花秀峰，李婉瑩，富麗娟，劉晶，董福貴

(1.國(guó)核電力規(guī)劃設(shè)計(jì)研究院有限公司，北京100095；2.華北電力大學(xué) 經(jīng)濟(jì)與管理學(xué)院，北京102206)

近年來(lái)，中國(guó)新能源實(shí)現(xiàn)了快速發(fā)展，風(fēng)電和太陽(yáng)能發(fā)電穩(wěn)居世界第一。到2020年底，風(fēng)電累計(jì)裝機(jī)281.53 GW，太陽(yáng)能發(fā)電累計(jì)裝機(jī)253.43 GW[1]。為實(shí)現(xiàn)2060年碳中和目標(biāo)，新能源將超過(guò)化石能源成為主體能源[2]，風(fēng)電和太陽(yáng)能發(fā)電的發(fā)展前景十分廣闊。但隨著新能源的大量并網(wǎng)，新能源發(fā)電的波動(dòng)性和間歇性給電網(wǎng)帶來(lái)了巨大挑戰(zhàn)。電網(wǎng)作為電力傳輸和電力市場(chǎng)的共同載體，是保障新能源發(fā)展的基本平臺(tái)和主要媒介[3]。新能源和電網(wǎng)的協(xié)同發(fā)展是實(shí)現(xiàn)可持續(xù)發(fā)展的必然選擇，然而各省級(jí)行政區(qū)(簡(jiǎn)稱“省份”)的新能源和電網(wǎng)發(fā)展差異不斷擴(kuò)大。這種差異會(huì)影響跨區(qū)跨省的新能源消納，最終影響中國(guó)的能源轉(zhuǎn)型戰(zhàn)略的實(shí)施。因此，研究中國(guó)新能源與電網(wǎng)發(fā)展差異具有重大現(xiàn)實(shí)意義。

針對(duì)新能源的發(fā)展，學(xué)者們多采用綜合評(píng)價(jià)方法[4-5]，從經(jīng)濟(jì)、環(huán)境、技術(shù)和社會(huì)等多個(gè)方面對(duì)各省新能源的發(fā)展情況進(jìn)行評(píng)價(jià)。文獻(xiàn)[6]對(duì)新能源的發(fā)電效率進(jìn)行評(píng)價(jià)，文獻(xiàn)[7]研究了中國(guó)30個(gè)省份的風(fēng)力發(fā)電效率及其影響因素。針對(duì)電網(wǎng)的發(fā)展，文獻(xiàn)[8]從可靠性、經(jīng)濟(jì)性、低碳性和智能性4個(gè)維度對(duì)城市級(jí)配電網(wǎng)進(jìn)行綜合評(píng)估，文獻(xiàn)[9]指出需要對(duì)電網(wǎng)進(jìn)行差異化投資。對(duì)于新能源和電網(wǎng)發(fā)展的綜合研究，多是進(jìn)行綜合評(píng)價(jià)[10]、效率效益評(píng)估[11]，鮮有運(yùn)用空間統(tǒng)計(jì)分析對(duì)新能源和電網(wǎng)發(fā)展的時(shí)空演變進(jìn)行研究。對(duì)于時(shí)空格局演變方法，馬爾科夫鏈與空間馬爾科夫鏈方法得到了較好的驗(yàn)證，已經(jīng)應(yīng)用在旅游業(yè)[12]、物流業(yè)[13]、區(qū)域碳排放[14-15]、農(nóng)業(yè)[16]等多個(gè)領(lǐng)域。

綜上，學(xué)者們對(duì)新能源的發(fā)展和電網(wǎng)發(fā)展的評(píng)價(jià)研究較多，比較分析了各省的發(fā)展差異，但忽視了鄰域間的相互影響，沒(méi)有同時(shí)考慮時(shí)間和空間效應(yīng)對(duì)省域新能源與電網(wǎng)發(fā)展差異演變過(guò)程的動(dòng)態(tài)研究。此外，基于新能源和電網(wǎng)發(fā)展的區(qū)域劃分研究較少。因此，本文采用核密度估計(jì)方法、馬爾科夫鏈與空間馬爾科夫鏈方法，對(duì)新能源和電網(wǎng)發(fā)展的時(shí)空格局演變進(jìn)行分析。最后，基于密度峰(density peak，DP)聚類算法對(duì)31個(gè)省份進(jìn)行區(qū)域劃分，為省域新能源發(fā)展提出具有針對(duì)性的建議。

1 數(shù)據(jù)來(lái)源與研究方法

1.1 研究數(shù)據(jù)

本文以中國(guó)31個(gè)省份為基本單元進(jìn)行研究，由于中國(guó)新能源發(fā)電起步較晚，且省間差異較大，為保證樣本的完整性和可比性，以2012—2019年各省的新能源發(fā)展和電網(wǎng)發(fā)展為分析指標(biāo)。其中，新能源發(fā)展用風(fēng)電累計(jì)裝機(jī)容量和太陽(yáng)能發(fā)電累計(jì)裝機(jī)容量2個(gè)指標(biāo)表示，數(shù)據(jù)來(lái)源于2012—2019年的國(guó)家能源局年度風(fēng)電、太陽(yáng)能發(fā)電并網(wǎng)運(yùn)行情況報(bào)告[17]。電網(wǎng)發(fā)展用35 kV以上輸電線路長(zhǎng)度和35 kV以上變電設(shè)備容量2個(gè)指標(biāo)表示，數(shù)據(jù)源于2013—2020年的《中國(guó)電力統(tǒng)計(jì)年鑒》[18]。此外，本文在聚類時(shí)所用的2019年新能源發(fā)電量(風(fēng)電和太陽(yáng)能的實(shí)際發(fā)電量之和)[17]和新能源消納量(省內(nèi)實(shí)際消納量)[19]均來(lái)自國(guó)家能源局。

1.2 研究方法

本文以省域?yàn)榭臻g單元，核密度估計(jì)方法可以描述新能源和電網(wǎng)隨時(shí)間的整體演變趨勢(shì)。馬爾科夫鏈可以定量度量新能源和電網(wǎng)隨時(shí)間格局演變的概率。空間馬爾科夫鏈則是在馬爾科夫鏈的基礎(chǔ)上加入空間效應(yīng)，可以分析受鄰域影響的新能源和電網(wǎng)空間格局演變。在此基礎(chǔ)上，DP聚類算法則結(jié)合了各省新能源和電網(wǎng)發(fā)展的特征，依據(jù)樣本密度對(duì)區(qū)域進(jìn)行劃分，以便為不同區(qū)域制定具有針對(duì)性的發(fā)展建議。具體技術(shù)路線如圖1所示。

1.2.1 核密度估計(jì)

核密度估計(jì)方法可以描述31個(gè)省份新能源和電網(wǎng)的概率密度分布情況，當(dāng)對(duì)多個(gè)年份進(jìn)行分析時(shí)，就可以直觀地體現(xiàn)新能源和電網(wǎng)隨時(shí)間的整體演變趨勢(shì)。假設(shè)x1,x2,…,xN為取自新能源/電網(wǎng)指標(biāo)總體X的N個(gè)樣本，X服從同分布，且密度函數(shù)f(x)未知，需要通過(guò)樣本對(duì)其密度函數(shù)進(jìn)行非參數(shù)估計(jì)。標(biāo)準(zhǔn)核密度估計(jì)定義為

(1)

式中：h為計(jì)數(shù)區(qū)間寬度；n為與估計(jì)點(diǎn)x的距離不大于h的樣本個(gè)數(shù)；xi為與估計(jì)點(diǎn)x距離小于h的樣本點(diǎn)；K(*)表示核函數(shù)形式[20]。

核函數(shù)可以有多種具體形式，本文選擇最常用的高斯核函數(shù)，即

(2)

核密度估計(jì)需要大量的樣本數(shù)據(jù)，但本文研究的31個(gè)省份新能源和電網(wǎng)發(fā)展數(shù)據(jù)為小樣本事件，為彌補(bǔ)樣本信息的不足，需要采用信息擴(kuò)散方法對(duì)數(shù)據(jù)進(jìn)行集值化處理。最簡(jiǎn)單的信息擴(kuò)散函數(shù)是正態(tài)擴(kuò)散函數(shù)，一個(gè)樣本點(diǎn)x可以將信息擴(kuò)散給m個(gè)點(diǎn)，m個(gè)擴(kuò)散點(diǎn)的集合用U={u1,u2,…,um}表示，每個(gè)擴(kuò)散點(diǎn)的概率函數(shù)可表示為

(3)

式中：g(ui)為正態(tài)擴(kuò)散函數(shù)；ui為第i個(gè)擴(kuò)散點(diǎn)；ρ為擴(kuò)散系數(shù)，可根據(jù)樣本集合中樣本的最大值和最小值及樣本個(gè)數(shù)確定[21]。

樣本點(diǎn)x擴(kuò)散成m個(gè)點(diǎn)后，每個(gè)擴(kuò)散點(diǎn)的核密度函數(shù)可表示為

(4)

1.2.2 空間馬爾科夫鏈

馬爾科夫鏈分析法可以用來(lái)計(jì)算新能源和電網(wǎng)隨時(shí)間格局演變的概率，從而分析各省域之間不同時(shí)期的新能源和電網(wǎng)發(fā)展演變情況。首先將樣本數(shù)據(jù)根據(jù)分位數(shù)法或等間距法劃分為k個(gè)類別，然后計(jì)算各種類別的概率分布和轉(zhuǎn)移情況，將其演變過(guò)程近似為馬爾科夫過(guò)程。t時(shí)刻的區(qū)域類別用1×k的狀態(tài)概率向量Et=(E1,t,E2,t,…,Ek,t)表示，則狀態(tài)轉(zhuǎn)移過(guò)程就可以用k×k的馬爾科夫轉(zhuǎn)移概率矩陣M抽象表示。定義pij為在t時(shí)刻中屬于類別i的區(qū)域在t+1時(shí)刻轉(zhuǎn)移為類別j的概率值，則

(5)

式中：nij為t時(shí)刻中屬于類別i的區(qū)域在t+1時(shí)刻轉(zhuǎn)移為類別j的區(qū)域數(shù)量總和；ni為實(shí)現(xiàn)轉(zhuǎn)移的年份中屬于類別i的區(qū)域數(shù)量總和。

空間馬爾科夫鏈?zhǔn)莻鹘y(tǒng)馬爾科夫鏈與空間自相關(guān)相結(jié)合的產(chǎn)物[22]。空間馬爾科夫鏈分析法本質(zhì)上是傳統(tǒng)的馬爾科夫鏈引入“空間滯后”概念后的產(chǎn)物[23]。空間馬爾科夫鏈方法可以直觀地分析受鄰域影響的新能源和電網(wǎng)空間格局演變情況?？臻g馬爾科夫鏈轉(zhuǎn)移概率矩陣以某一區(qū)域a在t時(shí)刻的空間滯后類別為條件，將傳統(tǒng)的馬爾科夫鏈分解為k個(gè)k×k的條件轉(zhuǎn)移概率矩陣。區(qū)域a的空間滯后值是該區(qū)域的空間鄰近區(qū)域?qū)傩灾档募訖?quán)平均，即

(6)

式中：P為與區(qū)域a相鄰區(qū)域的個(gè)數(shù)；B為區(qū)域總數(shù)；Wab為區(qū)域a和區(qū)域b的空間關(guān)系，鄰接為1，不鄰接為0；Yb為區(qū)域b的屬性值；La為區(qū)域a的空間滯后值，表示區(qū)域a的鄰域狀態(tài)[14]。

1.2.3 DP聚類算法

Rodriguez和Laio在2014年提出了DP聚類算法，此算法是基于密度的一種聚類算法[24]。該算法能夠自動(dòng)地發(fā)現(xiàn)簇中心，實(shí)現(xiàn)任意形狀數(shù)據(jù)的高效聚類。傳統(tǒng)的聚類算法需要提前設(shè)定大量參數(shù)，且結(jié)果對(duì)閾值較敏感，而此算法對(duì)閾值更加魯棒，且不需要輸入聚類中心個(gè)數(shù)。DP聚類有2個(gè)準(zhǔn)則，一是聚類中心的密度大于周邊，二是不同聚類中心之間有較大的距離?？杀硎緸椋?/p>

(7)

(8)

式(7)、(8)中：dc為截?cái)嗑嚯x；dij為樣本點(diǎn)i到樣本點(diǎn)j的歐式距離；ρi為到樣本點(diǎn)i的距離小于dc的點(diǎn)的個(gè)數(shù)；當(dāng)dij-dc<0時(shí)，χ(dij-dc)=1，否則為0；δi為密度比樣本點(diǎn)i大的所有點(diǎn)中與樣本點(diǎn)i的最小距離。樣本點(diǎn)中，ρi值小、δi值大的是異常點(diǎn)，兩者都大的是聚類中心[25]。

2 新能源和電網(wǎng)發(fā)展的基本特征分析

2.1 新能源和電網(wǎng)發(fā)展的空間分布

雖然我國(guó)新能源發(fā)電起步較晚，但到2019年，風(fēng)電并網(wǎng)容量達(dá)到210.05 GW，太陽(yáng)能發(fā)電并網(wǎng)容量達(dá)到204.30 GW，均處于世界領(lǐng)先地位。由圖1可知：風(fēng)電裝機(jī)量較高的地區(qū)主要集中在內(nèi)蒙古、新疆、河北、陜西、甘肅和寧夏等，其中內(nèi)蒙古風(fēng)電裝機(jī)水平遙遙領(lǐng)先。從整體來(lái)看，風(fēng)電裝機(jī)容量北方地區(qū)優(yōu)于南方地區(qū)，省間差異較大。太陽(yáng)能發(fā)電裝機(jī)量較高的地區(qū)主要集中在山東、江蘇、河北和浙江，其次為安徽、青海、陜西、內(nèi)蒙古、新疆和河南；從整體來(lái)看，太陽(yáng)能分布的空間集聚性較為明顯，中東部沿海地區(qū)太陽(yáng)能發(fā)電裝機(jī)最多，省間差異相比風(fēng)電較弱。

電網(wǎng)建設(shè)是實(shí)現(xiàn)新能源跨區(qū)跨省輸電的基礎(chǔ)，本文采用35 kV以上輸電線路長(zhǎng)度和35 kV以上變電設(shè)備容量2個(gè)指標(biāo)來(lái)衡量各省的電網(wǎng)建設(shè)能力，輸電線路長(zhǎng)度代表輸電距離，變電設(shè)備容量代表輸電最大負(fù)荷。2019年，內(nèi)蒙古、山東和河北的35 kV以上輸電線路長(zhǎng)度超過(guò)100 000 km，四川、江蘇，北京、海南和上海的輸電線路依次遞減。2019年，江蘇、廣東、山東和浙江的35 kV以上變電設(shè)備容量最高，青海、海南和西藏的變電設(shè)備容量較小。圖2為2019年省域新能源和電網(wǎng)發(fā)展空間分布情況，可以看出輸電線路長(zhǎng)度和變電設(shè)備容量的空間分布存在一定的差異：上海、浙江、福建和北京的輸電線路發(fā)展弱于變電設(shè)備發(fā)展，用電密集度較高；云南、廣西、新疆、甘肅、黑龍江和內(nèi)蒙古輸電線路發(fā)展強(qiáng)于變電設(shè)備發(fā)展，用電密集度較低。

圖2 2019年省域新能源和電網(wǎng)發(fā)展空間分布

2.2 新能源和電網(wǎng)發(fā)展的時(shí)間序列

為了進(jìn)一步了解省域新能源和電網(wǎng)發(fā)展的分布，選擇2015—2019年數(shù)據(jù)進(jìn)行核密度測(cè)算(2012—2014年大部分省份的新能源的此測(cè)算值接近0，區(qū)分效果不明顯)。圖3為省域新能源和電網(wǎng)發(fā)展的核密度測(cè)算值，由圖3可知：①2015—2019年風(fēng)電裝機(jī)呈單峰分布，峰值有所下降，密度分布向右移動(dòng)，省間差距逐漸拉大，部分省份的風(fēng)電裝機(jī)容量仍較小。②2015年太陽(yáng)能發(fā)電裝機(jī)容量普遍較低，19個(gè)省份的太陽(yáng)能發(fā)電裝機(jī)容量低于0.65 GW，與第20名安徽的1.21 GW出現(xiàn)了斷層，省間發(fā)展極不平衡；2016年以后太陽(yáng)能發(fā)電實(shí)現(xiàn)快速增長(zhǎng)，各省之間的差距逐漸縮??；到2019年，峰值不明顯，10.00 GW以下基本為均勻分布。③2015年35 kV以上輸電線路長(zhǎng)度為雙峰分布，逐漸發(fā)展為2018年的單峰分布，2019年又有向雙峰發(fā)展的趨勢(shì)；整體來(lái)看，輸電線路的建設(shè)已經(jīng)較為成熟，在中間值附近的密度值較大。④35 kV以上變電設(shè)備容量則呈單峰分布，2015—2019年峰值在不斷波動(dòng)，密度函數(shù)在緩慢地向右移動(dòng)，省域間仍存在較大差距。

圖3 省域新能源和電網(wǎng)發(fā)展的核密度測(cè)算值

3 新能源和電網(wǎng)發(fā)展差異的時(shí)空格局演變

本文采用等間距法將樣本數(shù)據(jù)劃分為4個(gè)類別，分別為Ⅰ(<33%，表示小于樣本均值的33%，下同)、Ⅱ(33.3%～100%)、Ⅲ(100%～166.6%)、Ⅳ(>166.6%)。類別Ⅰ為發(fā)展最弱，類別Ⅱ?yàn)榘l(fā)展較弱，類別Ⅲ為發(fā)展較強(qiáng)，類別Ⅳ為發(fā)展最強(qiáng)。利用馬爾科夫鏈和空間馬爾科夫鏈對(duì)省域新能源和電網(wǎng)發(fā)展類別的轉(zhuǎn)移進(jìn)行分析，由弱到強(qiáng)為類別上升，由強(qiáng)到弱為類別下降，具體分析見(jiàn)3.1、3.2節(jié)。

3.1 新能源和電網(wǎng)發(fā)展差異的時(shí)間格局演變

利用馬爾科夫鏈分析，分別得到2013—2019年各省新能源和電網(wǎng)發(fā)展類別的馬爾科夫轉(zhuǎn)移概率矩陣，見(jiàn)表1。

表1 2013—2019年省域新能源和電網(wǎng)發(fā)展類別的馬爾科夫轉(zhuǎn)移概率矩陣

從表1可以看出：①對(duì)角線上的概率值均大于非對(duì)角線的概率值，類別不變的可能性更大，風(fēng)電裝機(jī)保持原有類別的概率至少為75.9%，太陽(yáng)能發(fā)電裝機(jī)保持原有類別的概率至少為61.9%，輸電線路長(zhǎng)度保持原有類別的概率至少為80.0%，變電設(shè)備容量保持原有類別的概率至少為85.7%；②各類別之間的轉(zhuǎn)移概率均較小，風(fēng)電裝機(jī)發(fā)生類別轉(zhuǎn)移的可能性最大為13.8%，太陽(yáng)能發(fā)電裝機(jī)發(fā)生類別轉(zhuǎn)移的可能性最大為19.6%，輸電線路長(zhǎng)度發(fā)生類別轉(zhuǎn)移的可能性最大為18.0%，變電設(shè)備容量發(fā)生類別轉(zhuǎn)移的可能性最大為11.9%；③在4個(gè)矩陣中，太陽(yáng)能發(fā)電裝機(jī)類別變動(dòng)的概率最大，其次為風(fēng)電裝機(jī)類別，且上升概率大于下降概率，說(shuō)明部分省份的新能源發(fā)展仍有較大潛力；④風(fēng)電裝機(jī)、太陽(yáng)能發(fā)電裝機(jī)和變電設(shè)備容量類別Ⅳ的穩(wěn)定性最好，輸電線路長(zhǎng)度類別Ⅲ的穩(wěn)定性最好，整體上兩邊類別的穩(wěn)定性優(yōu)于中間類別；⑤轉(zhuǎn)移多發(fā)生在鄰近類別之間，僅太陽(yáng)能發(fā)電裝機(jī)存在由類別Ⅰ上升為類別Ⅲ、類別Ⅱ上升為類別Ⅲ的可能性，最大值為僅4.3%。

3.2 新能源和電網(wǎng)發(fā)展差異的空間格局演變

根據(jù)2013—2019年各省的新能源和電網(wǎng)發(fā)展類別，利用ArcGIS軟件對(duì)新能源和電網(wǎng)發(fā)展空間類別格局演變進(jìn)行繪圖。在傳統(tǒng)的馬爾科夫轉(zhuǎn)移概率矩陣的基礎(chǔ)上加入鄰域類別為條件，辨別不同鄰域類別對(duì)城市碳排放強(qiáng)度類別轉(zhuǎn)移的影響，并對(duì)鄰域類別的轉(zhuǎn)移情況進(jìn)行空間可視化。具體如圖4所示。

由圖4可知，2013—2019年，各省域新能源發(fā)展類別的變動(dòng)較大，電網(wǎng)發(fā)展類別的變動(dòng)則較小。其中，14個(gè)省份的風(fēng)電裝機(jī)類別上升(例如由類別Ⅰ上升為類別Ⅱ)，3個(gè)省份的風(fēng)電裝機(jī)類別下降(例如由類別Ⅳ下降為類別Ⅲ)，南部地區(qū)風(fēng)電實(shí)現(xiàn)快速發(fā)展，類別下降的省份集中在東北地區(qū)。13個(gè)省份的太陽(yáng)能發(fā)電裝機(jī)類別上升，8個(gè)省份的太陽(yáng)能發(fā)電裝機(jī)類別下降，東北地區(qū)和河南及其周邊省份的太陽(yáng)能發(fā)電迅速發(fā)展，內(nèi)蒙古、寧夏和甘肅的太陽(yáng)能發(fā)電裝機(jī)類別由類別Ⅳ下降為類別Ⅲ。整體來(lái)看新能源的發(fā)展，大部分省份均發(fā)生了轉(zhuǎn)移，新能源發(fā)展的空間格局變動(dòng)較大，安徽、貴州、河南、湖南、陜西和云南的風(fēng)電裝機(jī)和太陽(yáng)能發(fā)電裝機(jī)均實(shí)現(xiàn)向上轉(zhuǎn)移。26個(gè)省份的輸電線路長(zhǎng)度類別未發(fā)生改變，類別上升的有西藏和內(nèi)蒙古，類別下降的有黑龍江、江蘇和陜西。26個(gè)省份的變電設(shè)備容量類別未發(fā)生改變，類別上升的有安徽和內(nèi)蒙古，類別下降的有湖北、山西和上海。整體來(lái)看電網(wǎng)的發(fā)展，大部分省份均未發(fā)生轉(zhuǎn)移，說(shuō)明電網(wǎng)的發(fā)展相對(duì)穩(wěn)定，內(nèi)蒙古地區(qū)的輸電線路長(zhǎng)度和變電設(shè)備容量均實(shí)現(xiàn)向上轉(zhuǎn)移。安徽和陜西新能源的發(fā)展對(duì)電網(wǎng)發(fā)展具有積極促進(jìn)作用。

圖4 2013—2019年省域新能源和電網(wǎng)發(fā)展及鄰域類別轉(zhuǎn)移的空間分布格局

本區(qū)域和鄰域風(fēng)電裝機(jī)同時(shí)向上轉(zhuǎn)移的省份有安徽、貴州、湖北、湖南、青海和四川，各省呈“V”字相鄰排列，同時(shí)向下轉(zhuǎn)移的省份集中在東北地區(qū)，風(fēng)電裝機(jī)受區(qū)域背景的影響較大。本區(qū)域和鄰域太陽(yáng)能發(fā)電裝機(jī)同時(shí)向上轉(zhuǎn)移的省份有安徽、河北、河南、湖北、山東、山西和浙江，各省相鄰，同時(shí)向下轉(zhuǎn)移的省份有甘肅、寧夏、西藏，太陽(yáng)能發(fā)電裝機(jī)受區(qū)域背景的影響較大。輸電線路長(zhǎng)度和鄰域輸電線路長(zhǎng)度類別同時(shí)向上變化和向下變化的空間分布不一致，變電設(shè)備容量也是如此，說(shuō)明電網(wǎng)發(fā)展受區(qū)域背景的影響較小。綜上，新能源發(fā)展的空間趨同變化較電網(wǎng)發(fā)展的空間趨同變化更明顯。

4 區(qū)域劃分

采用DP聚類算法對(duì)各省新能源發(fā)展和電網(wǎng)發(fā)展分別聚類?？紤]到新能源的實(shí)際消納情況，本文將風(fēng)電累計(jì)裝機(jī)容量、太陽(yáng)能發(fā)電累計(jì)裝機(jī)容量和新能源發(fā)電量作為聚類指標(biāo)對(duì)新能源發(fā)展進(jìn)行聚類，將35 kV以上輸電線路長(zhǎng)度、35 kV以上變電設(shè)備容量和新能源消納量作為聚類指標(biāo)對(duì)電網(wǎng)發(fā)展進(jìn)行聚類。先對(duì)各指標(biāo)進(jìn)行無(wú)量綱化處理(實(shí)際值除以指標(biāo)最大值)，再對(duì)新能源發(fā)展和電網(wǎng)發(fā)展分別進(jìn)行DP聚類，聚類結(jié)果見(jiàn)表2。

最終，新能源發(fā)展分為3類，第1類的省份數(shù)量最多，有18個(gè)省份(對(duì)應(yīng)表2中新能源發(fā)展分類為1的整行省份，下同)，第3類僅有內(nèi)蒙古，由第1類到第3類新能源發(fā)展逐漸增強(qiáng)；電網(wǎng)發(fā)展分為3類，第1類的省份數(shù)量偏多(對(duì)應(yīng)表2中電網(wǎng)發(fā)展分類為1的整列省份，下同)，第2類省份的數(shù)量其次，整體比較均勻，由第1類到第3類電網(wǎng)發(fā)展逐漸增強(qiáng)。具體聚類中心見(jiàn)表3。

表2 區(qū)域劃分結(jié)果

整理DP聚類結(jié)果，得到如表3所示的區(qū)域劃分結(jié)果。位于(1，1)的有10個(gè)省份，位于(2，2)的有4個(gè)省份，位于(3，3)的有1個(gè)省份，共計(jì)15個(gè)省份，新能源和電網(wǎng)的發(fā)展水平相當(dāng)，在今后的電力發(fā)展中，應(yīng)注重新能源和電網(wǎng)的同步發(fā)展。位于(1，2)的有7個(gè)省份，位于(2，3)的有6個(gè)省份，共計(jì)13個(gè)省份，新能源發(fā)展弱于電網(wǎng)發(fā)展，在今后的電力發(fā)展中，應(yīng)優(yōu)先發(fā)展新能源。位于(1，3)的有1個(gè)省份，新能源發(fā)展遠(yuǎn)弱于電網(wǎng)發(fā)展，在今后的電力發(fā)展中，應(yīng)重點(diǎn)發(fā)展新能源。位于(2，1)的有2個(gè)省份，新能源發(fā)展強(qiáng)于電網(wǎng)發(fā)展，在今后的電力發(fā)展中，應(yīng)優(yōu)先發(fā)展電網(wǎng)。(3，1)、(3，2)對(duì)應(yīng)坐標(biāo)無(wú)省份。

表3 DP聚類結(jié)果

5 結(jié)論

本文采用核密度估計(jì)方法，對(duì)新能源和電網(wǎng)發(fā)展的基本特征進(jìn)行分析。基于馬爾科夫鏈與空間馬爾科夫鏈的方法對(duì)新能源和電網(wǎng)發(fā)展的時(shí)空格局演變進(jìn)行分析，并采用DP聚類算法對(duì)31個(gè)省份進(jìn)行區(qū)域劃分。研究得出以下結(jié)論：

a)風(fēng)電裝機(jī)容量北方地區(qū)優(yōu)于南方地區(qū)，太陽(yáng)能分布的空間集聚性較為明顯，中東部沿海地區(qū)太陽(yáng)能發(fā)電裝機(jī)容量最多。上海、浙江、福建和北京的輸電線路發(fā)展弱于變電設(shè)備發(fā)展，用電密集度較高；云南、廣西、新疆、甘肅、黑龍江和內(nèi)蒙古輸電線路發(fā)展強(qiáng)于變電設(shè)備發(fā)展，用電密集度較低。

b)2015—2019年風(fēng)電裝機(jī)容量呈單峰分布，峰值有所下降，密度分布向右移動(dòng)，省間差距逐漸拉大；2015年太陽(yáng)能發(fā)電裝機(jī)容量普遍較低，到2019年，峰值不明顯，10.00 GW以下基本為均勻分布。2015年的輸電線路長(zhǎng)度為雙峰分布，逐漸發(fā)展為2018年的單峰分布；2015—2019年變電設(shè)備容量峰值在不斷波動(dòng)，密度函數(shù)在緩慢地向右移動(dòng)。

c)通過(guò)馬爾科夫鏈分析可知，各類別之間的轉(zhuǎn)移概率均較小，在4個(gè)指標(biāo)矩陣中，太陽(yáng)能發(fā)電裝機(jī)類別變動(dòng)的概率最大，其次為風(fēng)電裝機(jī)類別，且類別上升概率大于類別下降概率，說(shuō)明部分省份的新能源發(fā)展仍有較大潛力。

d)通過(guò)空間馬爾科夫鏈分析可知，新能源發(fā)展的空間格局變動(dòng)較大，電網(wǎng)的發(fā)展相對(duì)穩(wěn)定，安徽和陜西新能源的發(fā)展對(duì)電網(wǎng)發(fā)展具有積極促進(jìn)作用。新能源發(fā)展的空間趨同變化較電網(wǎng)發(fā)展的空間趨同變化更明顯。

采用DP聚類算法對(duì)省域新能源發(fā)展和電網(wǎng)發(fā)展分別聚類，最終將31個(gè)省份劃分為7類，根據(jù)新能源和電網(wǎng)的發(fā)展特點(diǎn)，提出具有針對(duì)性的新能源和電網(wǎng)發(fā)展建議。