基于DEA-TOPSIS-時(shí)間序列的風(fēng)電績(jī)效動(dòng)態(tài)評(píng)價(jià)

董福貴， 時(shí) 磊， 吳南南

(1.華北電力大學(xué) 經(jīng)濟(jì)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(diǎn)實(shí)驗(yàn)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(huì)相關(guān)的能源安全以及氣候變化問(wèn)題息息相關(guān)[1].通過(guò)可再生能源替代傳統(tǒng)能源是實(shí)現(xiàn)能源低碳轉(zhuǎn)型的重要方式，深入電力市場(chǎng)改革、促進(jìn)清潔能源消納已經(jīng)成為世界各國(guó)面臨的主要問(wèn)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(huì)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(lái)我國(guó)可再生能源發(fā)展扶持政策的相繼出臺(tái)，我國(guó)風(fēng)電裝機(jī)容量呈現(xiàn)井噴式增長(zhǎng)，一方面風(fēng)資源的開(kāi)發(fā)使得我國(guó)可再生能源發(fā)展步入新的階段，另一方面，風(fēng)電裝機(jī)容量大幅增加不僅對(duì)整個(gè)電力系統(tǒng)的穩(wěn)定運(yùn)行帶來(lái)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(wèn)題[6-8]。而我國(guó)風(fēng)力發(fā)電方面的系統(tǒng)性評(píng)價(jià)研究并不深入，還沒(méi)有形成一套成熟的風(fēng)力發(fā)電績(jī)效評(píng)價(jià)方法來(lái)對(duì)我國(guó)風(fēng)力發(fā)電發(fā)展現(xiàn)狀進(jìn)行理論性評(píng)價(jià)與指導(dǎo)。本文研究了一套完整的風(fēng)力發(fā)電績(jī)效研究方法，以評(píng)價(jià)模型對(duì)風(fēng)力發(fā)電績(jī)效進(jìn)行評(píng)價(jià)、預(yù)測(cè)模型對(duì)風(fēng)力發(fā)電未來(lái)發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，以評(píng)價(jià)加預(yù)測(cè)的方式為我國(guó)風(fēng)力發(fā)電績(jī)效提供一種系統(tǒng)性的研究思路。文獻(xiàn)[9]通過(guò)建立數(shù)學(xué)評(píng)價(jià)模型對(duì)風(fēng)力發(fā)電的靈活性進(jìn)行了科學(xué)性評(píng)價(jià)。通過(guò)對(duì)影響風(fēng)力發(fā)電的特性指標(biāo)進(jìn)行了梳理與分類，其研究成果對(duì)風(fēng)力發(fā)電績(jī)效評(píng)價(jià)奠定了科學(xué)基礎(chǔ)[10]。文獻(xiàn)[11]通過(guò)構(gòu)建基于指標(biāo)偏好間關(guān)聯(lián)的區(qū)間理想點(diǎn)模型(Interval Value TOPSIS Model with Interaction, IV TI)方法對(duì)某省的可再生能源發(fā)電績(jī)效進(jìn)行評(píng)價(jià)研究。針對(duì)近年來(lái)高棄風(fēng)率對(duì)風(fēng)力發(fā)電的影響，文獻(xiàn)[12]提出一種考慮風(fēng)力發(fā)電全過(guò)程的評(píng)價(jià)方法來(lái)找出制約風(fēng)力發(fā)電績(jī)效的影響因素。文獻(xiàn)[13]通過(guò)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(jì)角度對(duì)三北地區(qū)風(fēng)力發(fā)電進(jìn)行了評(píng)價(jià)。文獻(xiàn)[14]對(duì)利用儲(chǔ)能設(shè)備來(lái)促進(jìn)風(fēng)電入網(wǎng)的經(jīng)濟(jì)性進(jìn)行了評(píng)價(jià)研究，論證了其可行性。文獻(xiàn)[15]研發(fā)了軟件系統(tǒng)對(duì)電力系統(tǒng)的低碳節(jié)能和經(jīng)濟(jì)性進(jìn)行評(píng)價(jià)研究，并實(shí)證研究了五省新能源并網(wǎng)前后的經(jīng)濟(jì)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(bǔ)特性，使其與其變形方法在多目標(biāo)指標(biāo)體系評(píng)價(jià)系統(tǒng)中的應(yīng)用已經(jīng)相對(duì)成熟，國(guó)內(nèi)外相關(guān)研究較為深入。文獻(xiàn)[16-17]引入DEA方法來(lái)對(duì)火力發(fā)電進(jìn)行績(jī)效評(píng)價(jià)，深入探討了現(xiàn)階段火力發(fā)電面臨的問(wèn)題。文獻(xiàn)[18]在項(xiàng)目層面上，采用DEA方法對(duì)碳排放技術(shù)進(jìn)行了效率比較。文獻(xiàn)[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(wèn)題。程蒙利用AHP-TOPSIS方法綜合考慮成本、安全性、可靠性、經(jīng)濟(jì)4個(gè)方面，對(duì)光伏發(fā)電項(xiàng)目進(jìn)行了綜合評(píng)價(jià)[20]。而時(shí)間序列預(yù)測(cè)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(xiàn)[21～23]通過(guò)時(shí)間序列預(yù)測(cè)模型對(duì)電力負(fù)荷進(jìn)行短期預(yù)測(cè)，為電網(wǎng)公司制定負(fù)荷預(yù)報(bào)曲線提供準(zhǔn)確信息。

1 基于DEA-TOPSIS-時(shí)間序列的風(fēng)電績(jī)效動(dòng)態(tài)評(píng)價(jià)預(yù)測(cè)模型

1.1 模型選擇

本文從多投入多產(chǎn)出的角度運(yùn)用DEA評(píng)價(jià)方法，并結(jié)合TOPSIS對(duì)DEA評(píng)價(jià)結(jié)果中的多個(gè)綜合效率為1的決策單元進(jìn)行二次評(píng)價(jià)，但僅對(duì)各省市過(guò)去風(fēng)電績(jī)效進(jìn)行評(píng)價(jià)，其實(shí)踐指導(dǎo)意義較弱。為彌補(bǔ)這一不足，本文通過(guò)引入時(shí)間序列預(yù)測(cè)模型對(duì)各省未來(lái)風(fēng)電績(jī)效進(jìn)行預(yù)測(cè)。時(shí)間序列預(yù)測(cè)實(shí)際是將影響風(fēng)電績(jī)效水平的多種因素集中在時(shí)間這一因素中，通過(guò)已有數(shù)據(jù)預(yù)測(cè)在當(dāng)前影響因素變化趨勢(shì)不變情況下因變量未來(lái)的可能值。由于本文會(huì)對(duì)時(shí)間序列排名的預(yù)測(cè)值進(jìn)行二次處理(通過(guò)各省市過(guò)去排名值預(yù)測(cè)將來(lái)排名，時(shí)間序列模型的輸出結(jié)果并不可直接使用，需要通過(guò)進(jìn)一步的大小排序來(lái)確定最終排名值)，其適用性以及準(zhǔn)確性較高，其結(jié)果對(duì)風(fēng)電政策措施制定的指導(dǎo)價(jià)值更高。

1.2 風(fēng)力發(fā)電績(jī)效DEA-TOPSIS動(dòng)態(tài)評(píng)價(jià)模型

1.2.1 動(dòng)態(tài)DEA模型

本研究所采用的動(dòng)態(tài)DEA模型如下：設(shè)包含n個(gè)決策單元(Decision Making Unit, DMU)的m個(gè)投入指標(biāo)的的投入矩陣和s個(gè)產(chǎn)出指標(biāo)的產(chǎn)出矩陣在時(shí)間段t的具體表達(dá)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(biāo)權(quán)重。

對(duì)T年需要進(jìn)行TOPSIS分析的決策單元進(jìn)行假設(shè)：被評(píng)價(jià)對(duì)象有n個(gè)，每個(gè)被評(píng)價(jià)對(duì)象對(duì)應(yīng)m+s個(gè)評(píng)價(jià)指標(biāo)，構(gòu)建判斷矩。

(5)

(6)

(7)

對(duì)判斷矩陣進(jìn)行標(biāo)準(zhǔn)化處理。

(8)

(9)

計(jì)算信息熵。

(10)

t=1/lnn

(11)

(12)

定義指標(biāo)i的權(quán)重。

(13)

(2)計(jì)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(wú)量綱化處理

投入指標(biāo)無(wú)量綱化處理公式為：

(16)

產(chǎn)出指標(biāo)無(wú)量綱化處理公式：

(17)

(6)計(jì)算貼近度

(18)

(19)

決策單元貼近度計(jì)算：

(20)

貼近度dj越大表示決策單元相對(duì)距離正理想點(diǎn)的距離越近，決策單元相對(duì)較優(yōu)，反之風(fēng)力發(fā)電績(jī)效水平較低。對(duì)以上模型輸出結(jié)果進(jìn)行大小排序，從而得到中國(guó)29個(gè)省(自治區(qū)、直轄市)各年風(fēng)力發(fā)電的績(jī)效排名，通過(guò)對(duì)排名結(jié)果進(jìn)行分析，理解其背后的作用機(jī)理，進(jìn)一步分析其最終排名的影響因素以及目前中國(guó)風(fēng)力發(fā)電所面臨的主要問(wèn)題。

1.3 基于時(shí)間序列的風(fēng)電績(jī)效預(yù)測(cè)模型

本文對(duì)風(fēng)力發(fā)電績(jī)效預(yù)測(cè)是通過(guò)SPSS軟件實(shí)現(xiàn)的，SPSS軟件中的時(shí)間序列預(yù)測(cè)模塊擁有多種模型方法，對(duì)具有不同特點(diǎn)的時(shí)間序列可以自動(dòng)選擇擬合度最優(yōu)的模型加以分析預(yù)測(cè)。針對(duì)我國(guó)大陸地區(qū)29個(gè)不同省市風(fēng)力發(fā)電績(jī)效排名數(shù)據(jù)的特點(diǎn)，SPSS軟件采用了簡(jiǎn)單指數(shù)平滑模型和ARIMA(Autoregressire Integrated Moving Average Model)模型對(duì)各省市風(fēng)力發(fā)電績(jī)效進(jìn)行了預(yù)測(cè)。

(1)簡(jiǎn)單指數(shù)平滑模型

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

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

(21)

一般預(yù)測(cè)公式：

St=Ayt+(1-A)yt-1+(1-A)2yt-2+…

+(1-A)t-1y1

(22)

式中：yt為t時(shí)刻的觀測(cè)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(shí)數(shù)。

(2)ARIMA預(yù)測(cè)模型

ARIMA模型是應(yīng)用最多的一種時(shí)間序列預(yù)測(cè)模型，可以對(duì)含有季節(jié)成分的時(shí)間序列數(shù)據(jù)進(jìn)行分析，它包含3個(gè)主要的參數(shù)：自回歸階數(shù)p、差分階數(shù)d和移動(dòng)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(shí)首先要通過(guò)差分使時(shí)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(shí)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(dòng)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(shí)間序列Xt的某個(gè)時(shí)刻t和它之前p個(gè)時(shí)刻以及q個(gè)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(jī)效評(píng)價(jià)及預(yù)測(cè)建立的DEA-TOPSIS-時(shí)間序列3階段模型，建立本文的研究流程圖，見(jiàn)圖1。

圖1 研究流程

2 風(fēng)力發(fā)電績(jī)效動(dòng)態(tài)評(píng)價(jià)及預(yù)測(cè)實(shí)證分析

2.1 數(shù)據(jù)來(lái)源與指標(biāo)選取

本文選取了中國(guó)29個(gè)省份的風(fēng)力發(fā)電年累計(jì)裝機(jī)容量、風(fēng)電廠年運(yùn)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(biāo)，具體指標(biāo)體系如表1所示。

本文數(shù)據(jù)來(lái)源于Wind資訊終端中的宏觀經(jīng)濟(jì)數(shù)據(jù)。本文通過(guò)對(duì)其能源電力數(shù)據(jù)進(jìn)行進(jìn)一步整理、預(yù)處理，進(jìn)而得到文章所需2010年～2017年各指標(biāo)數(shù)據(jù)。其中包含了中國(guó)29個(gè)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(tái)等地區(qū)數(shù)據(jù)未包括在內(nèi)。

表1 風(fēng)力發(fā)電評(píng)價(jià)指標(biāo)體系

2.2 風(fēng)力發(fā)電績(jī)效評(píng)價(jià)

(1)本文通過(guò)deap2.1軟件來(lái)對(duì)DEA模型進(jìn)行仿真計(jì)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(jī)效排名最優(yōu)。詳見(jiàn)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(biāo)數(shù)值為0導(dǎo)致deap.2.1不能輸出其效率值，認(rèn)為該4省的風(fēng)力發(fā)電績(jī)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(duì)29個(gè)省的風(fēng)力發(fā)電績(jī)效進(jìn)行排序，即綜合效率值越大排名越優(yōu)，綜合效率值相同時(shí)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(shí)純技術(shù)效率越大排名越優(yōu)。

(2)對(duì)綜合效率值為1的決策單元，通過(guò)Excel公式對(duì)上述TOPSIS模型按步驟進(jìn)行仿真計(jì)算。通過(guò)公式(5)～(11)計(jì)算指標(biāo)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(jī)容量0.186 4；風(fēng)電廠運(yùn)維成本0.276 5。通過(guò)公式(11)～(18)計(jì)算貼近度，具體仿真結(jié)果見(jiàn)表3。

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

采用相同的方法對(duì)各省2011年～2017年風(fēng)力發(fā)電績(jī)效進(jìn)行評(píng)價(jià)，最終得出各省各年風(fēng)力發(fā)電績(jī)效排名，見(jiàn)表4。

2.3 風(fēng)力發(fā)電績(jī)效預(yù)測(cè)

(1)模型仿真

以上述評(píng)價(jià)模型對(duì)各省風(fēng)力發(fā)電的績(jī)效的評(píng)價(jià)結(jié)果作為預(yù)測(cè)模型的輸入數(shù)據(jù)，對(duì)各省風(fēng)力發(fā)電績(jī)效排名進(jìn)行預(yù)測(cè)。隨機(jī)選取吉林省為例，利用SPSS軟件對(duì)預(yù)測(cè)模型進(jìn)行仿真。采用SPSS軟件對(duì)吉林省2018年的風(fēng)力發(fā)電績(jī)效預(yù)測(cè)結(jié)果為23.25，即在當(dāng)前吉林省風(fēng)力發(fā)電政策變化趨勢(shì)不變的情況下，吉林省在2018年29個(gè)省中風(fēng)力發(fā)電績(jī)效排名為23.25。

表2 指標(biāo)體系 %

表3 TOPSIS模型結(jié)果

表4 風(fēng)力發(fā)電績(jī)效排名

(2)模型適用性判定

由于時(shí)間序列數(shù)據(jù)較少，SPSS沒(méi)有足夠的自由度來(lái)進(jìn)行白噪聲檢驗(yàn)，使得模型的預(yù)測(cè)結(jié)果可信度不高，為了解決這一問(wèn)題，文章通過(guò)對(duì)比分析評(píng)價(jià)模型對(duì)各省2017年風(fēng)電績(jī)效的評(píng)價(jià)結(jié)果和本節(jié)的預(yù)測(cè)模型對(duì)各省2017年風(fēng)力發(fā)電績(jī)效的預(yù)測(cè)結(jié)果，來(lái)驗(yàn)證模型的準(zhǔn)確性(對(duì)比圖見(jiàn)圖2)。

圖2 對(duì)比分析圖

按上述吉林省風(fēng)力發(fā)電績(jī)效預(yù)測(cè)仿真方法，并以各省市風(fēng)力發(fā)電績(jī)效2010年～2016年排名作為已知數(shù)據(jù)，構(gòu)造時(shí)間序列，來(lái)預(yù)測(cè)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(duì)SPSS輸出結(jié)果作進(jìn)一步的大小比較，以確定各省市2017年風(fēng)力發(fā)電績(jī)效排名。預(yù)測(cè)結(jié)果見(jiàn)表5。

可以看出，時(shí)間序列模型的預(yù)測(cè)結(jié)果與評(píng)價(jià)結(jié)果基本相符，說(shuō)明時(shí)間序列模型的輸出結(jié)果可以用來(lái)指導(dǎo)風(fēng)力發(fā)電相關(guān)政策措施的制定與修正，對(duì)我國(guó)實(shí)現(xiàn)能源轉(zhuǎn)型目標(biāo)有重要意義。

表5 2017年風(fēng)力發(fā)電績(jī)效排名預(yù)測(cè)

(3)績(jī)效排名預(yù)測(cè)

為充分了解各省市風(fēng)力發(fā)電績(jī)效排名未來(lái)的變化趨勢(shì)，將DEA-TOPSIS模型輸出的2010年～2017年各省風(fēng)力發(fā)電績(jī)效排名作為上述時(shí)間序列模型的輸出數(shù)據(jù)，對(duì)各省2018年風(fēng)力發(fā)電績(jī)效排名進(jìn)行預(yù)測(cè)。2018年各省市風(fēng)力發(fā)電績(jī)效排名預(yù)測(cè)結(jié)果見(jiàn)表6。

表6 2018年風(fēng)力發(fā)電績(jī)效排名預(yù)測(cè)

2.4 實(shí)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(jī)效之間的聯(lián)系，本文統(tǒng)計(jì)了2013年～2016年棄風(fēng)現(xiàn)象較為明顯省份的棄風(fēng)率，見(jiàn)表7。

表7的數(shù)據(jù)顯示：中國(guó)棄風(fēng)現(xiàn)象較為嚴(yán)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(duì)風(fēng)力發(fā)電績(jī)效的影響，將這些省市2013年～2016年的風(fēng)電績(jī)效和棄風(fēng)率作對(duì)比分析，如圖3～圖6所示。

表7 棄風(fēng)率 %

圖3 東北地區(qū)對(duì)比分析

圖4 華北地區(qū)對(duì)比分析

由圖3東北地區(qū)的風(fēng)電績(jī)效與棄風(fēng)率的對(duì)比圖來(lái)看，棄風(fēng)率對(duì)其各省的風(fēng)電績(jī)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(jī)容量增速遠(yuǎn)大于上網(wǎng)電量增速，造成棄風(fēng)現(xiàn)象嚴(yán)重，從而影響風(fēng)力發(fā)電績(jī)效排名。

由圖4華北地區(qū)的風(fēng)電績(jī)效與棄風(fēng)率的對(duì)比圖來(lái)看，天津的排名與棄風(fēng)率相關(guān)性較為明顯，是因?yàn)樘旖蚬I(yè)經(jīng)濟(jì)較為發(fā)達(dá)，風(fēng)電機(jī)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(lái)中國(guó)大力促進(jìn)風(fēng)力發(fā)展，使得影響風(fēng)力發(fā)電績(jī)效的技術(shù)、資源、相關(guān)政策等因素對(duì)風(fēng)力發(fā)電績(jī)效的影響相對(duì)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(jī)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(jī)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(wèn)題較為嚴(yán)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(jī)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(jī)效排名逐年下降的重要原因；而河北地區(qū)棄風(fēng)率對(duì)風(fēng)電績(jī)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(jī)效排名卻有所下降，可能是因?yàn)楹颖钡貐^(qū)前期風(fēng)力發(fā)電技術(shù)水平較低，但隨著國(guó)家對(duì)風(fēng)力發(fā)電的大力支持，我國(guó)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(duì)風(fēng)力發(fā)電績(jī)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(jī)效排名和棄風(fēng)率的對(duì)比圖來(lái)看，除甘肅和新疆外其他省份績(jī)效排名和棄風(fēng)率變化趨勢(shì)較為平緩，而甘肅棄風(fēng)率和其績(jī)效的相關(guān)性較強(qiáng)，棄風(fēng)率是影響風(fēng)力發(fā)電績(jī)效的重要因素。

圖5 西北地區(qū)對(duì)比分析

圖6 西南地區(qū)對(duì)比分析

(2)通過(guò)對(duì)風(fēng)電績(jī)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?yàn)檫@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(jī)效排名較低，是因?yàn)檫@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(guó)風(fēng)能資源開(kāi)發(fā)的重點(diǎn)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(shì)詳見(jiàn)圖7。

圖7 風(fēng)能密集區(qū)績(jī)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(jī)效在初期排名較為靠前，其每年的風(fēng)電裝機(jī)容量都是最高的，但由于我國(guó)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(dá)到最低值，這是因?yàn)?015年棄風(fēng)現(xiàn)象最為嚴(yán)重，其中吉林地區(qū)棄風(fēng)率達(dá)到42.96%、甘肅地區(qū)達(dá)到30.98%、黑龍江地區(qū)達(dá)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(jī)效較差。

根據(jù)2018年排名預(yù)測(cè)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(jī)效水平持續(xù)較低，將成為阻礙實(shí)現(xiàn)能源低碳轉(zhuǎn)型目標(biāo)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(jì)效益難以彌補(bǔ)其不足。這就要求制定更加合理的風(fēng)電電價(jià)以及調(diào)峰輔助服務(wù)，來(lái)促進(jìn)風(fēng)電消納，同時(shí)避免繼續(xù)盲目大量開(kāi)發(fā)風(fēng)資源，把促進(jìn)風(fēng)電消納作為其工作重心，盡快解決棄風(fēng)現(xiàn)象對(duì)風(fēng)力發(fā)電績(jī)效的影響。

3 結(jié)論

本文通過(guò)建立了DEA-TOPSIS-時(shí)間序列3階段研究方法，將評(píng)價(jià)方法與預(yù)測(cè)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(duì)風(fēng)力發(fā)電績(jī)效進(jìn)行了評(píng)價(jià)及預(yù)測(cè)，科學(xué)測(cè)定了2010年～2017年中國(guó)29個(gè)省份的風(fēng)力發(fā)電績(jī)效水平，結(jié)果表明風(fēng)力發(fā)電發(fā)展存在一定的問(wèn)題，比如：盲目擴(kuò)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(yán)重影響區(qū)域風(fēng)力發(fā)電績(jī)效水平。此外，通過(guò)分析研究區(qū)域性風(fēng)力發(fā)電績(jī)效排名，探索了風(fēng)力發(fā)電的地域性發(fā)展共性特點(diǎn)，為總體把握全國(guó)及區(qū)域風(fēng)力發(fā)電現(xiàn)狀提供參考。