1.引言

今天，全球正处于应对气候变化、加速能源转型的关键时刻。构建不依赖化石燃料的100%清洁电力系统，已从远景目标转变为紧迫的现实任务。在众多技术路径中，一种极致的零碳电力组合——即完全由核能、风能和太阳能构成的系统——引发了学界和业界的广泛讨论。这种组合的理论优势在于，它结合了能量密度极高且持续稳定的核能，以及资源丰富、成本持续下降的风光可再生能源 。

然而，这种理想化的系统也带来了前所未有的挑战。风能和太阳能的发电出力具有固有的间歇性、波动性和随机性，随着其在电网中渗透率的提高，对电力系统的稳定运行、电力电量平衡和供电可靠性构成了巨大压力。与之相对，核能以其高容量因子和稳定输出，被视为维持电网稳定的“压舱石” 。

因此，一个根本性的问题摆在了能源系统规划者的面前：在一个仅由核电和风光发电组成的未来电力系统中，核电的装机容量占比应该设定为多少才是最优的？

这个问题的答案远非一个简单的数字。占比过低，意味着系统需要依赖天量规模的储能设施来应对风光发电的长期（季节性）和短期（日内）波动，这可能导致系统总成本和对资源的消耗急剧上升。而占比过高，则可能意味着系统灵活性不足，无法经济地消纳所有可用的风光电力，导致“弃风弃光”现象，并可能因为核电站高昂的初始投资而推高整体电力成本 。

本研究报告旨在构建一个全面、系统化的分析框架，用以回答上述核心问题。我们将超越传统的、基于单一发电源成本的比较，而是从整个电力系统的角度出发，综合考量技术可行性、经济合理性、供电可靠性和电网稳定性，详细论述确定核电最优占比的科学方法论。

2.核心能源特性的互补与制约

要确定核电的合理占比，首先必须理解构成该系统的三种能源的本质特性。它们的差异既是系统互补性的基础，也是规划与运行复杂性的根源。

2.1 核能：稳定可靠的基荷电源

核能发电最显著的特征是其卓越的稳定性和可靠性。核电站一旦启动，便可以长时间（通常超过一年）连续不断地以接近满功率的状态运行，其年利用小时数可高达7000-8000小时，远超陆上风电约 2000-2600 小时，海上风电约 3500-4000 小时；集中式光伏约 1200-1600 小时，分布式光伏约 1000-1400 小时。这种“7x24小时”全天候的发电能力使其成为理想的基荷电源，为社会经济活动提供了一个坚实、可预测的电力基础。

从电网物理特性来看，核电站采用大型同步发电机组，其巨大的旋转质量为电网提供了宝贵的同步惯量。惯量是电网抵御频率突变的第一道防线，对于维持电网频率的稳定至关重要。在高比例可再生能源渗透的电网中，由于风机和光伏逆变器本质上是电力电子设备，缺乏物理惯量，系统总惯量会显著下降，频率稳定性面临严峻挑战。因此，核电的存在本身就是对电网稳定性的重要贡献。

然而，传统核电也存在局限性。首先是其灵活性相对较差。历史上，核电站被设计为在恒定功率下运行以实现最高经济效益，其功率调节（即“负荷跟踪”）的速度和范围有限，频繁的功率变化会增加燃料和部件的机械应力，并可能影响经济性 。尽管现代核电技术（如法国的核电机组和未来的小型模块化反应堆SMRs）已经具备了更强的灵活性 但这仍然是系统规划中必须考虑的一个重要约束。其次，核电站的初始建设成本（CAPEX）极高，建设周期长，这构成了其主要的经济性挑战。

2.2 风光发电：间歇性与波动性的挑战

与核能相反，风能和太阳能是典型的间歇性能源。它们的出力完全依赖于自然资源——风速和光照强度，因此具有以下几个显著特点：

• 波动性：在分钟到小时级别，风光出力会随着天气变化而剧烈波动。

• 日内周期性：光伏发电仅在白天存在，夜间为零，呈现明显的昼夜模式。风力发电在某些地区也可能呈现日内或夜间的出力规律。

• 季节性：风光资源通常存在季节性变化，例如，许多地区夏季光照强而冬季风力大，或者反之。这种季节性的不匹配可能导致长达数周甚至数月的能源盈余或短缺。

• 不可预测性：尽管气象预测技术不断进步，但风光出力的精准预测仍然存在误差，给电网的实时调度带来不确定性。

• 低惯量：如前所述，风机和光伏通过逆变器并网，本身不提供物理同步惯量，这会削弱电网的稳定性。

这些特性意味着风光发电是“靠天吃饭”的非调度电源，无法像核电那样根据用电需求来调整出力。当风光大发时，系统需要有足够的负荷或储能来消纳电力；当风光出力不足时，系统必须有其他可靠的电源来填补电力缺口 。

2.3 系统互补性的理论基础

正是核电与风光发电在特性上的巨大差异，构成了构建稳定零碳系统的理论基础。一个设计合理的系统可以实现以下互补：

1.基础保障与机会利用：核电提供一个恒定的、不受天气影响的电力“底座”，确保无论在任何天气条件下，医院、关键基础设施和居民基本生活用电都能得到保障。风光发电则作为“机会能源”，在其可用时以极低的边际成本（燃料成本为零）大规模发电，满足大部分的用电需求 。

2.长短周期平衡：核电的持续出力特性使其特别适合用于应对风光发电的季节性或跨周期的缺口。例如，在持续数周的“静稳无风”天气下，依赖电池等短时储能是远远不够的，而核电可以持续不断地填补这一巨大的能量缺口。

3.稳定性支撑：核电的同步发电机为以逆变器为主的电网提供必要的惯量和短路容量，维持电网的动态稳定，这是风光发电本身难以提供的关键“电网服务” 。

然而，这种互补并非自动实现，其核心挑战在于如何弥合“刚性”的核电输出、“波动”的风光输出与“变化”的用户需求之间的鸿沟。解决这一挑战需要引入额外的灵活性资源，主要是储能系统和具备负荷跟踪能力的核电机组。而核电的最终占比，正是在核电自身提供的确定性价值与为整合风光所需的灵活性成本之间进行权衡的结果。

3.确定核电占比的综合优化框架

确定核电的最优占比是一个极其复杂的系统工程问题，无法通过简单的规则或静态的成本比较得出结论。它必须在一个动态的、长期的、全系统的视角下，利用先进的计算模型来求解。这个过程可以被描述为一个综合优化框架。

3.1优化目标：成本、可靠性与稳定性的三元平衡

该优化框架的核心目标是在三个相互关联且时常相互制约的维度上寻找最佳平衡点：

1.总系统成本最低 (Minimizing Total System Cost): 这不仅仅是比较核电、风电和光伏的平准化度电成本（LCOE）。优化模型的目标函数必须是最小化整个电力系统在未来几十年规划期内的总社会成本 。这包括：

￮所有新建电源（核、风、光）和储能设施的投资成本。

￮所有设施的运行与维护成本。

￮核燃料成本。

￮电网的扩建和改造升级成本。

￮因未满足用电需求（即停电）而造成的经济损失。

2.供电可靠性达标 (Meeting Reliability Standards): 电力系统必须以极高的可靠性运行，确保社会经济活动的正常进行。在模型中，这通常表现为一系列硬性约束 。例如，模型必须确保在满足其约束的条件下，系统的年均停电时间或缺负荷概率（Loss of Load Probability, LOLP）低于一个预设的、极其严格的阈值（例如，每年不超过几个小时） 。

3.电网稳定性保障 (Ensuring Grid Stability): 即使在电力供需总量平衡的情况下，电网也可能因为频率或电压的剧烈波动而崩溃。因此，模型还必须包含一系列关于电网安全的约束，例如：

￮系统必须时刻保持最低的同步惯量水平。

￮系统必须具备足够的频率响应和备用容量，以应对突发的电源或负荷变化。

￮系统必须能够维持各节点电压在安全范围内。

在这个框架下，核电的最优占比就是当上述三元目标（成本最低、可靠性达标、稳定性保障）同时达成时，模型计算出的核电装机容量在总装机容量中的比例。

3.2 关键建模方法：容量扩展与生产成本模拟

为了实现上述优化目标，能源系统规划者通常会协同使用两类主流的计算机模型：

1.容量扩展模型 (Capacity Expansion Models, CEMs):这是进行长期战略规划的核心工具。CEMs着眼于未来数十年（例如，从2026年到2050年），其任务是决定在每个时间节点（例如，每一年或每五年）应该投资建设多少容量的核电、风电、光伏以及储能设施，以在满足未来电力需求和各项约束的前提下，实现总系统成本的最小化 。这类模型会处理成千上万个变量和约束，通常采用混合整数线性规划（MILP） 等数学优化算法求解 。模型的输出直接给出了在规划期末（例如2050年）的最优电源结构，其中就包含了核电的占比。

2.生产成本/机组组合模型 (Production Cost Models / Unit Commitment, PCMs/UC):这类模型是对特定电源结构（例如由CEM模型给出的一个最优解）进行更精细化的运行模拟。PCMs通常以小时甚至分钟为时间步长，模拟一整年（8760小时）的电网调度运行 。它们会考虑更详细的运行约束，如机组的启停时间、爬坡速率、最小出力限制，以及风光发电的实际逐时出力曲线和预测误差。这类模型的目的是：

￮验证可行性：检验CEM给出的电源组合是否真的能在实际运行中时刻保持电网平衡和稳定。

￮精确计算成本：更精确地计算出该电源组合下的年度运行成本，包括燃料成本、启停成本和弃风弃光造成的损失。

￮评估灵活性需求：详细评估系统对储能、需求侧响应等灵活性资源的需求量。

在实践中，这两种模型通常被迭代使用。CEM给出一个宏观的最优电源组合，然后用PCM对其进行详细的运行模拟和评估。如果发现问题（例如，弃风率过高或频率稳定性不足），则会将新的约束反馈给CEM，进行重新优化。通过这样的迭代过程，最终找到一个既宏观经济最优又微观运行可行的核电占比。

4.优化模型中的核心变量与约束条件量化

要让优化模型准确地反映物理世界和经济规律，就必须对所有关键因素进行精确的数学量化。对于核电-风光系统，以下四个方面的量化至关重要。

4.1经济性量化：从LCOE到系统总成本

传统的平准化度电成本（LCOE）只反映了单个发电技术“在电站门口”的成本，它严重低估了高比例间歇性可再生能源并网所带来的额外系统级成本。一个有效的优化模型必须采用全系统总成本（Total System Cost） 的视角。

•发电商成本 (Generation Costs):

￮核电：需要精确输入其单位容量的建设成本（CAPEX）、固定运维成本（FOM）、可变运维成本（VOM）以及燃料成本。这些数据需要考虑技术进步和供应链因素 。

￮风电/光伏： 输入其单位容量的CAPEX和FOM。虽然其VOM（燃料成本）为零，但其寿命和衰减率也需考虑。

￮储能：需要同时考虑其能量容量成本（/kWh），以及循环寿命和充放电效率。

•系统集成成本 (System Integration Costs): 这是决定核电占比的关键。

￮平衡成本 (Balancing Cost): 为应对风光出力的秒级至小时级波动，系统需要预留的备用容量（通常由储能或灵活核电提供）所产生的成本。

￮充裕度成本 (Adequacy Cost): 这是最重要的系统成本之一。为保证在极端天气下（如持续数周的低风无光）仍能满足用电需求，系统必须建设额外的“压舱石”容量。这个角色可以由核电扮演，也可以由超大规模的长时储能（如抽水蓄能、氢储能）扮演。模型的任务就是比较这两种选择的成本。核电的价值在于它极大地降低了对昂贵的长时储能的需求 。

￮电网成本 (Grid Cost): 风光资源通常远离负荷中心，需要建设大量的长距离输电线路。模型需要将输电网的投资和损耗成本内生化。

在模型的目标函数中，总成本 = Σ (各类电源和储能的投资成本 + 运维成本) + 电网总成本。通过最小化这个总成本，模型才能在不同技术的成本之间做出公正的权衡。

4.2 可靠性量化：确保电力供应的持续性

电力系统的首要任务是可靠供电。模型必须确保其给出的电源组合能够满足极高的可靠性标准。

•可靠性指标 (Reliability Metrics):

￮缺负荷概率 (Loss of Load Probability, LOLP): 指一年中出现供不应求情况的概率。

￮缺负荷期望 (Loss of Load Expectation, LOLE): 指一年中预计出现供不应求的小时数或天数。例如，许多国家的标准是LOLE≤1天/10年，或约等于2.4小时/年。

￮预期未服务电能 (Expected Energy Not Served, EENS): 指一年中预计的缺电量。在优化模型中，这些指标通常以约束的形式出现，例如：LOLE(C_nuc, C_wind, C_sol, C_stor) ≤ 8.76 hours/year，其中C代表各类电源的装机容量 。

•容量信用 (Capacity Credit):这是量化可靠性的一个核心概念。它衡量的是1兆瓦（MW）的某种电源装机，在满足系统峰值负荷、降低系统停电风险方面，等效于多少MW的“完美可靠”电源。

￮核电的容量信用非常高，接近其额定容量（通常在90%以上），因为它几乎可以随时按需发电（除了计划内检修和极低的故障率）。

￮风电和光伏的容量信用则非常低。例如，在冬季的晚高峰（无光照），光伏的容量信用几乎为零。即使是风电，在系统最需要它的时候（例如夏季无风的傍晚），它也可能恰好没有出力。其容量信用通常只有其额定容量的5%-20%，具体数值取决于地理位置和与其他电源的相关性。模型在进行可靠性计算时，必须使用每种技术的容量信用，而不是其铭牌容量。这使得核电在可靠性方面的巨大价值得以量化，直接影响其在最优组合中的占比。

4.3 电网稳定性量化：惯量、频率与电压的保障

电网的稳定性是比电量平衡更高阶、更瞬时的要求。一个没有足够稳定性的系统，即使发电量充足，也可能在一次小扰动后瞬间崩溃。

•惯量与频率响应 (Inertia and Frequency Response):

￮惯量约束：为了防止频率过快变化（Rate of Change of Frequency, RoCoF），模型中可以设置一个最小系统同步惯量约束。Σ(机组惯量常数 × 运行容量) ≥ Min_Inertia。由于只有核电的同步发电机提供惯量，这个约束直接决定了必须保持在线的最小核电容量。

￮频率控制备用：模型还必须确保系统在任何时候都有足够的向上和向下调节备用（包括分钟级的旋转备用和秒级的频率响应备用），以应对突发事件。这些备用可以由部分运行的核电机组、储能系统或需求侧响应提供。模型会根据提供这些服务的成本，来决定最优的备用组合。

•电压控制与无功功率 (Voltage Control and Reactive Power):核电的同步发电机是动态无功功率的重要来源，对维持电网电压稳定至关重要。在高比例逆变器接入的电网中，无功支撑和电压控制成为一个突出问题。优化模型（特别是与潮流计算耦合的模型）需要考虑无功平衡，并可能投资于专门的无功补偿设备（如同步调相机），这部分成本也应计入系统总成本。

4.4 灵活性与储能需求量化

灵活性是连接稳定核电和波动风光的桥梁。模型必须对所有灵活性资源的潜力、成本和约束进行协同优化。

•核电灵活性建模 (Modeling Nuclear Flexibility):不能再将核电视为恒定不变的出力单元。模型需要更精细地刻画其灵活性：

￮调节范围：例如，最低可稳定运行在额定功率的50%。

￮爬坡速率：例如，每分钟可调节2%的额定功率。

￮调节成本：频繁调节可能带来的额外运维成本或寿命损耗。模型通过这些参数，可以决定是让核电进行一定程度的负荷跟踪以消纳更多的风光，还是让核电稳定运行、由储能来承担调节任务，这完全取决于哪种方式的经济性更好。

•储能系统协同优化 (Co-optimizing Energy Storage):储能是系统的关键组成部分，模型必须决定其最优的容量和类型。

￮短时储能（如锂电池）：主要用于日内平衡，将白天的光伏电力转移到晚上使用，或平滑风电的短时波动。

￮长时储能（如抽水蓄能、氢能）：主要用于跨天、跨周甚至季节性的能量时移，以应对持续数天的“风光黑洞期”。模型会根据不同时长储能技术的成本曲线，以及系统中风光发电的波动特性，内生地决定需要建设多少小时、多少天、甚至多少周的储能。核电的装机容量与长时储能的需求量之间存在着强烈的负相关关系：核电装机越多，对昂贵的长时储能的需求就越少，反之亦然。这个权衡是决定核电最终占比的核心经济驱动力。

5.构建数学优化模型：一个示例框架

为了更清晰地展示上述方法论，本章提供一个简化的、概念性的容量扩展模型数学框架。实际模型会比此复杂得多，包含数千个变量和约束。

5.1 目标函数 (Objective Function)

优化的目标是最小化规划期内（例如一年）的总系统成本（Total Annualized Cost, TAC）。

Min TAC = Σ [CAPEX_i * CRF_i + FOM_i] * C_i + Σ Σ [VOM_i * G_i,t + SU_i,t * SC_i]

其中：

•i代表技术类型（核电, 风电, 光伏, 储能）。

•t代表时间步长（例如，一年中的每一个小时）。

•C_i是技术i的总装机容量（这是模型的关键决策变量）。

•CAPEX_i是单位容量的初始投资成本。

•CRF_i是资本回收因子（将投资成本年化）。

•FOM_i是单位容量的年固定运维成本。

•G_i,t是技术i在t时刻的发电量（或充放电量）。

•VOM_i是单位发电量的可变运维/燃料成本。

•SU_i,t是机组在t时刻的启动状态（0或1）。

•SC_i是机组的单次启动成本。

5.2 决策变量 (Decision Variables)

模型需要求解的主要变量包括：

•C_nuc, C_wind, C_sol: 核电、风电、光伏的装机容量 (MW)。

•C_stor_power, C_stor_energy: 储能的功率容量 (MW) 和能量容量 (MWh)。

•G_i,t: 各个发电设备在每个小时的出力水平。

•Charge_t, Discharge_t: 储能系统在每个小时的充电和放电功率。

•SOC_t: 储能系统在每个小时的荷电状态。

5.3 主要约束条件 (Key Constraints)

1.供需平衡约束 (Supply-Demand Balance):G_nuc,t + G_wind,t + G_sol,t + Discharge_t = Demand_t + Charge_t(在每个小时 t，总发电量+储能放电量 = 总需求+储能充电量)

2.可再生能源可用性约束 (Renewable Availability):0 ≤ G_wind,t ≤ C_wind * CF_wind,t0 ≤ G_sol,t ≤ C_sol * CF_sol,t(风光出力不能超过其当时可用资源 CF_t乘以总装机C)

3.核电运行约束 (Nuclear Operational Constraints):C_nuc * Min_Level_nuc ≤ G_nuc,t ≤ C_nuc

4.|G_nuc,t - G_nuc,t-1| ≤ C_nuc * Ramp_Rate_nuc

5.(核电出力必须在其最小技术出力的Min_Level和额定容量之间，且小时变化率不能超过其Ramp_Rate)

6.储能运行约束 (Storage Operational Constraints):SOC_t = SOC_t-1 + Charge_t * η_charge - Discharge_t / η_discharge0 ≤ SOC_t ≤ C_stor_energy0 ≤ Charge_t ≤ C_stor_power0 ≤ Discharge_t ≤ C_stor_power(储能的荷电状态 SOC演变、容量和功率限制)

7.可靠性约束 (Reliability Constraint):这是一个更复杂的约束，通常通过引入额外的“失负荷”变量和概率分析来实现。一个简化的形式可以是：Annual_EENS ≤ Max_Allowable_EENS

8.稳定性约束 (Stability Constraint):G_nuc,t × Inertia_Constant_nuc ≥ Min_System_Inertia(在每个小时 t，运行的核电机组提供的总惯量必须大于系统要求的最小值)

通过求解这个优化问题，模型将输出一组C_nuc, C_wind, C_sol, C_stor_power, C_stor_energy的值，使得总成本TAC最小，同时满足以上所有约束。核电的最优占比即可通过C_nuc / (C_nuc + C_wind + C_sol)计算得出。

6.影响核电占比的关键敏感性因素分析

优化模型计算出的核电占比并非一成不变，它对输入的各种技术和经济参数高度敏感。理解这些敏感性对于制定稳健的能源政策至关重要。

•6.1 储能技术成本与效率: 这是影响核电占比的最关键因素。如果未来长时储能技术（如绿氢、先进压缩空气、液流电池等）出现突破，成本大幅下降，那么系统就可以用更便宜的“风光+储能”组合来替代一部分核电，以满足长期的能量平衡需求，这将导致核电的最优占比下降。反之，如果长时储能成本居高不下，核电作为少数能够经济地提供跨季节能量保障的零碳电源，其价值将极为凸显，最优占比会显著提高。

•6.2 核电自身的成本与灵活性: 如果新型核电技术（如SMRs）能够实现更低的建设成本、更短的建设周期和更强的负荷跟踪能力（更低的最小出力和更快的爬坡速率），那么它在系统中的竞争力就会增强 。一个更灵活的核电机组不仅能提供基荷，还能参与系统调频调峰，从而降低对昂贵储能的需求，这会使其最优占比较传统核电更高。

•6.3 可再生能源的地理分布与相关性: 如果一个地区的风光资源具有很强的时空互补性（例如，沿海的风电和内陆的光伏，或夏季的光伏和冬季的风电），这会平滑总的可再生能源输出曲线，降低系统的储能需求，从而可能降低对核电的需求。反之，如果风光资源高度相关（例如，全国范围内同时出现持续的阴天无风天气），则对核电这种稳定电源的依赖会大大增加。

•6.4 需求侧响应与灵活性 (Demand-Side Response): 如果能通过智能电网和市场机制引导用户（特别是工业用户和电动汽车充电）在风光大发时多用电，在风光不足时少用电，相当于创造了一个虚拟的储能。需求侧响应的潜力越大，对系统整体灵活性要求就越低，对核电和储能的需求都会相应减少。

•6.5 可靠性标准的变化: 如果社会对供电可靠性的要求进一步提高（例如，要求更低的LOLE目标），那么系统对核电这种高容量信用的“确定性”电源的需求就会增加，其最优占比将会上升。反之，如果愿意接受更高的停电风险，则可以更多地依赖波动性的可再生能源，核电占比则可能下降。

7.结论与展望

7.1 核心结论总结

本研究报告系统地阐述了在仅由由核电、风能、太阳能 + 储能构成的未来零碳电力系统中，确定核电最优占比的综合方法论。我们的核心结论如下：

1.不存在固定的“黄金比例”： 核电的最优占比不是一个普适的静态数值，而是特定区域、特定时间、特定技术经济条件下一个复杂系统优化问题的动态解。它高度依赖于本地的资源禀赋、成本参数、政策目标和技术发展水平。

2.超越LCOE，聚焦系统总成本： 决定核电占比的关键不在于其自身的度电成本是否低于风光，而在于其存在能否显著降低整个电力系统的总成本，特别是降低因整合大规模间歇性风光而产生的天价系统集成成本（尤其是长时储能和备用容量成本）。

3.核电的核心价值是提供确定性：在一个充满不确定性的风光主导系统中，核电的核心价值体现在其无与伦比的确定性——高容量信用带来的可靠性保障，高同步惯量带来的稳定性支撑，以及持续出力带来的跨季节能量平衡能力。优化模型实质上是在为这些“确定性服务”进行定价。

4.核-储的权衡是关键： 核电的最优占比最终取决于其与长时储能的经济性竞争。核电是“一次性投资、长期稳定产出”的能量平衡方案，而长时储能是“按需建设、应对极端”的方案。两者的成本曲线和技术成熟度将直接决定未来的能源版图。

7.2 未来研究方向

为了更精确地回答这一问题，未来的研究应集中在以下几个方面：

•先进核能技术的精细化建模：随着小型模块化反应堆（SMRs）和第四代核反应堆的逐步成熟，需要建立能更精确反映其增强的灵活性、多样的热电联供能力及其安全特性的模型。

•长时储能技术与成本预测：对各种长时储能技术（氢能、合成燃料、新型电池等）的未来成本曲线和性能进行更可靠的预测，是进行准确长期规划的基石。

•极端天气事件的概率建模：当前模型对数十年一遇的极端天气事件（如持续数周的“邓肯黑暗时期”）的考虑仍有不足。需要加强气候科学与能源建模的结合，以更准确地评估系统对核电等韧性电源的真实需求。

•多目标与不确定性优化：未来的模型应更多地采用多目标优化（同时优化成本、可靠性、环境影响等）和随机规划/鲁棒优化方法，以应对未来技术、成本和政策的深度不确定性，从而给出的不是一个单一的“最优占比”，而是一个在不同情景下都表现稳健的“最优占比区间”。

核技术论坛

阅读 赞 分享 言