CN106327106A - 基于粗糙集理论的需求侧响应资源价值评价方法 - Google Patents

Abstract

本发明公开了一种基于粗糙集理论的需求侧响应资源价值评价方法，属于需求侧响应资源价值评价技术领域，包括以下步骤：第一步，将被评单元构成的集合作为论域；最初评价指标构成的集合作为属性集A，根据有关规定和实际情况确定各最初评价指标的阈值；第二步，根据各最初评价指标的实际值确定各被评单元的最初评价指标信息表；第三步，根据定义确定各被评单元的最初评价指标初步的约简信息表和知识A。本发明的优点如下：粗糙集理论是一种刻画不完整性和不确定性的数学工具，能有效地分析不完整的信息，还可以对数据进行推理，从中发现隐含的知识，揭示潜在的规律。本发明提出基于粗糙集理论的价值评价模型，该模型更为全面，整体性也更强。

Description

基于粗糙集理论的需求侧响应资源价值评价方法

技术领域

本发明涉及需求侧响应资源价值评价技术领域，具体给出了一种基于粗糙集理论的需求侧响应资源价值评价方法。

背景技术

基于粗糙集理论的需求侧响应资源价值评价模型：粗糙集理论是一种刻画不完整性和不确定性的数学工具，能有效地分析不完整的信息，还可以对数据进行推理，从中发现隐含的知识，揭示潜在的规律。目前针对需求侧资源的评价方法普遍存在不全面、整体性较差的特点，因此本发明提出基于粗糙集理论的价值评价模型，该模型更为全面，整体性也更强。

需求侧资源的评价方法普遍存在不全面、整体性较差的特点具体如下：

第一，指标体系存在缺陷，无法全面展现需求侧资源在降低电网侧投资、降低电网扩容需求侧方面的作用，若指标体系较全面，则部分方法的计算会出现偏差；

第二，赋权过程不够科学，需求侧资源的促进作用有多个方面，不同方面带来的社会经济效益不同，目前大部分评价方法对需求侧资源采用主观赋权的方法(如专家打分法等)，主观性较强，缺乏根据具体数据进行赋权的方法；

第三，计算过程复杂、理解难度大，目前大部分评价方法计算过程复杂、计算难度大，增加了求解过程出错的可能性。

发明内容

发明目的

本发明的主要目的在于提供一种基于粗糙集理论的需求侧响应资源价值评价方法，解决目前针对需求侧资源的评价方法普遍存在不全面、整体性较差的问题。

技术方案

一种基于粗糙集理论的需求侧响应资源价值评价方法，其特征在于，包括以下步骤：

第一步，将被评单元构成的集合作为论域；最初评价指标构成的集合作为属性集A，根据有关规定和实际情况确定各最初评价指标的阈值；

第二步，根据各最初评价指标的实际值确定各被评单元的最初评价指标信息表；

第三步，根据定义确定各被评单元的最初评价指标初步的约简信息表和知识A；

第四步，令评价集＝U，指标集V＝A；

第五步，确定指标集中各评价指标的权重；

第六步，确定隶属函数：隶属函数的确定方法可采用模糊统计方法或者指派方法；

第七步，确定模糊判断矩阵：根据隶属函数计算评价指标在各个评价等级上的隶属度，由此构成模糊评判矩阵R；

第八步，进行模糊矩阵的复合运算： 为模糊算子，根据b₁,b₂,…,b_n的大小，确定评价结果。

作为优选，第一步具体如下：当评价指标是越小越好时，该指标值不超过阈值则赋值1，否则赋值0；当评价指标是越大越好时，该指标值的评价指标若不小于阈值则赋值l，否则赋值0。

作为优选，第六步具体如下：指派方法指根据问题的性质套用现成的某些形式的模糊分布，根据测量的数据确定分布中包含的参数。

从上面所述可以看出，本发明具有以下特点和优点：

1、设计考虑需求侧资源的多元供应体系评价指标体系：在传统电力系统规划方案评价的基础上，融入考虑需求侧响应、需求侧管理等指标，将需求侧管理对电力规划、运行带来的益处考虑进去，形成对供需双侧资源的综合评价指标体系。

2、基于粗糙集理论的需求侧响应资源价值评价模型：粗糙集理论是一种刻画不完整性和不确定性的数学工具，能处理各种数据，包括不完整的数据以及拥有众多变量的数据，有效地分析不完整的信息，还可以对数据进行推理，处理数据的不精确性和模棱两可，从中发现隐含的知识，从数据中揭示出概念简单、易于操作的模式以及潜在的规律。因此，基于此理论，本发明提出的价值评价模型更加全面，并具有更强的整体性。

附图说明

图1为需求侧响应资源价值前评价指标体系；

图2为需求侧响应资源价值后评价指标体系。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

1基于粗糙集理论的评价指标体系

1.1前评价指标体系

在措施实施前期阶段，电力用户可以分为居民用户和大用户两类，需要运用净现值和投资回收期来对措施进行评价，此时应以由于实施该项目可能产生的折现现金流作为评价指标。本发明根据评价指标的设计原则建立起指标体系，见图1。

(1)发电侧效益的评价指标主要有：可避免峰荷容量费用、可避免燃料成本费用、可避免机组不正常启停费用、可避免环境污染造成补偿费用、电源缓建效益；成本的评价指标主要有：减少的售电量，但该项指标与电网企业减少的售电量相差无几，为了减少计算步骤，在进行总影响评价时可以约简去，但在单独计算对发电企业的影响时应当考虑。

(2)电网侧效益的评价指标主要有：可避免电网投资费用、可避免电力运行和检修费用；成本的评价指标主要有：减少的售电收入、给予用户的补贴和折扣费用、投入的宣传等。

(3)大用户对大用户来说效益的评价指标包括：避免的强行限电成本、获得的减免税优惠或者补贴；成本的评价指标包括：初始设备投资总费用、增加的运行和维护费用等。

(4)居民对于居民用户来说，效益的评价指标包括减少的电力支出；成本的评价指标包括初始投资费用。

最后，将各净现值相加总所得结果以及该项目的投资回收期作为评价该项目是否值得实施的判断依据。

1.2后评价指标体系

需求侧响应资源价值后评价指标中不但应当包括项目选择过程中所使用的指标，还应当包括一些非货币指标。其中包括与发电企业相关的提高的发电设备利用率、提高的环保效率比率、降低的资源利用率；与电网企业相关的提高的供电可靠性、提高的客户满意度、提高的负荷率。

其中，与前评价指标体系相比增加了与发电企业相关的提高的发电设备利用率、提高的环保效率比率、降低的资源利用率；与电网企业相关的提高的供电可靠性、提高的客户满意度、提高的负荷率。

在年度效果评价中应当是针对实施的所有需求侧响应措施对各指标产生的影响进行的，并与以前年度或其它地区相比较，评价该年度需求侧响应的实施效果，并分析产生的是有利差异还是不利差异，以及差异原因。

而后评价中则应仅针对该项目产生的影响来进行评价，并分析该项目的实施效果与预期效果的差异。需求侧响应资源价值后评价指标体系如图2所示。

2指标涵义及测算方法

需求侧响应资源价值评价指标体系共涉及26项指标，各指标的涵义及测算方法如下：

(1)可避免峰荷容量费用指由于在电网峰荷期节约的可避免发电容量，即电网高峰负荷时避免的系统装机容量。也即由于用户错峰避峰用电等行为使电力系统避免的新增装机容量的成本。因为需求侧响应所提供资源可全部避免新建机组，因此可避免峰荷容量费用为投资于此装机容量机组的成本。可避免峰荷容量以及相关费用公式如下：

F_N＝ΔN_y·F_I (4-26)

ΔN_y＝e_y·ΔP_f (4-27)

式中F_N——可避免峰荷容量费用(元)；

F_I——机组单位投资成本(元)；

ΔN_y——可避免峰荷容量(kW)；

ΔP_f——终端可避免峰荷电量(kWh)；

e_y——可避免峰荷容量系数。

一般地讲，可避免峰荷容量是终端可避免峰荷电力的1.34-1.63倍。

(2)可避免燃料成本费用指由于需求侧响应使电力系统避免的燃料成本，为用户节能量、边际燃料成本二者的乘积。公式如下：

$F_r=W\·C_{m_r}$

式中F_r——可避免燃料成本费用(元)；

W——用户节能量(kWh)；

C_mr——边际燃料成本(元)。

(3)可避免机组不正常启停费用指由于需求侧响应使电力系统避免的因超负荷运行致使增加的机组不正常启停费用。火力发电厂的锅炉与汽轮机设备的退出运行和再投入要耗费启动能量，既花费时间，又易于损坏设备。在承受急剧变化的负荷时，与退出或投入时相似，既额外消耗能量，又耗费时间。不正常启停费用的避免可公式如下：

F_q＝F_p·n_A

式中F_q——机组不正常启停费用(元)；

F_p——机组启停费用(元)；

n_A——机组不正常启停次数(次)。

(4)可避免环境污染造成补偿费用指由于需求侧响应使发电企业减排污染物，从而减少的环境污染补偿费用。此项根据政府对排放污染物的补偿规定确定。可避免补偿费用的数额可公式如下：

F_B＝E_w·b_g

式中F_B——补偿费用(元)；

E_w——避免的污染物排放量(t)；

b_g——政府规定的单位补偿费(元)；

目前二氧化硫收费标准为0.63元/千克。

(5)电源缓建效益指的是由于实施需求侧响应使得电力系统避免或者推迟新建发电机组而带来的效益。电源缓建效益的数额公式如下：

$F_i={\mathrm{\ΔN}}_y\·F_S\·\frac{i_j{(1+i_j)}^{d_r}}{{(1+i_j)}^{d_r}-1}$

式中ΔN_y——系统可避免峰荷容量(kW)；

F_S——为系统单位机组造价(元)；

i_j——为基准利率(％)；

d_r——为缓建电源经济使用周期(h)。

(6)提高的发电设备利用率发电设备利用率指发电设备每年度设备实际使用时间占计划用时的百分比，在发电企业中，设备投资常常在总投资中占较大的比例，因此，设备能否充分利用，直接关系到投资效益，提高设备的利用率，等于相对降低了发电成本。提高的发电设备利用率指由于需求侧响应调整负荷从而提高的发电设备利用程度。

(7)提高的环保效率比率环保效率比率指每单位立方米“三废”排放量提供的净产值，比率越高，则环保效益越好。提高的环保比率是一个百分数，是指今年与去年环保比率之差。

(8)降低的资源利用率资源利用率指单位净产值的原材料、能源消耗，比率系数越低，则原材料、能源利用效果越佳。降低的资源利用率指去年与今年资源利用率之差。

(9)减少的售电收入指电网企业因实施需求侧响应减少的售电收入。可公式如下：

R_S＝W_S·p_A

式中R_S——减少的售电收入(元)；

W_S——减少的售电量(kWh)；

p_A——平均电价(元)。

(10)给予用户的补贴和折扣费用指电网企业的节电设备投资价格折扣费用、人员上维护费用、设备安装折扣费用等。折扣费用可公式如下：

$F_G=\frac{F_C}{y}+F_r+F_w$

式中F_G——电力设备折扣费用(元)；

F_C——有电网企业负责的设备初始投资成本(元)；

y——设备折旧年限(年)；

F_r——人员上门维护费用(元)；

F_w——设备安装费用及其他(元)。

(11)投入的宣传费用主要指电网企业推行需求侧响应投入的宣传费用。

(12)可避免电网投资费用可避免电网投资费用指电网企业因转移负荷减少的电网投资费用。可公式如下：

$F_k={\mathrm{\ΔN}}_y\·\frac{F_Z}{N_r}$

式中F_k——可避免电网投资费用(元)；

ΔN_y——可避免峰荷容量(kW)；

F_Z——电网投资总费用(元)；

N_r——电网总容量(kW)。

(13)可避免电力运行和检修费用可避免电力运行和检修费用指电网企业因转移负荷而减少的电力运行和检修费用。检修费用的数额由以下公式求得

$F_{M_b}={\mathrm{\ΔN}}_y\·\frac{F_M}{N_r}$

式中F_Mb——可避免电力运行和检修费用(元)；

F_M——总电力运行和检修费用(元)。

(14)提高的供电可靠性通常以百分比形式来表示对用户供电的可靠性。

${\mathrm{\μ}}_g=\left(\frac{1-{\mathrm{\Σ\γ}}_{\mathrm{\ω}}}{\mathrm{\ω}}/h_{\mathrm{\ω}}\right)\·100\%$

式中μ_g——供电可靠率(％)；

γ_ω——每户每次停电时间(h)；

ω——总用户数(个)；

h_ω——一年的小时数(h)；

因实施需求侧响应减少了停电时间，由上式可知，必然会使供电可靠性得到提高，但需求侧响应与提高供电可靠率二者之间的关系很难通过公式获得，因此在实际工作中对这项指标的数据可采取调研专家意见的方法获得。

(15)提高的客户满意度因实施需求侧响应使客户满意度提高的百分比，数据获取同指标(14)。

(16)提高的负荷率指因实施需求侧响应使负荷率提高的百分比，负荷率的提高意味着电网峰、谷段用电量的差距缩小，电网运行更经济，且有利于减轻高峰用电时的压力，保障电网的供电安全。在调研专家意见后，此项指标按本年负荷率高于前一年负荷率的百分比计算(若本年负荷率低于前一年负荷率，则采取经验数据)，可由以下公式求得

E＝E₂-E₁

式中E——提高的负荷率(％)；

E₂——本年负荷率(％)；

E₁——前一年负荷率(％)。

(17)初始设备投资总费用指用户侧购买需求侧响应技术支持设备的总投资，包括安装费用。本指标数据调研可得。

(18)增加的运行和维护费用指用户对需求侧响应技术支持设备进行维护的费用，包括维修及改良，维护的费用。本指标数据调研可得。

(19)避免的强行限电成本用户因参与需求侧响应，合理安排发电，避免的强行限电成本。对每个用户的停电损失进行具体的确定并计算十分困难，这不仅由于各个用户的用电性质不同，而且也因停电发生的时间及停电持续时间的长短不同而不同。比如，对于工业用户来说，并不是所有负荷都是同等重要、都不能停电的，而是只有少数要害部门或关键时刻才会产生重大的损失，当停电发生在其发电流程的不同阶段时，其所产生的损失也是不同的。由上可见，很难实现限电损失的量化，因此，本指标设计为定性指标。

(20)获得的减免税优惠或补贴指用户参与需求侧响应，电网企业和政府给予的补偿。

(21)初始投资费用指居民购买智能电表等需求侧响应技术支持设备的费用。

(22)减少的电力费用指居民参与需求侧响应措施后节省的电费支出。可由以下公式求得

F_b＝(W_h-W_n)·p_A

式中F_b——居民用户减少的电费(元)；

W_h——未参与需求侧响应前的年平均用电量(kWh)；

W_n——参与需求侧响应后的年实际用电量(kWh)；

p_A——平均电价(元)。

(23)减少的二氧化碳排放量指发电企业减排的二氧化碳。排放量具体数额可由以下三个公式求得

$A_{{\mathrm{CO}}_2}={\mathrm{\λ}}_{{\mathrm{CO}}_2}\·B_C$

${\mathrm{\λ}}_{{\mathrm{CO}}_2}={\mathrm{\α}}_c\·{\mathrm{\β}}_{{\mathrm{CO}}_2}\·{\mathrm{\γ}}_c$

B＝k_C·b_C·E_b·10^-3

式中——CO₂减排量(t)；

——CO₂减排系数；

α_c——燃煤含C率(％)；

——C到CO₂的转换系数，

γ_c——C释放率(％)；

B_C——可避免燃煤消耗(t)；

k_C——标煤折发电燃煤系数，k＝1.4；

b_C——发电煤耗(kg/kWh)；

E_b——供方可避免电量(亿kWh)

对我国燃煤电厂，一般α_c＝0.6-0.65，γ_c＝0.95左右。

(24)减少的二氧化硫排放量指发电企业减排的二氧化硫。排放量具体数额可由以下两个公式求得

$A_{{\mathrm{SO}}_2}={\mathrm{\λ}}_{{\mathrm{SO}}_2}\·B$

${\mathrm{\λ}}_{{\mathrm{SO}}_2}={\mathrm{\α}}_S\·{\mathrm{\β}}_{{\mathrm{SO}}_2}\·{\mathrm{\γ}}_S$

式中——SO₂减排量(t)；

——SO₂减排系数；

α_S——S到SO₂的转换系数，

γ_S——S释放率(％)；

对我国燃煤电厂，一般α_S＝1.0％-1.2％，γ_S＝0.85左右。

(25)减少的氮氧化物排放量指发电企业减排的氮氧化物。排放量具体数额可由以下公式求得

$A_{{\mathrm{NO}}_x}={\mathrm{\λ}}_{{\mathrm{NO}}_x}\·B$

式中——NO_x减排量(t)；

——NO_x减排系数。

目前我国火电厂每吨煤约产生9.08kg氮氧化物。

(26)减少的固体废物排放量指发电企业减排的固体废物。排放量具体数额可由以下公式求得

A_d＝λ_d·B

式中A_d——减少的固体废物排放量(t)；

λ_d——固体废物减排系数。

至此，需求侧响应资源价值评价的指标体系已经构建完毕。

通过建立指标体系，第一，对需求侧响应资源价值进行评价，可为管理决策者的政策制定提供依据。第二，可以进行不同地区与各年度需求侧响应资源价值的横向、纵向的比较、评价，从比较中找出差距和薄弱环节，分析落后原因，并从先进地区与先进年度中借鉴经验、积累经验。第三，利用指标体系引导电网企业及用户树立节约能源、保护环境的意识，督促其有序用电，强化节约用电，建立需求侧响应长效管理机制。第四，通过定量评价需求侧响应资源价值，揭示需求侧响应的实施与电网企业、用户、社会的矛盾、问题，并分析矛盾和问题产生的原因，将建议、解决办法及时提供给管理部门，以采取对策，促进发展。

3基于粗糙集理论的需求侧响应资源价值评价方法

3.1粗糙集的基本概念

粗糙集理论建立在分类机制的基础上，将分类理解为在特定空间上的等价关系，而等价关系构成了对该空间的划分。粗糙集理论将知识理解为对数据的划分，每个被划分的集合称为概念。粗糙集理论的主要思想是利用已知的知识库，将不精确或不确定的知识用已知的知识库中的知识来(近似)刻画。该方法无需提供问题所需处理的数据集合之外的任何先验信息，无需对知识或数据的局部给出主观评价，并具有仅根据观测数据删除冗余信息，比较不完整知识的程度——粗糙度、属性间的依赖性与重要性、抽取分类规则等能力。由于这个理论的使用过程中包含处理不精确原始数据的机制，所以对问题不确定性的描述或处理可以说是比较客观的。

由于对需求侧响应资源价值进行评价所需指标数据有很多不能仅凭客观结果得出，而需要进行主观判断因此在确定指标权重的过程中本发明更倾向于选择一种客观性较强的方法，以使评价结果更具有客观公正性。

假设四元组S＝(U，A，V)为一个知识表达系统。其中：U为对象的非空有限集合，称为论域；A为属性的非空有限集合，A＝C∪D，C称为条件属性集，D称为决策属性集；V_a是属性a的值域；f:U^*f→V是一个信息函数，它为每个对象的每个属性赋予一个信息值，即x∈U，f(x,a)∈V。

在粗糙集理论中，“知识”被认为是一种分类能力，也就是将知识理解为对数据的划分。用集合的概念表示就是：使用等价关系集R对离散表示的空间U进行划分，知识就是R对U划分的结果。由此，在U和R的意义下，知识库可定义为：属于R中的所有可能的关系对U的划分，记为K＝(U,R)。这样给定一组数据U与等价关系集R，在R下对U的划分，称为知识，记为U/R。如果一个等价关系集对数据的划分存在矛盾，则将导致不确定划分，可用粗糙度来度量。

知识表达系统也称为信息系统。给定一个知识表达系统K＝(U,R)，对于每个子集和一个等价关系R∈ind(S)，两个子集的定义可由以下两个公式表示

$\underset{\‾}{R}X=\∪\{Y\∈U/R|Y\⊆X\}$

分别称为下近似和上近似。称为X的R边界域；pos_R(X)＝RX称为X的R正域；称为X的R负域。

设R为一个等价关系族，r∈R，如果ind(R)＝ind(R-{r})，则称r在R中是可被约去的知识；称r为R中不必要的；否则称r为R中必要的。如果P＝r-{R}是独立的，则P是R中的一个约简。实际应用中，一个分类相对于另一个分类的关系十分重要。因此产生了一个分类相对于另一个分类的正域的概念。

令O和Q为U中的等价关系，Q的O正域记为pos_O(Q)，即O正域是U中所有根据分类U/O的信息可以准确地划分到关系Q的等价类中去的对象的集合。

3.2粗糙集确定权重

在粗糙集中，使用信息表来描述论域中的数据集合。信息表的形式和关系数据库中的关系数据模型非常相似，是一张二维表格，其中列表示属性，行表示对象，并且每行表示该对象的一条信息。和前面定义的知识系统相同，在信息表中，一个属性对应一个等价关系，一个表可以看作是定义的一组等价关系。

在粗糙集理论中定义属性attr在属性集中的重要度可公式如下：

${\mathrm{\μ}}_O\left(attr\right)=\frac{|{\mathrm{pos}}_O-{\mathrm{pos}}_O-|attr\left|\left(R\right)\right|}{\left|Z\right|}$

式中attr——属性；

R——所有属性的集合；

O——论域；

Z——所有对象。

权重可由以下公式表示

$w_i=\frac{{\mathrm{\μ}}_p\left(attr\right)}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\μ}}_p\left(attr\right)}.$

3.3改进的模糊综合评价方法(本发明的重点)

第一步，将待评单元构成的集合作为论域；最初评价指标构成的集合作为属性集A，根据有关规定和实际情况确定各最初评价指标的阈值。具体做法：评价指标若是越小越好，该指标值不超过阈值则赋值1，否则赋值0；越大越好时，该指标值的评价指标若不小于阈值则赋值l，否则赋值0；

第二步，根据各最初评价指标的实际值确定各待评单元的最初评价指标信息表；

第三步，根据定义确定各待评单元的最初评价指标初步的约简信息表和知识A；

约简信息表：某些评价指标在所有属性上对应的值都一样时，这时可以将指标进行约简，只需保留一个指标即可；

第四步，令评价集＝U，指标集V＝A；

第五步，确定指标集中各评价指标的权重；

第六步，确定隶属函数：隶属函数的确定方法通常可分为模糊统计方法和指派方法两种，常用的是指派方法。指派方法指根据问题的性质套用现成的某些形式的模糊分布，根据测量的数据确定分布中包含的参数。较为常用的模糊分布有梯形分布；

第七步，确定模糊判断矩阵：根据隶属函数计算评价指标在各个评价等级上的隶属度，由此构成模糊评判矩阵R；

第八步，进行模糊矩阵的复合运算： 为模糊算子。根据b₁,b₂,…,b_n的大小，确定评价结果。

确定隶属度矩阵：进行单因素评判得到隶属度向量r_i＝(r_i1,r_i2,…r_im),所以评价指标构成的隶属度矩阵R(也就是模糊评判矩阵)

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1m}\\ r_{21}& r_{22}& \mathrm{...}& r_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{n1}& r_{n2}& \mathrm{...}& r_{nm}\end{array}\right]$

由于之前已计算出权重W，所以根据进行综合评判，为模糊算子。根据b₁,b₂,…,b_n的大小，按照隶属度最大原则作出评判或计算综合评价值。

实施例1：

表1为某地区需求侧响应资源价值最初评价指标值及期望指标值。具体的指标数据取自于某省级电网公司分别于2007、2008、2009年实施的需求侧响应措施，根据前文制定的指标体系，对每个指标进行数据获取，下面本节将就此数据进行算例分析。

如表1所示，本模型将分别针对发电侧、电网侧、大用户、居民、全社会进行需求侧响应资源价值的评价，分析给需求侧响应各参与方带来的效益，并寻找出差距环节。

表1某地区最初评价指标值及期望指标值

Table 1 Initial evaluation of the value and expectation of regionalindexes

由表2可知：U＝{2007年，2008年，2009年}，A＝{A1，A2，A3…E1，E2，E3}。以期望值作为各最初评价指标的阈值，确定待评单元的各最初评价指标信息表。由表可见A1、A4、B2、B8、E1、E2、E3、E4对于U上各对象的属性值都相同，故只需保留其中一个，假设保留A1。同样，A3、A5、A6、B1、B3、D2只需保留其中一个，假设保留A3；A7、A8、C3、C4只需保留其中之一，假设保留A7；A2、B4、B8、C1、D1、B9只需保留其中之一，假设保留B3，B5、B6、B7只需保留其中一个，假设保留B5。

表2待评单元的评价因子初步约简信息

Table 2 The preliminary information for evaluation factors

则

$U/ind\left(\tilde{A}\right)=\left\{\right\{1\},\{2\},\{3\left\}\right\}$

$U/ind\left({\tilde{A}}_{-\left\{A1\right\}}\right)=\left\{\right\{1\},\{2\},\{3\left\}\right\}=U/ind\left(\tilde{A}\right)$

$U/ind\left({\tilde{A}}_{-\left\{A3\right\}}\right)=\left\{\right\{1\},\{2\},\{3\left\}\right\}=U/ind\left(\tilde{A}\right)$

$U/ind\left({\tilde{A}}_{-\left\{A7\right\}}\right)=\left\{\right\{1\},\{2\},\{3\left\}\right\}=U/ind\left(\tilde{A}\right)$

$U/ind\left({\tilde{A}}_{-\left\{B4\right\}}\right)=\left\{\right\{1\},\{2\},\{3\left\}\right\}=U/ind\left(\tilde{A}\right)$

$U/ind\left({\tilde{A}}_{-\left\{B5\right\}}\right)=\left\{\right\{1\},\{2\},\{3\left\}\right\}=U/ind\left(\tilde{A}\right)$

由此可见因为数据量太少，这些属性均可以约简，因此对于该地区电网企业需求侧响应实施效果来说没有必要进行二次约简，可直接计算各指标属性的重要程度及权重。但随着需求侧响应实施时间的延长，以及数据的增加，这种方法能有效减少计算的数据，将复杂的运算简单化。计算约简后的各评价指标属性重要程度及权重结果，见表3：

表3约简后的各评价指标属性重要程度及权重

Table 3 The degree of importance and weight of all evaluatingindicators

对于这五项指标，采用梯形分布，确定隶属函数，给出满意度的评价标准，表4给出了上下限。

表4约简后指标的评价标准

Table 4 Evaluation criterions for indicators

按隶属函数计算的约简后指标的指标值见表5。

表5约简后指标的隶属度

Table 5 Membership grade of indicators

由于：

由此可见，该地区自2007年以来需求侧响应的实施效果是越来越好的，但个别评价指标与理想效果即实施需求侧响应所能达到的最好效果相比还是有差距的，而且差距较大。通过该算例表明，该评价模型具有一定的科学性与实用性，可以实现对不同地区与不同年份的需求侧响应实施情况进行横向与纵向的比较。

但是，由于在评价时要确定各指标阈值(期望值)，因此在需求侧响应实施前就要对各指标预期能够达到的数值进行测算，对于大多数基于激励的需求侧响应措施，各指标值与合同约定有关，相对较容易得出，但是对于基于价格的需求侧响应措施来说，其中某些指标值与用户的需求价格弹性等一系列不确定因素有关，测算过程较为复杂。其次，需求侧响应实施效果的指标数据获取相当困难，几乎每一项指标的数据都要对调研数据进行分析测算才能得到。

实施例2：

假设对科研成果进行评价，评价指标集合U＝{u₁,u₂,u₃}＝{学术水平，社会效益，经济效益}，各自权重根据前述步骤求得w＝{0.3，0.3，0.4}

确定评语集为V＝{V₁,V₂,V₃,V₄}＝{很好，好，一般，差}

对此项成果的每一评价指标进行单因素评价，如学术水平，50％的专家认为“很好”，30％的专家认为“好”，20％的专家认为“一般”，由此得到学术水平的单因素评价结果为R₁＝(0.5，0.3，0.2，0)

全部因素的评价结果为

$R=\left(\begin{array}{c}{R}_1\\ R_2\\ R_3\end{array}\right)=\left[\begin{array}{cccc}0.5,& 0.3,& 0.2,& 0\\ 0.3,& 0.4,& 0.2,& 0.1\\ 0.2,& 0.2,& 0.3,& 0.2\end{array}\right]$

综合评价

有四种主要的模糊算子采用不同算子所得结果不同

(1)M(∧，∨)算子 ∧表示取小，∨表示取大

所以B＝(0.3 0.3 0.3 0.2)

(2)M(·，∨)算子 ·表示相乘

所以B＝(0.15 0.12 0.12 0.08)

(3)算子 表示相加

$B_k={\mathrm{\Σ}}_{j=1}^{m}min(a_j,r_{jk}),k=1,2,...,n$

所以B＝(0.8 0.8 0.7 0.3)

(4)算子

$B_k={\mathrm{\Σ}}_{j=1}^m{a}_j{r}_{jk},k=1,2,...,n$

所以B＝(0.32 0.29 0.27 0.11)

表六：以上四种算子在综合评价中的特点

Claims (3)

1.一种基于粗糙集理论的需求侧响应资源价值评价方法，其特征在于，包括以下步骤：

第一步，将被评单元构成的集合作为论域；最初评价指标构成的集合作为属性集A，根据有关规定和实际情况确定各最初评价指标的阈值；

第二步，根据各最初评价指标的实际值确定各被评单元的最初评价指标信息表；

第三步，根据定义确定各被评单元的最初评价指标初步的约简信息表和知识A；

第四步，令评价集＝U，指标集V＝A；

第五步，确定指标集中各评价指标的权重；

第六步，确定隶属函数：隶属函数的确定方法可采用模糊统计方法或者指派方法；

第七步，确定模糊判断矩阵：根据隶属函数计算评价指标在各个评价等级上的隶属度，由此构成模糊评判矩阵R；

第八步，进行模糊矩阵的复合运算：B＝(b₁,b₂,…,b_n)，为模糊算子，根据b₁,b₂,…,b_n的大小，确定评价结果。

2.根据权利要求1所述的方法，其特征在于，第一步具体如下：当评价指标是越小越好时，该指标值不超过阈值则赋值1，否则赋值0；当评价指标是越大越好时，该指标值的评价指标若不小于阈值则赋值l，否则赋值0。

3.根据权利要求1所述的方法，其特征在于，第六步具体如下：指派方法指根据问题的性质套用现成的某些形式的模糊分布，根据测量的数据确定分布中包含的参数。