【精彩论文】新型电力系统下电网企业有效资产运营效率评估

新型电力系统下电网企业有效资产运营效率评估

叶颖津, 林玲, 阮迪, 张诗鸣, 林红阳

（国网福建省电力有限公司经济技术研究院，福建 福州 350013）

摘要：新型电力系统加速建设为电网企业资产管理带来一定的挑战，而实现资产运营效率的精确评估是提高电网企业资产管理水平的首要条件。首先，分析新型电力系统建设对电网企业有效资产运营的影响，并构建电网有效资产运营效率评估的投入产出指标体系；然后，考虑到新能源发电及电价补贴政策等不确定因素会造成统计数据难以准确体现电网企业投入产出效率的真实情况，基于鲁棒优化思路和对偶理论对传统数据包络分析方法（data envelopment analysis，DEA）模型进行改造，构建了考虑非期望产出和投入产出不确定的鲁棒DEA模型；最后，选取25个电网企业进行模型应用。结果表明，鲁棒DEA模型的效率排序准确率比传统DEA模型提高60个百分点，可有效应对不确定环境，实现了新型电力系统背景下电网企业有效资产运营效率的准确测算，能够为电网企业资产管理提供决策依据。

引文信息

叶颖津, 林玲, 阮迪, 等. 新型电力系统下电网企业有效资产运营效率评估[J]. 中国电力, 2023, 56(6): 185-193.

YE Yingjin, LIN Ling, RUAN Di, et al. Effective asset operation efficiency assessment of power grid enterprises in context of new power system[J]. Electric Power, 2023, 56(6): 185-193.

引言新型电力系统构建对电网企业各方面的发展都具有深刻影响，对电网企业有效资产管理提出了更加严格的要求^[1]。当前电网公司在项目资产日常管理、资产价值增减变动管理、外部专项资产管控等方面政策要求与管理现状存在一定的差距^[2]；经营效率滞后、存量和新增资产缺乏精细化管理、有效资产管理机制不健全等问题也值得重视^[3]。如何把握新型电力系统建设的契机，进一步提升公司有效资产的优化配置效率，选择科学的研究方法对电网资产管理效率进行精确量化评价，是电网企业提升新型电力系统下经营可持续性面临的重要问题。对电网资产管理效率进行深入研究，必须选用科学高效的研究方法。现有研究中，文献[4]考虑电网资产寿命周期内各个阶段的成本收益特性，引入实物期权理论方法，构建了针对电网资产价值评估的二叉树实物期权模型。文献[5]建立了增量配电网投资效益评估模型，采用年时序仿真法对关键参数进行了敏感性分析，对电网项目的投资效益进行评估。文献[6]将区块链技术应用于电网资产管理，实现对资产设备的高效验证和资产流动的数字认证，进而提升电网资产管理效率。上述研究对于新型电力系统背景考虑不足，难以适应新发展环境的要求。在电网资产效率评估方法方面，多采用熵权法、层次分析法、模糊综合评价法^[7-9]等，但这些方法存在指标选取局限性较强、客观性不足、可解释性不强等问题，而数据包络分析方法（data envelopment analysis，DEA）^[10]在有效提升多项投入与产出相对效率评估时，对参数估计与预设函数要求较低，评价结果能够准确体现不同评估数据的客观规律^[11]。此外，在实际生产过程中，追求期望产出的同时会伴随着一些不希望出现的副产品。例如，大力发展新能源会影响电网的线损水平，不可避免造成线损率的增加，这对于电网企业就是非期望产出。因此，为了达到最佳的生产效益，应该考虑让期望产出增加的同时减少非期望产出，而DEA通过改造函数条件能够达到这一目的^[12]，也因此被广泛应用于生产运营效率^[13-14]、城市发展效率^[15-16]、资源利用效率^[17-18]等领域。综上所述，DEA模型可以作为一种对电力系统投入产出效率进行评价的有效手段。在新型电力系统建设背景的要求下，随着可再生能源的大规模并网，新能源发电不确定性及电价补贴政策会导致电网企业资产投入产出具有不确定性，造成统计数据难以准确体现投入产出效率的真实情况。而传统DEA模型对数据精确性有较高的要求，不具备应对电网系统中不确定性因素的能力。因此本文在传统DEA模型中引入鲁棒优化思想，形成一种对数据扰动具有免疫效果的鲁棒DEA方法。大多数鲁棒DEA模型只能处理投入或产出单一不确定的情况，对多项数据不确定性导致的波动无法进行有效处理^[19-20]。当投入产出同时不确定时，大多采用DEA敏感性分析对评估结果进行研究^[21-22]，但是DEA敏感性研究对提高结果稳定性并无太大效果。

因此，针对传统研究中存在的问题，本文先构建新型电力系统背景下电网企业有效资产运营效率评价指标体系；再基于不确定信息一般化和对偶理论构建可以同时应对投入产出数据不确定性的鲁棒DEA模型，弱化数据波动对实际投入产出效率造成的误差；最后以25家电网企业的样本数据为算例进行模型有效性验证。

1  电网有效资产运营效率评估的投入产出指标体系构建1.1  新型电力系统建设对电网有效资产的影响分析风电、光伏等新能源出力具有波动性、随机性、间歇性的特点，传统的电网运行模式已经无法适应新型电力系统运行的需求^[23]，电网企业有效资产及运营亟须升级。在电网投资建设方面，新型电力系统要求电网企业加快配套接网工程建设，加大扩容改造和灵活性提升，大力发展智能电网，因而造成电网投资规模明显增大。具体而言，首先，新能源的大规模消纳需要远距离的输送，清洁能源加速并网也要求电网持续优化网架结构，因此存在大量线路、网架等基础设施的建设投资；其次，波动性电源比例提高给整个系统的电力电量平衡带来较大困难，需要加大对电网灵活性改造工程的投资建设；此外，为使电网企业主动适应大规模集中式新能源和分布式能源发展，有必要提升电网智能化水平，增强电力系统资源优化配置能力，发展建设智能化电网。在电网运营服务方面，新型电力系统要求电网运营更加安全、智能、高效、低碳，电网企业除了为经济社会可持续发展提供电力保障，还承担着推动全社会节能减排的责任。具体而言，首先，提供安全可靠的电能服务是电网企业的核心责任，然而新能源出力不断增加会引起线损水平发生明显变化，不可避免地造成电网输配电效率降低，影响供电质量；其次，电网在能源体系中作为联结枢纽，是引领能源绿色低碳转型的重要平台，全面推动新能源消纳水平提升、提高用能清洁化水平逐渐成为电网企业的重要责任之一。1.2  指标选取在分析新型电力系统建设与电网资产运营关系的基础上，本节提出相应的投入产出指标体系。在投入类指标方面，电网有效资产一般可分为增量资产和存量资产，本文从增量投入和存量投入两个方面展开，具体指标如表1所示。对于增量投入，选取接网及网架加强工程投资、电网灵活性提升投资、电网智能化改造投资作为三级指标，反映电网企业适应新型电力系统建设的主要投入；对于存量投入，选取固定资产存量反映电网企业已拥有实物资产的资本化价值，表明企业可支配的资产价值净值总额。在产出类指标方面，由于电网企业同时具有盈利性和社会服务性，本文从经济效益、低碳效益和技术产出反映电网的有效资产运营产出。对于经济效益，主营业务收入是电网企业经济产出最直观的体现。在低碳效益方面，选取新能源发电占比指标用于考察电网投资清洁能源的效果。在技术产出方面，选取供电可靠率和线损率作为三级指标。供电可靠率反映了输配电资产的运营能力及安全可靠性，是技术产出的正向指标；线损率指标反映电网输配电效率，是技术产出的负向反馈，属于非期望产出。

表1  电网企业有效资产运营效率评价指标体系

Table 1  Evaluation index system of effective asset operation efficiency of power grid enterprises

2  模型构建

为了实现电网科学合理的有效资产运营效率测度，本文在考虑非期望产出的DEA模型和不确定性环境的基础上，进一步构建了考虑投入产出不确定的鲁棒DEA模型。

2.1  考虑非期望产出的DEA模型构建

假设有 n 个待评价电网企业，在模型中被称为决策单元（decentralized management unit，DMU），每个决策单元具有4类投入、3类期望产出和1类非期望产出，为便于表述，使用X_j=(x_1j,x_2j,⋯,x_mj)^T ， Y_j=(y_1j,y_2j,⋯,y_sj)^T 和 Z_j=(z_1j,z_2j,⋯,z_kj)^T 分别表示第 j 个DMU的 m 项投入、 s 项期望产出和 k 项非期望产出。因此可以用 (X,Y,Z) 表示DMU的整个生产活动。第f个DMU的效率评价指数可以表示为：其中权系数 v 表示对各项投入的一种度量， u 和 μ 分别表示对期望产出和非期望产出的度量。因此，以h_f作为目标函数，所有决策单元的效率指数为约束对象，得到考察效率的分式规划，可表示为

然而，在实际生产过程中，企业总是期望尽可能增大期望产出而减少非期望产出，因此，考虑赋予期望产出较大的权重，而对非期望产出赋予较小的权重，这样便可优先增加期望产出，从而达到最佳的生产效果，用数学公式表示为式中： e 为 k×1 的单位向量；为 m×1 的单位向量。由于模型目标函数和约束条件都存在分式，令α=tv ， β=tu ， γ=tμ ，可以将式（1）~（4）化为等价的线性规划形式，即基于运筹学中的对偶理论^[12,24]，可以进一步转化为2.2  模型的鲁棒化改造DEA模型对数据精确性要求极高，然而新型电力系统背景的不确定性、时变性、复杂性为电网指标数据统计带来一定的挑战。具体而言，电网投入指标涉及各类电力设施投资，往往会因政策变化、运行损害产生投资规模变动，造成电网投入的不确定性；电网产出指标与电价、电量、效率密切相关，易受气象灾害、电价政策等因素影响，造成电网产出的不确定性。为了降低数据扰动对模型评价结果的干扰，本文借鉴鲁棒优化建模思路^[25-27]，引入扰动参数对受到扰动的指标数据进行修正约束，构建应对投入和产出（包括期望产出和非期望产出）数据均受到扰动的鲁棒DEA模型。抵抗外部不确定性对效率计算造成的影响，其本质是实现最坏情况下求解被评价决策单元的最大效率值。最坏情况指因为不确定性影响，被评价决策单元的期望产出受到负向扰动，投入和非期望产出受到正向扰动，而其他决策单元期望产出都受到正向扰动，投入和非期望产出都受到负向扰动，所以需要在约束条件中增设这部分约束条件。假设第 j 个DMU观测到的各项投入期望产出和非期望产出数据分别是其受到扰动后的名义值，可表示为：和其中， ε 为调节不确定程度的扰动参数， ξ_ij,ξ_rj,ξ_tj 为均匀分布在 [−1,−1] 内相互独立的随机变量，分别表示投入、期望产出和非期望产出的扰动值。为避免在等式约束中加入数据扰动项，需要以对偶模型（式（10）~（14））为基础进行建模。此外，为分析投入产出冗余情况，在约束条件中引入松弛变量，最终构建考虑非期望产出和投入产出不确定的DEA模型（U-RDEA）为式中： λ_j,ω,ρ_ij,τ_rj,φ_tj,ζ_ij,σ_rj,ϕ_tj,s⁺,s⁻,s⁻ 为决策变量，模型最优解能够在 1−κ=1− exp(−Ω²/2) 的概率下满足约束条件，其中， Ω 为免疫参数， κ 为可靠度，参数 κ 和 Ω 反映了模型求解的可靠程度。3  算例分析3.1  参数信息本文以某省级电网公司下属25个县级电网企业为算例，其运营数据通过实地调研、发放调查问卷的方式获取，得到投入产出指标数据统计信息如表2所示。

表2  电网企业投入产出指标数据

Table 2  Input-output index data of power grid enterprises

3.2  结果分析基于以上25个决策单元投入产出数据和本文提出的U-RDEA模型，假设所有投入产出指标数据均受到5%扰动程度，即扰动参数 ε=0.05 的情景下，计算各个决策单元的相对效率值。当可靠度 κ=0.05 时，求得免疫参数 Ω=2.45 ，即能够保证最优解在95%概率下满足约束。鲁棒相对效率值评价结果如表3所示。

表3  U-RDEA相对效率值评价结果

Table 3  Evaluation results of U-RDEA relative efficiency

由表3可知，基于U-RDEA模型的鲁棒效率测算值不存在大于1的情况，说明当投入产出数据受到扰动时，决策变量仍能有效满足约束条件，模型最优权重的可行性并未受到不确定性的影响。由模型构建原理可知，当相对效率值为1时，表明决策单元有效；当相对效率值小于1时，表明决策单元非有效。通过比较非有效决策单元的鲁棒效率值，能够对其优劣进行排序，第6个DMU排名最末，说明此电网企业资产运营效率最低。此外，算例中共有14个决策单元无效，表明所研究的决策单元中56%的电网企业资产运营尚未适应新型电力系统建设，亟须分析薄弱环节并选择有针对性的转型路径，加快适应大规模、高比例新能源发展。结合模型中的投入产出冗余变量，可以进一步分析非有效决策单元的资产运营效率具体状况，明确电网企业资产运营的优化方向。以第6个DMU为例，其投入产出冗余情况如表4所示。表4中的调整值是指由当前投入产出水平调整到DEA有效水平所需要增加或减少的投入产出值，按指标性质可以分为资产投入量的调整值和运营产出量的调整值，资产投入调整值反映电网企业的投入结构合理程度，运营产出调整值则能够衡量企业本身的经营效益和技术水平。

表4  第6个DMU投入产出冗余情况

Table 4  Input-output redundancy of No.6 DMU

对于第6个DMU，电网增量投入结构具有一定的优化空间，其中接网及网架加强工程出现投入冗余现象，应适当减少此类工程投资以适应新型电力系统的发展；在资产运营产出方面，该企业经济产出和技术产出均未达到资源配置水平下的最优值，其中主营业务收入还应增加228.37亿元，新能源发电率提升7.30%，供电可靠率提升0.08%，方可实现新型电力系统建设背景下的最优效率资产配置。3.3  模型检验1）DEA与U-RDEA模型对比分析。本文基于相同的算例，对比传统DEA模型和U-RDEA模型在不同扰动程度下的评价结果，以验证模型的有效性。具体而言，当投入产出不受扰动时，所获数据名义值即为真实值，DEA与U-RDEA模型没有区别，评价结果相同；当投入产出受到扰动时，不确定性扰动程度对评价结果有很大影响，因此，测算不同扰动参数取值下DEA与U-RDEA的相对效率值，比较2种模型对不确定性的抵抗能力，这里扰动参数选取0.01、0.05和0.10，即扰动程度由1%增加至5%再增加至10%，2种模型输出效率值如图1和图2所示。

图1  DEA相对效率值

Fig.1  DEA relative efficiency value

图2  U-RDEA相对效率值

Fig.2  U-RDEA relative efficiency value

根据计算结果可知，当投入产出数据受到扰动时，传统DEA模型会出现大于1的计算结果，此时效率值已不再满足模型约束条件，且随着扰动参数增大，错误结果增多，决策单元的评价结果波动幅度加剧，表明传统DEA模型无法有效应对投入产出受到不确定扰动的情况。而对于U-RDEA模型，不存在超过1的效率值，在不确定环境中求解依然能够满足模型约束。随着扰动程度不断增加，U-RDEA模型所测得大多数决策单元效率值随扰动参数增大而有所降低，这反映了U-RDEA模型通过牺牲一定的最优性以降低扰动带来的影响，保证模型求解的有效性。不论是DEA模型还是U-RDEA模型，测算的都是决策单元之间的相对效率，因此按照相对效率值大小对决策单元进行排序是最直观的评价结果。当扰动程度达到10%时，将DEA与U-RDEA模型的排名结果分别与投入产出不受扰动时的排名进行对比，可以发现：传统DEA模型的决策单元排名与不受扰动时有很大差距，只有2个决策单元的相对效率值排名相同，准确率仅有8%，评价结果失去参考价值。而U-RDEA模型在受到10%的扰动程度时排序结果仍较为准确，有17个决策单元评价结果相同，剩余8个决策单元排名仅有小幅波动，准确率达到68%，比传统DEA排序结果准确率提升60个百分点。这表明U-RDEA模型在不确定环境中依然能保证相对效率的排序稳定性，体现了良好的鲁棒性。2）U-RDEA模型敏感性分析。扰动参数反映模型受到的扰动程度，免疫参数体现模型应对不确定性时对最优解的精度要求，二者是影响U-RDEA模型鲁棒性的两个关键参数。因此，本文对比不同扰动参数和免疫参数取值下的鲁棒效率值，验证模型的灵活性和有效性。图3展示了免疫参数一定 (Ω=2.45) 、扰动参数变化 (ε=0.01,0.05,0.10,0.15) 的鲁棒效率值和排名情况，图4展示了扰动参数一定 (ε=0.05) 、免疫参数变化 (Ω=1.95,2.15,2.45,3.03) 的鲁棒效率值和排名情况。

图3   改变U-RDEA模型扰动参数的测算结果

Fig.3  Calculation results with change of U-RDEA model disturbance parameter

图4  改变U-RDEA模型免疫参数的测算结果

Fig.4  Calculation results with change of U-RDEA model immunity parameter

以 ε=0.01 的情景为基准，对比 ε= 0.05、0.10和0.15的鲁棒效率值和效率值排名，可以看出，随着扰动参数增大，决策单元鲁棒效率值差距变大，排名与基准情景不符的决策单元增多，这说明U-RDEA模型在应对愈加剧烈的扰动时，牺牲解的最优性以保证可靠性。此外，无论哪种扰动程度，模型测得的有效决策单元一致，反映了模型的稳定性。免疫参数 Ω=1.95、2.15、2.45和3.03，分别表示以85%、90%、95%和99%概率保证最优解的可行性。以 Ω=1.95 的情景为基准，随着免疫参数增大，鲁棒效率值波动变大，效率值排名趋于混乱。且当免疫参数较大时，会出现原来有效的决策单元变为非有效的现象，例如 Ω=3.03 时，第7、12、20、25个DMU鲁棒效率值接近于1，但未达到1，说明模型降低了一定的最优性以使可行解能够在更高的概率下实现，体现出模型的有效性和灵活性。

总之，U-RDEA模型在投入产出受到扰动时，能够权衡可行解的最优性和可靠性，实现了不确定环境下的效率测算，能够较好地适用于新型电力系统背景下电网有效资产运营效率的测算。

4  结论新型电力系统建设为电网企业资产运营带来挑战的同时也带来发展机遇，把握契机提升公司有效资产的优化配置效率，能够使电网进一步实现高效可持续发展。本文研究新型电力系统建设下电网有效资产运营效率评价，能够为决策者提供稳定准确的评估结果，对电网资产运营管理具有重要意义。本文所得结论如下。1）基于新型电力系统建设特征和发展要求，本文构建电网企业资产运营效率的投入产出指标体系，包含4个投入指标（接网及网架加强工程投资、电网灵活性提升投资、电网智能化改造投资、固定资产存量）、3个期望产出指标（主营业务收入、新能源发电率、供电可靠率）和1个非期望产出指标（线损率），充分体现新型电力系统建设对电网投入产出的影响，保障电网资产效率评价更为全面客观。2）为了应对新型电力系统建设对电网企业有效资产效率评价带来的不确定性，本文对传统DEA模型进行鲁棒化改造，构建了考虑非期望产出和投入产出不确定的U-RDEA模型，并通过算例验证了模型的有效性和鲁棒性。结果表明，U-RDEA模型受到扰动时通过牺牲一定的最优性以得到有效可行解，当扰动程度为10%时，排序结果准确率相较于传统DEA提升60个百分点，因此本文所提出的电网资产效率评价模型能够提供更加准确、稳定的结果。3）根据本文对某地区25个地市级及县级电网企业资产运营效率测算结果，有14个公司资产运营有待改进，进一步分析非有效电网的投入产出冗余情况，明确电网资产结构配置的优化方向，能够为电网企业资产管理提供决策依据。（责任编辑　李博）

作者介绍

叶颖津（1994—），女，硕士，工程师，从事电网技术经济研究，E-mail：[e-mail].

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

校对：王文诗

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。