碳中和过渡过程中的权衡：以中国为例

《Energy》：Quantifying trade-offs in the low-carbon transition of energy system towards carbon neutrality: a case study in China

碳中和路径规划|多目标优化|能源系统转型|智能电网协同|资源约束评估

　　

罗世华|白忠光|刘文|邓世琦|王道娟|舒佳|胡伟豪|曾勇

中国电子科技大学机械与电气工程学院，成都，中国

摘要

能源系统的低碳转型对于实现全球气候承诺至关重要。然而，转型路径受到多重环境、经济和安全目标的深刻制约。在规划平衡这些多方面要求的能源系统转型方面，仍存在显著的研究空白，特别是在量化其在碳中和等雄心勃勃的脱碳目标下的影响方面。为了填补这一空白，本研究开发了一个混合规划框架，将每小时智能能源系统仿真与多目标优化算法相结合。该框架全面考虑了所有能源部门、关键的跨部门措施和资源评估。以中国的能源系统为例，该框架评估了到2060年实现碳中和的可行性，并在竞争性约束下识别出帕累托最优的转型方案。与传统情景开发方法相比，该框架得出的最优方案可将二氧化碳排放量减少764万吨，同时将能源系统成本降低2.5%，从而展示了有效的多目标协调。此外，分析表明，技术部署路径在很大程度上取决于特定目标的优先级。除了优化之外，本研究还整合了资源评估，发现虽然土地资源仍然丰富，但钴和镍等关键矿物的转型面临严重的供应链风险。因此，所提出的框架为设计不同地区的低碳转型策略提供了一个可扩展的工具，为实现雄心勃勃的脱碳目标提供了关键见解。

引言

全球气候变化是能源系统转型的主要驱动力，促使近196个缔约方在《巴黎协定》下承诺减排目标[1]，[2]。作为世界上最大的能源消费国和碳排放国，中国通过其“双碳”目标实现了这一承诺：即到2030年达到碳排放峰值，并在2060年实现碳中和[3]，[4]。

为了实现这些目标，中国推出了一系列转型政策，例如将非化石能源消费比例提高到约20%[5]，并将在2030年前将风能和光伏（PV）发电的装机容量扩大到1200吉瓦以上[6]。然而，这种快速转型将能源规划从单一的成本最小化任务转变为一个复杂的多目标挑战[7]。政策制定者必须在确保深度脱碳、维持经济可负担性和保障供应安全的目标下，应对能源系统的各种竞争性约束。

鉴于这些维度之间的内在冲突，多目标优化（MOO）在以往的研究中被广泛采用，以探索能源系统的低碳转型。与可能为了激进的成本削减而牺牲系统稳定性的单目标方法[8]，[9]不同，MOO量化了竞争目标之间的权衡，并为决策者提供了一整套替代方案。许多学者应用MOO来优化中国的能源结构，为技术选择和容量扩张提供了宝贵的宏观层面见解。为了明确当前的研究现状，表1总结了在中国背景下关注能源转型规划的代表性MOO研究。

基于表1的比较分析和更广泛的文献回顾，本研究指出了现有研究中的两个主要空白。这些空白存在于方法论和系统层面，限制了当前能源规划框架的可靠性。

首先，如表1所示，大多数现有研究[10]，[11]，[12]，[13]，[14]，[15]，[16]，[17]依赖于在年度或月度等粗时间分辨率下运行的数学模型。具体来说，吴等人[13]开发了一个具有成本和排放双重目标的综合“源-电网-负荷”优化模型。这项工作为中国电力部门的中长期低碳转型提供了定量路线图。同样，李等人[16]构建了一个包含技术潜力和核安全等实际约束的三目标优化模型。在共享社会经济路径（SSPs）的框架内，他们优化并分析了中国的非化石能源组合直到2060年。然而，尽管纯优化方法在快速识别低碳转型的技术配置方面表现出色，但它们通常需要简化时间维度以确保计算可行性。通过使用典型的运营日或年平均值，这些模型往往无法捕捉电力供需的基本每小时波动。对于旨在实现高比例可再生能源的国家能源系统来说，这一限制尤为重要[20]。相反，虽然像EnergyPLAN[21]，[22]，LEAP[23]，[24]和EnergyPRO[25]，[26]这样的仿真工具提供了高保真度的验证，但它们通常缺乏规划层面的自动化优化能力，使得识别最优低碳转型路径变得具有挑战性。为了解决这些限制，一个结合高分辨率仿真与MOO的混合框架受到了广泛关注，并已在意大利[27]，[28]，丹麦[29]，西班牙[30]等国家得到应用。然而，将这种混合方法应用于中国到2060年的碳中和能源系统转型尚未得到探索。

其次，表1还指出了现有研究在部门覆盖范围上的系统限制。如“包括的部门”列所示，大多数关于中国的研究主要集中在电力部门[10]，[11]，[12]，[13]，[14]，[15]，[16]，从而忽视了供暖、交通和工业等主要能源部门之间的深度耦合。此外，全球关于多目标低碳转型的研究同样集中在单一能源部门（特别是电力系统[31]，[32]）或有限的部门组合（例如，电力-供暖[33]，电力-交通[34]）。因此，涵盖所有主要部门的综合能源规划仍然很少见。至关重要的是，这种特定部门的规划视角忽视了智能能源系统（SES）在深度脱碳中的核心作用[35]。研究表明，跨部门耦合措施，如利用P2X技术生产工业氢[36]或使用电动汽车提高电网灵活性[37]，可以显著提高系统效率。此外，缺乏系统整合导致关键资源（如生物质）的低效利用。生物质是一种多功能资源，可以同时服务于电力、交通和工业部门。因此，其最佳利用依赖于整体的、系统范围的规划[38]。然而，当前的研究往往由于过于关注个别部门[39]，[40]，而将生物质的使用限制在发电上。这种方法忽略了生物质在难以减排的部门（如工业和重型交通）中的高价值应用。因此，整合关键的跨部门技术对于制定有效的低碳转型方案至关重要。

为了弥合这些相互关联的空白，开发了一个混合规划框架，将每小时智能能源系统仿真工具与MOO算法相结合。通过纳入所有主要能源部门、关键的跨部门措施和自然资源约束，该框架评估了到2060年实现碳中和的可行性，特别从土地和矿产资源的角度评估了转型路径。以中国的能源系统为例，该框架量化并阐明了在多维目标下低碳转型中固有的技术选择和权衡。

本研究的主要创新和贡献可以从方法论、应用和见解三个方面进行总结：（1）方法论上，本研究提出了一个将仿真工具与优化算法相结合的混合规划框架。通过结合高分辨率仿真和MOO的优势，有效解决了传统研究依赖于年度或月度仿真的局限性；（2）应用方面，本研究将系统边界扩展到一个完全整合的系统，包括电力、热能、交通和工业部门。至关重要的是，它结合了对物理约束（如土地和关键矿产资源）的定量评估，以及跨部门措施。这种整体方法验证了转型的物理可行性，并提高了所提出方案的实际可靠性。（3）分析方面，本研究为中国深度脱碳识别了一组帕累托最优方案，引入了关键过剩电力生产（CEEP）来量化系统稳定性。此外，全面的敏感性分析揭示了系统对需求不确定性的脆弱性。这些见解为平衡经济、环境和安全目标提供了稳健的战略指导。

本研究的其余部分组织如下：第2节描述了中国的能源系统。第3节详细介绍了本研究中开发的混合规划框架。第4节从不同角度展示了结果，第5节详细介绍了双层敏感性分析，第6节和第7节分别提供了讨论和结论。

部分摘录

资源禀赋和转型潜力

图1展示了基于官方文件[41]，[42]的数据，描绘了2022年中国能源结构。可以看出，煤炭仍然是主要能源来源，占总消费量的大约62.6%，其次是石油和天然气。电力和热能生产主要依赖于煤炭。值得注意的是，非化石燃料来源的比例如下：水力发电（15.3%），风力发电（8.62%），光伏发电（4.83%）和核能

方法论

提出了一种通用且模块化的方法论，以支持不同地理尺度上的低碳能源转型。如图2所示，该方法论采用了一个由四个相互连接但功能不同的模块组成的解耦架构：数据收集、系统建模、规划框架和资源评估。这种模块化结构确保了规划逻辑无论目标区域如何都保持一致，便于直接

结果

使用NSGA-III算法和混合规划框架生成的优化结果在图5所示的3D坐标系统中进行了采用和可视化。补充文件F提供了来自其他MOO算法的结果比较分析。灰色点代表规划框架生成的可行解集，而红色点表示从这些解决方案中得出的非支配帕累托前沿。如图所示，帕累托前沿呈现出向外

敏感性分析

进行了关于经济参数和技术成本的双层敏感性分析，以解决长期转型规划中固有的不确定性

讨论

比较分析明确表明，所提出的多目标规划框架在应对中国能源转型的复杂权衡方面明显优于传统的情景开发方法（由BAU情景表示）。虽然BAU情景受到手动调整和顺序参数调整的限制，但所提出的框架系统地探索了解决空间，以识别帕累托最优前沿。这种优越性已经得到了量化

结论

本研究解决了在环境、经济和技术约束相互冲突的情况下规划低碳能源转型的复杂挑战。通过开发一个结合高分辨率仿真与MOO算法的混合规划框架，该工作全面考虑了跨部门协同作用和物理资源边界。以中国2060年碳中和目标为例，该框架系统地评估了转型路径的可行性

CRediT作者贡献声明

罗世华：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，软件，资源，方法论，调查，形式分析，数据管理，概念化。曾勇：撰写 – 审稿与编辑，可视化，验证，监督。胡伟豪：验证，方法论，调查，资金获取，概念化。邓世琦：软件，方法论，数据管理。刘文：撰写 – 原始草稿，软件，方法论，形式分析，数据

利益冲突声明

作者声明他们与本工作没有利益冲突。

我们声明我们与提交的工作没有任何商业或关联利益冲突。

致谢

本研究得到了中国博士后科学基金会普通基金（2025M770783）和四川国际港澳台科技创新合作项目（2025YFHZ0175）的支持。