分布式光伏项目空间匹配特征及影响因素研究——以北京市为例

赵振宇，付 钰

(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，北京 102206)

合理布局、积极开发清洁能源是“十四五”规划的能源发展要求，有利于我国碳排放在2030年前达到峰值、2060年前实现碳中和目标[1]。为促进城市能源低碳优化，北京等一些大型城市正积极尝试通过发展分布式可再生能源对传统能源进行增量替代[2-3]，如北京市发改委等部门联合下发的《关于进一步支持光伏发电系统推广应用的通知》中，明确提出重点支持发展多领域光伏应用项目并提供项目补贴。在这一背景下，如何科学评价分布式项目对城市资源禀赋的适应度以及对用户用能需求的反应能力，准确识别影响分布式光伏发电项目发展的因素，成为统筹分布式能源项目规模、优化项目布局的重要基础问题。

从近年来分布式能源项目并网规模影响因素的研究看，已有从考虑用户负荷特征和分布式消纳匹配关系角度，以发电消纳最大化为目标，研究用户意愿及生活习惯与分布式发电之间的耦合联系[4]；根据分布式电源出力特点，分析其对不同用户的负荷可靠性[5]。在可再生资源和发电规划匹配方面，已有研究侧重于通过拟合分析对项目选址和资源潜力进行匹配[6]，或基于匹配度评估模型进行项目布局规划分析[7]。但现有研究多是从单一维度对分布式能源项目规划的影响因素进行研究，尚未有统筹考虑资源分布侧和用户负荷侧的综合影响。

匹配度模型可以有效度量2个及以上相互依赖、相互影响的系统间的耦合协调程度[8]。探索性空间数据分析是一种通过对象空间分布的特征研究其空间聚集性和异质性的方法[9]，可以从整体上系统地对研究对象进行空间分异特征分析，但无法深入探察不同影响因素对研究对象空间分布的影响效果。空间自回归分析方法[10]可用于探究驱动因素并解释具有空间相关性的因素对研究对象的影响程度。由于分布式光伏项目布局存在空间差异性，且太阳能资源条件、光伏项目布局及用户需求间存在相互影响、相互制约的关系，因此本文拟将3种方法相结合，从空间分异特征、特征要素与解释变量之间的相关度全面研究不同区域分布式能源项目在地理位置、空间布局上的差异及分布式能源建设规划的相关影响因素。

本文首先提出分布式光伏项目“资源条件—项目布局—用户需求(R-P-D)”链的概念，分析链路内部匹配耦合机理，构建匹配度准则体系；在此基础上，以北京市为研究对象，将匹配度模型和探索性空间数据分析相结合，研究16个行政区的分布式光伏项目“R-P-D”链路匹配度的空间分布特征；应用空间自回归分析模型探究资源侧和用户侧的驱动因素对分布式光伏项目并网规模的影响程度；从政策、技术、监管等维度针对北京市各行政区不同的匹配程度和特征，提出发展分布式光伏的具体对策建议，所建模型及研究方法可为城市可再生分布式项目建设规划和布局优化提供支持。

1 项目概况

分布式能源项目的建设规划需要平衡项目与区域资源条件和用户用能需求两侧的变化态势，从而达到柔性匹配，满足区域低碳绿色和经济发展的要求。可再生资源条件、分布式能源项目及用户负荷需求构成的整体链路是一个互相影响、动态变化的双侧随机链系统[11]。因此，分析分布式能源“R-P-D”链路的匹配作用机理和北京市目前的链路现状是本文研究的基础。

1.1 分布式能源“R-P-D”链匹配作用机理

分布式能源“R-P-D”链以绿色低碳、可持续和发展经济为匹配目标。太阳能资源是实现系统目标的基本条件；政府激励政策引导、用户节能低碳意识和企业减排社会责任意识增强等用户侧用能特征是区域“R-P-D”链路匹配目标的重要推动力；分布式能源作为链路耦合连接点，是动态调节可再生资源禀赋与当前社会发展阶段用户需求的支撑。“R-P-D”链各子系统间匹配作用机理如图1所示。

图1 分布式光伏“R-P-D”链作用机理

1.2 北京市分布式能源“R-P-D”链概况

1.2.1 北京市可再生能源资源

北京市可再生能源资源主要包括太阳能、生物质能、风能等。其中，风力资源相对匮乏，生物质资源总量则呈逐年降低趋势，大规模开发潜力不大。北京属太阳能资源较丰富带[12]，年均日照时数在2 600～3 000 h，年辐射总量为1 412 kWh/m2，平均日辐射量为3.94 kWh/m2，分区年辐射总量和平均日照时长如图2所示。

图2 北京市太阳能资源概况

1.2.2 北京市分布式能源发电

“十三五”时期，北京市风电装机趋于平缓，受环境资源的限制，风电开发趋于饱和；相比之下，光伏累计装机规模增幅较大，如2019年北京市分布式光伏装机规模为51万kW，约为分散式风电装机规模的3倍；截至2020年6月末，北京市累计分布式光伏发电并网运行55万kW。2015年以来，北京市先后出台相关文件，通过发电奖励补贴、技术扶持政策引导用户绿色用电用能，鼓励新建住宅小区、郊区低密度住宅区、农村住宅使用分布式光伏发电系统，大力推动分布式光伏项目建设。

1.2.3 北京市用户用能需求

北京市作为一座超大城市，2019年日均能源消耗20.17万t标准煤，日均用电3.01亿kWh，用能需求大。随着基础用能和经济增长用能需求的持续增加，北京市需降低能源碳排放，积极发展绿色用电。2019年，北京市以1.25%的年能耗增加率支撑了年均6.1%的经济增长，节能减排效果显著。但目前北京市总能耗仍然偏高，需要持续推进绿色用能相关措施，包括开发屋顶光伏[13]，加快构建清洁低碳能源消费结构。

2 “R-P-D”链匹配度空间分析模型

2.1 匹配指标体系

分布式能源“R-P-D”链匹配实质上是能源资源合理充分开发、项目规模满足用户绿色用能需求的一种动态平衡。已有研究主要从辐射总量和日照时长对太阳能资源进行评估[12]，认为加大分布式光伏项目开发对太阳能资源利用有重要影响[14]；城镇、农村和工矿用地屋顶、居民环保理念的提高，对用户应用分布式光伏发电有推动作用[15-16]；电耗强度、GDP水平等因素对电力需求有较大影响[17-18]。本文在已有研究基础上，根据科学性、系统性与可操作性的原则，结合分布式能源“R-P-D”链匹配作用机理，从资源侧、项目侧和用户侧3个角度，综合考虑资源总量、稳定性、分布式项目规模、用户用能需求、经济增长用能需求和节能减排需求，构建分布式光伏“R-P-D”链匹配指标体系(表1)。

表1 分布式光伏“R-P-D”链匹配指标体系

2.2 基于DEMATEL—熵权法的组合赋权

2.2.1 采用DEMATEL法确定权重

DEMATEL法是运用图论与矩阵工具对复杂系统因素进行分析，从而判断各因素被影响程度的方法[19]。与传统方法相比，DEMATEL法通过构建评价矩阵对专家打分结果进行分析，计算流程简化，降低了数据处理过程中的错误率，提高准确性。

首先采用5级(1，2，3，4，5)打分标准对指标进行评价，对专家评价结果形成的评价指标关系矩阵A进行归一化处理，构建初始化直接影响矩阵D：

(1)

(2)

式中，aij为第i行指标对第j列指标的影响程度。

然后计算综合影响矩阵T：

T=D(I-D)-1

(3)

最后通过综合影响矩阵分析，分别将T的各行相加得到影响度di，根据影响度计算指标的主观权重θ1i。

2.2.2 主客观综合权重确定

专家打分由于受打分者的经验和专业领域影响，在评价时往往具有较强的主观性，因此计算出的权重存在误差。熵权法是一种基于指标数据本身的赋权方法[20]，通过采用DEMATEL—熵权法的组合赋权方式可减小权重计算误差。计算各个评价指标的熵Hi，并依据熵计算指标的客观权重，组合权重计算公式。

(4)

2.3 链路匹配度分析模型

根据不同影响因素对目标层影响效果的不同，选用极差标准化法进行初始数据处理。极大化指标表示数据值越大对子系统的贡献程度越大；极小化指标则表示数据值越小对子系统的贡献程度越大。其标准化分别如式(5)和式(6)所示。

(5)

(6)

式中，Xij为i区域评价指标j的样本值；Xij′、Xij″为影响因子的标准化值。

表1所建指标体系中，电耗强度为极小化指标，其他均为极大化指标。

综合评价指数可反映不同区域的分布式能源项目“R-P-D”链路的综合差异。首先计算可再生资源、分布式能源项目、用户侧负荷3个子系统的加权评价指数，其中可再生资源侧的加权评价指数如式(7)所示。

(7)

式中，xij′为区域的可再生能源系统指标标准化值；θri为R子系统评价指标对应的综合权重。

基于耦合指数(C)和耦合协调度(CD)探究分布式能源项目“R-P-D”链耦合程度及协调能力，计算如式(8)和式(9)所示。

(8)

(9)

分布式光伏“R-P-D”链耦合协调度匹配类型划分：低匹配0～0.399；基本匹配0.400～0.599；良好匹配0.600～0.799；优质匹配0.800～1.000。

2.4 匹配度空间分异特征分析模型

影响分布式光伏项目“R-P-D”链匹配度的指标均为区域差异性空间数据，具有一定的空间依赖性或空间自相关性[21]。在探索性空间数据分析方法中，常用全局莫兰指数(Global Moran′sI)分析数据是否有空间相关性[22]。指数I的表达式如式(10)：

(10)

式中，ω为空间邻接权重矩阵。

Global Moran′sI为正值，表示此项影响因素存在空间聚集效应；负值则表示样本是离散分布的；值为0，表示观测影响因素呈空间随机分布。

3 北京市“R-P-D”链匹配度空间特征分析

3.1 权重确定

基于DEMATEL—熵权法，选取2019年数据，数据来源于《北京统计年鉴》《北京区域统计年鉴》、北京市发展与改革委员会官网、NASA和Solargis等权威数据库，计算各匹配指标的主客观权重和综合权重如图3所示。由图3可以看出，综合权重修正了通过DEMATEL法得到的主观权重和熵权法得到的客观权重之间的误差，使权重结果体系更加科学合理。

图3 分布式光伏“R-P-D”链指标权重分布

3.2 北京市分布式“R-P-D”链匹配度测度

基于式(7)计算R、P、D子系统加权评价值和耦合指数，结果见表2。

表2 北京市分布式光伏“R-P-D”链子系统评价结果

依据式(8)和式(9)计算分布式光伏项目“R-P-D”链链路耦合匹配程度，应用ArcGIS软件绘制北京市16个行政区的“R-P-D”链链路匹配程度划分图(图4)。

图4 北京市分布式光伏“R-P-D”链路分区匹配程度

根据测度，北京市分布式光伏“R-P-D”链匹配值处于0.258～0.709，算术平均值为0.500，北京市分布式光伏发展总体处于中低水平，距离优质协调状态尚有差距，有较大的发展潜力和改善空间。

3.3 匹配度空间分异特征分析

通过匹配度空间分异特征模型测算，北京市分布式光伏项目“R-P-D”链耦合匹配度的Moran′sI值为0.252，P值为0.024，Z值为2.169，表明各行政区的分布式光伏“R-P-D”链耦合匹配度具有较显著的空间聚集性。Moran′sI的值为正，即分布式光伏“R-P-D”链耦合匹配度存在空间聚集效应，匹配度高的地区对周边有明显的溢出效应。综合表2和图4分析，北京市“R-P-D”链匹配度呈现由边缘向内部链路协调水平逐步降低的特征，形成了不同空间聚集区(表3)。

表3 北京市分布式光伏“R-P-D”链空间匹配特征

4 北京市分布式光伏项目影响因素分析

进一步分析北京市分布式光伏并网规模的能源侧和用户负荷侧的影响因素，识别促进区域分布式光伏项目建设的关键因素。

4.1 北京市分布式光伏并网规模空间特征

图5 北京市分布式光伏项目并网规模空间分布

4.2 匹配度空间影响因素分析模型

空间自回归模型主要用于测度由于地理位置差异和空间格局变化引起的自变量样本值和因变量的空间相关性[23]。本文应用空间自回归模型辨析不同影响因素对有空间相关性的因变量的影响效果，如式(11)和式(12)所示。

(11)

(12)

式中，X为解释变量矩阵；y为因变量；ρ、β、λ为系数项；μ为误差项。

4.3 空间影响因素分析

首先，应用线性回归对资源侧和用户用能侧的12个指标进行分析，去除共线性变量；然后，以北京市分布式光伏并网规模为因变量，运用GeoDa软件进行空间自回归分析，结果见表4、表5。传统回归模型的LM(error)表现出显著性，因此选择空间误差模型(SEM)作为分析模型。

表4 北京市分布式光伏项目空间影响因素测度结果

由表4、表5可知，与传统回归模型相比，SEM模型的拟合度为0.862，表明r1、d1、d7、d9四个指标作为影响因素可以解释北京市分布式光伏发电项目并网规模的86.2%的变化原因，与传统回归模型的拟合度0.718相比较高，有效降低了模型估计偏差，拟合效果好。r1、d1、d7、d9是对北京市分布式光伏并网规模空间分布有显著影响的4个因素。

表5 北京市分布式光伏项目空间影响因素测度结果

表5中，年均辐射总量(r1)和城镇、农村及工矿用地(d9)的Z值为正，表明这2个因素对北京市分布式光伏项目呈正向促进作用。从r1看，目前北京市分布式光伏“R-P-D”链匹配度暂未受到太阳能资源的限制，有较大发展潜力。从d9看，根据土地分类，城镇、农村及工矿用地包括城市、建制镇、村庄、采矿用地、风景名胜及特殊用地，北京市以城市、建制镇和村庄用地为主要类型。北京市拥有大量的居民区房顶空间、新兴工业园区、商用楼宇和农村闲置院落等场地尚未进行节能改造，随着政府的积极引导和民众绿色用电意识的增强，这些资源成为分布式光伏项目开发的重要资源。北京市发展与改革委员会等也在《关于进一步支持光伏发电系统推广应用的通知》中提出重点推进在民生、工商业、乡村等领域发展光伏应用。因此，北京市应当充分利用自身政策优势和资源优势，丰富各种应用场景，推进城乡分布式光伏的建设发展。

全社会用电量(d1) 和电耗强度(d7)的Z值为负值，表明与北京市分布式光伏项目在空间分布上呈负相关。由于光伏具有发电不稳定、出力难以准确预测、占比过大可能降低电能质量等问题，使得人口分布密集的中心学区和大型住宅小区的基础用能均以公共电网供能为主，分布式光伏项目应用率低，如朝阳区、海淀区的分布式光伏供能占比低。目前低碳节能的政策以引导和奖励型为主，由于分布式发电的成本较高，电耗强度高的商业和老旧工业园区仍主要采用公共电网供能，一定程度上制约了分布式光伏的规模发展。政府应积极推进商业区和老旧城区的分布式光伏改造，逐步探索分布式光伏供能与传统能源融合模式，提高绿色用能比例，降低区域碳排放。

5 北京市分布式光伏发展建议

根据上述研究，为推动城区分布式光伏行业发展，提升区域分布式光伏“R-P-D”链匹配度，北京市政府应不断完善相关政策、鼓励光伏应用技术研发、加强项目监管并加大光伏应用科普宣传力度，具体建议如下。

(1)完善光伏补贴政策，随着分布式光伏项目规模扩大，应注重补贴政策与规范政策相结合，逐步实现补贴政策退坡，加强市场调节作用，逐步替代政府在城市分布式光伏开发中的主导作用。

1.1一般资料2016年1月至2017年2月我院选取50例高血压左室肥厚伴左心衰竭患者作为观察组,同期选取了体检者50例作为对照组。观察组有23例女性和27例男性,最小35岁,最大75岁,平均(56.7±6.1)岁;对照组有25例男性和25例女性,最小35岁,最大73岁,平均(54.8±6.7)岁。两组的普通资料对比不存在统计学差异性,能够进行比较分析。

(2)加大扶持光伏技术研发，重点发展分布式光伏与综合能源服务、能源互联网等热点领域相结合的利用形式，培育城区内分布式光伏市场，实现分布式光伏应用与城市更新改造紧密结合，丰富分布式光伏的应用场景。

(3)建设分布式光伏发电应用示范区、搭建并完善项目在线监管平台，规范分布式光伏项目应用。

(4)加大光伏政策、应用技术的科普宣传，进一步提高居民和企业的绿色用能、低碳环保的意识；加强在学校、医院等公共服务机构发展分布式光伏的政策性引导，不断扩大分布式光伏规模，实现低碳绿色可持续发展。

(5)针对本文划分的北京市东南、西北和中心3个不同特点的匹配聚集区，北京市东南较高匹配聚集区的太阳能资源总量最为丰富，城镇、农村及工矿用地的平均面积大，区域内有大兴国际机场临空经济区、亦庄经济技术开发区等高端功能区，资源条件好、分布式光伏开发平台大，适宜大规模开发分布式光伏。因此，应充分利用自身资源和需求优势，积极鼓励推广企业和个人应用分布式光伏发电项目，重点开发新建高端功能区和工业园区的屋顶光伏。

(6)北京市西北中低匹配聚集区太阳能资源总量比较丰富，各区用户侧条件差异化明显。朝阳、海淀等区电耗强度较低，城镇、农村及工矿用地占比高，全社会用电量大；比较而言，延庆、怀柔和门头沟区由于林地山区较多，适于开发分布式光伏的城镇、农村及工矿用地占比偏低，因此不宜盲目通过激励政策扩大此聚集区的分布式光伏规模，应做到因境制宜。对于城区，应当提高在商用建筑等电价偏高应用场合的分布式光伏安装比例，从而提升项目的经济适用性；对于农村地区，则应当重点发展乡村分布式光伏产业，通过产学研结合推动农业和光伏互补项目落地，出台精准的补贴政策与“自发自用、余电上网”的建设模式相结合，降低农户用能成本。

(7)北京市中心低匹配聚集区内分布式光伏并网规模与良好匹配区相比差距较大，虽然中心区内太阳能资源总量小，但未阻碍分布式光伏项目“R-P-D”链匹配度提升，因此应充分利用地区资源，积极扩大分布式光伏供电供能比例。尤其是东城、西城和石景山区位于北京市中心，城区面积小，且老旧建筑小区比例高，应积极推进居民区屋顶光伏和道路交通分布式光伏应用。

6 结论

本文采用匹配度模型与探索性空间数据分析相结合的新方法，研究北京市分布式光伏项目“R-P-D”链匹配度空间特征，构建空间自回归模型，从资源侧和用户侧2个维度对分布式光伏并网规模的影响因素进行识别。研究发现，北京市分布式光伏项目“R-P-D”链路处于中低匹配水平，链路的耦合协调能力由边缘向内部逐步降低，在空间上形成了东南良好匹配聚集区、中心低匹配聚集区和西北基本匹配聚集区的基本格局。北京市太阳能资源可开发潜力大，分布式光伏项目规模对链路匹配度有重要影响，年均辐射总量和城镇、农村及工矿用地2个指标对分布式光伏并网规模的空间布局存在显著驱动效应，全社会用电量和电耗强度2个指标与分布式光伏并网规模的空间布局呈负相关。建议北京市应完善相关政策、鼓励技术创新、优化项目监管体制并加大光伏应用科普宣传力度，逐步建成应用场景多元、技术先进、监管完善的分布式光伏应用市场。各行政区需根据自身的匹配程度和地域特点，因地制宜开发分布式光伏，提升分布式光伏项目“R-P-D”链的耦合匹配度。