电力市场化改革全景图 ----寻找系统成本最优解 吴 杰（公用事业首席分析师） SAC S0850515120001 傅逸帆（公用事业高级分析师） SAC S0850519100001 阎 石（公用事业联系人） 胡鸿程（公用事业联系人） 2024年7月10日 证券研究报告 （优于大市，维持） 下载日志已记录，仅供内部参考，股票报告网 下载日志已记录，仅供内部参考，股票报告网 本篇报告中，我们将着力回答以下几个问题 （1）从能源保供过渡到新型电力系统发展下的成本最优，140万亿的碳中和投资 怎么投 （2）现货市场为什么重要：电力现货市场如何运行，现货对不同省份、不同电源 的影响几何，现货如何指导电力投资 （3）改革对火水核风光的影响及投资建议 章节目录 1. 电力产业链全景图 2. 电改核心政策和当前使命 现；绿电的减排价值也将随着碳市场的完善而进一步明晰。 （3）效率优化：电价机制的理顺有助于实现源网荷储协同发展，通过电源侧存量挖潜&适度 新增、电网侧互联互通&余缺互济、需求侧削峰填谷等方式，在保障供应安全的前提下实现 系统成本最优；改革红利有望带来需求侧管理、综合能源服务及碳足迹产业链等新领域、新 业态从零到一的投资机会。 个股建议关注： 火电：皖能电力、华电国际、华能国际、浙能电力、内蒙华电、大唐发电 火电转型：华润电力、中国电力

推进健康中国未来十年发展的蓝图设计和重点工程。 中国智慧健康医疗蓝皮书 2022 4 为“健康中国”插上智慧的翅膀 图 1-1 智慧健康医疗的定义 基于该重大项目的研究成果，智慧健康医疗被定义为现代数智 科技赋能的最优化大健康生态体系。这个健康生态体系将现代数字 化、智能化科技手段集成应用并深度融合于健康医疗实践，通过全 要素、全流程、全链条的系统优化，实现覆盖全人群、全生涯、全 维度的全域照护，最终实现优质、高效、经济、可及的价值医疗。 需的健康 管理、医疗卫生和康复养老等各种健康医疗服务，形成全域覆盖的 健康照护体系。智慧健康医疗的服务效能主要体现在价值医疗上， 即在医疗成本、治疗效果和患者体验三者之间寻求最佳平衡并实现 最优化获益，从而推动整个国家乃至全球的卫生健康事业持续改进 和优化。 面向中国新时代发展需求，我国医疗卫生事业经历了以治病为 智慧健康医疗体系概述 1 5 中心向以健康为中心的重要转变，智慧健康医疗的发展，也符合“将 智慧健康医疗中的主要数字技术 技 术 内涵 在健康医疗领域的 应用场景 应用实例 人 工 智 能 通过计算机或由计算机控制的终 端，模拟、延伸和扩展人类智能， 能够感知环境、获取并使用知识 来获得最优结果的技术 人工智能与健康医疗的结合已初步应用在 卫生健康产业发展、临床辅助诊疗、医院 智能管理、医学科研与教育、公共卫生智 能服务等方向 智能影像辅助诊断：对脑、肺、眼、骨、心脑血管、皮

置相互影响，深度耦合 长时储能等需要实现跨季、跨月、 跨周优化调度 6 （二）时序模拟需要面临的新场景 关键问题六：多方案比较方法难以找到多类 型设备的最优配比，无法开展复杂最优解的 求解。通过运筹计算内核可以直接得出多维 空间的最优解。 关键问题五：新型电力系统规划需要考虑源 网协同，电网输电通道限额、输电断面限额、 安全稳定极限、跨省跨区直流运行方式约束 等对电源外送、新能源消纳有较大影响。 X轴：电力平衡 Y轴：电量平衡 Z轴：调峰平衡 P轴：消纳能力 Q轴：规划投资 S轴：电力市场 … 多维空间： 最优规划方案 7 （二）时序模拟需要面临的新场景 关键问题七：针对大区多子系统算例，需要 统筹考虑区域总平衡和各子系统自平衡，实 现跨区互济协调调度，达到各分区最优调度。 A：-100 B：-200 D：160 C：180 A：10 B：10 D：10 C：10 关键问题八：对多分区电力流互济进行优化，  跨省跨区互济 合理调配机组开机及电力 流流向，实现复杂拓扑下 的电力流互济能力  协议电量 需要考虑跨省跨区通道的 电量约束，满足地区之间 年度电量协议，合理优化 电量分配，实现最优调度  输配电价成本 电力流互济需要考虑跨省 送电成本，电力流损失等， 精细化模拟系统互济情况 二、当前时序模拟方法遇到的问题 8 （一）时序生产模拟计算迫切需要解决的问题 9 时序运行模拟

设备名称、设备级别、调配量、可调配量 业务逻辑 根据设备级别和待调配量，可调配量、动态指定出在不影响设备正常使 用的情况下最优调配策略 输出业务对象及 属性 调配策略 功能需求描述 定义设备级别、根据设备级别和待调配量，可调配量、动态指定出在不 影响设备正常使用的情况下最优调配策略 界面要求 根据省公司统一框架界面要求布局，数据过滤条件要求有名称、企业 等，支持模糊查询 非功能性需求 3.2.2.4.1 计算设备最优能耗 业务功能名称 计算设备最优能耗 参与者 系统管理员、业务管理员、用电企业方、代理企业方 业务规则 通过采集设备能耗的历史数据一级可调配额从而计算出当前每台设备的 不同情况下的最优能耗功率 输入业务对象及 属性 企业用户登录信息 业务逻辑 通过采集设备能耗的历史数据一级可调配额从而计算出当前每台设备的 不同情况下的最优能耗功率 输出业务对象及 实时显示设备的最优功率 19 功能需求描述 通过采集设备能耗的历史数据一级可调配额从而计算出当前每台设备的 不同情况下的最优能耗功率 界面要求 根据省公司统一框架界面要求布局，数据过滤条件要求有名称、企业 等，支持模糊查询 非功能性需求 安全性、易用性、可靠性、高性能、可扩展性、可维护性 状态 新增+查询 3.2.2.4.2 统计企业最优能耗 业务功能名称 统计企业最优能耗 参与者

5.计算各项指标权重，最终结果如左图所示。 排名得分方法——TOPSIS 1.对于反向指标采用取倒数进行同向处理， 然后进行数据规范化 2.利用欧式距离计算与最优最劣目标的距 离，并乘以权重 3.计算各评价对象与最优方案的贴近程度 • 公共交通是城市交通的重要组成部分，全面客观地描述城市公共交通整体运行水平，有利于更综观地评价城市交通状况。高德提出“公共交通出行幸福指数”： 效率 在所研究城市在2024年期间，北京市高峰期公共交通与小汽车高峰出行时间最接近，排名与2023年同期一致，蝉联公共交通与小汽车高峰出行时间比最优城 市；说明该城市早晚高峰期采用公共交通出行的时间效率体感较好；西安市和兰州市分别在特大城市和中大城市中出行时间比最优； • 对大多数城市而言，早高峰的公共交通与小汽车出行时间比略高于晚高峰。在时间效率体感最佳的排名前十城市均呈现这样的趋势。 注：指标 单位：分钟 特大城市 超大城市 中大城市 • 研究城市范围内兰州高峰期地面公交平均候车时长最优 • 所研究城市范围内，兰州市的候车时长为6.87分钟，在所有城市中最优，且兰州市受发车频率影响的候车时长最小；合肥市受交通扰动影响的候车时长在所有 城市中最小。重庆市、合肥市的候车时长分别为超大城市、特大城市的最优。 注：指标基于各城市核心区内、实时数据质量较高的公交线路计算得到。高峰期平均候车时长，

合通信数据传输有堵点，“快等慢”造成部分资源浪费。针对大模型推理过程，由于预填充 和解码阶段对算力和显存的需求量不同，传统大模型推理过程算力显存阶段互为瓶颈，造成 低水平资源利用率，需要解决异构算力协同调度问题使其匹配到最优计算任务。 8 第二章 算力协同体系架构 为了打破异构算力生态壁垒，实现不同类型智算异构算力高效协同工作，南向屏蔽底层 ASIC、GPGPU 不同路线算力差异，北向承载多场景、多行业、多模态大模型，构建异构算 化技术实现自适应的即时编译优化；各异构算力厂商间算子各异，需要构建跨架构的统一算 子接口，提炼通用算子的统一数学描述，解耦硬件实现细节，形成能够在厂商间源码共享的 算子库，省去重复开发成本且保障一致的算子实现，能够发挥硬件的最优性能，打造融合算 力底座。 （2）统一通信：构建低延迟高吞吐的智算高速公路 统一通信是异构算力协同的必要功能，旨在解决打破异构硬件间协议壁垒导致的“数据 孤岛”困境，构建跨厂商、跨架构的确定 Direct Memory Access）等关键技术实现算力间显存高效 互通，实现不同芯片间的超低时延传输。 （3）统一调度：实现全局最优的资源编排中枢 统一调度是异构算力协同的智能决策中枢，旨在解决多任务资源争用引发的“效率下降” 难题，构建全局最优的资源编排范式，实现对异构算力集群的全维度精细化调度。针对异构 算力计算能力差距，面向大模型训练场景构建分布式并行策略组合、业务感知的非均质拆分

发展。算力网络作为实现算网基础设施化的一个重要载体，旨在将泛 在的算力资源依托网络进行打通互联、协同调度，并将不同的应用业 务通过最优路径调度到最优的计算节点，在实现用户体验最优的同时， 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 3 保证网络资源和计算资源利用率最优化。 算力网络的核心思想是基于泛在分布的网络实现无处不在的算 力资源，通过构建一张计算资源可感知、可分配、可调度的新型网络 以用户体验为主：算力网络的目标是为用户提供极致的服务体验， 而这需要其具备高度的自动化、智能化水平，能够根据用户意图自动 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 4 化地提供最优资源服务，然而现有算力网络的系统架构、流程机制、 使能技术、服务模式等无法支撑上述目标的实现。 近年来，以深度学习、知识图谱为代表的 AI 技术得到了飞速发 展，并在诸多领域取得了巨大突破。算力网络作为支撑各行业数智化 所示。对于算力网络建设者来说，生成式 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 5 AI 技术将打造全新的算网设计范式，彻底取代人类专家在算网设计 配置的工作，并能够根据场景自动生成最优算网部署方案。算网建设 者仅需要将场景需求、指标期望等输入给 AI 专家系统，然后按照生 成的方案在现实世界中执行对应的操作。对于算力网络运营者来说， AI 技术能够对算网全流程赋能，包括用户意图感知、业务智能承载、

智能化 科技支撑 基础设施 研发能力 数据能力 落地举措 运用第一性原理，思考“用户价值” 温度 客户体验优化 | 贴近客户所需 效率 降本增效 | 优化流程 智能 数智化决策 | 全局最优化配置 专业 精细化管理 | 记录、追踪、可量化 内生动力 组织与文化 团队是战略落地的基础，文化机制是最强大的精神动力。没有组织与文化，战略落地无从谈起 战略 数智化一定是一把手工程 2023年 “全部外包”到“自主可控”的蜕变 • 目标：实现科技能力由全部外包到自主可控的蜕变 • 路径：在线化-数字化-核心-相融-智能化，阶段性目标+长期主义 • 成效：实现成本和效率最优，引领公司高质量发展，持续巩固轻资产优势 www.top100summit.com 数 智 华 农 2 . 0 经营决策 数字化 客户经营 互联化 销售运营 智能化 管理流程 精细化 com 经营成本率、综合成本率均为近年来最优水平 113.0% 105.9% 103.1% 99.1% 100.1% 95.0% 97.0% 99.0% 101.0% 103.0% 105.0% 107.0% 109.0% 111.0% 113.0% 115.0% 近年同期 最低 22年首降至100%以下，实现近年最优水平 经营成本率对比 115.5% 105

且多样化需求，已经难以有效应对。分布式算力感知与调度技术应运 而生，成为应对海量、泛在、实时计算需求的关键基础设施。这一理 念旨在构建一个能够动态感知全网算力资源，并根据任务需求进行智 2 能化、自动化、最优化调度的新型信息基础设施，降低计算延迟与成 本，支撑新型智能化应用的落地。 分布式算力是相对于传统集中式算力（如单一超级数据中心）而 言的算力部署与利用模式，其核心是将一个大的计算任务分解成若干 式算力并非单 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧 “调度”则是基于“感知”结果所采取的行动，是整个系统的“大 脑”和中枢。它根据感知到的全网算力资源分布图景和实时状态，在 复杂约束条件下，通过智能高效的算法，将计算任务合理地分配到最 合适的节点上执行，从而实现全局最优的资源利用率、最低的运营成 本和最佳的用户体验。调度决策是一个高度复杂的优化问题，其目标 函数通常是多维度的，需要在性能目标、经济目标和系统目标之间寻 求最佳平衡点。分布式调度策略多种多样，从传统的基于静态规则的

(３)动态平台指动态改变操作系统或硬件平台,通过更改 其结构和软硬件配置来提高系统安全性. Zhang等提出在 多 个 平 台 上 按 策 略 进 行 关 键 服 务 的 迁 移,并根据系统回报确定是否执行服务迁移和最优服务的迁 移时机,并在迁移后重置当前平台[４１].Sourour等 设 计 在 攻 击频率较 低 的 网 络 中,通 过 可 信 动 态 逻 辑 异 构 系 统 (TALＧ ENT),在多个候选平台中进行周期性的随机迁移 与 者 在 博 弈 开 始 时 同 时 进 行 决 策,并根据其他参与者的决策获得相应收益. Jiang仅考虑单阶段博弈系统,提出了一种基于信号博弈 的移动目标防御决策模型,根据贝叶斯法则求解最优防御策 略.但单阶段博弈模型只考虑了攻防过程中各种随机因素稳 定不变的情况,并不符合真实网络攻防情景[５５]. ②多阶段博弈指所有参与者可以在多个阶段进行决策, 根据其他参与者的决策及时调整策略 可用性之间较为均衡的最优防御策略[５９]. ②动态博弈相较于静态博弈,更充分考虑了攻防双方行 动的非同时性,双方采用实时行动进行攻防博弈,更加符合实 际网络攻防场景.其中较为常见的是通过信号收发进行行动 选择的信号博弈,以及参与者决策、收益都可由微分方程描述 且连续可导的微分博弈. Liu等提出一种 信 号 博 弈 模 型,使 用 博 弈 模 型 和 最 优 求 解算法选取最优策略,并结合容器调度方法进行容器迁移