2021年3月召开的中央财经委员会第九次会议，研究部署了“30·60”双碳目标的基本思路，持续推进深化电力体制改革，构建以新能源为主体的新型电力系统[1]。电力系统深度脱碳是实现我国碳达峰与碳中和的关键环节，到2060年电力系统碳排放量要减少至零甚至达到负排放。在电源侧，加快清洁能源替代，大力发展风电、光伏发电等可再生能源已成为国际社会应对气候变化、实现我国双碳目标的广泛共识[2]。本文中的新能源与可再生能源特指风电、光电、水电等。在能源消费侧，需要加快终端用电部门的电气化，在工业、交通与建筑等领域深入推进电能替代[3]。新型电力系统具有高比例可再生能源与高比例电力电子设备等主要技术特征[4]，即大规模可再生能源发电具有强间歇性、随机性与波动性等特点，且风−光可再生能源发电呈日内以及季节性波动特性，与负荷需求不匹配[5]。转动惯量的缺乏削弱电力系统抗故障冲击的能力，大量电力电子设备并网使得系统动态特性复杂化。因此，如何在多时间尺度上保持发电与负荷功率平衡、如何保持含高比例电力电子设备的电力系统稳定性、如何对清洁能源进行高效消纳与优化配置将成为未来的主要挑战[6]。在此背景下，有必要开展高比例可再生能源并网下的新型电力系统长期规划研究，以满足未来电力系统清洁、安全、灵活、高效等多方面需求[7]。

目前，针对电力系统低碳化转型的技术路径、成本效益、容量规划、可再生能源并网等方面已开展大量研究，然而在建模方法、求解算法等方面仍存在诸多问题。围绕高比例可再生能源并网下的新型电力系统长期规划这个问题，本文总结了新型电力系统长期规划面临的主要挑战与解决方法，如图 1所示。本文首先分析与总结新型电力系统的主要技术特征；在此基础上，针对能源供应安全与能源供应的经济−政策不确定性两方面挑战，其涵盖参数不确定性、政策不确定性、电力系统灵活性、电力系统充裕性、电力系统安全性、多时间尺度功率平衡等环节；然后，从短期不确定性、安全性评估、可靠性评估、长期不确定性4个着眼点开展研究，对不同方法的研究思路、应用场景与优缺点进行比较分析。最后，对新型电力系统长期规划模型的构建与应用进行总结与展望。

“双碳”目标下，从高碳电力系统向低碳甚至零碳电力系统发展的过程中，大规模可再生能源的高效利用与智能化将是新型电力系统的主要发展方向。基于现有研究的总结与归纳[4, 8–12]，新型电力系统的特征主要体现在以下4个方面：

1) 高比例可再生能源。

电力系统将由稳定可控的煤、气等常规能源转向为高比例可再生能源并网，深度替代其他行业的化石能源使用，冷、热、电、气多种能源深度耦合，建立以电力系统为能源枢纽的综合能源系统[13]。由于可再生能源出力具有随机性、波动性与间歇性，与出力可控的传统火力发电相比，电源侧的出力不确定性逐步增加。在消费侧，交通、工业、商业、居民生活等终端领域的电气化程度不断提升，能源效率提高，形成能源利用清洁化与节能型的社会。新型电力系统建设的最终目标与主要驱动力，凸显新能源电量主体、出力主体与责任主体的地位。

2) 高比例电力电子。

新型电力系统中，一是伴随着可再生能源的大规模发展，大规模基于并网变换器的可再生能源接入电网以提供清洁电力，煤电、气电与配备碳捕集与存储技术(carbon capture and storage，CCS)的发电设备起到调节与备用作用，水电、核电等非化石能源仍然是低碳电力的重要组成部分。在电源侧形成同步发电机与电力电子变换器并存的混合发电系统[14]。二是近年来快速发展的大量直流输电系统中包含大量电力电子设备[15]，这是由于目前东部地区的分布式发电无法满足高负荷需求，西部地区的大规模可再生能源发电基地驱动我国能源发展在时空范围内的优化配置，促进风光互补、跨地区各类资源的共享。上述趋势使得新型电力系统呈现高比例电力电子的特征，这对电力系统长期规划、仿真、运行与控制带来诸多挑战。

3) 灵活柔性。

在电源侧，发展基于电力电子变换器的新能源虚拟同步技术，使其具备主动支撑、有功/无功调节与故障穿越等能力；对火电机组的灵活性改造，适应未来快速、频繁与深度调节能力的需求；抽水蓄能、电化学储能与氢储能等不同储能技术大力发展，抽水蓄能作为最成熟的储能技术，在平抑可再生能源出力波动性、削峰填谷方面发挥着关键作用；氢储能具有长时间存储与多部门能源耦合特性，有潜力成为平抑跨周、跨季节与跨部门能量平衡的重要方式[16]。在电网侧，提升电网的柔性互联互通能力，提升资源的时空互补与跨地区共享能力，充分发挥电网的间接储能作用，有力支撑高比例可再生能源接入。在用电侧，随着电力市场改革的持续推进，数字化与信息化等现代技术不断创新与电动汽车、分布式储能、柔性负荷设备等发展，为需求侧管理提供条件[17]。发挥用户侧的灵活调节能力，以实现多能互补，提升电能利用效率，缓解供需不平衡、促进可再生能源消纳等目标。

4) 安全可控。

高比例可再生能源新型电力系统将面临较大的安全运行风险。一是可再生能源出力具有随机性、波动性与预测难度大等特点，存在电力供应不足或者可再生能源消纳能力不足等难题；二是高比例电力电子电力系统加大系统的频率、电压、功角以及宽频振荡等安全风险，呈现为一个复杂系统[11, 18]。因此，需要加强系统转动惯量、灵活性资源与系统支撑能力的建设。具体地，1)系统转动惯量是保持系统安全稳定的基础。①保持适当比例的火电机组。②协调各级交直流系统发展；③提升可再生能源可调可控能力；2)系统灵活调节能力是适应源−荷波动性的保证。①加强火电机组灵活性改造，实现其深度调峰与促进可再生能源消纳。②发展规模化储能应用技术，在电力电量平衡与促进可再生能源消纳中起到关键作用；3)系统支撑能力是满足可再生能源高比例接入的关键。①全力发展“卡脖子”重大技术，实现大功率电力电子器件等设备的国产化替代。②提升可再生能源故障穿越与动态调节能力，提高电网对可再生能源消纳的支撑能力[19]。

电力系统长期规划的时间尺度通常在20年以上，长期不确定性指由于政府政策、能源价格波动、新兴技术的进步等外部因素使得模型参数具有高度不确定性的现象。长期不确定性可表征为参数不确定性与政策不确定性。因此，长期不确定性在电力系统长期规划中正扮演愈来愈重要的角色[20-21]。

1) 参数不确定性。

参数不确定性主要分为技术参数与经济参数不确定性，如图 2所示。针对经济参数不确定性，以负荷预测与可再生能源投资成本为例。负荷预测通常与人均GDP增速高度相关，还需考虑能源效率与电气化程度的提升等。图 3为国内外权威报告中的中国电力需求预测[22–24]，到2050年中国电力需求范围为9400~14000TW⋅h，预测不确定性非常大。可再生能源投资成本受技术发展、政策支持等因素影响，激励政策的实施对私有部门的投资规划与宏观经济的影响存在较大的不确定性，对未来技术路径选择将产生巨大影响。

针对技术参数不确定性，由于技术发展具有较大的不确定性，碳中和背景下的能源低碳化技术在电源侧(例如可再生能源发电技术、可控核聚变技术等)、电网侧(例如柔性直流输电技术等)[15]、消费侧(例如新能源汽车、建筑节能技术等)、碳移除与利用技术[25]与新型储能技术(例如氢储能技术等)等方面的突破都将为构建新型电力系统、实现碳中和目标提供技术支撑。目前，大量电力系统规划模型并未考虑输入数据的不确定性，或者只考虑单一数据的不确定性[26]。

2) 政策不确定性。

电力系统长期规划受到国家或地区能源发展战略的影响，例如不同地区的能源开发战略、某种新能源技术或者新型储能发展的规划、电力市场/监管的机制改革等。以中国为例，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》计划建设9个大型清洁能源基地[27]。国务院发布的《2030前碳达峰行动方案》计划到2030年风电、光伏装机总容量将达到12亿千瓦以上[28]。电力市场机制的改革通过市场化手段还原电力的商品属性，从而实现资源的优化配置。上述政策因素都会直接影响电力系统长期规划的结果。

因此，如何在新型电力系统长期规划模型中考虑参数不确定性与政策不确定性的影响，使结果更加稳健，是不容忽视的问题。

新型电力系统的电源侧与消费侧都呈现强随机性与波动性，由“源随荷动”向“源荷互动”转变，这给电力系统的运行带来了新要求与新问题。一是风光出力在日内短时间尺度具有强波动性，需要可控发电机组的深度调峰能力予以平抑。二是风光出力存在季节性波动，导致可再生能源发电与负荷的季节性不匹配度增加。现有储能技术大多应用于日内调节，无法满足季节性调节需求。因此，解决日内与季节性供需不平衡带来的弃电与灵活性需求是新型电力系统长期规划面临的挑战。

电力系统可靠性指按可接受的电能质量标准和所需数量向电力用户连续发送和供应电力的性能，其包括充裕性与安全性两个方面。电力系统充裕性指考虑部分设备停运或出力不足等因素后其发电、输电和供电能力满足用户需求的性能，表征系统稳态性能[29]。在传统电源的长期规划中，通常以高于全年负荷峰值的一定比例作为其规划目标。这是由于传统电力系统功率平衡问题主要由负荷预测波动引起，负荷预测准度较高、波动具有较强规律性，传统规划方法基本能满足系统充裕性要求。

而可再生能源出力的波动性与随机性使其并不具备传统火电机组的强可控性，其发电充裕性与常规火电机组区别较大。2020年我国风电、光伏平均利用小时数分别为2097小时与1160小时，远低于火电与水电利用小时数[24]。可再生能源最小保证出力水平低，使得保障电力可靠供应难度持续增加。新型电力系统长期规划中保障系统充裕性的挑战，包括系统规模大、含可再生能源的电力系统充裕性评估数学模型的建模难度大、计算效率低等问题[30-31]。系统发电容量充裕性是保障电力系统供应安全的必要条件[32]，因此，有必要研究新型电力系统发电充裕性评估与量化方法，为电力系统供电可靠性提供支撑。

电力系统安全性指电力系统在事故状态下的安全性和避免连锁反应而不会引起失控和导致大面积停电的能力，表征电力系统的动态性能。近年来，由高比例可再生能源系统引起的大停电事故在世界各地频繁发生，例如2019年8月9日的英国大停电、2016年9月28日的南澳大利亚州大停电事故。这些事故影响上千万甚至上亿人的生活，并带来巨大的经济损失。建设安全可靠的电网、保障电力系统供电安全应从长期规划做起。

电力系统稳定性是电力系统安全性的基础，包括功角稳定性、频率稳定性与电压稳定性[33]。随着大量可再生能源替代火电机组，传统交流系统的调频能力下降[34-35]。基于电力电子并网的可再生能源发电设备的故障穿越能力远远低于火电机组，在遇到电压与频率波动时容易因保护设置而大规模脱网，进而增加系统大停电的风险。因此，在电力系统长期规划中，不仅需要考虑电量平衡，还需要考虑系统安全性，从而保障能源供应安全。

可再生能源发展离不开电网基础设施的支撑，不同区域的资源禀赋差异、当地负荷水平、电网基础设施、土地利用条件等都将影响可再生能源接入成本与并网后对电力系统运行的影响[36]。以中国九大风电基地为例，当不考虑接入与输电成本时，蒙西与新疆的上网电价相当，由于“三北”地区负荷需求低，风电消纳能力不足，当考虑输电成本后，蒙西的上网电价将远远低于新疆的上网电价[37]。因此，在电力系统规划中，需要考虑不同区域的资源禀赋，合理规划可再生能源发展，满足大范围资源优化配置与功率平衡。

风电、光伏出力和电力负荷的变化都具有一定季节周期性和日周期性，需要从大量历史风光出力与负荷数据中提取代表性的情景以反映其特性：1)保持负荷、风速和太阳辐射的自然相关性；2)保留源−荷的短期时序相关性，从而体现灵活性需求；3)保留足够的时间分辨率，从而保证规划与运行的可行性与合理性[36, 38]。忽略或者过度简化风、光出力与负荷需求的时序特性，将极大地影响规划方案，例如高估光伏发电的作用、减少对灵活性资源的需求(例如季节性储能技术[38-39])等。因此，有必要对现有多时空功率平衡方法开展分析与研究，提出能够适应高比例可再生能源接入的电力系统长期规划模式。

电力系统长期规划指以能源供给与技术发展为基础，采用优化算法优化满足能源需求等约束条件下成本最优的技术选择，其决策变量通常是在给定的时间与空间范围内对发电技术、发电容量与输电容量的选择。其研究框架如图 4所示，其可用于电源规划、电网规划、或者电源–电网协同规划，也能评估不同能源政策、潜在技术发展等对能源系统的影响。电力系统长期规划的数学模型可表示为：

式中：x为待投建的发电机组、输电线路、储能设备的0-1变量；c为待投建的发电机组、输电线路、储能设备的容量变量；u为火电机组的运行状态0-1变量；y为发电机组、输电线路、储能设备的出力变量；d、z、b、q为相应约束的边界参数；f(x, c, u, y)是系统总成本函数，包括新建发电机组、输电线路与储能设备相关的投资建设成本、短期运行阶段发电机组发电与电力传输相关的固定运维成本、燃料费用、可变运维费用、切负荷成本、污染治理与碳排放成本等。约束h1、h2表示系统的耦合约束，其中，等式约束h1表示各区域功率平衡约束，不等式约束h2表示系统备用约束、政策目标约束(碳排放约束、可再生能源配额约束等)、传输线路约束、燃料可用性约束等。式(2)的第3行不等式约束表示每台机组、储能单独的约束，包括可再生能源发电机组最大出力上限约束、发电机组出力灵活性约束(包括最大最小出力限制、爬坡速率、最小开停机时间等)、储能的物理约束(包括充放电功率约束、荷电状态约束等)。式(2)的第4行不等式约束表示待投建的发电机组、输电线路、储能设备的最大装机容量约束。由于篇幅原因上述约束不再展开，相关文献已有详细介绍[40-41]。上述模型通常为大规模混合整数规划问题，使用CPLEX、GUROBI等商业求解器或者开源求解器进行求解。针对电力系统规划模型，越来越多的研究人员将其电力系统规划模型的代码开源，供研究人员使用，并旨在共同开发与完善其模型，如附录表A1所示。

针对电力系统长期优化模型(式(1)、(2))，为了保证求解速度，通常会对优化模型进行简化处理，以降低模型复杂度。主要包括3种降低模型复杂度的方法：降低物理建模细节、空间聚类与时间聚类。在物理建模细节方面，通常将交流潮流线性简化为直流潮流或者管道模型[42]，部分长期规划模型在短期优化运行中不考虑机组组合的最短开机/关机时间约束或者机组启停0-1变量，将混合整数规划模型简化为线性规划模型[40]。在空间聚类方面，针对国家级别的长期规划，通常将各省/州简化为一个负荷节点。在时间聚类方面，为了筛选用于短期运行的典型场景集，在大量减少电力负荷需求、风光输出等输入时序数据的同时，保留原始数据集的相关特征，从而减少模型求解所需时间[43-44]。

电力系统优化运行决策模型(包括机组组合、经济调度)用于确定在电力系统某一调度周期内各机组的启停状态与系统负荷在机组间的合理分配，并且需要满足机组的最小启停时间、单位时间爬坡能力、最大最小出力约束、运行备用、线路潮流等一系列技术约束，是保证电力系统稳定、经济、与节能运行的重要手段。代表模型包括PLEXO模型(PLEXOS integrated energy model)[45]，通常以一年8760小时为时间分辨率，涵盖不同电压等级的输电线路拓扑，能够全面反映系统发电机组的机组组合约束等，从而模拟高精度时间、空间分辨率的电力系统运行状态。针对优化模型(式(1)、(2))，当优化变量x与u为固定值时，表明此时系统装机与输电线路容量已知，在短期优化时通常不考虑碳排放约束，时间分辨率通常为小时至分钟级，并且在物理建模与时空建模方面更为精细化，此时优化模型(式(1)、(2))为电力系统短期优化模型。

电力系统短期优化的时间分辨率高，侧重对已有规划方案进行精细化运行与管理，重塑电网运行数据，从运行视角下校核规划方案的可行性与经济性，辨识运行风险与薄弱环节。而电力系统长期规划的时间分辨率低，侧重长期、多时段地评估某地区或者全国的能源发展动态。考虑到计算复杂度，通常会简化短期运行细节以提高计算效率，导致许多电力系统短期运行的约束条件未能很好应用在该类模型，可能会引起结果的偏差。

电力系统长期规划需要协同短期运行与长期规划。在长时间尺度上，通过碳排放等环境约束倒逼可再生能源的发展，满足负荷与发电的电量平衡。在短时间尺度上，通过安全经济优化运行，满足系统的电力平衡，同时验证长时间尺度规划的合理性。

针对新型电力系统的技术特征对长期规划带来的挑战，还需对规划方案进行校核与修正，如图 5所示。新型电力系统长期规划研究框架主要围绕双碳目标下的电力系统长期规划、新型电力系统可靠性分析两个方面展开，即首先进行电力系统长期规划，然后对规划系统进行可靠性分析，对其规划方案进行校核与修正，从而找出其薄弱环节并予以加强。

新型电力系统可靠性分析环节涉及充裕性、安全性、稳定性[46]与韧性评估等环节。针对可靠性与韧性的区别与联系，电网韧性指电力系统受到扰动时，其性能逐渐退化并恢复到扰动前平稳状态的能力，其主要特征包括应变力、防御力与恢复力[47]。韧性与可靠性的主要区别是韧性不仅可靠性关注的大概率、小影响的常规扰动事件，也考虑小概率、中高影响的极端事件，从而弥补了可靠性对这类事故考虑的不足。

本文重点关注静态安全性与充裕性评估[48]，而含高比例电力电子设备的电力系统动态稳定性分析侧重研究其各元件多时间尺度动力学行为与建模，然后对其机电暂态全过程的安全性与稳定性做进一步分析，相关文献已有详细介绍[11, 18, 49-50]。此外，尽管国内外学者对电网韧性评估开展一系列工作，但是目前仍缺乏能够量化电网韧性能力的指标体系，针对小概率、中高影响事件的事故集难以预知，难以全面评估电网韧性[47]，本文不针对电网韧性评估做进一步阐述。因此，本文重点研究双碳目标下的电力系统长期规划与静态可靠性分析问题。

为了提高新型电力系统长期规划在长期不确定性条件下的稳健性，目前常用方法为概率性方法与情景分析法[20, 26]。概率性方法指在已知不确定性参数的概率分布情况下，使用期望最大等方法得到其规划方案。情景分析法指在不确定参数的概率分布未知的情况下，使用情景分析方法对不确定参数取值范围进行合理假设，进而得到其规划方案。

情景分析方法不依赖于参数的预测，而是对不确定参数的未来发展进行一系列合理的假设，从而分析在该类假设下所采取的技术发展路径。基于情景的分析方法已被广泛应用于能源与电力系统规划模型。基于历史趋势或专家预测等方法，设置预测数据的不同情景，例如未来负荷需求、发电技术投资成本、碳减排路径等。然后，如式(1)、(2)所示，使用确定性优化方法对所选情景集合进行计算，从而得到不同情景下的优化方案。最后，通过对上述情景的数据进行敏感性分析，以增加优化方案的鲁棒性[51]。

情景设置需要考虑环境、经济与社会多方面的影响因素，不仅需要考虑驱动因子对情景发展的影响，同时还需考虑不同驱动因子之间的相互作用。例如，负荷需求长期预测需要考虑经济发展、产业结构、工业化、城镇化与区域发展政策等因素[52]。基于不同的技术创新情景，美国国家可再生能源实验室为风电、光伏等发电技术设置3种情景，以预测至2050年可能的装机成本、度电成本等量化指标[53]。因此，在设置情景时，通常选择多组情景，以涵盖不确定性的可能发展趋势。

随机优化方法被广泛应用于电力系统规划模型中，研究可再生能源出力不确定性的发电调度模式。首先，根据输入数据的概率分布或者组合产生可能的情景。由于大量情景可能将导致在实际应用中难以求解，因此，通常利用情景缩减方法得到一个易于求解的集合[54]，并为每个情景赋予权重概率值，如式(3)、(4)所示。式(3)为典型的随机规划模型，可求解所有情景期望和最小的方案。式(4)为典型的两阶段随机规划模型，通常采用奔德斯(Benders)分解法进行求解得到其最优方案[55]。

在电力系统规划模型中，通常假设规划者是中立的，其目标是使系统总成本最小化或者社会福利最大化。但是，现实中投资者分属不同部门，利益诉求各不相同，投资者在进行投资决策时需要同时考虑收益与面临的风险[56]。

值得注意的是，概率性方法需要事前得到不确定参数的概率分布，但是受限于可用数据的缺失，大部分不确定性参数无法获得其准确的概率分布。为此，有研究根据现有文献或者报告得到不确定性参数的上、下限较为容易，假设不确定参数在上下限范围内均匀分布，从而应用基于期望最大法进行建模与求解。

短期不确定性指由天气与用户行为的随机性，导致数小时甚至数天的风光出力与负荷需求的不确定，新型电力系统长期规划模型中的短期运行约束会影响其结果[57]。

可再生能源资源禀赋在时间与空间范围内都存在巨大差异性，在高比例可再生能源电力规划研究中，通过详细刻画可再生能源时空分辨率，能够提高模型结果的准确性与实用性。但是，模型时空分辨率将直接影响模型规模与求解效率。因为电力系统长期规划是0-1混合整数规划问题，其求解效率与模型的大小、变量的规模、约束的复杂度密切相关，是一个NP-hard问题，该问题无法在多项式时间内求得最优值。时空分辨率反映现象或事物随时间与空间变化细节的能力。其中，时间分辨率表示测量频度，空间分辨率表示测量间距。从时间分辨率来看，功率平衡问题需考虑可再生能源出力与负荷需求的时间变化特征，其详细程度表征了源−荷短期不确定性。从空间分辨率来看，区域资源禀赋与负荷需求的差异性以及区域间的线路传输能力需考虑空间差异性，分辨率越高，表征空间分辨率的节点越多，在增加模型准确度的同时也增加模型复杂度。因此，模型时空分辨率将直接影响模型的大小与变量的规模，进而影响模型求解效率。权衡模型求解效率与准确性是新型电力系统长期规划面临的主要挑战之一。

本文总结了两类处理不确定性的方法，包括外生法(exogenous approach)与内生法(endogenous approach)，如图 6所示。

1) 单向软连接。

单向软连接法指在不改变原有规划模型的基础上，通过引入额外的电力系统优化运行与评估模型等，对原有规划模型的规划方案进行核验与修正，其流程图如图 7所示。文献[58]将能源系统规划模型(the integrated MARKAL-EFOM System，TIMES)与电力系统优化模型PLEXOS进行单向软连接，在PLEXOS模型中测试某规划周期内一年8760小时的经济调度结果，表明TIMES模型规划结果虽然能保证充足的发电电量，但是会低估灵活性资源的需求。文献[59]将区域能源规划模型(regional energy deployment system，ReEDS)与PLEXOS模型进行单向软连接，研究季节性储能在高比例可再生能源电力系统中的经济价值。此外，为了解决电力系统规划模型与优化运行模型之间时空数据的匹配问题，文献[60]做有益的探索，但这一问题有待进一步的研究。

单向软连接方法的优点主要包括：一是可以准确估计电力系统的运行成本和温室气体排放；二是可以分析电力系统的可靠性、灵活性的需求、以及不同发电技术提供电力电量平衡的作用。该方法的主要缺点是单向软连接方法并不直接影响长期规划模型的优化结果，无法将高精度的电力系统优化运行结果反馈给长期规划模型。但是，该方法仍能为电力系统长期规划提供一种新的分析视角。

2) 双向软连接。

在双向软连接方法中：1)通过在规划模型中引入新的约束条件以迭代求解规划方案[61]；2)在规划模型中增加反馈成本也能达到耦合的效果，从而体现高比例可再生能源并网可能导致额外的接入成本，例如额外的基础设施、灵活性资源需求、土地利用成本等[62]；3)根据高精度时空分辨率模型对已有的可再生能源供应曲线进行校准，以更好地体现可再生能源并网接入成本[63]。其流程图如图 7所示。

在新型电力系统规划中，系统在源−荷两端均存在较大不确定性，电力系统典型运行方式数量与不同方式之间的切换频率将大幅增加[64]，极端场景或者偶发故障引起的连锁反应对电力系统安全稳定运行带来的影响将大幅增加[65-66]。此外，将时序数据进行聚类将不可避免地使得原始数据失去部分特征，例如电力峰值需求、可再生能源连续多天低出力或瞬时剧烈波动等极端事件，如果缺少对极端事件的充分表示，优化结果的准确性可能会受到影响[67]。因此，需要额外将这类场景添加到典型场景集中[67-68]，以确保规划方案能够满足极端场景下的运行约束[69–71]与提高规划模型目标函数值的准确性[72]。

但是，目前尚未有研究通过先验方法识别在电力系统规划阶段的所有极端情景。为了避免电力系统长期规划阶段遗漏极端场景或者其他常规场景，目前常用迭代方法进行识别。在电力系统规划阶段，通过对典型场景的求解得到其规划方案，然后在已知规划方案的基础上，对原始场景集进行优化运行，例如以一天24h为一个调度周期进行逐日运行，得到不满足安全稳定运行条件的数据集，在该数据集中识别得到极端场景，并添加到规划阶段的典型场景中，迭代求解规划模型，直到规划方案满足所有场景的安全稳定运行条件为止[69-70, 73]。

从数学建模的角度，双向软连接方法比单向软连接方法更具优势，因为其能在规划模型内考虑更详细的短期运行特性。但是，存在以下不足：一是双向软连接的收敛性与最优性需要进一步验证。二是在双向软连接中如何选择合适的反馈值，增强反馈值在长期规划模型中的有效性，从而提升求解效率，有待进一步研究。

处理短期不确定的内生法主要包括提高时间分辨率、提高空间分辨率、完善机组组合、随机优化等方法。

1) 提高时间分辨率。

① 增加典型日数量

为了兼顾计算效率和数据变化特征，通常采用典型日或者典型场景的方式对短期优化进行模拟[74]。时间分辨率越高或者典型日越多，在电力系统长期规划中模拟短期优化运行的效果越好。反之，使用粗略的时间分辨率可能得到次优结果。但是，在确定性规划模型中增加时间分辨率能反映源−荷的波动性，并不一定能够反映源–荷的随机性。文献[36]对比TIMES模型与机组组合LUESYM模型的结果，表明在高可再生能源渗透率下(50%以上)，提高时间分辨率比增加灵活性约束对结果的影响更加明显。文献[75]在TIMES-Swiss模型中，将8个时间段(2天*4个季节)增加至288个时间段(24小时*3天*4个季节)，结果表明增加时间段能够提升模型结果的准确性。在选择典型日时，通常以负荷需求的年、季节与日变化为基准，然后再考虑对应时序的可再生能源出力。选择最佳时间段数量或者典型日数量并没有统一的标准，而是根据给定的系统、研究重点、可用数据、计算资源等方面决定。

增加时间段或者时间分辨率将降低模型求解效率，因此，在时间分辨率与模型计算效率之间存在一定的权衡。文献[76]研究典型日的数量对规划模型结果的影响，表明典型日越多，其结果越准确。但是，其边际效益会迅速下降。此外，采用合适的聚类算法也能提升结果有效性[44]。

② 辨识采样时间段的重要程度

在海量数据中，需要使用尽可能少的数据集以最大程度地表征数据的特征，从而提高求解效率。文献[77]提出在时间序列采样中对重要时刻的辨识方法，使得采样数据能够体现其波动性与年际变化，所提方法优于随机抽样、k-medoids聚类或使用个别年份采样数据的方法。文献[78]提出一种识别在机组组合中具有代表性调度时刻的方法，通过降低时间分辨率，在保证所需求解精度前提下，加速机组组合问题的求解效率。目前，数据挖掘、统计聚类等方法已被广泛用于对历史数据进行合理的筛选，如何从海量历史数据中选择代表性数据有待进一步研究。

2) 提高空间分辨率。

在新型电力系统规划模型中，通常将空间分辨率聚合为区域尺度，风、光出力将采用聚合后的平均值，此时将无法体现区域内部的源−荷波动性与输电线路功率流动。由于风、光发电潜力与负荷需求存在空间差异性，因此，通过增加空间分辨率，更能反映可再生能源出力的空间波动性。美国ReEDS模型根据行政区域将美国划分为134个平衡区，以表征风、光发电潜力的空间差异性[59]。

电力系统长期规划需要考虑资源在空间范围内的优化配置，提高空间分辨率，能够加强跨区、跨省远距离输电通道在新型电力系统规划中的作用，对各区资源互补与互济具有重要意义。文献[79]利用中国2005−2012年40×40 km2空间分辨率的天气数据计算其风、电光伏容量因子，表明中国31个省的“风光+输电”的差异化发展能够满足2050年100%可再生能源系统的需求。

此外，现有电力系统长期规划模型通常采用固定的投资成本，一旦某项技术成本具有成本竞争力时，受目标函数的成本最小化影响，该项技术会占领市场很大份额的情况。但是，由于土地利用、电网与可再生能源资源的空间差异性，可再生能源上网电价存在较大区别，有必要量化考虑空间差异性的可再生能源经济可开发量。考虑空间差异性的供应曲线能够有效避免跃变现象，其表示每平方千米的网格单元还本付息电价和实际可装机容量[37]。目前已有相关文献研究考虑空间差异性的中国海上风电供应曲线[80]，可进一步将其用于电力系统长期规划模型。

需要指出的是，增加空间分辨率将增加模型计算复杂度，选择合适的聚类方法对地理范围的可再生能源潜力、负荷需求以及输电线路容量聚类仍有待进一步研究。

3) 完善机组组合。

① 完善机组组合约束

目前，中国的电源结构仍以煤电为主，煤电机组的爬坡速度、启停时间与调峰能力不足以满足新型电力系统的灵活性需求，因此，考虑反映系统灵活性的机组组合约束是必要的。传统容量扩展规划模型(capacity expansion planning，CEP)通常忽略或者简化机组组合约束(例如爬坡率约束、最小开停机时间约束、最小出力水平约束等)[79, 81–83]。在TIMES模型中，使用72个时间段表示一年的运行曲线，增加的爬坡率与最小启停时间约束将不起作用，对应的机组启停成本也无法在模型中体现，将低估其运行成本[81]。为了在规划模型中增加传统发电机组的机组组合约束，可根据运行可变成本与固定运维成本的相对大小将不同机组类型分为基荷、腰荷与峰荷机组，从而决定其运行约束条件[84]。为进一步完善机组组合约束，文献[40]建立考虑网络约束和集群机组组合约束的电力系统长期规划模型，将机组组合中的0-1变量松弛为连续变量，并将同类型机组合并为一台集群机组，使求解效率提升了10倍左右，误差保持在2%以内。

完善机组组合约束将增加模型复杂度，尤其是机组的启停0-1变量，以及机组爬坡率约束的动态约束数量。同时，也需要更高的时间分辨率才能保证运行约束在模型中真正发挥作用。

② 完善运行备用约束

运行备用对平抑短期波动(负荷增加或者发电减少或偶发的设备停运事件)至关重要[45, 85]，在长期规划模型中嵌入运行备用约束，需要考虑短期不确定的来源、运行备用需求计算与运行备用容量分配3个问题。

1) 短期不确定的来源：短期不确定性来源主要来自负荷预测误差、可再生能源出力预测误差、机组与输电线路故障停运，可再生能源渗透率的增加将导致运行备用的增加[86]。此外，新型负荷的接入也将增加不确定性来源与波动强度。

2) 运行备用需求计算：运行备用需求可通过概率统计方法[85, 87]或者根据实际运行经验计算。在实际运行经验中，通常将风、光预测出力与负荷预测的百分比作为运行备用需求，例如美国西部电力协调委员会(western electricity coordinating council，WECC)定义负荷预测误差3%、可再生能出力出预测5%作为运行备用需求。采用确定性的方法计算运行备用需求，无法体现运行备用需求下的停电风险与机会成本[88]。而概率计算方法能克服上述缺点，在该方法中，当负荷与可再生能源出力预测误差满足标准差为σ的正态分布时，一般采用±2σ(95%置信区间)或者±3σ(99.7%置信区间)与预测值的乘积作为运行备用需求，如图 8(a)—(c)所示。

基于概率性的计算方法是在可再生能源出力的概率分布已知情况下的备用计算方法，但是随着可再生能源出力占比的持续增加，可再生能源出力的分布、日内波动、季节性波动与预测绝对误差将持续扩大。例如，2019年，国网公司经营区内的日内可再生能源出力最大功率波动占其装机的31%[9]；风电发电量主要集中在春冬两季、光伏发电量主要集中在夏秋两季；可再生能源出力预测绝对误差将随着其总装机容量的增加而增加。因此，在多时间尺度范围内提高源–荷预测精度是新型电力系统长期规划建模的基础。

3) 运行备用容量分配：发电机组通常可以同时提供电能、调频与运行备用服务，由于电力系统运行的有功调度是一个连续动态过程，需要考虑发电机组在不同服务之间的功率分配与协调问题[89]，如图 8(d)所示。文献[45]在能源系统优化模型(open source modelling system，OSeMOSYS)中，将短期运行备用需求嵌入长期能源规划模型中，结果表明通过增加运行备用约束，其投资决策误差由21%下降至5%。

新型电力系统的特性使得常规能源难以应对可再生能源出力的强随机性与波动性，需要大规模储能、需求响应、交直流输电、多能互补等多种技术以保障电网安全稳定运行。例如，储能可作为灵活性资源，用于平抑可再生能源出力波动性。在美国加州独立系统运营商(California independent system operator，CAISO)与美国得州电力可靠性委员会(Electric reliability council of Texas，ERCOT)电网调度中考虑基荷最低运行水平，将导致弃电率超过33%，但是通过配置储能，弃电率将下降至3%~ 9%左右[90]。

在不增加系统时间分辨率下，将辅助服务需求纳入长期规划模型能提高规划方案的鲁棒性。但是，增加约束条件仍将增加计算复杂度，且运行备用需求的量化指标也会对结果造成影响。

4) 随机规划方法。

在电力系统规划中，通常在做出投资决策后，再进行运行调度决策，在运行决策阶段通常需要考虑可再生能源出力以及负荷的波动性，因此两阶段随机规划模型适用于该类优化问题[91]，如图 9所示。

目前，两阶段随机规划方法已被应用于长期规划模型中[92-93]。文献[94]建立两阶段鲁棒随机规划模型解决容量扩展规划问题。文献[95]建立两阶段随机规划模型求解输电扩展规划问题。上述模型的测试系统都是小规模标准算例，并未应用于大规模电力系统规划问题中。文献[96]在TIMES-Denmark电力系统长期规划模型中，采用情景树方法对风电短期出力时序数据(4季节*3天*12小时)进行不确定性建模，结果表明采用随机规划使得风电装机规模由最多的16.2GW下降至9.2GW，结果更加保守与合理。

采用随机规划的优点主要包括：①随机规划模型能够将可再生能源出力的不确定性通过使用具有概率的情景树表示，从而将随机变量转为确定性模型，方便利用商业求解器进行求解。②进一步了解系统为了平抑风光出力不确定性而产生的额外成本，例如规划备用电源、储能资源等。③确定性规划方法是在已知风光等可再生能源可用性的情况下进行投资决策，而随机规划方法的投资决策阶段在上述信息未知的情景下进行决策，更能体现可再生能源出力随机性、波动性等特征。该方法通过大量情景模拟可能的预测区间存在模型准确性与计算效率的权衡[97]。

随着可再生能源渗透率增加、传统火电机组的逐步退役、以及电气化程度的普及，电动汽车、储能等可中断负荷的参与，对电力系统长期规划中短期不确定性的处理方法提出了新的要求。源-荷短期不确定性不仅体现在日内波动性，也体现在季节性调节需求的增加，现有储能技术只能满足日内调节需求，新型电力系统的季节性可再生能源消纳问题将更加突出。

解决较长时间尺度下电力系统可再生能源出力与负荷需求不匹配矛盾是新型电力系统面临的重要挑战。季节不平衡引起的弃风和弃光损失将远大于低比例阶段由于短期调峰不足引起的损失。一方面，需要根据各区域风电、光伏发电和负荷的季节特性合理配比可再生能源装机容量，充分利用风电和光伏发电的季节互补特性，减少供需不平衡现象；另一方面，需要将季节性储能应用于跨季节的能量调节。

为保障电力系统发电充裕性，电力系统长期规划需要考虑发电充裕性来源、发电充裕性指标与发电充裕性评估方法3个方面的问题。

发电充裕性来源主要包括各类发电技术、输电线路与储能等。其中，储能可用于替代传统调峰机组，其容量可信度与储能最大放电时长有关，根据CASIO多年历史运行数据，放电时长为4小时的储能电池的容量可信度大约为75%[98]。在我国发电充裕性机制不完善的情况下，可再生能源的快速发展与煤电的逐步退役使得发电充裕性问题变得更加严峻[34]。虽然可再生能源的接入能够提高系统发电充裕性，但是其发电充裕性远远低于同等容量的传统发电机组。因此，在电力系统长期规划中评估可再生能源发电充裕性十分重要。

传统电力系统规划通常忽略或者简化可再生能源的容量价值，导致在高比例可再生能源情景下投资不足或者过度投资。因此，学界提出容量可信度(capacity credit，单位为%)，表征在等可靠性前提下风电/光伏发电机组可以视为常规机组的容量占风电/光伏发电机组总容量的比例，使不可控、带有波动性与随机性的发电技术与常规机组装机可在同一水平上比较[99]。

图 10为欧洲不同国家风光的容量可信度，表明当风光渗透率超过20%时，风光容量可信度呈明显下降趋势。由图 10可知，风光容量可信度与其渗透率呈非线性关系。为了简化计算，在电力系统长期规划中，通常将风光容量可信度设置为固定值[100]。但是，使用固定的风光容量可信度并未考虑其随可再生能源渗透率的增加而减少的趋势，从而将高估风光可再生能源对发电充裕性的贡献。表 1为美国区域电网风光容量可信度度统计，由表可知，风光容量可信度存在区域、季节差异性[101]。同时，风光出力与负荷出力匹配程度越高，其容量可信度越高。

可再生能源容量可信度评估主要分为可靠性评估[102-104]、解析法[99, 105]与工程类[106-107] 3类方法。基于可靠性的评估方法适用于较为精细计算的场合，在电力系统长期规划中适用性不强。一是电力系统长期规划模型对求解效率有较高的要求，二是基于可靠性的方法难以嵌入模型目标函数或者约束条件中，常用于规划方案的事后评估与分析。解析法与工程类的评估方法适用于快速直观的计算[31]。工程类以峰荷负荷率法与持续负荷曲线近似法为主要评估方法。工程类的计算方法能够直接嵌入电力系统长期规划模型进行可靠性评估，但是受可再生能源出力、负荷预测准确性影响较大，需要根据实际建模需求进行选择。

系统发电充裕性指标用于衡量系统发电充裕性能力，可分为概率性指标与确定性指标。确定性指标通常为系统全年峰值负荷的百分比，例如北美电力可靠性公司(north american electric reliability corporation，NERC)的规划备用需求为全年峰值负荷的110%~115%[108]，美国加州CAISO为115%[109]，美国PJM(pennsylvania-new jersey-maryland，PJM)电网市场为116%。这种确定性的指标将无法满足新型电力系统的充裕性评估需求，考虑到影响系统发电充裕性的影响因素中含有较大不确定性，电力不足时间期望(loss of load expectation，LOLE)和电量不足期望值(expectation of energy not supplied，EENS)等概率性指标被引入，用于反映系统发电充裕性。例如，美国可靠性标准中的LOLE为0.1天/年[110]。

在传统电力系统长期规划中，电力系统发电充裕性约束通常被粗放地处理为配置占负荷峰值一定比例的备用容量。在新型电力系统长期规划中，随着源-荷两端不确定性的增加，大量强随机的可再生能源与电动汽车、以及储能设备的不断并网，系统发电充裕性评估将发生根本性变化，如何评估与保障系统发电充裕性将对电力系统可靠性、碳减排、可再生能源发展至关重要。

具体地，在系统发电充裕性来源方面，随着大规模互联电网的持续建设[15]及未来电网侧储能设备的大规模接入，从电网外部互联与具有能量时移的储能设备作为发电充裕性的补充，可大大缓解高比例可再生能源渗透率下，其可信容量大幅下降带来的充裕性不足问题。此外，在需求侧，电动汽车、智能楼宇的暖通空调系统等，它们在市场激励手段下参与充裕性控制来增加需求弹性，从而增加发电充裕性来源[111]。在评估方法方面，现有风光可信容量计算方法与影响分析已较为透彻，但是在新型电力系统长期规划中，以下几个方面将有所不同：1)考虑不同时间尺度下的发电充裕性评估；目前充裕性规划约束要求通常以年为基本单位，但是风光可再生能源发电具有明显的日特性、季节性特性与年际特性[5, 112]，在部分地区可能存在季节性充裕性不足的问题，导致系统功率失衡的风险增加。有必要研究更短时间尺度的风光容量可信度计算方法与具有大量强随机性的负荷需求对风光可信容量的影响，从而更好地支持系统长期功率平衡。2)考虑输电阻塞对发电充裕性的影响；随着可再生能源大规模并网，使得电网运行愈加趋近输电极限，因此，风光容量可信度的计算需要考虑风光发电机组的空间分布，以精细化评估不同节点处的风光可信容量。在发电充裕性指标方面，考虑成本对发电充裕性发展的影响。由于发电行业投资大、回报周期长，在间歇性可再生能源快速发展下，我国煤电行业在未来面临较大的财务风险[113]。在电力系统规划中考虑发电充裕性要求，通过采用静态的确定性方法，会带来高昂的机会成本。可通过引入成本概念以量化发电充裕性缺失所带来的经济成本，从而对规划方案的经济性与充裕性进行权衡。

电力系统安全性评估可分为静态安全评估与动态安全性评估。其中，静态安全性评估假设故障前后没有发生不稳定现象，评估扰动后至另一个静态工况下的各类约束条件是否满足要求；动态安全性评估包括电力系统稳定性评估以及对故障后状态的质量评估。在静态安全评估方法中，主要分为确定性评估与概率性评估方法。国内外通常采用确定性事件评估电力系统规划方案的安全性，例如正常运行方式、故障后运行方式与特殊运行方式等扰动故障集[33]，通过潮流计算与N−1原则校核[114]等方法，评估设备或线路过载、电压越限等内容。

电力系统规划中已有研究考虑N−1原则[115–119]，由于N−1原则下的静态运行情景较多，难以在规划模型中处理故障集中大量运行情景带来的庞大计算量问题。因此，为了在规划模型中考虑N−1原则，满足故障状态下电网仍能安全稳定供电的要求。一类方法是通过典型故障状态的筛选，形成典型故障集，从而减少其计算量[115]。或者采用鲁棒优化的思想，选择最严重故障，从而避免对故障集的枚举[120]。另一类方法是通过迭代求解逐步向规划模型中添加故障集，减少每一次规划求解的计算量[118-119]，但是总体计算量仍将随故障集数量的增加而增加。

基于确定性原则的评估方法容易忽略事故发生的频率和可能性以及相应的经济性后果，从而高估小概率、中高影响事件的影响，并低估大概率、小影响事件的影响。高比例可再生能源接入下，送端输电线路如果完全满足N−1原则，易造成线路利用率低、经济性差等问题。因此，有必要引入概率性评估方法用于量化安全性与经济性的关系。

在概率性评估方法中，蒙特卡洛抽样法是常用的随机模拟方法，通过对随机变量进行大量的抽样，例如对系统中不同元件的状态进行抽样，然后对每个事件进行潮流计算，从而得到相应的概率性指标(例如电力不足概率(loss of load probability，LOLP)，EENS等)。该评估结果可作为可靠性规划的约束边界[121]，文献[118]建立考虑N−1准则的配电网与分布式储能联合规划，并提出代表故障线路的辨识方法。该评估结果可用于计算由于故障带来的经济成本，从而作为规划方案对比的一项经济性指标[122–124]。文献[124]基于概率性评估方法，计及发电机组与线路的强迫停运率，在建立的发输电联合规划模型中将EENS并入规划目标函数作为可靠性的经济指标。文献[125]建立考虑经济性与安全性的发输电联合优化规划，使用系统切负荷费用以量化系统安全性。

在新型电力系统长期规划中，高比例可再生能源并网给电力系统源端与荷端都带来强不确定性，传统的安全性评估方法难以适应未来需求。具体地，一是新型电力系统运行方式的多样化使得规划中必须考虑更多的典型电网运行场景[126]；这是由于可再生能源机组单机容量相比于传统火电机组较小，从而使得同等容量下可再生能源机组数量较多。此外，风电、光伏等的出力受外界环境影响，其预测绝对误差随装机规模的增加而持续增加。从而使得机组故障组合数激增，以故障集校核规划方案的安全性将面临巨大计算负担。因此，在电力系统规划中有必要扩展由可再生能源并网导致的系统故障集，重新刻画系统故障或稳态时的稳定边界。二是极端天气加剧保障电力系统安全性的难度。随着全球变暖、飓风、冰雪灾害等极端天气事件不断增加，这些小概率、中高影响事件将显著影响可再生能源出力[66]，在高比例可再生能源情景下影响更大，因此，如何量化该类事件对安全性的影响将至关重要。三是风、光等可再生能源机组普遍存在抗干扰能力弱、低过载能力、低惯性、宽频动态等特点，在频率、电压波动的情况下更容易脱网，故障演变复杂[11]。可再生能源机组与传统同步机组的同步机制与动态特性存在较大差异，使得经典“转子角稳定性”定义不再适用，稳定性基础理论面临挑战，亟待完善相应的基础理论[19]。

新型电力系统将构建以高比例可再生能源并网、多种能源形式并存的发电结构，这需要在电源侧、电网侧、用户侧加大投入力度。在电源侧，储能技术与CCS技术是解决由大规模可再生能源并网带来的随机性与波动性问题的有效方式。储能技术(如抽水蓄能、压缩空气储能、电化学储能与氢储能等)能显著提高电力系统平抑从秒级至季节性的源−荷不匹配现象，受地理位置、转换效率、安全性、经济性等多种因素影响，储能在电力系统低碳转型中的价值与应用有待进一步研究。另一种有效提高系统可靠性的方法是在传统火电厂中引入CCS，从而使得CCS电厂除了提供低碳电力，还能够提供灵活、可调度的电力，作为备用电源，能够有效平抑发电与负荷的不平衡，提升系统对可再生能源的消纳能力[127]。虽然CCS技术优势明显，但是目前CCS技术成本高[128]，且碳捕集设备的运行会消耗一部分电能，从而增加系统发电功率的损失[129]。同时，对比大量已在运行的风、光发电机组，目前在运行的CCS电厂规模较小，CCS技术发展路径有待一步探讨。

在电网侧，高比例电力电子导致的电能质量问题，需要对提升电能质量的装备(如调相机、静止无功补偿器等)与方法(如虚拟同步机控制技术等)加大研究，从而提升系统调频、调压与调峰能力。目前，在电力系统长期规划中，较少有文献考虑可再生能源并网对电网频率与电压的影响。

在用户侧，随着电力市场大力发展，市场主体逐步多元化，虚拟电厂(virtual power plant，VPP)是有效调控分布式资源(如分布式发电、电动汽车、电力用户等)参与电力辅助服务市场的新兴技术之一[130-131]，能够根据电力市场价格信号与激励机制做出响应，并参与电网互动，有利于增加电网弹性，保证供需的实时平衡，是电力市场发展的必然趋势[111, 132]。

政策−经济−环境的交互作用机制具有高度复杂与不确定性，存在着复杂非线性的耦合关系，基于历史经验与数据提出的环境政策或者激励政策存在社会试错成本[133]，相关政策的实施需要依据多种决策分析方法与模型结果支撑，不确定因素将体现在该类方法与模型中，例如，中国新能源汽车“双积分”政策、可再生能源发电补贴政策、碳交易机制等。因此，需要对相关政策进行事前验证，电力系统规划模型对不确定因素(如参数不确定性、政策不确定性与结构不确定性)的快速与灵活响应亟待进一步研究。

在能源和环境问题日益突出的当下，终端部门电气化程度不断提高，在互联的综合能源系统，电力、供热、工业与交通部门之间的耦合与联系日益紧密，综合能源的有效利用和开发是响应可持续发展战略与实现碳中和目标的重要举措。在综合能源系统(integrated energy system，IES)的规划、设计、建设和运行等过程中，通过对各类能源的生产、传输、分配、转换、储存、消费等环节进行有机协调与优化，从而实现能源的高效利用[134-135]。

化石燃料燃烧产生的PM2.5等污染物对居民健康影响已成为研究热点[136]，电力行业与交通行业是环境颗粒物污染的主要污染源，目前针对考虑颗粒物污染与人群健康影响的电力系统规划与优化运行研究比较有限。

能源系统优化模型属于局部均衡模型，能源需求与经济参数都是外生变量，并未考虑能源系统的长期规划结果对经济的间接影响，例如技术变革带来的社会成本、制度与基础设施等方面的限制。因此，有必要增加电力系统规划与经济部门的耦合，从而较好地反映国民经济部门之间的相互作用。

综上所述，开展以电力系统为主体的经济−电力−环境−健康等多部门耦合研究，使得宏观经济变量与能源需求内生化，能细化电力系统低碳转型对其他部门的交互作用与相互影响，是亟待解决的问题。

2021年9月工业和信息化部等多部门印发《物联网新型基础设施建设三年行动计划(2021−2023年)》，推动数字新基建的建设，加强了电力大数据在电力系统长期规划中的应用。电力大数据理论体系应用主要分为数据采集与存储、数据融合、数据分析与学习4个方面。在数据采集与存储方面，通过建立电力大数据平台的思路解决本地用户在数据存储、计算能力等方面的不足。在数据融合与分析方面，通过融合能源与非能源领域大量异构异质、高维时空数据与广域监测数据等，通过数据分析方法，例如借助统计分析、人工智能、数据挖掘等技术，辨识数据中的特征量、关系、趋势、模式及性质。在学习方面，针对系统机理模型难以获取，或者机理模型复杂度高、非线性强等特点，基于数据驱动方法，分析与学习数据之间的关联关系，构建经验模型，为发现模型的新现象提供帮助。这些研究在电力系统长期规划中的应用主要集中在5个方面：预测、评估、模式识别、模型建模与环境保护。预测主要包括负荷预测[137-138]与可再生能源发电预测[139-140]、可再生能源与储能成本预测[141]等；评估包括可再生能源发电潜力评估[80, 142-143]等；模式识别包括典型运行模式辨识[64]与故障辨识[144]等；模型建模包括建立标准电力测试系统[145–147]等；环境保护包括碳排放监测与核算[148]等。

电力系统规划模型对数据输入与假设有很高的质量要求，其结果对数据的敏感性程度高，如表 2所示。数据与模型开源正逐渐成为能源、环境领域研究的趋势，加强模型与数据的开源能够提高科研质量、促进跨学科的合作与提高生产力等[149]。

电力部门是实现碳中和的关键环节，电力系统长期规划无论是在长期战略规划、短期电力系统运行方面，都对电力系统低碳转型过程中的安全性与经济性具有重要作用。针对新型电力系统长期规划模型，本文总结目前主流的电力系统规划与优化运行模型研究框架以及建模过程中对长期不确定性、短期不确定性、系统充裕性、系统安全性4个方面的主要解决方法，对不同方法的研究思路、应用场景与优缺点进行比较分析。在对国内外电力系统长期规划研究与应用综述的基础上，展望了未来电力系统规划有待进一步研究的内容和方向，主要包括：新兴技术的研究、考虑不确定性的电力系统规划决策、经济−电力−环境−健康等多部门耦合技术与模型与加强电力大数据在电力系统规划中的应用4个方面。希望本文能为新型电力系统长期规划的研究提供参考与借鉴。

ReEDS是由美国国家可再生能源实验室开发的区域能源规划系统，根据系统约束与能源和辅助服务的需求以优化电力部门的投资决策，其特点是高空间分辨率，从而表征可再生能源技术的成本、价值和技术特征，自2001年发布以来已发表相关论文、报告130余篇。

SWITCH模型是由加州大学伯克利分校可再生能源实验室开发的电力系统长期规划模型，自2008发布以来已发表相关论文20余篇。目前，已开发了SWITCH-China模型以解决中国清洁能源转型面临的挑战与机遇，包括：可再生能源渗透率与削减问题；煤电消耗带来的空气污染与水资源压力、气候变化与人类健康问题等。其特点是高时间与空间分辨率，以研究可再生能源并网成本急剧下降对电力系统新能源规划的影响。

EnergyPLAN是由丹麦奥尔堡大学开发的综合能源系统分析工具，用于解决新能源发展带来的问题，特别关注含高比例可再生能源的综合能源系统。其特点是跨部门(电力、供热、工业、交通)、跨能源形式(水、电、热、冷、气)的协同运行，自1999年发布以来已发表数百篇论文。该模型求解是基于流程的方式，并不使用数学求解器。该模型重点研究未来能源系统的形态，并不是传统的能源系统优化模型。

HOMER是由NREL开发的电力系统分析工具，以研究微电网的经济、环境、技术可行性。该模型以净现值最小作为优化目标，对微电网内部各单元进行能源的优化管理。HOMER的主要功能包括：系统仿真、系统优化以及敏感性分析，目前在193个国家/地区拥有超过250，000名用户。

DER-CAM是由美国劳伦斯伯克利实验室开发，用于在建筑与多能源微电网背景下的分布式能源规划与优化工具。该工具以系统总成本最小为优化目标，关键输入包括负荷需求、公共事业电价与分布式能源技术经济数据，关键输出包括分布式能源的选址与定容、优化调度曲线、需求响应措施等。其特点是DER-CAM数据库中包含典型住宅用户负荷需求曲线、光照曲线、电价、DER技术特性等，能够帮助用户快速构建模型。

OSeMOSYS是由瑞典皇家理工学院开发，以用于长期综合评估和能源系统规划的开源建模工具。自2008年发布以来，其被用于开发全球、各大洲、国家、地区和村庄规模的能源系统规划。该模型以能源系统的规划-运行净现值之和最低为优化目标，在满足给定的能源需求下，求解其能源结构。OSeMOSYS模型的核心模块包括目标函数、成本、储能、容量充足性、能量平衡、污染物排放、技术约束七大模块，用户可以根据需求进行功能扩展。

Calliope是一种用于能源系统优化规划的建模框架。Calliope具有空间和时间的明确性、开放性和透明性以及计算量情景的能力，解决现有能源系统模型中常见的难点。其目标函数是最小化系统成本，在给定的约束条件下得到技术经济上最可行的能源系统。自2015年发布以来已发表相关论文20余篇，主要研究欧洲地区能源转型。

PyPSA是卡尔斯鲁厄理工学院开发的开源工具箱，以模拟和优化现代电力系统，其特点是包含传统火电机组、风电与光伏发电、储能与其他能源部门的耦合元件，是一个多电压等级的交-直流混合电力系统。PyPSA旨在扩展大型电力传输网络和长时间序列，GitHub已开源了PsPSA-Eur数据库，覆盖了欧洲电力部门的传输网络，包括6, 001条输电线路、3657个变电站、相应的传统发电机数据、以及可再生能源发电与负荷需求的高精度时序数据。

IPM是由美国环境保护署开发的电力部门分析与长期规划模型，该模型以最小化系统总成本为优化目标，求解满足发电能源和容量要求、一系列约束(包括空气污染法规、传输约束和机组出力约束)的投资组合与调度方案，其应用主要包括空气排放控制政策评估、资源与战略规划、发输电资源评估等。

LIMES-EU模型是由波茨坦气候研究所开发的欧洲电力部门长期规划模型，与传统电力系统长期规划模型类似。

TIMES模型是由国际能源署(International Energy Agency)开发的新一代气候变化综合评估模型，以替代MARKAL模型。TIMES模型以线性规划问题的标准形式描述能源系统，可对能源系统中的能源开采、加工、转换、分配环节以及终端用能环节进行详细刻画，不仅考虑现有的技术，还考虑未来可能的技术进步与技术替代。从而在满足所有终端能源需求时，最小化能源系统总成本。自2003年发布以来，已有63个国家与地区与地区使用TIMES模型进行长期能源情景规划与分析，以设计可持续能源系统的最低成本技术路径。

PLEXOS模型是Energy Exemplar公司开发的用于模拟电/热/气综合能源系统的短期-中期-长期多时段规划与优化运行模型，PLEXOS模型可用于短期综合能源经济调度、中期日常运营与维护计划、市场价格预测、长期电源与输电扩展规划等应用，已用于全球数百个组织为其决策提供信息。PLEXOS模型特点是能用于模拟综合能源系统分钟级别的短期运行状态，并集成了电力、水、天然气、热于一体的综合能源系统。

oemof是由Center for Sustainable Energy Systems(ZNES)开发的开源能源系统建模框架，以解决能源系统不开源、无免费可用数据、透明度不高等不足。oemof主要研究未来电力-供热部门的能源供应系统，已有的应用模块包括用于供热与电力部门耦合的电力市场模型与传统机组组合。oemof的特点是开源与社区成员共同开发，基于Python开发的工具箱便于用户进行二次开发。

[A1] Krishnan V，Cole W.Evaluating the value of high spatial resolution in national capacity expansion models using ReEDS[C]//2016 IEEE Power and Energy Society General Meeting (PESGM).

[A2] Mai T，Lopez A，Mowers M，et al.Interactions of wind energy project siting，wind resource potential，and the evolution of the U.S.power system [J].Energy，2021，223：119998.

[A3] He G，Lin J，Sifuentes F，et al.Rapid cost decrease of renewables and storage accelerates the decarbonization of china’s power system[J].Nature Communications，2020，11(1)：2486.

[A4] Lund H，Thellufsen J Z，Østergaard P A，et al.EnergyPLAN – advanced analysis of smart energy systems[J].Smart Energy，2021，1：100007.

[A5] Østergaard P A.Reviewing energy PLAN simulations and performance indicator applications in energyPLAN simulations[J].Applied Energy，2015，154：921-933.

[A6] HOMER Energy.Homer Energy[EB](2021).www. homerenergy.com.

[A7] Henke H T J，Gardumi F，Howells M.The open source electricity model base for europe - an engagement framework for open and transparent european energy modelling[J].Energy，2021：121973.

[A8] LLffler K，Hainsch K，Burandt T，et al.Designing a global energy system based on 100% rwables for 2050：GENeSYS-MOD：an application of the open-source energy modelling system (OSeMOSYS)[J].SSRN Electronic Journal，2017.

[A9] Keller V，Lyseng B，English J，et al.Coal-to- biomass retrofit in alberta –value of forest residue bioenergy in the electricity system[J].Renewable Energy，2018，125：373-383.

[A10] Pfenninger S，Pickering B.Calliope：a multi-scale energy systems modelling framework[J].J.Open Source Softw.，2018，3：825.

[A11] Pfenninger S，Keirstead J.Renewables，nuclear，or fossil fuels? scenarios for great britain’s power system considering costs，emissions and energy security [J].Applied Energy，2015，152：83-93.

[A12] Pfenninger S，Keirstead J.Comparing concentrating solar and nuclear power as baseload providers using the example of south africa[J].Energy，2015，87：303-314.

[A13] Hörsch J，Hofmann F，Schlachtberger D，et al.PyPSA-Eur：an open optimisation model of the european transmission system[J].Energy Strategy Reviews，2018，22：207-215.

[A14] U.S.Environmental Protection Agency.Documen- tation for EPA Base Case v.5.13 Using the Integrated Planning Model[EB/OL](2013-11).https://www. epa.gov/sites/default/files/2015-07/documents/documentation_for_epa_base_case_v.5.13_using_the_integrated_planning_model.pdf.

[A15] Nahmmacher P，Schmid E，Knopf B.Documentation of LIMES-EU - a long-term electricity system model for europe [R].Potsdam，Potsdam Institute for Climate Impact Research，2020.

[A16] LBNL.The Distributed Energy Resources Customer Adoption Model(DER-CAM)[EB/OL](2021).https://gridintegration.lbl.gov/der-cam.

[A17] Loulou R，Remne U，Kanudia A，Lehtila A，Goldstein G.Documentation for the TIMES Model[EB/OL] (2001).https://iea-etsap.org/index.php/etsap-tools/model-generators/times.

[A18] Loulou R，Goldstein G，Noble K.Documentation for the MARKAL Family of Models[EB/OL] (2004).https:/iea-etsap.org/index.php/etsap-tools/model-generators/times.

[A19] Energy Exemplar.PLEXOS[EB/OL](2021).https://www.energyexemplar.com/plexus.

[A20] Hilpert S，Kaldemeyer C，Krien U，et al.The open energy modelling framework (oemof) - a new approach to facilitate open science in energy system modelling[J].Energy Strategy Reviews，2018，22(May 2017)：16-25.

[A21] Tröndle T，Lilliestam J，Marelli S，et al.Trade-offs between geographic scale，cost，and infrastructure requirements for fully renewable electricity in europe[J].Joule，2020，4(9)：1929-1948.