基于地区用户成本的分布式风力发电长期规模预测

何永秀，吕 媛，车怡然

（1.华北电力大学经济与管理学院，北京 102206；2.新能源电力与低碳发展研究北京市重点实验室（华北电力大学），北京 102206）

0 引言

我国东北、华北、西北“三北”地区拥有良好的风力资源，但是受到我国地域幅度、经济差异以及高压传输的限制，大量的风力资源不能被传送到我国高负荷密度地区［1］。分布式风力发电具有占地面积小、与接入点负荷中心较近的优点［2］，尤其是低风速风机的普及，促进了我国东南部等低风速地区［3］分布式风力发电的发展，我国风力发电分布式与集中式并重发展是必然的趋势［4］。

我国的分布式风力发电现在处于初步发展阶段，对于分布式风力发电规模预测的研究较少，但分布式风力发电发展是我国实现双碳目标，解决自发自用、就地消纳、弃风限电，刺激社会投资，调结构、扩内需、稳定经济增长的一种有效方案。分布式风力发电规模的预测可以对地区电网建设、风力发电相关产业发展提供参考。

灰色模型法［5］、神经网络法［6-7］等预测方法对数据要求较高，不适用于建设初期的分布式风力发电规模预测。针对分布式风力发电规模时间序列短的这一特点，国内外学者针对影响分布式风力发电的因素，从多角度提出了分布式风力发电规模预测的方法，例如文献［8］从经济学原理中的供需关系入手进行预测，文献［9-10］从分布式风力发电的技术进步角度、政策及补贴角度、地区资源禀赋等影响新能源发电发展的因素出发对分布式风力发电的前景进行展望。影响分布式电源规模的因素较多，目前的研究从单个因素入手对分布式风力发电的发展规模进行预测是不合理的。影响分布式风力发电发展规模的因素之间存在关系，传统的多因素预测方法无法展现多因素之间的联系。因此，本研究采用系统动力学对分布式风力发电规模进行预测。

系统动力学利用定性与定量结合的方法处理复杂系统问题［11］，是一种系统整体思考与分析、综合与推理的方法，定性—定量—定性、螺旋上升、逐渐深化推进，能够展现政策、技术、环境、市场因素对分布式风力发电规模的影响，适用于构建分布式电源规模长期趋势预测模型［12］。

对选择“余量上网”模式的分布式风力发电用户的规模进行预测。首先从政策、资源、技术、市场4 个方面分析影响分布式风力发电经济性的因素；利用学习曲线根据地区分布式风力发电历史规模数据计算出分布式风力发电机组成本，将政策、资源、技术、市场因素量化成分布式风力发电其他成本，进而测算出全寿命周期下分布式风力发电的单位电量成本；利用生长曲线根据分布式风力发电单位电量成本与地区燃煤标杆电价预测地区分布式风力发电规模。最后，利用系统动力学模型对南方某地区不同发展速度下的分布式风力发电规模进行测算。

1 分布式风力发电经济性影响因素现状

主要从政策、自然资源、技术和市场4 个角度分析影响分布式风力发电经济性的因素。

1.1 分布式风力发电政策现状

目前，我国的风力发电政策主要由固定上网电价政策、保障并网政策、接网补贴政策、费用分摊政策、惠收优惠政策共5 类政策组成［13］，分别对风力发电上网电价、上网电量比例、风力发电系统接网费用、风力发电补贴来源、风力发电增值税、所得税和进口环节税收进行了规定，引导风力发电建设。2009—2020 年的分地区风力发电上网电价如表1所示。

表1 分地区风力发电上网电价单位：元/kWh

2009 年至2020 年间，我国I～IV 类地区风力发电上网电价总体呈现下降的趋势。其中，I、IV 类地区的上网电价下降幅度较大，下降比例为30%～40%。而II、III 类的下降幅度位于15%～30%之间。风电价格的降低反映了近十年来我国风力发电技术的进步，风力发电成本的降低，尤其是风力发电设备价格的降低，为风力发电价格的降低提供了动力。此外，随着风力发电价格的下降，我国的新能源投资也将更多地被引导到负荷集中的地区。

1.2 分布式风力发电资源现状

我国中东部和南方地区是分布式风力发电建设的重要地区，主要体现在资源潜力和消纳潜力两个方面。

资源潜力方面，随着风力发电成本下降、低风速风力发电场技术成熟、机组对建设环境适应性增强，我国风速6 m/s 左右、负荷密度高的中东部和南方地区成为分散式风力发电建设的理想地区［1］。据统计，我国在中东部和南方地区在距地面80 m 高度，风力资源不小于150 W/m2的技术可开发量为19.84亿kW。我国中东部和南方地区陆上风力发电最大可经济开发量如表2所示。

表2 我国中东南地区陆上风力发电最大可经济开发量单位：万kW

消纳潜力方面，中国中东部和南方地区分布有长江三角洲和珠江三角洲两大经济中心，电力需求旺盛，消纳能力强。以5%弃风率考虑，华东地区可消纳风力发电规模约7 750 万kW，华中地区可消纳7 200万kW，广东省可消纳2 000万kW［13］。

微观角度，城市风能资源的利用也将促进分布式风力发电的发展［14］。大的城市街道、高速公路、开阔场地、小山丘是城市风力发电机的有利地点。例如上海中心大厦屋顶上的风能系统功率达到135 kW。

1.3 分布式风力发电技术现状

分布式风力发电的技术主要包括风力发电技术、风力发电并网技术以及风力发电功率预测3 个方面，其中风力发电并网技术以及风力发电功率预测是风能利用的关键问题［15］。

风力发电技术方面，随着风能勘察工作的不断深入和低风速技术的持续进步，可以因地制宜提高风能利用效率，有利于促进低风速地区的分布式风力发电开发，分布式风力发电的安装成本下降。我国2010—2019年的风力发电安装成本如表3所示。

表3 我国2010—2019年风力发电安装成本单位：元/kW

风力发电并网技术方面，受到分布式风力发电的出力具有随机性的影响，风力电网并网容量越大，电网的不稳定性越大。随着对风力发电接入电网临界值的研究的深入，分布式风力发电的渗透率提升，电网消纳风力发电的比例将会提升。

风力发电功率预测技术方面，预测系统主要为物理建模技术和统计建模技术。风力发电场日负荷预测曲线误差应不超过25%，实时预测误差不超过15%［16］，当预测误差超过规定范围时将会带来风力发电惩罚［17］，增加了风力发电运维成本。

储能是解决风力发电并网问题和功率预测误差一大有效途径。当储能容量与风力发电出力不小于18.67 MW/8.5 MWh 时［18］，风力发电系统可以作为火电厂的黑启动辅助，学者对风力发电预测误差损失与总体经济性之间的契合点进行测算，发现当储能系统容量为风力发电最大预测误差的10%时总体经济效益最佳［19］。

1.4 分布式风力发电市场现状

风力发电参与市场是风力发电产业高质量发展必经之路。我国目前实行的可再生能源电价机制为固定电价机制，为国家财政带来巨大的补贴漏洞，电价机制的转变是解决这一难题的有效路径。近年来。我国推出可再生能源消纳责任权重制度，其本质与国外的可再生能源电力配额制度相通，伴随着售电公司的崛起，我国的可再生能源电价机制在未来有望转化为“市场电价+绿证收入”制度。

在国家对企业与个人投资、建设和经营分散式风力发电的鼓励下，分布式风力发电商业模式的转变也将成为必然，借鉴美国、德国、丹麦等分布式能源发达地区的社区风力发电模式［20］，我国也将会出现以村、工厂、路为单位的分布式风力发电投资模式，文献［21］指出以村为单位的分布式投资运营模式下内部收益率较传统分散式风力发电提升1%，同时还起到促进地区就业、拉动GDP的作用。市场化和运营模式的改变将会带来分布式风力发电的收入组成变化。

2 分布式风力发电规模预测模型

结合上文对分布式风力发电政策、资源、技术、市场的现状分析，本节对分布式风力发电的单位电量成本测算，结合燃煤标杆电价利用生长曲线模型对地区分布式风力发电规模进行预测。

2.1 分布式风力发电单位电量成本测算

分布式风力发电单位电量成本受分布式风力发电年成本和年发电量影响，如式（1）所示。分布式风力发电机组年成本由年折旧、年运维成本和年收入组成，如式（2）所示。年发电量由容量与年有效发电小时，年有效发电小时数与地区资源因素有关，如式（3）所示。

1）分布式风力发电投资成本。

分布式风力发电年折旧与分布式风力发电系统投资成本有关［22］，分布式风力发电投资系统由分布式风力发电投资成本与储能投资成本构成［23］，如式（4）—式（6）所示。

式中：CDGw，in为分布式风力发电系统投资成本，元；rde为年折旧率；i0为基准折现率；为第m年分布式风力发电单位容量造价，元/kW；Pes为分布式风力发电配套储能容量，kWh；为第m年储能单位电量成本，元/kWh；γes为储能容量与分布式风力发电容量的最佳比例。

根据学习曲线［24］，分布式风力发电单位容量成本与分布式风力发电规模有关，如式（7）所示。

2）分布式风力发电年运维成本。

分布式风力发电的年运维成本由材料费、修理费、人工费和其他运营费用构成，如式（8）所示。

3）分布式风力发电年收入。

分布式风力发电年收入由售电收入和碳排放权收入组成，如式（9）所示。不同电价机制下的售电收入计算方式不同，“固定电价”机制下售电收入受风力发电指导价、年发电量以及上网比例影响，如式（10）所示。碳排放权交易收入如（11）所示。“市场电价+绿证收入”机制下售电收入还受到绿证价格的影响，如式（12）所示。

2.2 基于生长曲线的分布式风力发电规模预测

根据生长曲线理论［24］，第m年的分布式风力发电规模与第m年分布式风力发电最大可经济开放量、初期分布式风力发电规模、初期分布式风力发电最大可经济开发量、分布式风力发电规模到达最大可经济开发量的时间有关，如式（13）—式（15）所示。

式中：Sm为第m年分布式风力发电规模，kW ；为第m年地区分布式风力发电最大可经济开发量，kW；a，b为生长曲线方程参数；为初期地区分布式风力发电最大可经济开发量，kW；tsemi为分布式风力发电规模到达最大可经济开发量的时间。

第m年地区分布式风力发电最大可经济开发量与分布式风力发电单位电量成本和地区用户销售电价有关。当单位电量成本大于1.2倍的脱硫燃煤标杆电价时，分布式风力发电最大可经济开发量计算方式如式（16）所示；当单位电量成本小于1.2倍的脱硫燃煤标杆电价时，分布式风力发电最大可经济开发量计算方式如式（17）所示。

3 基于系统动力学的分布式风力发电规模预测

分布式风力发电规模预测流程如图1所示。

图1 分布式风力发电规模预测思路

图中虚线表示间接由上一个变量间接得到下一个变量，实线表示直接计算得出。以第m年分布式风力发电规模预测为例，其步骤如下：

1）首先根据第m-1年分布式风力发电单位容量造价计算出第m-1年的分布式风力单位电量发电成本；

2）利用第m-1年的分布式风力单位电量发电成本、地区脱硫燃煤标杆电价、分布式风力发电技术资源总量计算出第m年分布式风力发电最大可经济开发量；

3）根据第m年分布式风力发电最大可经济开发量间接计算出第m年分布式风力发电规模，结合初期分布式风力发电单位容量造价和初期分布式风力发电规模计算出第m年分布式风力发电单位容量造价，形成闭环。

选用系统动力学模型进行预测能够直观展现变量之间的逻辑关系，便于对多情景下的分布式风力发电成本进行测算。分布式风力发电的成本和规模与往期的成本和规模有关，系统动力学的循环模型非常适合对时间序列自回归模型进行运算。构建系统动力学模型，如图2所示。

图2 风力发电规模长期预测系统动力学模型

4 实证分析

1）基础数据。

2.5MW 是分布式风力发电机组的常见规模，因此选取2.5 MW 的分布式风力发电机组进行单位电量成本测算，相关数据如表4所示。

表4 分布式风力发电预测模型算例初始数据

对我国南方某地区2012—2030 年的分布式风力发电规模进行预测。该地区2011—2020 年的分布式风力发电规模、单位容量造价、风力发电上网电价以及如表5所示。

表5 2011—2020年某地区分布式风力发电情况

2）分布式风力发电规模预测结果。

在系统动力学仿真软件VensimPLE 中构建分布式风力发电长期规模预测模型。通过带入输入变量，仿真步长为1 年，得出分布式风力发电补贴数据以及规模预测数据，选取平均绝对百分比误差（Mean Absolute Percent Error，MAPE）这一指标对预测模型进行预测性能评价。MAPE 是用于评估预测性能最受欢迎的指标之一，其取值范围为［0，+∞），MAPE 为0%表示完美模型，MAPE 大于100%则表示劣质模型，计算公式如式（18）所示。

式中：M为模型的MAPE值；n为预测值的数量；t为观察值，表示时间序列中的时间指数，取值为1，2…，n；At为实际值；Ft为预测值。

利用学习曲线，对2011—2020 年分布式单位装机成本进行预测，预测结果如图3 所示，MAPE 为6.67%，预测效果良好。

图3 2011—2020年单位装成本预测值对比

根据分布式风力发电单位装机成本、分布式风力发电年运维成本、年收入可以得到分布式风力单位电量发电成本；通过单位电量发电成本、地区脱硫燃煤标杆电价、地区分布式风力发电技术资源总量可以计算出地区逐年分布式风力发电最大经济开发量；通过分布式风力发电最大经济开发量和地区分布式风力发电规模到达最大可经济开发量的时间可以预测出每年地区分布式风力发电规模，2011—2020年地区分布式风力发电规模预测与实际值对比如图4所示，MAPE值为8.02%，预测效果良好。

图4 2011—2020年某地区分布式风力发电规模对比

该地区2021—2030 年的地区分布式风力发电规模预测结果如表6 所示，表中可以看出，2030 年地区分布式风力发电规模达到1 404 MW，为2020年的3倍。

表6 2021—2030年某地区分布式风力发电规模预测结果

3）分情景下的分布式风力发电规模预测。

对不同分布式风力发电发展速度下的地区分布式风力发电发展规模进行预测。设定地区分布式风力发电规模到达最大可经济开发量的时间为50、60、70年分别对应高发展速度、正常发展速度、低发展速度情景。得到的分布式风力发电规模预测结果如图5所示。

图5 不同情境下的分布式风力发电发展规模

由图5 可知，在不同情境下，随着分布式风电发展速度的提升，地区的分布式风电规模的增长趋势更加明显，高发展速度下的规模始终高于较低速度下的分布式风力发电发展规模。

4 结语

从政策、资源、技术、市场4 个方面分析影响分布式风力发电经济性因素的现状，并将其量化为分布式风力单位电量发电成本这一指标。在此基础上构建了分布式风力发电规模预测模型。考虑了风力发电上网电价、脱硫燃煤标杆电价、分布式风力发电技术资源总量、碳排放权交易、分布式风力发电最大可经济开发量、风力年有效利用小时数等因素对分布式风力发电规模的影响。选取南方某地区作为实证分析的对象，对其分布式风力发电发展规模进行了预测。实证分析的结果证实了本文构建的分布式风电发电规模预测模型的有效性和可用性，预测效果良好，可以为分布式风电项目投资、地区电网建设等提供可参考的依据。