柏建華， 魏健鵬， 劉吉祥， 徐方靈， 王海生

(國網(wǎng)甘肅省電力公司電力科學(xué)研究院， 蘭州 730070)

隨著煤炭資源的枯竭和針對(duì)大氣污染日益嚴(yán)重的燃煤機(jī)組超低排放政策的出臺(tái)，我國對(duì)燃煤機(jī)組節(jié)能減排評(píng)價(jià)體系和方法提出了更高的要求。

綜合評(píng)價(jià)法的基本思想是將多個(gè)指標(biāo)轉(zhuǎn)化為一個(gè)能夠具體量化反映綜合情況的指標(biāo)來進(jìn)行評(píng)價(jià)[1]。曹麗華等[2-3]運(yùn)用灰色關(guān)聯(lián)理論對(duì)火電機(jī)組節(jié)能減排進(jìn)行了評(píng)價(jià)；王軍等[4]利用因子分析方法建立了燃煤發(fā)電節(jié)能減排的一種綜合評(píng)價(jià)模型；孫栓柱等[5]通過雷達(dá)圖和能源消耗與環(huán)境代價(jià)統(tǒng)一量化的節(jié)能減排績效評(píng)價(jià)兩種方法分別分析燃煤機(jī)組節(jié)能減排績效綜合評(píng)價(jià)效果；付忠廣等[6]將最大熵與投影尋蹤方法相結(jié)合應(yīng)用于燃煤機(jī)組節(jié)能減排綜合評(píng)價(jià)模型中；楊勇平等[7]采用優(yōu)劣解距離(TOPSIS)法的組合權(quán)重建立了火電機(jī)組性能綜合評(píng)價(jià)模型；齊敏芳等[8]將信息熵理論與主成分分析方法相結(jié)合應(yīng)用于火電機(jī)組綜合評(píng)價(jià)；魏利邦等[9]通過將粗糙集理論和可拓物元理論結(jié)合，構(gòu)造了燃煤發(fā)電機(jī)組節(jié)能綜合指標(biāo)模型；許乃中等[10]構(gòu)建了面向區(qū)間值的火電機(jī)組模糊數(shù)學(xué)綜合評(píng)價(jià)體系；張雷等[11]利用全排列多邊形圖示指標(biāo)法構(gòu)建了綜合評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)績效的動(dòng)態(tài)評(píng)價(jià)。

目前常見的熵權(quán)確定方法有主觀賦權(quán)法、客觀賦權(quán)法和主客觀融合賦權(quán)法[12]。主客觀融合賦權(quán)法綜合了主觀和客觀兩種賦權(quán)方法的特點(diǎn)，既考慮了專家的主觀偏好，又兼顧了決策數(shù)據(jù)本身的客觀信息，從一定程度上克服了單一賦權(quán)法的不足，避免片面性，提高綜合評(píng)價(jià)的科學(xué)性。常見的主客觀融合賦權(quán)方法有線性組合法[13-15]，基于最小二乘線性融合、乘法合成歸一法和基于最大隸屬度的多權(quán)融合技術(shù)。尤晨等[16-18]將最小二乘法、二元語義加權(quán)算術(shù)平均(T-WAA)算法、最小化 Kullback 散度的方法應(yīng)用于綜合評(píng)價(jià)中。

雖然我國學(xué)者對(duì)燃煤電廠節(jié)能減排評(píng)價(jià)做了大量的工作，但大多是針對(duì)節(jié)能或減排單方面進(jìn)行評(píng)價(jià)研究，而針對(duì)節(jié)能減排綜合評(píng)價(jià)的研究較少，將主客觀權(quán)重融合的節(jié)能減排綜合評(píng)價(jià)就更少。通過構(gòu)建燃煤機(jī)組節(jié)能減排評(píng)價(jià)體系，采用一種主客觀權(quán)重相融合的方法，對(duì)某地區(qū)6臺(tái)火電機(jī)組節(jié)能減排進(jìn)行了綜合評(píng)價(jià)，得到更科學(xué)、合理、客觀的評(píng)價(jià)結(jié)果。

1　基于歐式貼近度的模糊物元模型

1.1 構(gòu)造復(fù)合模糊物元矩陣Rnm

物元是由給定的方案或事物M、優(yōu)選指標(biāo)C(特征向量)和指標(biāo)數(shù)值x(特征值)構(gòu)成的三元數(shù)組R=(M，C，x)。如果指標(biāo)特征值x具有不確定性和模糊性，R則為模糊物元。由m個(gè)方案或事物對(duì)應(yīng)的n個(gè)指標(biāo)數(shù)值組合起來，就構(gòu)成了復(fù)合模糊物元矩陣Rnm,記為：

(1)

1.2 從優(yōu)隸屬度模糊物元矩陣的確定

(2)

1.3 差平方模糊物元矩陣構(gòu)建

理想狀態(tài)下指標(biāo)μij=1，以Sij=(μij-1)2組成差平方模糊物元，記為：

(3)

1.4 指標(biāo)權(quán)重計(jì)算

1.4.1 主觀權(quán)重系數(shù)計(jì)算(選取專家調(diào)查法)

專家調(diào)查法簡單、直觀，便于實(shí)現(xiàn)[19]。具體步驟為：

(1) 聘請(qǐng)專家填寫調(diào)查表格。

(2) 對(duì)專家調(diào)查表進(jìn)行匯總。

將所有專家調(diào)查表進(jìn)行評(píng)價(jià)指標(biāo)重要程度系數(shù)aij匯總。

(3) 計(jì)算指標(biāo)ci的重要程度系數(shù)。

(4)

1.4.2 客觀權(quán)重系數(shù)計(jì)算(選取熵權(quán)法)

熵權(quán)法屬于客觀賦權(quán)法，依靠數(shù)據(jù)本身的客觀信息計(jì)算，不受專家和評(píng)價(jià)者的主觀偏好干擾[20]，其計(jì)算步驟為：

(1) 構(gòu)建物元矩陣Rnm。

(2) 將物元矩陣進(jìn)行歸一處理。

(5)

式中：xmax、xmin分別表示相同指標(biāo)下不同評(píng)價(jià)對(duì)象最理想者或最不理想者。

(3) 確定評(píng)價(jià)指標(biāo)的熵。

i=1，2，…，n,j=1，2，…，m

(6)

(4) 計(jì)算評(píng)價(jià)指標(biāo)的熵權(quán)βi。

(7)

1.5 主客觀權(quán)重系數(shù)融合方法

為使組合權(quán)重盡可能地同時(shí)兼顧主客觀權(quán)重,根據(jù)最小鑒別信息理論，組合權(quán)重求解公式為：

(8)

1.6 基于歐式近度的綜合評(píng)價(jià)

貼近度是指被評(píng)價(jià)對(duì)象與標(biāo)準(zhǔn)對(duì)象兩者接近程度，貼近度越大表明兩者差距越小，反之則表明兩者相差較大[21]。理想狀態(tài)下指標(biāo)μij=1，標(biāo)準(zhǔn)對(duì)象貼近度為1，故對(duì)于燃煤機(jī)組貼近度越接近標(biāo)準(zhǔn)對(duì)象貼近度1，表明該機(jī)組的節(jié)能減排效果越好。根據(jù)差平方模糊物元和各評(píng)價(jià)指標(biāo)熵權(quán)，可得出貼近度為：

(9)

2　節(jié)能減排綜合評(píng)價(jià)

評(píng)價(jià)指標(biāo)的選取是否科學(xué)、全面、合理，將直接影響綜合評(píng)價(jià)的結(jié)果：指標(biāo)太多，將會(huì)有重復(fù)性指標(biāo)，會(huì)擴(kuò)大對(duì)應(yīng)指標(biāo)的權(quán)重，同時(shí)會(huì)加大綜合評(píng)價(jià)計(jì)算的復(fù)雜性和數(shù)據(jù)采集的誤差；指標(biāo)太少，則缺乏足夠的代表性，會(huì)產(chǎn)生片面性。應(yīng)依照目的明確、比較全面、切實(shí)可行的原則選取評(píng)價(jià)指標(biāo)[22]。

根據(jù)歐式貼近度的模糊綜合評(píng)價(jià)法、專家調(diào)查法和熵權(quán)法的步驟，確定評(píng)價(jià)流程(見圖1)。

圖1模糊綜合評(píng)價(jià)流程圖

3　應(yīng)用分析

某地區(qū)6臺(tái)300 MW燃煤機(jī)組2015年節(jié)能減排指標(biāo)數(shù)據(jù)見表1。

表1　6臺(tái)燃煤機(jī)組節(jié)能減排評(píng)價(jià)指標(biāo)值

在主觀權(quán)重計(jì)算中，聘請(qǐng)了3位火電節(jié)能專家和3位環(huán)保專家對(duì)各節(jié)能減排指標(biāo)權(quán)重打分，匯總見表2。

表2　專家調(diào)查匯總表

根據(jù)評(píng)價(jià)流程步驟分別對(duì)主客觀權(quán)重進(jìn)行了計(jì)算，通過式(8)對(duì)主客觀權(quán)重進(jìn)行融合，融合權(quán)重見表3。由表3可見：熵權(quán)法中新水耗量權(quán)重最大，發(fā)電標(biāo)準(zhǔn)煤耗權(quán)重最小。而專家調(diào)查法中發(fā)電標(biāo)準(zhǔn)煤耗權(quán)重最大，新水耗量權(quán)重最小。對(duì)數(shù)據(jù)進(jìn)行分析，可知在客觀熵權(quán)法中評(píng)價(jià)指標(biāo)數(shù)值離散程度越大，計(jì)算所得的權(quán)重就越大。對(duì)比主客觀和組合權(quán)重可以看出：組合權(quán)重介于主、客觀權(quán)重之間，在排序過程中既尊重了專家意愿，又體現(xiàn)了客觀數(shù)值。

表3　主客觀權(quán)重融合結(jié)果

根據(jù)式(9)對(duì)機(jī)組節(jié)能減排貼近度進(jìn)行求解，并對(duì)各機(jī)組節(jié)能減排進(jìn)行了優(yōu)劣排序，結(jié)果見表4。由表4可以看出：5號(hào)機(jī)組的節(jié)能減排貼近度為0.672 4，距標(biāo)準(zhǔn)對(duì)象貼近度1最近，故5號(hào)機(jī)組的節(jié)能減排效果最好；后面依次為2號(hào)機(jī)組、3號(hào)機(jī)組、4號(hào)機(jī)組、1號(hào)機(jī)組和6號(hào)機(jī)組。對(duì)比表1節(jié)能減排評(píng)價(jià)指標(biāo)值可見：雖然1號(hào)機(jī)組發(fā)電標(biāo)準(zhǔn)煤耗最低，但是與5號(hào)機(jī)組相比，其新水耗量和SO2排放量較高；6號(hào)機(jī)組發(fā)電標(biāo)準(zhǔn)煤耗、新水耗量、NOx排放量和粉塵排放量都最高，所以6號(hào)機(jī)組節(jié)能減排效果最差。該排序與這6臺(tái)機(jī)組實(shí)際運(yùn)行情況相一致。

表4　6臺(tái)機(jī)組節(jié)能減排貼近度

4　結(jié)語

選取的發(fā)電標(biāo)準(zhǔn)煤耗、發(fā)電廠用電率、新水耗量、SO2排放量、NOx排放量、粉塵排放量6個(gè)運(yùn)行指標(biāo)，囊括了節(jié)煤、節(jié)電、節(jié)水及污染物排放等方面，能夠較全面地評(píng)價(jià)燃煤機(jī)組減排現(xiàn)狀。采用主客觀賦權(quán)的模糊綜合評(píng)價(jià)模型對(duì)燃煤機(jī)組節(jié)能減排效果的評(píng)價(jià)與實(shí)際運(yùn)行情況相一致，此模型能夠科學(xué)、合理地反映機(jī)組實(shí)際情況。該評(píng)價(jià)方法能為進(jìn)一步提高燃煤機(jī)組節(jié)能減排精細(xì)化管理水平和發(fā)電企業(yè)內(nèi)部班組競(jìng)賽提供依據(jù)，對(duì)電網(wǎng)基于節(jié)能減排調(diào)度具有一定借鑒意義。

參考文獻(xiàn)：

[1] 顧煜炯, 徐婧, 李倩倩, 等. 燃煤發(fā)電機(jī)組調(diào)峰能力模糊綜合評(píng)估方法[J]. 熱力發(fā)電, 2017, 46(2): 15-21.

[2] 曹麗華, 徐皎瑾, 李勇. 基于灰色關(guān)聯(lián)度的火電廠節(jié)能減排效果評(píng)價(jià)方法研究[J]. 環(huán)境工程, 2014, 32(6): 140-143.

[3] 羅毅, 周創(chuàng)立, 劉向杰. 多層次灰色關(guān)聯(lián)分析法在火電機(jī)組運(yùn)行評(píng)價(jià)中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報(bào), 2012, 32(17): 97-103.

[4] 王軍, 李永華, 閻維平. 一種燃煤發(fā)電節(jié)能減排綜合評(píng)價(jià)指數(shù)[J]. 中國電機(jī)工程學(xué)報(bào), 2011, 31(增刊1): 144-148.

[5] 孫栓柱, 代家元, 周春蕾, 等. 燃煤機(jī)組節(jié)能減排績效綜合評(píng)價(jià)方法研究[J]. 電力科技與環(huán)保, 2015, 31(5): 53-56.

[6] 付忠廣, 齊敏芳. 基于最大熵投影尋蹤耦合的燃煤機(jī)組節(jié)能減排評(píng)價(jià)方法研究[J]. 中國電機(jī)工程學(xué)報(bào), 2014, 34(26): 4476-4482.

[7] 楊勇平, 吳殿法, 王寧玲. 基于組合權(quán)重-優(yōu)劣解距離法的火電機(jī)組性能綜合評(píng)價(jià)[J]. 熱力發(fā)電, 2016, 45(2): 10-15.

[8] 齊敏芳, 付忠廣, 景源, 等. 基于信息熵與主成分分析的火電機(jī)組綜合評(píng)價(jià)方法[J]. 中國電機(jī)工程學(xué)報(bào), 2013, 33(2): 58-64.

[9] 魏利邦, 徐世明. 基于粗糙集的火電機(jī)組節(jié)能綜合評(píng)價(jià)指標(biāo)體系研究[J]. 節(jié)能, 2015, 35(12): 9-13.

[10] 許乃中, 曾維華. 火電行業(yè)節(jié)能減排技術(shù)綜合評(píng)價(jià)方法研究[J]. 環(huán)境科學(xué)與技術(shù), 2014, 37(5): 187-192, 198.

[11] 張雷, 李娜娜, 趙會(huì)茹, 等. 基于全排列多邊形圖示指標(biāo)法的火電企業(yè)節(jié)能減排績效綜合評(píng)價(jià)[J]. 中國電力, 2014, 47(6): 145-150.

[12] 宋冬梅, 劉春曉, 沈晨, 等. 基于主客觀賦權(quán)法的多目標(biāo)多屬性決策方法[J]. 山東大學(xué)學(xué)報(bào)(工學(xué)版), 2015, 45(4): 1-9.

[13] 姜光成, 胡乃聯(lián), 印赫哲, 等. 基于主客觀組合賦權(quán)及灰色相關(guān)分析的采礦法優(yōu)選[J]. 礦業(yè)研究與開發(fā), 2016, 36(9): 7-13.

[14] 馬友, 王尚廣, 孫其博, 等. 一種綜合考慮主客觀權(quán)重的Web服務(wù)QoS度量算法[J]. 軟件學(xué)報(bào), 2014, 25(11): 2473-2485.

[15] 趙建恒, 許蘊(yùn)山, 鄧有為, 等. 針對(duì)預(yù)警機(jī)的主客觀權(quán)重相結(jié)合的TOPSIS法多目標(biāo)排序[J]. 計(jì)算機(jī)測(cè)量與控制, 2014, 22(10): 3249-3252.

[16] 尤晨. 主客觀組合賦權(quán)的灰色決策模型及其在消費(fèi)者決策中的運(yùn)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2014, 44(20): 57-63.

[17] 韓二東, 郭鵬, 趙靜. 主客觀權(quán)重集成及擴(kuò)展VIKOR的多屬性群決策方法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 51(11) 1-5, 17.

[18] 王娟, 周好文. 基于Kullback散度的主客觀權(quán)重相結(jié)合的投資決策方法[J]. 濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 25(4): 414-417.

[19] 曾小明, 周俊武, 單肖軍, 等. 城市道路交通綜合管理機(jī)制研究[J]. 佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)(自然科學(xué)版), 2008, 26(4): 35-38.

[20] 曹麗華, 崔琬婷, 徐皎瑾, 等. 熵權(quán)模糊物元模型應(yīng)用于火電廠節(jié)能減排綜合評(píng)價(jià)[J]. 熱力發(fā)電, 2015, 44(1): 54-57, 63.

[21] 孫建梅, 邢柳. 基于改進(jìn)模糊物元的火電機(jī)組節(jié)能減排評(píng)價(jià)[J]. 科技管理研究, 2016, 36(11): 58-62, 96.

[22] 胡永宏, 賀思輝. 綜合評(píng)價(jià)方法[M]. 北京: 科學(xué)出版社, 2000: 10-11.