通过系统洞察识别压力事件，实现气候适应性能源系统规划

《Advances in Applied Energy》：Climate-resilient energy systems planning via system-informed identification of stressful events

能源系统规划与气候韧性提升 摘要：针对可再生能源依赖度增加导致的气候不确定性挑战，本研究提出了一种结合系统响应驱动的情景缩减（SISR）与随机优化的新型方法。通过识别关键气候压力事件并构建代表性情景，将数据复杂度降低80%，同时利用多情景概率分布进行优化，使气候韧性系统成本平均降低14.8亿欧元，并揭示高韧性区域边际成本激增5倍的贸易悖论。研究表明，陆上风电与氢能储组合在应对持续10天以上的能源短缺事件中表现最优，且韧性投资与缺电成本权衡具有经济合理性。

　　随着全球能源结构日益依赖天气相关的可再生能源，能源系统面临着越来越多的气候变量性和极端事件带来的挑战。这些变化不仅影响了能源的生产，还对能源需求产生了深远的影响，尤其是在极端天气条件下，如长期干旱、严寒、热浪等，都会导致能源供应紧张，并显著提升电力、供暖和冷却的需求。因此，构建气候韧性能源系统变得尤为重要。本文提出了一种将系统信息驱动的场景缩减与随机优化相结合的方法，旨在设计能够应对气候系统性压力事件的能源系统。该方法通过识别具有代表性的气候场景，减少了输入数据的复杂性，并将这些场景的概率纳入随机优化，以设计出在气候不确定性下表现更优的能源系统。

### 气候变化与能源系统规划的挑战

能源行业占全球排放量的34%，这使得实现净零排放成为全球气候缓解的核心任务之一。然而，增加可再生能源的比例，如风能、太阳能和水力发电，虽然有助于减少碳排放，但也带来了能源系统可靠性方面的关键挑战。随着可再生能源的广泛应用，系统在面对未来气候条件下的不确定性时，其可靠性变得尤为重要。极端天气事件的频率和强度正在上升，这使得传统基于可靠性的规划方式难以应对。因此，必须将规划重点从可靠性转向韧性，以应对不确定性和极端事件。然而，目前的规划方法在处理气候不确定性时面临两个主要挑战：一是如何减少输入数据的复杂性，以确保计算的可行性；二是如何在优化过程中明确纳入气候不确定性。

传统的单气候规划方法，如单年规划，虽然能够为每个气候场景生成独立的系统设计，但这些设计往往只适用于单一气候情景，无法在气候不确定性下提供最优的系统设计。相比之下，随机优化方法通过在多个气候场景下进行优化，能够提供一种较为平衡的解决方案，但其需要输入气候场景的概率信息，而当前研究中对概率的估算往往依赖于文献假设，缺乏物理一致性。

本文提出的方法解决了这一方法论缺口，通过系统信息驱动的场景缩减（SISR）方法，结合随机优化，设计出具有气候韧性的能源系统。SISR方法首先通过系统响应指标（如影子价格）识别出最具压力的事件，然后利用Wasserstein距离进行聚类，以提取代表性的气候场景及其概率。这些场景被纳入随机优化模型中，从而在多个气候情景下设计出最优的能源系统。

### 方法论与模型构建

SISR方法包括三个主要步骤。第一步是针对每个气候场景进行确定性优化，以生成单气候系统，并提取系统响应指标。第二步是应用系统信息驱动的场景缩减技术，通过Wasserstein距离聚类方法，将气候场景缩减为更少的代表性场景，同时保留关键的应力特征。第三步是使用这些代表性场景进行基于场景的随机优化，以设计出气候韧性能源系统。最终，通过样本外评估，将气候韧性设计与传统单气候设计进行对比，以验证其有效性。

在样本外评估中，系统设计是固定的，而运行优化则是在代表性的气候场景下进行。这种设计方法允许测试系统设计在未见过的气候场景下的表现。为了评估系统的韧性，我们引入了预期能源未供应（EENS）作为韧性指标。通过调整EENS的阈值，我们能够生成不同韧性水平的系统设计，并评估其成本与韧性的关系。

### 气候韧性场景的识别

在欧洲范围内，我们识别出五种不同的多日能源短缺模式。这些模式各自具有不同的可再生能源可用性与需求特征的组合，涵盖了从长期干旱到严寒等多个极端天气事件。每种模式都有其特定的地理分布和时间特征，如“严寒日”模式主要发生在欧洲冬季，而“阴天但风静”模式则主要影响南部和中部欧洲。这些模式的概率分布决定了它们在系统设计中的重要性。

在这些场景中，系统响应指标（如影子价格）被用来评估系统在特定气候条件下的压力程度。通过将这些指标与Wasserstein距离结合，我们能够识别出最具代表性的气候场景，并将它们的概率纳入随机优化模型。这种做法不仅减少了输入数据的复杂性，还确保了气候不确定性被有效地纳入系统设计中。

### 气候韧性系统的构建与优化

基于这些代表性气候场景，我们进行了随机优化，以设计出能够应对各种气候压力的系统。优化模型以最小化总成本为目标，包括资本投资和运营成本，并通过调整EENS的阈值来控制系统的韧性水平。结果显示，气候韧性设计在相同韧性水平下，平均成本比传统单气候设计降低了14.8亿欧元，表明该方法在经济性和可靠性之间取得了良好的平衡。

通过调整EENS的阈值，我们发现气候韧性系统存在两个不同的韧性区域：低韧性区域和高韧性区域。在低韧性区域，提高韧性的边际成本相对较低，约为5.8亿欧元每百分点。然而，当EENS低于1%时，提高韧性的边际成本急剧上升，达到29亿欧元每百分点，几乎是低韧性区域的五倍。尽管成本增加，但通过将韧性投资与能源未供应的成本进行权衡，我们发现追求高韧性是合理的，因为其能够有效应对极端气候事件，确保能源供应的稳定性。

### 技术组合与韧性提升

我们的分析表明，风能和氢能存储的组合在应对多日能源短缺事件中表现出色。风能提供稳定的能源供应，而氢能存储能够应对长期的能源短缺。相比之下，太阳能和电池的组合虽然在日常波动中表现良好，但在多日能源短缺事件中效果有限。这主要是由于太阳能在冬季的可用性较低，而电池的存储能力有限，无法应对长期的能源需求。

在热能转换技术方面，热泵在低韧性区域被广泛采用，以提高系统的韧性。而在高韧性区域，热泵的安装容量显著增加，同时其他热能转换技术如天然气锅炉和生物质锅炉的安装容量也有所提升。这表明，提高热能转换技术的韧性需要综合考虑多种技术的组合。

### 气候韧性系统的实际应用

本文的方法可以被直接应用于国家或跨国的规划流程中，特别是那些已经采用基于场景的优化方法的规划流程。通过将现有的场景选择方法替换为SISR方法，规划者可以确保在设计过程中系统性压力事件被系统地捕捉并概率性地表示。该方法的代表性气候场景数量使得其适用于大规模应用，同时其输出结果能够为长期基础设施投资决策提供定量支持，帮助决策者了解哪些技术最能提升系统的韧性以及额外的投资成本。

尽管该方法在理论上具有显著优势，但其也存在一定的局限性。目前的研究基于单年绿色场优化，未考虑现有基础设施的约束和过渡动态。此外，假设在每个气候场景下具有完美的前瞻性，可能会高估系统在极端事件中的表现。不过，通过验证方法的近似误差，我们发现该方法在减少数据复杂性的同时，能够有效保留气候变异性，具有较高的实用性。

### 结论与展望

本文的研究结果表明，系统信息驱动的场景缩减与随机优化的结合，为能源规划者提供了一种有效的方法，以在不增加计算负担的前提下，应对气候不确定性。通过识别五种不同的气候压力模式，我们揭示了欧洲能源系统在不同地理区域和季节中的脆弱性。此外，该方法为系统设计者提供了一种替代传统场景选择方法的新思路，通过系统响应指标识别出对系统性能影响最大的场景，从而生成更稳健的设计方案。

在政策制定方面，该方法能够为政策制定者提供在不同可靠性目标下的投资洞察，使他们能够在不同韧性水平下评估具体的权衡关系。通过比较传统方法与SISR方法，我们发现气候韧性设计不仅能够提高系统的可靠性，还能够显著降低总成本，实现社会利益与投资需求之间的平衡。

随着气候变化的加剧和可再生能源的广泛应用，将气候韧性系统性地整合到能源规划中，不仅是优势，更是必要的。本文的方法为未来气候意识的能源规划提供了重要的参考，同时也为不同地区和不同空间尺度的规划提供了新的思路。未来的研究可以进一步扩展该方法，以考虑现有基础设施的约束和过渡动态，并探索其他受影响的领域，如冷却和交通，以及需求侧响应策略，以提高系统的整体韧性。