综述：建模生成备选方案的近最优能源规划策略，灵活探索实用可行方案

本综述系统阐述了建模生成备选方案（MGA）方法在能源系统规划中的突破性应用。针对传统成本优化模型（如集成评估模型）忽略结构性不确定性和多利益相关方偏好的局限，MGA可系统发掘近最优（near-optimal）解决方案，提升系统韧性（resilience）与社会可行性（social viability）。作者提出五级应用框架，为加速能源转型提供共识策略生成新范式。

　　

The implications of not looking beyond the optimum

传统能源系统优化模型与集成评估模型（integrated assessment models）通常聚焦于在给定情景下寻找社会总成本最低的“最优”能源规划策略。然而，这种单一成本最优（cost-optimal）解决方案存在根本性缺陷：它忽视了现实决策中多利益相关方的冲突利益和深层不确定性。研究表明，成本最优方案往往导致系统脆弱性——例如依赖少数发电机类型的集中式布局在面临燃料价格波动或能源短缺时缺乏韧性（resilience）。相比之下， marginally更昂贵的多样化技术组合方案反而能显著提升系统抗冲击能力。

历史数据分析证实，真实世界的能源决策会因社会可接受性（social acceptability）、资产价值或多目标妥协等因素，显著偏离成本最优路径。许多碳中性系统设计方案虽然成本略高，但具备更好的实践可行性，却被传统优化方法遮蔽。参数不确定性（parametric uncertainty）（如天气模式、技术成本）可通过随机规划、鲁棒优化（robust optimization）等方法处理，但结构性不确定性（structural uncertainty）——那些难以量化的社会政治因素——需要更灵活的探索方法。

From conventional to next-generation MGA

建模生成备选方案（Modeling to Generate Alternatives, MGA）在运筹学领域早有应用，但过去在能源规划中的推广受限于计算瓶颈和结果解释复杂度。传统MGA方法在处理大规模模型时计算效率低下，且难以与其他不确定性分析方法集成。

新一代MGA技术通过算法创新（如定向扰动约束、并行计算）突破了这些限制。它们不仅能高效生成大量近最优解，还能与全局敏感性分析（global sensitivity analysis）和多目标优化融合，揭示决策空间中的帕累托前沿（Pareto front）。关键进展包括：采用启发式方法降低计算负荷、开发可视化工具增强结果可解释性，以及整合参与式建模（participatory modeling）以嵌入利益相关者偏好。

Practical solutions to advance energy planning beyond cost-optimization

基于最新研究，作者提出五级MGA应用框架，每级对应不同资源投入与分析深度：

第一级（基础应用）：通过简单约束松弛快速生成少量备选方案，无需额外计算资源；

第二级（系统探索）：使用定向MGA系统探索技术组合的多样性；

第三级（多目标集成）：将MGA与多目标优化结合，明确权衡关系（trade-offs）；

第四级（不确定性融合）：整合随机或鲁棒优化处理参数不确定性；

第五级（共识策略生成）：引入参与式流程，将利益相关者偏好直接纳入方案生成。

即使最简单层级的应用也能显著提升规划质量，而最高层级可实现共识驱动（consensus-driven）的转型策略制定。作者强调，MGA应成为能源模型标准流程的一部分，以弥补传统成本优化的局限性，加速基于实证的能源决策。

（注：全文严格基于原文内容重构，未添加非原文信息，专业术语与文献案例均保留原始表述方式。）