基于博弈論-云模型的園區(qū)能源系統(tǒng)3E 評價方法*

聶 帥，蔡國田?，高麗萍

（1.中國科學院廣州能源研究所，廣州 510640；2.中國科學院可再生能源重點實驗室，廣州 510640；3.廣東省新能源和可再生能源研究開發(fā)與應用重點實驗室，廣州 510640；4.中國科學院大學，北京 100049）

0 引 言

經(jīng)濟園區(qū)化、園區(qū)產(chǎn)業(yè)化、產(chǎn)業(yè)集聚化已成為世界經(jīng)濟發(fā)展的趨勢，產(chǎn)業(yè)園區(qū)在經(jīng)濟發(fā)展的同時面臨著節(jié)能減排的社會責任[1]。利用合理的評價模型，從能源、環(huán)境、經(jīng)濟等多方面的效益進行研判，對于優(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，因此有必要對園區(qū)能源系統(tǒng)評價方法進行深入研究。

目前，組合多種評價方法對園區(qū)能源系統(tǒng)評價問題開展研究已成為主流趨勢。組合評價法能夠結(jié)合主觀評價法與客觀評價法的優(yōu)點，得出更加可靠的評價結(jié)果，目前被廣泛應用的評價模型組合包括熵值-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，這些組合評價方法以評價指標為結(jié)合點實現(xiàn)各個方法的耦合，實現(xiàn)了對傳統(tǒng)單一評價法的改進。趙鵬翔等[2]結(jié)合網(wǎng)絡分析法（analytic network process,ANP）與熵權(quán)法對指標進行了賦權(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分函數(shù)對方案進行排序。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)法與專家評價法，并分別設置了側(cè)重能源、經(jīng)濟、環(huán)保的專家評價權(quán)重，但對方案排序方法的處理較為單一，直接令評價矩陣與權(quán)重向量相乘得出各方案評分，很大程度上弱化了評估的模糊性問題。韓中合等[4]應用熵權(quán)法與灰色關(guān)聯(lián)分析法，通過對指標賦權(quán)的方式對灰色關(guān)聯(lián)法進行了改進，但沒有結(jié)合主觀賦權(quán)，僅通過指標的差異程度賦權(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)法針對多能互補能源系統(tǒng)展開綜合評價，為多能互補能源系統(tǒng)的優(yōu)化與運行提供了理論參考，許龍等[6]建立了包含資源稟賦在內(nèi)的評價指標體系，并采用AHP-熵權(quán)-TOPSIS 組合法對系統(tǒng)進行綜合評價，能夠為建立更加合理可靠的可再生能源系統(tǒng)提供決策依據(jù)。以上文獻的主要采用方法匯總于表1。

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

以上組合評價方法都是在得到各指標權(quán)重后通過精確的隸屬度函數(shù)計算待評價方案與理想最優(yōu)方案的隸屬度得到最終評價結(jié)果，傳統(tǒng)的隸屬度函數(shù)雖然能夠得到精確的方案評分，但并沒有充分考慮實際評價過程的模糊性與隨機性。云模型是一種基于正態(tài)分布和鐘型隸屬函數(shù)的新興評價方法，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)進行評價，擁有比模糊隸屬度函數(shù)更強的普遍適用性，且已經(jīng)被廣泛應用于各種情景的綜合評價，如水質(zhì)評價[8]、國家電力發(fā)展評價[9]、不確定性評價[10]、投資風險評價[11]。如圖1 的方法框架所示，本文基于云模型，在指標劣化度計算以及輸入評分等級數(shù)字特征的基礎(chǔ)之上生成評價云，通過構(gòu)造的期望函數(shù)計算指標隸屬度矩陣，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于評分等級的隸屬度，根據(jù)最大隸屬度原則得出方案評分等級，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-云模型評價方法框架圖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 標準化評價矩陣構(gòu)建

對園區(qū)能源系統(tǒng)進行評價主要分為能源、經(jīng)濟、環(huán)境三個類別[12]，本文從這三個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 個具有代表性的指標對園區(qū)能源系統(tǒng)進行評價，其中I1、I2為正向指標，I3、I4、I5、I6、I7為負向指標。m個園區(qū)供能方案與n個評價指標共同組合構(gòu)成初始評價矩陣，式中Xij為第i個方案對應第j個指標的值。

為消除指標間的不可公度，建立標準化評價矩陣，需要對指標進行標準化處理。

對于正向指標：

對于負向指標：

式中：xij為標準化評價矩陣內(nèi)的元素。經(jīng)初始評價矩陣的標準化處理后得到標準化評價矩陣

1.2 主、客觀權(quán)重集建立

指標賦權(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)評價矩陣所提供的信息量對指標進行賦權(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，以專家打分的形式建立判斷矩陣并對判斷矩陣進行處理得到指標權(quán)重。

熵權(quán)法[13]根據(jù)以下算法得到標準化評價矩陣權(quán)重向量w1：

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

層次分析法[14]依據(jù)專家對指標間相對重要性的評分構(gòu)造判斷矩陣。判斷矩陣中的元素Ast代表指標Is相對指標It重要程度的數(shù)值，通常采用1～ 9 的相對比較標度。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個指標的權(quán)重。根據(jù)層次分析賦權(quán)法計算范式，為檢驗判斷矩陣中各元素的協(xié)調(diào)性，在得到權(quán)重向量后應進行一致性檢驗：

式中：RI 為平均隨機一致性指標，取值如表2 所示；CR為一致性檢驗指標，當CR＜ 1 時，認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準為止；As為矩陣A的第s個行向量；w2T為權(quán)重向量w2的轉(zhuǎn)置。

表2 隨機一致性指標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)法刻畫評價矩陣包含的客觀信息量，但在實際評價的過程中由于所獲取數(shù)據(jù)的模糊性與隨機性，基于評價矩陣所包含信息量建立的權(quán)重集可能與實際指標重要情況相悖。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的相對重要性，但主觀性較強。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，實現(xiàn)兩者的優(yōu)勢互補。

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)化一階導數(shù)條件為：

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

2 基于云模型的模糊評價方法

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，集成概念的隨機性（發(fā)生的概率）與模糊性（邊界的亦此亦彼）實現(xiàn)了定量數(shù)值與定性概念之間的轉(zhuǎn)換，目前已被廣泛應用于綜合評價與算法改進。云模型區(qū)別于傳統(tǒng)模糊評價模型的精確函數(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)學范疇的現(xiàn)象。

云模型定義：假設論域X={x}是一個數(shù)值集合，C 是論域X中的定性概念之一。若數(shù)值x是對于定性概念 C 的一次隨機實現(xiàn)，x對 C 的隸屬度μ（x）∈[0,1]是一組趨向于穩(wěn)定的隨機數(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x為一個“云滴”。在云模型中，期望Ex、熵En、超熵He這三個數(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}中最能夠代表這個定性概念的點，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 評價云與隸屬度矩陣構(gòu)建

云發(fā)生器（cloud generator,GM）是云模型算法在實際應用中最核心的部分[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為標準差的正態(tài)隨機數(shù)；③生成以Ex為期望、abs()為標準差的正態(tài)隨機數(shù)x；④計算，并令r為相對于概念C 的隸屬度；⑤實現(xiàn)了定量值x對于概念C 的量化，點（x,r）成為一個云滴；⑥重復步驟①～ 步驟⑤，直至生成N個云滴。

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

以上為針對一個概念生成正態(tài)標準云的算法，應用于園區(qū)能源系統(tǒng)評價則可以得到一個評分等級的云滴分布，輸入多組數(shù)字特征可生成包含多個評分等級評價云。本文采用劣化度參數(shù)作為指標評分數(shù)據(jù)，正向指標采用公式（2）進行計算，負向指標采用公式（1）進行計算，劣化度越小指標越優(yōu)，并將評分等級分為4 級（1 級為優(yōu)秀，2 級為良好，3 級為一般，4 級為較差），通過參考相關(guān)文獻的研究成果以及反復試驗，4 個評分等級的數(shù)字特征如表3 所示，其中a=1/6、b=1/2、c=5/6、d=1，并取每個評分等級的云滴數(shù)N=2 000。最終生成評價云如圖5 所示。

表3 評分等級數(shù)字特征Table 3 Numerical features of rating scale

圖5 指標劣化度的4 朵評價云Fig.5 The four evaluation clouds of the index deterioration degree

生成評價云后指標的相對劣化度實現(xiàn)了對各個評分等級的隸屬度的映射，通過計算第i個指標相對于第j個評分等級的隸屬度rij，得到方案集合中的其中一個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計算該方案相對于各評分等級的隸屬度向量：

式中：mv11、mv12、mv13、mv14分別代表方案1 對應評分等級的1 級、2 級、3 級、4 級的隸屬度。以上即為得到一個方案的最終隸屬度向量的計算范式，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，評判各方案所處等級，最終得出評價結(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)負荷數(shù)據(jù)、供能方案以及設計的優(yōu)化供能方案進行園區(qū)能源系統(tǒng)綜合評價。中醫(yī)藥園區(qū)的主要負荷需求為熱負荷與電負荷，現(xiàn)有供熱方式為生物質(zhì)鍋爐供熱。2019 年總熱負荷為蒸汽10 641.06 t；年電負荷為5 950 338.05 kW·h；中醫(yī)藥城設置有光伏發(fā)電設備，年總發(fā)電量為648 470.90 kW·h。根據(jù)園區(qū)實際情況設置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)鍋爐承擔全部熱負荷，電網(wǎng)承擔全部電負荷。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，剩余電負荷由電網(wǎng)補足，生物質(zhì)鍋爐承擔全部熱負荷。方案3：在方案2 的基礎(chǔ)上加入燃氣輪機，生物質(zhì)鍋爐與燃氣輪機承擔熱負荷，供熱比例為1∶1，光伏與燃氣輪機滿足電負荷，不足電負荷從電網(wǎng)購入。方案4：采用以電定熱策略，優(yōu)先消納光伏發(fā)電，剩余電負荷全部由燃氣輪機承擔，同時通過燃氣輪機余熱回收滿足熱負荷。方案5：采用以熱定電策略，燃氣輪機承擔全部熱負荷，同時與光伏發(fā)電共同滿足部分電負荷，剩余電負荷由電網(wǎng)補平衡。方案6：參考方案，燃煤鍋爐滿足熱負荷，電網(wǎng)供電滿足電負荷。

對數(shù)據(jù)進行無量綱處理，由式（1）和式（2）得到標準化評價矩陣R：

評價矩陣已對效益性指標和消耗性指標分別進行了標準化處理，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，僅需支出基本費用以及生物質(zhì)鍋爐相關(guān)配套費用；但由于采取電網(wǎng)供電，導致供能系統(tǒng)的能源利用效率低下，同時，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，導致對應指標數(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數(shù)值有一定程度的提升，但受場地限制導致規(guī)模不大以及天氣影響等因素導致光伏發(fā)電總量不大，因此較方案1提升不大，且經(jīng)濟指標評分下降。方案3 在方案2的基礎(chǔ)上采用燃氣輪機供應一部分電負荷，并對燃氣輪機進行余熱回收供汽，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)初投資評分有所降低，這是由于設備的增加，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)上增大了燃氣輪機的容量，通過熱電聯(lián)供的方式，大幅度提升了能源利用效率，同時系統(tǒng)也不再需要生物質(zhì)鍋爐補足剩余熱負荷，因此在能源指標與環(huán)境指標上較前三個方案大幅提升，但由于燃氣輪機的容量提升以及天然氣價格較高等因素，系統(tǒng)初投資以及年度化成本也都有較大提高。

建立標準化決策矩陣R后，根據(jù)博弈論組合賦權(quán)方法建立指標權(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)一致性檢驗式（8）和式（9）對得到的權(quán)重與判斷矩陣進行檢驗，得到λmax=7.178、RI=0.029、CR=0.0218 ＜0.1，故通過一致性檢驗，w2即為主觀權(quán)重向量。按照博弈論組合權(quán)重方法對兩組權(quán)重向量進行離差極小化，實現(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 自主學習 絕大多數(shù)學生課后用于課程學習（閱讀課本、完成作業(yè)、查閱資料等）的時間約為每天1～3 h，約21%的學生不足1 h，大一新生中僅有16%的學生，每天自主學習時間在3 h及以上；對“每學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%的學生選擇“0本”，而借閱“11本及以上”選項比例最高的是大四學生，約占所在班級的16%；對“每周到學校圖書館閱覽室閱讀圖書、報刊雜志的平均時間”，絕大多數(shù)學生為2 h及以下，閱讀時間在5 h及以上的學生不到15%。

如圖6 所示，熵權(quán)法與層次分析法對不同指標的賦權(quán)差異程度較大，體現(xiàn)了評價矩陣所包含的客觀信息量與專家主觀經(jīng)驗的差異性，若采取單一的賦權(quán)方法則會有較大誤差，難以得到客觀公正的評價結(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，符合當前節(jié)能減碳的企業(yè)管控環(huán)境，而NOx與SO2由于一段時間以來的技術(shù)積累，各方案的相關(guān)排放量已經(jīng)達到了一個很低的水平，對方案優(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)方法得到的指標權(quán)重Fig.6 Indicator weights obtained by three weighting methods

根據(jù)2.2 節(jié)中生成的評價云和隸屬度算法計算6 個方案的各個指標對每個評價等級的隸屬度，計算結(jié)果如表5 所示，根據(jù)最大隸屬度原則，各指標最終評分等級如圖7 所示。

表5 各方案指標隸屬度Table 5 Membership of each program index

圖7 直觀反映出在賦權(quán)之前各個指標的評價等級，其中方案4 和方案5 指標被評為優(yōu)秀的數(shù)量最多，方案6 的能源類別和環(huán)境類別的指標都被評為較差，只有經(jīng)濟指標由于投資較少而被評為優(yōu)秀。從標準化評價矩陣的建立到指標相對評分等級隸屬度再到各指標評分等級圖，實現(xiàn)了輸入的定量參數(shù)到定量概念的轉(zhuǎn)變。生成指標評分等級這一云模型中間環(huán)節(jié)是該模型區(qū)別于其他模糊評價模型的優(yōu)點之一，對各方案的每個指標進行定性評估并輸出結(jié)果，保留了原始評價矩陣的信息，在后續(xù)分析最終評價結(jié)果時能夠更加清晰地表述各評價指標以及指標權(quán)重對最終結(jié)果的影響。

圖7 各方案指標評分等級Fig.7 Scoring grades for each scheme indicator

在得到指標隸屬度矩陣后結(jié)合博弈論組合權(quán)重模型生成的指標權(quán)重向量計算方案隸屬度矩陣，計算過程如公式（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 的評分等級分別為4 級、3 級、2 級、2 級、1 級、4 級，故方案5 為最優(yōu)方案。為驗證評價結(jié)果的準確性，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]對評價結(jié)果進行驗證，兩種方法的算法有所差異但評價邏輯類似，都是通過構(gòu)建各待評價方案相對理想方案的精確線性隸屬度函數(shù)來得出評價結(jié)果，且已較為成熟并被廣泛應用。為方便對比與說明，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證方法的最終評分與各方案排序見表6。

表6 各方法評價結(jié)果對比Table 6 Comparison of the evaluation results of various methods

兩種驗證方案均得到與本文驗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-云模型評價方法的功能與傳統(tǒng)園區(qū)評價方法相似，推導結(jié)果可靠。且基于云模型的評價方法把構(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。在評價過程中對各方案指標的定性描述也有助于決策者對具體指標進行調(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)評價方法，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4 個評價等級生成2 000 個云滴得到評價云，計算評價指標劣化度得到指標隸屬度矩陣，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分等級，實現(xiàn)了定量的評價矩陣到定性的評分等級的轉(zhuǎn)換。評價結(jié)果表明，在本文建立的方案集中，應當選擇方案5，即采用以熱定電策略，燃氣輪機承擔全部熱負荷，同時與光伏發(fā)電共同滿足部分電負荷，剩余電負荷由電網(wǎng)補平衡。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)驗決策最優(yōu)組合比重，實現(xiàn)了主、客觀賦權(quán)的統(tǒng)一，避免了單一賦權(quán)方法導致的指標權(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評價結(jié)果進行驗證，最終本文采用的博弈論-云模型法得出方案5 最終評分為86.58，為最優(yōu)方案，方案評分排序為方案5 ＞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，驗證了本文方法的可靠性。

（3）對基于云模型的模糊評價方法與傳統(tǒng)基于精確隸屬度函數(shù)的模糊評價方法進行分析對比，發(fā)現(xiàn)精確的函數(shù)曲線實質(zhì)上弱化了評價的模糊性問題，在實際的評估過程中，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)同時兼顧了評估的模糊性與隨機性。

（4）博弈論-云模型評價方法框架具有普適性，可以通過進一步細化評價指標、增加評分等級、調(diào)整主客觀賦權(quán)方法的方式進一步拓展與優(yōu)化評價方法，能夠良好應用于園區(qū)能源系統(tǒng)以及其他各類場景的綜合評價，為決策者提供理論支撐。