（二）零碳工厂的政策沿革 QZ6E++IU?-•‘0’“5•¿Ú<ÉÝ-78O-7 8¡–0IWgÔL2021 ~ 11 95QK:…½0†2030 ~¢-78 %t´q•‰_5W*•É´jkXY•}5;Ós%jk“<5Ù =jkXYš›5’“jk•‘8jk•&«\L2022 ~ 8 95•& 8>?‡@O…ˆÊ±@O;AЛ@‚ƒ„…†•&B¸-78É ´´q•‰_5XŠjk•‘|ß⎖ÊY5F–Q_Â|äî5 ~5¯Ejk•‘'¿öXY&n'¿SIDú 40%5 FGjk•‘|ßâ*Hûvü-jÓ5I’6?-•‘9L2024 ~ ": 2025 ~J57K|L•Ú¹MO!QN¹wx¯@@ëñ§š Àe5WOÉhˆQZ-78PøCQJ•Ú5’“ßC?-«\8 ?-•‘L ! 1 "#$%&'()*+#,-. !"#$ %& '()* +,-. /2030 01234 56789 2021.10 ªX?-«\QJ<-0«\5£Ë•ž’“•’8íÀ•GL ! 2 "#9:;<$%&'=>?@ Î7 !" %& +,-. ÏÐ /ÏÐÑq2ÒÓ q2ÔETˆ‰R S78Ò2025— 2027 0Ô9 2025.3 Õ- 2 0Ö 3 0%&ˆ‰RSG×D`jq2 ÒÓq2ÔETGÂÑØ0ÙÚÛÜÝÞ 10 Éßà“”q2ÒÓq2ÔETˆ‰RSGá âRãÉä;åæç¢_X

截至目前，已有 14 省（市、区）在“十四五”相关规划中提及分散式风电发展 分散式风电项目市场情况 658.43 415.49 225.87 323.83 235.95 32.13 124 78 134.7 61.78 13.56 103.9 56.8 1513 80.5 45.329525 35.8 0 9 3 5 62.69 24.19 n 民营企业开发商占比已经超过 民营客户规模（万千瓦） 民营客户占比 （ % ） 山西 323.83 235.95 72.86% 黑龙江 62.69 24.19 38.59% 安徽 32.13 5.13 15.97% 江西 124 78 62.90% 河南 658.43 415.49 63.10% 湖南 61.78 13.56 21.95% 陕西 225.87 134.7 59.64% 青海 103.9 56.8 54.67% 0 0.00% 吉林 9.3 5 53.76% 辽宁 59.93 49.94 83.33% 合计 1838.41 1071.01 58.26% 415.49 235.95 134.7 78 56.8 24.19 5.13 13.56 13

特点 可配置的操作员 仪表盘 集中 OEE 配置 跨工厂、业务情景相关的分析 简单的操作界面和数据 录入 78 Public © 2016 SAP SE or an SAP affiliate company. All rights reserved. 78 78 © 2016 SAP SE or an SAP affiliate company. All rights reserved

结构中提升速度最快的部分。在 政策情景下，其占比由 2030 年的 20% 增长至 2060 年的 73%；而在双碳情景下，增长幅度更为突出，由 2030 年的 21% 提升至 2060 年的 78%，逐步成为江西省能源消费的主体。 10 包含作为原料用的能源消费量 图 12 三个情景下江西省能源消费变化（2021-2060） 来源：江西 EPS 模型结果 14 江西低碳转型中长期展望——基于 58% 73% 双碳情景 煤 65% 54% 46% 32% 17% 油 11% 8% 5% 2% 1% 天然气 3% 3% 3% 3% 4% 一次电力及其他 21% 35% 45% 62% 78% 来源：江西 EPS 模型结果 （二）温室气体排放 江西省有望按期实现 2030 年前碳达峰目标。在政策情景和双碳情景下，温室气体和二氧化碳排放均于 2028 年达峰，峰值水平分别约为 3 57%；可再 生能源装机容量占比将增至 64%，其发电量占比将提升至 41%。到 2060 年，煤电装机容量和发电量占比将进一 步下降至 21% 和 18%，而可再生能源装机容量和发电量占比预计将上升至 78%。 根据模型分析，相较于 2020 年政策冻结情景，政策情景和双碳情景的煤电装机容量保持稳定，而煤电发 电量呈持续下降趋势，双碳情景的煤电退役速度最快。到 2030 年，政策情景与双碳情景的煤电装机容量均为

6.1 91 3 GW uangzhou G 2.1 90 7 GW n aiju F 3.2 72 1 GW ngsu aiJ 5.3 67 5 GW aix N ni g 9.7 78 8 GW eb ie H 6.5 9 1 GW handong S 9.2 07 1 GW han ix S 3.3 06 1 GW ng aijni X 4.6 7 0 GW ansu 现场实测数据——励磁控制 10:56:2410:56:3410:56:4410:56:5410:57:04 10:57:1410:57:2410:57:3410:57:44 10:57:54 76 78 80 82 84 86 时刻 2015年7月22日 15#机组有功功率(MW) 15#机组有功功率(MW) 10:56:2410:56:3410:56:4410:56

万吨（2024），占沿海港口货物吞吐总量的 61%。集装箱 吞吐量前三的港口分别为上海港、宁波舟山港和深圳港，前 10 名的港口集装箱吞吐总量达到 23,911 万 TEU（2024），占沿海港口集装箱吞吐总量的 78%。 沿海港口的绿色智慧转型也驶入快车道。11 个国际枢纽海港港内集卡清洁能源使用率占比 超过 60%，沿海主要港口煤炭、矿石等大宗散货绿色疏运比例超过 85%，上海港、大连港、宁波 舟山港 辆的淘 汰已经基本完成，国四和国六排放标准的车辆对集疏运车次数的贡献比例基本相当。 ✓ 上海港、宁波舟山港、青岛港和广州港所有车类每车次里程的平均值（进出港合并计算） 依序为 92 km、78 km、100 km 和 66 km。除车辆运输车外，其他车类进港、出港的每车 次平均里程没有显著差异。从燃料类型来看，LNG、天然气和混合动力车辆的每车次平 均里程较长，而电动车辆的每车次平均 t.html 环渤海港口群 长三角港口群 东南沿海港口群 珠三角港口群 环北部湾港口群 15 的港口集装箱吞吐总量达到 23,911 万 TEU，占沿海港口集装箱吞吐总量的 78%。 表 2 中国（含中国大陆及香港）货物吞吐量、集装箱吞吐量前 15 的沿海港口 货物吞吐量 集装箱吞吐量 排名 港口 所 属 港 口 集群 2024 年 吞 吐 量（万吨）

需求响应是电力用户根据市场的价格信号或 激励机制做出响应，并改变固有电力消费模式的市 场参与行为。在 IES 中，多种能源相互耦合、替代， 为需求侧提供了在不同能流间改变用能方法的能 力[78]。传统的需求响应主要是指在能源供需出现不 平衡时，通过调整能源生产和消费的方式来实现供 需平衡。这种传统需求响应主要针对单一能源(如电 力、天然气等)进行供需调整。而零碳园区 IES 的需 period combined gas and electricity network optimisation[J]．Electric Power Systems Research，2008，78(7)：1265-1279． [16] 王文烨，姜飞，张新鹤，等．含规模氢能综合利用的高比例风光 多能源系统低碳灵活调度[J/OL]．电网技术，2023：1-15[2023-08- 24]．https://doi Zhi，et al．Case study of an industrial park toward zero carbon emission[J]．Applied Energy，2018， 209：65-78． [43] 宋卓然，程孟增，牛威，等．面向能源互联网的零碳园区优化规 划关键技术与发展趋势[J]．电力建设，2022，43(12)：15-26． SONG Zhuoran ， CHENG

在技术、环境和经济运行方面的潜在效益，并 证明了 P2G 设备可以提高电-气网络系统灵活性和 稳定性[77]。 为提高能源运行效率和碳效益，可以在传统 P2G 模型中直接使用氢气燃烧供电供热，形成两阶 段 P2G 模型[78]。目前有研究证明两阶段 P2G 运行 方案可以将多余电力通过电解池直接产生氢气，通 过氢气燃烧的方式供电，并将其余热供给园区热负 荷[79]。该方案不仅具有极高的减排潜力，还能提 高园区能源利用效率。目前关于 gas transmission networks[J]．IEEE Transactions on Sustainable Energy ， 2015 ， 6(4) ： 1234-1244． [78] 陈维荣，冉韵早，韩莹，等．考虑两阶段 P2G 的区域 综合能源系统优化调度[J/OL]．西南交通大学学报， 2021[2023-04-26]．http://kns.cnki.net/kcms/detail/51 2010．New Orleans，LA，USA：IEEE，2010． [89] 王兴东，马磊，杨金成，等．计及需求侧资源可调潜力 的互动关键技术发展综述及展望[J]．供用电，2023， 40(3)：71-78． WANG Xingdong，MA Lei，YANG Jincheng，et al． Development summary and prospect of interactive key

Q 学习[58,76-77]、 深度 Q 网络[78]、深度确定性策略梯度(deep deter- ministic policy gradient, DDPG)[79-80]等。文献[77]综 合 Q 学习和 MILP 数学规划的优势，提出了一种改 进的 Q 学习算法，在求解 PIES 双层实时经济调度 时具有较快的收敛速度；文献[78]采用经验回放和 冻结网络参数机制，提升了深度Q网络算法的性能； ble-layer reinforcement learning method[J]. Power System Technology, 2021, 45(4): 1330-1336. [78] 刘俊峰，陈剑龙，王晓生，等. 基于深度强化学习的微能源网能量 管理与优化策略研究[J]. 电网技术，2020，44(10)：3794-3803. LIU Junfeng, CHEN Jianlong