利用约束优化技术处理不确定性的早期风电场技改决策支持流程

《Wind》：A Support Process for Early-Stage Wind Farm Repowering Decisions Using Constrained Optimization Techniques to Address Uncertainty Heather Norton, Lindsay Miller and Marianne Rodgers

随着北美众多风电场临近设计寿命终点，退役、延寿与技改等方案需审慎权衡。本研究为早期技改决策提供了一套方法论，其结合历史性能数据、新风电机组初步布局与windPRO模型预测性能衰减与技改效益，并利用简化的技术经济模型计算财务指标。针对关键参数（如技改资本成本）的不确定性，研究创新性地引入约束优化方法，识别使技改与继续运营达到盈亏平衡的输入参数组合，从而帮助决策者理解推荐方案的“适用边界”。该方法应用于一个真实匿名风电场的案例，为在不确定性条件下制定稳健的早期决策提供了新思路。

　　

想象一下，你运营着一片二十年前建成的风电场，它像一位步入暮年的“老兵”，即将达到设计寿命的终点。是让它“光荣退役”，还是投入资金“延寿”或“技改”以焕发新生？这不仅是情怀问题，更是一个复杂的财务与技术决策难题。特别是在项目早期，许多关键信息（比如未来新设备的准确成本、改造后确切的发电量提升）都充满不确定性，就像在迷雾中规划路线。传统的决策分析工具，如敏感性分析或蒙特卡洛模拟，虽然有用，但往往无法清晰告诉决策者：当这些不确定因素变化多少时，原来的最佳选择就会失效。这使得在项目规划初期提供的建议，可能随着后续信息的不断更新而迅速过时，导致决策摇摆或资源浪费。

为了解决这一挑战，研究人员Heather Norton, Lindsay Miller 和 Marianne Rodgers在《Wind》期刊上发表了一项研究。他们开发了一个新颖的决策支持框架，旨在为面临技改（Repowering）抉择的风电场主和运营商，在充满不确定性的早期阶段提供更稳健、更具洞察力的指导。

本研究主要采用了几个关键技术方法：首先，利用风电场监控与数据采集（SCADA）系统的历史数据和气象塔数据，通过Windographer软件进行预处理和质量控制，并结合windPRO软件（使用其PARK模块和WAsP库）建立场址模型，以分析过去性能并预测新风电机组的年发电量（AEP）。其次，构建了一个简化的技术经济模型，输入参数包括AEP、购电协议（PPA）价格、运营支出（OPEX）、资本支出（CAPEX）和折现率等，用于计算不同方案（照常运营、部分技改、完全技改）的净现值（NPV）和平准化度电成本（LCOE）。最后，也是本研究的核心创新，是运用约束优化方法（通过OpenMDAO模块实现），以寻找使两个最优备选方案（如技改与照常运营）的NPV达到盈亏平衡（即决策边界）的输入参数组合集，并通过不同的惩罚函数来筛选出对客户有实际参考价值的参数集。案例研究的数据来源于一个真实、匿名的风电场。

研究结果

1. 过去性能分析

研究人员获取了2018-2024年的实测风速、风向和温度数据，并利用windPRO创建了场址模型，考虑了地表粗糙度、障碍物等因素。通过时间序列分析，估算了每年各台风机的建模发电量总和（G_y）。同时，为了消除年际风速变化的影响，他们计算了每年的自定义风指数（WI_y= G_y/ G?），并用实测容量因数（CF_y）除以该指数，得到了经风资源归一化的长期容量因数（CF_y^LTC= CF_y/ WI_y），从而更准确地评估风机性能的长期衰减趋势。

2. 技改方案设计

研究评估了三种具体方案：照常运营（Business as Usual, BaU）、完全技改（更换全部风机）以及一个由第三方提供的部分技改方案。对于技改方案，他们筛选了市场上适用于高风速场址的新型风机型号（如Vestas V117-4200, Nordex N133/4.8-4800, Siemens SG 6.6-155-6600），并依据当地法规和环保要求制定了现实的场址布局图，利用windPRO预测了其年发电量（AEP）。资本和维护成本则基于客户过往项目和行业报道进行估算。

3. 财务建模与初步推荐

通过技术经济模型计算了各方案的净现值（NPV）和平准化度电成本（LCOE），其计算公式为LCOE = (CAPEX + NPV Expenses) / NPV AEP。模型假设所有方案的O&M成本每年增长3%，折现率为4%。根据最大化NPV的原则（而非最小化LCOE），从两种技改方案中选出最有前景的一个（文中简称为“技改”方案），并与BaU方案进行后续的深入不确定性分析。

4. 不确定性分析与决策边界搜索

在确定初步推荐方案后，研究对关键输入参数（如技改方案的AEP、CAPEX、OPEX以及PPA价格）的不确定性进行了评估。随后，研究人员没有止步于传统的敏感性分析，而是构建了一个约束优化问题。该问题的核心是设定一个约束条件，要求BaU方案与技改方案的NPV差值非常小（即处于决策边界）。优化器可以调整上述四个关键输入参数的值，在满足该约束的同时，最小化一个“惩罚函数”。惩罚函数用于量化输入参数值偏离其基准（最可能）值的程度。研究尝试了三种不同的惩罚函数：“平均”惩罚（所有参数偏离比例相同）、“最小二乘”惩罚（考虑模型对各参数的敏感度，惩罚偏离的平方和）以及第三种函数。通过求解这个优化问题，可以得到多组位于决策边界上的输入参数组合。这些组合向决策者清晰地展示了：在哪些参数值组合下，两种方案利弊相当；一旦某个或某几个参数的实际值越过这个“边界”，最优决策就会改变。这种方法能帮助决策者直观理解不确定性的“包络空间”，并在获得新信息时，无需重新运行完整模型即可判断决策是否需要调整。

研究结论与讨论

本研究提出并验证了一个用于支持风电场早期技改决策的新框架。该框架的核心创新在于，它没有试图给出一个在不确定未来下“唯一正确”的答案，而是通过约束优化方法，主动寻找并呈现使不同选项在经济上无差异的“决策边界”参数集。这带来了多重优势：它增强了决策者在信息模糊时期对风险及其根本原因的概念性理解；它考虑了参数间的相互作用，能揭示哪些参数组合的变化会导致推荐方案改变，从而有助于对这些参数进行早期监测和深入分析；更重要的是，当某个输入参数的预期值发生变化时，决策者可能无需重新计算，就能参照已有的决策边界信息推断当前的最佳选择。

案例研究表明，该方法能够有效地应用于真实风电场的数据，为决策者提供动态的、易于理解的指导。尽管研究对PPA价格和O&M成本增速之间的关联性等结构性不确定性进行了简化处理，但所提出的框架为在风电项目生命周期早期进行更稳健的规划和分析提供了有价值的工具。未来，随着更多数据的积累和模型复杂度的提升，该方法有望进一步细化，为风电场资产的生命周期管理提供更强大的决策支持。