基于支持向量机的风电工程项目风险模型构建

赵云飞

摘   要：我国的风电行业在近十几年一直保持高速增长的态势。风力发电具有随机性、间歇性和反调峰性等特点，这使得风电工程项目投资的风险性较高，同时风电工程项目还面临着技术不成熟性和国家政策的不稳定性，这就加剧了风电工程项目投资收益的不稳定性。而传统的项目风险评估方法，不够精确同时需要的样本量较大，基于这种情况，本文提出适用于小样本、高维度的支持向量机算法应用于风电工程项目风险模型构建，使工程在投建前期能进行科学地、完善地投资风险评价。

关键词：风电工程项目  风电模型  风险评估

中图分类号：TM614                                文献标识码：A                         文章编号：1674-098X（2019）09（c）-0199-03

风力发电具有随机性、间歇性和反调峰性等特点，这导致风电工程项目投资的风险性较高，同时风电工程项目还面临着技术不成熟性和国家政策的不稳定性，加剧了风电工程项目投资收益的不确定性。在本文中，首先分析解读了风电工程项目所面临的风险因素，然后根据风电工程项目所面临的风险因素确定了风险评价指标体系，指标体系建立完善以后，根据有限的历史数据，构建并训练基于支持向量机的风电项目风险评价模型。最后，得到适用于我国风电项目风险评价模型。

1  风电工程项目风险因素分析

近年来，由于延迟风电工程项目并网及弃风现象问题日益严重，同时，风电工程项目的建设地址的选取也要参考当地的电网规划方针，若是风电工程项目投资建设运营后未能与当地电网规划进行全面的对接，可能导致风电工程项目的电能传送不出去，加之我国针对弃风现象的重灾区提出限制风电工程项目投资建设的意见，这在一定程度上打击了能源企业投资风电工程项目的投资积极性。

随着我国风电产业的蓬勃发展，风电装备制造业逐渐兴起，但是商业化的风电行业往往追求短期的高利润，而且，风电机组的设备技术和管理技术水平都未能跟上风电累积装机容量的发展脚步，落后于国外的先进风电设备技术。现在，风电行业很多大型的风电机组还需要从国外引进新的技术和机器，这无形间就增加了风电工程项目的投资成本，也增加了风电工程项目的投资风险。

2019年5月底，国家能源局发布了《关于2019年风电、光伏发电项目建设有关事项的通知》，该通知对风电的消纳、分散式风力发电、海上风电项目建设以及风电项目竞争配置做了具体的要求。该通知强调了完善市场化竞争，给予自愿平价上网的企业以优惠政策，以及提出竞争配置建设方案相关要求等。由此可见，未来风电工程项目对资源补贴政策的依赖性将逐步减小，对市场的依赖性逐渐提升，但是当前政策对风电工程项目的影响还是较大的，即使是促进市场化的过程也是通过政策推动进行的。所以，政策风险是风电工程项目面临的三大风险之一。

综上所述，可将所有影响风电投资的因素归为三类：经济类风险、技术类风险以及政策类风险。

2  风电工程项目风险评价指标体系构建

2.1 风电工程项目风险指标构建

风电项目投资风险评价，首先要确定指标参数，通过模拟样本学习、训练结果评价等一系列循环过程，得到结构稳定的模型，最后将待评价的项目数据输入已训练好的程序，得出评价结果。因此指标体系的構建是风电工程项目风险评价模型的关键。

结合对我国风力发电产业的相关分析以及相关文献的研究成果，建立风电工程项目风险评价指标体系，其中，一级指标三个：经济风险、技术风险、政策风险，各一级指标分别对应三个二级指标：上网电价（x1），上网电量（x2），财务风险（x3），设备水平（x4），预测技术（x5），技术人员（x6），电价政策（x7），税收政策（x8），CDM政策（x9）。二级指标一共有九个，考虑到指标数量适中，同时指标之间不存在冗余，每个指标对风电项目风险水平都具有重大影响，因此不再添加和移除指标。下面，将对指标进行说明。

（1）经济风险。

风电工程项目的经济风险的主要影响因素有上网电量、上网电价（主要指标杆电价）以及财务风险，前两项指标直接影响了风电工程项目经济收益，而财务风险是财务成本的主要风险因素。其中上网电价根据我国的自然资源区的划分为以下四类，同时给定了上网标杆电价，作为政策性的引导。我国目前制定了四类风能资源区上网电价，其中Ⅰ类资源区（0.40元/千瓦时），Ⅱ类资源区（0.45元/千瓦时），Ⅲ类资源区（0.49元/千瓦时），Ⅳ类资源区（0.57元/千瓦时）。

风电工程项目的上网电量是指风电工程项目投入运营后能够开发同时允许并网的电量，这里就面临两个问题，一是风电工程项目的装机容量和当地的年平均风速;二是考虑到区域电网的稳定性等问题，该风电工程项目被允许并网的电量。由此可见，相同的规模的风电工程项目的盈利能力可能存在极大的差距，还有部分工程项目是属于备用空转工程。本文选取了机组的年利用小时数作为指标来对上网电量进行衡量，既衡量了风电工程项目的发电能力又能衡量风电工程项目的电量消纳能力。

财务风险则是指风电场在投资建设过程中由于资金筹措而发生的各种费用。本文的财务风险选用资产负债比，风电项目的负债比率越高，则财务成本越高，财务风险就随之增加。

（2）技术风险。

风电行业在我国起步时间较晚，后来由于国家政策的激励，现在全国风电累积装机容量位于世界第一位，但是我国的风电行业虽然发展较快，但是现实是没有形成进一步的市场化规范，市场化竞争模式还有待进一步的提升，同时需要提高风电工程项目的管理技术水平。当然最重要的是风电行业的预测技术、设备技术以及技术人员的水平需要进一步的提升。国家需要继续投入人力、物力培养专业的技术人员，开发先进的设备研制技术。

设备技术主要指风电机组的技术水平，选取该指标应该能够准确估计出设备在动态运行过程中的表现情况，因此选择不同风电场各个机组在实际运行中的平均强迫停运率评价风电场设备的整体水平。

风速预测技术是根据风电工程项目当地的历史平均风速对风电工程项目进行预测与分析，可以测算出风电工程项目输出的电量质量高低，同时也决定了风电工程项目的最大上网电量，预测技术风险选用风电功率预测系统的月均方根误差。

技术人员的业务水平是指风电工程项目参与运营建设的人员的业务能力和专业程度，本文选择人才当量密度作为衡量技术人员水平高低的指标。人才当量密度是对长期合同制职工的学历、职称、技能等级进行系数折算，取三者之中最高的折算值累加之和占本企业长期职工人数的比率，具体计算方法见公式（1）。

（1）

其中，ρ是人才当量密度，ωi是最高折算值（职工学历、职称、技能等级折算值），N是全资控股企业全部长期合同制职工（不含内退职工）人数。

（3）政策风险。

我国的风电行业起步很晚，在国家进行鼓励建设前，风电行业的发展极其缓慢，特别依赖于国家政策的倾斜程度，对风电工程项目进行投资首先要了解风电工程项目所面临的政策风险有哪些。在风电工程项目的政策风险中，电价政策（主要指单位电量贴补额）的影响是最为突出并且最为直接的。我国颁发了《可再生能源电价附加补助资金管理暂行办法》旳通知，根据通知的具体内容可知，我国政策依然鼓励风电工程项目的投资与建设，无论在电价政策还是税收政策方面都有各种优惠和倾斜，这导致我国的风电工程项目的投资市场还是在一定程度上依赖于国家政策，因此存在政策风险。

一般在情况下，能够获得的税收优惠越多的风电工程项目对国家税收政策的依赖性越强，同时对国家税收政策变化的敏感性也越强。若是一个风电工程项目享受国家有关的税收优惠才能够达到当前的收益情况，那么当国家的税收优惠政策发生变化时，项目前期工作中所做的预期方案将可能不能够适应当前的政策从而产生风险，因此本文中采用风电工程项目享受的税收优惠百分比作为衡量税收政策风险的指标参数。

同理可知，在众多风电工程项目中对CDM的政策依赖性越强的工程项目受到的CDM政策变动影响也越大，同时对CDM政策变化的敏感性也越强，CDM政策对风电工程项目的生存产生重大的影响。到2011年为止，我国有1662个CDM项目注册成功。《京都议定书》的失效给风电工程项目的投资带来了巨大的风险，《京都议定书》的失效使得风电工程项目的CDM收入变得极其不稳定，增加了风险几率，以龙源电力为例，龙源电力的主营业务是风力发电，截止到2010年的数据，该公司CDM收入占其全面收入的41%，由此可知《京都议定书》失效后，对其公司有很大影响。在众多风电工程项目中对CDM的政策依赖性越强的工程项目受到的CDM政策变动影响也越大，同时对CDM政策变化的敏感性也越强，CDM政策对风电工程项目的生存产生重大的影响。

按照支持向量机模型的要求，将上述具体指标作为模型的输入，也就是说，每个风力发电项目的风险情况都是以一个9维向量表示，其中分量xij对应i风力发电场的指标j的分值，该分值是定量指标无量化和归一化后的数值，其归一化公式如下：

（2）

此时评价指标的综合分值为这个指标向量的函数：

（3）

3  基于支持向量机的风险评价模型构建

3.1 模型输入数据处理

首先本文收集了20个典型风电项目的相关数据作为训练样本。同时将20个项目的风险评价值（专家评判结果）单列出来如表1。

该表中得分较高的（0.7分以上）为风险较低的项目值得投资;得分一般的（0.4分以上0.7分以下）为风险中等的项目，需要投资决策者考虑是否投资;得分较低的（0.4分以下）的项目为风险较高的项目，不建议投资。对定量评价指标数据进行无量纲化和一致化处理，计算公式为：

（4）

计算得到结果见表2。

利用表2所示数据——风电项目数据归一化处理的结果数据，将其作为输入变量，然后将等级作为输出变量，代入下文的支持向量机模型中，用于训练支持向量机模型使之适用于风电工程项目的风险评价。

3.2 基于支持向量机的风险评价模型构建

本文采用R语言，对模型进行构建。输入表2的数据作为训练样本，输入训练样本可以对模型中的参数进行选择，同时对模型进行训练，构建适用于风电工程项目风险评价的回归支持向量机模型。

首先将表2的数据读入，然后调用支持向量机的软件包，这时考虑回归方式和核函数的选取。针对两种回归方式（nu-regression和eps-regression）和四种核函数（线性核函数linear，多项式核函数polynomial，径向基核函数radial，神经网络核函数sigmoid），通过计算得出，识别率最高、性能最好是径向基核函数。并且在“RMSE”这一列是显示了不同回归方式和核函数输出的误差，即在每种组合方式下，实际评分值与使用支持向量机模型求解的计算值之间的误差。误差越小说明模型越好。因此本文在构建模型时选择的核函数为“radial”，回归方式为“eps-regression”，并求得最优参数值gamma =0.001，cost=1000。

综上所述，用于风电工程项目风险评价的支持向量机模型中的回归方式、核函数以及一般参数都已经设定好，使用此模型对表2中的1到5这5个项目进行预测，将计算所得的评价值与实际值进行对比。

从表中可以看出，通过支持向量机模型计算的预测值（p_test）与真实的评价值（r_test）之间的误差很小，5个项目的整体平均误差为0.005461243。因此说明本文构建的风电工程项目风险评价支持向量机模型具有很好的预测精准度。

在本文中使用R语言对20个风电工程项目的数据进行分析与研究，构建了基于支持向量机的风电工程项目风险评估模型，该模型通过样本数据的测试可知准确率较高，具有较好的拟合性。基于支持向量機的风电工程项目风险评估模型输入变量为9个，分别为：上网电价、上网电量、财务风险、设备水平、预测技术、技术人员、电价政策、税收政策、CDM政策。

输出变量为“评价值”，评价值得分为“0.7分以上”的风电工程项目为风险较低，值得投资的风电工程项目;评价值得分为“0.4分以下”的风电工程项目为风险较高，不建议进行投资的风电工程项目;评价值得分“0.4分到0.7分”的风电工程项目为风险中性，需要投资决策者进行慎重考虑是否投资。

4  结语

综上，本文介绍分析了我国风电项目面临的风险因素：财务风险、技术风险和政策风险;然后将风险因素设定为风电工程项目风险评估指标体系的一级指标，然后根据各个风险因素的影响因子设定了相关的二级指标共九个，至此构建了风电工程项目投资风险评估的指标体系;最后根据支持向量机用于风电工程项目风险评估的步骤，构建了基于支持向量机的风电工程项目风险评估模型，该模型的准确度较高，模型完善，适用于一般的风电工程项目风险评估。

参考文献

[1] 江新，李琦，赵静.基于可靠性分析的工程项目群FAHP风险评价模型[J].长江科学院院报，2014，31（9）：126-131.

[2] 代鹏.风电工程建设中的管理模式及风险因素探究[J].装备维修技术，2019（1）：13-14.

[3] 张懿.陆上风电工程造价风险分析及评估研究[D].华北电力大学（北京），2016.