综合能源系统零碳优化调度研究附Matlab代码

原创于 2025-12-18 21:13:58 发布 · 502 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#能源 #matlab #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、研究背景与意义

在全球 “双碳” 目标（碳达峰、碳中和）的大背景下，能源系统的清洁化、低碳化转型已成为必然趋势。综合能源系统（Integrated Energy System, IES）作为一种整合了电力、热力、天然气、冷能等多种能源形式的新型能源系统，能够实现不同能源之间的互补与协同优化，是推动能源系统零碳转型的关键载体。

综合能源系统零碳优化调度，旨在通过科学的调度策略，在满足用户多元化能源需求的前提下，最大限度地提高可再生能源的消纳率，减少化石能源的消耗，降低系统的碳排放强度，最终实现系统的零碳运行。其研究意义主要体现在以下几个方面：

助力 “双碳” 目标实现：通过优化调度，可有效提升综合能源系统中风能、太阳能等可再生能源的利用率，减少对传统化石能源的依赖，从而降低能源系统的整体碳排放，为国家 “双碳” 目标的达成提供重要支撑。

提高能源利用效率：综合能源系统零碳优化调度能够打破不同能源子系统之间的壁垒，实现能源的梯级利用和协同供应，避免能源的浪费，显著提高能源系统的整体利用效率。

保障能源系统安全稳定运行：在高比例可再生能源接入的情况下，综合能源系统面临着更大的不确定性和波动性。合理的零碳优化调度策略可以通过多能源互补、储能设备调节等手段，平抑可再生能源出力的波动，保障能源系统的安全稳定运行。

促进能源市场发展：零碳优化调度涉及到多种能源的生产、传输、消费和交易，其研究成果能够为能源市场的设计和运营提供理论支持，推动多元化能源市场的形成和发展，提高能源资源的配置效率。

二、综合能源系统的构成与特点

（一）系统构成

综合能源系统通常由能源生产单元、能源转换单元、能源存储单元、能源传输与分配单元以及能源消费单元等部分组成，各部分协同工作，实现能源的高效供应与利用。

能源生产单元：包括传统化石能源发电（如燃煤发电、燃气发电）、可再生能源发电（如风力发电、太阳能光伏发电、水力发电、生物质能发电）等，是综合能源系统的能源来源。

能源转换单元：主要负责将一种形式的能源转换为另一种形式的能源，以满足不同用户的需求。常见的能源转换设备有燃气轮机、余热锅炉、吸收式制冷机、电锅炉、热泵等。例如，燃气轮机发电过程中产生的余热可以通过余热锅炉产生蒸汽，用于供暖或驱动吸收式制冷机进行制冷；电锅炉可以将电能转换为热能，用于供暖。

能源存储单元：由于可再生能源出力具有间歇性和波动性，能源存储单元在综合能源系统中起着至关重要的作用。它能够在能源供应过剩时储存能源，在能源供应不足时释放能源，实现能源的削峰填谷。能源存储单元主要包括电能存储（如蓄电池、超级电容器、抽水蓄能）、热能存储（如热水储罐、相变储能装置）、天然气存储（如地下储气库、LNG 储罐）等。

能源传输与分配单元：负责将能源从生产单元输送到消费单元，包括电力传输与分配网络（如输电线路、配电变压器、配电网）、热力管网（如蒸汽管网、热水管网）、天然气管网（如输气管道、配气站）等。这些管网系统相互连接，形成了综合能源系统的能源传输骨干网络。

能源消费单元：是综合能源系统的能源需求侧，包括工业用户、商业用户、居民用户等。不同类型的用户对能源的品种、质量和数量有着不同的需求，例如工业用户可能需要大量的电力、热力和天然气用于生产过程；商业用户主要需要电力、冷能和少量热力用于照明、空调和办公设备；居民用户则主要需要电力、热力用于日常生活。

（二）系统特点

多能互补性：综合能源系统整合了多种能源形式，不同能源之间具有互补性。例如，风能和太阳能的出力受天气影响较大，具有间歇性和波动性，但燃气发电可以根据负荷需求灵活调整出力，能够弥补风能和太阳能出力的不足；在冬季供暖期，电力负荷和热力负荷均较高，此时可以通过电锅炉将电能转换为热能，或者利用燃气轮机的余热进行供暖，实现电力和热力的协同供应。

耦合性强：综合能源系统中的各个子系统（如电力系统、热力系统、天然气系统）之间存在着紧密的耦合关系。一方面，能源转换设备使得不同能源之间可以相互转换，例如燃气发电将天然气能源转换为电能，电锅炉将电能转换为热能，从而实现了不同能源子系统之间的能量耦合；另一方面，不同能源子系统的运行状态相互影响，例如电力系统的负荷变化会影响燃气轮机的出力，进而影响天然气系统的流量和压力；热力系统的供热量变化也会影响电锅炉的耗电量，从而影响电力系统的负荷。

不确定性高：综合能源系统的不确定性主要来源于两个方面：一是可再生能源出力的不确定性，风能、太阳能等可再生能源的出力受风速、光照强度、温度等自然因素的影响较大，难以准确预测；二是能源负荷的不确定性，能源负荷受季节、天气、用户行为等多种因素的影响，也具有一定的波动性和随机性。这些不确定性给综合能源系统的优化调度带来了很大的挑战。

环保性与经济性的双重诉求：在零碳目标的要求下，综合能源系统需要注重环保性，尽量减少碳排放；同时，作为一种能源供应系统，其运行还需要考虑经济性，降低能源供应成本，提高系统的经济效益。因此，综合能源系统的优化调度需要在环保性和经济性之间寻求平衡，实现两者的协同优化。

三、综合能源系统零碳优化调度的目标与约束条件

（一）优化目标

综合能源系统零碳优化调度的目标是多维度的，需要综合考虑环保、经济、能源利用效率等多个方面的因素，具体包括以下几个主要目标：

零碳排放目标：这是综合能源系统零碳优化调度的核心目标。通过优化调度策略，最大限度地减少系统的碳排放，最终实现系统的零碳运行。通常可以采用碳排放总量最小化作为量化指标，即通过合理安排化石能源发电设备的出力、提高可再生能源的消纳率、利用碳捕集与封存（Carbon Capture, Utilization and Storage, CCUS）技术等手段，使系统在运行过程中产生的碳排放量达到最低甚至为零。

经济性目标：在实现零碳排放的前提下，需要考虑系统的经济性，降低系统的运行成本。系统的运行成本主要包括燃料成本（如煤炭、天然气的采购成本）、购电成本（从外部电网购电的费用）、储能设备的运行维护成本、能源转换设备的运行维护成本等。经济性目标通常可以用系统的总运行成本最小化来表示。

能源利用效率目标：提高能源利用效率是综合能源系统的重要目标之一。通过优化能源的生产、转换、传输和消费过程，减少能源的损失和浪费，提高能源的综合利用效率。能源利用效率可以用能源综合利用效率、余热回收效率等指标来衡量，目标是使这些指标达到最大值。

供电可靠性目标：供电可靠性是能源系统运行的基本要求之一。在综合能源系统零碳优化调度中，需要确保系统能够持续、稳定地向用户供应电力，避免因可再生能源出力波动、设备故障等原因导致供电中断。供电可靠性可以用供电可靠率、平均停电时间等指标来衡量，目标是使这些指标满足规定的要求。

四、综合能源系统零碳优化调度的关键技术

（一）可再生能源出力预测技术

可再生能源（如风能、太阳能）的出力具有间歇性、波动性和随机性，准确的出力预测是综合能源系统零碳优化调度的前提和基础。通过对可再生能源出力进行预测，可以为调度人员提供可靠的能源供应信息，合理安排其他能源的生产和储能设备的充放电计划，提高可再生能源的消纳率，减少系统的碳排放。

可再生能源出力预测技术主要包括基于物理模型的预测方法、基于统计模型的预测方法和基于机器学习的预测方法。

基于物理模型的预测方法：该方法基于可再生能源发电的物理原理，结合气象数据（如风速、风向、光照强度、温度、湿度等）来预测可再生能源的出力。例如，对于风力发电，物理模型通过计算风轮的捕获功率、传动系统的效率、发电机的效率等参数，结合风速预测数据，来预测风电机组的出力；对于太阳能光伏发电，物理模型通过计算太阳辐射强度、光伏组件的转换效率、温度系数等参数，结合光照强度和温度预测数据，来预测光伏机组的出力。基于物理模型的预测方法具有理论基础扎实、可解释性强的优点，但需要准确的气象数据和详细的设备参数，且计算复杂度较高，适用于中长期预测。

基于统计模型的预测方法：该方法通过分析历史出力数据和相关影响因素（如气象数据、时间序列数据）之间的统计关系，建立预测模型来预测可再生能源的出力。常见的统计模型包括时间序列分析模型（如自回归移动平均模型 ARMA、自回归积分移动平均模型 ARIMA）、回归分析模型（如线性回归、非线性回归）等。例如，ARIMA 模型通过对历史出力时间序列进行差分处理，消除序列的趋势性和季节性，然后建立自回归和移动平均模型来预测未来的出力。基于统计模型的预测方法具有计算简单、数据要求较低的优点，但对数据的依赖性较强，当历史数据不足或数据分布发生变化时，预测精度会受到影响，适用于短期预测。

基于机器学习的预测方法：随着人工智能技术的发展，基于机器学习的预测方法在可再生能源出力预测中得到了广泛的应用。该方法通过构建机器学习模型（如人工神经网络 ANN、支持向量机 SVM、随机森林 RF、梯度提升决策树 GBDT、长短期记忆网络 LSTM 等），利用大量的历史数据（包括出力数据、气象数据、时间数据等）对模型进行训练，从而实现对可再生能源出力的预测。例如，LSTM 网络具有记忆长短期信息的能力，能够有效处理时间序列数据中的长期依赖关系，在可再生能源出力预测中表现出较高的预测精度。基于机器学习的预测方法具有自适应能力强、预测精度高的优点，但需要大量的训练数据和较高的计算资源，适用于不同时间尺度的预测。

为了进一步提高可再生能源出力预测的精度，目前研究趋势是将多种预测方法进行融合，形成混合预测模型。例如，将物理模型与统计模型相结合，利用物理模型提供的先验知识来改进统计模型的预测性能；将机器学习模型与时间序列模型相结合，充分发挥机器学习模型的非线性拟合能力和时间序列模型的时序分析能力。同时，随着大数据、云计算、物联网等技术的发展，可再生能源出力预测技术也朝着实时化、精细化、智能化的方向发展。

（二）多目标优化算法

综合能源系统零碳优化调度是一个典型的多目标优化问题，需要同时考虑零碳排放、经济性、能源利用效率、供电可靠性等多个目标，这些目标之间往往存在着相互冲突的关系（如提高可再生能源的消纳率可能会增加系统的运行成本，降低碳排放可能会影响供电可靠性）。因此，需要采用有效的多目标优化算法来求解该问题，找到 Pareto 最优解集，为调度人员提供多样化的调度方案选择。

常见的多目标优化算法主要包括传统多目标优化算法和智能多目标优化算法。

传统多目标优化算法：传统多目标优化算法主要通过将多目标问题转化为单目标问题来求解，常见的方法包括加权求和法、ε- 约束法、目标规划法等。

加权求和法：该方法通过为每个目标函数赋予一个权重系数，将多个目标函数线性组合成一个单目标函数，然后采用单目标优化算法（如梯度下降法、牛顿法）来求解。权重系数的大小反映了相应目标的重要程度，权重系数越大，对应的目标在优化过程中越受重视。加权求和法的优点是计算简单、易于实现，但其缺点是权重系数的确定具有主观性，不同的权重系数会得到不同的优化结果，且难以处理目标函数之间的非线性关系和非凸性问题。

ε- 约束法：该方法选择一个目标函数作为主要优化目标，将其他目标函数转化为约束条件，并为每个约束条件设定一个允许的误差范围（ε 值），然后采用单目标优化算法来求解主要目标函数。例如，在综合能源系统零碳优化调度中，可以选择零碳排放作为主要优化目标，将经济性、能源利用效率、供电可靠性等目标转化为约束条件，设定系统的运行成本上限、能源利用效率下限、供电可靠率下限等，然后求解使碳排放量最小的调度方案。ε- 约束法的优点是能够直接处理目标函数之间的冲突关系，得到的优化结果具有较好的实用性，但其缺点是需要人为设定 ε 值，ε 值的大小会影响优化结果的质量，且当目标函数较多时，计算复杂度会显著增加。

目标规划法：该方法根据每个目标函数的重要程度和期望达到的目标值，建立目标偏差函数，然后通过最小化总目标偏差来求解多目标优化问题。目标偏差包括正偏差（实际值超过目标值的部分）和负偏差（实际值未达到目标值的部分），根据目标的重要程度，对不同的偏差赋予不同的权重。目标规划法的优点是能够充分考虑决策者的偏好和期望，得到符合实际需求的优化结果，但其缺点是目标值和权重系数的确定具有主观性，且难以处理复杂的非线性问题。

智能多目标优化算法：随着智能计算技术的发展，智能多目标优化算法在综合能源系统零碳优化调度中得到了广泛的应用。该类算法基于生物进化、群体智能等原理，能够在解空间中并行搜索，快速找到 Pareto 最优解集，具有较强的全局搜索能力和鲁棒性。常见的智能多目标优化算法包括非支配排序遗传算法（NSGA）、带精英策略的非支配排序遗传算法（NSGA-Ⅱ）、多目标粒子群优化算法（MOPSO）、多目标差分进化算法（MODE）等。

NSGA-Ⅱ：NSGA-Ⅱ 是在 NSGA 的基础上改进而来的，是目前应用最为广泛的智能多目标优化算法之一。它通过非支配排序和拥挤度计算来对种群中的个体进行评价和选择，非支配排序能够将种群中的个体按照其支配关系分为不同的层级，拥挤度计算能够衡量个体在 Pareto 最优解集中的分布密度，从而保证算法能够找到分布均匀、收敛性好的 Pareto 最优解集。NSGA-Ⅱ 具有收敛速度快、解集分布均匀、计算复杂度低等优点，在综合能源系统零碳优化调度中能够有效处理多目标之间的冲突关系，为调度人员提供多样化的调度方案。

MOPSO：MOPSO 是基于粒子群优化算法（PSO）发展而来的多目标优化算法。它通过将每个粒子的历史最优位置和种群的全局最优位置扩展到 Pareto 最优解集的范围，利用外部存档集来存储和更新 Pareto 最优解，通过拥挤度排序来保持解集的多样性。MOPSO 具有搜索速度快、易于实现、对复杂非线性问题适应性强等优点，在综合能源系统零碳优化调度中也得到了广泛的应用。

MODE：MODE 是基于差分进化算法（DE）发展而来的多目标优化算法。它通过差分变异、交叉和选择操作来生成新的个体，利用非支配排序和拥挤度计算来选择优秀的个体进入下一代种群，从而逐步逼近 Pareto 最优解集。MODE 具有全局搜索能力强、收敛性好、对参数设置不敏感等优点，适用于处理综合能源系统零碳优化调度中的复杂多目标优化问题。

为了进一步提高多目标优化算法的性能，目前研究趋势是对现有算法进行改进和融合，例如将 NSGA-Ⅱ 与 MOPSO 相结合，充分发挥 NSGA-Ⅱ 的解集分布均匀性和 MOPSO 的搜索速度快的优点；将智能多目标优化算法与模糊理论、灰色理论等相结合，提高算法对不确定性问题的处理能力。同时，随着并行计算、分布式计算技术的发展，多目标优化算法也朝着高效化、实时化的方向发展，以满足综合能源系统实时调度的需求。

（三）碳捕集与封存（CCUS）技术

碳捕集与封存（CCUS）技术是实现综合能源系统零碳运行的重要技术手段之一，它通过将化石能源燃烧过程中产生的二氧化碳（CO₂）进行捕集、运输、利用和封存，从而减少 CO₂的排放，降低系统的碳排放强度。在综合能源系统中，CCUS 技术主要应用于燃煤发电、燃气发电等化石能源发电设备，以及工业生产过程中的高排放环节。

CCUS 技术主要包括碳捕集、碳运输、碳利用和碳封存四个环节。

碳捕集：碳捕集是 CCUS 技术的核心环节，主要是从化石能源燃烧产生的烟气中分离和捕集 CO₂。目前，常见的碳捕集技术主要包括燃烧前捕集、燃烧后捕集和 oxy-fuel 燃烧捕集三种。

燃烧前捕集：该技术在化石燃料燃烧前，先将其转化为合成气（主要成分是一氧化碳和氢气），然后通过水煤气变换反应将一氧化碳转化为二氧化碳和氢气，再利用物理吸收、化学吸收等方法将 CO₂从合成气中分离出来。燃烧前捕集技术具有捕集效率高、能耗低的优点，但需要对现有发电设备进行较大的改造，投资成本较高，主要适用于新建的燃煤电厂和燃气电厂。

燃烧后捕集：该技术在化石燃料燃烧后，直接从电厂的烟气中捕集 CO₂。由于烟气中 CO₂的浓度较低（通常为 3%-15%），因此需要采用高效的吸收剂（如胺类吸收剂、碳酸盐吸收剂等）来吸收 CO₂，然后通过加热、减压等方式将 CO₂从吸收剂中解吸出来，实现 CO₂的捕集和吸收剂的再生。燃烧后捕集技术具有改造难度小、适应性强的优点，适用于对现有电厂进行改造，但捕集效率相对较低，能耗较高。

oxy-fuel 燃烧捕集：该技术采用纯氧或富氧空气作为助燃剂，使化石燃料在富氧环境下燃烧，产生的烟气中 CO₂的浓度较高（通常为 80% 以上），然后通过简单的脱水、除尘等处理后，即可得到高纯度的 CO₂。oxy-fuel 燃烧捕集技术具有捕集效率高、后续处理简单的优点，但需要配套的制氧设备，制氧能耗较高，且对燃烧设备和炉膛结构有特殊要求，目前仍处于试验研究阶段。

碳运输：碳运输是将捕集到的 CO₂从捕集站点运输到利用或封存站点的过程。常见的碳运输方式主要包括管道运输、公路运输、铁路运输和船舶运输等。

管道运输：管道运输是目前最主要的碳运输方式，适用于大规模、长距离的 CO₂运输。它具有运输量大、运输成本低、安全性高、环境影响小等优点，但需要建设专门的 CO₂运输管道，初期投资成本较高，且管道的建设和运营需要考虑 CO₂的相态变化、腐蚀性等问题。

公路运输：公路运输适用于小规模、短距离的 CO₂运输，通常采用高压储罐车进行运输。它具有灵活性强、建设成本低的优点，但运输量小、运输成本高、安全性相对较低，且受道路条件和交通状况的影响较大。

铁路运输：铁路运输适用于中等规模、中长距离的 CO₂运输，通常采用铁路罐车进行运输。它具有运输量大、运输成本相对较低、安全性较高的优点，但灵活性较差，需要配套的铁路基础设施和装卸设备。

船舶运输：船舶运输适用于跨海域、长距离的 CO₂运输，通常采用专用的 LNG 船舶或 CO₂运输船舶进行运输。它具有运输量大、不受陆地地形限制的优点，但运输成本高、运输周期长、对船舶的技术要求较高，目前主要用于国际间的 CO₂运输。

碳利用：碳利用是将捕集到的 CO₂进行资源化利用，生产出有价值的产品，从而实现 CO₂的减排和资源化。常见的碳利用方式主要包括化工利用、农业利用、能源利用等。

化工利用：将 CO₂作为原料，通过化学反应生产出化学品、塑料、橡胶、燃料等产品。例如，CO₂与氢气在催化剂的作用下可以合成甲醇、乙醇、甲烷等燃料；CO₂与氨可以合成尿素，用于农业肥料；CO₂与环氧丙烷可以合成聚碳酸酯，用于生产塑料产品。化工利用方式能够实现 CO₂的资源化利用，产生经济效益，但对 CO₂的纯度要求较高，且反应过程需要消耗大量的能源和原材料。

农业利用：将 CO₂作为气肥，用于温室大棚蔬菜、水果的种植，能够提高作物的光合作用效率，增加产量，改善品质。农业利用方式具有成本低、操作简单的优点，但对 CO₂的需求量较小，且受地域和季节的限制较大。

能源利用：将 CO₂注入油田、煤层气田等，进行提高石油采收率（EOR）、提高煤层气采收率（ECBM）等操作，不仅能够实现 CO₂的封存，还能够提高能源的开采效率。例如，将 CO₂注入油田，CO₂可以与原油混合，降低原油的黏度，提高原油的流动性，从而增加石油的采收率。能源利用方式具有一举两得的优点，但受地质条件的限制较大，且需要对油田、煤层气田进行专门的改造。

碳封存：碳封存是将捕集到的 CO₂注入到地下深部的地质构造中，使其长期稳定地储存，不再释放到大气中。常见的碳封存方式主要包括地质封存、海洋封存和矿物封存等。

地质封存：地质封存是目前最主要的碳封存方式，主要是将 CO₂注入到地下深部的咸水层、枯竭的油气田、煤层等地质构造中。咸水层具有巨大的储存容量，能够长期储存 CO₂；枯竭的油气田具有良好的密封性和已知的地质结构，便于 CO₂的注入和监测；煤层不仅能够储存 CO₂，还能够促进煤层气的释放。地质封存方式具有储存容量大、封存周期长、安全性高的优点，但需要对地质构造进行详细的勘探和评估，确保其密封性和稳定性，且初期投资成本较高。

海洋封存：海洋封存是将 CO₂注入到海洋深部的水体中或海底的沉积物中，使其与大气隔离。海洋封存方式具有储存容量巨大的优点，但可能会对海洋生态环境造成影响，如改变海水的酸碱度、影响海洋生物的生存等，目前仍处于研究阶段，尚未大规模应用。

矿物封存：矿物封存是将 CO₂与金属氧化物（如氧化镁、氧化钙等）反应，生成稳定的碳酸盐矿物，从而实现 CO₂的永久封存。矿物封存方式具有封存稳定性高、环境影响小的优点，但反应速度缓慢，需要消耗大量的矿物资源和能源，成本较高，目前主要用于小规模的示范项目。

在综合能源系统零碳优化调度中，需要将 CCUS 技术与其他能源技术（如可再生能源发电、储能技术、能源转换技术等）进行协同优化，合理安排 CCUS 设备的运行计划，确定最佳的 CO₂捕集量、运输量、利用量和封存量，在实现零碳排放的同时，降低系统的运行成本，提高系统的经济性和能源利用效率。例如，在可再生能源出力充足时，可以增加 CCUS 设备的运行负荷，提高 CO₂的捕集量；在可再生能源出力不足时，可以适当降低 CCUS 设备的运行负荷，减少能源消耗，保证系统的供电可靠性。

（四）需求响应技术

需求响应（Demand Response, DR）技术是综合能源系统零碳优化调度的重要支撑技术之一，它通过激励用户改变其能源消费行为（如调整能源消费时间、降低能源消费负荷等），来适应能源系统的供应变化，实现能源供需的平衡，提高可再生能源的消纳率，降低系统的碳排放。需求响应技术主要包括价格型需求响应和激励型需求响应两种类型。

价格型需求响应：价格型需求响应通过制定合理的能源价格政策（如分时电价、阶梯电价、实时电价等），引导用户根据能源价格的变化调整其能源消费行为。当能源供应充足、价格较低时，鼓励用户增加能源消费；当能源供应紧张、价格较高时，引导用户减少能源消费或转移能源消费时间，从而实现能源供需的平衡。

分时电价：分时电价将一天 24 小时分为峰、平、谷三个时段，不同时段制定不同的电价水平，峰时段电价最高，谷时段电价最低，平时段电价介于两者之间。通过分时电价，能够引导用户将部分峰时段的能源消费转移到谷时段，减少峰时段的能源负荷，增加谷时段的能源负荷，实现能源负荷的削峰填谷，提高能源系统的运行效率。例如，在夏季用电高峰期，用户可以将空调、洗衣机等大功率电器的使用时间调整到夜间谷时段，以降低用电成本，同时减轻电力系统的供电压力。

阶梯电价：阶梯电价根据用户的能源消费量分为不同的阶梯，随着能源消费量的增加，电价水平逐步提高。通过阶梯电价，能够鼓励用户节约能源，减少不必要的能源消费，降低能源系统的整体负荷。例如，居民用户的用电量在第一阶梯内（如每月 0-200 度）执行较低的电价，超过第一阶梯后（如每月 201-400 度）执行较高的电价，超过第二阶梯后（如每月 400 度以上）执行更高的电价，从而引导居民用户合理用电，节约能源。