CN104268792A - 高载能用电企业能效综合评价模型 - Google Patents

Abstract

本发明公开了一种高载能用电企业能效综合评价模型，包括反馈修正模块、多模型评价模块和集成应用模块；所述反馈修正模块：用于实现能效评价指标、指标权重及评价结果的检验反馈和修正功能；所述多模型评价模块：用于实现多模型评价的事前检验、多模型组合评价和多模型组合评价检验及优选功能；所述集成应用模块：用于将反馈修正模式和多模型评价模式的理论变为应用。达到可移植性、可扩展性，容易维护且实施细节透明的目的，从而节约能源。

Description

高载能用电企业能效综合评价模型

技术领域

本发明涉及高载能用电企业的节能技术领域，具体地，涉及一种高载能用电企业能效综合评价模型。

背景技术

能源短缺已经成为二十一世纪全球发展的核心问题，而近年来，能源问题也逐渐成为我国关注的重点问题。我国能源人均资源短缺，消耗量大，利用效率远远低于发达国家，严重限制了可持续发展战略的实施。电力作为最重要的二次能源之一，其消耗量逐年增加，而电能的利用效率却提高缓慢，形成巨大的能源浪费。

能效评价是一种提高电能利用效率的重要手段，通过对企业进行能效评价，可以促使及企业改进节能措施，提高企业的能源利用率。但长期以来，我国电力能效评价工作进展缓慢，没有进行大力推广和应用。而“国家工业节能十二五规划”的发布使得电力能效评价活动成为重中之重。在国际能源危机的背景下，我国需要推动电力能效评价技术，对企业能源利用方式近一步完善，帮助企业进行节能措施的实施，实现企业生产的优化，提高企业的综合竞争力。

高载能用电企业作为用电大户，其自身的特点为生产成本的主要部分是电力消耗成本，用电效率的高低直接决定着企业的发展和竞争力，目前已有很多节能技术应用于高载能企业。我国高载能用电企业电能利用效率普遍不高，节能潜力很大，深入开展高载能企业电力能效监测和评价工作，一方面管理部门可以完善电能管理体系，充分挖掘节能潜力，采取有针对性的节能对策和措施，推动企业的节能减排工作；另一方面企业也可以深入地了解自身存在的能耗问题，针对这些问题实施具体节能措施，并根据成本效益分析，了解节能减排后企业所获得的利益，这样就会更好地促进企业的节能减排工作。

从高载能用电企业能效评价目前的研究和应用情况来看：一方面，能效评价的模型和方法层出不穷，而不同评价模型的建模理念和出发点都是不同的，导致不同评价模型的评价结果不一致，评价结果的合理性很难进行验证。另一方面，评价的对象处于变化之中，评价的指标体系、评价模型、指标权重也不是一成不变的，只有评价过程跟随评价对象变化而变化，才能更为合理的进行评价。最后，能效评价的实施需要一个很好的软件进行支撑，而传统的软件开发方式则是仅仅针对单一模型、固定指标及权重等进行开发，不具有可变性。

发明内容

本发明的目的在于，针对上述问题，提出一种高载能用电企业能效综合评价模型，实现可移植性、可扩展性，容易维护且实施细节透明的优点。

为实现上述目的，本发明采用的技术方案是：

一种高载能用电企业能效综合评价模型，包括反馈修正模块、多模型评价模块和集成应用模块；

所述反馈修正模块：用于实现能效评价指标、指标权重及评价结果的检验反馈和修正功能；

所述多模型评价模块：用于实现多模型评价的事前检验、多模型组合评价和多模型组合评价检验及优选功能；

所述集成应用模块：用于将反馈修正模式和多模型评价模式的理论变为应用。

优选的，所述反馈修正模块，基于多元统计，建立高载能用电企业能效评价指标库，研究聚类分析方法、多元回归分析法和线性回归分析法，并采用该3种方法对能效评价指标、能效评价指标权重和能效评价结果进行检验，同时将结果反馈，修正未达到要求的部分，然后再次检验，直到检验结果符合要求；

所述多模型评价模块，对多个能效评价模型采用KENDALL-W进行一致性检验，达到要求后分别采用平均组合模型、Borda组合模型和Copeland模型进行组合评价，然后采用Spearman法进行检验和优选，如不符合要求，则重新选择多个能效评价模型，否则，结果作为最终评价结果；

所述多模型评价模块，基于综合集成平台、能效评价组件库、能效评价知识图库和能效评价主题库，建立的能效评价集成应用模块，将能效评价的相关模型和方法、能效评价指标体系和能效评价基础数据采用组件封装技术封装成组件，并采用Web Service技术打包成为组件库；基于综合集成平台，以能效评价为主题，绘制能效评价修正反馈及多模型评价业务应用流程，添加组件，形成能效评价业务应用***，并开展仿真研究。

优选的，所述聚类分析方法主要有直接聚类法、最短距离聚类法和最远距离聚类法；

所述多元回归分析法用于分析一个因变量和若干个自变量之间的相关关系；

所述线性回归分析法即为求变量之间的关系，建立数学模型，线性回归分析法中的目标函数、约束条件等各量之间都是线性关系。

优选的，所述多元回归分析法具体包括：

步骤401、确定几个特定的变量之间是否存在相关关系，如果存在的话，找出它们之间合适的数学表达式；

步骤402、基于上述的数学表达式，根据一个或几个变量的值，预测或控制另一个变量的取值，并且知道预测或控制达到的精确度；

步骤403、对上述的变量进行变量分析，确定重要变量、次要变量以及各变量之间的关系。

优选的，所述多个能效评价模型包括：主成分分析模型、灰色评价模型、模糊综合评价模型、人工神经网络模型和集对分析模型。

优选的，所述灰色评价模型的检验具体为：

设历史负荷序列为x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…x⁽⁰⁾(n)}，设预测值序列为 ${\hat{x}}^{\left(0\right)}=\{{\hat{x}}^{\left(0\right)}\left(1\right),{\hat{x}}^{\left(0\right)}\left(2\right),...,{\hat{x}}^{\left(0\right)}\left(n\right)\},$ 设k时刻实际值x⁽⁰⁾(k)与计算值之差为ε(k)，称为k时刻残差 $\mathrm{\ϵ}\left(k\right)=x^{\left(0\right)}\left(k\right)-{\hat{x}}^{\left(0\right)}\left(k\right),k=\mathrm{1,2},...,n,$

记实际值x⁽⁰⁾(k),k＝1,2,…,n的平均值为即

记残差ε(k),k＝1,2,…,m的平均值为有其中，m为预测残差数据的个数，一般有m≤n，记历史数据方差为即 $S_1^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x^{\left(0\right)}\left(k\right)-\stackrel{\‾}{x})}^2,$ 记残差方差为有则可得后验差比值C，小误差概率P， 指标C越小越好，C越小，表示S₁越大,而S₂越小，S₁大，表明历史数据方差大，历史数据离散程度就大；S₂小，表明残差方差小，残差离散程度小；C小,表明尽管历史数据很离散,而模型所得的预测值与实际值并不太离散；指标P越大越好，P越大，表示残差与残差平均值之差小于给定值0.6745S₁的点较多，按C与P两个指标，可以综合评定预测模型的精度。

优选的，所述KENDALL-W进行一致性检验具体为：假设用m种方法对n个被评对象进行评价，y_ij表示第i个被评对象在第j种评价方法下的排序值，1≤y_ij≤n(i＝1,2,…,n；j＝1,2,…,m)；该检验是考察m个评判方法对n个对象的评判结果之间是否一致，通过讨论协和系数W这个指标显示出样本数据中的实际符合与最大可能的符合之间的分歧程度来进行的，

步骤701、提出假设，假设H0：m种评价方法不具有一致性；H1：m种评价方法具有一致性；

步骤702、构造统计量，构造统计量X²＝m(n-1)W其中，

$W=\frac{12\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i^2}{m^{2}n(n^2-1)}-\frac{3(n+1)}{n-1},r_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_{\mathrm{ij}};$

步骤703、X²服从自由度为n-1的X²分布，因此给定显著性水平α，查表得临界值当时，拒绝H0,接受H1,即认为各种评价方法在α显著水平上具有一致性。

优选的，所述组合评价为，分别应用平均组合模型、Borda组合模型和Copeland组合评价模型进行各评价结果的组合评价，得到各组合评价方法下的组合评价结果；

所述平均组合模型：设r_ik为y_i方案在第k种方法下所排的位次，i＝1,2,…,n；k＝1,2,…,m，先用排序打分法将每种方法排序的名次转换成分数，即第1名得n分，…，第n名得1分，第k名得n-k+1分，其中如有相同的名次，则取这几个位置的平均分，然后计算不同得分的平均值，计算公式如下：

${\stackrel{\‾}{R}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{ik}}$

其中，R_ik为m个相同的名次分别的得分值，为平均值，按平均值重新排序，若有两个方案则计算在不同方法下得分的方差，计算公式如下：其中方差小者为优；

所述Borda组合模型：是少数服从多数的方法，若评价认为y_i优于y_j的个数大于认为y_j优于y_i的方法个数，记为若两者个数相等，则记为y_i＝y_j；

定义Borda矩阵B＝{b_ij}_n×n

再定义方案y_i的得分为b_i即是方案y_i“优”的次数，依b_i的大小再给y_i排序，若有b_i＝b_j，则再计算在不同方法下的方差，方差小者为优；

所述Copeland组合评价模型：考虑到区分“相等”和“劣”，在计算“优”次数的同时还要计算“劣”的次数，即定义

再定义方案y_i的得分为根据c_i的大小再给y_i排序，若有c_i＝c_j，则考虑计算各方案在不同方法下得分的方差，方差小者为优。

优选的，所述Spearman法具体为：对于p种组合：

步骤901、将组合评价结果转化为排序值，假设对原m种方法进行p种组合，其中x_ik表示第i个被评对象在第k种组合方法下的排序值，1≤x_ik≤n(i＝1,2,…,n；k＝1,2,…,p)；

步骤902、提出假设，假设H0：第k种组合方法与原m种评价方法无关；H1：第k种组合方法与原m种评价方法有关；

步骤903、构造统计量t_k，t_k服从自由度n-2的t分布，

$t_k={\mathrm{\ρ}}_k\sqrt{\frac{n-2}{1-{\mathrm{\ρ}}_k^2}(k=\mathrm{1,2},...,p)},{\mathrm{\ρ}}_k=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{\mathrm{jk}}$

其中，ρ_jk表示第k种组合方法与原第j种方法之间的Spearman等级相关系数，Spearman等级相关系数反映组合方法k与原方法j之间的相关程度，ρ_jk越大表示两种方法所得排序结果的相关程度越高，ρ_k表示组合方法k与原m种方法之间的平均相关程度；

步骤904、求得Spearman等级相关系数，

${\mathrm{\ρ}}_{\mathrm{jk}}=1-\frac{6\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{ij}})}^2}{n(n^2-1)},j=\mathrm{1,2},...,m;k=\mathrm{1,2},...,p$

x_ik,x_ij为第i对象，分别在第j种原始方法和第k种组合方法下排序结果规范后的取值，n为对象的个数，m为原始评价方法数，p为组合评价方法数，ρ_jk为第k种组合评价方法和第j种原始评价方法的Spearman等级相关系数。

本发明的技术方案具有以下有益效果：

本发明技术方案通过构建高载能用电企业能效综合评价模型，能够实现快速搭建应用***，使***具有可移植性、可扩展性，容易维护且实施细节透明等特点，也从开发角度实现节能，从而为高载能用电企业节能提供了快速自动化工具。建立能效评价的基础模型库，能够实现高载能用电企业的能效评价***的快速搭建，并能够使能效评估***适用于多模型评价，具有可移植性、可扩展性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例所述的高载能用电企业能效评价模型的反馈修正模块的工作流程图；

图2为本本发明实施例所述的高载能用电企业能效评价模型的多模型评价模块的工作流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种高载能用电企业能效综合评价模型，包括依次连接的三个模块，即反馈修正模块、多模型评价模块、集成应用模块，其中：

反馈修正模块，用于实现能效评价指标、指标权重及评价结果的检验反馈和修正功能；是指针对高载能用电企业在生产运行过程中，发生的各种变化，如设备的更换、维修和改造，若能效评价采用固定的模型、指标和指标权重，实际与评价结果会有所偏差的问题，采用多种分析方法对能效评价指标、指标权重和评价结果进行检验，并将检验结果反馈于模型，对不符合要求的进行修正，直到指标、权重及结果全部通过检验。

多模型评价模块，用于实现能效评价指标、指标权重及评价结果的检验反馈和修正功能；是指能效评价模型和方法多种多样，不同模型评价结果往往有差异，但又很难评判那一种模型评价结果更优。因此，同时采用多种模型进行评价，将多种模型的优点结合。

集成应用模块，是指能效评价工作的真正开展需要能效评价的软件***，满足能效评价的反馈修正模式和多模型评价模式的应用要求。***灵活、多变，从而满足能效评价中的各种应用要求，为能效评价提供服务。

其中的反馈修正模块主要用于实现能效评价指标、指标权重及评价结果的检验反馈和修正功能；多模型评价模块：用于实现多模型评价的事前检验、多模型组合评价和多模型组合评价检验及优选等功能；集成应用模块：用于实现能效评价反馈修正模式和多模型评价模式由理论变为应用。下面对三个模块进行详细说明。

如图1所示，反馈修正模块，基于多元统计技术，建立高载能用电企业能效评价指标库，研究聚类分析方法、多元回归分析法和线性回归分析法，并采用这3种方法对能效评价指标、能效评价指标权重、能效评价结果进行检验，同时将结果反馈，修正未达到要求的部分，然后再次检验，直到检验结果符合要求。实现能效评价指标、指标权重及评价结果的检验反馈和修正功能，从而适应于能效评价对象和指标体系的变化，提高了能效评价的准确性。

聚类分析方法：聚类分析是研究多要素事物分类问题的数量方法，是理想的多变量统计技术，主要有分层聚类法和迭代聚类法。聚类分析也称群分析、点群分析。基本原理是根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类。

常见的聚类分析方法有直接聚类法、最短距离聚类法和最远距离聚类法等。

a、直接聚类法

先把各个分类对象单独视为一类，然后根据距离最小的原则，依次选出一对分类对象，并成新类。如果其中一个分类对象已归于一类，则把另一个也归入该类；如果一对分类对象正好属于已归的两类，则把这两类并为一类。每一次归并，都划去该对象所在的列与列序相同的行。经过m-1次就可以把全部分类对象归为一类，这样就可以根据归并的先后顺序做出聚类谱系图。

b、最短距离聚类法

最短距离聚类法，是在原来的m×m距离矩阵的非对角元素中找出，把分类对象Gp和Gq归并为一新类Gr，然后按计算公式

d_r,k＝min{d_pk,d_qk}  (k≠p,q)

d_r,k为m×m阶距离矩阵的非对角元素中最小者的距离，非对角线最小元素设为D_pq。第p、q行及p、q列用上面公式并成一个新行新列，计算原来各类与新类之间的距离，这样就得到一个新的(m－1)阶的距离矩阵；再从新的距离矩阵中选出最小者dij，把Gi和Gj归并成新类，记为G_r＝{G_p,G_q}；再计算各类与新类的距离，这样一直下去，直至各分类对象被归为一类为止。

c、最远距离聚类法

最远距离聚类法与最短距离聚类法的区别在于计算原来的类与新类距离时采用的公式不同。最远距离聚类法所用的是最远距离来衡量样本之间的距离。最远距离聚类法的计算公式：

d_r,k＝max{d_pk,d_qk}  (k≠p,q)。

多元回归分析法：分析一个因变量和若干个自变量之间的相关关系。回归分析是一种处理变量的统计相关关系的一种数理统计方法。回归分析的基本思想是：虽然自变量和因变量之间没有严格的、确定性的函数关系，但可以设法找出最能代表它们之间关系的数学表达形式。多元回归分析法的思路：

a.确定几个特定的变量之间是否存在相关关系，如果存在的话，找出它们之间合适的数学表达式；

b.根据一个或几个变量的值，预测或控制另一个变量的取值，并且可以知道这种预测或控制能达到什么样的精确度；

c.进行因素分析。例如在对于共同影响一个变量的许多变量(因素)之间，找出哪些是重要因素，哪些是次要因素，这些因素之间又有什么关系等等。

线性回归分析法，回归法的作用：求变量之间的关系，建立数学模型。线性回归分析法中的目标函数、约束条件等各量之间都是线性关系。简单线性回归：自变量只有一个，y与x之间的线性关系；多元线性回归：自变量多个，多元一次函数。

多模型评价模块：多模型评价模块，将实现多模型评价的事前检验、多模型组合评价和多模型组合评价检验及优选等功能，使能效评价的结果更合理、更全面、更科学。能效的多模型评价模式研究思路为：选择多个模型进行评价，建立能效评价模型库，且每个模型通过能效评价反馈修正验证。

如图2所示，对多个模型采用KENDALL-W进行一致性检验，达到要求后分别采用平均组合模型、Borda组合模型和Copeland模型进行组合评价，然后采用Spearman法进行检验和优选，如不符合要求，则重新选择多个模型，否则，结果作为最终评价结果。

能效评价模型库包括：主成分分析模型、灰色评价模型、模糊综合评价模型、人工神经网络模型、集对分析模型、其他评价模型等。

①主成分分析模型

主成分分析模型主要用于在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。目的在于设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息

主成分分析是设法将原来众多具有一定相关性(比如P个指标)，重新组合成一组新的互相无关的综合指标来代替原来的指标。主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关.通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。最经典的做法就是用F1(选取的第一个线性组合，即第一个综合指标)的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1,F2)＝0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P个主成分。

②灰色评价模型

灰色***理论是我国学者邓聚龙教授首先提出的，如果一个***具有层次、结构关系的模糊性，动态变化的随机性，指标数据的不完备或不确定性，则称这些特性为灰色性。具有灰色性的***称为灰色***。对灰色***建立的预测模型称为灰色模型(Grey Model)，简称GM模型，它揭示了***内部事物连续发展变化的过程。灰色模型(grey models)就是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律作出模糊性的长期描述。将原始数列{x⁽⁰⁾}中的数据x⁽⁰⁾(k)按某种要求作数据处理(或数据变换)，称为生成。灰色理论对灰量、灰过程的处理，不是找概率分布，求统计规律，而是用生成的方法，求得随机性弱化、规律性强化了的新数列，此数列的数据称为生成数。利用生成数建模，是灰色***理论的重要特点之一。在电力负荷预测中常用到的灰色***生成方式有累加生成、累减生成、均值化生成、级比生成。

灰色模块的基本思想是用原始数据组成原始序列(0)，经累加生成法生成序列(1)，它可以弱化原始数据的随机性，使其呈现出较为明显的特征规律。对生成变换后的序列(1)建立微分方程型的模型即GM模型。GM(1,1)模型表示1阶的、1个变量的微分方程模型。GM(1,1)模型群中，新陈代谢模型是最理想的模型。这是因为任何一个灰色***在发展过程中，随着时间的推移，将会不断地有一些随即扰动和驱动因素进入***，使***的发展相继地受其影响。用GM(1,1)模型进行预测，精度较高的仅仅是原点数据(0)(n)以后的1到2个数据，即预测时刻越远预测的意义越弱。而新陈代谢GM(1,1)模型的基本思想为越接近的数据，对未来的影响越大。也就是说，在不断补充新信息的同时，去掉意义不大的老信息，这样的建模序列更能动态地反映***最新的特征，这实际上是一种动态预测模型。

灰色评价模型的检验：根据模型预测值与实际值之间的统计情况，进行检验的方法。它是以残差(绝对误差)ε为基础，根据各期残差绝对值的大小，考察残差较小的点出现的概率，以及与预测误差方差有关指标的大小。具体步骤如下：设历史负荷序列为x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…x⁽⁰⁾(n)}，设预测值序列为 ${\hat{x}}^{\left(0\right)}=\{{\hat{x}}^{\left(0\right)}\left(1\right),{\hat{x}}^{\left(0\right)}\left(2\right),...,{\hat{x}}^{\left(0\right)}\left(n\right)\},$ 设k时刻实际值x⁽⁰⁾(k)与计算值(预测值)之差为ε(k)，称为k时刻残差 $\mathrm{\ϵ}\left(k\right)=x^{\left(0\right)}\left(k\right)-{\hat{x}}^{\left(0\right)}\left(k\right),k=\mathrm{1,2},...,n,$

记实际值x⁽⁰⁾(k),k＝1,2,…,n的平均值为即

记残差ε(k),k＝1,2,…,m的平均值为有其中，m为预测残差数据的个数，一般有m≤n。记历史数据(实际值)方差为即记残差方差为有则可得后验差比值C，小误差概率P， 指标C越小越好，C越小，表示S₁越大,而S₂越小。S₁大，表明历史数据方差大，历史数据离散程度就大。S₂小，表明残差方差小，残差离散程度小。C小,表明尽管历史数据很离散,而模型所得的预测值与实际值并不太离散。指标P越大越好，P越大，表示残差与残差平均值之差小于给定值0.6745S₁的点较多。按C与P两个指标，可以综合评定预测模型的精度,如表1所示。

预测精度等级	P	C	预测精度等级	P	C
						好(一级)	＞0.95	＜0.35	勉强(三级)	＞0.7	≤0.65
合格(二级)	＞0.8	＜0.5	不合格(四级)	≤0.7	＞0.65

表1、综合评定预测模型的精度表。

③模糊综合评价模型：

模糊综合评判方法是一种运用模糊数学原理分析和评价具有“模糊性”的事物的***分析方法。它是一种以模糊推理为主的定性与定量相结合、精确与非精确相统一的分析评价方法。由于这种方法在处理各种难以用精确数学方法描述的复杂***问题方面所表现出的独特的优越性，近年来已在许多学科领域中得到了十分广泛的应用。要对用电企业能效做出全面的、客观的、综合的评价，首先要建立一套能从总体上反映用电企业能效特征的评价体系，并确立各个指标在评价体系中的权重，而评价体系中的各个指标来源于评判人员对高载能用电企业的各个单因素的主观判断，是一种主观的、定性的指标，这种主观指标是源于评判人员主观认识差异和变化的指标，这些差异和变化的内涵和外延不是很确定，其概念具有模糊性，这里我们就引入模糊数学，构建一个模糊综合评价模型。

④人工神经网络模型：

人工神经网络***理论是以人脑的智能功能为研究对象且以人体神经细胞信息处理方法为背景的智能计算理论，是目前国际上非常活跃的前沿研究领域之一。由于对高载能用电企业能效进行综合评价时，涉及到很多因素，并且各个因素之间相互影响，呈现出复杂的非线性关系，人工神经网络为处理这类非线性问题提供了强有力的工具。如果网络作出错误的判决，则通过网络的学习，可以减少下次犯同样错误的可能性。经过网络按学习方法进行若干次学习后，网络判断的正确率将大大提高。连接机制结构的基本处理单元与神经生理学类比称为神经元。每一个构造起网络的神经元模型模拟一个生物神经元。该神经元单元由多个输入信号(i＝1，2，…，n)和1个输出y组成。中间状态由输入信号的权和表示

$y_j\left(t\right)=f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{x}_i-{\mathrm{\θ}}_j).$

以Rumelhart和McClelland为首的科研小组提出的误差反向传播(Errorback propagation)算法为多层前向神经网络的研究奠定了基础。采用BP算法(方向传播学习算法)网络模型分析网络异常。BP网络学习的主导思想是通过不断调整权值，使误差代价函数最小，标准的BP算法采用的是一阶梯度法,具有很强的局部搜索能力,但同时算法也存在着收敛速度慢、易陷入局部极小的问题对前一个问题。

⑤集对分析模型：

集对分析(set pair analysis，简称SPA)，成功地把对不确定性的辨证思维转换成可计算的数学模型，目前SPA在众多领域得到了广泛应用，SPA丰富了当今不确定性分析理论，为挖掘、处理和应用能效评价各种不确定性信息资源提供了具有广泛启发意义的新思路。在高载能用电企业能效评价***中普遍存在着各种各样的集合和多种不确定性,因此，我们把集对分析评价引入到我们的方法集中。按照不同的研究目的可组成适当集对，为其在能效评价中的合理应用创造了先决条件。探求这些集对之间的不确定性关系是用电企业能效评价***分析、预测、评价、决策、优化、模拟、推理和控制的基本前提和重要基础。

对上述多个模型采用KENDALL-W进行一致性检验

KENDALL-W进行一致性检验：

假设用m种方法对n个被评对象进行评价，所得评价值的排序情况如表2所示。

表2、单个评价方案评价结果排序表。

y_ij表示第i个被评对象在第j种评价方法下的排序值，1≤y_ij≤n(i＝1,2,…,n；j＝1,2,…,m)。该检验是考察m个评判方法对n个对象的评判结果之间是否一致，它是通过讨论协和系数W这个指标显示出样本数据中的实际符合与最大可能的符合之间的分歧程度来进行的。

1)提出假设，假设H0：m种评价方法不具有一致性；H1：m种评价方法具有一致性；

2)构造统计量，构造统计量X²＝m(n-1)W其中，

$W=\frac{12\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i^2}{m^{2}n(n^2-1)}-\frac{3(n+1)}{n-1},r_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_{\mathrm{ij}}$

3)检验，X²服从自由度为n-1的X²分布。因此给定显著性水平α，查表得临界值当时，拒绝H0,接受H1,即认为各种评价方法在α显著水平上具有一致性。

在各个模型达到要求后，采用组合评价模型进行组合评价，然后采用Spearman法进行检验和优选。

其中组合评价模型，分别应用目前应用广泛的平均组合模型、Borda组合模型和Copeland组合评价模型进行各评价结果的组合评价，得到各组合评价方法下的组合评价结果。

①平均组合模型：设r_ik为y_i方案在第k种方法下所排的位次，i＝1,2,…,n；k＝1,2,…,m。先用排序打分法将每种方法排序的名次转换成分数，即第1名得n分，…，第n名得1分，第k名得n-k+1分，其中如有相同的名次，则取这几个位置的平均分，然后计算不同得分的平均值，计算公式如下：

${\stackrel{\‾}{R}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{ik}}$

按平均值重新排序。若有两个方案则计算在不同方法下得分的方差，计算公式如下：其中方差小者为优。

②Borda组合评价模型：这是一种少数服从多数的方法。若评价认为y_i优于y_j的个数大于认为y_j优于y_i的方法个数，记为若两者个数相等，则记为y_i＝y_j。

定义Borda矩阵B＝{b_ij}_n×n，

再定义方案y_i的得分为b_i即是方案y_i“优”的次数，依b_i的大小再给y_i排序，若有b_i＝b_j，则再计算在不同方法下的方差，方差小者为优。

③Copeland组合评价模型：Copeland法较Borda法有所改进，考虑到区分“相等”和“劣”，在计算“优”次数的同时还要计算“劣”的次数，即定义

再定义方案y_i的得分为根据c_i的大小再给y_i排序，若有c_i＝c_j，也要考虑计算各方案在不同方法下得分的方差，方差小者为优。

最后采用Spearman法进行检验和优选。

Spearman法：组合评价法的事后检验，主要是检验各组合方法所得排序结果与原始方法所得排序结果之间的密切程度。另外，当有多种组合方法时，还可凭它选出最合理的组合评价法，利用Spearman等级相关系数检验。步骤如下，其中p种组合评价方法的排序结果如表3所示。

表3、组合评价方法的排序结果表。

1)将组合评价结果转化为排序值。假设对原m种方法进行p种组合，所得排序结果见表3。其中x_ik表示第i个被评对象在第k种组合方法下的排序值，1≤x_ik≤n(i＝1,2,…,n；k＝1,2,…,p)。

2)提出假设。假设H0：第k种组合方法与原m种评价方法无关；

H1：第k种组合方法与原m种评价方法有关；

3)构造统计量t_k，t_k服从自由度n-2的t分布。

$t_k={\mathrm{\ρ}}_k\sqrt{\frac{n-2}{1-{\mathrm{\ρ}}_k^2}(k=\mathrm{1,2},...,p)},{\mathrm{\ρ}}_k=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{\mathrm{jk}}$

其中，ρ_jk表示第k种组合方法与原第j种方法之间的Spearman等级相关系数，其求法将在下面给出。Spearman等级相关系数反映组合方法k与原方法j之间的相关程度，ρ_jk越大表示两种方法所得排序结果的相关程度越高。ρ_k表示组合方法k与原m种方法之间的平均相关程度。

4)求得Spearman等级相关系数

${\mathrm{\ρ}}_{\mathrm{jk}}=1-\frac{6\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{ij}})}^2}{n(n^2-1)},j=\mathrm{1,2},...,m;k=\mathrm{1,2},...,p$

x_ik,x_ij为第i对象，分别在第j种原始方法和第k种组合方法下排序结果规范后的取值，n为对象的个数，m为原始评价方法数，p为组合评价方法数，ρ_jk为第k种组合评价方法和第j种原始评价方法的Spearman等级相关系数。

根据Spearman等级相关系数的大小,选定最合适组合评价方法的结果作为最后评价结果。组合评价法的初衷,就是既要克服单一评价方法的缺点,又要吸收多种评价方法的优点。因此,组合评价的结果与原始多种方法的结果之间虽不会完全相同,但应十分接近。所以,我们选择与原始多种方法最接近的组合方法为最佳组合方法。也就是说取t_k中的最大者,即为最佳组合法,其结果就是整个评价的最后结果。

集成应用模块

基于综合集成平台、能效评价组件库、能效评价知识图库和能效评价主题库，建立的能效评价集成应用模式。将能效评价的相关模型和方法、能效评价指标体系、能效评价基础数据采用组件封装技术封装成组件，并采用Web Service技术打包成为组件库；基于综合集成平台，以能效评价为主题，绘制能效评价修正反馈及多模型评价业务应用流程，添加组件，形成能效评价业务应用***，并开展仿真研究。

使能效评价反馈修正模式和多模型评价模式由理论变为应用。实现能效评价业务应用***的快速搭建、可移植、可扩展、可复制、综合集成、信息共享、实施细节透明和模块化应用等功能，解决了能效评价***多变要求。

一种高载能用电企业能效评价模型，可以将相关的指标、数据和模型和方法拆分成多个应用模块，并封装成相对独立的组件，形成组件库；同时，基于综合集成平台，绘制能效评价业务流程，采用组件搭建的方式构建高载能用电企业能效评价***，使***具有可移植性、可扩展性、易维护性，从而大大节约能源资源。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种高载能用电企业能效综合评价模型，其特征在于，包括反馈修正模块、多模型评价模块和集成应用模块；

所述反馈修正模块：用于实现能效评价指标、指标权重及评价结果的检验反馈和修正功能；

所述多模型评价模块：用于实现多模型评价的事前检验、多模型组合评价和多模型组合评价检验及优选功能；

所述集成应用模块：用于将反馈修正模式和多模型评价模式的理论变为应用。

2.根据权利要求1所述的高载能用电企业能效综合评价模型，其特征在于，所述反馈修正模块，基于多元统计，建立高载能用电企业能效评价指标库，研究聚类分析方法、多元回归分析法和线性回归分析法，并采用该3种方法对能效评价指标、能效评价指标权重和能效评价结果进行检验，同时将结果反馈，修正未达到要求的部分，然后再次检验，直到检验结果符合要求；

所述多模型评价模块，对多个能效评价模型采用KENDALL-W进行一致性检验，达到要求后分别采用平均组合模型、Borda组合模型和Copeland模型进行组合评价，然后采用Spearman法进行检验和优选，如不符合要求，则重新选择多个能效评价模型，否则，结果作为最终评价结果；

所述多模型评价模块，基于综合集成平台、能效评价组件库、能效评价知识图库和能效评价主题库，建立的能效评价集成应用模块，将能效评价的相关模型和方法、能效评价指标体系和能效评价基础数据采用组件封装技术封装成组件，并采用Web Service技术打包成为组件库；基于综合集成平台，以能效评价为主题，绘制能效评价修正反馈及多模型评价业务应用流程，添加组件，形成能效评价业务应用***，并开展仿真研究。

3.根据权利要求2所述的高载能用电企业能效综合评价模型，其特征在于，

所述聚类分析方法主要有直接聚类法、最短距离聚类法和最远距离聚类法；

所述多元回归分析法用于分析一个因变量和若干个自变量之间的相关关系；

所述线性回归分析法即为求变量之间的关系，建立数学模型，线性回归分析法中的目标函数、约束条件等各量之间都是线性关系。

4.根据权利要求3所述的高载能用电企业能效综合评价模型，其特征在于，所述多元回归分析法具体包括：

步骤401、确定几个特定的变量之间是否存在相关关系，如果存在的话，找出它们之间合适的数学表达式；

步骤402、基于上述的数学表达式，根据一个或几个变量的值，预测或控制另一个变量的取值，并且知道预测或控制达到的精确度；

步骤403、对上述的变量进行变量分析，确定重要变量、次要变量以及各变量之间的关系。

5.根据权利要求2所述的高载能用电企业能效综合评价模型，其特征在于，所述多个能效评价模型包括：主成分分析模型、灰色评价模型、模糊综合评价模型、人工神经网络模型和集对分析模型。

6.根据权利要求5所述的高载能用电企业能效综合评价模型，其特征在于，所述灰色评价模型的检验具体为：

设历史负荷序列为x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…x⁽⁰⁾(n)}，设预测值序列为 ${\hat{x}}^{\left(0\right)}=\{{\hat{x}}^{\left(0\right)}\left(1\right),{\hat{x}}^{\left(0\right)}\left(2\right),...,{\hat{x}}^{\left(0\right)}\left(n\right)\},$ 设k时刻实际值x⁽⁰⁾(k)与计算值之差为ε(k)，称为k时刻残差 $\mathrm{\ϵ}\left(k\right)=x^{\left(0\right)}\left(k\right)-{\hat{x}}^{\left(0\right)}\left(k\right),k=\mathrm{1,2},...,n,$

记实际值x⁽⁰⁾(k),k＝1,2,…,n的平均值为即

记残差ε(k),k＝1,2,…,m的平均值为有其中，m为预测残差数据的个数，一般有m≤n，记历史数据方差为即 $S_1^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x^{\left(0\right)}\left(k\right)-\stackrel{\‾}{x})}^2,$ 记残差方差为有则可得后验差比值C，小误差概率P， 指标C越小越好，C越小，表示S₁越大,而S₂越小，S₁大，表明历史数据方差大，历史数据离散程度就大；S₂小，表明残差方差小，残差离散程度小；C小,表明尽管历史数据很离散,而模型所得的预测值与实际值并不太离散；指标P越大越好，P越大，表示残差与残差平均值之差小于给定值0.6745S₁的点较多，按C与P两个指标，可以综合评定预测模型的精度。

7.根据权利要求2至6任一所述的高载能用电企业能效综合评价模型，其特征在于，所述KENDALL-W进行一致性检验具体为：假设用m种方法对n个被评对象进行评价，y_ij表示第i个被评对象在第j种评价方法下的排序值，1≤y_ij≤n(i＝1,2,…,n；j＝1,2,…,m)；该检验是考察m个评判方法对n个对象的评判结果之间是否一致，通过讨论协和系数W这个指标显示出样本数据中的实际符合与最大可能的符合之间的分歧程度来进行的，

步骤701、提出假设，假设H0：m种评价方法不具有一致性；H1：m种评价方法具有一致性；

步骤702、构造统计量，构造统计量X²＝m(n-1)W其中，

$W=\frac{12\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{r}_i^2}{m^{2}n(n^2-1)}-\frac{3(n+1)}{n-1},r_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_{\mathrm{ij}};$

步骤703、X²服从自由度为n-1的X²分布，因此给定显著性水平α，查表得临界值当时，拒绝H0,接受H1,即认为各种评价方法在α显著水平上具有一致性。

8.根据权利要求2至6任一所述的高载能用电企业能效综合评价模型，其特征在于，所述组合评价为，分别应用平均组合模型、Borda组合模型和Copeland组合评价模型进行各评价结果的组合评价，得到各组合评价方法下的组合评价结果；

所述平均组合模型：设r_ik为y_i方案在第k种方法下所排的位次，i＝1,2,…,n；k＝1,2,…,m，先用排序打分法将每种方法排序的名次转换成分数，即第1名得n分，…，第n名得1分，第k名得n-k+1分，其中如有相同的名次，则取这几个位置的平均分，然后计算不同得分的平均值，计算公式如下：

${\stackrel{\‾}{R}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{ik}}$

其中，R_ik为m个相同的名次分别的得分值，为平均值，按平均值重新排序，若有两个方案则计算在不同方法下得分的方差，计算公式如下：其中方差小者为优；

所述Borda组合模型：是少数服从多数的方法，若评价认为y_i优于y_j的个数大于认为y_j优于y_i的方法个数，记为若两者个数相等，则记为y_i＝y_j；

定义Borda矩阵B＝{b_ij}_n×n

再定义方案y_i的得分为b_i即是方案y_i“优”的次数，依b_i的大小再给y_i排序，若有b_i＝b_j，则再计算在不同方法下的方差，方差小者为优；

所述Copeland组合评价模型：考虑到区分“相等”和“劣”，在计算“优”次数的同时还要计算“劣”的次数，即定义

再定义方案y_i的得分为根据c_i的大小再给y_i排序，若有c_i＝c_j，则考虑计算各方案在不同方法下得分的方差，方差小者为优。

9.根据权利要求8所述的高载能用电企业能效综合评价模型，其特征在于，所述Spearman法具体为：对于p种组合：

步骤901、将组合评价结果转化为排序值，假设对原m种方法进行p种组合，其中x_ik表示第i个被评对象在第k种组合方法下的排序值，1≤x_ik≤n(i＝1,2,…,n；k＝1,2,…,p)；

步骤902、提出假设，假设H0：第k种组合方法与原m种评价方法无关；H1：第k种组合方法与原m种评价方法有关；

步骤903、构造统计量t_k，t_k服从自由度n-2的t分布，

$t_k={\mathrm{\ρ}}_k\sqrt{\frac{n-2}{1-{\mathrm{\ρ}}_k^2}(k=\mathrm{1,2},...,p)},{\mathrm{\ρ}}_k=\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{\mathrm{jk}}$

其中，ρ_jk表示第k种组合方法与原第j种方法之间的Spearman等级相关系数，Spearman等级相关系数反映组合方法k与原方法j之间的相关程度，ρ_jk越大表示两种方法所得排序结果的相关程度越高，ρ_k表示组合方法k与原m种方法之间的平均相关程度；

步骤904、求得Spearman等级相关系数，

${\mathrm{\ρ}}_{\mathrm{jk}}=1-\frac{6\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{ij}})}^2}{n(n^2-1)},j=\mathrm{1,2},...,m;k=\mathrm{1,2},...,p$

x_ik,x_ij为第i对象，分别在第j种原始方法和第k种组合方法下排序结果规范后的取值，n为对象的个数，m为原始评价方法数，p为组合评价方法数，ρ_jk为第k种组合评价方法和第j种原始评价方法的Spearman等级相关系数。