基于最優(yōu)權(quán)重融合的火電機(jī)組智能燃燒優(yōu)化方案評(píng)價(jià)

李波，劉鑫屏

（華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院, 河北 保定 071003）

0 引言

近年來(lái)中國(guó)對(duì)于節(jié)能環(huán)保問(wèn)題愈發(fā)重視，對(duì)于污染物的排放標(biāo)準(zhǔn)更為嚴(yán)苛。習(xí)近平主席更是在“十四五”規(guī)劃的開(kāi)局之年，提出中國(guó)要力爭(zhēng)2030年前實(shí)現(xiàn)碳達(dá)峰、2060年前實(shí)現(xiàn)碳中和的“雙碳”目標(biāo)。中國(guó)能源體系建設(shè)向著綠色與高效的方向大步邁進(jìn)。因此，作為能源體系“壓艙石”的火力發(fā)電機(jī)組正面臨著新的問(wèn)題與挑戰(zhàn)。對(duì)鍋爐進(jìn)行燃燒優(yōu)化，可以有效降低氮氧化物排放質(zhì)量濃度，提高鍋爐效率，是火電機(jī)組的重要應(yīng)對(duì)舉措之一。

智能優(yōu)化算法一經(jīng)出現(xiàn)便迅速發(fā)展并且不斷更新?lián)Q代，具有優(yōu)越的非線性適應(yīng)能力與優(yōu)良的尋優(yōu)能力。相關(guān)學(xué)者對(duì)其在燃燒優(yōu)化中的應(yīng)用進(jìn)行了大量的研究探索。文獻(xiàn)[1]利用遺傳算法（GA）對(duì)鍋爐特性的人工神經(jīng)網(wǎng)絡(luò)模型中的操作參數(shù)進(jìn)行尋優(yōu)，獲得了鍋爐燃燒的最佳調(diào)整方式，為燃燒優(yōu)化運(yùn)行提供了指導(dǎo)。同樣是基于遺傳算法，文獻(xiàn)[2]結(jié)合支持向量機(jī)，利用遺傳算法對(duì)氮氧化排放的支持向量機(jī)模型的參數(shù)進(jìn)行優(yōu)化，兼?zhèn)溥z傳算法快速收斂和支持向量機(jī)快速準(zhǔn)確的優(yōu)點(diǎn)。文獻(xiàn)[3]提出了一種基于獨(dú)特神經(jīng)網(wǎng)絡(luò)的燃燒優(yōu)化系統(tǒng)，該系統(tǒng)利用粒子群優(yōu)化算法（PSO）對(duì)模型進(jìn)行查詢和實(shí)時(shí)優(yōu)化。文獻(xiàn)[4]采用了雞群覓食算法（CSO）并對(duì)其進(jìn)行改良，對(duì)建立的FLN預(yù)測(cè)模型輸入?yún)?shù)進(jìn)行優(yōu)化。文獻(xiàn)[5]則采用花授粉算法（FPA）對(duì)燃煤鍋爐運(yùn)行時(shí)的可調(diào)參數(shù)尋優(yōu)來(lái)優(yōu)化NOx排放質(zhì)量濃度。文獻(xiàn)[6]采用了一種最近出現(xiàn)的全新的智能優(yōu)化算法-萬(wàn)有引力算法（GSA），更好地解決了支持向量機(jī)的參數(shù)選擇問(wèn)題，有效降低了污染物的排放?？梢钥吹剑谝劳兄腔垭姀S平臺(tái)開(kāi)發(fā)實(shí)時(shí)燃燒優(yōu)化系統(tǒng)時(shí)可選擇的智能燃燒優(yōu)化方案種類繁多。為了決策出更適合、更高效的智能燃燒優(yōu)化方案，對(duì)各種方案的優(yōu)化結(jié)果進(jìn)行綜合有效的評(píng)價(jià)很有必要。

近年來(lái)多屬性問(wèn)題綜合評(píng)價(jià)多采用TOPSIS法[7-8]，傳統(tǒng)TOPSIS法在距離計(jì)算上采用的歐氏距離要求各指標(biāo)之間無(wú)關(guān)聯(lián)性，在權(quán)重賦值上僅采用主觀賦權(quán)，評(píng)價(jià)結(jié)果主觀性強(qiáng)。文獻(xiàn)[9]改進(jìn)了TOPSIS法的權(quán)重賦值方式，使用本征向量法和熵權(quán)法（EWM）組合賦權(quán)，但是其使用的閔氏距離（Minkowski Distance）仍具有局限性，在計(jì)算時(shí)沒(méi)有考慮各分量的分布差異。文獻(xiàn)[10-12]均采用馬氏距離替代歐氏距離，排除了指標(biāo)之間相關(guān)性的干擾，但是采用單一權(quán)重賦值或簡(jiǎn)單相加權(quán)重融合賦值，對(duì)屬性權(quán)重的賦值不夠綜合全面。針對(duì)上述問(wèn)題，本文分別在距離計(jì)算、權(quán)重賦值上對(duì)傳統(tǒng)TOPSIS法改進(jìn)，采用馬氏距離替代歐氏距離，引入客觀權(quán)重并使用遺傳算法融合主、客觀權(quán)重得到最優(yōu)組合權(quán)重；基于多屬性評(píng)價(jià)思想，對(duì)采用各種智能算法的火電機(jī)組燃燒優(yōu)化方案從優(yōu)化效果、優(yōu)化周期、可靠性三個(gè)方面選取多個(gè)評(píng)價(jià)指標(biāo)，進(jìn)行綜合評(píng)價(jià)。

1 火電機(jī)組智能燃燒優(yōu)化方案評(píng)價(jià)體系

火電機(jī)組的智能燃燒優(yōu)化是指對(duì)鍋爐燃燒優(yōu)化過(guò)程建立預(yù)測(cè)模型，使用智能優(yōu)化算法，對(duì)模型本身的關(guān)鍵參數(shù)迭代尋優(yōu)，將得到的優(yōu)化后的預(yù)測(cè)模型用于指導(dǎo)燃燒優(yōu)化參數(shù)調(diào)整，或者是對(duì)模型輸入?yún)?shù)中的可調(diào)參數(shù)（如二次風(fēng)調(diào)門開(kāi)度等）迭代尋優(yōu)，直接得到優(yōu)化后的燃燒過(guò)程輸入?yún)?shù)值，達(dá)到燃燒優(yōu)化的目的。由于鍋爐燃燒過(guò)程的參數(shù)眾多，機(jī)理復(fù)雜，在建立模型時(shí)多采用黑箱模型，如支持向量機(jī)[2]、人工神經(jīng)網(wǎng)絡(luò)[13]等。

為了全面綜合地評(píng)價(jià)火電機(jī)組智能燃燒優(yōu)化方案（以下簡(jiǎn)稱“方案”），本文基于多屬性決策問(wèn)題的思想首先從方案的優(yōu)化效果、優(yōu)化周期、可靠性三方面選取多個(gè)評(píng)價(jià)指標(biāo)，根據(jù)這些指標(biāo)構(gòu)建初始決策矩陣；然后分別使用層次分析法與熵權(quán)法計(jì)算各評(píng)價(jià)指標(biāo)的主觀權(quán)重與客觀權(quán)重，再利用遺傳算法算法迭代尋優(yōu)求取主觀權(quán)重與客觀權(quán)重融合后的最優(yōu)組合權(quán)重；最后通過(guò)采用馬氏距離的TOPSIS法計(jì)算各方案到優(yōu)劣解的馬氏距離排序，得到各方案的評(píng)價(jià)結(jié)果。整個(gè)方案評(píng)價(jià)體系流程圖如圖1所示。根據(jù)火電機(jī)組鍋爐燃燒優(yōu)化實(shí)際的要求，對(duì)圖1中確定各評(píng)價(jià)指標(biāo)如下：

圖1 火電機(jī)組智能燃燒優(yōu)化方案評(píng)價(jià)體系流程圖Fig.1 Flow diagram of evaluation system for intelligent combustion optimization scheme in thermal power unit

(1)優(yōu)化效果指標(biāo)

鍋爐燃燒優(yōu)化系統(tǒng)的優(yōu)化目標(biāo)參數(shù)一般包括氮氧化物排放質(zhì)量濃度N（mg/Nm3）、鍋爐效率R（%）和煙氣含氧量O2（%）。本文選取上述目標(biāo)參數(shù)的相對(duì)優(yōu)化率（%）作為方案評(píng)價(jià)體系的優(yōu)化效果指標(biāo)：

(2)優(yōu)化周期指標(biāo)

對(duì)于方案的優(yōu)化周期指標(biāo)，因?yàn)閬?lái)自鍋爐的優(yōu)化參數(shù)在實(shí)時(shí)更新，所以將每次輸入優(yōu)化參數(shù)到輸出優(yōu)化結(jié)果所耗的時(shí)間稱為方案的優(yōu)化周期。在不計(jì)數(shù)據(jù)傳輸過(guò)程中時(shí)間損耗的情況下，選取各方案的單次優(yōu)化迭代運(yùn)算用時(shí)t與各方案在尋優(yōu)運(yùn)算中結(jié)果趨于穩(wěn)定時(shí)的迭代次數(shù)i，將二者分別取三次運(yùn)算的平均值并無(wú)量綱化處理后的加權(quán)和作為方案評(píng)價(jià)體系的優(yōu)化周期T指標(biāo)：

(3)可靠性指標(biāo)

方案通過(guò)在規(guī)定范圍內(nèi)改變?nèi)紵^(guò)程模型的部分可調(diào)輸入?yún)?shù)來(lái)改變模型的輸出，達(dá)到降低污染物的排放、提高鍋爐效率的優(yōu)化目的。根據(jù)現(xiàn)場(chǎng)運(yùn)行人員的經(jīng)驗(yàn)得出：在方案優(yōu)化過(guò)程中，如果某輸入?yún)?shù)的優(yōu)化目標(biāo)值與當(dāng)前運(yùn)行值相差過(guò)大，參數(shù)的實(shí)時(shí)調(diào)整幅度就會(huì)偏大，可能會(huì)導(dǎo)致機(jī)組運(yùn)行不穩(wěn)定，甚至?xí)型C(jī)的風(fēng)險(xiǎn)。在單次優(yōu)化中參數(shù)相對(duì)改變量越大，可以認(rèn)為該方案可靠程度相對(duì)越低。因此本文選取在單次優(yōu)化過(guò)程中各可調(diào)參數(shù)的平均相對(duì)改變量作為不可靠度K來(lái)評(píng)價(jià)方案的可靠性：

2 基于最優(yōu)權(quán)重融合的 TOPSIS 法

2.1 對(duì)組合權(quán)重的改進(jìn)

在多屬性決策問(wèn)題中，權(quán)重的賦值直接影響到最終的評(píng)價(jià)結(jié)果[14]。傳統(tǒng)的TOPSIS法的指標(biāo)權(quán)重完全由個(gè)人主觀給定，賦權(quán)不精準(zhǔn)，評(píng)價(jià)結(jié)果容易受到個(gè)人主觀影響，往往不具有代表性。因此本文在基于層次分析法（AHP）的主觀賦權(quán)基礎(chǔ)上，引入基于信息熵的客觀賦權(quán)法（熵權(quán)法，EWM），并基于遺傳算法進(jìn)行權(quán)重融合，通過(guò)迭代求取到主觀權(quán)重、客觀權(quán)重二者的曼哈頓距離和最小的融合權(quán)重，獲得最優(yōu)組合權(quán)重，在減輕個(gè)人主觀影響的同時(shí)又最大程度保留主觀和客觀權(quán)重的特征。

2.1.1 客觀權(quán)重

熵權(quán)法確定客觀權(quán)重的依據(jù)是指標(biāo)變異性的大小。由信息熵的定義可知，若某個(gè)指標(biāo)j的信息熵Ej越小，則該指標(biāo)值的變異程度越大，提供的信息量就越多，在綜合評(píng)價(jià)中所能起到的作用也越大，其權(quán)重也就越大，反之亦然[15]。熵權(quán)法的一般具體步驟為：

成本型指標(biāo)規(guī)范化：

（2）計(jì)算各指標(biāo)Ej。

其中，

（3）權(quán)重計(jì)算。第j個(gè)指標(biāo)的權(quán)重Wj為：

2.1.2 主觀權(quán)重

層次分析法是確定主觀權(quán)重的經(jīng)典方法之一，其一般具體步驟[16]為：

（1）構(gòu)建判斷矩陣。指標(biāo)的相對(duì)重要程度經(jīng)過(guò)兩兩之間比較后轉(zhuǎn)換為九分制標(biāo)度，由此得到判斷矩陣A：

式中：

n-該多屬性問(wèn)題指標(biāo)個(gè)數(shù)；

（2）權(quán)重計(jì)算

先計(jì)算得到判斷矩陣A的特征根與特征向量，得到特征根的最大值λmax，權(quán)重向量W即為其對(duì)應(yīng)的歸一化后的特征向量ω。

（3）一致性檢驗(yàn)

判斷矩陣的一致性偏離程度決定了其可靠程度。一致性比例C.R.計(jì)算如下：

式中：

R.I.-平均隨機(jī)一致性指標(biāo)。

判斷矩陣的一致性標(biāo)準(zhǔn)為C.R.的值小于0.1。

2.1.3 基于遺傳算法的最優(yōu)權(quán)重融合

對(duì)于融合后的組合權(quán)重的優(yōu)劣，可以用其與主觀權(quán)重、客觀權(quán)重的距離和來(lái)衡量。當(dāng)融合權(quán)重到主觀權(quán)重和客觀權(quán)重的距離之和越小，一般認(rèn)為受到的人為影響越小[17]，進(jìn)而認(rèn)為該融合權(quán)重是結(jié)合了主觀及客觀權(quán)重二者特征的最優(yōu)權(quán)重。

在n維空間中，可用閔氏距離定義點(diǎn)X(x1,x2,···,xn)和點(diǎn)Y(y1,y2,···,yn)之間的距離：

當(dāng)p=1時(shí)，閔氏距離稱為曼哈頓距離，可用于簡(jiǎn)單計(jì)算兩個(gè)權(quán)重向量之間的距離。因此本文選用遺傳算法來(lái)迭代求取主觀權(quán)重（WZ）與客觀權(quán)重（WK）融合后的組合權(quán)重（WF），將該曼哈頓距離最小和作為遺傳算法的適應(yīng)度函數(shù)：

經(jīng)過(guò)迭代計(jì)算后求得的初始組合權(quán)重WF0經(jīng)過(guò)歸一化處理，使其和為1。歸一化處理公式如下：

式中：

wf0i——第i個(gè)指標(biāo)的初始組合權(quán)重。

2.2 改進(jìn)的 TOPSIS 法

本文2.1.3中提到的閔氏距離存在明顯的缺點(diǎn)：

（1）在計(jì)算時(shí)默認(rèn)各分量的量綱相同；

（2）沒(méi)有考慮各分量的分布的差異性；

（3）要求各指標(biāo)分量之間沒(méi)有關(guān)聯(lián)。

傳統(tǒng)的TOPSIS法中使用的歐氏距離即為p=2時(shí)的閔氏距離，在處理復(fù)雜多屬性問(wèn)題時(shí)結(jié)果的準(zhǔn)確性會(huì)大大降低。而馬氏距離可以不受量綱影響，排除分量之間相關(guān)性的干擾，有效表征兩分量之間的相似度[12]。因此本文將歐氏距離替換成馬氏距離，結(jié)合本文2.1的改進(jìn)內(nèi)容，總體改進(jìn)后TOPSIS法具體步驟如下：

（1）構(gòu)造決策矩陣

設(shè)初始決策矩陣Y=，對(duì)其進(jìn)行規(guī)范化處理得到規(guī)范化決策矩陣Z=，其中m為待評(píng)價(jià)對(duì)象數(shù)，n為待評(píng)價(jià)對(duì)象的指標(biāo)數(shù)。不同類型指標(biāo)的規(guī)范化處理見(jiàn)公式（4）和公式（5）。

（2）利用遺傳算法融合主觀權(quán)重與客觀權(quán)重，得到組合權(quán)重W=(w1,w2,···,wn)，則加權(quán)后的規(guī)范決策矩陣數(shù)據(jù)：

（3）計(jì)算每個(gè)指標(biāo)對(duì)應(yīng)的最值作為正理想解x*或負(fù)理想解x0，由于第一步已根據(jù)不同的指標(biāo)類型分別規(guī)范化處理，因此在本方法步驟中，正理想解均對(duì)應(yīng)最大值，負(fù)理想解均對(duì)應(yīng)最小值。

（4）基于馬氏距離求各方案到正理想解、負(fù)理想解的距離。方案Ri到正理想解的距離[11]為：

方案Ri到負(fù)理想解的距離為：

式中：

S-1——協(xié)方差矩陣，是加權(quán)后的規(guī)范決策矩陣Rij的逆矩陣。

（5）計(jì)算各方案綜合評(píng)價(jià)指數(shù)C，并按由大到小排列得到方案的優(yōu)劣次序，C值越大，表明該方案越優(yōu)秀。

3 案例分析

本文以陜西某超超臨界機(jī)組運(yùn)行數(shù)據(jù)為基礎(chǔ)，建立660 MW四角切圓直流鍋爐的燃燒過(guò)程神經(jīng)網(wǎng)絡(luò)模型，選取采用遺傳算法（GA）、改進(jìn)自適應(yīng)遺傳算法（AGA）[18]、粒子群算法（PSO）、花授粉算法（FPA）、雞群覓食算法（CSO）和萬(wàn)有引力算法（GSA）的六種智能燃燒優(yōu)化方案，對(duì)該模型的八個(gè)可調(diào)參數(shù)（六個(gè)二次風(fēng)門開(kāi)度和兩個(gè)燃盡風(fēng)門開(kāi)度）優(yōu)化配置，經(jīng)MATLAB尋優(yōu)計(jì)算后，整理各方案的優(yōu)化結(jié)果得到用于評(píng)價(jià)的各屬性初始數(shù)據(jù)，見(jiàn)表1。從表中各方案的數(shù)據(jù)無(wú)法直觀地得到各方案的優(yōu)劣情況，需要通過(guò)方案評(píng)價(jià)體系做進(jìn)一步的分析。

表1 各方案優(yōu)化結(jié)果屬性值Tab.1 Attributes values of optimization results of each scheme

3.1 構(gòu)建決策矩陣并規(guī)范化

取表1中NOx相對(duì)優(yōu)化率N、鍋爐效率相對(duì)優(yōu)化率R、煙氣含氧量相對(duì)優(yōu)化率O2、優(yōu)化周期T和不可靠度K等五個(gè)評(píng)價(jià)指標(biāo)構(gòu)成初始決策矩陣。其中N、R、O2為效益型指標(biāo)，T、K為成本型指標(biāo)。根據(jù)公式（4）和公式（5）將其規(guī)范化，得到規(guī)范決策矩陣見(jiàn)表2。

表2 規(guī)范決策矩陣Tab.2 Standardized decision matrix

3.2 權(quán)重計(jì)算與融合

基于規(guī)范決策矩陣，按照2.1.1中的步驟通過(guò)EWM法得到客觀權(quán)重W1，按照2.1.2中的步驟通過(guò)AHP法得到主觀權(quán)重W2。在AHP法計(jì)算過(guò)程中，根據(jù)九分制標(biāo)度構(gòu)建指標(biāo)兩兩比較的重要程度判斷矩陣A見(jiàn)表3。經(jīng)計(jì)算，一致性比例參數(shù)C.R.的值為0.043 3，小于0.1，則矩陣A的一致性可以接受。

表3 判斷矩陣ATab.3 Judgment matrix A

利用遺傳算法，以W1和W2的最小曼哈頓距離和為目標(biāo)函數(shù)，種群規(guī)模設(shè)置為100，遺傳代數(shù)設(shè)置為200代，優(yōu)化變量個(gè)數(shù)為5，得到各評(píng)價(jià)指標(biāo)屬性的最優(yōu)組合權(quán)重W，見(jiàn)表4。將組合權(quán)重W與規(guī)范決策矩陣相乘得到加權(quán)后的規(guī)范決策矩陣，見(jiàn)表5。

表4 各指標(biāo)權(quán)重計(jì)算Tab.4 Subjective weight and objective weight

表5 加權(quán)決策矩陣Tab.5 Weighted decision matrix

3.3 基于 MCD 的指標(biāo)權(quán)重分析驗(yàn)證

根據(jù) MCD（Maximum Correlation Degree，最大關(guān)聯(lián)度）指標(biāo)分析方法，計(jì)算各指標(biāo)對(duì)方案評(píng)價(jià)等級(jí)的關(guān)聯(lián)情況，確定各指標(biāo)的MCD值。則MCD值的排序即為各指標(biāo)重要程度的排序，根據(jù)該指標(biāo)重要程度排序可判斷權(quán)重的賦值是否客觀和準(zhǔn)確[19]。本文設(shè)定方案評(píng)價(jià)等級(jí)為五級(jí)，分別為：好，較好，中，較差，差。根據(jù)文獻(xiàn)[19]中的關(guān)聯(lián)度計(jì)算公式得到各指標(biāo)的 MCD 值為：0.49，0.45，0.32，0.24，0.39。將MCD值反映的指標(biāo)重要程度與表4三種權(quán)重反映的指標(biāo)重要程度一起對(duì)比分析，見(jiàn)圖2。從圖2可以看出，基于MCD的各指標(biāo)的重要性排序結(jié)果為：N＞R＞K＞O2＞T。將其與三種指標(biāo)權(quán)重對(duì)比發(fā)現(xiàn)，僅組合權(quán)重W與基于MCD的指標(biāo)重要性排序一致。因此可認(rèn)為最優(yōu)權(quán)重融合方式得到的指標(biāo)權(quán)重是客觀和準(zhǔn)確的。

圖2 MCD與三種權(quán)重對(duì)比圖Fig.2 Comparison of MCD value and three kinds of weight

3.4 TOPSIS 法排序

在驗(yàn)證了組合權(quán)重之后，計(jì)算各指標(biāo)的正理想解和負(fù)理想解。指標(biāo)分為效益型指標(biāo)集{N,R,O2}與成本型指標(biāo)集{T,K}。經(jīng)過(guò)規(guī)范化處理的各指標(biāo)的最大值即為正理想解d*，最小值即為負(fù)理想解d0，再根據(jù)公式（18）計(jì)算得到各方案的綜合評(píng)價(jià)指數(shù)C，見(jiàn)圖3。

圖3 各方案綜合評(píng)價(jià)指數(shù)C值Fig.3 Comprehensive evaluation index C value of each scheme

將C值從大到小排序可知，基于同一實(shí)例模型的六種火電機(jī)組智能燃燒優(yōu)化方案的綜合評(píng)價(jià)結(jié)果為：GSA＞FPA＞AGA＞PSO＞CSO＞GA。其中使用了GSA算法的方案綜合優(yōu)化表現(xiàn)相對(duì)最好，其次是FPA方案。使用了GA算法的方案綜合優(yōu)化表現(xiàn)相對(duì)最差，但是基于其改進(jìn)的AGA算法優(yōu)化表現(xiàn)有了顯著提升，僅次于FPA方案，且與FPA方案的C值相差較小。

3.5 與傳統(tǒng) TOPSIS 法的對(duì)比

為了進(jìn)一步驗(yàn)證本文基于最優(yōu)權(quán)重融合方法改進(jìn)的TOPSIS法的優(yōu)越性，采用傳統(tǒng)TOPSIS法的主觀賦權(quán)，其余的TOPSIS法步驟同第2節(jié)，得到各方案在不同權(quán)重賦值下的TOPSIS法綜合評(píng)價(jià)指數(shù)C={0.352 2, 0.523 7, 0.498 2, 0.514 8, 0.475 1, 0.617 1}，二者對(duì)比見(jiàn)圖4，方案排序結(jié)果見(jiàn)表6。

表6 不同權(quán)重融合方式的TOPSIS法排序結(jié)果Tab.6 Sorting results of TOPSIS with different weight Fusion

圖4 綜合評(píng)價(jià)指數(shù)C的對(duì)比Fig.4 Comparison of comprehensive evaluation index C

由圖4可知，基于最優(yōu)權(quán)重融合方法改進(jìn)的TOPSIS法相比于傳統(tǒng)TOPSIS法更能辨別出各方案的優(yōu)劣，尤其是對(duì)于AGA、PSO、FPA和CSO四種方案的評(píng)價(jià)有顯著的區(qū)分度。

由表6中可知，無(wú)論是哪種方法，GSA方案優(yōu)化表現(xiàn)均為最優(yōu)，GA方案均為最差，且二者均認(rèn)為PSO＞CSO。不同的排序結(jié)果在于，最優(yōu)權(quán)重融合方法認(rèn)為FPA方案要優(yōu)于AGA方案，而傳統(tǒng)主觀賦權(quán)方法認(rèn)為AGA方案更優(yōu)。通過(guò)分析表1與圖2可知，傳統(tǒng)主觀賦權(quán)方法輕視了可靠性指標(biāo)，而更關(guān)注優(yōu)化效果指標(biāo)。這與本文3.3中基于MCD得到的指標(biāo)重要性客觀排序不符，且實(shí)際生產(chǎn)過(guò)程中，可靠性是最重要的指標(biāo)之一。因此最優(yōu)權(quán)重融合方法的排序結(jié)果更為準(zhǔn)確，更符合實(shí)際生產(chǎn)過(guò)程的要求。

4 結(jié)論

本文對(duì)傳統(tǒng)TOPSIS法進(jìn)行了改進(jìn)，通過(guò)最優(yōu)權(quán)重融合法獲取最優(yōu)組合權(quán)重，在此基礎(chǔ)上，綜合考慮了燃燒優(yōu)化方案的各種屬性，建立了火電機(jī)組智能燃燒優(yōu)化方案評(píng)價(jià)體系。對(duì)六種火電機(jī)組智能燃燒優(yōu)化方案進(jìn)行了綜合評(píng)價(jià)，給出了評(píng)價(jià)結(jié)果，并對(duì)最優(yōu)權(quán)重融合方法進(jìn)行驗(yàn)證，得到以下結(jié)論：

1）經(jīng)過(guò)MCD指標(biāo)分析體系的驗(yàn)證，最優(yōu)權(quán)重融合方法得到的指標(biāo)權(quán)重與MCD指標(biāo)重要性排序結(jié)果一致，相對(duì)于傳統(tǒng)權(quán)重賦值方法得到的指標(biāo)權(quán)重具有更客觀、準(zhǔn)確的優(yōu)點(diǎn)。

2）與傳統(tǒng)TOPSIS法的評(píng)價(jià)結(jié)果進(jìn)一步做對(duì)比驗(yàn)證，結(jié)果表明基于最優(yōu)權(quán)重融合方法改進(jìn)的TOPSIS法評(píng)價(jià)結(jié)果相對(duì)更為準(zhǔn)確，更符合實(shí)際生產(chǎn)過(guò)程的要求，可以為火電機(jī)組燃燒優(yōu)化方案的抉擇提供有價(jià)值的參考。