基于EWM-TOPSIS法的新能源发电项目投资决策评价

孟 敬, 夏 沛

(1.国网江西南昌供电公司, 南昌 330000; 2.湖北工业大学电气与电子工程学院, 武汉 430068)

以风电、光伏为代表的新能源发电项目对于保障我国能源安全,推动“双碳”目标实现具有重要意义。近年来,我国新能源电站的建设规模不断扩大,发展势头迅猛。然而,风电、光伏出力具有不确定性,其大规模并网也将给电力系统的安全、经济运行带来挑战[1],对新能源发电项目进行技术效益和经济效益的评价分析,有利于提升新能源发电项目的投资收益,并降低对电网安全稳定运行的消极影响。传统的新能源发电项目投资决策主要是依赖于专家长期积累的经验进行判断,当待建项目较多且新能源发电项目运行经验缺乏时,依赖专家主观决策的方法将难以适用,易导致盲目投资和资金浪费。

多属性决策方法在电力系统投资决策优化中已获得了初步应用,常用于在具有多重约束的多个备选方案中择优选出最佳方案[2]。目前,针对新能源发电项目的投资决策评价问题的研究仍处于探索阶段。王志刚[3]从技术、经济、社会、环境因素出发,构建了风电项目可行性评估的指标体系;徐卓华[4]从环境效益、经济效益、社会效益的角度,建立了光伏发电项目可行性评估的指标体系;Wang等[5]考虑了区位特征、技术、经济、社会和环境方面的指标,将数据包络分析法和层次分析法(analytic hierarchy process, AHP)相结合,解决风电场的选址评价问题;Ma等[6]考虑了海上风资源储量、稳定性和建设条件方面的指标,利用AHP法解决海上风电资源评估问题;Guo等[7]建立了包含经济性和安全性的综合评价指标体系以评估大型光伏-光热电站的容量规划方案;伊力奇等[8]应用改进AHP-熵权法(entropy weight method, EWM)计算综合权重的三角直觉模糊交互式多属性决策方法,构建了海上风电-海浪能与光伏-压缩空气储能综合能源系统的投资决策评价模型。

上述研究为新能源发电项目投资决策指标体系的建立和赋权方法的选取奠定了良好的研究基础。AHP方法将复杂的多属性决策问题分成多个层次进行定量与定性相结合的分析与评价,具有良好的适应性,但其在指标赋权过程存在主观性,且需计算判断矩阵的一致性,一旦判断矩阵的一致性校验不通过,则需调整判断矩阵重新评价。EWM是基于信息熵的概念建立起来的决策工具,它能根据数据信息量的大小来确定指标的权重[9],属于客观赋权法,避免了决策者主观因素的干扰,在工程管理科学中成为重要的赋权方法之一[10]。逼近理想解排序方法[11]最早由Hwang和Yoon[12]于1981年提出,是一种有效的多属性决策方法,该方法将备选方案中的最佳方案视为最接近正理想方案或最远离负理想方案的方案。基于EWM-TOPSIS的方法在发电企业低碳转型进程评价[13]、光伏资源利用评价[14]、风电光伏发展潜力评估[15]等方面已获得初步应用。

新能源发电项目投资决策评价是一项复杂的系统工程,评价指标的选择以及指标权重的计算已成为多属性决策问题的重要环节。本文基于建立的综合技术效益与经济效益的发电项目投资决策评价指标体系,采用EWM计算评价指标权重,利用TOPSIS法建立评价模型,根据发电项目指标综合值的大小进行投资决策评价,根据评价结果优先建设指标综合值大的发电项目。

1 新能源发电项目投资决策评价指标体系

建立新能源发电项目投资决策评价指标体系如图1所示。

图1 新能源发电项目投资决策评价指标体系

1.1 新能源出力波动率

考虑到新能源发电功率具有不确定性,采用新能源出力波动率表征新能源出力不确定性对电网运行可靠性的影响,其计算式如下所示。

(1)

1.2 新能源有效利用率

新能源有效利用率反映了新能源机组的发电能力,被定义为新能源电站的年上网电量与其理论发电量的比值。

(2)

式中:E为新能源电站年发电电量;P为新能源电站的总装机容量。

1.3 降低网损电量

降低网损电量是指建设新能源发电项目前后电网全年网损的变化,可以反映新能源发电项目的降损效益,其值越大,经济性越好。

(3)

1.4 项目智能化水平

项目智能化水平属于主观性指标,本文采用梯形模糊数A=(a1,a2,a3,a4)量化计算,A的取值及其表征的模糊等级如表1所示。

表1 梯形模糊数及其模糊等级

A的隶属函数定义为

(4)

主观性指标的数值采用梯形模糊数的期望值[16]来表示,其计算公式为

(5)

1.5 新能源发电电价收益

新能源发电项目并网运行后,可通过售卖电量获取电价收益。其计算方法如下:

I5=0.1×E(MS-MT)

(6)

式中:MS为新能源发电的售电电价,单位为元/(kW·h);MT为输配电成本,单位为元/(kW·h)。

1.6 降低碳排放成本

火电机组通过燃煤发电会产生大量的CO2,其碳排放成本的计算公式为

I6=0.1×kCO2EλCO2

(7)

式中:kCO2为碳排放因子,碳排放因子的典型值为0.572 1 kg/(kW·h);λCO2为单位碳排放交易价格,取0.058 5元/kg。

1.7 新能源投资回收期

投资回收期常用收回投资成本的速度来反映投资方案的经济性,其计算式如下所示。

(8)

式中:c为新能源单位功率的发电成本,单位为万/MW;TL为新能源机组的全生命周期;r为年投资收益率,取8%;r0%为新能源发电的运营成本与其初始投资成本的比值。

2 基于EWM-TOPSIS法的综合评价方法

2.1 EWM

EWM的决策流程如下。

1)建立决策矩阵。

设有m个备选方案,各备选方案有n个评价指标,gij表征第i(i∈[1,m])个方案的第j(j∈[1,n])个指标,构建备选方案的投资决策指标矩阵G。

2)指标的归一化处理。

将极大值指标按下式处理:

(9)

将极小型指标按下式处理:

(10)

3)计算指标所包含的信息量。

(11)

4)计算指标的信息熵。

(12)

5)计算指标的熵权。

(13)

2.2 TOPSIS法

TOPSIS法的决策步骤如下。

1)决策指标矩阵的归一化。

将由m个备选方案和n个评价指标构成的决策指标矩阵G归一化为H。

(14)

采用基于EWM的TOPSIS方法时,H可通过式(9)和式(10)计算得到。

2)构造加权的归一化决策矩阵R。

R=HW

(15)

式中:W为指标权重构成的矩阵。

3)分别计算备选方案的解到正、负理想方案解的距离。

(16)

第i个备选方案的解到最不理想方案解的距离为

(17)

4)确定备选方案与理想方案的接近程度Di。

(18)

5)Di的归一化处理。

为便于比较,对各备选方案的Di进行归一化处理,如下所示。

(19)

3 算例分析

3.1 算例介绍

IEEE 39节点测试系统如图2所示,6个新能源发电项目作为备选方案,记为G1～G6,其基础数据如表2所示。全年负荷曲线如图3所示。采用Weibull函数[17]来模拟全年的风速,基于风速-风电功率模型[18]计算风电全年出力。风电发电机高度取为70 m,平均每月风速为7.7～10.6 m/s,Weibull函数的比例参数为9.15,形状参数为2.26,风电机组切入风速为3 m/s,切出风速为25 m/s,额定风速为14 m/s。光伏电站全年的光照强度采用余弦函数[19]进行模拟,光伏发电功率参考谭岭玲[20]的光照强度-发电功率模型计算,启动光照强度为200 W/m2,额定光照强度为800 W/m2。

表2 备选方案的基础数据

图2 IEEE 39节点测试系统

图3 全年负荷曲线

3.2 数据计算

1)备选方案指标值计算。

采用式(1)～式(8)计算备选方案的指标值,表3所示为备选方案的指标值计算结果。

表3 备选方案的指标值

2)决策矩阵归一化处理。

决策矩阵的归一化处理可解决具有不同量纲及量纲单位的指标所带来的不可比问题,使得各指标值转化为便于比较的无量纲数据。指标1和指标7为极小型指标类型,按式(10)进行归一化处理,其他指标按式(9)进行归一化处理,计算结果如表4所示。

表4 指标值归一化计算结果

3)指标权重计算。

根据式(11)～式(13),采用EWM法计算得到的各指标权重为:w1=0.137 3,w2=0.216 0,w3=0.069 8,w4=0.166 5,w5=0.100 2,w6=0.100 2,w7=0.210 0。

4)备选方案综合评价。

根据式(15)计算加权的归一化决策矩阵,采用式(16)～式(19)计算得到各备选方案的解到正、负理想方案解的距离及备选方案与理想方案的接近程度。表5给出了各备选方案的评价指标综合值计算结果。

表5 备选方案的评价结果

根据表5的评价结果可知,备选方案的投资决策顺序为:G4>G6>G3>G5>G1>G2。

3.3 方法对比

采用线性加权的EWM、NPV法、PCA法的计算结果如表6所示。

表6 不同方法的综合评价值

由表6的计算结果可知,EWM法的投资决策顺序是G4>G6>G3>G5>G2>G1;NPV法的投资决策顺序是G3>G4>G6>G2>G5>G1;PCA法的投资决策顺序是G4>G3>G5>G6>G2>G1。其中,EWM法和PCA法决策出的最优方案与EWM-TOPSIS法决策出的最优方案结果一致,验证了本文方法的有效性。

PCA法通过忽略贡献率小的主成分从而达到决策矩阵降维的目的,但其对于主成分的选择对计算结果可能会造成影响。基于线性加权的EWM法根据指标之间的信息熵来确定指标权重,但其计算出的权重可能出现个别指标权重过大的现象,导致赋权结果过于乐观,进而影响备选方案综合评价值的大小。NPV法通过比较未来现金流的折现值与初始投资额,当净现值大于0才会考虑投资项目,此时该备选项目的投资收益将高于项目的投资回报率。本算例中,备选项目G3的初始投资额为219 537.402 1万元,小于备选项目G4的初始投资额235 218.645 1万元,其他三种方法的投资决策评价结果均表明备选项目G4的投资顺序优于G3,而受初始投资额的影响,NPV法的决策结果具有一定的局限性。与EWM法结合的TOPSIS法要求各个指标都尽可能地取得较好的决策水平,才能使备选项目的指标综合值较高,它明显倾向于各个指标的“折衷”。因此,本文方法能有效避免企业过度追求经济效益而忽略其他指标的决策倾向,综合衡量了影响新能源发电项目投资的各指标因素。

4 结论

新能源发电项目对于我国双碳目标实现,构建新能源体系具有重要意义。针对新能源发电项目的投资决策评价问题,建立综合考虑技术效益和经济效益的评价指标体系,利用EWM对指标赋权,避免了人工决策带来的主观性问题,并基于TOPSIS法对备选方案进行综合评价,经IEEE 39节点算例测试,验证了本文方法的可行性,通过与EWM、NPV法、PCA法比较,验证了该方法的有效性,可为新能源发电项目的投资决策评价提供参考依据。