基于多學科協同理論的可再生能源消納責任權重測算方法

陳荃，吳科成，曲毅，何春庚，黃彬彬，謝敏

(1．廣東電網有限責任公司，廣州市 510699；2．華南理工大學電力學院，廣州市 510640)

0 引 言

為貫徹深入推進能源生產、消費革命和電力體制改革總體要求，充分調動各方利用可再生能源的積極性，2018年3月、2018年9月、2018年11月，國家能源局形成了三版《關于實行可再生能源電力配額制的通知》(征求意見稿)。2019年5月，國家發展改革委、國家能源局聯合提出建立健全可再生能源電力消納保障機制，核心是確定各省級區域的可再生能源電量在電力消費中的占比目標，即“可再生能源電力消納責任權重”。2020年2月29日，國家發改委辦公廳、國家能源局綜合司要求各省要按照國家明確的消納責任權重，對行政區域內承擔消納責任的各市場主體，明確其最低可再生能源電力消納責任權重，并按責任權重進行考核。

可再生能源電力消納保障機制在2020年初正式生效并進入考核階段，由國家能源部門確定各省(自治區、直轄市)可再生能源電力占全社會用電量的比重指標，各省級能源主管部門牽頭承擔落實責任，制定本省級區域的可再生能源電力消納實施方案，并將方案報省級人民政府批準后實施。由國家下發的可再生能源消納責任權重(以下簡稱權重)主要根據各地區可再生能源裝機占比、利用小時數與歷史可再生能源發電量等因素確定，并未從可再生能源在當地的實際建設和在電網中的運行情況等角度進行更為細致和準確的統籌考慮以及進行權重值的優化。大規模具有隨機性與波動性特征的可再生能源并網消納對現有的電力系統調節能力、火電機組深度調峰以及靈活爬坡提出了更高的要求[1]。如果權重指標的設定未考慮上述因素，不僅會提高電網運行成本，而且會增加新的能源消耗和碳排放，從而造成可再生能源消納的負擔。所以必須從全局出發，綜合考慮地區能源稟賦差異、可再生能源投運對當地電網系統所提出的靈活性、經濟性需求，以及對全網碳排放帶來的影響等多種因素，系統、科學、優化地設定權重指標。通過更為細致和準確的權重指標計算，更為高效地挖掘地區電網可再生能源消納的能力和潛力，發覺該地區可再生能源消納的瓶頸，為后續電網規劃方案、運行策略提供改進措施，真正落實可再生能源電力消納，實現節能減排以及能源低碳轉型的發展目標。

與我國可再生能源消納責任權重相對應的是國外可再生能源配額，配額總量目標的確定方法各不相同[2]，例如，英國按照各地區經濟發展水平設定不同配額指標[3]，日本根據各地網架堅強情況，通過在配額指標前乘網架堅強系數分配不同指標[4]，意大利則對不同發電企業設定相同的配額指標[5]。配額總量優化方面，文獻[6]通過評估政策和社會發展，探索到2020年荷蘭可再生電力生產的可行性部署，就經濟效益、生態可持續性和生態穩定性，分析不同因素對配額目標的影響，指出配額目標能否實現。文獻[7]提出了一種混合整數線性規劃模型，建立發電成本最低的優化模型，在滿足特定的CO2排放目標下對國家發電方案進行優化規劃。文獻[8]通過考慮電價、發電成本、發電量、碳排放量等影響因素，研究在提高可再生能源利用及減少碳排放量的目標下，可再生能源配額制相對可再生能源生產稅抵政策更具有效益。

目前，國內學者針對可再生能源電力消納保障機制頒布的指標測算大多從設立多個場景以及多重目標來進行統籌優化。文獻[9]結合可再生能源消納責任權重政策的中長期目標，在設置不同場景可再生能源權重目標的前提下，考慮了電力傳輸技術的投資成本、運營維護成本等各類成本的學習效應，建立了電力行業多區域優化模型，比較并分析了多場景下可再生能源消納目標的最優技術演進路徑，進而根據各類機組裝機的演進路徑計算可再生能源發電比例，該文獻雖然充分探討和研究了電力傳輸技術下配額制政策的中長期影響，但缺乏對實際電力系統運行的模擬，并沒有對可再生能源并網所產生的波動風險進行描述和討論。而文獻[10-11]均采用多重目標規劃模型進行定量分析，針對電力消費量、非化石能源消耗、CO2排放建立子目標函數，測算在不同場景下的可再生能源消納目標值，其中，文獻[10]側重于GDP、能源消費量、CO2排放量及電力消費等參數的預測及確定，文獻[11]則在考慮非化石能源消費結構和電力消費的前提下，將可再生能源配額比例分為固定比例和浮動比例，并按照各省市區的可再生能源資源稟賦狀況確定浮動比例大小，權重指標的設定更具有靈活性，但針對電網的實際運行考慮較為粗略，僅采用調整率一個指標進行描述。文獻[12]基于雙目標節能調度模型的可再生能源消納保障機制福利效果分析方法，建立了在煤耗最小化的前提下成本最小的雙目標節能調度模型，分析比較不同比例下機組運行所需的各類成本，得到當可再生能源比例從10%增大到20%時單位降耗成本最低的結論。文獻[13]則利用可再生能源發電的裝機容量和單位投資成本數據，在最低單位機組投資成本下的場景得到可再生能源發電的學習曲線模型，通過對GDP、總裝機容量、小水電成本等參數進行擬合與預測，來測算可再生能源消納目標值。

綜上所述，目前國內外研究均有從多個角度對再生能源的消納目標值進行建模，但大多是基于宏觀角度對未來的數據進行擬合與預測，并未考慮實際可再生能源并網后對電網產生的沖擊和影響，其工程應用仍有待完善。本文引入多學科協同優化理論，設置電網運行綜合成本最優的系統目標函數，從安全約束最優經濟調度、靈活輔助市場提供缺額容量以及不同發電企業碳配額購買限制的角度建立3個并行子學科，分別體現可再生能源電力消納的經濟性、對電網安全可靠性影響以及碳排環保效益3個方面的社會意義；通過系統級目標與子學科目標互相迭代收斂的方式實現最優成本的測算，從而計算出適合該地區的可再生能源消納權重指標。本文所提的可再生能源消納權重最優值測算方法針對可再生能源在當地的實際建設和在電網中的運行情況等角度進行更為細致和準確的統籌考慮，并從經濟、安全以及環保等多角度進行權重值的優化。該測算理論已在某實際省級電力系統獲得工程應用。

1 多學科協同優化理論

本文所采用的多學科協同優化理論(multidisciplinary collaborative optimization, MCO)是一種二級多學科設計優化算法(multidisciplinary design optimization，MDO)，該算法由美國國家航空航天局(National Aeronautics and Space Administration，NASA)高級研究院的Sobieszczanki-Sobieski提出，該方法克服了傳統設計優化問題容易忽略各個子系統之間內在聯系的問題，并最初在當時的航空優化領域獲得工程應用[14]。MCO理論的核心思想是將原來復雜的設計優化問題按照學科或者其他標準分解為層次式的二級優化結構：頂層，即系統級優化問題；底層，即子學科優化問題。該理論具有良好的學科自治性和并行計算能力，目前已在減速器、衛星、潛艇、船舶以及飛行器[15-19]等復雜系統的整體設計和優化方面得到了廣泛的應用。在MCO理論中，首先根據系統級優化問題傳下來的設計變量目標對各子學科優化問題進行求解，然后將各子學科優化問題的優化結果返回到系統級，系統級優化問題根據這些優化結果形成一致性等式約束以解決各個子學科之間耦合變量的偏差問題，繼而通過頂層和底層問題的不斷迭代，最終求出系統級優化問題的最優解。其數學模型可以表達如下。

系統級優化模型為：

minF

(1)

(2)

子學科i優化模型為：

(3)

s.t.ci(xi)≤0

(4)

MCO算法框架如圖1所示。可見，在MCO算法中，系統級用以解決各個子學科之間耦合變量的偏差問題，子學科級則用以實現復雜設計優化問題的解耦及各個部分的優化工作，最后通過兩級之間設計變量反復迭代直至收斂的方式得到最優解。文獻[20]對MCO問題的收斂性進行了論證。

圖1 多學科協同優化算法概念Fig.1 The concept map of multidisciplinary collaborative optimization

MCO對比其他優化算法具有以下優點：

1)多學科協同算法可以將復雜的設計優化問題分解為簡單的子學科問題，從而降低大型設計優化模型的求解維度以及計算難度和計算時間，尤其適用于求解大規模復雜優化問題；

2)當設計優化模型中探討的問題被分解為子學科問題后，可以更為獨立、自由地分析討論各子學科問題的模型建立，并將各個領域中已經成熟的優化技術移植到子學科模型中，不僅體現了優化求解的繼承性，也提高了優化計算的效率；

3)多學科的各個子學科問題可以用來表示具有特定設計的工程與特定的實際物理部件，具備模塊化設計的優勢，便于組織管理。

2 可再生能源消納責任權重指標測算模型

如上所述，多學科理論對于含多種類型的大規模復雜優化問題尤為適合。可再生能源消納責任權重測算問題涉及系統運行、規劃、碳排放等多個領域，且須考慮經濟性、靈活可靠性性、環保生態特性等多種類復雜約束，適合采用多學科協同優化理論進行求解。

風光等可再生能源電力具有清潔、零燃料成本的巨大優勢，但其出力的隨機波動性會導致電網中燃煤、燃氣等可控機組的頻繁啟停和深度調峰運行，從而可能造成系統燃料費用額外增加、系統靈活性下降、碳排放量升高等負面影響，當可再生能源滲透率較高時，這些方面的影響將不容忽視，也將成為規劃可再生能源電力消納的重要因素。因此，有必要從提高系統運行經濟性和靈活可靠性，降低碳排放提高環保效益等多個角度，建立可再生能源電力消納最優權重測算模型。本文選取電力系統總燃料費用、可再生能源并網后導致的系統靈活輔助爬坡容量缺額，以及碳配額購置成本3項指標作為可再生能源消納責任最優權重的優化目標。本文提出如下的可再生能源電力消納權重指標的多學科協同優化模型。

2.1 系統級權重計算模型

系統級優化目標即為測算模型各個子學科所涉及領域的總成本最小，根據計算模型的搭建及子學科問題的選取，總成本應包括子學科1中的傳統機組煤炭消耗成本和各機組運行成本，子學科2中將靈活爬坡缺額容量乘以懲罰系數視作的因可再生能源并網造成靈活爬坡容量缺額應付出的成本，子學科3中目前實施的碳配額分配方案下系統須付出的碳配額購買成本，目標函數如式(6)所示。式(7)為各個子學科迭代收斂的一致性約束。

(6)

(7)

2.2 子學科1: 安全約束最優經濟調度

安全約束最優經濟調度的子學科目標函數為靠近系統分配下來的設計變量的最小平方和。

(8)

1)系統負荷平衡約束。對于每個t時段，負荷平衡約束可以描述為：

(9)

式中：PLoad(t)為t時段的系統負荷。

2)機組出力上下限約束。機組的出力應該處于其最大/最小出力范圍之內，其約束條件可以描述為：

(10)

式中：PGi,max和PGi,min分別表示常規機組i的最大有功出力和最小有功出力。

3)機組爬坡約束。機組上爬坡或下爬坡時，均應滿足爬坡速率要求。爬坡約束可描述為：

(11)

式中：rui和rdi分別表示常規機組i的爬坡率和滑坡率；Tr為時間段。

4)系統備用容量約束。在確保系統功率平衡的前提下，為了防止系統負荷預測偏差以及各種實際運行事故帶來的系統供需不平衡波動，一般整個系統需要留有一定的容量備用。

(12)

式中：γ表示系統備用容量系數，為系統備用容量要求。

5)線路有功潮流約束。線路潮流約束可以描述為：

|Pmn(t)|≤Pmn,max

(13)

式中：Pmn(t)表示節點m到節點n的傳輸線路在t時段的有功功率；Pmn,max表示節點m到節點n的傳輸線路的有功功率上限。

6)斷面潮流約束。考慮關鍵斷面的潮流約束，該約束可以描述為：

(14)

式中：kline表示關鍵輸電斷面k所包含的線路條數；Pk,j(t)表示關鍵輸電斷面k中第j條線路在t時段傳輸的有功功率；Pcut,max(k)表示關鍵輸電斷面k的有功潮流上限。

2.3 子學科2：靈活輔助市場缺額容量測算

為滿足系統凈負荷變動而進行爬坡和滑坡的能力，傳統機組須提供靈活爬坡輔助服務。系統爬坡和滑坡能力要求如圖2所示。點A代表t0時刻調度凈負荷，點B代表t1時刻的凈負荷，點A至點B為凈負荷在此時段的波動性。考慮到間歇性可再生能源發電出力固有的不確定性，在預測凈負荷時，需要預留一定裕度，點C和點D分別為t1時刻的調度點對應的凈負荷波動上下限，則點A至點C、D為系統的向上爬坡與向下滑坡能力[21]。

圖2 系統爬坡和滑坡能力要求Fig.2 Requirements on system capability for climbing and landslide

以此建立靈活輔助市場缺額容量規劃的子學科目標函數為：

(15)

對系統級分配的設計變量目標進行靈活爬坡容量校驗，首先計算各運行時段系統的靈活性需求：

(16)

式中：FRU(t)和FRD(t)分別表示系統在t時段向上、向下靈活性需求；w1%和w2%分別為風電預測誤差與光電預測誤差。

然后計算系統是否存在靈活容量缺額：

(17)

式中：RUGi(t)和RDGi(t)分別為機組i在t時段所提供的上調、下調旋轉備用容量。當某時段向上/向下靈活性容量需求大于0時，說明此時段系統靈活性不足，需要在該時段引入靈活爬坡產品[22]。

在模型所對應的時段中加入以下3個靈活爬坡約束：

1)靈活爬坡需求約束。該時段系統所有常規機組所能提供的靈活爬坡容量總和應大于系統在該時段的靈活性需求乘以上浮系數，這是因為受線路阻塞的影響，在實際運行中所預留的爬坡容量不一定能夠交付：

(18)

式中：SRUi(t)和SRDi(t)分別為常規機組i在t時段所能提供的靈活爬坡容量；ηU和ηD分別為上調、下調靈活爬坡容量上浮系數，該值的設置根據靈活爬坡容量歷史交付率計算。

2)靈活爬坡上下限約束。對靈活爬坡的容量設置上下限，約束為：

(19)

3)靈活爬坡速率約束。靈活爬坡與滑坡速率存在約束：

(20)

1.1對象 選擇2013年某焦化廠接噪工人1126例作為研究對象,男性866人、女性260人,研究對象年齡為18~60歲,平均27歲,作業工齡1~45年,平均工齡2年,將他們分為吸煙組(566)和不吸煙組(對照組)(560人),均通過問卷調查排除耳毒性藥物、傳染病、外傷、各種中耳性疾病,遺傳因素等非職業性致聾因素。

2.4 子學科3：碳配額購置測算

碳配額購置規劃的子學科目標函數為：

(21)

根據某省2019年度碳排放配額分配實施方案的相關細則，碳配額發放先按前一年度產量計算及發放預配額，再根據經核查核定的當年實際產量計算及發放最終核定配額。配額實行部分免費發放和部分有償發放，其中，電力企業的免費配額比例設為95%。

子學科3中除子學科1列出的基本網絡與機組特性約束以外，根據碳配額發放的相關規定增加煤/氣電的碳配額約束：

(22)

控排機組在配額注冊登記系統獲得免費配額后，可視需要購買有償配額，原則上應不超過該年度控制的配額有償發放總量β。

本文中αi的設定由不同控排機組的機組碳排放系數及該類型機組年利用小時數決定，其中機組碳排放系數設定參照電力行業歷年基準值。

αi=μiTi/365

(23)

式中：μi為機組碳排放系數；Ti為不同類型機組的年利用小時數。

2.5 可再生能源消納權重的計算

在規定時段內，如1 a，將上述系統級與子學科級間反復迭代直至滿足收斂條件的結果進行統計，可再生能源機組的電量占所有機組總電量的比重即為所求可再生能源消納權重值，非水可再生能源機組的電量占所有機組總電量的比重為所求非水可再生能源消納權重值。計算公式為：

(24)

(25)

2.6 計算流程

圖3 可再生能源消納責任權重計算流程Fig.3 Flow chart of model calculation for optimal index of renewable energy

3 算例分析

3.1 IEEE 118節點系統算例

對IEEE 118節點系統進行多學科模型測算分析。IEEE 118系統24 h的總用電量為116 574.08 MW·h，各時刻的負荷出力曲線如圖4所示。該系統共接入57臺發電機組，包括34臺煤電機組，裝機容量為2 910 MW；9臺氣電機組，裝機容量為2 720 MW；3臺水電機組，裝機容量為700 MW；10個風電場，裝機容量為750 MW；1臺光伏機組，裝機容量為60 MW。節點4、6、8等節點處接入煤電機組；10、12、25等節點處接入氣電機組，80、87等節點處接入水電機組；30和38、100、103、104、105、107、110、111和112節點分別接入風電場；光伏場接入節點114。部分風電場與光伏場預測出力如圖5所示。

設置風電與光伏預測誤差為25%，上調備用需求系數為7%，下調備用需求系數為5%，靈活爬坡上浮系數為1.1，收斂精度為0.001。有償碳配額總量按照控排機組全部碳配額總量的5%給定。碳配額購買按政策保留價取為25.84元/t。變量初始值為各類機組出力上下限的平均值。

圖4 IEEE 118節點測試系統負荷曲線Fig.4 Load curve of IEEE 118-node test system

圖5 典型日部分風電場及光伏場預測出力Fig.5 Forecast output of typical daily part of wind farm and photovoltaic field

基于多學科優化協同理論對可再生能源消納責任權重模型進行測算，選取具有代表性的水電、氣電、煤電機組，其24 h的出力結果如圖6所示。

圖6 典型機組出力結果Fig.6 The results of typical unit outputs

由圖6可得，典型煤電機組、燃氣機組以及水電機組的出力曲線根據負荷需求的變化，調節自身出力，各類機組在滿足機組出力限制以及系統運行需求的前提下，滿足了系統的經濟性需求。統計各機組24 h內電量總和的比重如表1所示。

表1 各機組總電量的比重表Table 1 Percentage of total electricity of each unit

從各機組總電量的結果可以得到以24 h作為時間長度下的該118節點系統的可再生能源權重指標及非水可再生能源權重指標分別為22.36%與9.03%。成本及模型計算迭代次數如表2所示。

表2 多學科優化計算結果Table 2 Results of multidisciplinary optimization

模型在迭代3次后得到收斂，收斂精度在0.001以內。說明模型具有良好的收斂性。

1)可再生能源滲透率的敏感性分析。

為進一步分析可再生能源并網對權重指標測算結果的影響，以風電場作為可再生能源機組代表，通過改變風電場數量更改可再生能源滲透率，對最終可再生能源消納權重指標的變化進行比較分析，表3為不同可再生能源滲透率下的權重指標結果，其中可再生能源滲透率為可再生能源裝機容量占所有機組總裝機容量的占比，原IEEE 118節點測試系統中的可再生能源滲透率為21.15%。

表3 不同滲透率下權重指標結果Table 3 Results of weight index under different permeability

由表3可以看到，在可再生能源滲透率不斷提高的前提下，模型測算得到的可再生能源權重指標的增加趨勢有所減緩，這是由于可再生能源的不確定性和變化性容易造成系統的靈活爬坡缺額，導致靈活爬坡缺額懲罰費用不斷增加，所以即使增加風機的并網，因為可再生能源的波動與不確定性以及傳統機組爬坡的局限性，仍需要可再生能源限電以滿足靈活爬坡需求，所以可再生能源權重指標并不會隨著可再生能源滲透率的增加而不斷增長。

2)本文所提MCO算法與其他方法的對比分析。

為了驗證本文所提方法的尋優能力，設置不同收斂精度，并將基于MCO算法的模型測算結果與傳統集中式優化算法(即系統級與子學科模型構成統一模型并集中求解)的尋優結果進行分析對比，優化對比結果如表4所示。

表4 2種方法的優化結果對比Table 4 Comparison of optimization results between the two methods

對比不同收斂精度下的基于MCO算法的模型與基于集中式優化法的測算結果得到，當收斂精度設置為0.000 1時，MCO算法模型測算得到的總成本為287.919萬元，且在繼續縮小收斂精度后不變，說明該結果為MCO算法模型下的最優解，略優于傳統集中式優化法的最優成本288.354萬元。

本文所采用的MCO算法本質上為分布式優化算法，其各個子學科是可以并行計算的。為了體現協同優化算法在解決可并行性問題上能夠改善計算效率的優勢，采用gams網格計算工具對本文模型進行并行計算與串行計算的對比，得到收斂精度設置為0.001下的耗時結果，如表5所示。

表5 不同計算方法的耗時對比Table 5 Comparison of time consuming of different calculation methods

由表5可見，MCO算法下并行測算耗費時間要遠小于串行計算，略大于集中式優化法。這說明，本文所采用的各子學科并行的MCO在改善計算效率上具有一定的優勢。當優化問題的規模增大，對計算速度和處理能力有更高的要求時，并行計算的優勢將會進一步凸顯。

此算例驗證了基于MCO算法的可再生能源權重指標測算模型的有效性，對系統的網架約束與機組特性約束進行了充分考慮，符合實際調度的需要，同時通過調整傳統可調度機組的出力對風電、光伏這類可再生能源因預測偏差導致的靈活容量缺額進行補充，最后考慮碳配額實行背景下的控排約束，在合理設置收斂精度的前提下，測算得到權重指標的同時給出了不同節點上機組的最優調度結果，實現了最優成本的目標函數，具有良好的收斂性，同時，通過與傳統集中式優化法測算結果的對比，驗證了該算法具有更好的尋優能力，通過與串行計算的耗時對比，證明MCO的子學科采用并行計算模式在提高計算效率上的優勢。

3.2 某省實際電網算例

為進一步驗證本文所提模型及算法的實用性，以某省級電網為例，該系統共有368臺機組，總裝機容量為129 903 MW，其中核電機組14臺，燃煤機組134臺，燃氣機組133臺；可再生能源中水電機組35臺，生物質能機組50臺，風電、光伏按日出力總量分別換算成1臺機組。因不同季節天氣差異較大，風光以及水電出力也會存在明顯的波動，故選取春夏秋冬4個典型日，4個典型日對應的負荷曲線如圖8所示。該年全社會用電量為7.776 1億MW·h。設置風電、光伏預測誤差為25%，上調備用需求系數、下調備用需求系數以及靈活爬坡上浮系數等參數設置同節3.1節，收斂精度設置為0.000 01。外省送入電中61.94%為可再生能源發電量，0.947%為非水電量。

圖7 4個典型日下的總負荷曲線Fig.7 Total load curves for four typical days

采用本文所提的多學科優化模型對各典型日仿真測算，并采用式(24)—(25)對2020年可再生能源消納責任權重指標進行測算。

基于上述測算條件對該省不同典型日內各機組一天的出力結果進行統計，并換算成4個季節各類型機組電量、比重及成本結果如表6所示。由4個季節成本結果得到該省全年綜合運行總成本費用為699.947 48億元。

表6 各類型機組電量、比重及成本Table 6 Electricity, percentage and cost of each type of unit in four seasons

可再生能源及非水可再生能源消納責任權重分別為28.28%和4.10%。該測算結果對比2020年國家下發值的總量28.5%、非水4.5%偏低。原因是本文采用的多學科理論考慮了可再生能源機組出力預測誤差、安全約束經濟調度需求、靈活輔助服務市場缺額容量需求以及碳排放需求等多個因素，充分模擬了風電、光伏這類隨機波動性電源接入電網，在提供清潔能源的同時也造成了燃氣、燃煤等大量靈活可控機組因平衡風光的隨機不平衡功率而形成的額外費用，故計算所得的權重值相對能源局下發的值偏悲觀。

4 結 論

在加快構建清潔低碳、安全高效的能源體系，促進可再生能源開發利用，健全可再生能源電力消納保障機制的背景下，本文提出基于MCO理論的可再生能源消納責任權重計算方法，綜合考慮網架拓撲結構下的安全約束經濟調度，靈活輔助服務市場缺額容量以及控排要求，通過設定最優綜合成本的系統目標進行系統學科與子學科之間的循環迭代，滿足收斂精度后得到模型最優解。

本文通過IEEE 118節點系統算例驗證了所提模型的有效性，證明其有良好的尋優能力、計算效率與收斂效果。同時，在實際省級電網的電源結構及網架拓撲基礎上，對4個典型日下該省應消納的可再生能源責任權重進行測算，得到可再生能源與非水可再生能源比例分別為28.28%與4.10%，分析說明因可再生能源的波動會給電網運行帶來新的風險，大量可再生能源并網也會導致傳統可控機組因平衡風光的隨機不平衡功率而產生額外費用。本文提出的模型從全局出發，綜合考慮了地區實際網架與運行情況，在鼓勵綠色能源發展的同時也考慮到現階段可再生能源并網的困難性，為更加系統科學地設定可再生能源消納權重目標值提供了新的思路。