CN105160496A - 一种企业电力能效综合评估方法 - Google Patents

Abstract

<b>本发明公开了一</b><b>种企业电力能效综合评估方法，通过特征值法筛选指标，建立电力能效评价等级指标模型；结合专家意见及企业实际情况，采用层次分析法计算所述指标模型中的各指标的权重值；利用模糊评价方法计算求得各指标的隶属度及得分；根据得分，对企业电力能效进行***、科学评价。该方法不仅考虑了企业的实际情况还考虑了数据采集、计算等实际问题，选取的指标既有整体的全面性，又有个体的独立性，通过专家意见结合企业实际情况计算权重值，具有可行性与可比性，计算量小，同时有效地克服了主观赋权法的缺陷。</b>

Description

一种企业电力能效综合评估方法

技术领域

本发明涉及电力能效管理领域，特别涉及一种企业电力能效综合评估方法。

背景技术

当前，对于企业，尤其是高能耗企业，节能降耗目标的实现是企业社会责任和发展的需要。这是由于工业是我国能源消费的大户，重点耗能行业中的高能耗企业又是工业能源消费的大户。而对于中小型企业数量大，覆盖的行业广，并且由于规模相对较小，所以技术水平和能耗水平参差不齐，也需要节能降耗，提高能源的利用效率，以提高企业自身的竞争力。

目前，在我国，电力***节能降损评估还没有形成正式的测试标准。以往的电力***电气设备的节能评估和效率测试，大多为型式试验或考核试验项目，相关标准大多是试验室条件下的测试方法，并且是在工频条件下的试验和评价。目前，能效评估的基本方法为层次分析法，该方法主要是充分利用专家的知识和经验，来对高能耗企业的能耗管理***进行评估。

发明专利(申请号：201210153005.9)公开了一种工业用户电力能效评估方法，它适用于工业用户的三级电力能效评估指标，然后运用层次分析法确定能效指标中一级、二级的权重系数，选择适合的专家进行权重计算，该方法虽然能够充分发挥专家的经验知识，但计算结果很大程度上依赖于专家的偏好，是一种主观赋权法。

发明专利(申请号：201310146941.1)公开了一种企业用户的电力能效Hopfield神经网络评估方法及***，该***接受电力监测仪采集的所有数据，进行分析后，得到能效指标体系的各因素值，采用Hopfield神经网络法对各因素组因素进行评估，该方法通过建立神经网络模型，能够有效地客观评价企业的能效影响因素，但是计算数据、建立Hopfield模型的过程十分复杂，每个企业由于其设备、情况不同，Hopfield模型需要不断重新建立，计算量庞大。

发明专利(申请号：201310610968.1)公开了一种应用于企业的电力能效监测与评估***及其评价方法，该***可对企业的电力能效进行实时监测，可客观评价企业的电力能效，该方法考虑到了数据采集的问题，但未考虑企业的实际情况，缺乏个体的独立性。

发明内容

本发明的目的是解决现有技术的不足，提供一种企业电力能效综合评估方法，该方法可结合专家意见与企业实际情况，对企业电力能效进行全面、***的科学评价。

为达到上述目的，本发明采用的技术方案是：一种企业电力能效综合评估方法，包括如下步骤：

a)建立电力能效评价等级指标模型；

b)结合专家意见及企业实际情况，采用层次分析法计算所述指标模型中各指标的权重值；

c)利用模糊评价方法计算求得各指标的隶属度及得分；

d)根据得分，对企业电力能效进行***、科学评价。

优选地，步骤a)中，所述的指标模型中包括经济能效指标、电能质量指标、生产管理指标、设备管理指标、电能污染指标。

进一步优选地，步骤a)中采用了特征值法来获得所述指标模型中的各项指标。

优选地，步骤b)的具体实施步骤如下：

b1)构造两两判断矩阵A：同等级指标间的两两比较；

$A=a_{ij(n\&times;n)}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{ln}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right]$

a_ij表示指标i与指标j之间的重要标度赋值，a_ji＝1/a_ij，当i＝j时，a_ij＝1；

b2)计算权重：基于乘积方根法计算每个指标的权重；

b3)选择指标权重阈值，对指标进行筛选。

进一步优选地，步骤b1)中，重要标度为每个指标在所述指标模型中的重要程度，划分为9个标度1-9，且1为同等重要，9为极端重要。

进一步优选地，1)计算判断矩阵中最大特征值所对应的特征向量wⁱ；

$\begin{array}{cccc}{b}_i={\left(\underset{j=1}{\overset{m}{\&Sigma;}}{a}_{ij}\right)}^{\frac{1}{m}}& i=1,2,\mathrm{...},m& w_i=b_j/\underset{k=1}{\overset{m}{\&Sigma;}}{b}_k& j=1,2,\mathrm{...},m\end{array}$

bi表示关于指标i的权重标度的乘积方根,m表示指标数量；

2)计算最大特征值 ${\mathrm{\&lambda;}}_{max}=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}\frac{\underset{j=1}{\overset{m}{\&Sigma;}}{a}_{ij}{w}_j}{w_i};$

3)计算判断矩阵A的一致性指标C.I.，

4)采用随机一致性比率C.R.对判断矩阵A进行一致性检验，

$C.R.=\frac{C.I.}{R.I.}$

R.I.为同阶平均随机标，当C.R.<0.1时，判断矩阵满足一致性，则其特征向量w_i即为归一的电力能效指标权重；若C.R.≥0.1时，则重新确定判断矩阵A。

进一步优选地，步骤b3)中，根据所述指标模型的实际情况，选择指标权重阈值：当指标个数在7～9个间时，选取指标权重阈值为0.07的指标；当指标个数在4～6个间时，选取指标权重阈值0.1的指标；当指标个数≤3时，不进行筛选。

优选地，步骤b3)中，根据所述指标模型的实际情况，选择指标权重阈值：当指标个数在7～9个间时，选取指标权重阈值为0.07的指标；当指标个数在4～6个间时，选取指标权重阈值0.1的指标；当指标个数≤3时，不进行筛选。

优选地，步骤c)包括如下步骤：

c1)根据影响电力能效的各因素性质将指标分层，分别为因素层、内容层、目标层；

c2)计算因素层中的单因素A_k,j的得分F_k,j，确定评价效果，并确定其权重ω_k,j，满足ω_k,j>0，且

c3)计算内容层中各项内容A_k(k＝1,2,...,m)的评价得分P_k为单因素的个数，依据得分确定各内容的评价效果；

c4)确定各项内容A_k的权重ω_k，ω_k＞0；

c5)计算目标层的综合评价得分F，

进一步优选地，假设各单因素的论域对应三个模糊子集：{好，中，差}＝{E1，E2，E3}，其对应的隶属度函数为μ₁,μ₂,μ₃，采用三角形隶属度函数模型，计算单因素的得分F_k,j，

$F_{k,j}=\frac{{\mathrm{\&mu;}}_1\left(x\right)\&times;F_1+{\mathrm{\&mu;}}_2\left(x\right)\&times;F_2+{\mathrm{\&mu;}}_3\left(x\right)\&times;F_3}{\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&mu;}}_i\left(x\right)}$

其中，F₁,F₂,F₃分别为指标完全属于好，中，差时的分数，分别取98、72、45。由于上述技术方案的运用，本发明与现有技术相比具有下列优点：本发明的企业电力能效综合评估方法，不需要通过整体建模，只需建立企业电力能效评价的模糊综合评价模型，而后根据不同的指标类型建立不同的隶属度确定模型，即可达到综合评价的目的。简单、全面、高效，克服了原有一些方法采用单一性分析某种类型企业电力能效的缺点，基于特征值法对指标进行筛选，主观与客观相结合进行分析，具有可比性与可行性，不仅考虑了实际情况，也考虑了数据采集以及计算量等实际问题，不重复不冗余，全面又具有独立性。应用专家与客观结合的方法，对各指标进行权重的判断，最后结果以分数形式呈现，直观感受，并且各级指标有所对应分数，为对企业进行节能建议提供良好依据。

附图说明

附图1为本发明所述的企业电力能效综合评估方法框图。

具体实施方式

下面结合具体实施例来对本发明的技术方案作进一步的阐述。

一种企业电力能效综合评估方法，参见图1所示，具体如下：

步骤101：建立电力能效等级评价指标模型；

确定评价指标，通过特征值法进行筛选，消除指标间的高冗余度，考虑指标间直接或间接的影响，剔除次要指标，形成简明合理的电力能效等级评价模型，该指标模型中包括经济能效指标、电能质量指标、生产管理指标、设备管理指标及电能污染指标。

在确定评价指标时，不仅需全面考虑整个企业的实际情况，同时也需考虑数据采集、计算等实际问题，确保选取的指标既不遗漏重要因素，也不能重复冗余，既有整体的全面性，又有个体的独立性。

而在采用特征值法进行筛选时，最终的目标是以最少最主要的指标来建立指标模型。

步骤102：结合专家意见及企业实际情况，采用层次分析法计算指标模型中的各指标的权重值，具体的：

2-1)对同等级的指标两两构建判断矩阵A：

$A=\left[\begin{array}{cccc}\frac{w_1}{w_1}& \frac{w_1}{w_2}& \mathrm{...}& \frac{w_1}{w_n}\\ \frac{w_2}{w_1}& \frac{w_2}{w_2}& \mathrm{...}& \frac{w_2}{w_n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ \frac{w_n}{w_1}& \frac{w_n}{w_2}& \mathrm{...}& \frac{w_n}{w_n}\end{array}\right]=A\left(a_{ij}\right),i,j=1,2,\mathrm{...},m$

其中，a_ij表示在评价指标集X中，指标x_i相对于x_j的重要程度；而后根据专家意见，采用Satty提出的1-9标度，如下表所示。

将判断矩阵构建如下：

$A=a_{ij(n\&times;n)}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{ln}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right]$

2-2)利用乘积方根法计算矩阵最大特征值所对应的特征向量w_i；

$\begin{array}{cccc}{b}_i={\left(\underset{j=1}{\overset{m}{\&Sigma;}}{a}_{ij}\right)}^{\frac{1}{m}}& i=1,2,\mathrm{...},m& w_i=b_j/\underset{k=1}{\overset{m}{\&Sigma;}}{b}_k& j=1,2,\mathrm{...},m\end{array}$

bi表示关于指标i的权重标度的乘积方根,m表示指标数量；

2-3)根据得到的特征向量计算出最大特征值

2-4)计算判断矩阵A的一致性指标C.I.。

$C.I.=\frac{{\mathrm{\&lambda;}}_{max}-m}{m-1}$

2-5)通过随机一致性比率C.R.对判断矩阵进行一致性检验，

$C.R.=\frac{C.I.}{R.I.}$

R.I.为同阶平均随机标。当C.R.<0.1时，判断矩阵满足一致性，则其特征向量即为归一的指标权重；

2-6)根据指标体系的实际情况，选择指标权重阈值，其选取原则为：当指标个数在7～9个间时，选取指标权重阈值为0.07的指标；当指标个数在4～6个间时，选取指标权重阈值0.1的指标；当指标个数≤3时，不进行筛选。

步骤103：依据企业的实际情况以及国家相关标准对企业进行调查研究所得的数据来确定隶属函数模型及参数。

一、评价得分的具体步骤如下：

3-1)将待评企业的众多影响因素按其性质划分为多个层次，一般为三层，分别为目标层、内容层、因素层,在这里，经步骤102筛选出来的指标处于因素层中；

3-2)计算因素层各项单因素A_k,j得分F_k,j，确定评价效果；

3-3)对于各项内容A_k(k＝1,2,...,m)，确定其包含的各个因素的权重ω_k,j，要满足ω_k,j>0，且

3-4)计算内容层中各内容A_k的得分F_k，P_k为二级指标的个数，依据得分确定内容A_k的评价效果；

3-5)确定各内容的权重，评价目标为A内各项内容的权重ω_k＞0；

3-6)计算综合评价得分F，评价目标的总得分为

二、单因素隶属度的计算：

在这里，假设各单因素指标的论域对应三个模糊子集：{好，中，差}＝{E1，E2，E3}，其对应的隶属度函数为μ₁,μ₂,μ₃。因素不同，模糊子集的隶属度函数模型也不相同。

本例中，采用三角形隶属度函数模型，具体隶属度函数模型如下：

(1)模型1：适用于值越小越好的因素，隶属度函数模型见公式(1-1)～(1-3)。

${\mathrm{\&mu;}}_1\left(x\right)=\left\{\begin{array}{cc}1,& x\&le;a_1\\ (x-a_2)/(a_1-a_2),& a_1<x\&le;a_2\\ 0,& x>a_2\end{array}\right.$ 式(1-1)

${\mathrm{\&mu;}}_2\left(x\right)=\{\begin{array}{cc}0,& x\&le;a_{1}orx\&GreaterEqual;a_3\\ (x-a_1)/(a_2-a_1),& a_1<x\&le;a_2\\ (x-a_3)/(a_2-a_3),& a_2<x<a_3\end{array},a_1<a_2<a_3$ 式(1-2)

${\mathrm{\&mu;}}_3\left(x\right)=\left\{\begin{array}{cc}0,& x\&le;a_2\\ (x-a_2)/(a_3-a_2),& a_2<x\&le;a_3\\ 1,& x>a_3\end{array}\right.$ 式(1-3)

模型2：适用于值越大越好的因素，隶属函数模型见公式(1-4)～(1-6)。

${\mathrm{\&mu;}}_1\left(x\right)=\left\{\begin{array}{cc}0,& x\&le;a_2\\ (x-a_2)/(a_1-a_2),& a_2<x\&le;a_1\\ 1,& x>a_1\end{array}\right.$ 式(1-4)

${\mathrm{\&mu;}}_2\left(x\right)=\{\begin{array}{cc}0,& x\&le;a_{3}orx\&GreaterEqual;a_1\\ (x-a_3)/(a_2-a_3),& a_3<x\&le;a_2\\ (x-a_1)/(a_2-a_1),& a_2<x<a_1\end{array},a_3<a_2<a_1$ 式(1-5)

${\mathrm{\&mu;}}_3\left(x\right)=\left\{\begin{array}{cc}1,& x\&le;a_3\\ (x-a_2)/(a_3-a_2),& a_3<x\&le;a_3\\ 0,& x>a_2\end{array}\right.$ 式(1-6)

模型3：适用于值在某固定区间内的因素。隶属函数模型见式(1-7)～(1-9)。 ${\mathrm{\&mu;}}_1\left(x\right)=\left\{\begin{array}{cc}1,& a_{11}<x\&le;a_{12}\\ (x-a_{11})/(a_{11}-a_{21}),& a_{21}<x\&le;a_{11}\\ (x-a_{22})/(a_{12}-a_{22}),& a_{12}<x\&le;a_{22}\\ 0,& x\&le;a_{21}orx>a_{22}\end{array}\right.$ 式(1-7)

${\mathrm{\&mu;}}_2\left(x\right)=\left\{\begin{array}{cc}0,& a_{31}<x<a_{11}\\ (x-a_{31})/(a_{11}-a_{31}),& a_{21}\&le;x<a_{11}\\ (x-a_{11})/(a_{21}-a_{11}),& a_{21}<x\&le;a_{11}\\ (x-a_{12})/(a_{22}-a_{12}),& a_{12}<x\&le;a_{22}\\ (x-a_{32})/(a_{22}-a_{32}),& a_{22}<x<a_{32}\end{array}\right.,a_{31}<a_{21}<a_{11}<a_{12}<a_{22}<a_{32}$ 式(1-8)

${\mathrm{\&mu;}}_3\left(x\right)=\left\{\begin{array}{cc}1,& x\&le;a_{31}orx\&GreaterEqual;a_{32}\\ (x-a_{21})/(a_{31}-a_{21}),& a_{31}<x\&le;a_{21}\\ (x-a_{22})/(a_{32}-a_{22}),& a_{22}<x\&le;a_{32}\\ 0,& a_{21}\&le;x\&le;a_{22}\end{array}\right.$ 式(1-9)

a₁、a₂、a₃表示定义指标好、中、差模糊隶属度的参数。

μ₁,μ₂,μ₃表示该单因素属于好、中、差的隶属度，且μ₁,μ₂,μ₃满足以下关系：μ₁+μ₂+μ₃＝1，确定单个指标模糊评价模型的步骤如下：

根据指标取值确定应选何种模型，隶属函数参数应结合实际情况而定。

根据各单因素A_k,j的隶属函数模型及参数确定各个指标属于好、中、差的隶属度μ₁,μ₂,μ₃，再计算每个因素评价得分F_k,j，依据得分确定评价等级。各单因素指标得分公式：

$F_{k,j}=\frac{{\mathrm{\&mu;}}_1\left(x\right)\&times;F_1+{\mathrm{\&mu;}}_2\left(x\right)\&times;F_2+{\mathrm{\&mu;}}_3\left(x\right)\&times;F_3}{\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&mu;}}_i\left(x\right)}$

其中，F₁,F₂,F₃分别为指标完全属于好，中，差时的分数，分别取98、72、45。

而后，根据指标得分，对企业电力能效进行***、科学的评价。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种企业电力能效综合评估方法，其特征在于，包括如下步骤：

a)建立电力能效评价等级指标模型；

b)结合专家意见及企业实际情况，采用层次分析法计算所述指标模型中各指标的权重值；

c)利用模糊评价方法计算求得各指标的隶属度及得分；

d)根据得分，对企业电力能效进行***、科学评价。

2.根据权利要求1所述的企业电力能效综合评估方法，其特征在于，步骤a)中，所述的指标模型中包括经济能效指标、电能质量指标、生产管理指标、设备管理指标、电能污染指标。

3.根据权利要求2所述的企业电力能效综合评估方法，其特征在于，步骤a)中采用了特征值法来获得所述指标模型中的各项指标。

4.根据权利要求1所述的企业电力能效综合评估方法，其特征在于，步骤b)的具体实施步骤如下：

b1)构造两两判断矩阵A：同等级指标间的两两比较；

$A=a_{ij(n\&times;n)}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right]$

a_ij表示指标i与指标j之间的重要标度赋值，a_ji＝1/a_ij，当i＝j时，a_ij＝1；

b2)计算权重：基于乘积方根法计算每个指标的权重；

b3)选择指标权重阈值，对指标进行筛选。

5.根据权利要求4所述的企业电力能效综合评估方法，其特征在于，步骤b1)中，重要标度为每个指标在所述指标模型中的重要程度，划分为9个标度1-9，且1为同等重要，9为极端重要。

6.根据权利要求4所述的企业电力能效综合评估方法，其特征在于，步骤b2)中，基于乘积方根法计算权重，具体如下：

1)计算判断矩阵中最大特征值所对应的特征向量wⁱ；

$\begin{array}{cc}{b}_i={\left(\underset{j=1}{\overset{m}{\&Pi;}}{a}_{ij}\right)}^{\frac{1}{m}},j=1,2,...,m& w_i=b_j/\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{b}_k,j=1,2,...,m\end{array}$

bi表示关于指标i的权重标度的乘积方根,m表示指标数量；

2)计算最大特征值 ${\mathrm{\&lambda;}}_{max}=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}\frac{\underset{j=1}{\overset{m}{\&Sigma;}}{a}_{ij}{w}_j}{w_i};$

3)计算判断矩阵A的一致性指标C.I.，

4)采用随机一致性比率C.R.对判断矩阵A进行一致性检验，

$C.R.=\frac{C.I.}{R.I.}$

R.I.为同阶平均随机标，当C.R.<0.1时，判断矩阵满足一致性，则其特征向量w_i即为归一的电力能效指标权重；若C.R.≥0.1时，则重新确定判断矩阵A。

7.根据权利要求4所述的企业电力能效综合评估方法，其特征在于，步骤b3)中，根据所述指标模型的实际情况，选择指标权重阈值：当指标个数在7～9个间时，选取指标权重阈值为0.07的指标；当指标个数在4～6个间时，选取指标权重阈值0.1的指标；当指标个数≤3时，不进行筛选。

8.根据权利要求1所述的企业电力能效综合评估方法，其特征在于，步骤c)包括如下步骤：

c1)根据影响电力能效的各因素性质将指标分层，分别为因素层、内容层、目标层；

c2)计算因素层中的单因素A_k,j的得分F_k,j，确定评价效果，并确定其权重ω_k,j，满足ω_k,j>0，且

c3)计算内容层中各项内容A_k(k＝1,2,...,m)的评价得分P_k为单因素的个数，依据得分确定各内容的评价效果；

c4)确定各项内容A_k的权重ω_k，ω_k＞0；

c5)计算目标层的综合评价得分F，

9.根据权利要求8所述的企业电力能效综合评估方法，其特征在于：假设各单因素的论域对应三个模糊子集：{好，中，差}＝{E1，E2，E3}，其对应的隶属度函数为μ₁,μ₂,μ₃，采用三角形隶属度函数模型，计算单因素的得分F_k,j，

$F_{k,j}=\frac{{\mathrm{\&mu;}}_1\left(x\right)\&times;F_1+{\mathrm{\&mu;}}_2\left(x\right)\&times;F_2+{\mathrm{\&mu;}}_3\left(x\right)\&times;F_3}{\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&mu;}}_i\left(x\right)}$

其中，F₁,F₂,F₃分别为指标完全属于好，中，差时的分数，分别取98、72、45。