【Nature Energy】量化气候变化和极端气候事件对能源系统的影响

     IPCC第五次评估报告指出，气候变化极有可能加速，并导致越来越频繁且强烈的极端气候事件，使人类以及自然系统更易受到这些事件的影响。如果未能有效应对气候变化的减缓和适应，将导致严重的短期和长期问题，包括因能源供应中断而导致的部分或完全停电。这些后果可能对城市及其地区带来高昂的代价。目前，全球有35亿人生活在城市地区，这些地区消耗了全球三分之二的初级能源，并产生了71%的直接能源相关的温室气体（GHG）排放。到2050年，城市地区预计将容纳全球一半以上的人口，这将进一步加剧成本和影响。因此，城市部门必须在气候变化的适应和减缓中发挥重要作用。为了减少能源基础设施的碳足迹，在城市区域节能并使用可再生能源技术至关重要。支持可再生能源技术的分布式能源系统将在城市环境中推动能源转型，并在气候变化的减缓和适应中发挥关键作用。气候变化通过影响能源需求、发电、系统和基础设施，对城市地区的能源使用产生广泛影响。气候变化也会对可再生能源发电产生不同的影响，这取决于可再生能源的类型（如风能、水能或太阳能）和地理位置。由于极端天气事件的存在，气候变化对高峰电力需求的影响远远超出每年净需求量的简单变化，还会通过影响系统设计和电力供应而变得更加关键。该研究将气候变化相关的能源需求、可再生能源潜力及电网条件的不确定性定义为气候引致的能源不确定性（CInU）。CInU可能导致低概率高影响（LPHI）事件（通常由极端天气事件引发）和/或高概率低影响（HPLI）条件（如平均能源需求和发电量的变化）。LPHI事件可能导致停电，而HPLI条件则会显著降低能源系统性能（如运行成本增加），这将严重阻碍可再生能源技术的集成，并增加对化石燃料的依赖，进一步加剧气候变化和CInU的增加。该研究开发了一种方法来调查气候变化对城市能源系统的影响，同时考虑到未来气候条件的变化，包括极端天气事件的频率、持续时间和强度的增加。进一步探究了CInU对城市能源系统性能的影响，并通过对瑞典30个城市的多种情景分析，了解CInU对可再生能源技术集成的限制。

     根据能源需求、风能潜力、太阳能潜力和电网条件，构建了四组未来预期情景，用于能源系统的随机优化。每组未来预期情景包括三个、五个、七个和九个情景（分别标记为P3、P5、P7和P9，如图1a-d所示），以显示合成时间序列的数量对呈现CInU的影响。当分析四组不同的能源需求情景时，出现概率最高的预期情景遵循了典型年（TDY）的模式，即中等水平的能源需求。因此，可以观察到季节性变化，如冬季需求较高，夏季需求较低。然而，当转向发生概率较低的预期情景时，季节性变化会偏离典型模式，并趋向于与极端条件更加接近的模式。这在拥有更多预期情景的组中尤为明显。显然，随着合成时间序列数量的增加，呈现极端条件的机会也随之增加。根据箱线图，极端寒冷（ECY）和极端温暖（EWY）年份覆盖了更多的极端条件范围。包含更多预期情景的组（如P9）有助于估计极端情况，但仍无法涵盖所有变化范围。因此，为了准确估计极端条件，必须增加预期情景的数量。然而，这种扩展的计算成本极高，因为在进行能源系统优化时，为可再生能源潜力和电网条件扩展情景数量会使情景树的规模呈指数增长。通过同时考虑预期情景和极端情景，并使用两种不同的优化技术，可以在考虑极端情况（LPHI）和非极端情况（HPLI）影响的同时，合理地处理问题。

图1. 未来气候变化对能源需求和可再生能源发电的影响。a–d：Malmö在2070–2099年间13个气候情景和预期情景下的每小时总能源需求分布；e：比较Malmö代表性城市地区在寒冷和温暖季节的每小时总能源需求分布，分别考虑了典型年份（TDY）、极端寒冷年份 (ECY) 和极端温暖年份 (EWY)，以及包含九（P9-9）、七（P7-7）、五（P5-5）和三（P3-3）组预期情景的极端高需求值。

      采用的研究方法（混合随机-鲁棒优化（SRO）算法）同时考虑了HPLI和LPHI条件。其中，随机优化部分用于处理HPLI情景，而鲁棒优化部分则确保系统在极端事件中的平稳运行。其他三种方法被用来作为该方法的基准，它们在不同层面上体现了气候引起的不确定性。随机优化（SO）仅考虑HPLI情景，不包含极端事件；鲁棒优化（RO）专注于应对极端事件，但不考虑HPLI情景；而确定性模型（DT）只包含确定性情景，不涉及HPLI和极端事件的影响。在优化能源系统时，使用上述方法来考虑净现值（NPV，即项目的财务表现）和电网集成水平（即能源自主程度）。通过帕累托前沿展示所有非支配解，当从一个解转移到另一个解时，某一目标函数的提升可能以另一目标函数的牺牲为代价。选取了代表瑞典四个不同气候区的四个城市—Hudiksvall、Kalix、Linköping和Malmö。考虑了这些城市的可再生能源发电潜力，与能源需求相比，这些城市的可再生能源发电潜力存在很大差异。其中，Hudiksvall的可再生能源潜力最低，而从Hudiksvall到Kalix、Linköping再到Malmö，可再生能源技术的集成潜力逐渐提升。在Hudiksvall使用SRO、SO和DT模型的优化结果显示目标函数值相似，而RO模型的结果则明显区分开来。SO模型的设计方案表明，与SRO相比，可再生能源的集成潜力最高可达34.5%（比SRO高出16.5%），但由于忽略了极端事件，净现值减少了16.7%。然而，与SRO相比，这些可再生能源集成度较高的设计方案在极端事件中电力供应的中断概率高达3%（是设定阈值0.1%的30倍）。这表明，在极端事件中维持电力供应可靠性会抑制可再生能源的集成，并增加系统成本。对于Kalix，SRO模型下可再生能源集成水平达到34%。三条帕累托前沿表现出相似趋势。然而，当电网集成水平较低时，DT模型的目标函数值出现明显偏离。HPLI情景带来的性能退化导致了设计方案的显著性能差距，这使得SRO和SO的设计方案占据主导地位。在Linköping，可再生能源的集成潜力进一步增加至56%。帕累托前沿之间出现了明显分离。从DT模型转向SO和SRO情景时，净现值显著改善。在该城市中，CInU反而起到了积极作用，因为它降低了需求并提高了可再生能源的集成水平。在四个城市中，Malmö的可再生能源集成潜力最高。分布式能源系统表明，可再生能源技术的集成水平超出系统的年总能源需求，并且能够为主电网供电。不同方法得到的帕累托前沿在目标函数值上存在显著差异。尽管DT模型提供了成本最低的设计方案，但HPLI情景会导致显著的性能退化，使得SRO和SO成为主导方案。在这种情况下，电网集成水平和净现值出现退化。此外，在SO模型中忽视极端事件可能导致电力供应可靠性下降至16%。

瑞典被划分为四个气候区，每个气候区遵循各自的建筑和能源法规。该研究中考虑的30个城市代表了全国的住宅建筑存量，并涵盖了超过30%的人口。随着气候区的变化，可再生能源集成潜力也呈现出明显差异。除了位于气候区1的Kalix和气候区2的Sundsvall外，其他城市使用太阳能光伏和风能技术的可再生能源集成潜力均低于20%。在气候区3，可再生能源技术的集成潜力显著提升。通常，当可再生能源集成水平低于25%时，直接电网集成是可行的。在气候区3的大部分城市（除Gnesta外），可再生能源技术的集成水平可满足30%至50%的年能源需求。在气候区4的Malmö、Strömstad和Tjörn，可再生能源集成水平甚至超过了年需求量。因此，在气候区3和4中，分布式能源系统代表了未来能源生产的有力手段，可满足超过年需求25%的能源需求。更重要的是，气候区3和4的太阳能光伏和风力涡轮机等可再生能源技术的集成潜力远高于当前的装机容量。因此，在保证能源基础设施稳健运行的同时，有大量机会利用这些资源。尽管气候引起的不确定性和极端事件会给可再生能源的集成带来挑战，但通过升级分布式能源系统的设计方法有助于提高瑞典大多数主要城市的可再生能源集成水平，使其超过年需求量的30%。