董福貴， 時 磊， 吳南南

(1.華北電力大學(xué) 經(jīng)濟與管理學(xué)院，北京 102206；2.新能源電力與低碳發(fā)展研究北京市重點實驗室(華北電力大學(xué))，北京 102206)

0 引言

電力行業(yè)與影響人類社會相關(guān)的能源安全以及氣候變化問題息息相關(guān)[1].通過可再生能源替代傳統(tǒng)能源是實現(xiàn)能源低碳轉(zhuǎn)型的重要方式，深入電力市場改革、促進清潔能源消納已經(jīng)成為世界各國面臨的主要問題[2]。而采用風(fēng)力發(fā)電可以有效節(jié)約煤炭資源，有效減少碳排放[3]。風(fēng)力發(fā)電作為一種環(huán)境友好、具有良好社會效益的主要可再生能源發(fā)電方式[4]，不僅是主要的風(fēng)能利用方式，也成為替代常規(guī)能源的最佳選擇。隨著近年來我國可再生能源發(fā)展扶持政策的相繼出臺，我國風(fēng)電裝機容量呈現(xiàn)井噴式增長，一方面風(fēng)資源的開發(fā)使得我國可再生能源發(fā)展步入新的階段，另一方面，風(fēng)電裝機容量大幅增加不僅對整個電力系統(tǒng)的穩(wěn)定運行帶來了一定的影響[5]，并且使得棄風(fēng)率居高不下成為現(xiàn)階段風(fēng)力發(fā)電最為突出的問題[6-8]。而我國風(fēng)力發(fā)電方面的系統(tǒng)性評價研究并不深入，還沒有形成一套成熟的風(fēng)力發(fā)電績效評價方法來對我國風(fēng)力發(fā)電發(fā)展現(xiàn)狀進行理論性評價與指導(dǎo)。本文研究了一套完整的風(fēng)力發(fā)電績效研究方法，以評價模型對風(fēng)力發(fā)電績效進行評價、預(yù)測模型對風(fēng)力發(fā)電未來發(fā)展趨勢進行預(yù)測，以評價加預(yù)測的方式為我國風(fēng)力發(fā)電績效提供一種系統(tǒng)性的研究思路。文獻[9]通過建立數(shù)學(xué)評價模型對風(fēng)力發(fā)電的靈活性進行了科學(xué)性評價。通過對影響風(fēng)力發(fā)電的特性指標進行了梳理與分類，其研究成果對風(fēng)力發(fā)電績效評價奠定了科學(xué)基礎(chǔ)[10]。文獻[11]通過構(gòu)建基于指標偏好間關(guān)聯(lián)的區(qū)間理想點模型(Interval Value TOPSIS Model with Interaction, IV TI)方法對某省的可再生能源發(fā)電績效進行評價研究。針對近年來高棄風(fēng)率對風(fēng)力發(fā)電的影響，文獻[12]提出一種考慮風(fēng)力發(fā)電全過程的評價方法來找出制約風(fēng)力發(fā)電績效的影響因素。文獻[13]通過構(gòu)建超效率數(shù)據(jù)包括分析和Malmquist指數(shù)模型從風(fēng)力發(fā)電的經(jīng)濟角度對三北地區(qū)風(fēng)力發(fā)電進行了評價。文獻[14]對利用儲能設(shè)備來促進風(fēng)電入網(wǎng)的經(jīng)濟性進行了評價研究，論證了其可行性。文獻[15]研發(fā)了軟件系統(tǒng)對電力系統(tǒng)的低碳節(jié)能和經(jīng)濟性進行評價研究，并實證研究了五省新能源并網(wǎng)前后的經(jīng)濟性和節(jié)能性。

由于DEA(Data Enovelopment Analysis)與TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)方法的良好互補特性，使其與其變形方法在多目標指標體系評價系統(tǒng)中的應(yīng)用已經(jīng)相對成熟，國內(nèi)外相關(guān)研究較為深入。文獻[16-17]引入DEA方法來對火力發(fā)電進行績效評價，深入探討了現(xiàn)階段火力發(fā)電面臨的問題。文獻[18]在項目層面上，采用DEA方法對碳排放技術(shù)進行了效率比較。文獻[19]利用層次分析法(Analytic Hierarchy Process, AHP)和與理想解法，探討核電設(shè)備供應(yīng)鏈系統(tǒng)中的供應(yīng)商選擇問題。程蒙利用AHP-TOPSIS方法綜合考慮成本、安全性、可靠性、經(jīng)濟4個方面，對光伏發(fā)電項目進行了綜合評價[20]。而時間序列預(yù)測方法應(yīng)用更為廣泛，在電力系統(tǒng)領(lǐng)域此方法的使用也較為成熟。文獻[21～23]通過時間序列預(yù)測模型對電力負荷進行短期預(yù)測，為電網(wǎng)公司制定負荷預(yù)報曲線提供準確信息。

1 基于DEA-TOPSIS-時間序列的風(fēng)電績效動態(tài)評價預(yù)測模型

1.1 模型選擇

本文從多投入多產(chǎn)出的角度運用DEA評價方法，并結(jié)合TOPSIS對DEA評價結(jié)果中的多個綜合效率為1的決策單元進行二次評價，但僅對各省市過去風(fēng)電績效進行評價，其實踐指導(dǎo)意義較弱。為彌補這一不足，本文通過引入時間序列預(yù)測模型對各省未來風(fēng)電績效進行預(yù)測。時間序列預(yù)測實際是將影響風(fēng)電績效水平的多種因素集中在時間這一因素中，通過已有數(shù)據(jù)預(yù)測在當前影響因素變化趨勢不變情況下因變量未來的可能值。由于本文會對時間序列排名的預(yù)測值進行二次處理(通過各省市過去排名值預(yù)測將來排名，時間序列模型的輸出結(jié)果并不可直接使用，需要通過進一步的大小排序來確定最終排名值)，其適用性以及準確性較高，其結(jié)果對風(fēng)電政策措施制定的指導(dǎo)價值更高。

1.2 風(fēng)力發(fā)電績效DEA-TOPSIS動態(tài)評價模型

1.2.1 動態(tài)DEA模型

本研究所采用的動態(tài)DEA模型如下：設(shè)包含n個決策單元(Decision Making Unit, DMU)的m個投入指標的的投入矩陣和s個產(chǎn)出指標的產(chǎn)出矩陣在時間段t的具體表達形式如下：

(1)

(2)

定義其生產(chǎn)可能集：

(3)

(4)

1.2.2 TOPSIS模型

(1)熵權(quán)法確定指標權(quán)重。

對T年需要進行TOPSIS分析的決策單元進行假設(shè)：被評價對象有n個，每個被評價對象對應(yīng)m+s個評價指標，構(gòu)建判斷矩。

(5)

(6)

(7)

對判斷矩陣進行標準化處理。

(8)

(9)

計算信息熵。

(10)

t=1/lnn

(11)

(12)

定義指標i的權(quán)重。

(13)

(2)計算加權(quán)矩陣。

(14)

(15)

(3)最優(yōu)決策單元確定

(4)最劣決策單元確定

(5) 無量綱化處理

投入指標無量綱化處理公式為：

(16)

產(chǎn)出指標無量綱化處理公式：

(17)

(6)計算貼近度

(18)

(19)

決策單元貼近度計算：

(20)

貼近度dj越大表示決策單元相對距離正理想點的距離越近，決策單元相對較優(yōu)，反之風(fēng)力發(fā)電績效水平較低。對以上模型輸出結(jié)果進行大小排序，從而得到中國29個省(自治區(qū)、直轄市)各年風(fēng)力發(fā)電的績效排名，通過對排名結(jié)果進行分析，理解其背后的作用機理，進一步分析其最終排名的影響因素以及目前中國風(fēng)力發(fā)電所面臨的主要問題。

1.3 基于時間序列的風(fēng)電績效預(yù)測模型

本文對風(fēng)力發(fā)電績效預(yù)測是通過SPSS軟件實現(xiàn)的，SPSS軟件中的時間序列預(yù)測模塊擁有多種模型方法，對具有不同特點的時間序列可以自動選擇擬合度最優(yōu)的模型加以分析預(yù)測。針對我國大陸地區(qū)29個不同省市風(fēng)力發(fā)電績效排名數(shù)據(jù)的特點，SPSS軟件采用了簡單指數(shù)平滑模型和ARIMA(Autoregressire Integrated Moving Average Model)模型對各省市風(fēng)力發(fā)電績效進行了預(yù)測。

(1)簡單指數(shù)平滑模型

簡單模型是指數(shù)平滑模型的一種，是一種非線性的估計方法，基本原理是最小化預(yù)測值和觀測值之間的均方誤差(Mean Square Error, MSE)。該方法適用于不含趨勢和季節(jié)成分的時間序列數(shù)據(jù)?；绢A(yù)測公式：

St=Ayt+(1-A)St-1

(21)

一般預(yù)測公式：

St=Ayt+(1-A)yt-1+(1-A)2yt-2+…

+(1-A)t-1y1

(22)

式中：yt為t時刻的觀測數(shù)據(jù)；St為平滑后的數(shù)據(jù)；A為介于0到1之間的實數(shù)。

(2)ARIMA預(yù)測模型

ARIMA模型是應(yīng)用最多的一種時間序列預(yù)測模型，可以對含有季節(jié)成分的時間序列數(shù)據(jù)進行分析，它包含3個主要的參數(shù)：自回歸階數(shù)p、差分階數(shù)d和移動平均階數(shù)q,一般模型的形式記為ARIMA(p、d、q)。

Step1：數(shù)據(jù)平穩(wěn)化

在使用此模型時首先要通過差分使時間序列變得平穩(wěn)化，分為一般性差分和季節(jié)性差分。

一般性差分公式：

(23)

式中：yt是原始的時間序列；B為延遲算子；yt為一階差分；dyt為d階差分。

季節(jié)性差分公式：

Tyt=yt-yt-T

(24)

式中：yt是以T為周期的序列；T表示季節(jié)差分算子。

Step2：建立自回歸移動平均模型ARMA(p、q)

(25)

式中：yt為白噪聲序列。公式(23)體現(xiàn)了時間序列Xt的某個時刻t和它之前p個時刻以及q個白噪聲序列的相互關(guān)系，模型的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)分別在p、q階后不為零，即具有拖尾性。

1.4 研究流程

基于上述風(fēng)力發(fā)電績效評價及預(yù)測建立的DEA-TOPSIS-時間序列3階段模型，建立本文的研究流程圖，見圖1。

圖1 研究流程

2 風(fēng)力發(fā)電績效動態(tài)評價及預(yù)測實證分析

2.1 數(shù)據(jù)來源與指標選取

本文選取了中國29個省份的風(fēng)力發(fā)電年累計裝機容量、風(fēng)電廠年運維成本、風(fēng)力發(fā)電年上網(wǎng)電量以及能源替代收益為模型基礎(chǔ)指標，具體指標體系如表1所示。

本文數(shù)據(jù)來源于Wind資訊終端中的宏觀經(jīng)濟數(shù)據(jù)。本文通過對其能源電力數(shù)據(jù)進行進一步整理、預(yù)處理，進而得到文章所需2010年～2017年各指標數(shù)據(jù)。其中包含了中國29個省份數(shù)據(jù)，由于數(shù)據(jù)完整性因素，西藏、四川以及港澳臺等地區(qū)數(shù)據(jù)未包括在內(nèi)。

表1 風(fēng)力發(fā)電評價指標體系

2.2 風(fēng)力發(fā)電績效評價

(1)本文通過deap2.1軟件來對DEA模型進行仿真計算。以2010年數(shù)據(jù)為例，結(jié)果顯示北京、福建、江西、上海、湖南幾省綜合效率為1，績效排名最優(yōu)。詳見表2。

在2010年，安徽、青海、貴州、廣西，風(fēng)力發(fā)電還未施行，其指標數(shù)值為0導(dǎo)致deap.2.1不能輸出其效率值，認為該4省的風(fēng)力發(fā)電績效排最差，其他省份按以下排序規(guī)則排序。

將綜合效率作為第一排序規(guī)則、規(guī)模效率作為第2排序規(guī)則、純技術(shù)效率作為第3排序規(guī)則，對29個省的風(fēng)力發(fā)電績效進行排序，即綜合效率值越大排名越優(yōu)，綜合效率值相同時規(guī)模效率值越大排名越優(yōu)，綜合效率值、規(guī)模效率值相同時純技術(shù)效率越大排名越優(yōu)。

(2)對綜合效率值為1的決策單元，通過Excel公式對上述TOPSIS模型按步驟進行仿真計算。通過公式(5)～(11)計算指標權(quán)重為：風(fēng)電年上網(wǎng)電量權(quán)重為0.261 8；能源替代收益0.275 3；風(fēng)力發(fā)電裝機容量0.186 4；風(fēng)電廠運維成本0.276 5。通過公式(11)～(18)計算貼近度，具體仿真結(jié)果見表3。

根據(jù)上述排序規(guī)則，對其績效優(yōu)劣程度進行排序如下：福建>北京>上海>江西>湖南。

采用相同的方法對各省2011年～2017年風(fēng)力發(fā)電績效進行評價，最終得出各省各年風(fēng)力發(fā)電績效排名，見表4。

2.3 風(fēng)力發(fā)電績效預(yù)測

(1)模型仿真

以上述評價模型對各省風(fēng)力發(fā)電的績效的評價結(jié)果作為預(yù)測模型的輸入數(shù)據(jù)，對各省風(fēng)力發(fā)電績效排名進行預(yù)測。隨機選取吉林省為例，利用SPSS軟件對預(yù)測模型進行仿真。采用SPSS軟件對吉林省2018年的風(fēng)力發(fā)電績效預(yù)測結(jié)果為23.25，即在當前吉林省風(fēng)力發(fā)電政策變化趨勢不變的情況下，吉林省在2018年29個省中風(fēng)力發(fā)電績效排名為23.25。

表2 指標體系 %

表3 TOPSIS模型結(jié)果

表4 風(fēng)力發(fā)電績效排名

(2)模型適用性判定

由于時間序列數(shù)據(jù)較少，SPSS沒有足夠的自由度來進行白噪聲檢驗，使得模型的預(yù)測結(jié)果可信度不高，為了解決這一問題，文章通過對比分析評價模型對各省2017年風(fēng)電績效的評價結(jié)果和本節(jié)的預(yù)測模型對各省2017年風(fēng)力發(fā)電績效的預(yù)測結(jié)果，來驗證模型的準確性(對比圖見圖2)。

圖2 對比分析圖

按上述吉林省風(fēng)力發(fā)電績效預(yù)測仿真方法，并以各省市風(fēng)力發(fā)電績效2010年～2016年排名作為已知數(shù)據(jù)，構(gòu)造時間序列，來預(yù)測各省風(fēng)力發(fā)電2017年排名，由于SPSS輸出結(jié)果可能出現(xiàn)非整數(shù)、取值不在1～29之間等情況，所以需對SPSS輸出結(jié)果作進一步的大小比較，以確定各省市2017年風(fēng)力發(fā)電績效排名。預(yù)測結(jié)果見表5。

可以看出，時間序列模型的預(yù)測結(jié)果與評價結(jié)果基本相符，說明時間序列模型的輸出結(jié)果可以用來指導(dǎo)風(fēng)力發(fā)電相關(guān)政策措施的制定與修正，對我國實現(xiàn)能源轉(zhuǎn)型目標有重要意義。

表5 2017年風(fēng)力發(fā)電績效排名預(yù)測

(3)績效排名預(yù)測

為充分了解各省市風(fēng)力發(fā)電績效排名未來的變化趨勢，將DEA-TOPSIS模型輸出的2010年～2017年各省風(fēng)力發(fā)電績效排名作為上述時間序列模型的輸出數(shù)據(jù)，對各省2018年風(fēng)力發(fā)電績效排名進行預(yù)測。2018年各省市風(fēng)力發(fā)電績效排名預(yù)測結(jié)果見表6。

表6 2018年風(fēng)力發(fā)電績效排名預(yù)測

2.4 實證研究的結(jié)果分析

(1)為了充分研究棄風(fēng)率與風(fēng)力發(fā)電績效之間的聯(lián)系，本文統(tǒng)計了2013年～2016年棄風(fēng)現(xiàn)象較為明顯省份的棄風(fēng)率，見表7。

表7的數(shù)據(jù)顯示：中國棄風(fēng)現(xiàn)象較為嚴重的省市集中在東北、華北、西北、西南地區(qū)，為研究這些省市棄風(fēng)率對風(fēng)力發(fā)電績效的影響，將這些省市2013年～2016年的風(fēng)電績效和棄風(fēng)率作對比分析，如圖3～圖6所示。

表7 棄風(fēng)率 %

圖3 東北地區(qū)對比分析

圖4 華北地區(qū)對比分析

由圖3東北地區(qū)的風(fēng)電績效與棄風(fēng)率的對比圖來看，棄風(fēng)率對其各省的風(fēng)電績效排名影響非常顯著，東北地區(qū)風(fēng)力發(fā)電發(fā)展起步早，技術(shù)較為成熟，風(fēng)資源較為豐富，裝機容量增速遠大于上網(wǎng)電量增速，造成棄風(fēng)現(xiàn)象嚴重，從而影響風(fēng)力發(fā)電績效排名。

由圖4華北地區(qū)的風(fēng)電績效與棄風(fēng)率的對比圖來看，天津的排名與棄風(fēng)率相關(guān)性較為明顯，是因為天津工業(yè)經(jīng)濟較為發(fā)達，風(fēng)電機組制造水平較高，具有成熟的風(fēng)力發(fā)電技術(shù)，且由于近年來中國大力促進風(fēng)力發(fā)展，使得影響風(fēng)力發(fā)電績效的技術(shù)、資源、相關(guān)政策等因素對風(fēng)力發(fā)電績效的影響相對不顯著，而棄風(fēng)率成為主要的影響因素；內(nèi)蒙古地區(qū)前期排名與棄風(fēng)率相關(guān)性高，而2016年棄風(fēng)率同比2015年幾乎持平，但績效排名在一定程度上有所上升。內(nèi)蒙古是風(fēng)力發(fā)電大省，其裝機容量與上網(wǎng)電量增速較大，但其地區(qū)人口密集度低，其棄風(fēng)限電問題較為嚴重，從圖中可以看出其棄風(fēng)率在大幅度上升，而棄風(fēng)率增速放緩可能是這一地區(qū)風(fēng)力發(fā)電績效排名上升的原因；同樣山西地區(qū)持續(xù)較高的棄風(fēng)率是造成績效排名逐年下降的重要原因；而河北地區(qū)棄風(fēng)率對風(fēng)電績效的影響后期較為明顯但在2014年棄風(fēng)率有所下降的情況下，風(fēng)力發(fā)電績效排名卻有所下降，可能是因為河北地區(qū)前期風(fēng)力發(fā)電技術(shù)水平較低，但隨著國家對風(fēng)力發(fā)電的大力支持，我國各地的風(fēng)力發(fā)電技術(shù)不斷成熟，導(dǎo)致技術(shù)因素對風(fēng)力發(fā)電績效的影響逐漸降低。

由圖5、圖6西北地區(qū)和西南地區(qū)風(fēng)電績效排名和棄風(fēng)率的對比圖來看，除甘肅和新疆外其他省份績效排名和棄風(fēng)率變化趨勢較為平緩，而甘肅棄風(fēng)率和其績效的相關(guān)性較強，棄風(fēng)率是影響風(fēng)力發(fā)電績效的重要因素。

圖5 西北地區(qū)對比分析

圖6 西南地區(qū)對比分析

(2)通過對風(fēng)電績效排名的觀察，北京、上海、福建等省份的排名基本穩(wěn)定靠前，是因為這些地區(qū)風(fēng)力發(fā)電技術(shù)較為成熟、發(fā)展模式科學(xué)、棄風(fēng)率低、風(fēng)電消納水平高，其技術(shù)效率與規(guī)模效率高，綜合排名靠前。而湖北、廣西、貴州、青海等城市的風(fēng)力發(fā)電績效排名較低，是因為這些地區(qū)風(fēng)能資源貧乏，風(fēng)能發(fā)電不被充分重視支持，導(dǎo)致其技術(shù)效率與規(guī)模效率低，綜合排名落后于其他地區(qū)。

(3)我國風(fēng)能資源開發(fā)的重點區(qū)域是東北三省、內(nèi)蒙古、河北、甘肅、新疆，但其排名卻不是最優(yōu)的，排名趨勢詳見圖7。

圖7 風(fēng)能密集區(qū)績效排名

圖7可以看出，由于這些地區(qū)風(fēng)能資源較為豐富，風(fēng)力發(fā)電發(fā)展較早，其風(fēng)力發(fā)電績效在初期排名較為靠前，其每年的風(fēng)電裝機容量都是最高的，但由于我國棄風(fēng)現(xiàn)象也主要集中在這些區(qū)域，風(fēng)能利用效率不高。大多數(shù)省份在2015年排名達到最低值，這是因為2015年棄風(fēng)現(xiàn)象最為嚴重，其中吉林地區(qū)棄風(fēng)率達到42.96%、甘肅地區(qū)達到30.98%、黑龍江地區(qū)達到22.70%，并且甘肅、內(nèi)蒙古地區(qū)棄風(fēng)率居高不下，導(dǎo)致其雖擁有豐富的風(fēng)能資源，但其風(fēng)力發(fā)電績效較差。

根據(jù)2018年排名預(yù)測結(jié)果可以看出，若此地區(qū)棄風(fēng)現(xiàn)象仍得不到改善，其風(fēng)力發(fā)電績效水平持續(xù)較低，將成為阻礙實現(xiàn)能源低碳轉(zhuǎn)型目標的主要原因。大量棄風(fēng)現(xiàn)象的背后是風(fēng)力發(fā)電的不穩(wěn)定性，造成風(fēng)電消納困難，經(jīng)濟效益難以彌補其不足。這就要求制定更加合理的風(fēng)電電價以及調(diào)峰輔助服務(wù)，來促進風(fēng)電消納，同時避免繼續(xù)盲目大量開發(fā)風(fēng)資源，把促進風(fēng)電消納作為其工作重心，盡快解決棄風(fēng)現(xiàn)象對風(fēng)力發(fā)電績效的影響。

3 結(jié)論

本文通過建立了DEA-TOPSIS-時間序列3階段研究方法，將評價方法與預(yù)測方法相結(jié)合，完善了風(fēng)力發(fā)電研究思路，并由此系統(tǒng)全面的對風(fēng)力發(fā)電績效進行了評價及預(yù)測，科學(xué)測定了2010年～2017年中國29個省份的風(fēng)力發(fā)電績效水平，結(jié)果表明風(fēng)力發(fā)電發(fā)展存在一定的問題，比如：盲目擴大風(fēng)力發(fā)電投資造成風(fēng)能密集區(qū)域風(fēng)電消納水平低，而棄風(fēng)現(xiàn)象嚴重影響區(qū)域風(fēng)力發(fā)電績效水平。此外，通過分析研究區(qū)域性風(fēng)力發(fā)電績效排名，探索了風(fēng)力發(fā)電的地域性發(fā)展共性特點，為總體把握全國及區(qū)域風(fēng)力發(fā)電現(xiàn)狀提供參考。