聶 帥，蔡國田?，高麗萍

（1.中國科學(xué)院廣州能源研究所，廣州 510640；2.中國科學(xué)院可再生能源重點(diǎn)實(shí)驗(yàn)室，廣州 510640；3.廣東省新能源和可再生能源研究開發(fā)與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，廣州 510640；4.中國科學(xué)院大學(xué)，北京 100049）

0 引 言

經(jīng)濟(jì)園區(qū)化、園區(qū)產(chǎn)業(yè)化、產(chǎn)業(yè)集聚化已成為世界經(jīng)濟(jì)發(fā)展的趨勢，產(chǎn)業(yè)園區(qū)在經(jīng)濟(jì)發(fā)展的同時(shí)面臨著節(jié)能減排的社會(huì)責(zé)任[1]。利用合理的評(píng)價(jià)模型，從能源、環(huán)境、經(jīng)濟(jì)等多方面的效益進(jìn)行研判，對(duì)于優(yōu)化園區(qū)能源結(jié)構(gòu)、保障園區(qū)綠色穩(wěn)健發(fā)展尤為重要，因此有必要對(duì)園區(qū)能源系統(tǒng)評(píng)價(jià)方法進(jìn)行深入研究。

目前，組合多種評(píng)價(jià)方法對(duì)園區(qū)能源系統(tǒng)評(píng)價(jià)問題開展研究已成為主流趨勢。組合評(píng)價(jià)法能夠結(jié)合主觀評(píng)價(jià)法與客觀評(píng)價(jià)法的優(yōu)點(diǎn)，得出更加可靠的評(píng)價(jià)結(jié)果，目前被廣泛應(yīng)用的評(píng)價(jià)模型組合包括熵值-灰色關(guān)聯(lián)法、層次分析（the analytic hierarchy process,AHP）-逼近理想解排序法（technique for order preference by similarity to an ideal solution,TOPSIS）等，這些組合評(píng)價(jià)方法以評(píng)價(jià)指標(biāo)為結(jié)合點(diǎn)實(shí)現(xiàn)各個(gè)方法的耦合，實(shí)現(xiàn)了對(duì)傳統(tǒng)單一評(píng)價(jià)法的改進(jìn)。趙鵬翔等[2]結(jié)合網(wǎng)絡(luò)分析法（analytic network process,ANP）與熵權(quán)法對(duì)指標(biāo)進(jìn)行了賦權(quán)，綜合考慮了主觀賦權(quán)與客觀賦權(quán)，并采用德爾菲法擬合評(píng)分函數(shù)對(duì)方案進(jìn)行排序。張濤等[3]在賦權(quán)方法基礎(chǔ)上綜合考慮了主客觀權(quán)重，結(jié)合熵權(quán)法與專家評(píng)價(jià)法，并分別設(shè)置了側(cè)重能源、經(jīng)濟(jì)、環(huán)保的專家評(píng)價(jià)權(quán)重，但對(duì)方案排序方法的處理較為單一，直接令評(píng)價(jià)矩陣與權(quán)重向量相乘得出各方案評(píng)分，很大程度上弱化了評(píng)估的模糊性問題。韓中合等[4]應(yīng)用熵權(quán)法與灰色關(guān)聯(lián)分析法，通過對(duì)指標(biāo)賦權(quán)的方式對(duì)灰色關(guān)聯(lián)法進(jìn)行了改進(jìn)，但沒有結(jié)合主觀賦權(quán)，僅通過指標(biāo)的差異程度賦權(quán)，不具備代表性。趙鳳展等[5]結(jié)合序關(guān)系法與變異系數(shù)法針對(duì)多能互補(bǔ)能源系統(tǒng)展開綜合評(píng)價(jià)，為多能互補(bǔ)能源系統(tǒng)的優(yōu)化與運(yùn)行提供了理論參考，許龍等[6]建立了包含資源稟賦在內(nèi)的評(píng)價(jià)指標(biāo)體系，并采用AHP-熵權(quán)-TOPSIS 組合法對(duì)系統(tǒng)進(jìn)行綜合評(píng)價(jià)，能夠?yàn)榻⒏雍侠砜煽康目稍偕茉聪到y(tǒng)提供決策依據(jù)。以上文獻(xiàn)的主要采用方法匯總于表1。

表1 現(xiàn)有文獻(xiàn)中主要使用的評(píng)價(jià)方法Table 1 Main evaluation methods used in the existing literature

以上組合評(píng)價(jià)方法都是在得到各指標(biāo)權(quán)重后通過精確的隸屬度函數(shù)計(jì)算待評(píng)價(jià)方案與理想最優(yōu)方案的隸屬度得到最終評(píng)價(jià)結(jié)果，傳統(tǒng)的隸屬度函數(shù)雖然能夠得到精確的方案評(píng)分，但并沒有充分考慮實(shí)際評(píng)價(jià)過程的模糊性與隨機(jī)性。云模型是一種基于正態(tài)分布和鐘型隸屬函數(shù)的新興評(píng)價(jià)方法，由李德毅院士首次提出[7]，其不再受限于建立隸屬函數(shù)而是通過構(gòu)造正態(tài)隸屬度分布的期望函數(shù)進(jìn)行評(píng)價(jià)，擁有比模糊隸屬度函數(shù)更強(qiáng)的普遍適用性，且已經(jīng)被廣泛應(yīng)用于各種情景的綜合評(píng)價(jià)，如水質(zhì)評(píng)價(jià)[8]、國家電力發(fā)展評(píng)價(jià)[9]、不確定性評(píng)價(jià)[10]、投資風(fēng)險(xiǎn)評(píng)價(jià)[11]。如圖1 的方法框架所示，本文基于云模型，在指標(biāo)劣化度計(jì)算以及輸入評(píng)分等級(jí)數(shù)字特征的基礎(chǔ)之上生成評(píng)價(jià)云，通過構(gòu)造的期望函數(shù)計(jì)算指標(biāo)隸屬度矩陣，并結(jié)合博弈論方法建立的最優(yōu)化權(quán)重向量得到各方案相對(duì)于評(píng)分等級(jí)的隸屬度，根據(jù)最大隸屬度原則得出方案評(píng)分等級(jí)，完成定量數(shù)據(jù)和定性概念之間的不確定轉(zhuǎn)換。

圖1 博弈論-云模型評(píng)價(jià)方法框架圖Fig.1 Game theory-cloud model evaluation method framework

1 基于博弈論的組合權(quán)重方法

1.1 標(biāo)準(zhǔn)化評(píng)價(jià)矩陣構(gòu)建

對(duì)園區(qū)能源系統(tǒng)進(jìn)行評(píng)價(jià)主要分為能源、經(jīng)濟(jì)、環(huán)境三個(gè)類別[12]，本文從這三個(gè)類別選取一次能源利用率（I1）、節(jié)能率（I2）、系統(tǒng)初投資（I3）、年度化成本（I4）、CO2排放量（I5）、SO2排放量（I6）、NOx排放量（I7）這7 個(gè)具有代表性的指標(biāo)對(duì)園區(qū)能源系統(tǒng)進(jìn)行評(píng)價(jià)，其中I1、I2為正向指標(biāo)，I3、I4、I5、I6、I7為負(fù)向指標(biāo)。m個(gè)園區(qū)供能方案與n個(gè)評(píng)價(jià)指標(biāo)共同組合構(gòu)成初始評(píng)價(jià)矩陣，式中Xij為第i個(gè)方案對(duì)應(yīng)第j個(gè)指標(biāo)的值。

為消除指標(biāo)間的不可公度，建立標(biāo)準(zhǔn)化評(píng)價(jià)矩陣，需要對(duì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。

對(duì)于正向指標(biāo)：

對(duì)于負(fù)向指標(biāo)：

式中：xij為標(biāo)準(zhǔn)化評(píng)價(jià)矩陣內(nèi)的元素。經(jīng)初始評(píng)價(jià)矩陣的標(biāo)準(zhǔn)化處理后得到標(biāo)準(zhǔn)化評(píng)價(jià)矩陣

1.2 主、客觀權(quán)重集建立

指標(biāo)賦權(quán)方法主要分為客觀賦權(quán)法與主觀賦權(quán)法，客觀賦權(quán)法主要依據(jù)評(píng)價(jià)矩陣所提供的信息量對(duì)指標(biāo)進(jìn)行賦權(quán)，不受人為因素干擾；主觀賦權(quán)法主要依據(jù)專家自身經(jīng)驗(yàn)，以專家打分的形式建立判斷矩陣并對(duì)判斷矩陣進(jìn)行處理得到指標(biāo)權(quán)重。

熵權(quán)法[13]根據(jù)以下算法得到標(biāo)準(zhǔn)化評(píng)價(jià)矩陣權(quán)重向量w1：

式中：pij為歸一化評(píng)價(jià)矩陣內(nèi)的元素；Ej為各評(píng)價(jià)指標(biāo)的信息熵，信息熵越大表明指標(biāo)差異程度大，提供信息多。當(dāng)xij=0 時(shí)，令p ijlnpij=0。

層次分析法[14]依據(jù)專家對(duì)指標(biāo)間相對(duì)重要性的評(píng)分構(gòu)造判斷矩陣。判斷矩陣中的元素Ast代表指標(biāo)Is相對(duì)指標(biāo)It重要程度的數(shù)值，通常采用1～ 9 的相對(duì)比較標(biāo)度。根據(jù)以下算法得到層次分析法權(quán)重向量w2：

式中：ast為歸一化判斷矩陣內(nèi)的元素；ws為第s個(gè)指標(biāo)的權(quán)重。根據(jù)層次分析賦權(quán)法計(jì)算范式，為檢驗(yàn)判斷矩陣中各元素的協(xié)調(diào)性，在得到權(quán)重向量后應(yīng)進(jìn)行一致性檢驗(yàn)：

式中：RI 為平均隨機(jī)一致性指標(biāo)，取值如表2 所示；CR為一致性檢驗(yàn)指標(biāo)，當(dāng)CR＜ 1 時(shí)，認(rèn)為判斷矩陣在一致性方面符合要求，否則必須重新調(diào)整判斷矩陣直至符合一致性標(biāo)準(zhǔn)為止；As為矩陣A的第s個(gè)行向量；w2T為權(quán)重向量w2的轉(zhuǎn)置。

表2 隨機(jī)一致性指標(biāo)Table 2 Random consensus index

1.3 博弈論組合權(quán)重

上述兩種賦權(quán)方法各有優(yōu)勢，熵權(quán)法刻畫評(píng)價(jià)矩陣包含的客觀信息量，但在實(shí)際評(píng)價(jià)的過程中由于所獲取數(shù)據(jù)的模糊性與隨機(jī)性，基于評(píng)價(jià)矩陣所包含信息量建立的權(quán)重集可能與實(shí)際指標(biāo)重要情況相悖。層次分析法基于專家打分建立的判斷矩陣建立權(quán)重集，在一定程度上代表了指標(biāo)的相對(duì)重要性，但主觀性較強(qiáng)。博弈論組合權(quán)重方法借鑒合作博弈思想[15]，將不同的權(quán)重集視作同一聯(lián)盟的不同決策，組合主、客觀權(quán)重，結(jié)合主觀判斷與客觀事實(shí)，實(shí)現(xiàn)兩者的優(yōu)勢互補(bǔ)。

根據(jù)上一節(jié)的算法得到主客觀權(quán)重向量集W={w1;w2}，為得到最優(yōu)化權(quán)重向量w3，即實(shí)現(xiàn)w3與w1、w2的離差極小化，根據(jù)矩陣的微分性質(zhì)得到優(yōu)化一階導(dǎo)數(shù)條件為：

解出系數(shù)αi后進(jìn)行歸一化處理得到αi*，最終得出博弈論權(quán)重向量w3：

2 基于云模型的模糊評(píng)價(jià)方法

2.1 云模型理論

李德毅院士提出的云模型[7]以語言值為切入點(diǎn)，集成概念的隨機(jī)性（發(fā)生的概率）與模糊性（邊界的亦此亦彼）實(shí)現(xiàn)了定量數(shù)值與定性概念之間的轉(zhuǎn)換，目前已被廣泛應(yīng)用于綜合評(píng)價(jià)與算法改進(jìn)。云模型區(qū)別于傳統(tǒng)模糊評(píng)價(jià)模型的精確函數(shù)表示，采用數(shù)字特征參數(shù)來表征概念的不確定性，并通過構(gòu)造正態(tài)分布的隸屬度期望函數(shù)實(shí)現(xiàn)數(shù)據(jù)到概念的映射，避免了精確函數(shù)表示所帶來的模糊性缺失、被完全納入精確數(shù)學(xué)范疇的現(xiàn)象。

云模型定義：假設(shè)論域X={x}是一個(gè)數(shù)值集合，C 是論域X中的定性概念之一。若數(shù)值x是對(duì)于定性概念 C 的一次隨機(jī)實(shí)現(xiàn)，x對(duì) C 的隸屬度μ（x）∈[0,1]是一組趨向于穩(wěn)定的隨機(jī)數(shù)，則由論域上所有的x組成的最終形式被稱為“云”，其中每一個(gè)x為一個(gè)“云滴”。在云模型中，期望Ex、熵En、超熵He這三個(gè)數(shù)字特征被用于刻畫定性概念的定量特征，其中期望是論域X={x}中最能夠代表這個(gè)定性概念的點(diǎn)，是定性概念基本確定性的度量；熵表征定性概念的不確定性，反映了概念在論域X={x}中能夠被接受的范圍；超熵是熵的不確定程度的度量。如圖2 所示，在期望相同的情況下，熵En越大該定性概念被接受的范圍越大；超熵He越大云滴分布越分散，熵的不確定程度越高。

圖2 不同數(shù)字特征的云滴分布特征Fig.2 Distribution characteristics of clouds with different digital characteristics

2.2 評(píng)價(jià)云與隸屬度矩陣構(gòu)建

云發(fā)生器（cloud generator,GM）是云模型算法在實(shí)際應(yīng)用中最核心的部分[16]，主要分為正向云發(fā)生器與逆向云發(fā)生器，正向云發(fā)生器輸入數(shù)字特征得到云滴，逆向云發(fā)生器輸入云滴得到數(shù)字特征，其基本原理如圖3 所示。

圖3 云發(fā)生器Fig.3 Cloud generator

本文采用正向云發(fā)生器，主要通過以下算法實(shí)現(xiàn)[17]：①輸入數(shù)字特征Ex、En、He；②生成以En為期望、He為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)；③生成以Ex為期望、abs()為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)x；④計(jì)算，并令r為相對(duì)于概念C 的隸屬度；⑤實(shí)現(xiàn)了定量值x對(duì)于概念C 的量化，點(diǎn)（x,r）成為一個(gè)云滴；⑥重復(fù)步驟①～ 步驟⑤，直至生成N個(gè)云滴。

正向云模型程序流程圖如圖4 所示。

圖4 正向云模型程序流程圖Fig.4 Forward cloud model program flow chart

以上為針對(duì)一個(gè)概念生成正態(tài)標(biāo)準(zhǔn)云的算法，應(yīng)用于園區(qū)能源系統(tǒng)評(píng)價(jià)則可以得到一個(gè)評(píng)分等級(jí)的云滴分布，輸入多組數(shù)字特征可生成包含多個(gè)評(píng)分等級(jí)評(píng)價(jià)云。本文采用劣化度參數(shù)作為指標(biāo)評(píng)分?jǐn)?shù)據(jù)，正向指標(biāo)采用公式（2）進(jìn)行計(jì)算，負(fù)向指標(biāo)采用公式（1）進(jìn)行計(jì)算，劣化度越小指標(biāo)越優(yōu)，并將評(píng)分等級(jí)分為4 級(jí)（1 級(jí)為優(yōu)秀，2 級(jí)為良好，3 級(jí)為一般，4 級(jí)為較差），通過參考相關(guān)文獻(xiàn)的研究成果以及反復(fù)試驗(yàn)，4 個(gè)評(píng)分等級(jí)的數(shù)字特征如表3 所示，其中a=1/6、b=1/2、c=5/6、d=1，并取每個(gè)評(píng)分等級(jí)的云滴數(shù)N=2 000。最終生成評(píng)價(jià)云如圖5 所示。

表3 評(píng)分等級(jí)數(shù)字特征Table 3 Numerical features of rating scale

圖5 指標(biāo)劣化度的4 朵評(píng)價(jià)云Fig.5 The four evaluation clouds of the index deterioration degree

生成評(píng)價(jià)云后指標(biāo)的相對(duì)劣化度實(shí)現(xiàn)了對(duì)各個(gè)評(píng)分等級(jí)的隸屬度的映射，通過計(jì)算第i個(gè)指標(biāo)相對(duì)于第j個(gè)評(píng)分等級(jí)的隸屬度rij，得到方案集合中的其中一個(gè)方案的隸屬度矩陣結(jié)合上節(jié)得到的綜合了主客觀權(quán)重的博弈論權(quán)重向量w3計(jì)算該方案相對(duì)于各評(píng)分等級(jí)的隸屬度向量：

式中：mv11、mv12、mv13、mv14分別代表方案1 對(duì)應(yīng)評(píng)分等級(jí)的1 級(jí)、2 級(jí)、3 級(jí)、4 級(jí)的隸屬度。以上即為得到一個(gè)方案的最終隸屬度向量的計(jì)算范式，通過同樣的方法可以得到其他方案的隸屬度向量。根據(jù)最大隸屬度原則，評(píng)判各方案所處等級(jí)，最終得出評(píng)價(jià)結(jié)果。

3 案例分析

選擇廣東省華南現(xiàn)代中醫(yī)藥園區(qū)作為研究案例，根據(jù)園區(qū)現(xiàn)有基礎(chǔ)負(fù)荷數(shù)據(jù)、供能方案以及設(shè)計(jì)的優(yōu)化供能方案進(jìn)行園區(qū)能源系統(tǒng)綜合評(píng)價(jià)。中醫(yī)藥園區(qū)的主要負(fù)荷需求為熱負(fù)荷與電負(fù)荷，現(xiàn)有供熱方式為生物質(zhì)鍋爐供熱。2019 年總熱負(fù)荷為蒸汽10 641.06 t；年電負(fù)荷為5 950 338.05 kW·h；中醫(yī)藥城設(shè)置有光伏發(fā)電設(shè)備，年總發(fā)電量為648 470.90 kW·h。根據(jù)園區(qū)實(shí)際情況設(shè)置6 種供能方案。各方案基礎(chǔ)數(shù)據(jù)如表4 所示。

表4 各供能方案基礎(chǔ)數(shù)據(jù)Table 4 Basic data of energy supply plans

方案1：生物質(zhì)鍋爐承擔(dān)全部熱負(fù)荷，電網(wǎng)承擔(dān)全部電負(fù)荷。方案2：在方案1 的基礎(chǔ)上增添光伏發(fā)電裝置，并優(yōu)先消納光伏發(fā)電，剩余電負(fù)荷由電網(wǎng)補(bǔ)足，生物質(zhì)鍋爐承擔(dān)全部熱負(fù)荷。方案3：在方案2 的基礎(chǔ)上加入燃?xì)廨啓C(jī)，生物質(zhì)鍋爐與燃?xì)廨啓C(jī)承擔(dān)熱負(fù)荷，供熱比例為1∶1，光伏與燃?xì)廨啓C(jī)滿足電負(fù)荷，不足電負(fù)荷從電網(wǎng)購入。方案4：采用以電定熱策略，優(yōu)先消納光伏發(fā)電，剩余電負(fù)荷全部由燃?xì)廨啓C(jī)承擔(dān)，同時(shí)通過燃?xì)廨啓C(jī)余熱回收滿足熱負(fù)荷。方案5：采用以熱定電策略，燃?xì)廨啓C(jī)承擔(dān)全部熱負(fù)荷，同時(shí)與光伏發(fā)電共同滿足部分電負(fù)荷，剩余電負(fù)荷由電網(wǎng)補(bǔ)平衡。方案6：參考方案，燃煤鍋爐滿足熱負(fù)荷，電網(wǎng)供電滿足電負(fù)荷。

對(duì)數(shù)據(jù)進(jìn)行無量綱處理，由式（1）和式（2）得到標(biāo)準(zhǔn)化評(píng)價(jià)矩陣R：

評(píng)價(jià)矩陣已對(duì)效益性指標(biāo)和消耗性指標(biāo)分別進(jìn)行了標(biāo)準(zhǔn)化處理，其中數(shù)據(jù)數(shù)值越大越優(yōu)，越小越劣。如表4 所示，除參考方案6 之外，方案1 一次能源利用率、節(jié)能率最劣，系統(tǒng)初投資最優(yōu)，這是由于系統(tǒng)采取的生物質(zhì)鍋爐供汽、電網(wǎng)直接供電的方案，系統(tǒng)初投資低，僅需支出基本費(fèi)用以及生物質(zhì)鍋爐相關(guān)配套費(fèi)用；但由于采取電網(wǎng)供電，導(dǎo)致供能系統(tǒng)的能源利用效率低下，同時(shí)，大規(guī)模采用傳統(tǒng)電網(wǎng)供電還存在CO2、SO2、NOx排放量高的問題，導(dǎo)致對(duì)應(yīng)指標(biāo)數(shù)據(jù)表現(xiàn)不佳。方案2 在方案1的基礎(chǔ)上加入了光伏發(fā)電，且優(yōu)先消納光伏發(fā)電，不足電負(fù)荷從電網(wǎng)購入，由于采取了清潔能源發(fā)電，系統(tǒng)的節(jié)能率、污染物排放方面的指標(biāo)數(shù)值有一定程度的提升，但受場地限制導(dǎo)致規(guī)模不大以及天氣影響等因素導(dǎo)致光伏發(fā)電總量不大，因此較方案1提升不大，且經(jīng)濟(jì)指標(biāo)評(píng)分下降。方案3 在方案2的基礎(chǔ)上采用燃?xì)廨啓C(jī)供應(yīng)一部分電負(fù)荷，并對(duì)燃?xì)廨啓C(jī)進(jìn)行余熱回收供汽，與生物質(zhì)鍋爐共同滿足蒸汽需求。此方案大幅減少了外部購電，因此在節(jié)能、二氧化碳以及其他污染物排放方面較方案1、方案2 有所提升，但系統(tǒng)初投資評(píng)分有所降低，這是由于設(shè)備的增加，系統(tǒng)初投資增加。方案4 和方案5 分別采取以電定熱策略與以熱定電策略，在方案3 的基礎(chǔ)上增大了燃?xì)廨啓C(jī)的容量，通過熱電聯(lián)供的方式，大幅度提升了能源利用效率，同時(shí)系統(tǒng)也不再需要生物質(zhì)鍋爐補(bǔ)足剩余熱負(fù)荷，因此在能源指標(biāo)與環(huán)境指標(biāo)上較前三個(gè)方案大幅提升，但由于燃?xì)廨啓C(jī)的容量提升以及天然氣價(jià)格較高等因素，系統(tǒng)初投資以及年度化成本也都有較大提高。

建立標(biāo)準(zhǔn)化決策矩陣R后，根據(jù)博弈論組合賦權(quán)方法建立指標(biāo)權(quán)重，按照熵權(quán)法式（3）～ 式（5）建立w1=［0.147 0.118 0.166 0.149 0.180 0.129 0.109］權(quán)重向量。按照層次分析法式（6）～ 式（7）構(gòu)造判斷矩陣：

得到w2=［0.177 0.177 0.113 0.073 0.379 0.048 0.033］權(quán)重向量，根據(jù)一致性檢驗(yàn)式（8）和式（9）對(duì)得到的權(quán)重與判斷矩陣進(jìn)行檢驗(yàn)，得到λmax=7.178、RI=0.029、CR=0.0218 ＜0.1，故通過一致性檢驗(yàn)，w2即為主觀權(quán)重向量。按照博弈論組合權(quán)重方法對(duì)兩組權(quán)重向量進(jìn)行離差極小化，實(shí)現(xiàn)最優(yōu)化權(quán)重向量，得到w3=［0.183 0.189 0.102 0.058 0.420 0.032 0.017］。

1.2.2 自主學(xué)習(xí) 絕大多數(shù)學(xué)生課后用于課程學(xué)習(xí)（閱讀課本、完成作業(yè)、查閱資料等）的時(shí)間約為每天1～3 h，約21%的學(xué)生不足1 h，大一新生中僅有16%的學(xué)生，每天自主學(xué)習(xí)時(shí)間在3 h及以上；對(duì)“每學(xué)期到圖書館借閱的圖書平均冊數(shù)”的回答，絕大多數(shù)選擇“1～3本”，約18%的學(xué)生選擇“0本”，而借閱“11本及以上”選項(xiàng)比例最高的是大四學(xué)生，約占所在班級(jí)的16%；對(duì)“每周到學(xué)校圖書館閱覽室閱讀圖書、報(bào)刊雜志的平均時(shí)間”，絕大多數(shù)學(xué)生為2 h及以下，閱讀時(shí)間在5 h及以上的學(xué)生不到15%。

如圖6 所示，熵權(quán)法與層次分析法對(duì)不同指標(biāo)的賦權(quán)差異程度較大，體現(xiàn)了評(píng)價(jià)矩陣所包含的客觀信息量與專家主觀經(jīng)驗(yàn)的差異性，若采取單一的賦權(quán)方法則會(huì)有較大誤差，難以得到客觀公正的評(píng)價(jià)結(jié)果，博弈論方法借鑒合作博弈思想，結(jié)合主客觀權(quán)重得到最優(yōu)化權(quán)重。最終得到的權(quán)重結(jié)果為CO2排放量權(quán)重最大，符合當(dāng)前節(jié)能減碳的企業(yè)管控環(huán)境，而NOx與SO2由于一段時(shí)間以來的技術(shù)積累，各方案的相關(guān)排放量已經(jīng)達(dá)到了一個(gè)很低的水平，對(duì)方案優(yōu)劣性的影響不大，因此權(quán)重較低，而一次能源利用率、年度化成本處于中間位置。

圖6 三種賦權(quán)方法得到的指標(biāo)權(quán)重Fig.6 Indicator weights obtained by three weighting methods

根據(jù)2.2 節(jié)中生成的評(píng)價(jià)云和隸屬度算法計(jì)算6 個(gè)方案的各個(gè)指標(biāo)對(duì)每個(gè)評(píng)價(jià)等級(jí)的隸屬度，計(jì)算結(jié)果如表5 所示，根據(jù)最大隸屬度原則，各指標(biāo)最終評(píng)分等級(jí)如圖7 所示。

表5 各方案指標(biāo)隸屬度Table 5 Membership of each program index

圖7 直觀反映出在賦權(quán)之前各個(gè)指標(biāo)的評(píng)價(jià)等級(jí)，其中方案4 和方案5 指標(biāo)被評(píng)為優(yōu)秀的數(shù)量最多，方案6 的能源類別和環(huán)境類別的指標(biāo)都被評(píng)為較差，只有經(jīng)濟(jì)指標(biāo)由于投資較少而被評(píng)為優(yōu)秀。從標(biāo)準(zhǔn)化評(píng)價(jià)矩陣的建立到指標(biāo)相對(duì)評(píng)分等級(jí)隸屬度再到各指標(biāo)評(píng)分等級(jí)圖，實(shí)現(xiàn)了輸入的定量參數(shù)到定量概念的轉(zhuǎn)變。生成指標(biāo)評(píng)分等級(jí)這一云模型中間環(huán)節(jié)是該模型區(qū)別于其他模糊評(píng)價(jià)模型的優(yōu)點(diǎn)之一，對(duì)各方案的每個(gè)指標(biāo)進(jìn)行定性評(píng)估并輸出結(jié)果，保留了原始評(píng)價(jià)矩陣的信息，在后續(xù)分析最終評(píng)價(jià)結(jié)果時(shí)能夠更加清晰地表述各評(píng)價(jià)指標(biāo)以及指標(biāo)權(quán)重對(duì)最終結(jié)果的影響。

圖7 各方案指標(biāo)評(píng)分等級(jí)Fig.7 Scoring grades for each scheme indicator

在得到指標(biāo)隸屬度矩陣后結(jié)合博弈論組合權(quán)重模型生成的指標(biāo)權(quán)重向量計(jì)算方案隸屬度矩陣，計(jì)算過程如公式（13），最終結(jié)果為：

根據(jù)最大隸屬度原則，方案1、方案2、方案3、方案4、方案5、方案6 的評(píng)分等級(jí)分別為4 級(jí)、3 級(jí)、2 級(jí)、2 級(jí)、1 級(jí)、4 級(jí)，故方案5 為最優(yōu)方案。為驗(yàn)證評(píng)價(jià)結(jié)果的準(zhǔn)確性，還選擇了博弈論-逼近理想解排序法[14]、博弈論-灰色關(guān)聯(lián)法[18]對(duì)評(píng)價(jià)結(jié)果進(jìn)行驗(yàn)證，兩種方法的算法有所差異但評(píng)價(jià)邏輯類似，都是通過構(gòu)建各待評(píng)價(jià)方案相對(duì)理想方案的精確線性隸屬度函數(shù)來得出評(píng)價(jià)結(jié)果，且已較為成熟并被廣泛應(yīng)用。為方便對(duì)比與說明，結(jié)合隸屬度矩陣mv與限值向量θ=［1 00 75 50 25］，得到本文方法和兩種驗(yàn)證方法的最終評(píng)分與各方案排序見表6。

表6 各方法評(píng)價(jià)結(jié)果對(duì)比Table 6 Comparison of the evaluation results of various methods

兩種驗(yàn)證方案均得到與本文驗(yàn)證方法基本一致的結(jié)果，即方案5 為最優(yōu)方案，其中博弈論-灰色關(guān)聯(lián)法排序結(jié)果與本文方法完全一致，表明博弈論-云模型評(píng)價(jià)方法的功能與傳統(tǒng)園區(qū)評(píng)價(jià)方法相似，推導(dǎo)結(jié)果可靠。且基于云模型的評(píng)價(jià)方法把構(gòu)造精確的隸屬函數(shù)放寬到了構(gòu)造隸屬度期望函數(shù)，更具有普遍適用性，更簡單直接地完成了定性與定量的轉(zhuǎn)換過程。在評(píng)價(jià)過程中對(duì)各方案指標(biāo)的定性描述也有助于決策者對(duì)具體指標(biāo)進(jìn)行調(diào)整，為園區(qū)優(yōu)化供能方案提供支撐。

4 結(jié) 論

基于云模型與合作博弈理論建立了園區(qū)能源系統(tǒng)評(píng)價(jià)方法，通過借鑒合作博弈思想綜合主客觀權(quán)重建立最優(yōu)化權(quán)重向量，基于云模型輸入數(shù)字特征Ex、En、He，并分別對(duì)4 個(gè)評(píng)價(jià)等級(jí)生成2 000 個(gè)云滴得到評(píng)價(jià)云，計(jì)算評(píng)價(jià)指標(biāo)劣化度得到指標(biāo)隸屬度矩陣，結(jié)合最優(yōu)化權(quán)重向量得到方案隸屬度矩陣，根據(jù)最大隸屬度原則得到各方案評(píng)分等級(jí)，實(shí)現(xiàn)了定量的評(píng)價(jià)矩陣到定性的評(píng)分等級(jí)的轉(zhuǎn)換。評(píng)價(jià)結(jié)果表明，在本文建立的方案集中，應(yīng)當(dāng)選擇方案5，即采用以熱定電策略，燃?xì)廨啓C(jī)承擔(dān)全部熱負(fù)荷，同時(shí)與光伏發(fā)電共同滿足部分電負(fù)荷，剩余電負(fù)荷由電網(wǎng)補(bǔ)平衡。并通過模型建立與案例分析得出以下結(jié)論：

（1）在建立最優(yōu)化權(quán)重部分采用博弈論組合權(quán)重方法，分析表明該方法能夠求解客觀數(shù)據(jù)信息熵與主觀經(jīng)驗(yàn)決策最優(yōu)組合比重，實(shí)現(xiàn)了主、客觀賦權(quán)的統(tǒng)一，避免了單一賦權(quán)方法導(dǎo)致的指標(biāo)權(quán)重不精確、不合理現(xiàn)象。

（2）在案例分析部分采用了博弈論-灰色關(guān)聯(lián)法、博弈論-逼近理想解排序法對(duì)評(píng)價(jià)結(jié)果進(jìn)行驗(yàn)證，最終本文采用的博弈論-云模型法得出方案5 最終評(píng)分為86.58，為最優(yōu)方案，方案評(píng)分排序?yàn)榉桨? ＞方案4 ＞ 方案3 ＞ 方案6 ＞ 方案1 ＞ 方案2。博弈論-逼近理想解排序法與博弈論-灰色關(guān)聯(lián)法得出的方案評(píng)分排序分別為：方案5 ＞ 方案4 ＞ 方案3 ＞方案1 ＞ 方案6 ＞ 方案2，方案5 ＞ 方案4 ＞ 方案3 ＞方案6 ＞ 方案1 ＞ 方案2，驗(yàn)證了本文方法的可靠性。

（3）對(duì)基于云模型的模糊評(píng)價(jià)方法與傳統(tǒng)基于精確隸屬度函數(shù)的模糊評(píng)價(jià)方法進(jìn)行分析對(duì)比，發(fā)現(xiàn)精確的函數(shù)曲線實(shí)質(zhì)上弱化了評(píng)價(jià)的模糊性問題，在實(shí)際的評(píng)估過程中，概念邊界的亦此亦彼性是難以忽略的問題，而云模型的期望隸屬度函數(shù)同時(shí)兼顧了評(píng)估的模糊性與隨機(jī)性。

（4）博弈論-云模型評(píng)價(jià)方法框架具有普適性，可以通過進(jìn)一步細(xì)化評(píng)價(jià)指標(biāo)、增加評(píng)分等級(jí)、調(diào)整主客觀賦權(quán)方法的方式進(jìn)一步拓展與優(yōu)化評(píng)價(jià)方法，能夠良好應(yīng)用于園區(qū)能源系統(tǒng)以及其他各類場景的綜合評(píng)價(jià)，為決策者提供理論支撐。