基于空間統(tǒng)計模型的區(qū)域風電消納風險聚類分析

趙振宇，苑曙光

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

0 引言

目前，我國風電累計并網(wǎng)容量已居世界首位，但存在棄風問題。 棄風直接影響風電場效益，制約風電裝機規(guī)模，成為風電可持續(xù)發(fā)展的瓶頸。 風電功率具有隨機性和波動性，風電大規(guī)模入網(wǎng)后會對電力系統(tǒng)的“發(fā)、輸、配”各個環(huán)節(jié)產(chǎn)生運行風險。 由風電運行風險導致的風電消納風險是指由一系列不確定性影響因素引起風力發(fā)電資源浪費的可能性，用于表征區(qū)域風電消納能力。

風電消納風險管理研究需要兼顧風險因素識別、風險分析及風險評價等工作，并據(jù)此針對性地提出風險應對措施，以達到風險控制的最終目的。 在風電消納影響因素識別方面，文獻[1]針對風電的隨機性和間歇性等特點，給出了能夠反映風電接入對發(fā)電系統(tǒng)和輸電系統(tǒng)影響的風險指標。 在風電消納能力評價方面，文獻[2]根據(jù)不同階段風電接納能力評估的不同，提出了風電大規(guī)模并網(wǎng)前后風電接納能力的評估方法。 文獻[3]提出了風電接納風險的概念，引入條件風險價值理論對風電接納風險進行量化，構建了基于條件風險約束的電網(wǎng)日前風電接納能力評估模型。 在風電消納風險應對方面，文獻[4]，[5]分別從風電出力時變特性、在線電網(wǎng)資產(chǎn)改變的滯后性以及儲能系統(tǒng)的運行特性，建立了兩種提高風電接納能力的規(guī)劃方法。 文獻[6]對風電不確定性帶來的運行風險及節(jié)能減排的貢獻進行量化，構建同時考慮發(fā)電資源消耗最少、 環(huán)境效益最好和系統(tǒng)運行風險最小的多目標優(yōu)化調(diào)度模型。

目前，對風電消納風險的研究主要集中于電力系統(tǒng)運行風險，重點考慮了在條件風險約束下的風電消納能力評估，所建立的評價模型多依賴于條件概率和出力的預測值，難以對風電場及區(qū)域的消納情況進行準確評估。 針對風電資源稟賦較高地區(qū)風電場消納能力存在較大差異的現(xiàn)狀，本文將基于風險測度原理構建區(qū)域風電消納風險的計量模型，并結合歷史數(shù)據(jù)對風電場及區(qū)域的消納風險進行測度，進而對消納風險的空間相關性及集聚特征進行分析，研究區(qū)域風電消納風險時空變化規(guī)律。

1 模型構建

1.1 消納風險計量模型

棄風量是反映風電場棄風水平的直接指標，通常以棄風小時數(shù)表示[7]。區(qū)域平均棄風小時數(shù)為

式中：Hi為區(qū)域 i 棄風小時數(shù)；Qij為區(qū)域 i 中 j 風電場的理論發(fā)電量，MW·h；Q′ij為 j 風電場的上網(wǎng)電量，MW·h；Cij為 j 風電場的裝機容量。

棄風率是反映風電場消納能力的關鍵指標之一，其定義為某時段內(nèi)總棄風電量與風電理論發(fā)電量的比值，區(qū)域平均棄風率可以表述為[8]

在運行過程中，受風電出力和需求不確定性影響，風電場上網(wǎng)電量及棄風電量均呈現(xiàn)較強隨機性，因此，難以利用運行參數(shù)定量表示棄風的概率。 假定棄風事件的棄風損失電量為固定值ΔQ，此時棄風率能夠反映棄風事件發(fā)生的概率，本文將棄風發(fā)生概率以年內(nèi)累積的形式表示[9]。 根據(jù)風險管理理論，風險的度量由風險事件發(fā)生概率和風險造成損失程度兩部分構成[10]。因此，本文以年棄風小時數(shù)來表征棄風損失程度，以年棄風比率表征棄風事件發(fā)生的概率，區(qū)域風電消納風險值可以表述為

1.2 風電消納風險的空間自相關檢驗模型

為了證明風電消納風險具有空間相關性，本文借鑒空間自相關指數(shù)模型，研究位于蒙西地區(qū)的87 家風電場消納風險值的空間相關性。

全局Moran′I 指數(shù)立足于整個研究區(qū)域，把要素的位置-屬性值作為量化工具，研究區(qū)域上空間對象之間的相關程度，判斷全局空間分布模式。 全局 Moran′s I 統(tǒng)計為

式中：n 為所研究區(qū)域內(nèi)的風電場數(shù)目；wij為空間權重；xi和xj分別為風電場i 和j 的消納屬性；為所有風電場消納風險屬性平均值；為所有風電場消納風險屬性的平方差。

在空間相關性的分析中，p 值表示所觀測到的空間模式是由某一隨機過程創(chuàng)建而成的概率，例如p＜0.1，就表示該結果只有小于10%的可能性是隨機生成的，即置信度為90%。 為了確定集聚或離散顯著的程度，通常還需要計算zI得分，統(tǒng)計的zI得分按以下形式計算：

全局Moran′s I 指數(shù)無法反映出局部的自相關關系，為了更深入地了解局部聚集區(qū)元素之間相似或相異的情況，并識別區(qū)域空間異常值，利用局部Moran′s I 指數(shù)指標來進行統(tǒng)計，可表示為

若Ii值為正，表示要素具有包含同樣高或同樣低的屬性值的鄰近要素；若Ii值為負，表示要素具有包含不同值的鄰近要素，該要素是異常值。

ArcGIS 是目前應用最廣泛的地理空間分析軟件，廣泛用于地圖制作、地理數(shù)據(jù)轉換和處理。ArcGIS 工具箱擁有大量空間分析工具，其中Anselin Local Moran′s I工具能夠計算聚類/異常值類型（COType），并可區(qū)分具有統(tǒng)計學上的顯著性的高值（HH）聚類、低值（LL）聚類、高值被低值圍繞的異常值（HL）以及低值被高值圍繞的異常值（LH）。

2 風電消納風險測度及趨勢分析

2.1 風電場消納風險測度及分級

本文研究選取內(nèi)蒙古西部8 個盟市風電場作為研究數(shù)據(jù)樣本。2012-2018 年，蒙西地區(qū)風電總裝機容量從8 666 MW 增至16 490 MW。 為了便于比較各年結果，本文僅分析2012 年入網(wǎng)的87家風電場作為樣本，其中，接入110 kV 的風電場為13 家，接入220 kV 的風電場為74 家，結合樣本 2012-2018 年的消納相關數(shù)據(jù)，根據(jù)式 （1）～（3），得到樣本及區(qū)域的消納風險值。

為了能夠準確描述消納風險的變化趨勢，需要依據(jù)一定的風險評價標準對各個風電場及區(qū)域的風險等級進行評價。 本文依據(jù)的分級標準如表1 所示。

表1 消納風險分級標準Table 1 Risk classification basis of wind power absorption risk

依據(jù)蒙西8 個區(qū)域2012-2018 年87 家風電場的風險值分級，結合這些風電場的地理位置，利用ArcGIS 制作區(qū)域風電消納風險分布示意圖，如圖1 所示。 圖中：★代表高風險；▲代表較高風險；■代表中度風險；●代表低風險；×代表平均中心，用于測量全部風電場消納風險的密度中心； 〇表示標準距離，用于測量要素在幾何中心周圍的集中或分散程度。

圖1 2012-2018 蒙西地區(qū)風電場消納風險水平分布圖Fig.1 Absorption risk level of wind farms in Western Inner Mongolia during 2012-2018

由圖1 可知，2012 年高消納風險的風電場數(shù)量最多，達到24 個，低風險風電場數(shù)量最少，同樣也是24 個。 2013 年，國家及地方政府出臺了許多政策與措施，棄風得到了一定控制，在2013-2018 年，年均高風險風電場數(shù)量都在7 以內(nèi)，特別是2013 年，只有烏蘭察布地區(qū)的庫侖風電場處于高風險水平。 2013-2018 年，每年低風險風電場數(shù)量都在50～70，而且總體上數(shù)量呈上升趨勢； 中等水平風險風電場數(shù)量在10～23，消納風險值處于較高水平的風電場數(shù)量均在10 以內(nèi)。 由圖1 還可以看出，風電場消納風險密度中心逐漸向西移動，且風險的集中程度正在減弱。

2.2 區(qū)域消納風險測度及分級

依據(jù)這些風電場的所屬區(qū)劃，計算區(qū)域棄風小時數(shù)、區(qū)域棄風率和區(qū)域消納風險，根據(jù)各區(qū)域消納風險占當年各區(qū)域消納風險總和的比重計算風電消納風險指數(shù)，蒙西各地區(qū)2012-2018 年風電消納風險指數(shù)變化情況如圖2 所示。

圖2 蒙西各區(qū)域2012-2018 年風電消納風險指數(shù)Fig.2 Risk index of regional wind power absorption in Western Inner Mongolia during 2012-2018

從圖2 中可以看出各區(qū)域風險指數(shù)的波動情況，2012-2014 年各區(qū)域風險指數(shù)變化規(guī)律不明顯，2013 年起，包頭地區(qū)風險指數(shù)逐年大幅度升高，其余地區(qū)均有不同程度的下降，其中以錫林郭勒地區(qū)的下降趨勢最為明顯，巴彥淖爾地區(qū)、呼和浩特和烏蘭察布的下降幅度平緩。

根據(jù)圖2 所示測度結果，使用自然斷點法對7 個研究區(qū)域的風電消納綜合風險指數(shù)進行劃分，根據(jù)風險由高到低劃分為Ⅰ～Ⅳ級風險區(qū)，見表2。 從表中可以看出，阿拉善地區(qū)和鄂爾多斯地區(qū)一直都是Ⅰ級風險區(qū)，呼和浩特多數(shù)年份也屬于Ⅰ級風險區(qū)； 巴彥淖爾地區(qū)在多數(shù)年份是Ⅱ級風險區(qū)；烏蘭察布地區(qū)多數(shù)年份是Ⅲ級風險區(qū)；錫林郭勒地區(qū)多數(shù)年份屬于Ⅳ級風險區(qū)。 比較特殊的是包頭地區(qū)，在2013 年還屬于Ⅰ級風險區(qū)，2014 年和 2015 年處于Ⅱ級風險區(qū)，2016 年和2017 年只有包頭處于Ⅳ級風險區(qū)，而在2018 年包頭和烏蘭察布地區(qū)屬于Ⅳ級風險區(qū)。

表2 2012-2018 年蒙西地區(qū)風電消納風險分級結果Table 2 Grading results of regional wind power absorption risk in Western Inner Mongolia during 2012～2018

3 風電消納風險空間相關性分析

3.1 風電場消納風險的空間相關性分析

由圖1 可知，風電場消納風險在空間上呈現(xiàn)顯著的空間差異性，局部呈現(xiàn)出顯著的空間聚集。表述要素空間關系有可變距離法、固定距離法、K點鄰接法、邊鄰接法、邊角鄰接法等，但這些傳統(tǒng)方法都不適合表述區(qū)域風電場群內(nèi)部的空間關系。 因此，基于本文風電場位置情況，建立自定義空間權重矩陣，并利用ArcToolbox 的Moran'I 工具對各消納風險指標進行測度，結果見表3。

表3 風險相關參數(shù)全局Moran'I 測度結果Table 3 Global Moran′I measure result of risk parameters

Moran'I 工具生成測度結果對照圖，如圖3所示。

圖3 全局Moran'I 測度結果對照圖Fig.3 Contrast chart of global Moran'I measure result

將表3 結果與圖3 進行對照，可以看出：裝機容量不具備空間聚集特征，呈現(xiàn)隨機分布；棄風率以及棄風量的顯著性水平（p 值）達到0.05，消納風險的顯著性水平達到0.01。以上結果表明，樣本點的棄風率、 棄風量和消納風險值均呈現(xiàn)出空間聚集，且消納風險具有比棄風率和棄風量更強的空間相關性。

3.2 區(qū)域風電消納風險的空間相關性分析

為了評價內(nèi)蒙古電網(wǎng)風電消納風險的區(qū)域趨同程度，根據(jù)上述87 家風電場的所在行政區(qū)劃，結合2016 年風險消納數(shù)據(jù)計算區(qū)域消納風險值，并對各區(qū)域內(nèi)風電場消納風險值的Moran'I 進行測度，結果如表4 所示。

表4 蒙西各區(qū)域風電消納風險空間自相關測度結果Table 4 Spatial autocorrelation measurements results of wind power absorption risks in different regions of Western Inner Mongolia

將表4 參數(shù)與圖3 標準進行對比后，可以評估各區(qū)域風電消納風險的空間相關性。 根據(jù)區(qū)域風電場的分布及裝機情況，風電場分布密度較高的區(qū)域，如包頭、烏蘭察布和錫林郭勒地區(qū)的消納風險的空間相關性更高。

4 蒙西地區(qū)風電消納風險聚類分析

4.1 風電消納風險空間聚類分析

通過對 87 個樣本點在2012-2018 年風險屬性進行比較，有少量樣本連續(xù)多年都處在低消納風險狀態(tài)，說明這些風電場所處區(qū)域具有較強的風電消納能力。部分風電場在很多年份都是高消納風險風電場，說明這些風電場所處區(qū)域存在一定的風電消納障礙。將圖1 中各年高消納風險風電場及連續(xù)7 年處于低消納風險風電場的分布情況整合，其結果如圖4 所示。

圖4 2012-2018 年高低風險等級風電場示意Fig.4 High-low risk level wind farms in Western Inner Mongolia during 2012-2018

由圖4 可以看出，高消納風險風電場主要分布于內(nèi)蒙古中部地區(qū)以及中東部地區(qū)。 有些風電場在不同年份均屬于高風險風電場，如漳澤達茂、金風達茂、匯通能源展成、宏滕西烏等4 家風電場有兩個年度處于高風險水平；漳澤川井、國泰、大唐薩如拉、興啟源古日班、國電龍源諾爾等5 家風電場有3 個年份處于高風險水平。 從空間角度來看，隨著時間的推進，高消納風險逐漸從整個內(nèi)蒙古中部地區(qū)向包頭市和呼和浩特市的北部聚集。

圖4 中連續(xù)多年處于低消納風險的風電場（標為●） 主要分布于內(nèi)蒙古西北部地區(qū)以及中南部地區(qū)，與高風險風電場分布區(qū)域的界限比較明顯，結合風電場消納風險Moran'Ⅰ測度結果可以得出，蒙西地區(qū)風電消納風險具有較強的高低集聚效應。

利用 ArcGIS 的 Anselin Local Moran'Ⅰ統(tǒng)計量工具可以識別顯著性的熱、 冷點值，其中COType 字段可區(qū)分具有統(tǒng)計顯著性的高值（HH）聚類、低值（LL）聚類、高值被低值圍繞的異常值（HL）以及低值被高值圍繞的異常值（LH）。根據(jù)蒙西縣域風電消納風險值進行Anselin Local MoranⅠ統(tǒng)計，空間聚類特征如圖5 所示。

圖5 2012-2018 年蒙西各區(qū)域消納風險空間聚類Fig.5 Spatial clustering characteristics of risk abatement in the regions of western Inner Mongolia during 2012-2018

區(qū)域風電消納風險Anselin Local MoranⅠ統(tǒng)計是根據(jù)各區(qū)域風險值及區(qū)域間空間權重計算，無風電裝機區(qū)域不存在消納風險值，計算過程將風險置為零，因此，部分無風電裝機區(qū)劃入低值聚集區(qū)。 由圖5 可以看出，區(qū)域消納風險集聚特征明顯，高值聚集區(qū)（HH）主要分布在錫林郭勒盟、烏蘭察布市，低值聚集區(qū)（HH）主要分布在巴彥淖爾市、鄂爾多斯市及呼和浩特市。

4.2 區(qū)域風電消納風險值聚類分析

根據(jù)2018 年消納情況，計算蒙西縣域風電消納風險值，如圖6 所示。

圖6 2018 年蒙西區(qū)域風電消納風險分級示意Fig.6 Regional wind power absorption risk level in western Inner Mongolia in 2018

圖6 與圖5 存在較大差異，特別是高風險區(qū)域的變化較為明顯，說明高消納風險區(qū)域存在較強的動態(tài)性。 2018 年，包頭白云區(qū)、土右旗、達茂旗、卓資縣、烏拉特前旗和烏拉特中旗是消納風險較高地區(qū)，正藍旗、西烏旗等區(qū)域是消納風險較低區(qū)域。

為了進一步比較高低風險區(qū)域消納情況，根據(jù)高低風險區(qū)域的裝機規(guī)模和消納水平制作表5。

表5 2018 年蒙西區(qū)域風電消納情況Table 5 Regional wind power absorption in western Inner Mongolia in 2018

由表5 可知： 較高風險區(qū)域裝機總量約占蒙西地區(qū)的33.6%，但上網(wǎng)電量僅占全網(wǎng)風電上網(wǎng)電量的28.9%； 較低風險區(qū)域裝機總量約為蒙西地區(qū)14.5%，但上網(wǎng)電網(wǎng)占全網(wǎng)總量比重高達36.37%，較低風險區(qū)域利用小時數(shù)是較高風險區(qū)域的1.5 倍。 對于風電的進一步開發(fā)，較低消納風險區(qū)域明顯具有更大潛力。因此，區(qū)域消納風險值可以作為評價地區(qū)風電開發(fā)潛力的重要指標。

5 結論

本文以蒙西地區(qū)為例，對區(qū)域風電消納風險進行空間聚類分析?；跅夛L量、裝機容量和棄風率構建風電消納風險計量模型，結合蒙西地區(qū)87家風電場的運行數(shù)據(jù)，對風電消納風險進行有效測度和分級。 在分析風電場及區(qū)域風電消納風險空間相關性的基礎上，對蒙西地區(qū)風電消納風險進行聚類分析。研究表明，近年來蒙西地區(qū)風電消納風險整體上呈下降趨勢，風險重心在向西發(fā)生偏移，風電消納風險值具有較高的空間相關性，風電場以及區(qū)域的消納風險在空間上存在較強的高低聚類效應，且高風險區(qū)域在時間序列上呈現(xiàn)動態(tài)變化。 本文所提出的模型和方法可用于風電消納風險區(qū)域的識別、分類和分級，并為區(qū)域風電產(chǎn)業(yè)規(guī)劃及項目布局提供重要參考。