舒印彪, 薛禹勝, 蔡 斌, 凌 文, 韓建國, 陳新宇, M. B. MCELROY

(1. 國家電網(wǎng)有限公司, 北京市100031; 2. 南瑞集團(tuán)(國網(wǎng)電力科學(xué)研究院)有限公司, 江蘇省南京市 211106;3. 智能電網(wǎng)保護(hù)和運(yùn)行控制國家重點(diǎn)實(shí)驗(yàn)室, 江蘇省南京市 211106; 4. 國家能源投資集團(tuán)有限責(zé)任公司, 北京市 100011;5. 哈佛大學(xué)工程與應(yīng)用科學(xué)學(xué)院, 劍橋 MA 02138, 美國)

0 引言

一個(gè)普遍的共識是:唯一確定的是不確定性(the only certainty is uncertainty)。長期以來,關(guān)于不確定性的討論已成為科學(xué)與工程技術(shù)領(lǐng)域最重要的問題之一[1-4]。

能源轉(zhuǎn)型不僅涉及與能源技術(shù)、氣候等相關(guān)的自然科學(xué),還涉及與能源經(jīng)濟(jì)、政策機(jī)制、人的行為等相關(guān)的社會(huì)科學(xué),是一個(gè)典型的需要在信息—物理—社會(huì)環(huán)境框架下考慮的能源(cyber-physical-social system in energy,CPSSE)問題[5-6]。

能源政策或能源企業(yè)戰(zhàn)略的制定依賴于能源轉(zhuǎn)型的分析結(jié)論。但由于信息及認(rèn)知的不足,能源轉(zhuǎn)型問題的相關(guān)決策者或研究者需面對大量的來自物理、經(jīng)濟(jì)、政策、行為等領(lǐng)域的不確定性因素。

仿真是能源轉(zhuǎn)型分析的基本研究方法,在問題提煉、模型構(gòu)建、參數(shù)設(shè)置、仿真實(shí)驗(yàn)、結(jié)果分析等各個(gè)研究階段均可能引入不確定性因素,并最終累積為結(jié)論的不確定性。

在不確定性情況下,研究人員或利益相關(guān)者感興趣的重要問題主要包括但不限于:①不確定性因素將如何影響給定的能源轉(zhuǎn)型方案的各項(xiàng)評估指標(biāo)?②哪些因素的影響較大而不可忽視?③在不同的可能性場景下,能源如何轉(zhuǎn)型?④何種能源轉(zhuǎn)型目標(biāo)與路徑是風(fēng)險(xiǎn)最優(yōu)的?⑤給定的某能源轉(zhuǎn)型方案在極端不確定性條件下的強(qiáng)壯性如何?⑥應(yīng)該如何施加干預(yù)措施來應(yīng)對這些不確定性以最大化收益或降低風(fēng)險(xiǎn)?

若無法有效地應(yīng)對不確定性因素以解答上述問題,則不僅會(huì)降低研究結(jié)論的科學(xué)性,更嚴(yán)重的后果是對實(shí)際的能源轉(zhuǎn)型帶來重大的潛在風(fēng)險(xiǎn),導(dǎo)致轉(zhuǎn)型的失敗[7]。

目前,幾乎所有的能源轉(zhuǎn)型研究均已涉及對不確定性因素的分析,文獻(xiàn)大多按引入環(huán)節(jié)將其分為參數(shù)與模型的不確定性[8-9]。主流的分析方法集中關(guān)注參數(shù)不確定性,包括:基于確定性模型的靈敏度分析[10]和多場景分析[11],以及隨機(jī)規(guī)劃[12]、模糊規(guī)劃[13]、區(qū)間規(guī)劃[14]等不確定性優(yōu)化模型。應(yīng)對模型不確定性的方法仍較少,包括:多準(zhǔn)優(yōu)解法[9]和多模型比較法[15]。

文獻(xiàn)[16-18]歸納了在水資源管理、環(huán)境與生態(tài)、能源等領(lǐng)域的不確定性分析中所采用的分析方法,分析了各種方法的優(yōu)缺點(diǎn)及其可應(yīng)對的不確定性因素。

然而,實(shí)際應(yīng)用中要求不確定性分析方法能夠保證在有限的計(jì)算量下得到可信的結(jié)論,當(dāng)前的研究并未很好地應(yīng)對上述挑戰(zhàn),主要不足包括:①僅能分析單個(gè)或少數(shù)幾個(gè)同時(shí)存在的不確定性因素,分析大量不確定性因素時(shí)面臨組合爆炸;②簡化處理已經(jīng)意識到的描述不確定性因素時(shí)的困難,而把重點(diǎn)放在后續(xù)的影響分析環(huán)節(jié)[19];③外部擾動(dòng)、利益相關(guān)者的行為等重要的不確定性因素被歸為參數(shù)的不確定性,而未區(qū)分其與背景型參數(shù)之間的差異,不利于開展針對性的分析以揭示其影響;④可完成不同分析任務(wù)的各類方法之間缺乏有效的融合(如靈敏度分析得到的信息未用于指導(dǎo)隨機(jī)規(guī)劃研究中的場景構(gòu)建),而結(jié)合多種方法來處理同時(shí)面臨的各類不同特點(diǎn)不確定性因素的研究則更為鮮見。

本文將討論能源轉(zhuǎn)型分析中各類不確定性因素的不同特點(diǎn);回顧各類已有的能源轉(zhuǎn)型不確定性分析方法;針對存在大量不同特點(diǎn)不確定性因素所帶來的實(shí)際困難,提出融合多種方法以兼顧計(jì)算量與準(zhǔn)確性的綜合分析框架。

1 不確定性因素的三個(gè)維度

1.1 不確定性的主客觀本質(zhì)

1.1.1不完善的知識

不同于微觀粒子本質(zhì)上的隨機(jī)性,宏觀尺度的世界被認(rèn)為是確定與可知的。不確定性的本質(zhì)是由于人們對關(guān)心的問題僅具備有限的知識(limited knowledge),即由認(rèn)知的不足導(dǎo)致了不確定性。即便是混沌系統(tǒng)也是由于初始條件的微小變化很難準(zhǔn)確刻畫,但本質(zhì)上仍是確定性的系統(tǒng)[20-22]。

有限的知識可能是因?yàn)樵搯栴}尚未得到很好的解答,也可能是已經(jīng)有了可靠的結(jié)論但特定的研究人員、團(tuán)體或機(jī)構(gòu)并不掌握該知識。

1.1.2主客觀本質(zhì)的分類

不確定性的主客觀本質(zhì)并沒有形成統(tǒng)一的分類方法。

諸多文獻(xiàn)將不確定性分為隨機(jī)不確定性(aleatory uncertainty)與認(rèn)知不確定性(epistemic uncertainty)[23-25]。其中,隨機(jī)性是指無法通過進(jìn)一步的研究和實(shí)證工作而得到消除(至少在短期內(nèi))的認(rèn)知不確定性。一個(gè)典型的例子是假設(shè)一枚擲向空中的均勻硬幣落地后出現(xiàn)正反面的情況是隨機(jī)的,概率各為50%。另一方面,則可以建立其結(jié)構(gòu)和空氣動(dòng)力學(xué)模型來預(yù)測擲向空中的硬幣的落地情況,但由于對機(jī)理不夠了解或只有少量的數(shù)據(jù),故在研究中假設(shè)其是隨機(jī)過程適用于對其進(jìn)行方便有效的建模與分析[26]。然而,此種分類方法中仍然使用認(rèn)知不確定性來命名除隨機(jī)性之外的不確定性,容易引起混淆。

文獻(xiàn)[27]將不確定性分為隨機(jī)性(random-ness)與模糊性(vagueness)。文獻(xiàn)[28]將不確定性分為隨機(jī)性、模糊性、不完全性、不穩(wěn)定性與不一致性,并強(qiáng)調(diào)隨機(jī)性與模糊性是最基本的。文獻(xiàn)[29]將不確定性分為隨機(jī)性、模糊性與粗糙性。

此外,由于包括科學(xué)詞匯在內(nèi)的自然語言具有多義性、含混性、依賴上下文、語義隨時(shí)間發(fā)生變化等特性,部分文獻(xiàn)提出應(yīng)將語言不確定性視作有別于認(rèn)知范疇的另一種不確定性[30-32]。其中,語義隨時(shí)間發(fā)生變化的一個(gè)例子是“energy transition”在20世紀(jì)早期主要出現(xiàn)在量子電動(dòng)力學(xué)(quantum electrodynamics)領(lǐng)域的研究中,而近年來則主要被用于表示能源系統(tǒng)結(jié)構(gòu)的長期轉(zhuǎn)型[33]。

限于篇幅,本文不對此問題展開,僅就隨機(jī)性與模糊性進(jìn)行介紹。

1.1.3隨機(jī)性

隨機(jī)性指結(jié)果與給定的場景之間沒有必然的對應(yīng)關(guān)系,或給定的場景的特征并不完整。隨機(jī)不確定性也常被稱為不可消除不確定性、客觀不確定性或外部不確定性等。

隨機(jī)不確定性的主要研究工具是概率論(probability theory)[34],當(dāng)前的能源轉(zhuǎn)型研究中采用過的概率分布包括正態(tài)分布、均勻分布、貝塔分布、三角分布等[35-36]。

1.1.4模糊性

模糊性是指由于事物本身概念不清楚或衡量事物的尺度不清楚,而造成分類的不確定性。模糊性是因?yàn)椤案拍睢彼鸬?是典型的由認(rèn)知不足導(dǎo)致的不確定性。模糊性也常被稱為可消除不確定性、主觀不確定性或內(nèi)部不確定性等。

模糊性的主要研究工具包括模糊集理論(fuzzy set theory)[37]、粗糙集理論(rough set theory)[38]、可能性理論(possibility theory)[39]、證據(jù)理論(evidence theory)[40]、信息間隙決策理論(information gap decision theory)[41]、區(qū)間分析(interval analysis)[42]等。

研究對象中的隨機(jī)和模糊性往往同時(shí)存在,并放大各自的影響。近年來出現(xiàn)了一些同時(shí)處理兩類不確定性的研究,其中,有些文獻(xiàn)將概率論與其他工具相結(jié)合[43],有些則嘗試通過單一的工具(如模糊集理論)來同時(shí)反映兩種不確定性因素[44]。

可獲取的知識和信息是研究者決定如何應(yīng)對不確定性因素的重要依據(jù)。但在具體問題中還需根據(jù)研究目標(biāo)、建模難度等方面進(jìn)行綜合權(quán)衡,因此,同一個(gè)不確定性因素在不同的研究中可能按隨機(jī)或模糊進(jìn)行處理[45]。

1.2 不確定性的來源

1.2.1模型與參數(shù)

1)模型

模型的不確定性可分為邊界和結(jié)構(gòu)的不確定性。

模型邊界的不確定性是指在界定所研究對象系統(tǒng)的邊界、設(shè)計(jì)概念和框架模型時(shí)面臨的不確定性,包括外部的經(jīng)濟(jì)、政治、社會(huì)、技術(shù)環(huán)境等。能源轉(zhuǎn)型問題極為復(fù)雜,為了保證研究的可操作性,不可能為所有涉及的環(huán)節(jié)均建立模型,必須確認(rèn)其邊界。若邊界不準(zhǔn)確,會(huì)影響后續(xù)所有環(huán)節(jié)的研究。

模型結(jié)構(gòu)的不確定性源于對系統(tǒng)的理解不夠充分,未能采用適當(dāng)?shù)臄?shù)學(xué)方程描述輸入量與變量、變量與變量、變量與輸出量之間的函數(shù)關(guān)系,無法準(zhǔn)確地反映實(shí)際系統(tǒng)間各要素之間的關(guān)系以及系統(tǒng)的整體動(dòng)態(tài)特性。模型構(gòu)建、校準(zhǔn)、校核、驗(yàn)證等環(huán)節(jié)均可能引入不確定性。

顯然,不同的研究人員對同一個(gè)實(shí)際問題可能抱有不同的看法,從而使用不同的模型。

2)參數(shù)

參數(shù)可分為模型參數(shù)和輸入?yún)?shù)。前者用于描述能源系統(tǒng)模型本身的結(jié)構(gòu)特性;后者是模型的輸入量,確定了研究所針對的具體工況(見1.2.2節(jié))。研究中涉及的參數(shù)種類以及參數(shù)所屬的環(huán)節(jié)依賴于模型的邊界及結(jié)構(gòu),同一個(gè)參數(shù)在一個(gè)模型中是輸入?yún)?shù),在另一個(gè)模型中可能是模型參數(shù)。

數(shù)據(jù)的采集測量、存儲(chǔ)、分析、處理、表示等環(huán)節(jié)均可引入不確定性,不僅包括歷史和現(xiàn)狀的數(shù)據(jù),還涉及對未來數(shù)據(jù)的預(yù)測或外推。由于關(guān)鍵性參數(shù)的不確定性對模型輸出結(jié)果及決策制定具有顯著的影響,需對這部分不確定性參數(shù)加以識別及分析。

參數(shù)的設(shè)置方法包括:①通用常數(shù),如自然常數(shù)、光速;②固定參數(shù),如標(biāo)煤的熱值、排放率等;③先驗(yàn)參數(shù),對于較難通過模型校準(zhǔn)來識別的參數(shù),將其設(shè)定為一個(gè)固定的不變量,如能源轉(zhuǎn)型過程中未來的貼現(xiàn)率、技術(shù)進(jìn)步率,這些參數(shù)往往屬于輸入?yún)?shù);④校準(zhǔn)參數(shù),沒有明確的先期研究作為參數(shù)設(shè)置依據(jù),需要通過比較模型的輸入/輸出結(jié)果與歷史統(tǒng)計(jì)數(shù)據(jù)來校準(zhǔn),這些參數(shù)往往屬于模型參數(shù)。其中,僅類型③和④存在不確定性。

1.2.2工況

能源轉(zhuǎn)型研究中確定工況的輸入?yún)?shù)均是表示相關(guān)變量未來幾十年動(dòng)態(tài)過程的時(shí)間軌跡,包括能源消費(fèi)量、能源價(jià)格、碳排放價(jià)格、常規(guī)的技術(shù)進(jìn)步率、新能源成本下降速度等;其不確定性可通過給定多條可能的時(shí)間軌跡及對應(yīng)的概率來表示。

統(tǒng)計(jì)數(shù)據(jù)、實(shí)證研究數(shù)據(jù)、專家啟發(fā)法等是常用的設(shè)置依據(jù)[19,46]。但很多情況下研究者不具備高質(zhì)量信息作為描述參數(shù)不確定性的依據(jù);即便那些有著充足歷史數(shù)據(jù)的參數(shù)(如石油價(jià)格),其統(tǒng)計(jì)規(guī)律也并不一定適用于未來場景。專家啟發(fā)法是缺乏統(tǒng)計(jì)和實(shí)證研究數(shù)據(jù)時(shí)可采用的高質(zhì)量的主觀性方法,但即便是專家亦不可避免地受到直覺推斷、認(rèn)知偏見、過度自信等因素的影響[47]。

但若無法合理確定參數(shù)及其不確定性的取值范圍及概率分布,將導(dǎo)致后續(xù)環(huán)節(jié)的分析結(jié)果并不具備對實(shí)際問題的指導(dǎo)意義。

多個(gè)參數(shù)間可能存在因果關(guān)系尚未明確的相關(guān)關(guān)系,從而互相加劇或抵消單個(gè)不確定性對結(jié)果的影響,若要考慮上述影響,則需開展多參數(shù)不確定性分析,問題將十分復(fù)雜。

1.2.3擾動(dòng)(或故障)

擾動(dòng)(或故障)包括核泄漏事件、政策劇變、非預(yù)期性的能源技術(shù)突破、能源價(jià)格大幅波動(dòng)等。擾動(dòng)的發(fā)生有時(shí)會(huì)極大地影響能源轉(zhuǎn)型的走勢。水力壓裂技術(shù)帶來的頁巖氣革命、福島核泄漏引起的部分國家的去核化等事件便是生動(dòng)的例子。

在仿真研究中,每個(gè)擾動(dòng)事件的描述可能需要包括:開始時(shí)刻、持續(xù)時(shí)間、幅度、發(fā)生地點(diǎn)、發(fā)生概率等。一次仿真中可設(shè)置多個(gè)擾動(dòng)。擾動(dòng)的設(shè)置依據(jù)與工況不確定性類似,但在信息質(zhì)量上往往更差,更加依賴于專家啟發(fā)法。

擾動(dòng)可在仿真開始前便設(shè)置完畢;在有真實(shí)人參與的實(shí)驗(yàn)經(jīng)濟(jì)學(xué)仿真中,還可在動(dòng)態(tài)的交互仿真過程中人為施加擾動(dòng)。

1.2.4觀點(diǎn)

觀點(diǎn)的不確定性是指針對同一個(gè)問題,可能存在不同的觀點(diǎn)。觀點(diǎn)也屬于認(rèn)知的范疇,但觀點(diǎn)的不確定性與認(rèn)知的不確定性間的差異在于:認(rèn)知的不確定性是指對于某個(gè)問題缺乏足夠的了解,屬于不確定性本質(zhì)的討論范疇;而觀點(diǎn)的不確定性則是對于同一個(gè)問題抱有不同的認(rèn)知或看法,屬于不確定性來源的討論范疇。

觀點(diǎn)的不確定性可以是知識本身的不確定性,即針對該問題暫未形成主流的共識,同時(shí)存在多個(gè)不同的研究結(jié)論,該種情況在各個(gè)學(xué)科領(lǐng)域都普遍存在。以評估能源技術(shù)對健康和環(huán)境的負(fù)面影響為例,文獻(xiàn)[48]比較了63份針對該問題的經(jīng)過同行評議的研究結(jié)果,單份研究均以很小的不確定性范圍給出了各類能源技術(shù)之間的相對順序,但各份研究中的排序并不一致,若綜合這些研究中各類能源技術(shù)的不確定性范圍,則能夠支持任何一種各類能源技術(shù)間的可能排序,即任何一種能源都可以被認(rèn)為是負(fù)面影響最小的技術(shù)。

觀點(diǎn)的不確定性也可以是對同一個(gè)可靠的知識抱有不同的認(rèn)知。原因可能包括:知識的表達(dá)與傳播方式不易理解、受眾(政府、工業(yè)界、組織機(jī)構(gòu)或民眾等)的理解能力與原有立場存在差異等。例如,在氣候變化研究領(lǐng)域最具權(quán)威性的政府間氣候變化專門委員會(huì)(IPCC)在其2013年發(fā)布的第五次評估報(bào)告中指出,有95%以上的把握認(rèn)為人類活動(dòng)是近50年全球氣候變化的主要原因[49],但奧巴馬和特朗普兩屆美國政府對于氣候變化及相關(guān)的政策持有截然相反的觀點(diǎn)。

不同的觀點(diǎn)將經(jīng)由不同的行為影響能源轉(zhuǎn)型。

1.2.5行為

如果人是完全理性的,則其行為的態(tài)度和偏好將是可預(yù)測的,從而不存在不確定性。但大量的觀察與實(shí)驗(yàn)結(jié)論均表明,實(shí)際生活中人的決策行為系統(tǒng)性地偏離新古典經(jīng)濟(jì)學(xué)中基于“理性人”假設(shè)做出的描述與預(yù)測,表現(xiàn)出“有限理性”的特點(diǎn)[50-52]。

政策制定者、能源供應(yīng)者、能源消費(fèi)者等參與者的行為是能源轉(zhuǎn)型的重要驅(qū)動(dòng)因素,行為的不確定性是能源轉(zhuǎn)型問題中不確定性的重要來源。因此,除了常規(guī)分析中所關(guān)注的因果型數(shù)據(jù)和無明確因果關(guān)系的統(tǒng)計(jì)型數(shù)據(jù)之外,能源轉(zhuǎn)型問題還需重點(diǎn)分析大量人的行為數(shù)據(jù),提煉相關(guān)的深層知識[53]。

行為的不確定性可表現(xiàn)為兩個(gè)方面:不同參與者的行為偏好存在差異;同一個(gè)參與者的行為偏好無法保持一致性,兩次面對同一個(gè)問題時(shí)可能做出不同的決策。

讓真實(shí)人參與仿真或?yàn)槠湫袨榻⒋砟Ｐ褪悄茉崔D(zhuǎn)型研究中兩類最主要的研究方法。一方面,參與者的決策量將以參數(shù)或擾動(dòng)的形式參與到仿真計(jì)算中,其不確定性會(huì)體現(xiàn)為仿真中參數(shù)或擾動(dòng)的不確定性;另一方面,由于人的行為難以用數(shù)學(xué)模型準(zhǔn)確描述,所以行為的不確定性還會(huì)體現(xiàn)為模型的不確定性。

不同于其他在仿真開始前便事先設(shè)置完畢的參數(shù)或擾動(dòng),行為的不確定性體現(xiàn)在交互博弈仿真的過程之中。

此外,人的行為必然受到其對某個(gè)問題所持觀點(diǎn)的影響,但觀點(diǎn)所代表的是參與者對某問題的認(rèn)知,行為則是將該認(rèn)知付諸于具體的行動(dòng),在此過程中可能由于消極的情緒、認(rèn)知的失調(diào)、受威脅的自尊、自律的失敗、排斥與歸屬、決策疲勞等原因而不能真實(shí)反映其所持的觀點(diǎn)[54]。

1.3 不確定性的認(rèn)知程度

目前,文獻(xiàn)中針對不確定性認(rèn)知程度的討論集中在隨機(jī)性方面。文獻(xiàn)[23]把對于隨機(jī)性的認(rèn)知程度分為:確定性(determinism)、統(tǒng)計(jì)型不確定性(statistical uncertainty)、場景型不確定性(scenario uncertainty)、意識到的無知(recognized ignorance)以及一無所知(total ignorance)。其中,統(tǒng)計(jì)型不確定性指可給出概率分布的不確定性,其命名源于該類不確定性可用統(tǒng)計(jì)學(xué)術(shù)語進(jìn)行描述;場景型不確定性指僅可給出不確定性的范圍,其命名源于該類不確定性常被刻畫成多個(gè)場景并逐個(gè)進(jìn)行研究。但上述命名方法無法明確地表示認(rèn)知的深淺程度。

本文對不確定性認(rèn)知程度的劃分參見表1。

表1 不確定性認(rèn)知程度的劃分Table 1 Classification of uncertainties based on cognitive level

確定性因素不存在不確定性,故只需開展確定性條件下的分析;一無所知的因素則由于不掌握任何信息而無法開展分析。因此,不確定性分析中重點(diǎn)關(guān)注可給出概率分布或區(qū)間的隨機(jī)性、可定性(量)區(qū)分的模糊性以及意識到的無知(下稱“無知”)。

由于只掌握很少一部分可供研究的信息(如歷史上僅有極少量的樣本及案例),針對無知的研究以假定場景下的確定性分析為主,對實(shí)際問題描述的準(zhǔn)確性可能不高。例如,研究由地震引起的核泄漏事故的影響至少需要解決如下子問題:該事故發(fā)生的可能性與強(qiáng)度,政府、企業(yè)、民眾等在事故后對能源技術(shù)的看法及其隨時(shí)間的變化情況,上述看法如何影響針對核電的政策,核電政策的變化如何影響能源企業(yè)的戰(zhàn)略等。歷史經(jīng)驗(yàn)表明這些因素對于能源轉(zhuǎn)型的發(fā)展趨勢往往有著驚人的影響能力。因此,盡可能多地探索可能的不確定性空間是分析中需堅(jiān)持的重要原則之一。

對于僅可給出區(qū)間的隨機(jī)性,有些文獻(xiàn)通過合理假設(shè)給出其概率分布。文獻(xiàn)[12,57]根據(jù)拉普拉斯準(zhǔn)則(Laplace criterion),在數(shù)據(jù)不足時(shí)為所有可能的低碳能源轉(zhuǎn)型場景賦予相等的概率。文獻(xiàn)[58]指出在缺乏數(shù)據(jù)的情況下,三角分布能夠較好地表示圍繞一個(gè)給定參數(shù)值的對稱和不對稱變化,文獻(xiàn)[36]在分析參數(shù)不確定性對英國低碳轉(zhuǎn)型路徑的影響時(shí),用三角分布描述各不確定性參數(shù)的概率分布。概率的精確值對于分析參數(shù)、擾動(dòng)、行為等不確定性因素的機(jī)理并不關(guān)鍵,但對評估其風(fēng)險(xiǎn)則至關(guān)重要。

模型的不確定性本質(zhì)上是因?yàn)槟Ｐ蜔o法反映實(shí)際系統(tǒng),從而給研究結(jié)果帶來不確定性。對于已經(jīng)構(gòu)建的模型,準(zhǔn)確性是更適用的評價(jià)指標(biāo),一般不采用“不確定性的認(rèn)知程度”對其進(jìn)行考察。

2 不確定性分析中的典型問題

根據(jù)所面臨的不確定性因素的差異,所針對的具體分析問題存在差異。若所有因素均是確定性的,則所研究的問題屬于給定場景下的確定性分析;若工況/故障/行為的不確定性可由概率分布來描述,則所研究的問題應(yīng)歸結(jié)為針對工況/故障/行為不確定性的風(fēng)險(xiǎn)分析。以此類推,若所研究的問題中包括了所有各類不同來源、不同主客觀本質(zhì)、不同認(rèn)知程度的不確定性因素,則所研究的問題變?yōu)獒槍λ胁淮_定性因素的綜合分析。不確定性分析中的典型問題可參見表2。

表2 不確定性分析中的典型問題Table 2 Typical research issues in uncertainty analysis

根據(jù)所研究問題的差異,需采用不同的分析方法。給定場景下的確定性分析是不確定性分析的基礎(chǔ),需首先解決。隨著所考慮不確定性因素的種類和數(shù)量的增加,分析的難度也不斷增加,針對所有不確定性因素的綜合分析的難度最大。不確定性分析方法的關(guān)鍵是識別最重要的不確定性因素并加以分析(即不關(guān)注不重要的因素),從而兼顧準(zhǔn)確性和計(jì)算量。

3 當(dāng)前的分析方法

3.1 主要方法及其應(yīng)用范圍

表3展示了當(dāng)前能源轉(zhuǎn)型研究中各類主要不確定性分析方法及其可應(yīng)對的不確定性。

表3 主要分析方法及其可應(yīng)對的不確定性Table 3 Major analysis approaches and the uncertainties that can be addressed

模糊規(guī)劃用于研究由模糊性導(dǎo)致的不確定性,通過隸屬函數(shù)來描述模糊性。區(qū)間規(guī)劃用于數(shù)據(jù)質(zhì)量無法達(dá)到獲取變量概率分布函數(shù)的情況,將這些變量處理成簡單的區(qū)間上下界。區(qū)間規(guī)劃常與模糊規(guī)劃、最大最小遺憾值規(guī)劃、隨機(jī)規(guī)劃等其他優(yōu)化理論結(jié)合用于應(yīng)對不確定性[59-60]。兩者在能源轉(zhuǎn)型領(lǐng)域的應(yīng)用仍然較少,后文不做展開。

3.2 靈敏度分析

靈敏度分析是基于確定性模型開展研究時(shí)最常用的量化分析參數(shù)(可包括模型參數(shù)、工況、擾動(dòng)和行為等,下同)不確定性影響的方法,可分為局部靈敏度分析與全局靈敏度分析[61]。不同認(rèn)知程度的不確定性因素均可采用靈敏度分析?！敖忉尅笔潜痉椒ǖ闹饕芯磕康?也可為“優(yōu)化”提供靈敏度信息。

局部靈敏度分析是目前應(yīng)用最廣泛的方法,其做法是依次在基準(zhǔn)值基礎(chǔ)上按指定的目標(biāo)方向改變目標(biāo)輸入?yún)?shù)值大小(固定其他參數(shù)),求取輸出參數(shù)的變化量,其比值即為指定參數(shù)的靈敏度指標(biāo)值。文獻(xiàn)[10]分析了燃料價(jià)格、融資成本等不確定性因素對給定的英國電力轉(zhuǎn)型路徑評估結(jié)果的影響。局部靈敏度分析能夠量化輸入?yún)?shù)對感興趣的輸出結(jié)果的影響,識別出很小的變動(dòng)就會(huì)對輸出結(jié)果有重大影響的關(guān)鍵性參數(shù),并可按影響程度對參數(shù)的重要性進(jìn)行排序,但不涉及參數(shù)變化的概率,也無法計(jì)及不同輸入?yún)?shù)之間的交互關(guān)系[62]。局部靈敏度分析法主要用于參數(shù)不確定性,也可用于模型結(jié)構(gòu)的不確定性[24]。

全局靈敏度分析則通過同時(shí)改變?nèi)舾蓚€(gè)輸入?yún)?shù)值來改進(jìn)局部靈敏度分析的不足,其分析過程為:先設(shè)置待分析參數(shù)的概率分布,隨后經(jīng)過大量的抽樣仿真(如Monte Carlo法),最后通過統(tǒng)計(jì)學(xué)方法來開展分析。但本方法的計(jì)算量會(huì)隨著參數(shù)數(shù)量及其可能的取值個(gè)數(shù)呈指數(shù)級增長[61]。文獻(xiàn)[36]基于多元回歸分析方法綜合分析了各項(xiàng)不確定性參數(shù)對英國實(shí)現(xiàn)碳減排目標(biāo)及能源轉(zhuǎn)型總成本的影響,識別出天然氣價(jià)格和生物質(zhì)能可獲得性是最關(guān)鍵的不確定性參數(shù)。

3.3 多場景分析

場景以研究對象的現(xiàn)狀為基礎(chǔ),通過一系列具有邏輯和內(nèi)部一致性的事件序列來描述研究對象未來可能或可以如何演化。由于單個(gè)場景無法準(zhǔn)確描述或預(yù)測未來的情況,需通過多場景分析探尋關(guān)于未來的不同可能性,通過透明的定量化方式展示可能的未來場景。

多場景分析方法基于確定性模型針對構(gòu)建的每個(gè)場景進(jìn)行分析,揭示可能的風(fēng)險(xiǎn)與契機(jī)。多場景分析能夠應(yīng)對因隨機(jī)性和模糊性所導(dǎo)致的工況、擾動(dòng)和行為方面的不確定性。“解釋、預(yù)測、推演”是本方法的主要研究目的。若能為各個(gè)場景的概率賦值并據(jù)此進(jìn)行風(fēng)險(xiǎn)評估,則多場景分析還可用于不確定性條件下的優(yōu)化,但目前未見相關(guān)報(bào)道。

文獻(xiàn)[11]的研究中分別為碳價(jià)格軌跡、低碳發(fā)電技術(shù)發(fā)展軌跡、消費(fèi)者心態(tài)設(shè)置2種可能情況,并據(jù)此構(gòu)建了8種場景。文獻(xiàn)[8]的研究中分別為5種低碳技術(shù)設(shè)置2種可能的發(fā)展趨勢,并據(jù)此構(gòu)建了32種場景。

亦有研究進(jìn)行定性化的場景分析,或稱為“故事線”(storyline)。但由于故事線易脫離能源轉(zhuǎn)型的實(shí)際情況,缺乏可復(fù)現(xiàn)性及透明性,將故事線與定量化的仿真模型相結(jié)合已經(jīng)成為新的發(fā)展趨勢[63]。

對于無法給出概率分布、區(qū)間的隨機(jī)性因素,或者無法定性(量)區(qū)分的模糊性因素,多場景分析是最常用的方法。但在設(shè)置具體場景時(shí)往往缺乏明確的客觀依據(jù),具有很強(qiáng)的主觀性。

由于研究者往往容易錯(cuò)誤估計(jì)能源技術(shù)突破、重大的政治或社會(huì)事件等因素,因此,實(shí)際應(yīng)用中很少出現(xiàn)“出乎意料”的能源轉(zhuǎn)型場景,即分析結(jié)果很少超出趨勢外推的范疇,從而很難最大限度地探尋未來的不同可能性,容易偏離使用本方法的初衷[24]。

3.4 隨機(jī)規(guī)劃

隨機(jī)規(guī)劃方法主要用于研究被處理為隨機(jī)不確定性的因素,通過改變參數(shù)取值構(gòu)建不同的場景并為各場景的發(fā)生概率賦值,在不確定性條件下得到滿足其優(yōu)化目標(biāo)(一般取為期望經(jīng)濟(jì)代價(jià)最小)的轉(zhuǎn)型決策。使用隨機(jī)規(guī)劃方法時(shí),需給出隨機(jī)因素的概率分布。

各研究中所采用的隨機(jī)規(guī)劃模型大多屬于MARKAL/TIMES系列,如UK-MARKAL[12]，Danish TIMES[64]，TIAM-World(TIMES integrated assessment model)[65]。

文獻(xiàn)[12]根據(jù)英國政策制定者所關(guān)注的不確定性因素以及文獻(xiàn)[66]中所識別的關(guān)鍵性不確定性因素,分別針對燃料價(jià)格和生物質(zhì)能進(jìn)口量的不確定性優(yōu)化能源轉(zhuǎn)型決策。但該研究所針對的兩項(xiàng)不確定性因素未經(jīng)過嚴(yán)格的重要性排序，影響了能源轉(zhuǎn)型優(yōu)化決策的有效性。

基于隨機(jī)模型開展的研究中所計(jì)及的不確定因素還包括風(fēng)電的間歇性與電力價(jià)格隨機(jī)性的聯(lián)合影響[64]、技術(shù)進(jìn)步[65]、能源價(jià)格[67]等。

隨機(jī)規(guī)劃模型受限于“維數(shù)災(zāi)”問題,一般僅考慮少量的不確定性因素。

3.5 多準(zhǔn)優(yōu)解

多準(zhǔn)優(yōu)解法,也被稱為MGA(modeling to generate alternatives)法,用于應(yīng)對模型不確定性。其基本思想是:由于能源轉(zhuǎn)型優(yōu)化模型很難計(jì)及政治可行性、社會(huì)公平等政策制定者非常重視的因素,因此,優(yōu)化模型求取的單個(gè)最優(yōu)解往往不是實(shí)際決策中采用的轉(zhuǎn)型方案,理想的方案更可能位于解空間中的其他區(qū)域[9]。該方法基于一定的規(guī)則在最優(yōu)解的基礎(chǔ)上通過人為增加松弛量等方式修改優(yōu)化模型的目標(biāo)函數(shù)和約束條件,求取一組可行的但在結(jié)構(gòu)上與最優(yōu)解有著很大差異的準(zhǔn)最優(yōu)解作為備選。產(chǎn)生準(zhǔn)最優(yōu)解的常用方法有雙重描述(double description)法[68]、Hop-Skip-Jump方法[69]等。

模型的使用者(一般是政策制定者)將所有備選準(zhǔn)最優(yōu)解間重疊的部分作為必須實(shí)施的決策(must-haves)、均未包括的部分作為必須避免的決策(must-avoids)、差異部分則作為需要進(jìn)一步仔細(xì)研究的決策(real choices)[70]。

該方法的局限性包括:松弛量的設(shè)定具有主觀性,且對結(jié)果有重大影響;不同于靈敏度分析和多場景分析方法,無法獲取參數(shù)變化對輸出結(jié)果的影響,直觀性差;無法針對生成的不同備選解給出概率信息。因此,更為可行的做法是將該方法視作現(xiàn)有方法的補(bǔ)充,用于校驗(yàn)現(xiàn)有不確定性條件下優(yōu)化方案的魯棒性[9]。

3.6 多模型比較

基于不同能源模型的結(jié)果之間可能存在非常大的差異。多模型比較法能夠得到針對相同場景的多個(gè)不同的解,并據(jù)此識別出多個(gè)解中的共性,鑒別輸入?yún)?shù)、模型差異與輸出結(jié)果的差異之間的關(guān)系。

能源與環(huán)境領(lǐng)域的多模型比較始于由斯坦福大學(xué)于1976年發(fā)起的Energy Modelling Forum(EMF),到目前為止已經(jīng)進(jìn)行了共計(jì)34個(gè)國際性的項(xiàng)目,涉及的議題包括:電力、石油、煤炭、天然氣、能源效率、氣候變化等[15]。類似的項(xiàng)目還包括歐盟的AMPERE[71],亞洲的AME[72]等。

然而,這些模型間的比較研究僅關(guān)注如何識別不同模型間的差異,而不關(guān)注如何評估和改進(jìn)單個(gè)模型在結(jié)構(gòu)上的不確定性。

近年來,出現(xiàn)了一些討論應(yīng)對模型結(jié)構(gòu)不確定的研究,但相比更為成熟的參數(shù)不確定性分析方法,這些方法仍有待實(shí)際復(fù)雜問題的檢驗(yàn)[73]。

3.7 行為不確定性的分析方法

長期以來,能源轉(zhuǎn)型政策依賴于能源、工程、經(jīng)濟(jì)等領(lǐng)域的跨學(xué)科合作,但與社會(huì)學(xué)、政治學(xué)、心理學(xué)等其他學(xué)科合作以更好地分析參與者行為則一直處于主流研究之外或僅作為給定的假設(shè)條件(如“理性選擇”[74]),而試圖討論或反思與行為不確定性相關(guān)的政策失靈的研究則往往遭遇更大的阻力[75]。

目前的研究中共有3類計(jì)及行為的方法:①涵蓋參與者行為的能源轉(zhuǎn)型故事線;②建立參與者的行為模型;③真實(shí)人參與仿真。

能源轉(zhuǎn)型故事線由關(guān)鍵性參與者共同討論形成,定性地界定了技術(shù)—經(jīng)濟(jì)仿真需遵循的場景。行為的不確定性體現(xiàn)為形成多條存在差異的故事線,但在該方法下人的行為不與技術(shù)—經(jīng)濟(jì)模型發(fā)生動(dòng)態(tài)交互。

參與者的行為模型可與技術(shù)—經(jīng)濟(jì)模型進(jìn)行動(dòng)態(tài)交互仿真,允許不同參與者的行為偏好存在差異,但在整個(gè)仿真過程中每個(gè)參與者的行為偏好均是確定的。文獻(xiàn)[75]基于名為BLUE的技術(shù)—經(jīng)濟(jì)—行為模型,比較了三類碳排放價(jià)格政策場景(高、中、低),以及三類不同的參與者決策行為模式(對新技術(shù)成本差異以及先期投資的敏感性不同)所驅(qū)動(dòng)的9個(gè)能源轉(zhuǎn)型場景,分析了非理性行為的影響。

基于實(shí)驗(yàn)經(jīng)濟(jì)學(xué)的方法論,將能源轉(zhuǎn)型問題中的客觀能源系統(tǒng)、外部環(huán)境等能夠用數(shù)學(xué)模型表達(dá)的環(huán)節(jié)構(gòu)成客觀實(shí)驗(yàn)環(huán)境,由真實(shí)實(shí)驗(yàn)人與實(shí)驗(yàn)環(huán)境進(jìn)行互動(dòng),行為不確定性的影響便可反映在實(shí)驗(yàn)結(jié)果之中。但真實(shí)人參與仿真也帶來了新的挑戰(zhàn),例如,分析參數(shù)靈敏度或搜索優(yōu)化解時(shí)必然需要進(jìn)行反復(fù)仿真,但是,一方面難以長期占用大量合格的真實(shí)人參與仿真,另一方面真實(shí)人難以保證在反復(fù)仿真中保持態(tài)度與偏好的“一致性”(coherent),從而影響靈敏度分析結(jié)果的可比性或優(yōu)化的收斂性。

文獻(xiàn)[5]結(jié)合計(jì)算經(jīng)濟(jì)學(xué)與實(shí)驗(yàn)經(jīng)濟(jì)學(xué)的優(yōu)點(diǎn),提出了一種融合技術(shù)—經(jīng)濟(jì)—行為統(tǒng)計(jì)學(xué)模型—真實(shí)參與者的混合仿真方法。由于融合了行為統(tǒng)計(jì)學(xué)模型與真實(shí)參與者,故能夠更好地反映能源轉(zhuǎn)型中關(guān)鍵性利益相關(guān)者的決策行為。其中,行為模型的建立基于對行為數(shù)據(jù)的挖掘分析,并確保模型的輸出與特定參與者群體的行為在統(tǒng)計(jì)學(xué)上保持一致。為此,盡管在每次具體仿真中單個(gè)參與者的行為模式存在不確定性,但整個(gè)群體行為的概率分布是確定的,從而可以用代理模型代替大量真實(shí)參與者的行為,開展反復(fù)的實(shí)驗(yàn)經(jīng)濟(jì)學(xué)仿真[76]。

此外,由于能源轉(zhuǎn)型涉及的時(shí)間尺度長達(dá)幾十年,參與者的行為模式極可能隨時(shí)間發(fā)生變化,故還需對群體行為的概率分布隨時(shí)間的變化開展研究。

4 建議的綜合分析框架

上文所介紹的各類分析方法的適用范圍均局限于某些類型的不確定性因素。在面對大量特點(diǎn)各異的不確定性因素時(shí),無法兼顧分析的精度與速度。

圖1描述了本文所建議的針對各類不確定性因素在來源、主客觀本質(zhì)、認(rèn)知程度等方面的不同特點(diǎn),融合多種分析方法的不確定性綜合分析框架。主要包括以下部分。

1)按特點(diǎn)對不確定性因素歸類。針對待分析的不確定性因素,依次按照其在來源、本質(zhì)、認(rèn)知程度方面的特點(diǎn)進(jìn)行歸類。模型不確定性直接基于多準(zhǔn)優(yōu)解(3.5節(jié))和多模型比較法(3.6節(jié))進(jìn)行分析。模型參數(shù)、工況、擾動(dòng)、行為(觀點(diǎn)體現(xiàn)在行為中)的不確定性按其本質(zhì)被歸為隨機(jī)性或模糊性。隨機(jī)性按認(rèn)知程度被分為可給出概率分布、可給出區(qū)間以及(意識到的)無知。模糊性按認(rèn)知程度被分為可定性(量)區(qū)分以及無知,其中前者可通過模糊數(shù)學(xué)等各種分析工具進(jìn)行分析,后文不做展開。

2)期望工況下的隨機(jī)性因素篩選。基于期望工況,針對可給出概率分布的隨機(jī)性因素進(jìn)行單因素的快速風(fēng)險(xiǎn)評估,并根據(jù)設(shè)置的風(fēng)險(xiǎn)閾值將其區(qū)分為高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn);針對可給出區(qū)間的隨機(jī)性因素進(jìn)行單因素的敏感性分析,并根據(jù)主觀設(shè)置的閾值將其區(qū)分為高敏感性和低敏感性。由于因素?cái)?shù)量較多,本階段將采用盡量簡單的模型以減少計(jì)算量。

高風(fēng)險(xiǎn)因素將用于后續(xù)的風(fēng)險(xiǎn)優(yōu)化;低風(fēng)險(xiǎn)因素將用于優(yōu)化方案的風(fēng)險(xiǎn)校核;高敏感性因素將用于優(yōu)化方案的強(qiáng)壯性校核;低敏感性因素則被歸為非關(guān)鍵性因素而無需開展后續(xù)分析。

篩選過程為后續(xù)分析環(huán)節(jié)保留了關(guān)鍵性因素以顧及準(zhǔn)確性,由于無需再處理非關(guān)鍵性因素從而大大減少了計(jì)算量。風(fēng)險(xiǎn)或敏感性閾值的設(shè)置帶有主觀性,實(shí)際分析中按對于優(yōu)化效果和計(jì)算量的偏好來選取閾值。閾值越高,則形成的有代表意義的確定性場景數(shù)量越少,故計(jì)算量越小,但優(yōu)化效果變差。

3)多不確定性因素下的風(fēng)險(xiǎn)優(yōu)化。包括以下3個(gè)子任務(wù):①基于高風(fēng)險(xiǎn)因素形成有代表意義的確定性場景并計(jì)算其所反映的概率;②計(jì)算各確定性場景下所關(guān)心的能源轉(zhuǎn)型方案的評估指標(biāo);③基于風(fēng)險(xiǎn)的評估結(jié)果聚合或能源轉(zhuǎn)型方案優(yōu)化;其中,任務(wù)1和3緊密相關(guān),任務(wù)2是與不確定性相對獨(dú)立的確定性分析問題。

在任務(wù)3中若僅用各場景發(fā)生的概率(而不計(jì)及轉(zhuǎn)型代價(jià))對評估結(jié)果加權(quán)統(tǒng)計(jì),則退化為概率性分析,僅能考慮能源轉(zhuǎn)型方案下實(shí)現(xiàn)所關(guān)心指標(biāo)(如清潔能源占比發(fā)展目標(biāo)或碳減排目標(biāo))的概率,無法反映能源轉(zhuǎn)型方案的風(fēng)險(xiǎn)代價(jià)。對于能源轉(zhuǎn)型優(yōu)化問題,概率指標(biāo)僅能作為約束條件,無法協(xié)調(diào)經(jīng)濟(jì)性和清潔性(或低碳性)?；陲L(fēng)險(xiǎn)代價(jià)的優(yōu)化則同時(shí)包含了能源轉(zhuǎn)型對清潔性和經(jīng)濟(jì)性的要求,可以協(xié)調(diào)經(jīng)濟(jì)性和清潔性。

文獻(xiàn)[77]指出由于模型與參數(shù)不確定性同時(shí)存在以及很多參數(shù)無法做出可信的描述,將經(jīng)濟(jì)代價(jià)最優(yōu)作為研究目標(biāo)所得到的結(jié)果往往與現(xiàn)實(shí)中的能源轉(zhuǎn)型狀況相去甚遠(yuǎn)。然而,上述批評并不能否定轉(zhuǎn)型方案優(yōu)化能夠?qū)φ吲c戰(zhàn)略的制定提供最重要的支撐作用,也無法否定隨機(jī)規(guī)劃等優(yōu)化算法本身的價(jià)值。所需要改進(jìn)的是通過進(jìn)一步的研究來努力改進(jìn)對不確定性信息的掌握程度,以及在形成用于方案優(yōu)化的場景時(shí)格外慎重以避免使用不可靠的信息。

對于發(fā)生概率很小(往往意味著很難準(zhǔn)確估計(jì)其概率)但代價(jià)很大的擾動(dòng)事件,也應(yīng)該嘗試給出概率的大概范圍、即使僅是數(shù)量級尺度的估計(jì),并據(jù)此開展風(fēng)險(xiǎn)分析。類似的嘗試均有利于提高研究價(jià)值,改進(jìn)對轉(zhuǎn)型決策的支撐。

篩選后的場景數(shù)量已經(jīng)有效減少,故本階段的分析中可采用較為詳細(xì)的模型,以提高分析的準(zhǔn)確性。但能源轉(zhuǎn)型優(yōu)化是典型的非線性問題,其優(yōu)化過程往往需要大量的迭代,考慮到計(jì)算速度方面的約束,仍不應(yīng)采用過于詳細(xì)的模型。

4)針對優(yōu)化方案的風(fēng)險(xiǎn)校核與強(qiáng)壯性校核。由于待校核優(yōu)化方案可能與期望工況有很大的差異,在低風(fēng)險(xiǎn)因素所形成的某些校核場景下,該方案的風(fēng)險(xiǎn)可能超過風(fēng)險(xiǎn)閾值,故應(yīng)考慮將該部分場景加入風(fēng)險(xiǎn)優(yōu)化的場景集中,并重新優(yōu)化方案,重復(fù)上述迭代過程直至所有高風(fēng)險(xiǎn)場景均已被計(jì)及。作為分析的最后一個(gè)階段,應(yīng)盡可能采用最詳細(xì)的模型以準(zhǔn)確評估待校核優(yōu)化方案。

本分析框架中,依次針對經(jīng)篩選后的高風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)、高敏感性因素進(jìn)行分析,在每個(gè)環(huán)節(jié)均將其他不確定性因素處理為確定值(期望值、中值、或明晰量等),從而有效減少了每個(gè)環(huán)節(jié)因不確定性因素?cái)?shù)量過大所導(dǎo)致的計(jì)算量負(fù)擔(dān)。通過逐漸詳細(xì)化的模型,以保證分析結(jié)果的準(zhǔn)確性。

值得指出的是,并非所有的不確定性分析均需包括上述所有環(huán)節(jié)。例如,若需回答“某參數(shù)取值的不確定性將如何影響給定的能源轉(zhuǎn)型方案的經(jīng)濟(jì)代價(jià)?”,則僅需采取靈敏度分析或多場景分析即可完成分析任務(wù)。

5 結(jié)語

能源轉(zhuǎn)型分析是一類面臨大量不確定性因素的復(fù)雜問題。一方面,不確定性因素在來源、主客觀本質(zhì)、認(rèn)知程度三個(gè)方面存在差異,不可能采用某種單一的分析方法來應(yīng)對所有的不確定性因素。另一方面,不確定性因素?cái)?shù)量龐大,若在分析時(shí)遍歷所有的可能情況會(huì)面臨場景數(shù)量的組合爆炸。現(xiàn)有的各類分析方法均未能有效應(yīng)對上述挑戰(zhàn)。

本文所提出的綜合分析框架中針對隨機(jī)性與模糊性分別選取不同的分析方法。針對不同特點(diǎn)的大量隨機(jī)性因素,先后通過基于簡單模型的關(guān)鍵性因素篩選、較詳細(xì)模型的風(fēng)險(xiǎn)優(yōu)化以及詳細(xì)模型的強(qiáng)壯性校核,兼顧了分析結(jié)論的計(jì)算量與準(zhǔn)確性。針對模糊性則根據(jù)其是否可定性或定量地區(qū)分而采用模糊集理論等多種方法進(jìn)行分析。

能源轉(zhuǎn)型涉及領(lǐng)域非常廣、數(shù)據(jù)需求特別大,但研究者能夠掌握的往往只是很少一部分可供研究的信息,尤其是關(guān)于未來的信息。增加實(shí)證研究可獲取更多信息,但不確定性不可能被完全消除。在信息不完備的情況下,結(jié)合有效合理的假設(shè),基于本文所提出的綜合分析框架仍可提升研究結(jié)論的價(jià)值、增強(qiáng)對政策或戰(zhàn)略決策的支撐能力。

本系列文章討論了能源轉(zhuǎn)型分析的要素、研究范式、不確定性等方面,詳細(xì)的研究仍在進(jìn)行。

參 考 文 獻(xiàn)

[1] ROWE W D. Understanding uncertainty [J]. Risk Analysis, 1994, 14(5): 743-750.

[2] VAN ASSELT M, ROTMANS J. Uncertainty in integrated assessment modelling: from positivism to pluralism [J]. Climatic Change, 2002, 54(1/2): 75-105.

[3] ROCQUIGNY E, NICOLAS D, STEFANO T. Uncertainty in industrial practice: a guide to quantitative uncertainty management[M]. Chichester, UK: John Wiley&Sons, Ltd, 2008.

[4] 鞠平,劉詠飛,薛禹勝,等.電力系統(tǒng)隨機(jī)動(dòng)力學(xué)研究展望.[J].電力系統(tǒng)自動(dòng)化,2017,41(1):1-8.DOI:10.7500/AEPS20160530011.

JU Ping, LIU Yongfei, XUE Yusheng, et al. Research prospects for stochastic dynamics of power system[J]. Automation of Electric Power Systems, 2017, 41(1): 1-8. DOI: 10.7500/AEPS20160530011.

[5] 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.

[6] 舒印彪,薛禹勝,蔡斌,等.關(guān)于能源轉(zhuǎn)型分析的評述:(一)轉(zhuǎn)型要素與研究范式[J].電力系統(tǒng)自動(dòng)化,2018,42(9):1-15.DOI:10.7500/AEPS20180417008.

SHU Yinbiao, XUE Yusheng, CAI Bin, et al. A review of energy transition analysis: elements and paradigms[J]. Automation of Electric Power Systems, 2018, 42(9): 1-15. DOI: 10.7500/AEPS20180417008.

[7] PFENNINGER S, HAWKES A, KEIRSTEAD J. Energy systems modeling for twenty-first century energy challenges[J]. Renewable and Sustainable Energy Reviews, 2014, 33(2): 74-86.

[8] FAIS B, KEPPO I, ZEYRINGER M, et al. Impact of technology uncertainty on future low-carbon pathways in the UK[J]. Energy Strategy Reviews, 2016, 13-14: 154-168.

[9] DECAROLIS J F. Using modeling to generate alternatives (MGA) to expand our thinking on energy futures[J]. Energy Economics, 2011, 33(2): 145-152.

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

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

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

[13] SADEGHI M, HOSSEINI H M. Energy supply planning in Iran by using fuzzy linear programming approach regarding uncertainties of investment costs[J]. Energy Policy, 2006, 34(9): 993-1003.

[14] DONG C, HUANG G H, CAI Y P, et al. An interval-parameter minimax regret programming approach for power management systems planning under uncertainty[J]. Applied Energy, 2011, 88: 2835-2845.

[15] Stanford University. Energy modeling forum[EB/OL]. [2017-12-20]. https://emf.stanford.edu/projects.

[16] VAN DER SLUIJS J P, JANSSEN P H M, PETERSEN A C, et al. RIVM/MNP guidance for uncertainty assessment and communication: tool catalogue for uncertainty assessment[EB/OL]. [2017-12-20]. http://www.nusap.net/downloads/toolcatalogue.pdf.

[17] REFSGAARD J C, VAN DER SLUIJS J P, H?JBERG A L, et al. Harmoni-CA guidance: uncertainty analysis[EB/OL]. [2017-12-20]. http://www.harmoni-ca.info/toolbox/docs/Harmoni-ca_Guidance_1_Uncertainty_Analysis.pdf.

[18] MIRAKYAN A, DE GUIO R. Modelling and uncertainties in integrated energy planning[J]. Renewable and Sustainable Energy Reviews, 2015, 46: 62-69.

[19] MORET S, CODINA G V, BIERLAIRE M, et al. Characterization of input uncertainties in strategic energy planning models[J]. Applied Energy, 2017, 202: 597-617.

[20] GLEICK J. Chaos: making a new science[M]. Penguin, London, UK. 1989.

[21] STEWART I. Does God play dice? the mathematics of chaos[M]. London, UK: Blackwell. 1989.

[22] SUGIHARA G, GRENFELL B, MAY R M, et al. Distinguishing error from chaos in ecological time[J]. Philosophical Transactions of the Royal Society London, Series B: Biocogical Sciences, 1990, 330(25): 235-251.

[23] WALKER W E, HARREMOES P, ROTMANS J, et al. Defining uncertainty: a conceptual basis for uncertainty management in model-based decision support [J]. Integrated Assessment, 2003, 4(1): 5-17.

[24] SKINNER D J C, ROCKS S A, POLLARD S J T, et al. Identifying uncertainty in environmental risk assessments: the development of a novel typology and its implications for risk characterization[J]. Human and Ecological Risk Assessment, 2014, 20(3): 607-640.

[25] DAVIES G, PRPICH G, STRACHAN N, et al. UKERC energy strategy under uncertainties: identifying techniques for managing uncertainty in the energy sector, working paper[EB/OL]. [2017-12-20]. http://ukerc.rl.ac.uk/UCAT/PUBLICATIONS/Identifying_Techniques_Managing_Uncertainty_Energy_Sector_Working_Paper.pdf.

[26] BAECHER G B, CHRISTIAN J T. Natural variation, limited knowledge, and the nature of uncertainty in risk analysis[C]// Proceedings of the 19th united engineering foundation conference on risk-based decision-making in water resources, October 15-20, 2000, Santa Barbara, US.

[27] 薛禹勝,雷興,薛峰,等.關(guān)于風(fēng)電不確定性對電力系統(tǒng)影響的評述[J].中國電機(jī)工程學(xué)報(bào),2014,34(29):5029-5040.

XUE Yusheng, LEI Xing, XUE Feng, et al. A review on impacts of wind power uncertainties on power systems [J]. Proceedings of the CSEE, 2014, 34(29): 5029-5040.

[28] 李德毅,劉常昱,杜鹢,等.不確定性人工智能[J].軟件學(xué)報(bào),2004,15(11):1583-1594.

LI Deyi, LIU Changyu, DU Yi, et al. Artificial intelligence with uncertainty[J]. Journal of Software, 2004, 15(11):1583-1594.

[29] 劉寶旋,彭錦.不確定理論教程[M].北京:清華大學(xué)出版社,2005.

[30] REGAN H M., COLYVAN M, BURGMAN M A. A taxonomy and treatment of uncertainty for ecology and conservation biology[J]. Ecological Applications, 2002, 12(2): 618-628.

[31] ASCOUGH J C , MAIER H R, RAVALICO J K, et al. Future research challenges for incorporation of uncertainty in environmental and ecological decision-making [J]. Ecological Modelling, 2008, 219(3/4): 383-399.

[32] NORTON J P, BROWN J D, MYSIAK J. To what extent, and how, might uncertainty be defined? comments engendered by “defining uncertainty: a conceptual basis for uncertainty management in model-based decision support”[J]. Integrated Assessment, 2006, 6(1): 83-88.

[34] DANTZIG G B. Linear programming under uncertainty[J]. Management Science, 1955, 1(3/4): 197-206.

[35] TOCK L, MARéCHAL F. Decision support for ranking Pareto optimal process designs under uncertain market conditions[J]. Computers and Chemical Engineering, 2015, 83: 165-175.

[36] PYE S, SABIO N, STRACHAN N. An integrated systematic analysis of uncertainties in UK energy transition pathways[J]. Energy Policy, 2015, 87: 673-684.

[37] ZADEH L A. Fuzzy sets[J]. Information and Control. 1965, 8: 338-353.

[38] PAWLAK Z I. Rough sets[J]. International Journal of Computer and Information Sciences, 1982, 11(8): 41-356.

[39] DUBOIS D. Possibility theory and statistical reasoning[J]. Computational Statistics & Data Analysis, 2006, 51(1): 47-69.

[40] SHAFER G. A mathematical theory of evidence[M]. New Jersey, US: Princeton University Press, 1976.

[41] BEN-HAIM Y. Info-gap decision theory: decisions under severe uncertainty[M]. 2nd ed. Oxford, UK: Academic Press, 2006.

[42] MOORE R E, KEARFOTT R B, CLOUD M J. Introduction to interval analysis[M]. Philadelphia, US: Society for Industrial and Applied Mathematics, 2009.

[43] BAUDRIT C, COUSO I, DUBOIS D. Joint propagation of probability and possibility in risk analysis: towards a formal framework[J]. International Journal of Approximate Reasoning, 2007, 45(1): 82-105.

[44] HE Y Y, MIRZARGAR M, KIRBY R M. Mixed aleatory and epistemic uncertainty quantification using fuzzy set theory[J]. International Journal of Approximate Reasoning, 2015, 66: 1-15.

[45] DER KIUREGHIAN A, DITLEVSEN O. Aleatory or epistemic? does it matter?[J]. Structural Safety, 2009, 31: 105-112.

[46] USHER W, STRACHAN N. An expert elicitation of climate, energy and economic uncertainties[J]. Energy Policy, 2013, 61: 811-821.

[47] MORGAN M G, KEITH D W. Improving the way we think about projecting future energy use and emissions of carbon dioxide[J]. Climatic Change, 2008, 90(3): 189-215.

[48] STIRLING A. Science, precaution, and the politics of technological risk: converging implications in evolutionary and social scientific perspectives[J]. Annals of the New York Academy of Sciences, 2008, 1128: 95-110.

[49] The Core Writing Team, PACHAUR R K, MEYER L. Climate change 2014: synthesis report[R]. Geneva, Suitzerland: IPCC, 2014: 151p.

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

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

[52] The Royal Swedish Academy of Sciences. Richard H. Thaler: integrating economics with psychology[EB/OL]. [2017-12-10]. https://www.nobelprize.org/nobel_prizes/economic-sciences/laureates/2017/advanced-economicsciences2017.pdf.

[53] 薛禹勝,賴業(yè)寧.大能源思維與大數(shù)據(jù)思維的融合:(一)大數(shù)據(jù)與電力大數(shù)據(jù)[J].電力系統(tǒng)自動(dòng)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.

[54] WILKINSON N, KLAES M. An introduction to behavioral economics, second edition[M]. London, UK: Palgrave Macmillan, 2012.

[55] 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.

[56] MORRIS C, PEHNT M. Energy transition: The German energiewende[EB/OL]. [2017-12-10]. https://book.energytransition.org/sites/default/files/etbook/v2/en/German-Energy-Transition_en.pdf.

[57] LOULOU R, LABRIET M, KANUDIA A. Deterministic and stochastic analysis of alternative climate targets under differentiated cooperation regimes[J]. Energy Economics, 2009, 31(2): S131-S143.

[58] BIEGLER L, BIROS G, GHATTAS O, et al. Large-scale inverse problems and quantification of uncertainty[M]. Chichester, UK: John Wiley and Sons, 2011.

[59] HU Q, HUANG G H, CAI Y P, et al. Feasibility-based inexact fuzzy programming for electric power generation systems planning under dual uncertainties[J]. Applied Energy, 2011, 88: 4642-4654.

[60] LI Y F, LI Y P, HUANG G H, et al. Energy and environmental systems planning under uncertainty-an inexact fuzzy-stochastic programming approach[J]. Applied Energy, 2010, 87: 3189-3211.

[61] SALTELLI A, RATTO M, ANDRES T, et al. Global sensitivity analysis: the primer[M]. Chichester, England: John Wiley&Sons, 2008.

[62] SALTELLI A, ANNONI P. How to avoid a perfunctory sensitivity analysis[J]. Environmental Modelling&Software, 2010, 25(12): 1508-1517.

[63] 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.

[64] SELJOM P, TOMASGARD A. Short-term uncertainty in long-term energy system models-a case study of wind power in Denmark[J]. Energy Economics, 2015, 49: 157-167.

[65] LABRIET M, KANUDIA A, LOULOU R. Climate mitigation under an uncertain technology future: a TIAM-World analysis[J]. Energy Economics, 2012, 34 (3): S366 - S377.

[66] USHER W, STRACHAN N. UK MARKAL modelling-examining decarbonisation pathways in the 2020s on the way to meeting the 2050 emissions target[EB/OL]. [2017-12-20]. http://downloads.theccc.org.uk.s3.amazonaws.com/4th Budget/CCC MARKAL Final Report - UCL Nov10.pdf.

[67] KREY V, MARTINSEN D, WAGNER H. Effects of stochastic energy prices on long term energy-economic scenarios[J]. Energy, 2007, 32 (12): 2340-2349.

[68] TRUTNEVYTE E. EXPANSE methodology for evaluating the economic potential of renewable energy from an energy mix perspective[J]. Applied Energy, 2013, 111: 593-601.

[69] BRILL E D, CHANG S, HOPKINS L D. Modeling to generate alternatives: the HSJ approach and an illustration using a problem in land use planning[J]. Management Science, 1982, 28(3): 221-235.

[70] VOLL P, JENNINGS M, HENNEN M, et al. The optimum is not enough: a near-optimal solution paradigm for energy systems synthesis[J]. Energy, 2015, 82: 446-456.

[71] KRIEGLER E, RIAHI K, BAUER N, et al. Making or breaking climate targets: the AMPERE study on staged accession scenarios for climate policy[J]. Technological Forecasting and Social Change, 2015, 90: 24-44.

[72] CALVINA K, CLARKEA L, KREY V, et al. The role of Asia in mitigating climate change: results from the Asia modeling exercise[J]. Energy Economics, 2012, 34(3): 251-260.

[73] REFSGAARD J C, VAN DER SLUIJS J P, BROWN J, et al. A framework for dealing with uncertainty due to model structure error[J]. Advances in Water Resources, 2006, 29(11): 1586-1597.

[74] SOVACOOL B K. What are we doing here? analyzing fifteen years of energy scholarship and proposing a social science research agenda[J]. Energy Research&Social Science, 2014, 1: 1-29.

[75] 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.

[76] 薛禹勝, 賴業(yè)寧.大能源思維與大數(shù)據(jù)思維的融合:(二)應(yīng)用及探索[J].電力系統(tǒng)自動(dòng)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.

[77] TRUTNEVYTE E. Does cost optimization approximate the real-world energy transition?[J]. Energy, 2016, 106: 182-193.