基于支持向量機的風電工程項目風險模型構建

趙云飛

摘? ?要：我國的風電行業在近十幾年一直保持高速增長的態勢。風力發電具有隨機性、間歇性和反調峰性等特點，這使得風電工程項目投資的風險性較高，同時風電工程項目還面臨著技術不成熟性和國家政策的不穩定性，這就加劇了風電工程項目投資收益的不穩定性。而傳統的項目風險評估方法，不夠精確同時需要的樣本量較大，基于這種情況，本文提出適用于小樣本、高維度的支持向量機算法應用于風電工程項目風險模型構建，使工程在投建前期能進行科學地、完善地投資風險評價。

關鍵詞：風電工程項目? 風電模型? 風險評估

中圖分類號：TM614? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2019）09（c）-0199-03

風力發電具有隨機性、間歇性和反調峰性等特點，這導致風電工程項目投資的風險性較高，同時風電工程項目還面臨著技術不成熟性和國家政策的不穩定性，加劇了風電工程項目投資收益的不確定性。在本文中，首先分析解讀了風電工程項目所面臨的風險因素，然后根據風電工程項目所面臨的風險因素確定了風險評價指標體系，指標體系建立完善以后，根據有限的歷史數據，構建并訓練基于支持向量機的風電項目風險評價模型。最后，得到適用于我國風電項目風險評價模型。

1? 風電工程項目風險因素分析

近年來，由于延遲風電工程項目并網及棄風現象問題日益嚴重，同時，風電工程項目的建設地址的選取也要參考當地的電網規劃方針，若是風電工程項目投資建設運營后未能與當地電網規劃進行全面的對接，可能導致風電工程項目的電能傳送不出去，加之我國針對棄風現象的重災區提出限制風電工程項目投資建設的意見，這在一定程度上打擊了能源企業投資風電工程項目的投資積極性。

隨著我國風電產業的蓬勃發展，風電裝備制造業逐漸興起，但是商業化的風電行業往往追求短期的高利潤，而且，風電機組的設備技術和管理技術水平都未能跟上風電累積裝機容量的發展腳步，落后于國外的先進風電設備技術。現在，風電行業很多大型的風電機組還需要從國外引進新的技術和機器，這無形間就增加了風電工程項目的投資成本，也增加了風電工程項目的投資風險。

2019年5月底，國家能源局發布了《關于2019年風電、光伏發電項目建設有關事項的通知》，該通知對風電的消納、分散式風力發電、海上風電項目建設以及風電項目競爭配置做了具體的要求。該通知強調了完善市場化競爭，給予自愿平價上網的企業以優惠政策，以及提出競爭配置建設方案相關要求等。由此可見，未來風電工程項目對資源補貼政策的依賴性將逐步減小，對市場的依賴性逐漸提升，但是當前政策對風電工程項目的影響還是較大的，即使是促進市場化的過程也是通過政策推動進行的。所以，政策風險是風電工程項目面臨的三大風險之一。

綜上所述，可將所有影響風電投資的因素歸為三類：經濟類風險、技術類風險以及政策類風險。

2? 風電工程項目風險評價指標體系構建

2.1 風電工程項目風險指標構建

風電項目投資風險評價，首先要確定指標參數，通過模擬樣本學習、訓練結果評價等一系列循環過程，得到結構穩定的模型，最后將待評價的項目數據輸入已訓練好的程序，得出評價結果。因此指標體系的構建是風電工程項目風險評價模型的關鍵。

結合對我國風力發電產業的相關分析以及相關文獻的研究成果，建立風電工程項目風險評價指標體系，其中，一級指標三個：經濟風險、技術風險、政策風險，各一級指標分別對應三個二級指標：上網電價（x1），上網電量（x2），財務風險（x3），設備水平（x4），預測技術（x5），技術人員（x6），電價政策（x7），稅收政策（x8），CDM政策（x9）。二級指標一共有九個，考慮到指標數量適中，同時指標之間不存在冗余，每個指標對風電項目風險水平都具有重大影響，因此不再添加和移除指標。下面，將對指標進行說明。

（1）經濟風險。

風電工程項目的經濟風險的主要影響因素有上網電量、上網電價（主要指標桿電價）以及財務風險，前兩項指標直接影響了風電工程項目經濟收益，而財務風險是財務成本的主要風險因素。其中上網電價根據我國的自然資源區的劃分為以下四類，同時給定了上網標桿電價，作為政策性的引導。我國目前制定了四類風能資源區上網電價，其中Ⅰ類資源區（0.40元/千瓦時），Ⅱ類資源區（0.45元/千瓦時），Ⅲ類資源區（0.49元/千瓦時），Ⅳ類資源區（0.57元/千瓦時）。

風電工程項目的上網電量是指風電工程項目投入運營后能夠開發同時允許并網的電量，這里就面臨兩個問題，一是風電工程項目的裝機容量和當地的年平均風速;二是考慮到區域電網的穩定性等問題，該風電工程項目被允許并網的電量。由此可見，相同的規模的風電工程項目的盈利能力可能存在極大的差距，還有部分工程項目是屬于備用空轉工程。本文選取了機組的年利用小時數作為指標來對上網電量進行衡量，既衡量了風電工程項目的發電能力又能衡量風電工程項目的電量消納能力。

財務風險則是指風電場在投資建設過程中由于資金籌措而發生的各種費用。本文的財務風險選用資產負債比，風電項目的負債比率越高，則財務成本越高，財務風險就隨之增加。

（2）技術風險。

風電行業在我國起步時間較晚，后來由于國家政策的激勵，現在全國風電累積裝機容量位于世界第一位，但是我國的風電行業雖然發展較快，但是現實是沒有形成進一步的市場化規范，市場化競爭模式還有待進一步的提升，同時需要提高風電工程項目的管理技術水平。當然最重要的是風電行業的預測技術、設備技術以及技術人員的水平需要進一步的提升。國家需要繼續投入人力、物力培養專業的技術人員，開發先進的設備研制技術。

設備技術主要指風電機組的技術水平，選取該指標應該能夠準確估計出設備在動態運行過程中的表現情況，因此選擇不同風電場各個機組在實際運行中的平均強迫停運率評價風電場設備的整體水平。

風速預測技術是根據風電工程項目當地的歷史平均風速對風電工程項目進行預測與分析，可以測算出風電工程項目輸出的電量質量高低，同時也決定了風電工程項目的最大上網電量，預測技術風險選用風電功率預測系統的月均方根誤差。

技術人員的業務水平是指風電工程項目參與運營建設的人員的業務能力和專業程度，本文選擇人才當量密度作為衡量技術人員水平高低的指標。人才當量密度是對長期合同制職工的學歷、職稱、技能等級進行系數折算，取三者之中最高的折算值累加之和占本企業長期職工人數的比率，具體計算方法見公式（1）。

（1）

其中，ρ是人才當量密度，ωi是最高折算值（職工學歷、職稱、技能等級折算值），N是全資控股企業全部長期合同制職工（不含內退職工）人數。

（3）政策風險。

我國的風電行業起步很晚，在國家進行鼓勵建設前，風電行業的發展極其緩慢，特別依賴于國家政策的傾斜程度，對風電工程項目進行投資首先要了解風電工程項目所面臨的政策風險有哪些。在風電工程項目的政策風險中，電價政策（主要指單位電量貼補額）的影響是最為突出并且最為直接的。我國頒發了《可再生能源電價附加補助資金管理暫行辦法》旳通知，根據通知的具體內容可知，我國政策依然鼓勵風電工程項目的投資與建設，無論在電價政策還是稅收政策方面都有各種優惠和傾斜，這導致我國的風電工程項目的投資市場還是在一定程度上依賴于國家政策，因此存在政策風險。

一般在情況下，能夠獲得的稅收優惠越多的風電工程項目對國家稅收政策的依賴性越強，同時對國家稅收政策變化的敏感性也越強。若是一個風電工程項目享受國家有關的稅收優惠才能夠達到當前的收益情況，那么當國家的稅收優惠政策發生變化時，項目前期工作中所做的預期方案將可能不能夠適應當前的政策從而產生風險，因此本文中采用風電工程項目享受的稅收優惠百分比作為衡量稅收政策風險的指標參數。

同理可知，在眾多風電工程項目中對CDM的政策依賴性越強的工程項目受到的CDM政策變動影響也越大，同時對CDM政策變化的敏感性也越強，CDM政策對風電工程項目的生存產生重大的影響。到2011年為止，我國有1662個CDM項目注冊成功。《京都議定書》的失效給風電工程項目的投資帶來了巨大的風險，《京都議定書》的失效使得風電工程項目的CDM收入變得極其不穩定，增加了風險幾率，以龍源電力為例，龍源電力的主營業務是風力發電，截止到2010年的數據，該公司CDM收入占其全面收入的41%，由此可知《京都議定書》失效后，對其公司有很大影響。在眾多風電工程項目中對CDM的政策依賴性越強的工程項目受到的CDM政策變動影響也越大，同時對CDM政策變化的敏感性也越強，CDM政策對風電工程項目的生存產生重大的影響。

按照支持向量機模型的要求，將上述具體指標作為模型的輸入，也就是說，每個風力發電項目的風險情況都是以一個9維向量表示，其中分量xij對應i風力發電場的指標j的分值，該分值是定量指標無量化和歸一化后的數值，其歸一化公式如下：

（2）

此時評價指標的綜合分值為這個指標向量的函數：

（3）

3? 基于支持向量機的風險評價模型構建

3.1 模型輸入數據處理

首先本文收集了20個典型風電項目的相關數據作為訓練樣本。同時將20個項目的風險評價值（專家評判結果）單列出來如表1。

該表中得分較高的（0.7分以上）為風險較低的項目值得投資;得分一般的（0.4分以上0.7分以下）為風險中等的項目，需要投資決策者考慮是否投資;得分較低的（0.4分以下）的項目為風險較高的項目，不建議投資。對定量評價指標數據進行無量綱化和一致化處理，計算公式為：

（4）

計算得到結果見表2。

利用表2所示數據——風電項目數據歸一化處理的結果數據，將其作為輸入變量，然后將等級作為輸出變量，代入下文的支持向量機模型中，用于訓練支持向量機模型使之適用于風電工程項目的風險評價。

3.2 基于支持向量機的風險評價模型構建

本文采用R語言，對模型進行構建。輸入表2的數據作為訓練樣本，輸入訓練樣本可以對模型中的參數進行選擇，同時對模型進行訓練，構建適用于風電工程項目風險評價的回歸支持向量機模型。

首先將表2的數據讀入，然后調用支持向量機的軟件包，這時考慮回歸方式和核函數的選取。針對兩種回歸方式（nu-regression和eps-regression）和四種核函數（線性核函數linear，多項式核函數polynomial，徑向基核函數radial，神經網絡核函數sigmoid），通過計算得出，識別率最高、性能最好是徑向基核函數。并且在“RMSE”這一列是顯示了不同回歸方式和核函數輸出的誤差，即在每種組合方式下，實際評分值與使用支持向量機模型求解的計算值之間的誤差。誤差越小說明模型越好。因此本文在構建模型時選擇的核函數為“radial”，回歸方式為“eps-regression”，并求得最優參數值gamma =0.001，cost=1000。

綜上所述，用于風電工程項目風險評價的支持向量機模型中的回歸方式、核函數以及一般參數都已經設定好，使用此模型對表2中的1到5這5個項目進行預測，將計算所得的評價值與實際值進行對比。

從表中可以看出，通過支持向量機模型計算的預測值（p_test）與真實的評價值（r_test）之間的誤差很小，5個項目的整體平均誤差為0.005461243。因此說明本文構建的風電工程項目風險評價支持向量機模型具有很好的預測精準度。

在本文中使用R語言對20個風電工程項目的數據進行分析與研究，構建了基于支持向量機的風電工程項目風險評估模型，該模型通過樣本數據的測試可知準確率較高，具有較好的擬合性。基于支持向量機的風電工程項目風險評估模型輸入變量為9個，分別為：上網電價、上網電量、財務風險、設備水平、預測技術、技術人員、電價政策、稅收政策、CDM政策。

輸出變量為“評價值”，評價值得分為“0.7分以上”的風電工程項目為風險較低，值得投資的風電工程項目;評價值得分為“0.4分以下”的風電工程項目為風險較高，不建議進行投資的風電工程項目;評價值得分“0.4分到0.7分”的風電工程項目為風險中性，需要投資決策者進行慎重考慮是否投資。

4? 結語

綜上，本文介紹分析了我國風電項目面臨的風險因素：財務風險、技術風險和政策風險;然后將風險因素設定為風電工程項目風險評估指標體系的一級指標，然后根據各個風險因素的影響因子設定了相關的二級指標共九個，至此構建了風電工程項目投資風險評估的指標體系;最后根據支持向量機用于風電工程項目風險評估的步驟，構建了基于支持向量機的風電工程項目風險評估模型，該模型的準確度較高，模型完善，適用于一般的風電工程項目風險評估。

參考文獻

[1] 江新，李琦，趙靜.基于可靠性分析的工程項目群FAHP風險評價模型[J].長江科學院院報，2014，31（9）：126-131.

[2] 代鵬.風電工程建設中的管理模式及風險因素探究[J].裝備維修技術，2019（1）：13-14.

[3] 張懿.陸上風電工程造價風險分析及評估研究[D].華北電力大學（北京），2016.