电力系统关键技术进步与低碳转型的协同优化

侯金鸣，孙 蔚，肖晋宇，金 晨，杜尔顺，黄 杰

（1. 全球能源互联网发展合作组织，北京市 100031；2. 全球能源互联网集团有限公司，北京市 100031；3. 清华大学低碳能源实验室，北京市 100084；4. 国网安徽省电力有限公司，安徽省 合肥市 230022）

0 引言

以全球变暖为主要特征的气候变化已成为当前人类社会共同面临的挑战之一。国际社会在碳减排和温升控制方面已经形成共识，多个国家和地区相继提出了碳减排发展目标。欧盟提出到2030 年碳排放量减少60%，美国提出到2025 年碳排放量减少28%，日本提出到2030 年碳排放量减少26%，中国提出到2030 年碳排放强度降低60%［1］。中国也提出“2030 年实现碳达峰，努力争取2060 年前实现碳中和”的宏伟目标。

能源生产实现清洁替代、能源消费实现电能替代是实现全社会碳中和的关键，低碳甚至零碳的电力系统建设是其重要的方面。电力系统的清洁转型离不开清洁能源发电、储能、特高压输电、碳捕集与封存（carbon capture and storage，CCS）等一系列关键技术的支撑［2］，因此在制定长期转型规划路径的过程中，必须考虑这些关键技术进步的影响。同时，也要以实现电力系统碳中和转型为目标倒逼关键技术发展进步。

目前，对低碳电力系统的规划和运行研究较多。文献［3-5］以巴黎协定的温控目标为边界条件，对全球电力系统的清洁电源进行规划布局，以实现碳减排目标。文献［6］引入碳交易，以成本最小为目标，以天然气供应和碳交易量为约束，对清洁能源和燃气机组进行联合规划，但没有考虑清洁能源波动性带来的电力系统调峰问题。文献［7］同样基于碳交易机制，研究了考虑调峰平衡的光伏发电系统与储能的联合优化运行方式。文献［8］考虑碳捕集电厂的综合灵活运行方式，建立低碳电力系统经济调度模型，挖掘碳捕集电厂的运行灵活性。文献［9］提出了考虑网-源-荷不确定性的交直流混联电网多尺度协同运行技术。文献［10-12］提出了低碳能源系统的发展与评价指标体系，该指标体系主要包含清洁能源占比、人均能耗等。文献［13］提出了高比例清洁能源输配电网的规划评价指标，包括经济性、安全性、适应性和环保性等。上述研究主要集中在低碳电力系统的优化规划和经济运行这2 个方面，并未考虑各类关键技术的成熟程度和成本变化对转型规划的影响。

对于各类电力系统关键技术的成熟度和经济性进行预测的方法也较为成熟。文献［14］根据技术成熟度对风力发电技术指标进行了量化评估。文献［15］采用技术成熟度法预测了海洋温差能发电技术的发展趋势。文献［16-17］分别采用灰色关联分析方法分析影响分布式电源和水电成本的主要因素。文献［18］采用线性回归方法分析了陆上风电场造价的主要影响因素，并建立了陆上风电场造价模型。文献［19-20］分别采用学习曲线拟合的方法，分析了风电和光伏发电的成本发展趋势。上述文献主要结合历史数据对各类技术的成熟程度和经济性进行预测，但没有关注和分析技术进步如何促进电力系统的清洁转型［21］。

综上，电力系统的低碳运行与规划、关键低碳技术的成熟度，以及成本预测已有大量研究成果，但尚无研究量化分析二者的相互影响、协同作用与匹配关系。本文从经济性角度提出了电力系统关键技术进步与长期规划协同优化的框架与方法，研究清洁能源发电、特高压输电、储能等关键技术发展对电力系统碳中和转型的支撑作用，分析不同技术发展场景下未来电力系统的经济可行性，以及面向碳中和转型目标的各类关键技术发展目标和路径。

1 研究方法

本文建立电力系统关键技术进步与长期规划协同优化的框架与方法。首先，根据清洁转型目标或碳排放约束确定能源发展状态，提出电力系统长期规划的初步方案；然后，按照不同水平年对相关关键技术成熟度和经济性水平进行预测；最后，基于时序生产模拟优化计算综合单位电量成本变化路径。若综合单位电量成本持续下降，则认为系统清洁转型路径经济可行。反之，则对技术和经济指标重新设定发展目标并量化分析，直到实现综合单位电量成本下降为止。优化研究框架如图1 所示。

图1 电力系统关键技术进步与低碳转型协同优化研究框架Fig.1 Research framework for collaborative optimization of key technology progress and low-carbon transition of power systems

该量化分析评估方法主要分为4 个部分。

1）能源电力规划。根据设定的减排目标制定能源情景，预测未来负荷水平，确定清洁能源发电、储能、输电的初始规划方案。

2）技术成熟度分析。确定影响清洁能源发电、输电、储能等关键技术发展水平的主要因素，建立技术成熟度等级矢量，分析技术水平现状及未来发展趋势。

3）技术经济性预测。将影响发输储各环节的投资分为技术类投资和非技术类投资，通过多元线性回归和学习曲线拟合的方法，结合技术成熟度预测变化规律较强的技术类投资，通过深度自学习神经网络方法预测变化规律复杂的非技术类投资。

4）协同匹配优化。结合预测的清洁能源发电、输电、储能的成本以及技术参数，进行电力系统全时间尺度生产模拟计算，获得综合单位电量成本。

该研究方法一方面可以根据清洁转型目标和关键技术发展水平，计算综合单位电量成本；另一方面可以通过设定的综合单位电量成本范围，反推要达到此目标的技术发展水平，从而得出技术进步与电力系统综合单位电量成本之间的相互影响关系，实现闭环迭代。

2 基于技术成熟度的关键技术指标量化分析

技术成熟度评估方法可用于量化分析关键技术状态，也可用于判断不同技术对目标的满足程度，辅助项目立项决策及建设过程中的里程碑控制。技术成熟度等级最早由美国航空航天局于1989 年提出，共分为9 级［20］。对于清洁能源发电、大容量储能、特高压输电等综合性技术，往往会涉及多项关键子技术，在项目建设中，也包含众多的装备系统。这就使得单一技术的成熟度评估方法无法满足对技术体系状态分析的需求，因此，须拓展技术成熟度评估的范畴。

前苏联教育学家通过研究发现，专利的累计数量可以量化技术成熟度，并且技术成熟度的成长规律与生物进化模式相似，总体呈现出S 曲线的形状，即对数回归曲线［15］。因此，可以通过统计专利数量，进行对数回归拟合，得到技术成熟度［15］。假设在技术应用中，共涉及K项关键子技术，且已知各自的技术成熟度，则采用技术成熟度矢量VTRL表示：

式中：VTRL，K为第K项子技术的成熟度。

对子技术的技术成熟度进行两两分析，统计不同子技术的相同专利数，量化分析不同子技术之间的集成度，建立了子技术集成成熟度矩阵MTIRL。

式 中：MTIRL，K1为 第K项 子 技 术 与 第1 项 子 技 术 之 间集成的成熟度，其余以此类推，取9 表示相同技术之间认为可完全集成。

计算系统成熟度等级矢量VSRL：

式中：VSRL，K为第K项子技术在考虑了与其他技术集成后的成熟度综合结果。

由式（4）可以计算综合的技术成熟度等级指标。

式中：Ki为在MTIRL中与第i项子技术具有集成关系的子技术项目总数（含自身）。

在计算过程中，MTIRL和VTRL需要先进行归一化，因此VCSTL的结果位于［0，1］范围内。

3 基于二元综合模型的技术经济性预测

3.1 二元综合模型

清洁能源发电、输电、储能等能源工程项目成本构成复杂，按照投资的性质可分为技术类和非技术类2 类。技术类投资主要包括项目开发需要使用的设备投资和建筑安装费用；非技术类投资主要包括项目前期费用、征地费用和人工费用等。

本文结合历史数据，对技术类投资和非技术类投资进行解耦，建立二元综合模型对关键技术的成本发展趋势进行预测。成本预测的流程主要分为2个步骤，首先采用灰色关联分析方法对影响成本的技术和经济指标进行筛选，然后对技术类投资和非技术类投资分别采用多元线性回归、学习曲线拟合方法和深度自学习神经网络方法进行预测。成本预测的主要流程如图2 所示。

图2 可再生能源发电技术的成本预测流程Fig.2 Cost estimation method of renewable energy power generation technologies

3.2 灰色关联分析

能源工程项目往往包含众多数据指标，不同指标的变化对投资的影响程度不同，需要针对同一类型的项目，筛选出对投资影响较大的关键指标。本文采用灰色关联分析方法筛选项目工程投资估算的关键指标。根据各工程特征数据序列曲线与单位功率投资序列曲线间的紧密程度来判断工程特征与投资的关联程度，曲线越相似，序列间的关联度就越大。其计算步骤如下［17］：

1）确定评价指标数据序列；

2）对各指标序列的数据进行标幺化处理；

3）求取工程特征序列k与投资序列j对应分量之差的绝对值序列Δk，j；

4）通过式（5）计算灰色关联度。

式中：γ0k为工程特征序列与投资序列间的关联度；Δmax和Δmin分别为Δk，j的最 大值和 最小值；ξ为 分辨系数，且ξ∈(0，1)，通常情况下取ξ=0.5；m为投资序列总数。

γ0k越大表示工程特征序列与投资序列变化的态势越相似，说明工程特征序列对于投资序列的影响也就越大。为了提高投资估算的准确性，可以确定一个阈值γ*，当γ0k≥γ*时，认为工程特征对于投资的影响较大，视为关键指标；反之则认为工程特征对于投资的影响较小，可以在投资模型建立时，剔除该特征。

3.3 多元线性回归和学习曲线拟合

技术类投资变化规律相对明显，对于不同时间尺度的预测，应采用不同方法。短期预测方法可以忽略技术突破、规模效应等因素，对于采用灰色关联分析方法筛选出影响投资的工程关键指标，可以采用线性回归方法进行预测。中长期预测方法需要考虑技术进步和应用规模的影响，可以采用历史数据进行学习曲线拟合，通过对技术成熟度的评估，预测未来的学习率，进而预测技术类投资成本。

1）多元线性回归

采用多元线性回归方法分析技术类投资（因变量）与各类工程指标（包括单机容量、建设规模等）之间的相关关系。在投资估算中，这些指标可根据历史工程数据，采用灰色关联分析方法得出，由n元线性回归关系式可得：

式中：x1，x2，…，xn为各类工程关键指标；b0为固定投资；b1，b2，…，bn为权重；C为总技术类投资。

经分析，风电、光伏、光热发电项目的技术类投资成本与设备单位成本和建设费用水平强相关。水电、地热等工程的技术类投资与装机规模间具有较强的规律性。

2）学习曲线拟合

对于技术类投资，本文采用学习曲线来描述某类技术应用规模对其单位投资的影响，其幂函数形式为：

式中：Ct为第t年的单位投资；c0为第1 年的初始投资系数；Pcap，t为第t年的装机容量；β为学习指数；L为学习率，描述了产业规模的扩大对成本下降的影响程度。

3.4 神经网络

非技术类投资不确定性因素多，规律性不强，难以采用线性回归和学习曲线法进行预测。本文采用反向传播神经网络模型［22-24］对非技术类投资进行分析。

基于神经网络模型对技术投资估算的关键是确定神经网络模型的结构，即分别确定网络的输入层、输出层和隐含层节点个数，如附录A 图A1 所示。

输入层节点个数的选择较为重要，如果节点个数选择较少，会忽略某些因素对投资的影响，降低预测的精确度；如果节点个数选择较多，则会增加神经网络的复杂程度，导致神经网络训练时间延长。以风电工程为例，经过筛选，选择前期成本、土地成本、人工成本为输入量。

隐含层神经元个数代表神经网络输入和输出之间的非线性程度，会影响训练速度和预测能力。当处理具有N1个输入变量和N0个输出变量的实际问题时，隐含层的神经元个数NH可以用经验公式（8）确定。

式中：R为经验值。

输出层节点个数为1，输出变量为单位容量投资。

4 协同优化模型

根据文献［25］，考虑网源荷储协同的电力系统规划目标是经济性最优。本文采用文献［26-27］中的模型，结合关键技术成熟度和经济性指标预测结果，对低碳电力系统的规划和运行进行优化计算。协同优化原理如图3 所示。优化目标是在给定的技术和经济性指标下系统成本Csys最小，可通过式（9）来表达，包括投资成本和运行成本。

图3 协同优化方法原理图Fig.3 Principle diagram of collaborative optimization method

模型的优点是采用全年全景时序分析方法计算，可考虑源-网-储容量和供电充裕度等投资决策约束和发电-负荷电力平衡约束、线路输送功率约束、新能源出力、常规火电和水电爬坡和启停、不同时间尺度储能充放电等运行约束，可统筹优化系统目标水平年的电源、电网及储能的结构及容量。

模型的输入变量主要有碳排放目标、设备级参数和系统初始规划方案相关参数。其中，实现碳中和的排放目标最终转化为清洁能源发电量占比；设备级相关参数包括发输储各类设备的成本和技术指标；系统级相关参数包括负荷水平、可调节电源装机容量和新能源出力特性等。

模型的输出结果主要有新能源装机容量和发电量、储能装机容量和储输电量、跨区输电容量、新能源利用率、时序电力平衡情况，以及综合单位电量成本等。

5 中国电力系统长期规划案例分析

本文以中国2060 年全社会碳中和情景下的电力系统规划为案例进行研究。按照前述提出的协同优化原理，对新能源发电（风电和光伏发电）、特高压输电、储能等关键技术在不同水平年的技术成熟度和经济性进行预测，结合为实现碳中和目标所提出的电力系统长期规划用电需求、清洁能源发电占比、电网结构等参数作为边界条件，计算系统整体综合单位电量成本的变化趋势，分析关键技术进步对电力系统低碳转型经济可行性的影响，以及提出能够支撑碳中和转型的关键技术发展目标和路径，实现二者的协同优化与互动。

5.1 技术成熟度分析与经济性预测

按照前述的技术成熟度和经济性量化分析方法，对案例所需的各类关键技术的成熟度和经济性水平进行分析和预测。技术参数包括风机的平均单机装机容量和平均叶轮直径、太阳能电池组件效率、光热发电的系统运行温度和发电效率、储能电池的能量密度和循环次数、特高压输电的电压等级等；经济性参数包括各类技术的单位投资等。本文以陆上风电和光伏发电技术为例，其他结果详见附录A表A1［28-31］。

1）技术成熟度分析

全球五大专利局分别是中国国家知识产权局、美国专利商标局、欧洲专利局、日本特许厅和韩国特许厅。全球90%的专利分布在五大专利局所辖区域内。通过全球专利查询统计、文献查找、专家调研，确定影响技术成熟度的关键子技术。对于陆上风机，从风机叶片设计制造、大容量风机变流器、大型风机吊装技术、高风机塔架和风机设备无害化回收技术等5 个方面进行评估；对于太阳能电池，从吸收层带隙调整工艺、无镉电池制备工艺、吸收层缺陷钝化、柔性电池制备、组件实用化等5 个方面进行评估，得到响应的综合技术成熟度，见附录A 图A2。

预计到2060 年，单机容量20 MW 的陆上风机、组件转换效率达到37%的叠层太阳能电池均达到成熟水平，能够广泛应用。在后续的经济性预测和系统优化计算过程中，陆上风电和光伏发电均采用相应的技术参数。

2）经济性预测

按照二元综合模型中对技术性成本的预测方法，对2010—2019 年陆上风电和光伏发电的单位容量投资与装机容量历史数据建立学习曲线，测算其学习率分别为15%和32%（计算方法见式（7））。

结合陆上风电和光伏发电的技术成熟度预测，预计未来陆上风机分段式叶片的设计和材料会取得突破（详见附录A 表A1），风机大型化进程加速，单位投资的下降速率将进一步加快，未来陆上风电成本的学习率为20%。预计光伏发电初始投资会继续下降，但下降速率放缓，设置未来光伏发电成本的学习率为30%。对陆上风电及光伏发电学习曲线的预测如图4 所示。从图4 可以看出，光伏发电的单位初始投资下降较快，约是风电的2 倍。学习率越高，单位初始投资成本下降越快。主要原因是近10 年来光伏发电技术进步明显，随着新型高效电池技术逐渐成熟并实现量产，在技术成熟度和投产规模扩大双重因素的影响下，成本会快速下降。

图4 陆上风电和光伏发电投资与装机容量学习曲线Fig.4 Learning curves of investment and installed capacity of onshore wind power and photovoltaic power generation

到2060 年，中国陆上风电成本下降45%左右，平均初始投资降至3 150 元/kW（450 美元/kW）。光伏发电成本下降60%左右，平均初始投资降低至1 225 元/kW（175 美元/kW），如附录A 图A3 所示。预测得到的初始投资作为优化规划模型的输入量，用于电力系统的长期优化规划。

5.2 以实现碳中和为目标的能源电力转型规划

中国要实现全社会碳中的目标，需要经历尽早达峰、快速减排、全面中和3 个阶段。预计到2050 年，电力系统实现近零排放，之后为实现全社会碳中和提供负碳空间。在此脱碳发展路径下，预计到2060 年，终端用能电气化率要达到66% 以上，全国用电量达到17 000 TW·h，最大负荷达到2.6 TW；电力生产96%以上由清洁电源提供，常规水电、抽水蓄能、火电、核电、光热和生物质等可调节电源的装机容量分别达到580、180、400、250、180、340 TW，详细参数见附录A 表A2。风电、光伏等不可控清洁能源发电及储能的装机容量作为待优化变量。全国电力系统分为东北、华北、西北、西南、华中、华东和南方7个区域，通过特高压输电实现互联互通。

5.3 协同匹配优化

将关键技术成熟度和经济性预测结果，以及能源电力规划初步方案作为输入参数，通过优化规划程序，以综合单位电量成本最低为目标，优化风电、光伏等不可控清洁能源发电、储能以及跨区输电的容量。基于对发输储技术不同的发展趋势假设，建立不同的技术组合场景，测算当前至2060 年电力系统的综合单位电量成本变化趋势，分析未来低碳电力系统的经济可行性。5 种技术场景的具体信息见表1，不同场景下的综合单位电量成本变化趋势如图5 所示。

表1 不同技术发展场景在2060 年的计算结果Table 1 Calculation results of different technology development scenarios in 2060

图5 不同场景下综合单位电量成本变化趋势Fig.5 Variation trend of overall unit electricity cost in different scenarios

场景1：所有技术发展停滞。该场景下发输储技术均不发展，维持2020 年的技术和经济水平，此时综合单位电量成本呈上升趋势，到2060 年，电力系统的综合单位电量成本升至0.45 元/（kW·h），不具备可行性。该场景说明随着风光等新能源渗透率的增加，如果技术不进步，各技术成本维持不变，则电力系统的综合单位电量成本将会增加。

场景2：仅输电技术进步。该场景下发电和储能技术停止发展，仅输电技术按照附录A 表A1 预测的水平发展。由图5 可知，仅输电容量和电压等级等技术参数提升，输电单位造价降低，对电力系统的综合单位电量成本影响较小，到2060 年，综合单位 电 量 成 本 可 升 至0.44 元/（kW·h），不 具 备 可行性。

场景3：仅储能技术进步。该场景下发电和输电技术停止发展，仅储能技术按照附录A 表A1 所示预测的水平发展。由图5 可知，若储能能量密度、循环次数等技术参数提升，单位造价降低，电力系统的综合单位电量成本呈上升趋势，但上升幅度较弱，到2060 年，综合度电成本达到0.39 元/（kW·h）时，基本与当前水平持平，不具备可行性。

场景4：仅发电技术进步场景。在该场景下，输电和储能技术停止发展，发电技术按照附录A 表A1所示预测的发展水平。由图5 可知，若风机单机容量、太阳能电池转换效率、光热运行温度等技术进步，单位投资下降，电力系统的综合单位电量成本呈下降趋势，到2060 年降至0.32 元/（kW·h），具备一定的可行性。

场景5：发输储技术同步发展场景。在该场景下，随着技术的快速进步，产业链的完善，成本的下降，电力系统的综合单位电量成本逐步降低，由当前的0.375 元/（kW·h）降至2060 年的0.26 元/（kW·h），具有较高的可行性。

不同技术发展场景下，风电、光伏、储能的配置以及综合单位电量成本各不相同。例如：场景3 由于储能成本较低，系统配置的储能装机容量明显高于其他场景，以提高新能源利用率；场景4 新能源发电成本下降显著，风电和光伏装机容量较大，通过提高装机冗余减少储能的配置，弃风弃光也较多，不同场景的计算结果如表1 所示。

从发展趋势上看，场景1、2、3 中，全系统综合单位电量成本随清洁能源渗透率的提高而逐渐升高，不具备经济可行性。场景4、5 可实现综合度电成本的持续下降，特别是场景5，综合度电成本由当前的0.375 元/（kW·h）降至2060 年的0.26 元/（kW·h），具有较高的经济可行性，由此说明关键技术的发展对电力系统清洁转型具有明显的支撑作用。

根据计算结果，不同技术对实现未来低碳电力系统的经济可行性影响程度不同。清洁能源发电技术进步对系统清洁转型的影响最大，其次是储能技术。输电技术进步空间和成本下降空间都较小，且文中的算例仅考虑跨区之间输电网的增量，没有考虑各大区内部新能源接入后的入网以及电网加强成本，因此影响最小。

基于优化计算结果可以对各类关键技术提出未来发展路径，在实现全社会碳中和的总体目标下，应优先加速发展清洁能源发电技术，例如提高风机单机容量和低风速适应性、光伏发电的转化效率等，降低清洁能源发电成本。同时，应加快储能技术的进步，尽快实现商业化大规模应用，为高比例清洁能源系统提供灵活性，降低系统总体用电成本。

6 结语

本文将关键技术的成熟度和经济性水平与基于生产模拟的系统优化计算相结合，形成电力系统关键技术进步与长期规划协同优化的框架与方法，量化分析了关键技术进步对未来低碳电力系统经济可行性的支撑作用。以中国2060 年全社会碳中和情景下电力系统清洁转型为案例，测算不同技术发展场景下电力系统的综合单位电量成本发展趋势。结果表明：本文建立的研究框架，能够量化评估关键技术发展对未来低碳电力系统可行性的影响；同时，根据电力系统清洁转型的路径，可以对关键技术发展目标及方向提出指导。

需要指出的是，本文列出的技术组合还无法覆盖所有与电力系统清洁转型相关的关键技术，如需求侧响应等，后续需要进一步扩大研究范围。对于关键技术成熟度与其经济性的关系还处于定性分析阶段，后续将重点量化研究技术成熟度、应用规模等因素对该类技术经济性的影响，进一步提高方法的适用性。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。