CN104616215A - 一种火电厂能效综合评价方法 - Google Patents

Abstract

本发明涉及一种火电厂能效综合评价方法，包括以下步骤：建立火电厂能效综合评价指标体系；采用序关系法和序列综合法确定火电厂能效综合评价指标的综合权重；采用灰色关联度分析，建立起正、负理想灰色关联决策矩阵；结合上述能效指标的综合指标权重，计算出加权灰色关联决策矩阵；最后利用投影矢量原理计算出待评价机组的投影系数值；本发明采用组合赋权的方法，克服了单一赋权的缺点，TOPSIS、灰色关联理论、投影矢量理论的结合，有效的避免了灰关联单向评价的弱点，同时又充分的利用指标因素集的向量空间，特别适用于指标因素多、评价规模大的火电厂机组能效评价问题，为电厂能效评价提供了新的途径。

Description

一种火电厂能效综合评价方法

技术领域

本发明涉及一种火电机组能效评价的综合方法，涉及火电厂综合评价、节能管理研究领域。

背景技术

火电厂作为一次能源的消耗、污染物排放大户，随着国家对节能减排、环境保护工作的重视，给电厂的节能减排工作提出了更高的要求，如何在为国民经济发展提供电力保障的基础上，做到高效率、少排放，是电厂节能工作和研究的出发点。

目前，火电厂节能降耗的研究主要是对单台机组进行能损分析及优化运行，其综合评价方面的研究还比较少；目前常用的电厂能效综合评价的方法主要有层次分析法、模糊综合评价、物元分析法、灰色关联分析等方法。层次分析法是把复杂问题中各因素划分成多层次、多目标条理化的决策方法，它的特点是依赖于专家的经验；模糊综合评价法是利用模糊数学变换原理和隶属度分析原理，考虑各个相关因素，做出综合评价，其也具有依赖人的主观性，客观性不强的特点；物元分析法适用于单台机组的内部综合评价分析，不适用于规模大的火电机组综合评价问题；灰色关联分析在综合决策领域具有广泛的应用，但单向评价的特点不容易拉开评价方案间的距离，区分度不高，因此如何对火电厂能效进行综合评价是火电厂节能工作研究的重点。

发明内容

本发明的目的在于提供一种火电厂能效综合评价方法，该方法避免了灰关联单向评价的弱点，同时也避免了单纯使用主观分析方法造成的主观随意性，充分利用了样本指标因素的空间，能为火电厂能效综合评价提供依据和指导。

为了达到上述目的，本发明采取以下技术方案来实现；

一种火电厂能效综合评价方法，按照如下步骤实施：

步骤一、建立火电厂能效综合评价指标体系；

步骤二、应用序关系法和序列综合法确定机组能效评价指标的综合权重；

步骤三、应用线性比例变换的方法对火电机组原始指标数据进行无量纲化处理；

步骤四、应用灰色关联度分析计算出指标层各评价指标与理想指标之间的关联度系数，并结合步骤二计算出灰色关联加权决策矩阵；

步骤五、应用投影矢量原理计算出各机组准则层指标的投影系数；

步骤六、应用线性加权原理，综合准则层指标的投影系数，最后算出机组目标层的最终投影系数，以投影系数为依据来评判机组的能效利用水平。

所述的步骤一和步骤二中，建立火电机组能效综合评价指标体系后，分别应用序关系法和序列综合法确定电厂能效评价指标的主观权重和客观权重，并得到火电机组能效综合评价的综合权重，实现定量分析与定性分析的结合。

所述的步骤三中，无量纲化后的指标值范围在0-1之间。

所述的步骤四中，要分别计算出评价机组指标相对于正理想机组指标、负理想机组指标的相对关联度，所述关联度系数的值取为0.5。

所述的步骤六中，计算出的投影系数越大，机组能效利用水平越高，反之则越差。

本发明的有益效果是：本发明首先建立了火电厂能效综合评价指标体系，然后采用组合赋权的思想，将序关系法与序列综合法结合来确定火电各指标的权重，实现了定性分析与定量分析的结合，使火电厂能效评价指标权重的确定更科学、更合理；在此基础上，本发明综合TOPSIS、灰色关联理论和矢量投影方法，发明了一种无量纲化处理灰关联投影火电厂能效综合评价算法，该算法既考虑到灰关联适用于指标多、规模大的评价问题，又有效的避免了灰关联单向评价的弱点，为火电厂综合评价提供了新的途径。

附图说明

图1是本发明的能效评价流程图；

图2是本发明的灰色关联投影图。

具体实施方式

本发明主要是针对火电机组能效综合评价提供了一种评价方法，如图1所示，该方法主要包括以下几个步骤：步骤一、建立火电厂能效综合评价指标体系；步骤二、应用序关系法和序列综合法确定机组能效评价指标的综合权重；步骤三、应用线性比例变换的方法对火电机组原始指标数据进行无量纲化处理；步骤四、应用灰色关联度分析计算出指标层各评价指标与理想指标之间的关联度系数，并结合步骤二计算出灰色关联加权决策矩阵；步骤五、应用投影矢量原理计算出各机组准则层指标的投影系数；步骤六、应用线性加权原理，综合准则层指标的投影系数，最后算出机组目标层的最终投影系数，以投影系数为依据来评判机组的能效利用水平。

步骤一中：火电厂综合评价属于综合决策的范畴，设有待评价的机组方案集为A＝{a₁，a₂，…，a_m}，每台火电机组有n个评价指标，构建原始决策矩阵R＝(r_ij)_m×n。

上式中r_ij表示第i(1≤i≤m)个方案(火电机组)下第j(1≤j≤n)个指标的实际运行值。

TOPSIS法是基于标准化后的决策矩阵，找出备选方案中的最优方案(正理想方案)和最劣方案(负理想方案)，通过计算待评价方案与正理想方案和负理想方案的接近程度，来评判方案优劣的过程。

设正理想方案用表示，其各指标值为机组能效评价各指标的最佳值构成矩阵R⁺＝(r_ij)_(m+1)×n为正理想原始决策矩阵。

设负理想方案用表示，其各指标值为机组能效评价各指标的最劣值构成矩阵R^-＝(r_ij)_(m+1)×n为负理想原始决策矩阵。

步骤二中火电能效综合评价各指标的组合权重的求取：在决策评价中，指标权重表示的是指标间的相对重要性程度。

本发明应用序关系法来确定指标的主观权重，其原理步骤如下：

设有m个待评价的火电机组单元A_i(1≤i≤m)，n个评价指标集G_j(1≤j≤n)，若某评价指标g_i(g_i∈G_j)相对于某评价准则(或目标)的重要性程度大于(或不小于)g_j(g_j∈G_j)时，则记为g_i＞g_j(i≠j)，若评价指标g₁，g₂，…，g_n相对于某评价准则具有关系式则称评价指标g₁，g₂，…，g_n之间按“＞”确了序关系。这里表示{g_j}按序关系“＞”排定顺序后第j(j＝1，2，…，n)个评价指标。

关于评价指标与的重要性程度(权值)之比ω_k-1，1/ω_k，1的理性判断为：

ω_k-1，1/ω_k，1＝γ_k，k＝n，n-1，…，3，2

表1γ_k赋值表

γ_k的赋值如上表所示，γ_k-1与γ_k满足：

${\mathrm{\γ}}_{k-1}\≥\frac{1}{{\mathrm{\γ}}_k},k=n,n-1,...,\mathrm{3,2}$

${\mathrm{\ω}}_{k,1}={(1+{\mathrm{\Σ}}_{k=2}^n{\mathrm{\Π}}_{i=k}^n{\mathrm{\γ}}_i)}^{-1}$

ω_k-1，1＝γ_kω_k，1，k＝n，n-1，…，3，2

权值向量W_j，1＝(ω_1，1，ω_2，1，…，ω_n，1)即为能效评价指标的主观权重向量。

本发明应用序列综合法来确定指标的客观权重，其原理步骤如下：

设有s个样本(电厂节能评价机组单元)，其指标因数为X_j(j＝1，2，…，n)，综合因数Y_i(i＝1，2，…，m)，符合条件的计算值为Z_i(i＝1，2，…，m)，这里m取2，则每一评价指标权重W_j，2的确定方法如下表所示。

表2序列综合法确定权值

以下二个定义用来确定序列综合法的综合因数Y_i，这里i取2，即Y₁和Y₂。

若指标最大值为X_jmax，指标平均值为X_jmax超过的倍数为Z₁，那么Y₁＝Z₁，Z₁决定Y₁的大小。注：本发明中倍数Z₁的值超过0.1就向大取整，如z₁＝1.1≈2。

根据所有样本指标值X_ij超过指标平均值的样本(机组)个数Z₂确定Y₂的序列值，个数越多，Y₂越大。

若这两种序列值分别用Y_1，j，Y_2，j表示，Y_1，j+Y_2，j越大，则说明被统计的指标对综合结果的影响越大；反之，则越小。所以，机组各指标的客观权重计算式为：

$W_{j,2}=\frac{Y_{1,j}+Y_{2,j}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(Y_{1,j}+Y_{2,j})}$

权值向量W_j，2＝(ω_1，2，ω_2，2，…，ω_n，2)即为各指标的客观权重向量。

本发明采用几何平均原理确定指标的综合权重，若评价机组各指标的主观权重用W_j，1＝(ω_1，1，ω_2，1，…，ω_n，1)表示，客观权重用

W_j，2＝(ω_1，2，ω_2，2，…，ω_n，2)表示，采用几何平均的原理，求得指标的组合权值：

$W_j=\frac{\sqrt{W_{j,1}{W}_{j,2}}}{\mathrm{\Σ}\sqrt{W_{j,1}{W}_{j,2}}},j=\mathrm{1,2},...n$

权值向量W_j＝(ω₁，ω₂，…ω_n)即为火电评价机组各指标的综合权重向量。

步骤三中原始矩阵的标准化处理：为了得到标准化决策矩阵，需要对原始矩阵进行标准化处理，本发明应用线性比例变换法。

对于效益型指标，指标观测值越大越好，应用如下公式，

r′_ij＝r_ij/max r_ij(1≤i≤m，1≤j≤n)

对于成本型指标，指标观测值越小越好，应用如下公式

r′_ij＝min r_ij/r_ij(1≤i≤m，1≤j≤n)

对于居中型指标，即指标的最佳值为某一定值是，应用如下公式：

$r_{\mathrm{ij}}^{\′}=\left\{\begin{array}{c}\frac{2(x_j-m_j)}{M_j-m_j},m_j\≤x_j\≤\frac{M_j+m_j}{2};\\ \frac{2(M_j-x_j)}{M_j-m_j},\frac{M_j+m_j}{2}\≤x_j\≤M_j;\end{array}\right.$

式中 $M_j=\underset{1\≤i\≤m}{\max }\left\{x_{\mathrm{ij}}\right\},m_j=\underset{1\≤i\≤m}{\min }\left\{x_{\mathrm{ij}}\right\}.$

标准化后指标属性值变为无量纲的r′_ij，r′_ij∈[0，1]，群体决策矩阵由R^±变为R′_±＝(r′_ij)_(m+1)×n，R′₊正理想决策矩阵，R′_-负理想决策矩阵。

步骤四中灰色关联度系数矩阵的计算：设待评价机组的理想序列 $a^{*}=(r_{o1}^{*},r_{o2}^{*},...,r_{\mathrm{oj}}^{*}),$ 这里为正理想方案序列 $a_{\mathrm{oj}}^{+}=\{r_{o1}^{+},r_{o2}^{+},...,r_{\mathrm{on}}^{+}\}$ 或负理想方案序列则第i台机组第j个评价指标与该指标理想值的关联度系数为：

${\mathrm{\ϵ}}_j^i=\frac{\mathrm{\Δ}\min +\mathrm{\ρ\Δ}\max }{{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ\Δ}\max }$

其中 ${\mathrm{\Δ}}_{\mathrm{ij}}=|r_{\mathrm{ij}}^{\′}-r_{\mathrm{oj}}^{*}|,i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n,\mathrm{\Δ}\max =\underset{1\≤i\≤m}{\max }\underset{1\≤j\≤n}{\max }\left\{{\mathrm{\Δ}}_{\mathrm{ij}}\right\},$ ρ称为分辨系数，取值范围0.1～0.8，本发明取0.5。

对矩阵R′₊和R′_-的所有元素求取关联度系数，得到(m+1)×n个灰关联系数组成的矩阵称为正(负)理想灰关联系数决策矩阵H⁺(H^-)。

$H^{+}=\left[\begin{array}{cccc}{h}_{o1}^{+}& h_{o2}^{+}& ...& h_{\mathrm{on}}^{+}\\ h_{11}^{+}& h_{12}^{+}& ...& h_{1n}^{+}\\ h_{21}^{+}& h_{22}^{+}& ...& h_{2n}^{+}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ h_{m1}^{+}& h_{m2}^{+}& ...& h_{\mathrm{mn}}^{+}\end{array}\right],H^{-}=\left[\begin{array}{cccc}{h}_{o1}^{-}& h_{o2}^{-}& ...& h_{\mathrm{on}}^{-}\\ h_{11}^{-}& h_{12}^{-}& ...& h_{1n}^{-}\\ h_{21}^{-}& h_{22}^{-}& ...& h_{2n}^{-}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ h_{m1}^{-}& h_{m2}^{-}& ...& h_{\mathrm{mn}}^{-}\end{array}\right]$

很显然，这里有 $h_{o1}^{+}=h_{o2}^{+}=...=h_{\mathrm{on}}^{+}=1,h_{o1}^{-}=h_{o2}^{-}=...=h_{\mathrm{on}}^{-}=1.$

步骤四中加权灰色关联决策矩阵的计算：若令W_j＝(ω₁，ω₂，…ω_n)，把W_j带入步骤三所的结果矩阵可得正(负)理想加权灰关联决策矩阵W⁺(W^-)：

$W^{+}=\left[\begin{array}{cccc}{\mathrm{\ω}}_1& {\mathrm{\ω}}_2& ...& {\mathrm{\ω}}_n\\ {\mathrm{\ω}}_1{h}_{11}^{+}& {\mathrm{\ω}}_2{h}_{12}^{+}& ...& {\mathrm{\ω}}_n{h}_{1n}^{+}\\ {\mathrm{\ω}}_1{h}_{21}^{+}& {\mathrm{\ω}}_2{h}_{22}^{+}& ...& {{\mathrm{\ω}}_{n}h}_{2n}^{+}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\ω}}_1{h}_{m1}^{+}& {\mathrm{\ω}}_2{h}_{m2}^{+}& ...& {\mathrm{\ω}}_n{h}_{\mathrm{mn}}^{+}\end{array}\right]$

$W^{-}=\left[\begin{array}{cccc}{\mathrm{\ω}}_1& {\mathrm{\ω}}_2& ...& {\mathrm{\ω}}_n\\ {\mathrm{\ω}}_1{h}_{11}^{-}& {\mathrm{\ω}}_2{h}_{12}^{-}& ...& {\mathrm{\ω}}_n{h}_{1n}^{-}\\ {\mathrm{\ω}}_1{h}_{21}^{-}& {\mathrm{\ω}}_2{h}_{22}^{-}& ...& {{\mathrm{\ω}}_{n}h}_{2n}^{-}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\ω}}_1{h}_{m1}^{-}& {\mathrm{\ω}}_2{h}_{m2}^{-}& ...& {\mathrm{\ω}}_n{h}_{\mathrm{mn}}^{-}\end{array}\right]$

结合步骤五、六计算评价方案的灰色投影系数值：每一个待评价方案可以看成是一个行向量(矢量)，如附图说明2所示，a_i为待评价机组方案，a^*为理想机组方案，它们之间的余弦ξ_i代表方案间的接近程度，计算式：

${\mathrm{\ξ}}_i=\frac{a_i\·a^{*}}{\left|\right|a_i\left|\right|\·\left|\right|a^{*}\left|\right|}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{h}_{\mathrm{ij}}{\mathrm{\ω}}_j}{\sqrt{{\mathrm{\Σ}}_{j=1}^n{\left[{\mathrm{\ω}}_j{h}_{\mathrm{ij}}\right]}^2}\·\sqrt{{\mathrm{\Σ}}_{j=1}^n{\mathrm{\ω}}_j^2}},i=\mathrm{1,2},...,m$

θ称为灰色关联投影角。

由图2可知，0＜ξ_i≤1(i＝1，2，…，m，)，显然，灰色关联投影角θ_i越小，ξ_i越大，投影关联度越大，说明待评价机组a_i与理想机组a^*间的接近程度越好。

设为a_i的模，其投影值为D_i：

$\begin{array}{c}{D}_i=d_i\·{\mathrm{\ξ}}_i\\ =\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{[{\mathrm{\ω}}_j\·h_{\mathrm{ij}}]}^2}\·\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{h}_{\mathrm{ij}}{\mathrm{\ω}}_j}{\sqrt{{\mathrm{\Σ}}_{j=1}^n{\left[{\mathrm{\ω}}_j{h}_{\mathrm{ij}}\right]}^2}\·\sqrt{{\mathrm{\Σ}}_{j=1}^n{\mathrm{\ω}}_j^2}}\\ =\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}\·[{\mathrm{\ω}}_j^2/\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_j^2}\end{array}$

称权值为灰色投影权值矢量，计算式如下所示：

${\widetilde{\mathrm{\ω}}}_j={\mathrm{\ω}}_j^2/\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_j^2}$

则根据上两式得到：

$D_i^{\±}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}^{\±}\·{\widetilde{\mathrm{\ω}}}_j,i=\mathrm{1,2,3},...m$

对于方案a_i，和分别表示正理想灰色关联投影值、负理想灰色关联投影值，应用TOPSIS理论计算出评价机组的灰色关联投影系数e_i为：

$e_i=\frac{D_i^{+2}}{D_i^{+2}+D_i^{-2}}$

下面结合实施例对本发明作进一步描述。

在本实施例中，以4台600MW机组作为研究对象，选取负荷系数、供电煤耗、厂用电率、发电综合耗水率、SO₂、NO_x以及粉尘7个指标作为反应火电机组能效利用水平综合指标，统计运行数据如下表所示：

表3机组运行数据表

根据表1的数据和指标的性质，得到正理想原始决策矩阵R⁺和负理想原始矩阵R^-为：

$R^{+}=\left[\begin{array}{ccccccc}81.67& 316.83& 4.96& 0.2& 0.418& 1.805& 0.178\\ 79.36& 316.83& 4.96& 0.35& 8.731& 2.483& 0.207\\ 81.67& 320.45& 5.1& 0.21& 0.418& 2.276& 0.178\\ 69.83& 318.05& 5.15& 0.33& 0.452& 2.673& 0.221\\ 78.33& 325.42& 5.43& 0.2& 0.621& 1.805& 0.181\end{array}\right]$

$R^{-}=\left[\begin{array}{ccccccc}69.83& 325.42& 5.43& 0.35& 8.731& 2.673& 0.221\\ 79.36& 316.83& 4.96& 0.35& 8.731& 2.483& 0.207\\ 81.67& 320.45& 5.1& 0.21& 0.418& 2.276& 0.178\\ 69.83& 318.05& 5.15& 0.33& 0.452& 2.673& 0.221\\ 78.33& 325.42& 5.43& 0.2& 0.621& 1.805& 0.181\end{array}\right]$

对原始决策矩阵进行初始化处理，得到正理想决策矩阵R′₊和负理想矩阵R′_-为

$R_{+}^{\′}=\left[\begin{array}{ccccccc}1& 1& 1& 1& 1& 1& 1\\ 0.9717& 1& 1& 0.5714& 0.0479& 0.7269& 0.8599\\ 1& 0.9887& 0.9725& 0.9524& 1& 0.7931& 1\\ 0.8550& 0.9962& 0.9631& 0.6061& 0.9248& 0.6753& 0.8054\\ 0.9591& 0.9736& 0.9134& 1& 0.6731& 1& 0.9834\end{array}\right]$

$R_{-}^{\′}=\left[\begin{array}{ccccccc}1& 1& 1& 1& 1& 1& 1\\ 0.8799& 0.9736& 0.9134& 1& 1& 0.9289& 0.9367\\ 0.8550& 0.9847& 0.9392& 0.6000& 0.0479& 0.8515& 0.8054\\ 1& 0.9774& 0.9484& 0.9429& 0.0518& 1& 1\\ 0.8915& 1& 1& 0.5714& 0.0711& 0.6753& 0.8190\end{array}\right]$

计算得到正理想灰关联决策矩阵h⁺和负理想灰关联决策矩阵h^-

$h^{+}=\left[\begin{array}{ccccccc}1& 1& 1& 1& 1& 1& 1\\ 0.9439& 1& 1& 0.5262& 0.3333& 0.6355& 0.7726\\ 1& 0.9768& 0.9455& 0.9091& 1& 0.6970& 1\\ 0.7666& 0.9920& 0.9281& 0.5472& 0.8636& 0.5945& 0.7099\\ 0.9209& 0.9475& 0.8462& 1& 0.5929& 1& 0.9664\end{array}\right]$

$h^{-}=\left[\begin{array}{ccccccc}1& 1& 1& 1& 1& 1& 1\\ 0.7986& 0.9475& 0.8462& 1& 1& 0.8701& 0.8826\\ 0.7666& 0.9689& 0.8868& 0.5424& 0.3333& 0.7622& 0.7099\\ 1& 0.9546& 0.9023& 0.8928& 0.3342& 1& 1\\ 0.8144& 1& 1& 0.5262& 0.3388& 0.5945& 0.7245\end{array}\right]$

采用序列综合法计算指标的主观权值，参考专家的意见，七个指标的优先顺序供电煤耗(w1)＞厂用电率(w2)＞负荷系数(w3)＞发电综合耗水率(w4)＞SO₂(w5)＞NO_x(w6)＞粉尘(w7)，有w1/w2＝1.2，w2/w3＝1.8，w3/w4＝1.2，w4/w5＝1，w5/w6＝1.4，w6/w7＝1.8。依据公式解得w1＝0.2881，w2＝0.2376，w3＝0.1320，w4＝0.1100，w5＝0.1100，w6＝0.0786，w7＝0.0437。

采用学列综合法来确定指标的客观权值，如下表所示：

表4序列综合法确定权值

得到指标的综合权重向量W＝(0.1589，0.1916，0.1231，0.1450，0.1675，0.1226，0.0914)，进而计算得到灰色关联投影权值向量W＝(0.0653，0.0950，0.0392，0.0544，0.0725，0.0389，0.0216)。

计算得到 $D_i^{+}=\left(\mathrm{0.2899,0.3657,0.3144,0.3403}\right)$ 和 $D_i^{-}=(0.3550,0.2754,\mathrm{0.3245,0}.2792).$

依据定理计算得到各机组的灰色关联投影系数e_i＝(0.4001，0.6380，0.4794，0.5977)，依据投影进行排序，最终4台机组的能效综合排名为B机组＞D机组＞C机组＞A机组。可以看出决策结果与机组运行数据相符。

E_i越大，表示评价机组距离理想机组越近，那么机组的能效利用水平就高，越小表示距离越远，能效利用水平就差。

本发明旨在为火电厂能效评价技术领域提供一种能效综合评价的方法，本领域的而普通技术人员在阅读本发明说明书的基础上可以对所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施技术方案的精神和范围。

Claims (5)

1.一种火电厂能效综合评价方法，其特征在于，按照如下步骤实施：

步骤一、建立火电厂能效综合评价指标体系；

步骤二、应用序关系法和序列综合法确定机组能效评价指标的综合权重；

步骤三、应用线性比例变换的方法对火电机组原始指标数据进行无量纲化处理；

步骤四、应用灰色关联度分析计算出指标层各评价指标与理想指标之间的关联度系数，并结合步骤二计算出灰色关联加权决策矩阵；

步骤五、应用投影矢量原理计算出各机组准则层指标的投影系数；

步骤六、应用线性加权原理，综合准则层指标的投影系数，最后算出机组目标层的最终投影系数，以投影系数为依据来评判机组的能效利用水平。

2.根据权利要求书1所述的一种火电厂能效综合评价方法，其特征在于：所述的步骤一和步骤二中，建立火电机组能效综合评价指标体系后，分别应用序关系法和序列综合法确定电厂能效评价指标的主观权重和客观权重，并得到火电机组能效综合评价的综合权重，实现定量分析与定性分析的结合。

3.根据权利要求书1所述的一种火电厂能效综合评价方法，其特征在于：所述的步骤三中，无量纲化后的指标值范围在0-1之间。

4.根据权利要求书1所述的一种火电厂能效综合评价方法，其特征在于：所述的步骤四中，要分别计算出评价机组指标相对于正理想机组指标、负理想机组指标的相对关联度，所述关联度系数的值取为0.5。

5.根据权利要求书1所述的一种火电厂能效综合评价方法，其特征在于：所述的步骤六中，计算出的投影系数越大，机组能效利用水平越高，反之则越差。