主客觀信息融合的港口綜合能源系統(tǒng)評(píng)價(jià)指標(biāo)體系

何大春　談健　蘇宜強(qiáng)　解翔　宋天立　蔡超　陳曦

摘要：為建立綠色港口，實(shí)現(xiàn)港口的節(jié)能環(huán)保，對(duì)港口綜合能源系統(tǒng)（port integrated energy system，PIES）的評(píng)價(jià)方法進(jìn)行研究，提出一種主客觀信息融合的PIES評(píng)價(jià)指標(biāo)體系，將主觀評(píng)價(jià)與數(shù)理統(tǒng)計(jì)模型進(jìn)行結(jié)合，兼顧評(píng)價(jià)過程中的主客觀因素，并采用基于馬氏距離的統(tǒng)計(jì)檢驗(yàn)方法對(duì)評(píng)分矩陣進(jìn)行修正，實(shí)現(xiàn)對(duì)PIES的全面評(píng)價(jià)。通過青島港董家口港區(qū)的調(diào)研數(shù)據(jù)，驗(yàn)證該方法的有效性。

關(guān)鍵詞：主客觀信息融合; 評(píng)價(jià)指標(biāo); 高斯混合模型; 統(tǒng)計(jì)檢驗(yàn); 港口能效評(píng)價(jià)

中圖分類號(hào)：? U691.5

文獻(xiàn)標(biāo)志碼：A

Evaluation index system for port integrated energy system based on

subjective-objective information fusion

HE Dachun1， TAN Jian2， SU Yiqiang1， XIE Xiang3，

SONG Tianli4， CAI Chao2， CHEN Xi2

（1.State Grid Jiangsu Electric Power Co.， Ltd.， Nanjing 210000， China; 2.Research Institute of

Economics and Technology， State Grid Jiangsu Electric Co.， Ltd.， Nanjing 210008， China;

3. Logistics Engineering College， Shanghai Maritime University， Shanghai 201306， China;

4. School of Electrical Engineering， Southeast University， Nanjing 210096， China）

Abstract：

In order to establish green ports and realize the energy saving and environmental protection of ports， the evaluation method of the port integrated energy system （PIES） is studied. A PIES evaluation index system is proposed based on subjective-objective information fusion， which combines subjective evaluation with mathematical statistics models， and takes into account the subjective and objective factors in the evaluation process. The scoring matrix is modified by the statistical test method based on Mahalanobis distance to achieve a comprehensive evaluation of? PIES. The effectiveness of this method is verified by the survey data of Dongjiakou Port area of Qingdao Port.

Key words：

subjective-objective information fusion; evaluation index; Gaussian mixture model; statistical test; port efficiency evaluation

0 引 言

《節(jié)約能源法》自1998年1月1日施行以來，全國(guó)各個(gè)港口便努力將節(jié)約能源資源這項(xiàng)基本國(guó)策落到實(shí)處。歐盟實(shí)施了《歐洲可再生能源加熱及制冷法令》，計(jì)劃到2020年實(shí)現(xiàn)可再生能源占能源總量20%的目標(biāo)。我國(guó)《可再生能源法》編制報(bào)告明確指出：到2020年，可再生能源的利用總量不應(yīng)低于全國(guó)總能源消耗量的10%。

2018 年 3 月 27 日交通運(yùn)輸部公布《深入推進(jìn)綠色港口建設(shè)行動(dòng)方案（2018—2022年）》（征求意見稿），擬在“十二五”時(shí)期的基礎(chǔ)上從更深層次、更廣范圍、更高要求建設(shè)綠色港口，旨在優(yōu)化能源消費(fèi)結(jié)構(gòu)，構(gòu)建清潔低碳的港口能源體系。港作機(jī)械和運(yùn)輸裝備優(yōu)先使用電能、天然氣等清潔能源，并配備足夠的供電、加氣等配套設(shè)施。通過新建改造，使用電能和液化天然氣等清潔能源的港作機(jī)械和車船數(shù)量占比不低于 60%。結(jié)合自然條件和港口能源需求，鼓勵(lì)應(yīng)用光伏發(fā)電、風(fēng)光互補(bǔ)供電系統(tǒng)、太陽能供熱供電和空氣源熱泵供熱系統(tǒng)等新能源技術(shù)，提升太陽能、風(fēng)能、地?zé)崮堋⑸锬艿瓤稍偕茉吹膽?yīng)用比例，著力推動(dòng)靠港船舶使用岸電[1]。

為經(jīng)濟(jì)、科學(xué)地建設(shè)和利用港口綜合能源系統(tǒng)（port integrated energy system，PIES），需要建立一個(gè)有效的PIES評(píng)價(jià)方法[2-4]。文獻(xiàn)[5]用互相獨(dú)立的評(píng)價(jià)矩陣對(duì)冷熱電聯(lián)產(chǎn)系統(tǒng)進(jìn)行了能效水平評(píng)價(jià)。文獻(xiàn)[6]對(duì)綜合能源系統(tǒng)的運(yùn)行進(jìn)行了建模和仿真，對(duì)系統(tǒng)的規(guī)劃方法和效益做了評(píng)價(jià)分析。文獻(xiàn)[7]根據(jù)系統(tǒng)負(fù)荷、經(jīng)濟(jì)和環(huán)保等因素，構(gòu)建了基于信息熵法的評(píng)價(jià)方法。文獻(xiàn)[8]提出了一種將層次分析法與公共權(quán)重?cái)?shù)據(jù)包絡(luò)分析相結(jié)合的獲取綜合權(quán)重的距離測(cè)度方法。然而，上述方法在計(jì)算指標(biāo)權(quán)重時(shí)，僅采用客觀信息或主觀信息，沒有同時(shí)兼顧兩者的有效性，權(quán)重值所包含的信息不夠全面。因此，有必要研究一種新的權(quán)重確定方法，同時(shí)體現(xiàn)專家的主觀偏好和客觀數(shù)據(jù)的統(tǒng)計(jì)特性，為指標(biāo)賦予更全面合理的權(quán)重信息。

由貝葉斯公式可知，E步中β（s）（GiXjk）實(shí)際表示第jk個(gè)行向量Xjk在第s步迭代時(shí)對(duì)第i個(gè)高斯成分的概率。G（·）為高斯成分，

α（s+1）i、μ（s+1）i和Σ（s+1）i分別為第s+1步迭代中第i個(gè)高斯成分Gi的成分概率、均值向量和協(xié)方差矩陣。通過E步和M步的迭代，可使高斯混合模型收斂于指定精度。

以上步驟實(shí)現(xiàn)了從專家評(píng)分?jǐn)?shù)據(jù)中對(duì)一階和二階統(tǒng)計(jì)量的學(xué)習(xí)。從矩陣X的構(gòu)成方式可知，高斯成分的數(shù)目即為二級(jí)指標(biāo)的數(shù)目，即i=1，2，…，I。通過模型訓(xùn)練，在獲得每個(gè)高斯成分一階統(tǒng)計(jì)量（均值）和二階統(tǒng)計(jì)量（協(xié)方差）的同時(shí)，可以同時(shí)得到Gi的成分概率αi。由于αi∈[0，1]，可將αi作為由統(tǒng)計(jì)信息學(xué)習(xí)得到的二級(jí)指標(biāo)的權(quán)重。

2.2.3 對(duì)評(píng)分矩陣有效性的統(tǒng)計(jì)檢驗(yàn)

專家評(píng)分影響PIES的最終評(píng)價(jià)，一旦出現(xiàn)個(gè)別偏差較大的單項(xiàng)評(píng)分，就會(huì)體現(xiàn)在最終評(píng)分中。因此，有必要對(duì)專家評(píng)分進(jìn)行統(tǒng)計(jì)檢驗(yàn)，識(shí)別出具有顯著偏差的評(píng)分值?；趯W(xué)習(xí)到的I個(gè)高斯成分，對(duì)專家評(píng)分進(jìn)行如下統(tǒng)計(jì)檢驗(yàn)：

計(jì)算Xjk對(duì)第i個(gè)高斯成分的馬氏指標(biāo)Di（Xjk）：

計(jì)算Xjk對(duì)全部I個(gè)高斯成分的距離指標(biāo)D（Xjk）：

在置信水平為γ時(shí)，對(duì)專家評(píng)分Xjk進(jìn)行統(tǒng)計(jì)檢驗(yàn)。根據(jù)式（7）和（8）可知，D（Xjk）的置信閾值DL可以通過F分布來計(jì)算[14]：

式中，置信水平γ可以根據(jù)實(shí)際情況取95%～99%。若某個(gè)評(píng)分值的距離指標(biāo)D（Xjk）超過DL，則認(rèn)為該項(xiàng)評(píng)分有顯著偏差，應(yīng)該剔除該值，并用合適的統(tǒng)計(jì)量（如其所屬高斯成分的均值）替代。

2.2.4 PIES評(píng)價(jià)指標(biāo)體系的構(gòu)造

基于以上思路，可以將PIES評(píng)價(jià)指標(biāo)體系的建立步驟

總結(jié)如下：

步驟1 請(qǐng)專家對(duì)表1中指標(biāo)進(jìn)行評(píng)價(jià)，分為主觀和客觀兩部分：主觀部分，對(duì)二級(jí)指標(biāo)Bi按照表2的原則給出重要性評(píng)價(jià)，得到判斷矩陣;客觀部分，對(duì)三級(jí)指標(biāo)Cij按照行業(yè)標(biāo)準(zhǔn)和用戶反饋給出評(píng)分。

步驟2 對(duì)于主觀部分，按照第2.2.1節(jié)的內(nèi)容計(jì)算判斷矩陣A并進(jìn)行一致性檢驗(yàn)，得到I個(gè)二級(jí)指標(biāo)的主觀權(quán)重ωi。

步驟3 基于客觀評(píng)分，按照式（3）～（6）的EM算法訓(xùn)練高斯混合模型，獲得I個(gè)高斯成分的參數(shù)，包括成分概率αi、均值向量μi和協(xié)方差矩陣Σi。

步驟4 對(duì)專家評(píng)分矩陣X按照式（7）～（9）進(jìn)行統(tǒng)計(jì)檢驗(yàn)，剔除偏差顯著的評(píng)分，獲得修正后的評(píng)分矩陣X。

步驟5 對(duì)X重復(fù)步驟3，得到修正后的均值向量μi及其對(duì)應(yīng)成分概率

αi。

步驟6 將二級(jí)指標(biāo)的主觀權(quán)重與統(tǒng)計(jì)權(quán)重進(jìn)行融合，本文以均分為例，得到修正后Bi的權(quán)重，

即W=（w1，w2，…，wI），wi=（ωi+αi）/2。

步驟7 根據(jù)下式計(jì)算PIES的綜合評(píng)分，對(duì)評(píng)分進(jìn)行分析和討論，給出結(jié)論及改進(jìn)意見。

3 實(shí)例分析

青島港董家口港區(qū)首先展開分布式能源和智能電網(wǎng)技術(shù)應(yīng)用，利用其光伏、天然氣冷熱電三聯(lián)供系統(tǒng)和儲(chǔ)能系統(tǒng)，依托智能配電網(wǎng)的綜合能源管理系統(tǒng)，建設(shè)聯(lián)網(wǎng)型智能微電網(wǎng)，優(yōu)化微電網(wǎng)內(nèi)的供電使用，實(shí)現(xiàn)與大電網(wǎng)的互動(dòng)調(diào)配，為港口運(yùn)營(yíng)提供環(huán)保的綠色電力，為中國(guó)新能源微電網(wǎng)項(xiàng)目的發(fā)展提供可供借鑒的先行經(jīng)驗(yàn)。另外，青島港在2015年底已完成碼頭的9個(gè)泊位“油改電”項(xiàng)目，每個(gè)標(biāo)準(zhǔn)集裝箱的能源消耗下降了39.7%。因此，本文以該港口為例，對(duì)本文涉及的評(píng)價(jià)指標(biāo)進(jìn)行實(shí)地調(diào)研，然后根據(jù)調(diào)研數(shù)據(jù)，讓10位專家對(duì)該港口的PIES進(jìn)行綜合評(píng)價(jià)。

在主觀信息方面，由10名專家和決策者召開會(huì)議，采用眾數(shù)法，對(duì)4個(gè)二級(jí)指標(biāo)的重要性進(jìn)行兩兩對(duì)比，并根據(jù)表2給出? 計(jì)算A的特征值，可以得到最大特征值λmax=4.131 5，將其對(duì)應(yīng)的特征向量進(jìn)行標(biāo)準(zhǔn)化，即得到每個(gè)指標(biāo)的權(quán)重為ω=（0.336 2，0.168 2，0.066 8，0.428 8）。接下來進(jìn)行一致性檢驗(yàn)，根據(jù)式（1）可得IC=0.043 8，查表3可知維度為4時(shí)IR=0.90， 從而由式（2）得到該矩陣的RC=0.048 7<0.1，故滿足一致性要求。

在客觀信息方面，基于調(diào)研的客觀數(shù)據(jù)和評(píng)分標(biāo)準(zhǔn)（詳見附表），同時(shí)請(qǐng)各位專家對(duì)各三級(jí)指標(biāo)采用百分制形式評(píng)分，轉(zhuǎn)換為百分比后構(gòu)成評(píng)分矩陣X。訓(xùn)練高斯混合模型，可得到4個(gè)高斯成分及其成分概率αi，分別對(duì)應(yīng)于4個(gè)二級(jí)指標(biāo)及其權(quán)重，模型訓(xùn)練結(jié)果見表4。

根據(jù)以上統(tǒng)計(jì)量對(duì)專家評(píng)分進(jìn)行統(tǒng)計(jì)檢驗(yàn)。根據(jù)式（7）～（8）計(jì)算馬氏距離指標(biāo)D（Xjk）， 并按照（9）計(jì)算95%置信水平下的閾值DL=5.726 7。檢驗(yàn)結(jié)果如圖2所示：Xjk向量的第5、21、23、33行數(shù)據(jù)超出95%置信區(qū)間;特別是第23行數(shù)據(jù)，對(duì)應(yīng)于環(huán)保性指標(biāo)B3，說明專家對(duì)該指標(biāo)的評(píng)價(jià)存在顯著差異;而對(duì)于經(jīng)濟(jì)性指標(biāo)B2，專家評(píng)分的統(tǒng)計(jì)一致性較好，沒有顯著差異數(shù)據(jù)產(chǎn)生。為減少此類極端數(shù)據(jù)對(duì)模型參數(shù)的影響，將這4行數(shù)據(jù)

用其所對(duì)應(yīng)高斯成分的均值μT1、μT2、

μT3和μT4替代，構(gòu)成修正后的評(píng)分矩陣

X。

對(duì)修正后的X重新進(jìn)行高斯混合模型訓(xùn)練，得到的修正后的模型參數(shù)見表5。

接下來，將主觀權(quán)重ωi與修正后的統(tǒng)計(jì)權(quán)重αi采用均值法進(jìn)行融合，即可得到綜合二級(jí)指標(biāo)權(quán)重

W=（0.384 2， 0.166 3， 0.125 9， 0.323 6）。能效B1、經(jīng)濟(jì)性B2、環(huán)保性B3和社會(huì)性B4的權(quán)重計(jì)算和綜合評(píng)分見圖3：最初的主觀評(píng)價(jià)權(quán)重較多地強(qiáng)調(diào)了社會(huì)性B4，而通過高斯混合模型訓(xùn)練和修正后，最終得到的綜合二級(jí)指標(biāo)權(quán)重更強(qiáng)調(diào)能效B1。

最后根據(jù)式（10）計(jì)算港口的綜合評(píng)分，可知該港口的綜合評(píng)分為78.48%，屬于行業(yè)中的良好水平，其中能效指標(biāo)B1的評(píng)分為76.88%，經(jīng)濟(jì)性指標(biāo)B2的評(píng)分為75.04%，環(huán)保性指標(biāo)B3的評(píng)分為73.35%，社會(huì)性指標(biāo)B4的評(píng)分為88.65%。說明該港口具有較高的社會(huì)認(rèn)知度和客戶滿意度，在經(jīng)濟(jì)性和環(huán)保性上表現(xiàn)適中，有進(jìn)一步完善和提升的空間。

4 結(jié) 論

本文提出一種主客觀信息融合的港口綜合能源系統(tǒng)（PIES）評(píng)價(jià)指標(biāo)體系。以港口配電網(wǎng)為核心，提煉了反映PIES能效性的4類二級(jí)指標(biāo)和16類三級(jí)指標(biāo)。主觀信息反映了專家對(duì)于各項(xiàng)指標(biāo)重要性的排序情況，基于調(diào)研數(shù)據(jù)的客觀信息給出各項(xiàng)指標(biāo)的定量評(píng)價(jià)。從數(shù)據(jù)中訓(xùn)練高斯混合模型獲取了各項(xiàng)指標(biāo)的權(quán)重和均值，與主觀權(quán)重進(jìn)行融合，從而能夠避免單獨(dú)使用主觀方法而造成的人為因素偏差，以及單獨(dú)使用數(shù)理統(tǒng)計(jì)方法而造成的無法反映決策者主觀偏好的問題。該方法能夠更好地兼顧權(quán)重獲取過程中的主客觀因素，增加了決策過程的公平性和決策結(jié)果的可接受性。此外，為減少具有顯著偏差的評(píng)分?jǐn)?shù)據(jù)對(duì)統(tǒng)計(jì)模型的影響，本文還提出一種基于馬氏距離的評(píng)分矩陣統(tǒng)計(jì)檢驗(yàn)方法。該方法可以有效剔除偏差數(shù)據(jù)，提高結(jié)果的客觀性。通過青島港董家口港區(qū)的調(diào)研數(shù)據(jù)，證明了方法的有效性和可行性。本文所提方法也為構(gòu)造各類評(píng)價(jià)指標(biāo)、檢驗(yàn)數(shù)據(jù)一致性等問題提供了思路。

參考文獻(xiàn)：

[1]王騰， 呂靖. 上海港節(jié)能減排效率評(píng)價(jià)研究[J]. 中國(guó)水運(yùn)， 2017（12）： 31-33. DOI： CNKI：SUN：ZSUX.0.2017-12-019.

[2]WANG Cong， CHEN Jixing， LI Zhiwu， et al. An indicator system for evaluating the development of land-sea coordination systems： a case study of Lianyungang Port[J]. Ecological Indicators， 2019， 98： 112-120. DOI： https：//doi.org/10.1016/j.ecolind.2018.10.057.

[3]DI VAIO A， VARRIALE L， ALVINO F. Key performance indicators for developing environmentally sustainable and energy efficient ports： evidence from Italy[J]. Energy Policy， 2018， 122： 229-240. DOI： https：//doi.org/10.1016/j.enpol.2018.07.046.

[4]WAN Chengpeng， ZHANG Di， YAN Xinping， et al. A novel model for the quantitative evaluation of green port development： a case study of major ports in China[J]. Transportation Research Part D： Transport and Environment， 2018， 61： 431-443. DOI： http：//dx.doi.org/10.1016/j.trd.2017.06.021.

[5]邱留良， 任洪波， 班銀銀， 等. 基于AHP的分布式冷熱電聯(lián)產(chǎn)系統(tǒng)綜合評(píng)價(jià)分析[J]. 上海電力學(xué)院學(xué)報(bào)， 2015， 31（5）： 419-423.

[6]余曉丹， 徐憲東， 陳碩翼， 等. 綜合能源系統(tǒng)與能源互聯(lián)網(wǎng)簡(jiǎn)述[J]. 電工技術(shù)學(xué)報(bào)， 2016， 31（1）： 1-13.

[7]張濤， 朱彤， 高乃平， 等. 分布式冷熱電能源系統(tǒng)優(yōu)化設(shè)計(jì)及多指標(biāo)綜合評(píng)價(jià)方法的研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2015， 35（14）： 3706-3713. DOI： 10.13334/j.0258-8013.pcsee.2015.14.027.

[8]范建平， 朱兆鈺， 吳美琴. 一種新的基于群AHP和DEA的距離測(cè)度方法[J]. 統(tǒng)計(jì)與決策， 2018， 34（21）： 41-45. DOI： 10.13546/j.cnki.tjyjc.2018.21.009.

[9]蒲天添. 基于AHP模型的工程項(xiàng)目風(fēng)險(xiǎn)預(yù)警分析[J]. 統(tǒng)計(jì)與決策， 2018， 34（21）： 182-185. DOI： 10.13546/j.cnki.tjyjc.2018.21.044.

[10]王金祥. 基于層次分析法的質(zhì)量綜合評(píng)價(jià)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 天津： 天津大學(xué)， 2014.

[11]洪志國(guó)， 李焱， 范植華， 等. 層次分析法中高階平均隨機(jī)一致性指標(biāo)（RI）的計(jì)算[J]. 計(jì)算機(jī)工程與應(yīng)用， 2002， 38（12）： 45-47.

[12]岳佳， 王士同. 雙重高斯混合模型的EM算法的聚類問題研究[J]. 計(jì)算機(jī)仿真， 2007， 24（11）： 110-113.

[13]FIGUEIREDO M A T， JAIN A K. Unsupervised learning of finite mixture models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（3）： 381-396. DOI： 10.1109/34.990138.

[14]HAWKINS D M. The detection of errors in multivariate data using principal components[J]. Publications of the American Statistical Association， 1974， 69： 340-344. DOI： 10.1080/01621459.1974.10482950.

收稿日期： 2019-04-09

修回日期： 2019-05-14

作者簡(jiǎn)介：

何大春（1966—），男，江蘇南京人，高級(jí)經(jīng)濟(jì)師，研究方向?yàn)槠髽I(yè)戰(zhàn)略與管理，（E-mail）dch@js.sgcc.com.cn