基于有限理性决策的分布式风电开发模式

王 丹, 赵 平, 师二广, 崔东岭

(1. 西安建筑科技大学土木工程学院, 陕西省西安市 710055; 2. 中国大唐集团科学技术研究院有限公司, 北京市 100040)

0 引言

风电在全球范围内实现了大规模的开发利用,已成为应用最广泛、发展速度最快的可再生能源。中国风电发展进入新阶段,不同机构对中国2050年的电力供应情景进行了预测,国家发展和改革委员会能源研究所预测累计风电装机容量将达1×109kW[1]。国际能源署(IEA)预测总装机容量为2.307×109kW,其中风电装机容量为3.96×108kW[2]。中国工程院预测总装机容量为2.565×109～2.835×109kW,其中风电装机容量为4.1×108～4.88×108kW[3]。随着风电的迅猛发展,风电项目开发建设面临多重瓶颈,大面积连片式的优质风能资源稀缺;中东部和南方地区地形复杂,风能资源状况差异大;“三北”地区弃风限电现象严重;这些问题严重影响风电的可持续发展[4]。解决这些问题需要创新开发利用模式,调整优化风电开发布局,发展分布式[5]。未来风电将在规模化发展中加速产业升级,不断提高市场竞争力,逐步实现从“补充能源”向“替代能源”的转变,加大中东部地区和南方地区资源勘探开发,优先发展分散式风电,实现低压侧并网就近消纳[6]。

分布式风电位于负荷中心附近,所产生的电力就近接入当地电网进行消纳,与集中式风电相比,分布式风电开发的特点是规模小、分散布局、就地消纳等,一般无须新建升压站,节省了远距离输送风电的输变电设施的建设以及维护费用,但接入的配电设施布局分散,数量较多,增加了控制点和接入系统的投资,在运维过程中风电机组分散点多且面广,导致管理人员增多、运维成本增高,并网后对运行产生一定影响[7]。目前风电建设发展尤其是分布式风电所面临的诸多问题严重影响建设方的投资决策。

基于分布式风电开发建设存在的问题,探索如何充分高效地利用分散风能资源,优化风电机组布局,建设小型化、分散化、智能化和专业化风场,(以下简称“四化”)实现无人值守和专业运维风电开发建设新模式至关重要。小型化、分散化不仅适应中东部和南方地区的风资源状况;更重要的是可以促进系统智能化、运维专业化等技术快速发展,智能化和专业化有利于解决因规模分散带来的不稳定运行和运营、维护等成本增加的问题,使四类资源区能够获得一、二、三类资源区域的运营水平。

本文以某风电建设项目为例,运用两层交互有限理性决策方法,构建“四化”建设思路关键指标体系,通过理论计算得出方案价值和补偿算子,体现决策者对“四化”设计方案的满意度,验证了“四化”建设开发思路在规划选址、经济运行等方面的可行性。

1 风电发展模式

中国风电发展到现阶段面临的挑战主要包括现有电力运行管理体制不适应大规模风电并网的需要;经济性制约风电的发展;支持风电发展的政策以及市场需要进一步完善[8-9]。风电项目“四化”,较为系统地研究了风电的开发建设模式,提高了风电的经济性,推动了风电从补充能源向替代能源的转变。风电项目小型化、分散化发展不仅需要政策的支持,更需要在运营管理方式上进行自我革命,也须综合考虑与其他形式多能互补。如果在分布式风电场中沿用小而全的运营结构,会带来极大的资源浪费,降低风电场运营能力。风电项目智能化、专业化促进创新关键技术发展,完善企业的经营管理和运维体系,提升全过程的专业化能力。

小型化的核心是因地制宜，根据风能资源布置风电场[10],按照负荷需求计算装机容量,不过度追求装机容量。中东部和南方等地区地形复杂、风资源相对薄弱,需要科学地根据实地情况灵活安排装机规模,未来小型风电项目既可以是单台风电机组也可能是若干台相对分散的小型风电场。目前在葡萄牙境内运营单个风场的平均容量仅为1.72×104kW。风能小型化具有投资相对较少,建设无须占用大量土地,每套系统可独立供电实现就地消纳等优点。

分散化优先考虑不设升压站,可就近接入35 kV及以下电压等级的已运行的配电系统设施,必要时可以接入110 kV配电网,分布式风电易操作,成本低,可就地消纳。以丹麦的风电场为例,北海区域风能资源丰富,但丹麦并未进行非常集中的开发模式,而是将风电作为全国分布式能源系统的重要组成部分,在负荷区域附近建设分散式的风电场。丹麦风电机组主要并入配电网,接入20 kV或更低的电压，配电网的风电装机容量约占全国风电装机总量的86.7%。德国也有类似的特点,首选直接接入配电网,约96%的风电机组与中低压电网(配电网)相连。

智能化是风电小型、分散化发展的技术保障,以“无人值守”为目标,设置风电场远程监控自动化系统,建立风电场远程集控中心,实现风电场的集中运行管理。借鉴国外的运营经验,可以预期未来分散式风电场的运营管理将逐步向“小前端大后台”发展。运用大数据思维构建监控与数据采集系统[11],实现对风电机组的现场或远程控制,并通过收集风电场的数据,分析和报告风电机组设备的运行状况。

全球主要新能源企业如伊比德罗拉公司、安讯能集团等都构建了企业级生产实时监控平台,对所属风电机组产生的实时运行数据进行统一的采集、存储及数据趋势变化情况的图形可视化分析和展示,提高了维护和管理企业设备资产的能力,也为创新风电资产管理模式奠定了技术基础。不过,远程控制中心取代现场中控室与电力调度部门之间进行联络,尚须电力体制改革下的政策推动。

运维专业化有利于风电管理效率的提升。打造“无人值班、少人值守”风电场,集中检修管理、集中经营管理和集中后勤管理,是风电场未来发展的趋势。通过控制中心集中化,实时监控风电场的运行状况,形成基于设备状态,本地与控制中心工作人员协同互助的集中化检修和维护的新运维模式,提高故障响应速度和故障定位准确性。以葡萄牙电力公司为例,运维团队是设备运行的第一负责人,也是运维工作的具体执行者,负责监督指导服务供应商完成现场工作、研判运维服务策略、管理运维合同、制定检修计划、现场巡检、设备消缺、资产保险、安全防护、备品备件与大部件应急方案等具体工作。运维团队通过区域经理、现场经理、技术经理、服务供应商与控制中心的协调配合,五位一体地实现了对风电场运行状态的全面管理。

2 两层交互有限理性决策

“四化”的建设思想可以较好地解决目前中国中东部和南方地区风电发展的困境,促进中国可再生能源的可持续发展。未来风电开发从集中连片式向分布式开发应用的转型,将带来更多的不确定性和结果价值具有模糊性的问题,这对决策者的要求更高。风电分布化是根本要求,小型化、智能化和专业化是对应的解决方案,决策者需要在项目前期进行严谨的科学研究和论证,但是具有完全理性的决策成员(即掌握决策问题的相关知识、具备在任何复杂计算环境下做出最优选择的及时能力等)很难存在[12-15],用有限理性的思想进行项目优化方案决策,可以对备选方案做出合理选择[16]。单一层级的决策者很难客观全面地进行多方案决策比较,分层决策可以较为科学和合理地选择出既有利于决策目标实现又有利于顺利实施的最优方案。两层是分层决策的基本形式,两层决策方案是上下两级多个决策成员基于各自的目标、职责、经验知识和偏好,通过相互沟通学习,彼此协调共同制定出令各方都满意的方案排序[17]。

2.1 评价体系的描述及相关条件假设

本文将“四化”的建设思想逐步融入建设方案,求解在不确定的环境下,建立设计模型,通过优化各设计方案的关键指标,最终各决策者在有限理性的条件下,获得满意度较高的方案。在对建设决策方案做出客观评价时,其评价因素很多,本文基于科学系统全面的评价原则,建立风电项目决策评价体系,选取工期、成本、收益、发电量、综合厂用电率、度电维护费、电网消纳能力、电网稳定性、环保水保、政策10个关键指标,涉及风电项目前期规划、建设实施、生产运行三个阶段,实现对不同开发模式风电项目的系统评估分析。

(1)

2.2 两层决策模型

上下层决策成员在交互学习后对结果的价值进行判断所得到的信息集合称作认知集，它包括框架集和追加集，其中框架集包含的信息是显然存在的且必须满足的结果价值之间的结构性关系，而追加集包含的信息则是经过多轮交互学习后得到的结果价值之间的细微性关系。若框架集为θ0，第h轮交互学习后增加的追加集为Δθh,则认知集可表示为θh=θ0∪Δθ1∪Δθ2∪∪Δθh。本文按照传统思路设计的方案为θ0，通过理论计算得到θ0方案的价值度和决策者对该方案的满意度阈值；上下两层决策者经过第1轮的初步交互沟通，对θ0方案一些设计指标进行优化得到设计方案θ1，同时计算得出该方案的价值度和决策者的满意度；第2轮重点分析研究权重相对重要且满意度相对较低的指标，着力提升这些指标的满意度，进行二次优化，最终得到既有利于决策目标实现又有利于顺利实施的优化方案θ2。现实中交互学习不可能无限地进行下去，故本文只研究两轮的交互学习的价值结果，具体操作中可根据实际需要进行多轮交互学习进行多方案排序选择。

(2)

(3)

(4)

基于前景理论模型，假设有限理性的最优选择(满意度)函数和权重函数[15]为:

(5)

(6)

取σ=0.88,ρ=1.1,γ=0.9,π=0.7,v=0.66为标准信息[15]。在评价对象的确定情况下，各指标权重的分配不同，评价结果显然是不同的，上下两层决策者对选取的10个关键指标的权重进行赋值，在决策方案中包含信息丰富影响重要的指标赋予较大权重，反之，指标赋予较小权重。根据式(5)中权重计算公式求得各决策者对10个关键指标的权重赋值，便于之后确定各关键指标的最优权重。

设上下两层μ和η的满意度为ω(μ)和ξ(η)，将上下两层关于结果价值的满意度平衡关系构建为ω(μ)/α≈ξ(η)/β，其中α+β=1且0.5≤α<1。另外，利用模糊集成算子灵活平衡上下两层目标之间相互补偿关系的“fuzzy and”算子(下文简称FA补偿算子)对两层目标满意度予以集成。

(7)

补偿算子的计算过程可以较好地体现各决策者对决策方案各关键指标的满意度大小，在进行方案优化时可以重点针对权重大而满意度低的关键指标进行重点优化，从而提高决策方案整体的满意度和方案的价值度。

(8)

将式(5)求得的权重赋值代入式(8)，可最终求得10个关键指标的最优权重。本文基于权重具有稳定性和价值结果具有模糊性假设[15-17]条件展开计算，所以各指标的权重不会因为方案的优化而改变，但每次的方案优化会影响方案的结果价值。故求得的最优权重为确定值。

2.3 决策模型计算方法

基于“四化”的思想对项目的方案进行优化，优化结果能否得到上下决策层的满意度要求，需要通过构建的决策模型计算求解,决策方法如下。

步骤4:设置满意度的阈值Δ和补偿度γ。

步骤5:通过上下决策层的学习交互，确定第h轮的认知集θh。

步骤7:确定项目目标实现方案。

方案的优化是复杂的系统工作，框架集θ0包含的信息是必然需要基本价值信息，基于θ0的计算上下两层的满意度为ωmax和ξmax,结合决策成员的有限理性等因素两层的期望满意度为Δt∈(0,ωmax]，Δb∈(0,ξmax],及满意度阈值为Δ=Δt+Δb。当ω(μ)/α<Δt，ξ(η)/β≥Δb时，说明θh不能满足上层的期望满意度，方案优化应多考虑上层决策者的建议；同理,当ω(μ)/α≥Δt，ξ(η)/β<Δb时，方案优化应多听取下层决策者的建议；当ω(μ)/α<Δt，ξ(η)/β<Δb时，说明两层决策者对θh的信息都不满意，需要重新构建认知集θh′。

3 案例分析

本文以江西石城县金华山某风电场为例,风电场代表90 m高度年平均风速为6.39～6.54 m/s,框架集θ0方案基本信息是拟安装24台单台容量为2 MW的风电机组,总装机容量为48 MW,新建一座110 kV升压站(包括综合楼、控制中心等配套工程)和一回110 kV送出线路,接入最近的220 kV桃金坑变电站(线路长度约50 km)。升压站占地面积约4 500 m2,风电机组基础、箱变基础、升压站(含边坡)、集电线路等永久征地约为19 026.667 m2。上下两层决策者对θ0方案决策信息见附录A表A1。

附录A表A1中λln表示每位决策者决策的重要程度,xn表示每位决策者对θ0方案中涉及10个关键指标的满意度，pn表示每位决策者认为每个指标在θ0方案中的权重。根据式(5)和式(7)计算10个指标的权重见附录A表A2。

图1可以看出发电量、收益、成本、厂用电率为权重值较大的指标。

图1 各指标权重图Fig.1 Weighted graph of index

设置α=0.6，β=0.4，根据式(2)至式(5)计算出各决策者对θ0方案价值Vk0=1.032 1。根据式(3)和式(6)计算可得(kt+kb)(1-γ)/2=0.625，设置满意度阈值Δ=1，ϑand0=1.003 3>Δ，勉强大于满意度阈值。

该决策方案中升压站的建设需削平山峰约5 000 m2的面积；项目占用征地、林地较多，须砍伐大量树木和削平山峰，严重影响决策者对该决策方案的价值认可。同时在电网侧，预留的间隔仅有45 MVA，接入48 MW风电场较困难。θ0方案中成本、收益、度电维护费、电网消纳、电网稳定性和环保等指标满意度较低，征地、削山负面影响，网端问题困扰该项目顺利进展。

各决策者通过第1次交互学习沟通，将方案θ0进行优化，θ1方案优化总装机容量40 MW，风电机组数量20台，同时缩减升压站占地规模，削平山峰面积由5 000 m2减少到3 500 m2，砍伐树木减少约1/6。经计算θ1方案价值Vk1=1.050 8，ϑand1=1.018 1。虽然各项关键指标均有优化，但是项目存在的问题未能从根本上得到彻底解决，参与决策的人员对该决策方案的满意度相对较低，显然传统的建设思路优化方式无法满足目前风电发展，不能从根本上解决项目存在劣势问题。

各决策者进行第2轮深度交互学习,剖析项目存在的根本问题主要是升压站建设用地和网端影响,运用“四化”设计理念,建设小型化、分散化、智能化和运维专业化的分散式风电场,拟安装10台单机容量为2 MW的机组。每两台为一组,接入当地5座35 kV配电站,项目不设升压站及集电线路,运行按智能化与运维专业化设置,以监控与数据采集系统为基础,通过收集风电场的数据,分析和判断风电机组等设备的运行状况,对风电机组等设备实行远程控制,现场各类设备(间)封闭、上锁后不留守任何工作人员,通过远程控制中心实时监控风电场的运行状况。同时电网消纳情况稳定,完全避免了限电的可能性,对项目形成稳定的收益。由于10台风电机组全部在当地配电站接入,不再在金华山区大规模集中建设,避免了砍伐树木及削平山峰,对树木植被、水土保持等重要环境敏感因素,都达到了最小化的影响,形成良好的正面社会效益。征地面积减少约1/2,减轻了本县国土部门建设用地规划调整的压力。项目总体造价低,自有资金及筹资压力远低于常规模式风电场。工期、综合厂用电率、度电维护费大幅优化,经计算对θ2方案价值Vk2=1.093 2，ϑand2=1.119 4。

图2 三个方案价值及补偿算子值比较图Fig.2 Comparision of three schemes and compensation operator values

三个方案的技术指标如表1所示,因为补偿算子公式中k值为变量,所以影响补偿算子结果变化只需关注k值,由图3可以看出,θ2方案的指标的k值绝大多数优于θ0和θ1。

表1 三个方案技术指标Table 1 Technical indices of three schemes

图3 三个方案K值比较图Fig.3 Comparison of K values for three schemes

4 结语

本文基于有限理性决策理论,建立两层交互学习的决策分析模型,克服单一层级决策者的局限性,避免无限交互学习的非实际情况和复杂性。针对权重占比高、满意度低的关键指标进行优化,寻求既有利于决策目标实现又有利于顺利实施的最优方案。通过某风电场的决策建设案例,验证了模型应用于风电场决策中的实用性,为风电场项目实践和决策提供理论支撑。

本文提出并倡导风电项目小型化、分散化、智能化和(运维)专业化的开发模式,可因地制宜利用风资源及清洁高效发电技术,就地消纳电能,实现“一键启动、无人值守”的系统智能化运行和区域专业化运维,最大程度提高决策者对项目的满意度,解决当前风电开发建设项目尤其是中国中东部和南方地区可持续发展的问题。“四化”开发建设工程尚在示范阶段,推广实施还需相关政策推动及技术创新,重点研究低风速风电机组研发应用情况,智能化的远程控制技术发展。

本文得到中国大唐集团科技项目(KYJ29017-6004)资助,特此致谢!

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。