摘要：目前火电在总体电力消费中仍占主导地位，而可再生能源电力虽对脱碳至关重要，但其市场接受度依然有限。因此，识别可再生能源电力采纳的驱动因素对推进可持续转型具有重要意义。本研究在考虑气候政策、发电商竞争及消费者社会学习(Social Learning, SL)的基础上，考察电力市场参与者的决策行为与可再生能源电力消费的动态演化。具体而言，研究人员构建了一个融合碳排放交易(Carbon Emission Trading, CET)与可再生能源配额制(Renewable Portfolio Standard, RPS)的双层动态决策框架：上层刻画异质发电商之间的价格竞争，下层通过社会学习建模消费者在复杂网络中的互动。研究基于Agent-based Modeling(基于智能体的建模)与多智能体强化学习(Multi-Agent Reinforcement Learning, MARL)进行仿真。结果表明：社会学习推高火电价格，伴随火电消费减少与可再生能源电力消费扩张；火电商利润下降，而可再生能源发电商(REGs)利润显著上升。此外，社会学习不仅提升可再生能源电力占比并增进社会福利，还能减少碳排放、放大CET与RPS的政策效果。本研究揭示了复杂环境下可再生能源电力消费的动态演化机制，为推进能源转型提供了理论参考与实践启示。
论文解读：双重政策机制下可再生能源电力消费的多智能体仿真——基于复杂网络与社会学习视角
该研究由Qian Liu、Debin Fang与He Li完成，拟发表于《Renewable Energy》。
一、研究背景与意义
全球应对气候变化背景下，中国提出碳达峰与碳中和目标。电力行业以化石能源为主，占全国CO2排放40%以上，是减排关键领域。可再生能源电力是实现电力部门脱碳的核心，但当前其市场接受度低——中国2024年绿电交易量仅占市场化交易电量约3.8%，公众环保意识未有效转化为实际购买行为。早期可再生能源发展依赖补贴、上网电价(feed-in tariff)等政策，现已转向市场竞争机制。中国于2019年正式实施可再生能源配额制(Renewable Portfolio Standard, RPS)配绿色证书与惩罚机制，2021年启动全国碳排放交易体系(Carbon Emission Trading, CET)，将电力行业首先纳入，对火电企业( Thermal Power Generators, TPGs)施加碳成本。然而消费者具有限理性(incomplete information)与异质支付意愿，其可再生能源电力购买决策受同伴效应与社会学习(Social Learning, SL)——即通过观察社交网络中他人选择与反馈来更新自身策略——显著影响。既有研究较少同时考虑CET与RPS双重政策、发电侧Bertrand竞争、需求侧复杂网络社会学习及双向价格—行为反馈。因此，研究人员开展此项研究以揭示政策工具与社会学习共同作用下可再生能源电力消费动态演化机制，为优化政策设计提供理论与实证依据。
二、主要关键技术方法
研究人员构建含CET与RPS的双层动态电力交易框架：上层为异质发电商（TPGs与REGs）间Bertrand博弈刻画价格竞争，下层为发电商（领导者）与消费者（追随者）间Stackelberg博弈刻画电力交易关系。需求侧构建复杂网络演化博弈模型，引入社会学习规则与动态网络演化机制刻画消费者策略更新。采用Agent-based Modeling结合多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient, MADDPG)算法使发电商在无完全信息下自主学习定价，消费者通过社会学习更新购电策略。仿真参数参照中国电力及碳交易市场设定，初始可再生能源配额目标30%，RPS未达标惩罚系数0.03，基于Python+PyTorch实现，进行多情景对照实验分析政策与社会学习对市场均衡、可再生能源占比、社会福利及碳排放的影响。
三、研究结果
Electricity trading framework（电力交易框架）
研究人员通过Stackelberg博弈描述发电商—消费者交互及Bertrand博弈描述TPGs与REGs间价格竞争，引入CET（TPGs需按碳价对超配额排放购买额度）与RPS（消费者须满足强制可再生能源购买配额，否则受罚）。在此框架下给出发电商利润函数、消费者效用函数及市场出清条件，形成双层耦合数学模型。
Parameter settings and evolutionary process（参数设置与演化过程）
基于中国电力及碳市场参数校准，设置初始可再生能源配额30%、RPS惩罚系数0.03等。经多回合迭代仿真，对比无社会学习基线情景与含社会学习情景，以及有无CET+RPS政策组合情景，记录火电与可再生能源电价、消费量、发电商利润、可再生能源占比、社会福利与碳排放量等指标演化轨迹。
Discussion（讨论）
动态仿真结果显示，在基线情景及CET+RPS政策组合情景下，社会学习均显著改变电力市场均衡：社会学习使消费者能观察并模仿他人购电选择，早期采纳者带动邻居跟进购买可再生能源电力，推高火电需求端相对价格敏感度致火电价格上升，REGs竞争力增强；最终可再生能源电力消费扩大、火电消费缩减，可再生能源占比与消费者剩余提高。CET通过增加TPGs边际成本压缩其供给，RPS强制需求侧配额并与绿证市场联动，二者叠加已能促进可再生能源渗透，而社会学习进一步放大此政策效应，同时降低系统碳排放总量、提升整体社会福利。
四、结论与政策启示（翻译总结）
研究人员指出，为探究政策组合、异质发电商定价竞争及消费者社会学习对可再生能源电力消费的影响，构建了融入CET与RPS的双层动态电力交易框架以捕捉发电侧价格竞争与消费者购电决策。供给侧采用Bertrand—Stackelberg博弈，需求侧构建带社会学习与动态网络演化的复杂网络演化博弈，并应用MADDPG多智能体仿真。主要结论为：社会学习推高火电价格、减少火电消费并扩大可再生能源电力消费；TPGs利润下降，REGs利润显著上升；社会学习提升可再生能源占比、增进了社会福利并减排，且强化CET与RPS的政策效果。政策启示包括：应重视消费者社会学习与口碑传播在可再生能源推广中的作用，将公众教育与社区示范项目纳入能源转型政策工具箱；完善CET碳价机制与RPS配额及绿证惩罚设计以与市场行为反馈协同；政策制定需考量需求侧复杂网络效应对政策传导的放大作用。
