关于能源转型分析的评述(一)转型要素及研究范式

舒印彪, 薛禹胜, 蔡 斌, 韩建国, 凌 文, 陈新宇, M. B. MCELROY

(1. 国家电网有限公司, 北京市 100031; 2. 南瑞集团(国网电力科学研究院)有限公司, 江苏省南京市 211106;3. 智能电网保护和运行控制国家重点实验室, 江苏省南京市 211106; 4. 国家能源投资集团有限责任公司, 北京市100011; 5. 哈佛大学工程与应用科学学院, 剑桥 MA 02138, 美国)

中国工程院重大咨询项目(2016-ZD-07)“碳约束条件下我国能源结构优化研究”;中国神华能源股份有限公司科技项目(SHGF-16-68)“神华清洁能源战略决策优化模型研究”。

0 引言

能源是人类经济与社会发展的基础。人类对能源的开发与利用经历了传统生物质、煤炭、油气时代,气候变化、环境安全、能源枯竭、公民健康等问题使能源的清洁替代成为全球的共识。2015年第21届联合国气候变化大会上达成的《巴黎协定》中,各国同意将全球气温相对于工业化前水平的升幅控制在2 ℃内,并努力控制在1.5 ℃内。为了实现2 ℃的目标,2011—2050年间全球二氧化碳的累计排放量需控制在11 000亿t以内,在2050年前全球约82%～88%、49%～52%和33%～35%的煤炭、天然气和石油探明经济可采储量将不得开采[1]。

能源转型的根本任务是构建清洁、低碳的新型能源体系。截至2016年底,全球大部分国家已实施相关的可再生能源(RES)支持政策,至少有176个国家制定了本国的清洁能源发展目标,丹麦、德国等转型积极的国家计划到2050年实现RES占终端能源比例达到100%和60%[2]。中国已经成为全球最大的水能、风能与太阳能利用国,并正在进一步推动能源生产与消费革命,基于自身国情计划在2020年、2030年和2050年分别将一次能源中的非化石能源占比提高到15%、20%和50%[3]。

能源的清洁转型将伴随系统中能量资源的来源(化石能源、RES、核能等一次能源)、能量的载体(煤/油/气等传统燃料、电能、热能等)、能源基础设施(生产、转换、储存、运输、配送、用能等各个环节的设施)、能源市场机制、能源政策、能源供应者与消费者的行为等多种因素的转变。

电能是连接一次能源与终端能源的桥梁,是当前应用最广泛的二次能源。电网在综合能源系统中占据核心地位,是推动能源转型的中心环节。RES的大规模利用离不开电能,电网是在一次能源侧实现清洁替代的关键。以特高压为骨干网架的坚强智能电网将支撑煤炭、RES等能源在广域的快速输送与配置[4-5]。由于电能的高效、便捷、清洁、友好、应用广泛等特点,电力在全球终端能源中的比例从1973年的9.4%增长至2015年的18.5%[6]。未来,电动汽车的发展、电能对煤炭散烧的替代以及工商业等其他领域的电能替代将持续推进全社会的“再电气化”。国际能源署(IEA)预计到2040年前,全球40%的终端能源增长将来自电能[7]。

然而,电力系统与一次能源研究长期缺乏融合。随着化石能源直接输送在运力、环境等方面遭遇的瓶颈[8],风电、光伏等RES发电大规模发展遭遇消纳困境[9],打破一次能源与电力系统研究长期割裂状态的需求更加紧迫。应在电力系统分析中计及化石能源充裕性不足所造成的一次能源阻塞[10];在一次能源清洁转型研究中考虑高比例RES电力系统的基本特性[11]。

文献[12]诠释了在电力系统(power system,PS)的研究中逐渐增加对信息系统(cyber system)、广义物理环境(非电能源系统、非能源系统)、人的行为等社会系统(social system)的考虑,从而依次拓展为智能电网(smart grid,SG)、信息—物理—能源系统(cyber-physical system in energy,CPSE)、信息—物理—社会—能源系统(cyber-physical-social system in energy,CPSSE)的过程。能源转型是一个典型的CPSSE问题,与之相对应的研究不仅涉及与能源技术、气候科学等相关的自然科学领域,还涉及与能源经济、政策机制、人的行为等相关的政治学、经济学等社会科学领域。

各类不同视角、对象系统以及具体内容的研究均可被归为“能源转型”的范畴。例如,电动汽车的发展、煤炭的清洁利用、终端能源结构的长期演化(含电能替代)等。目前,仍没有一个被普遍接受的“能源转型”定义。其中,“一次能源结构的长期演化”是被使用最多的定义[13-14]。限于篇幅,本文将集中讨论上述定义所限定的范围。若无特别说明,后文的“能源转型”均指“一次能源结构的长期演化”。

过去几十年中,能源转型问题得到了广泛的关注与讨论,但该问题的研究现状、面临的挑战等则未得到清晰的梳理。当前,涉及能源转型的综述性文献大多以能源模型或工具为视角,范围涉及能源供应与需求、电力市场、电力系统运行与规划、分布式能源系统等能源领域各个方面的问题,讨论了模型的功能、建模方式等方面的分类与比较,而未专门针对能源转型问题进行深入的探讨[15-20]。文献[21]针对一类综合考虑技术、经济、人的行为的能源转型模型进行了综述,比较了各模型在应用领域、技术—经济细节、参与者异质行为、转型路径动态、模型校正与验证等方面的异同。该文是为数不多的专门针对能源转型模型的综述,但综述的范围较小、讨论重点则仅是模型间的比较。

以本文为首的2篇系列论文将讨论清洁低碳发展背景下的能源转型研究问题。本篇分析能源转型问题的要素;阐述能源转型研究的4类主要目的;归纳能源转型研究范式的现状及不足,建议基于技术—经济—行为统计学模型—真实人混合仿真研究能源转型的新范式,讨论该范式的基本思路、特点、框架模型以及需应对的问题。

1 能源转型问题及其形式化

能源转型的物理对象是综合能源系统(comprehensive energy system)。图1所示的概念模型描述了综合能源系统中主要的一次、二次和终端能源需求之间的关系。随着转型过程的推进,能源系统中不同能源的利用量及其占比将发生变化;除非出现新的发现、发明或技术突破,各类能源间的定性关系将基本维持不变。

图1 综合能源系统中各能源间的转换关系Fig.1 Relationships of different kinds of energy sources in comprehensive energy system

能源系统转型的直接驱动因素是政策制定者、能源供应者、能源消费者等利益相关者的决策行为[22-23],而具体的决策行为又依赖于更深层的驱动因素,即对能源转型规律的认知。

图2描述了能源转型的动力学过程。在实际系统层面,各利益相关者根据采集到的博弈结果信息挖掘出评估指标等知识,了解博弈的反馈效果并据此调整实战决策,不断推进能源系统的转型发展。在虚拟仿真系统层面,各利益相关者在虚拟的扰动和博弈下,针对虚拟的未来转型目标与路径进行决策,开展基于风险的不确定性分析,不断提高对能源转型规律的认知,支撑其在实际能源转型过程中的决策。

图2 能源转型的动力学过程Fig.2 Dynamics of energy transition

2 能源转型的要素

能源转型问题的要素可提炼为(参见图3)：①客观的能源系统,涉及各类能源的技术、经济和环境特性;②主观的参与者行为,涉及政策制定者、能源供应者、能源消费者等不同角色的利益相关者;③对能源转型规律的认知,涉及不同的研究范式以及相关研究结论的传播与普及等。

2.1 客观的能源系统

不同能源领域的专家从本行业的视角阐述了其所在领域在推动能源转型中可发挥的作用。煤炭和石油行业正在加强清洁化和高效化利用[24-25];天然气因其相对其他化石能源更为清洁的特点,被广泛地认为是通往RES未来的过渡性能源[26];生物质能领域推崇其是可大规模稳定供应,在能源形式上与化石能源最为接近的碳基RES[27];核能领域相信核裂变是能源系统中非常重要的一分子,而可控核聚变将彻底解决人类的能源需求并已开始着手研究[28-29];太阳能、风能等集中式和/或分布式RES在过去十多年间经历了爆发式的增长,期待能在未来共同主导一次能源结构[2];电力系统正致力于通过接入更多RES发电来推动能源结构的清洁化和低碳化,建设全球能源互联网(global energy interconnection)实现清洁能源全球配置的宏大设想也得到了广泛的支持与响应[30];氢能,氨燃料等新型能源领域则正尝试着探索其在未来能源系统中将扮演的重要角色[31-32]。

图3 能源转型问题的要素Fig.3 Elements of energy transition

然而,各类能源自身的局限性以及人类对终端能源需求的多样性,决定了任何一种能源都很难独自承担起能源转型的重任,需充分利用各类能源不同的技术、经济与环境特性(参见表1),在不同时空尺度内取长补短,不断优化能源结构。

表1 主要一次能源的特性Table 1 Features of primary energy sources

2.2 对能源转型规律的认知

对规律的认知是能源转型的重要因素之一。科学研究是人类所能掌握的最可靠的获取知识的方法,尽管有时会出现知识的停滞,甚至倒退,但在实践中不断进步是认知发展的主旋律。

能源转型的相关知识来源于对客观的能源系统与主观的参与者行为的研究,研究所获取的知识又被用于理论、技术、制度、政策、社会共识等方面的革新,或通过学术论文、著作、报刊、互联网等各种传播途径影响能源转型问题中主观参与者的行为,推动客观能源系统的演变。

不同观点的知识可能在某些时期同时存在。例如,2011年日本福岛核泄漏后,德国政府迫于国内民众的反核情绪宣布到2022年完全废除核电[40],而另一方面,2016年全球共有9 GW核电投运,是过去25年来新增核电装机量最大的年份[41]。

科学研究的范式包括实验、理论、计算科学以及近年来出现的以统计关系型数据为主要研究对象的大数据[42]。能源转型问题中包括大量因果型数据、无因果关系的统计型数据以及参与者博弈型数据,需要融合大能源思维与大数据思维,从这些多源、多态及异构数据中提炼出深层知识[43]。

能源转型研究中不同的研究目的、研究范式以及未来研究的展望将在后文详细讨论。

2.3 主观的参与者行为

参与者的主观行为对能源转型有重要影响。例如,美国总统特朗普在2017年6月和10月分别宣布美国将退出《巴黎协定》和取消《清洁电力计划》,几乎完全废除了奥巴马政府最重要的气候和能源政策,化石能源迎来更宽松的政策环境。其他重要的行为还包括能源供应者的投资与规划、能源消费者的消费行为、社会全体民众对能源与气候政策的态度、不同国家之间的政治博弈等。因此,能源转型不仅仅是一个自然科学领域的问题,还广泛地涉及经济学、政治学等社会科学领域。

社会科学的研究往往要比自然科学更为复杂。社会科学中的新古典经济学以“理性人”为假设建立起了规范化的数学模型。然而,经济学的这一假设是从理论模型的简约性和易处理性出发的,对个人行为的真正本质和原因却缺少了解[44]。

能源、气候等自然科学领域的研究人员试图在能源转型问题中计及人的行为时,由于知识壁垒等原因会轻易地采纳标准经济学的研究结果,不易发现其假设中存在的不足。基于标准经济学理论中“理性人”假设的能源转型分析与优化是当前最主流的研究方法,但该理论对实际问题中能够影响能源发展走向的诸多行为及其引起的现象缺乏解释能力。

近年来,心理学、神经科学、遗传学等学科严格的研究成果不断地对经济学中的理性人假设提出质疑和修正。其中,最显著的进展来自结合了心理学和经济学两大学科的行为经济学,一些具有里程碑的理论包括：1978年度的诺贝尔经济学奖获得者赫伯特·西蒙(Herbert Simon)提出的“有限理性人”理论(bounded rationality)[45],2002年诺贝尔经济学奖获得者丹尼尔·卡尼曼(Daniel Kahneman)及其研究伙伴阿莫斯·特沃斯基(Amos Tversky)提出的前景理论(prospect theory)[46-47],2017年的诺贝尔经济学奖获得者理查德·泰勒(Richard Thaler)提出的禀赋效应(endowment effect)、心理账户(mental accounting)、社会偏好(social preferences)等[48-50]。

对人的行为的认知涉及神经科学、心理学、经济学、社会学等诸多学科,目前仍处于发展之中且离真正理解人的行为还有很长的距离。而如何在复杂的能源转型研究中计及参与者异质行为则无疑更具挑战性,后文将详细讨论目前研究中所做的尝试。

3 研究目的

能源转型问题的研究目的主要包括以下4个类别：解释、预测、推演和优化。解释、预测和推演属于实证分析研究(positive analysis),关注于描述与分析现象;优化则属于规范分析研究(normative analysis),关注于提出政策、规划或战略建议。

3.1 解释

回答的基本问题是：“能源转型为什么会发生？”与“能源转型是怎样发生的？”,着重揭示能源转型问题中相关要素之间的因果或相关关系。

基本的研究手段是：应用已有或新提出的理论或模型(假设),对数据进行定性或定量分析。在仿真(simulation)方法出现之后,“解释”所依赖的数据来源从历史统计数据(即对已经发生的能源转型的观察)拓展至由仿真所产生的各类数据。

3.2 预测

回答的基本问题是：“在给定的初始条件和场景参数下,能源将如何转型？”。能源转型的预测结果依赖于对边界条件的预测,一般会给出几种可能的能源转型结果,有些情况下会尝试对结果概率进行估计。

仿真是本类研究最常用的手段。专家研讨会、问卷调查等也是可用的研究手段,但在量化能力方面存在不足。

能够做出可供检验的与事实相符的“预测”被认为是评价一项科学理论或模型的黄金标准。但是,由于能源转型考虑的是未来数十年的长时间尺度问题,涉及包括人的行为在内的大量复杂的不可预测的不确定性因素,限制了能源转型问题中以预测为目的的研究的可信度。人类认知能力的局限性是制约长期能源预测研究的根本性原因,过去几十年全球发表的大量准确性不高的关于能源预测和展望的研究成果便是生动的例子[51],已有大量文献对上述问题进行了反思[52-55]。

3.3 推演

回答的基本问题是：“在给定的初始条件下以及一系列无法可靠预测的可变场景参数下,能源将如何转型？”。

“推演”是一个在“预测”的基础上拓展出来的概念。两者最显著的区别在于,能源转型推演中考虑到人的行为等本质上无法可靠预测的因素,在仿真模型中不将其作为事先给定的场景参数,而实现为由多个角色的参与者根据仿真进程动态调整的决策变量,并据此驱动能源转型。通过反复的推演,可探索数量可观的可能的转型场景。

需要强调的是,以推演为目的的研究中,仍然存在大量事先给定的独立于动态决策过程的预测场景参数。通过不断改进仿真模型,可将更多的预测参数转变成决策变量或随决策变量而发生变化的场景参数。但受限于认知水平与建模技术,完全消除预测参数则几乎不可能实现。

3.4 优化

回答的基本问题是：“如何优化能源转型？”,包括两个层次的子问题：“路径优化”和“目标优化”。两者回答的问题分别是：“如何最优地实现给定的能源转型目标？”和“最优的能源转型目标是什么？”。

基本的研究手段是：针对所研究的对象系统及优化目标,确定目标函数、约束条件、决策变量等要素以构建优化模型,并选择适用的优化算法(如线性规划、混合整数线性规划、随机规划等)进行求解。

由于研究结果与政策或战略制定的关系最为紧密,“优化”是能源转型中最热门的研究。

4 当前的研究范式

当前的能源转型研究范式包括5个主要大类：①技术—社会转型问题的定性分析(qualitative analysis of socio-technical transitions);②技术—经济模型分析(quantitative technology-economic model);③给定“故事线”的技术—经济模型分析(technology-economic model with given storyline);④技术—经济—行为模型分析(technology-economic-behavior model);⑤技术—经济模型—真实人的实验经济学仿真(experimental economic simulation of technology-economic model with human participants)。

范式①与②是两大类长期独立并存的研究范式,前者从社会技术转型的框架来解释与分析能源转型的过程,强调人的行为是能源转型的关键性因素;后者则强调定量化的能源转型仿真与优化而规避了对不易建模的人的行为的考虑。范式③—⑤则均试图结合上述两大研究范式的优点,将人的行为与定量化反映能源系统技术与经济特性的仿真模型相结合,按文献[21]的分类方法,后3种研究范式可统称为社会技术能源转型(socio-technical energy transition,STET)模型。

4.1 技术—社会转型问题的定性分析

技术—社会转型问题的定性分析包括：技术范式与轨迹(technological paradigms and trajectories)[56]、演化经济学(evolutionary economics)[57]、复杂自适应系统(complex adaptive systems)[58]、技术创新体系(technological innovation systems)[59]、转型管理 (transition management)[60]、策略性利基市场管理(strategic niche management)[61]、多层次视角(the multi-level perspective)[62]等方法。该范式将能源转型问题视作一个社会—技术问题,研究重点是解释分析过去的能源转型中各类主客观影响因素,强调了人的主观行为的影响,但无法考虑供需平衡、资源限制、转型成本等技术—经济细节,缺乏量化能力,故无法进行预测、推演和优化研究。

4.2 技术—经济模型分析

直接针对实际对象系统开展博弈决策面临诸多困难,不仅难以实现预想的转型目标与路径,且一旦出错的代价极大。模型虽然无法全面反映对象系统的所有要素,但却有利于揭示对象系统最基本的性质。早在20世纪中叶,为了描述现代经济运行中能源问题不同层面之间的复杂交互,全球第一款采用线性规划方法的大规模能源系统模型就已经问世[63]。技术—经济模型是当前的能源转型研究中最为主流的方法,全球范围内已开发了非常多的能源模型,被广泛用于支撑各个国家/地区的能源政策制定。

按建模方法可分为如下三类,包括：①自上而下模型。如应用较为广泛的基于一般均衡理论的CGE模型[64],但此类模型基于宏观经济的角度,不能详细描述能源系统的技术细节。②自下而上模型。从工程技术出发,针对能源利用过程中所使用的技术进行建模,如MESSAGE[65],MARKAL/TIMES[66],OSeMOSYS[67]等,但此类模型对于微观和宏观经济以较为简单的方式表达。③结合以上两类模型的混合能源模型,包括MESSAGE-MARCO[68]、MARKAL-MARCO[69]、E3MG[70]、NEMS[71]、PRIMES[72]、LEAP[73]、CGE-MARKAL[74]、REMIND-R[75]以及中国能源环境政策综合评价模型(IPAC)等[76]。

本范式的最大特点是能够进行量化分析,故可开展以预测与优化为目的的研究。用于预测的代表性模型有NEMS、PRIMES、LEAP,NEMS和PRIMES分别应用于美国与欧盟的能源政策制定,LEAP则在全球都有着广泛的应用。后者的代表性模型有MESSAGE和MARKAL/TIMES,一般将问题构建成线性规划问题或混合整数线性规划问题,再通过开源解算器(CBC,IPOPT等)或商业化解算器(Cplex,Gurobi等)进行求解,得到最优的转型目标及路径[77]。

随着模型结构愈发复杂、规模愈发庞大,模型校验困难、透明性不足等问题也逐渐暴露出来[63,78]。

此外,本范式基于理性人、效用、利益最大化、完美信息等标准新古典主义的假设,未能真实反映参与者的意愿及行为。

4.3 给定“故事线”的技术—经济模型分析

本范式通过将涵盖了真实参与者行为偏好的能源转型故事线(storyline)与技术—经济模型相结合的方式来计及人的行为对能源转型的影响。由政策制定者、能源供应者、能源消费者等关键性的利益相关者讨论形成的故事线界定技术—经济模型的外生环境、外生模型假设、系统转型目标、转型中考虑的技术发展方向(如是否考虑碳捕获与封存技术),并据此对转型路径的物理、经济、排放等指标进行分析与评估[79-80]。

文献[81]指出,即便是专家对转型目标与路径可行性的理解也可能十分有限,故事线易脱离实际情况,甚至前后不一致,可复现性及透明性差。为弥补该不足,该文献使用多种不同的定量化模型针对同一条故事线开展评估与比较,并提出可根据仿真模型的结果修改故事线,在故事线与仿真模型间进行迭代。

本范式可以被用于能源转型的“优化”,但由于“故事线”已经定性地确定了能源转型的场景,故优化的内容仅限于多条“故事线”之间的比较。

此外,由于人的行为对能源转型的影响仅隐含于故事线中,无法在仿真过程中实现人的行为与数学模型的动态交互,对实际问题的代表性不够,故本范式无法用于能源转型的“推演”研究。

4.4 技术—经济—行为模型分析

本范式在技术—经济模型的基础上增加对人的行为的建模,政策制定者、能源供应者与消费者等不同角色参与者的主观决策行为可以与数学模型进行动态交互,共同推进能源转型的仿真进程。研究重点在于解释分析和推演参与者行为(尤其是有限理性行为)对能源转型的影响,暂未涉及优化问题。

其中,针对参与者转型决策行为的建模方式分为系统动力学模型(system dynamic model)[82-83]和代理模型(agent-based model)[84-86]。系统动力学模型将参与者行为聚合为少数类别,假定每个类别内部的参与者行为是同质的,掌握该类参与者的整体行为模式是建模的核心;代理模型则针对异质的参与者个体行为及相互之间的交互关系建模,并据此得到涌现出的参与者整体行为[87]。两种建模方式被比喻为“对整个森林建模”和“对森林中的每棵树建模”[88],可结合两类模型的特点对人的行为进行建模,而不应将两者视作彼此的竞争者[89]。

决策行为模型以“理性人”为基本的建模依据,如用能成本最小化[83]、投资利润或投资效用最大化[85];若需体现行为的有限理性则可设置启发式规则,如改变用能习惯的经济收益达到给定的阈值[83]、是否考虑核电[84]、最低投资收益率[85]等。通过改变模型参数的取值,可实现参与者异质行为的表达。

行为模型可代表的参与者数量不受限制,能够开展大规模可重复的仿真研究,为理解能源转型提供了技术—经济模型所无法提供的新洞见。文献[83]发现当参与者对未来信息的掌握程度不够、以比较短视的非理性方式进行决策时,即便碳排放价格很高的情况下,依然无法保证英国实现其2050年的减排目标。文献[85]的仿真结果表明,在现有的荷兰电力市场机制下,补贴差价的RES政策,不能激励投资者更多地投资RES,无法推动该国电力系统在短期内便迅速地向清洁能源转变。

然而,尽管上述建模方法不再局限于理性选择,能够展现出给定的有限理性行为模式下将如何导致能源转型过程偏离“理性人”假设下的结果，但在描述参与者群体“有限理性”行为时的准确性则往往缺乏来自实证与统计数据的校验。

此外,本范式假设人的行为可以由一套固定的可识别的变量来表示,即便这些变量能够以确定的或随机的方式变化,其变化规则依然是固定的。但人的行为极为复杂,不仅一直处于动态变化之中,在大部分情况下很难识别其影响因素[90-91]。个人情绪波动在决策过程中的作用是行为模型无法反映的另一个重要问题[92]。

因此,仅依靠行为模型来描述能源转型过程中的参与者行为时,其准确性并不令人满意。但若希望进一步量化其偏离“理性人”假设的程度及可能的干预措施,则需要在仿真研究中更准确地反映人的行为。

4.5 技术—经济模型—真实人的实验经济学仿真

实验经济学通过构建受控的实验环境,由真实实验人与实验环境进行互动,从而获取比传统观测法更为明确可靠的结论[93]。其开创者弗农·史密斯(Vernon Smith)分享了2002年诺贝尔经济学奖[47]。

实验经济学为研究能源问题时计及人的行为提供了新的方法论。若将所研究的能源问题中能够用数学模型表达的环节构成客观实验环境,将参与者的主观决策行为作为仿真实验环境的外部输入,人的主观行为便可与客观的数学模型进行互动[94]。电力市场与电力系统动态交互仿真是典型的应用之一[95]。然而,在涉及时间尺度更长、领域更广的能源转型研究中,该方法并未得到重视。

现有的研究范式中,给定“故事线”的技术—经济模型分析(4.3节)与实验经济学仿真十分接近。若在故事线研讨会中让各利益相关者通过人机交互接口参与能源转型的仿真实验,便可实现真实利益相关者的决策行为与能源系统模型的动态交互,改进能源转型场景对实际问题的代表性,提供更为可靠的洞见。

实验经济学仿真的不足在于难以长期占用大量合格的实验者,难以保证灵敏度分析时参与者行为的可比性。

5 建议的研究范式

5.1 技术—经济—行为模型—真实人的混合仿真

5.1.1混合仿真方法的提出

计算机仿真的演进历史大致经历了如下重要阶段(参见图4)：①无计算机仿真,直接对实际系统进行观察研究,尤其是针对经济学或者社会学问题;②随着计算机技术的发展,研究人员通过基于定量化数学模型的仿真平台对实际系统的技术与经济特性进行模拟,但假定人的行为是“理性”的(4.2节),或用隐含了人的行为的故事线界定仿真的场景(4.3节);③为研究人的主观行为与客观系统之间的交互,出现了基于行为代理的计算经济学(4.4节)和真实人参与的实验经济学仿真(4.5节);④结合计算经济学与实验经济学仿真的优点,根据包括参与者实际博弈行为在内的实证数据建立多代理模型,开展基于数学模型、行为代理模型、真实参与者的技术—经济—行为模型—真实人的混合仿真(hybrid simulation of technology-economic-behavior model with human participants)[96]。

混合仿真方法所体现的是融合因果分析、统计分析与行为分析的大数据思维,其核心思想是(参见图5)：通过对调查咨询、数据采集、实验经济学仿真,或者参与者实际行为数据的挖掘分析,提取能够准确描述该群参与者行为的多维随机变量的联合概率分布函数,建立不同参与者的行为代理模型,代替对应的参与者加入由数学模型所构建的仿真环境,开展反复的实验经济学仿真。该方法已经被应用于研究电动汽车购置愿望、出行及参与电网辅助服务行为[97],碳排放市场的沙盘推演[98]等问题。

图4 仿真方法的演进Fig.4 Evolution of simulation methods

图5 融合因果/统计/行为分析的混合仿真方法[96]Fig.5 Hybrid simulation method integrating cause/statistical/behavior analysis

5.1.2混合仿真对能源转型研究的提升

相比当前的其他研究范式,混合仿真方法的最大优势在于能够更准确地反映人的行为这一社会因素(参见表2与表3)。

在该范式下,一方面,可构建大量数目不受限制的、可互相交互的计算机代理,模拟能源转型过程中涉及的大量参与者(如小型能源供应者、小型能源消费者等)的决策行为,减少对真实参与者数量的需求;另一方面,让少量真实参与者扮演关键性的角色(如能源与环境方面的政府机构、大型能源供应者、大型能源服务商等),模拟有限理性决策行为,降低行为模型模拟重要角色行为的偏差所造成的不利影响,从而兼顾真实参与者与行为模型在模拟人的行为方面的优点。

表2 各类能源转型研究范式的异同Table 2 Comparisons of different research paradigms for energy transition

表3 各类能源转型研究范式中对人的行为的考虑方式Table 3 Approaches to considering human behaviors in different research paradigms for energy transition

5.1.3能源转型混合仿真的框架模型

由于能源系统在时间、空间、能源转换关系、多类能源市场耦合以及人的行为等方面的复杂性,很难建立面面俱到的仿真模型。但框架模型应能反映能源体系的基本构成,不同组成要素之间的交互关系等。初步建议的框架模型分为两大部分(参见图6),分别是：能源供应者/消费者的市场博弈,市场博弈的外部环境。

外部环境包括宏观经济、能源政策、环境政策等因素。政策制定者的决策行为是外部环境的重要影响因素,主要的状态变量包括：营业税率、所得税率、补贴、碳排放上限、能源价格上限等。

市场博弈部分描述了能源供应者/消费者在多个能源(煤炭、石油、天然气、电力、氢能、热能等)、碳排放、资本等市场上的博弈。博弈的内容包括：各个市场的交易行为,能源供应者的基础设施变更行为(退役、新建等)、资产重组、资本运作等。

为支撑上述市场博弈,需建立能源基础设施、能源供应者、能源消费者的模型：

1)能源供应基础设施包括煤矿、油气田、各类发电厂等。以燃煤电厂为例,其主要状态变量包括：①物理类：装机容量、供电煤耗、年发电利用小时数、发电量、预期寿命、建设周期、已运行年份等;②经济类：建设成本、燃料成本、运维成本、折旧费、财务费、排放成本、上网电价、发电收入、发电利润、税收、固定资产、债务、资产负债率等;③环境类：碳排放量、二氧化硫排放量、氮氧化物排放量等。

图6 能源转型混合仿真的框架模型Fig.6 Framework of hybrid simulation for energy transition

2)能源供应者包括煤炭供应者、油气供应者、发电商等。其主要状态变量为下属各能源供应基础设施(考虑股权)的各物理类、经济类、环境类状态变量的代数和或平均值。

3)能源消费者包括煤炭、石油、天然气、电力等。以煤炭消费者为例,其主要状态变量包括：①物理类：煤炭消费量等;②经济类：购煤价格、煤炭消费支出等;③环境类：煤炭直接消费碳排放量等。

4)整个能源系统总体状况的状态变量。全系统层面的物理类、经济类、环境类状态变量。

5.2 数据采集

能源转型问题具有多领域(物理、经济、资源、气候、环境等)、多能源种类(化石、可再生、电、热等)、多时间尺度、长时间跨度、多时期(过去、现在、未来)、多空间范围(全球、国家、地区等)、多利益主体(政策制定者、能源供应、能源消费者)、多市场机制(计划、市场)等特点,为保证数据(输入参数、模型参数、背景参数等)的完整性、时效性、有效性和统一性造成了极大的难度。

可能的数据来源包括统计数据、实证研究、调查咨询、专家知识、计算机仿真、经济学实验等。然而,研究人员经常遇到的困难是：①即便综合了多个数据源依然面临数据缺失;②有多个互相冲突的数据源;③无直接数据,需对源数据进行挖掘分析;④无可靠来源,尤其是关于未来的预测型数据等。

在此情况下,应用文献[43]所阐述的大数据技术的思维方式将格外重要：将采集到的经验与现象实现数据化与规律化,在继承传统的统计学、计算数学、人工智能、数据挖掘等方法的基础上,从单一维度转向多维度统筹融合,开发知识处理的新方法,从更深刻的视角,以更高的时效发掘多源异构数据,从而发现新知识和新规律。成功的应用案例可参见文献[96]。

5.3 仿真推演

5.3.1仿真模型

为了保证可操作性,在开展具体研究时,不可能为能源转型问题的各个方面均建立详细的仿真模型。因此,不得不根据研究的目的,抓住最本质的要素,简化或忽略那些影响较小的要素。确定模型所针对的领域、能源种类、时间尺度、时间跨度、空间范围、利益主体时,均需遵从“为洞察力、而不是为数字建模”(modeling for insights,not numbers)的原则[99]。

比如,清洁能源的资源潜力、开发成本等特性严重依赖于其所在的地理位置,但针对跨度达几十年的长期动态转型过程,绝大部分模型并不计及地理位置的差异,且对研究结论的影响并不显著。但随着清洁能源占比的增长,由于忽略地理位置的差异可能显著影响研究结论的准确性,对模型的空间维度进行细化将变得十分必要,但也会增加数据获取、知识提取等方面的难度[63,100-101]。

5.3.2仿真环境对真实人的友好性

能源转型实验经济学混合仿真过程中,由真实人扮演的参与者根据自身的价值偏好,动态给定决策变量的取值,优化指标。参与者是否有足够的学习或者推理能力,能否对变化的实验环境做出正确的决策,对实验结果的可靠性有着极为重要的影响。邀请到合格的专家参与仿真是实验经济学动态交互混合仿真非常重要且较为困难的环节之一。

能源转型决策问题有着极强的专业性与复杂性,每次决策均需要为诸多决策变量赋值,如能源企业的扮演者需考虑多种能源在几十年时间跨度的新建、退役或改造策略。然而,人脑(即便是专业技能和经验均十分丰富的专家)并不擅长：在单个决策步骤中为众多决策变量赋值,以及将评估指标的改进预期定量化地转换为决策变量的调整量。

因此,应在模型开发中考虑设计人脑擅长处理的人机交互接口,开发智能辅助决策的数学模型,构建对真实人友好的仿真环境,提高实验经济学仿真的可靠性与效率。

5.4 知识提取

基于混合仿真可得到大量关于能源转型的动态轨迹,然而,如何解释仿真轨迹所代表的现象、分析现象的形成原因、界定结论的假设前提与可信度、得出政策与战略启示,需要来自能源、统计学、经济学、心理学等多学科的知识。

本节将讨论基于混合仿真的“目标与路径优化”与“不确定性分析”。关于量化与风险知识的提取,可借鉴在电力系统[102]、电力市场[103]等研究领域的讨论,此处不做展开。

5.4.1目标与路径优化

能源转型的过程由不同利益相关者的主观决策行为所驱动,各方基于自身的决策目标、决策变量及主观偏好,在有限信息条件下根据当前的转型结果动态地做出决策行为,例如,RES补贴政策会随着RES的实际发展情况进行调整,而后者又受到RES补贴政策的影响。因此,各方的每一次决策无法保证自身的最大利益,转型的最终结果则是一个开放性问题,不易完全符合各方的预期。

各利益相关者均希望做出有利于自身的决策,而构建并求解优化模型是最常用的方法。由于问题中包括其他参与者行为等非线性因素,且各方无法事先得知其他参与者的决策行为信息,其优化模型是一个复杂的非线性规划问题。

如前文所述(3.4节),能源转型优化可分为“路径优化”和“目标优化”两个子任务。现有的能源转型优化算法均以完全信息为基础,同时完成两个子任务的优化或给定目标下的路径优化。其主要不足在于：仅能求解线性规划、混合整数规划等问题,在涉及多方参与者决策时仅能将一方的参与者决策作为决策变量,而其他各方的决策需作为场景变量且不受决策变量的影响,因此,不适用于求解包括多个参与者行为间动态交互博弈的非线性问题。

一个可行的求解方式是在有真实人参与的混合仿真环境中对决策优化问题进行解耦,下层为给定目标下的路径优化,上层则为转型目标的优化。以某可行目标与路径为起点,通过两个子层次内部的优化搜索与子层次之间的迭代,不断改善目标函数值直至收敛,得到(准)最优目标与路径,或利益相关者满意的决策。

上述方法适用于确定性或少量不确定性场景下的优化,对于大量不确定性场景,将面临计算量过大的问题。

5.4.2不确定性分析

不确定性对于研究结果有着显著的影响,文献中主要通过灵敏度分析[104]、多场景分析[85]和随机规划[105]等方法来应对能源转型问题中的不确定性。然而,以上方法在很大程度上是从客观的自然科学(或工程)问题研究中发展出来的。这些问题的各因素间往往有明确的因果、相关(或不相关)关系,有着高质量的统计数据用于描述不确定性因素的概率分布等信息。能源转型是一个涉及大量不确定性社会因素的长时间尺度问题,与自然科学研究中所面临的不确定性因素有着不同的特点,但上述分析方法的适用范围却并未得到充分的审视。

例如,在有真实人参与仿真的情况下,真实人很难保证仅根据指定参数的变化来改变其决策,而对其他参数的态度则在多次仿真中保持一致,从而无法通过摄动方式分析系统行为对某指定参数的敏感程度[96]。在多场景分析中,真实人决策行为的这种特性对分析方法适用性的影响则更为显著。

5.5 决策支持

5.5.1不同参与者的决策目标

在当前的能源转型研究中,一般以全系统(国家或地区)作为评估或优化的对象,评估指标或目标函数为全系统的经济代价、排放量等。政府的政绩、能源供应者的收益、能源消费者的用能成本等不同利益相关者所关注的目标则未得到充分的讨论[79]。在一些研究中建立了政策制定者、能源供应者或能源消费者的行为代理,但仅关注所涌现出的整个能源系统的演化过程,而不关注各利益相关者在能源转型过程中的效用[84-86]。

然而,全社会的整体利益与政府、能源供应者、能源消费者等参与者的利益之间并不完全一致。关键性利益相关者通过政治、舆论等手段改变现实中能源发展趋势的能力往往很难考虑在模型之中。若在研究中仅关注社会整体利益,则可能使得对全社会最有利的转型方案无法得到关键性利益相关者的支持,导致在现实中不具备可操作性。值得强调的是,政府利益并不完全等同于全社会的整体利益,例如在政党轮替后政府往往会为了其所代表阶层的利益而修改能源和气候政策。

5.5.2不同参与者的决策手段

在防御电力系统面对物理扰动下失去稳定的研究中已广泛采用由不同时机的预防、紧急和校正控制组成的三道防线。文献[106]讨论了各道防线内部的优化和不同防线间的协调。文献[107]与[108]则分别借鉴上述概念,建议构建电力系统充裕性与电力市场的三道防线。

能源转型的参与者通过实施其权限范围内的各种决策手段来优化其决策目标。同样的,针对能源转型问题中存在的重大扰动(如煤炭价格大幅波动),可按扰动发生前、扰动发生后以及发现关键性指标违约后(如政策制定者关注的能源供应安全,能源供应者关注的营业利润等),将决策手段分为不同时机的预防、紧急与校正控制,构建防御各自风险的三道防线。

6 结语

能源转型问题的要素包括：客观的能源系统;联系主客观的知识系统;主观的政策制定者、能源供应者等参与者的有限理性行为。其中不仅涉及能源技术等自然科学领域,还涉及行为经济学,心理学,政治学等更为复杂的社会学科。

当前的研究范式中大多以理性人为假设,对真实问题的指导意义存在局限性。本文提出的技术—经济—行为统计学模型—真实人的混合仿真是一种融合因果/统计/行为分析的研究范式,极具挑战性。但该范式能够结合实验经济学与多代理模型各自的优点,提高对参与者行为的分析能力。即使离真实描述人的行为仍然存在距离,但对提高能源转型决策的科学性,将是迈出的重要一步。

人类实现能源清洁转型的愿望任重道远,但必须实现。为此,需要从能源转型问题最本质的要素出发设计研究框架,优化研究目标与计划,在数据采集、仿真推演、知识提取、决策支持等研究环节付出许多努力,为相关的决策制定提供支撑。

本文讨论了能源转型问题的要素、研究范式及面临的挑战,系列文章的下一篇将针对具体研究时面临的大量不确定性因素进行详细讨论。

[1] MCGLADE C, EKINS P. The geographical distribution of fossil fuels unused when limiting global warming to 2 ℃[J]. Nature, 2015, 517(7533): 187-190.

[2] Renewable Energy Policy Network for the 21st Century. Renewables 2017 global status report[EB/OL]. [2017-12-20]. http://www.ren21.net/wp-content/uploads/2017/06/17-8399_GSR_2017_Full_Report_0621_Opt.pdf.

[3] 中华人民共和国国家发展和改革委员会,国家能源局.能源生产和消费革命战略(2016—2030)[EB/OL]. [2017-12-20]. http://www.ndrc.gov.cn/zcfb/zcfbtz/201704/W0201704255093 86101355.pdf.

[4] 刘振亚.特高压电网[M].北京:中国经济出版社,2005.

[5] 舒印彪,张文亮.特高压输电若干关键技术研究[J].中国电机工程学报,2007,27(31):1-6.

SHU Yinbiao, ZHANG Wenliang. Research of key technologies for UHV transmission[J]. Proceedings of the CSEE, 2007, 27(31): 1-6.

[6] International Energy Agency. Key world energy statistics 2017[EB/OL]. [2017-12-20]. http://www.iea.org/publications/freepublications/publication/KeyWorld2017.pdf.

[7] International Energy Agency. World energy outlook 2017—executive summary[EB/OL]. [2017-12-20]. http://www.iea.org/publications/freepublications/publication/WEO_2017_Executive_Summary_English_version.pdf.

[8] 舒印彪,张运洲.优化我国能源输送方式研究[J].中国电力,2007,40(11):4-8.

SHU Yinbiao, ZHANG Yunzhou. Research on the optimization of energy transportation mode in China[J]. Electric Power, 2007, 40(11):4-8.

[9] 舒印彪,张智刚,郭剑波,等.新能源消纳关键因素分析及解决措施研究[J].中国电机工程学报,2017,37(1):1-8.

SHU Yinbiao, ZHANG Zhigang, GUO Jianbo, et al. Study on key factors and solution of renewable energy accommodation[J]. Proceedings of the CSEE, 2017, 37(1): 1-8.

[10] XUE Y S, CAI B, JAMES G, et al. Primary energy congestion of power systems[J]. Journal of Modern Power Systems and Clean Energy, 2014, 2(1): 39-49.

[11] 王耀华,焦冰琦,张富强,等.计及高比例可再生能源运行特性的中长期电力发展分析[J].电力系统自动化,2017,41(21):9-16.DOI:10.7500/APES20170612001.

WANG Yaohua, JIAO Bingqi, ZHANG Fuqiang, et al. Medium and long-term electric power development considering operating characteristics of high proportion of renewable energy[J]. Automation of Electric Power Systems, 2017, 41(21): 9-16. DOI: 10.7500/APES20170612001.

[12] XUE Y S, YU X H. Beyond smart grid—a cyber-physical-social system in energy future[J]. Proceedings of the IEEE, 2017, 105(12): 2290-2292.

[14] SMIL V. Energy transition: global and national perspectives[M]. 2nd ed. Santa Barbara, CA, USA: Praeger, 2017.

[15] JEBARAJ S, INIYAN S. A review of energy models[J]. Renewable and Sustainable Energy Reviews, 2006, 10: 281-311.

[16] BAZMI A A, ZAHEDI G. Sustainable energy systems: role of optimization modeling techniques in power generation and supply—a review[J]. Renewable and Sustainable Energy Reviews, 2011, 15(8): 3480-3500.

[17] CONNOLLY D, LUND H, MATHIESEN B V, et al. A review of computer tools for analysing the integration of renewable energy into various energy systems[J]. Applied Energy, 2010, 87(4): 1059-1082.

[18] 黄杰,薛禹胜,文福拴,等.电力市场仿真平台的评述[J].电力系统自动化,2011,35(9):6-13.

HUANG Jie, XUE Yusheng, WEN Fushuan, et al. A review of power market simulation platform[J]. Automation of Electric Power Systems, 2011, 35(9): 6-13.

[19] VENTOSA M, BAILLO, RAMOS A, et al. Electricity market modeling trends[J]. Energy Policy, 2005, 33(7): 897-913.

[20] HIREMATH R B, SHIKHA S, RAVINDRANATH N H. Decentralized energy planning modeling and application—a review [J]. Renewable and Sustainable Energy Reviews, 2007, 11(5): 729-752.

[21] LI F G N, TRUTNEVYTE E, STRACHAN N. A review of socio-technical energy transition (STET) models[J]. Technological Forecasting & Social Change, 2015, 100: 290-305.

[22] SKEA J, NISHIOKA S. Policies and practices for a low-carbon society [J]. Climate Policy, 2008, 8: S5-S16.

[23] FOXON T J, HAMMOND G P, PEARSONC P J. Developing transition pathways for a low carbon electricity system in the UK[J]. Technological Forecasting & Social Change, 2010, 77(8): 1203-1213.

[24] ANSOLABEHERE S, BEER J, DEUTCH J, et al. The future of coal[EB/OL]. [2017-12-20]. http://web.mit.edu/coal/The_Future_of_Coal.pdf.

[25] 邹才能,赵群,张国生,等.能源革命:从化石能源到新能源[J].天然气工业,2016,36(1):1-10.

ZOU Caineng, ZHAO Qun, ZHANG Guosheng, et al. Energy revolution: from a fossil energy era to a new energy era[J]. Natural Gas Industry, 2016, 36(1): 1-10.

[26] MONIZ E J, JACOBY H D, MEGGS A J M, et al. The future of natural gas[EB/OL]. [2017-12-20]. http://mitei.mit.edu/publications/reports-studies/future-natural-gas.

[27] IEA Bioenergy. Potential contribution of bioenergy to the world’s future energy demand[EB/OL]. [2017-12-20]. http://www.idahoforests.org/img/pdf/PotentialContribution.pdf.

[28] ANSOLABEHERE S, DEUTCH J, DRISCOLL M, et al. The future of nuclear power[EB/OL]. [2017-12-20]. http://mitei.mit.edu/publications/reports-studies/future-natural-gas.

[29] Fusion Energy Sciences Advisory Committee, Office of Science, US Department of Energy. Strategic planning: priorities assessment and budget scenarios[EB/OL]. [2017-12-20]. http://fire.pppl.gov/FESAC_Strategic_Panel_Report_Final_Draft_Oct_10_2014.pdf.

[30] 刘振亚.全球能源互联网[M].北京:中国电力出版社,2015.

[31] WINTER C. Hydrogen energy-abundant, efficient, clean: a debate over the energy-system-of-change[J]. International Journal of Hydrogen Energy, 2009, 34(14): S1-S52.

[32] AHLGREN W L. The dual-fuel strategy: an energy transition plan[J]. Proceedings of the IEEE, 2012, 100(11): 3001-3052.

[33] British Petroleum. BP statistical review of world energy 2016[EB/OL]. [2017-12-20]. http://www.bp.com/content/dam/bp/pdf/energy-economics/statistical-review-2016/bp-statistical-review-of-world-energy-2016-full-report.pdf.

[34] OECD Nuclear Energy Agency, International Atomic Energy Agency. Uranium 2014: resources, production and demand—executive summary[EB/OL]. [2017-12-20]. http://www.oecd-nea.org/ndd/pubs/2014/7210-uranium-2014-es.pdf.

[35] PEREZ R, PEREZ M. The world’s energy reserves: a fundamental look[J]. SHC Solar Update, 2009, 50: 2-3.

[36] TURCONI R, BOLDRIN A, ASTRUP T. Life cycle assessment of electricity generation technologies: overview, comparability and limitations[J]. Renewable and Sustainable Energy Reviews. 2013, 28: 555-565.

[37] BANERJEE S, DUCKERS L, BLANCHARD R E. An overview on greenhouse gas emission characteristics and energy evaluation of ocean energy systems from life cycle assessment and energy accounting studies[J]. Journal of Applied and Natural Science, 2013, 5(2): 535-540.

[38] BAYER P, RYBACH L, BLUM P, et al. Review on life cycle environmental effects of geothermal power generation[J]. Renewable and Sustainable Energy Reviews, 2013, 26: 446-463.

[39] US Energy Information Administration. Levelized cost and levelized avoided cost of new generation resources in the Annual Energy Outlook 2015[EB/OL]. [2017-12-20]. https://www.eia.gov/outlooks/archive/aeo15/pdf/electricity_generation_2015.pdf.

[40] MORRIS C, PEHNT M. Energy transition: the German Energiewende[EB/OL]. [2017-12-20]. https://book.energytransition.org/sites/default/files/etbook/v2/en/German-Energy-Transition_en.pdf.

[41] World Nuclear Association. World nuclear performance report 2017[EB/OL]. [2017-12-20]. http://www.world-nuclear.org/getmedia/b392d1cd-f7d2-4d54-9355-9a65f71a3419/world-nuclear-performance-report-2017.pdf.aspx.

[42] TOLLE K M, TANSLEY D S W, HEY A J G. The fourth paradigm: data-intensive scientific discovery[J]. Proceedings of the IEEE, 2011, 99(8): 1334-1337.

[43] 薛禹胜,赖业宁.大能源思维与大数据思维的融合:(一)大数据与电力大数据[J].电力系统自动化,2016,40(1):1-8.DOI:10.7500/AEPS20151208005.

XUE Yusheng, LAI Yening. Integration of macro energy thinking and big data thinking: Part one big data and power big data[J]. Automation of Electric Power Systems, 2016, 40(1): 1-8. DOI: 10.7500/AEPS20151208005.

[44] WILSON E O. Consilience: the unity of knowledge[M]. New York, USA: Vintage, 1998.

[45] SIMON H A. A behavioral model of rational choice[J]. Quarterly Journal of Economics, 1955, 69(1): 99-118.

[46] KAHNEMAN D, TVERSKY A. Prospect theory: an analysis of decision under risk[J]. Econometrica, 1979, 47(2): 263-291.

[47] The Royal Swedish Academy of Sciences. Foundations of behavioral and experimental economics: Daniel Kahneman and Vernon Smith[EB/OL]. [2017-12-20]. https://www.nobelprize.org/nobel_prizes/economic-sciences/laureates/2002/advanced-economicsciences2002.pdf.

[48] THALER R. Toward a positive theory of consumer choice[J]. Journal of Economic Behavior and Organization, 1980, 1(1): 39-60.

[49] THALER R. Mental accounting matters[J]. Journal of Behavioral Decision Making, 1999, 12(3): 183-206.

[50] The Royal Swedish Academy of Sciences. Richard H. Thaler: integrating economics with psychology[EB/OL]. [2017-12-20]. https://www.nobelprize.org/nobel_prizes/economic-sciences/laureates/2017/advanced-economicsciences2017.pdf.

[51] Renewable Energy Policy Network for the 21st Century. Renewables global futures report: great debates towards 100% renewable energy[EB/OL]. [2017-12-20]. http://www.ren21.net/wp-content/uploads/2017/10/GFR-Full-Report-2017_webversion_3.pdf.

[52] SMIL V. Perils of long-range energy forecasting: reflections on looking far ahead[J]. Technological Forecasting and Social Change, 2000, 65(3): 251-264.

[53] CRAIG P P, GADGIL A, KOOMEY J G. What can history teach us? a retrospective examination of long-term energy forecasts for the United States[J]. Annual Review of Energy and the Environment, 2002, 27(1): 83-118.

[54] PIELKE R JR, WIGLEY T, GREEN C. Dangerous assumptions[J]. Nature, 2008, 452: 531-532.

[55] WILSON C, GRUBLER A, BAUER N, et al. Future capacity growth of energy technologies: are scenarios consistent with historical evidence?[J].Climatic Change, 2013, 118(2): 381-395.

[56] DOSI G. Technological paradigms and technological trajectories: a suggested interpretation of the determinants and directions of technical change[J]. Resource Policy, 1982, 11(3): 147-162.

[57] NELSON R R, WINTER S G. An evolutionary theory of economic change[M]. Cambridge, MA, USA: Harvard University Press, 1982.

[58] MILLER J H, PAGE S E. Complex adaptive systems: an introduction to computational models of social life[M]. Princeton, NJ, USA: Princeton University Press, 2007.

[59] GALLAGHER K S, GRÜBLER A, KUHL L, et al. The energy technology innovation system[J]. Annual Review of Environment and Resources, 2012, 37(12): 137-162.

[60] ROTMANS J, KEMP R, VAN ASSELT M. More evolution than revolution: transition management in public policy[J]. Foresight, 2001, 3(1): 15-31.

[61] KEMP R, SCHOT J, HOOGMA R. Regime shifts to sustainability through processes of niche formation: the approach of strategic niche management[J]. Technology Analysis & Strategic Management, 1998, 10(2): 175-198.

[62] GEELS F W, SCHOT J. Typology of sociotechnical transition pathways[J]. Resource Policy, 2007, 36(3): 399-417.

[63] PFENNINGER S, HAWKES A, KEIRSTEAD J. Energy systems modeling for twenty-first century energy challenges[J]. Renewable and Sustainable Energy Reviews, 2014, 33: 74-86.

[64] GALINIS A, VAN LEEUWEN M J. A CGE model for Lithuania: the future of nuclear energy[J]. Journal of Policy Modeling, 2000, 22(6): 691-718.

[65] MESSNER S, STRUBEGGER M. User’s guide for MESSAGE III, WP-95-69[EB/OL]. [2017-12-20]. http://pure.iiasa.ac.at/4527/1/WP-95-069.pdf.

[66] GOLDSTEIN G, KANUDIA A, LEHTILA et al. Documentation for the TIMES Model: Part Ⅰ[EB/OL]. [2017-12-20]. http://www.iea-etsap.org/docs/Documentation_for_the_TIMES_Model-Part-I_July-2016.pdf.

[67] HOWELLS M, ROGNER H, STRACHAN N, et al. OSeMOSYS: the open source energy modeling system: an introduction to its ethos, structure and development[J]. Energy Policy, 2011, 39(10): 5850-5870.

[68] MESSNER S, SCHRATTENHOLZER L. MESSAGE-MACRO: linking an energy supply model with a macroeconomic module and solving it iteratively[J]. Energy, 2000, 25(3): 267-282.

[69] MANNE A S, WENE C. MARKAL-MACRO: A linked model for energy-economy analysis[R/OL].[2017-12-20]. https://www.osti.gov/scitech/servlets/purl/10131857.

[70] KÖHLER J, BARKER T, ANDERSON D, et al. Combining energy technology dynamics and macroeconometrics: The E3MG mode[J]. The Energy Journal, 2006, 27(Special Issue 2): 113-133.

[71] Energy Information Administration. The national energy modeling system: an overview 2009[EB/OL]. [2017-12-20]. http://www.eia.gov/forecasts/archive/0581(2009).pdf.

[72] E3Mlab, PRIMES model[EB/OL]. [2017-12-20]. http://www.e3mlab.ntua.gr/manuals/The_PRIMES_MODEL_2008.pdf.

[73] Stockholm Environment Institute. LEAP: the long range energy alternatives planning system[EB/OL]. [2017-12-20]. https://www.sei-international.org/mediamanager/documents/Programmes/Climate/LEAP-brochure-A4-Oct2014.pdf.

[75] LEIMBACH M, BAUER N, BAUMSTARK L, et al. Technological change and international trade—insights from REMIND-R[J]. The Energy Journal, 2010, 31(1): 109-136.

[76] 姜克隽,胡秀莲,庄幸,等.中国2050年低碳情景和低碳发展之路[J].中外能源,2009,14(6):1-7.

JIANG Kejun, HU Xiulian, ZHUANG Xing, et al. China’s low-carbon scenarios and roadmap for 2050[J]. Sino-Global Energy, 2009, 14(6): 1-7.

[77] GAMS Development Corporation. GAMS-the solver manuals[EB/OL]. [2017-12-20]. https://www.gams.com/dd/docs/solvers/allsolvers.pdf.

[78] DECAROLIS J F, HUNTER K, SREEPATHI S. The case for repeatable analysis with energy economy optimization models[J]. Energy Economics, 2012, 34: 1845-1853.

[79] TRUTNEVYTE E, STRACHAN N, DODDS P E, et al. Synergies and trade-offs between governance and costs in electricity sys-tem transition[J]. Energy Policy, 2015, 85: 170-181.

[80] TRUTNEVYTE E. Linking governance storylines with the D-EXPANSE model to explore the power system transition pathways[C]// Proceedings of the 7th International Congress on Environmental Modelling and Software (iEMSs), June 15-19, 2014, San Diego, CA, USA: 1873-1880.

[81] TRUTNEVYTE E, BARTON J, O'GRADY, et al. Linking a storyline with multiple models: a cross-scale study of the UK power system transition[J]. Technological Forecasting & Social Change, 2014, 89:26-42.

[82] ALLEN P, VARGA L. Modelling sustainable energy futures for the UK[J]. Futures, 2014, 57: 28-40.

[83] LI F G N. Actors behaving badly: exploring the modelling of non-optimal behaviour in energy transitions[J]. Energy Strategy Reviews, 2017, 15: 57-71.

[84] CHAPPIN E J L, DIJKEMA G P J. On the impact of CO2emission-trading on power generation emissions[J]. Technological Forecasting & Social Change, 2009, 76(3): 358-370.

[85] YÜCEL G, VAN DAALEN C. A simulation-based analysis of transition pathways for the Dutch electricity system[J]. Energy Policy, 2012, 42: 557-568.

[86] GERST M D, WANG P, ROVENTINI A, et al. Agent-based modelling of climate policy: an introduction to the ENGAGE multi-level model framework[J]. Environmental Modelling & Software, 2013, 44: 62-75.

[87] RAHMANDAD H, STERMAN J. Heterogeneity and network structure in the dynamics of diffusion: comparing agent based and differential equation models[J]. Management Science, 2008, 54(5): 998-1014.

[88] SCHIERITZ N, MILLING P M. Modeling the forest or modeling the trees: a comparison of system dynamics and agent-based simulation[C]// Proceedings of the 21st International System Dynamics Society, July 20-24, 2003, New York, USA: 1-15.

[89] BORSHCHEV A, FILIPPOV A. From system dynamics and discrete event to practical agent based modeling: reasons, techniques, tools[C]// Proceedings of the 22nd International System Dynamics Society, July 25-29, 2004, Oxford, England: 1-23.

[90] ABBOTT A. Time matters: on theory and method.[M]. Chicago, USA: University of Chicago Press, 2001.

[91] GARSON G. Computerized simulation in the social sciences: a survey and evaluation[J]. Simulation & Gaming, 2009, 40(2): 267-279.

[92] LANE R D, NADEL L. Cognitive neuroscience of emotion[M]. New York, USA: Oxford University Press, 2000.

[93] SMITH V L. Experimental methods in economics[M]. London, UK: Palgrave Macmillan, 1989.

[94] 薛禹胜,彭慧敏,WU Q H.电力市场与电力系统交互动态仿真设计[J].电力系统自动化,2006,30(23):14-20.

XUE Yusheng, PENG Huimin, WU Q H. Analysis and simulation of interaction between electricity market and power system dynam-ics[J]. Automation of Electric Power Systems, 2006, 30(23): 14-20.

[95] 黄杰,薛禹胜,许剑冰,等.电力市场与电力系统的动态交互仿真平台:(一)功能设计[J].电力系统自动化,2011,35(10):16-22.

HUANG Jie, XUE Yusheng, XU Jianbing, et al. Dynamic simulation platform for power market and power system: Part one function design[J]. Automation of Electric Power Systems, 2011, 35(10): 16-22.

[96] 薛禹胜,赖业宁.大能源思维与大数据思维的融合：(二)应用及探索[J].电力系统自动化,2016,40(8):1-13.DOI:10.7500/AEPS20160311004.

XUE Yusheng, LAI Yening. Integration of macro energy thinking and big data thinking: Part two applications and explorations[J].Automation of Electric Power Systems, 2016, 40(8): 1-13. DOI: 10.7500/AEPS20160311004.

[97] XUE Y S, WU J, XIE D L, et al. Multi-agents modelling of EV purchase willingness based on questionnaires[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(2): 149-159.

[98] HUANG J, XUE Y S, JIANG C, et al. An experimental study on emission trading behaviors of generation companies[J]. IEEE Transactions on Power Systems, 2015, 30(2): 1076-1083.

[99] HUNTINGTON H G, WEYANT J P, SWEENEY J L. Modeling for insights, not numbers: the experiences of the energy modeling forum[J]. Omega, 1982, 10(5): 449-62.

[100] CHENG R, XU Z F, LIU P, et al. A multi-region optimization planning model for China’s power sector[J]. Applied Energy, 2015, 137: 413-426.

[101] HALLER M, LUDIG S, BAUER N. Decarbonization scenarios for the EU and MENA power system: considering spatial distribution and short term dynamics of renewable generation[J]. Energy Policy, 2012, 47: 282-290.

[102] 薛禹胜.运动稳定性量化理论——非自治非线性多刚体系统的稳定性分析[M].南京:江苏科学技术出版社,1999.

[103] 薛禹胜.电力市场稳定性与电力系统稳定性的相互影响[J].电力系统自动化,2002,26(21):1-6;2002,26(22):1-4.

XUE Yusheng. Interactions between power market stability and power system stability[J]. Automation of Electric Power Systems, 2002, 26(21): 1-6; 2002, 26(22): 1-4.

[104] ROCQUIGNY E, DEVICTOR N, TARANTOLA S. Uncertainty in industrial practice: a guide to quantitative uncertainty management[M]. Chichester, UK: John Wiley & Sons, Ltd., 2008.

[105] USHER W, STRACHAN N. Critical mid-term uncertainties in long-term decarbonisation pathways[J]. Energy Policy, 2012, 41: 433-444.

[106] 薛禹胜.时空协调的大停电防御框架:(一)从孤立防御到综合防御[J].电力系统自动化,2006,30(1):8-16.

XUE Yusheng. Space-time cooperative framework for defending blackouts: Part Ⅰ from isolated defense lines to coordinated defending[J]. Automation of Electric Power Systems, 2006, 30(1): 8-16.

[107] 蔡斌,薛禹胜,薛峰,等.智能电网运行充裕性的研究框架:(三)解耦与协调[J].电力系统自动化,2014,38(12):1-5.DOI:10.7500/AEPS20140416003.

CAI Bin, XUE Yusheng, XUE Feng, et al. A research framework for operation adequacy in smart grid: Part Ⅲ decoupling and coordination[J]. Automation of Electric Power Systems, 2014, 38(12): 1-5. DOI: 10.7500/AEPS20140416003.

[108] 徐群,薛禹胜,王海风,等.加州电力危机的动态仿真和防御对策分析:(二)定量分析和危机的防御[J].电力系统自动化,2004,28(8):23-26.

XU Qun, XUE Yusheng, WANG Haifeng, et al. Dynamic simulation and countermeasure analyses of California power crisis: Part two quantitative analyses and crisis defenses[J]. Automation of Electric Power Systems, 2004, 28(8): 23-26.

舒印彪(1958—),男,博士,教授级高级工程师,主要研究方向：特高压关键技术研发和工程建设、新能源发展、电力规划运行管理。E-mail: yinbiao-shu@sgcc.com.cn

薛禹胜(1941—),男,通信作者,博士,中国工程院院士,博士生导师,主要研究方向：电力系统自动化。E-mail： xueyusheng@sgepri.sgcc.com.cn

蔡 斌(1985—),男,博士,主要研究方向：电力系统充裕性,综合能源系统仿真,能源转型规划。E-mail： caibin@sgepri.sgcc.com.cn