CN106779279A

CN106779279A - 一种工业用户能效评估方法及系统

Info

Publication number: CN106779279A
Application number: CN201610990174.6A
Authority: CN
Inventors: 彭显刚; 郑凯; 李壮茂; 朱俊超
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2016-11-10
Filing date: 2016-11-10
Publication date: 2017-05-31

Abstract

本发明公开了一种工业用户能效评估方法及系统，通过建立能效评估指标体系；对所有评价指标数据进行预处理，以使数据标准化；获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的第二级评价指标相对于目标层的权重；利用重要性数值以及专家评判的第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；根据第二级评价指标相对于目标层的权重以及各专家的自身权重确定第二级评价指标的综合权重；利用各评价指标对应的实际检测值与对应的综合权重，生成工业用户能效结果。本申请采用直觉模糊熵，通过计算各个专家判定情况的可靠性来给专家判定结果赋权，使专家评判结果更为客观科学可信。

Description

一种工业用户能效评估方法及系统

技术领域

本发明涉及能源技术、电气工程技术领域，特别是涉及一种工业用户能效评估方法及系统。

背景技术

能效评估是电力节能的重要组成部分。针对电力用户，尤其是针对工业企业用户，进行科学的能效评估对工业用户的节能减排以及电网公司的经济运行有着明显的影响和促进作用。

工业用户尤其是高耗能企业的用能评估，是实现社会节能目标的有效途经，也是节能技术发展以及创新的主要推动力。工业企业对自身电力能源的整体使用情况以及随之产生的效益缺乏准确、系统的认识，造成了电力能源在生产过程中的不必要的流失和浪费现象，也影响了企业的成本估算以及其能耗控制。

通过能效评估，可全面了解工业企业的生产整体用能状况、主要能耗问题及其节电潜力，指导工业企业对自身进行整顿调整，降低能耗和生产成本。同时，企业依据评估结果配合电网来针对性制订节能实施方案，为电网公司实施节电改造、对用户实施节能考核提供科学准确的依据和支持，从而实现电网高效经济性运行。

评估模型最重要的一点是对指标权重进行分配。而权重确定方法大致可分为主观赋权法和客观赋权法两类。主观赋权法，一般基于决策者主观偏好或经验给出指标权重，如层次分析法、最小平方法、专家咨询法等。客观赋权法主要原理是根据原始数据之间的关系通过一定的数学方法来确定权重，是一种定量分析方法。常用的客观赋权法有主成分分析法、熵权法、相关系数法等。

现有的评估方法，一般是先利用专家主观评价信息进行赋权，再单独利用各指标实际数据通过客观赋权法进行赋权，最后两者加权叠加得到综合权重。而主观赋权法中各专家判定情况不同，对各个专家的判定结果如何再赋权并没有很好的解决方法，客观赋权法只是利用实际数据进行赋权，未考虑人的主观判断思路，所得权重受实际样本数据影响很大。鉴于此，提供一种客观可信的指标权重确定方法，以对工业用户能效进行评估是非常有必要的。

发明内容

本发明的目的是提供一种工业用户能效评估方法及系统，既考虑到了专家的主观意见，又避免了某些专家的主观意见过于偏激而导致的问题，使得评估结果更客观可信。

为解决上述技术问题，本发明提供一种工业用户能效评估方法，包括：

建立能效评估指标体系，所述能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；

对所有评价指标数据进行预处理，以使数据标准化；

获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的所述第二级评价指标相对于目标层的权重；

利用所述重要性数值以及所述专家评判的所述第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；

根据所述第二级评价指标相对于目标层的权重以及各专家的自身权重确定所述第二级评价指标的综合权重；

利用各评价指标对应的实际检测值与对应的所述综合权重，生成工业用户能效结果。

可选地，所述对所有评价指标数据进行预处理，以使数据标准化包括：

确定所述评价指标数据的类型；

采用对所述评价指标数据进行无量纲化，式中a^*为原始指标数据，为无量纲化后的指标数据，μ为指标数据的数学期望；

当所述评价指标数据的类型为极小型时，通过公式将极小型评价指标数据转换为极大型评价指标数据；式中，a为转换后的指标数据。

可选地，所述根据G1法计算各专家评判的所述第二级评价指标相对于目标层的权重包括：

将所述第二级评价指标按照所述重要性数值进行排序，记为：

X'_A1j≥X'_A2j≥X'_A3j≥X'_A4j≥……≥X'_Amj，对应指标名称依此顺序为A1’、A2’、A3’……Am’；

根据计算出相邻指标间权重大小的比值r'_Akj；式中，ω'_Akj为以第j位专家打分为基础得到的指标A_k’的权重，X'_A(k-1)j、X'_Akj分别为指标A_(k-1)’与A_k’的重要性数值，k为m、m-1、m-2……3、2；

根据计算第二级评价指标Am’相对于第一级评价指标A的权重；

通过得到其他第二级评价指标相对于第一级评价指标A的权重；

根据计算各第二级评价指标相对于目标层的权重，式中，为专家j评判下第二级评价指标A_k相对于目标层的权重，为专家j评判下第一级评价指标A相对于目标层的权重，ω_Akj为专家j评判下第二级评价指标A_k相对于第一级评价指标A的权重。

可选地，所述采用直觉模糊熵计算各专家的自身权重包括：

根据各专家评判的重要性数值，采用预设的对应关系确定各专家对各评价指标的隶属度以及非隶属度，生成直觉模糊集；

根据θ_kj＝1-|μ_kj-ν_kj|、π_kj＝1-μ_kj-ν_kj确定对应的模糊度、犹豫度；其中，θ_kj为模糊度，μ_kj为隶属度，ν_kj为非隶属度，π_kj为犹豫度；

根据确定决策信息直觉模糊熵；其中，j＝1、2、3……N，为第j个专家对第二级指标i的决策信息直觉模糊熵；

根据计算得到各专家的自身权重；其中，G_j为加权直觉模糊熵，ω_ij为专家j评判下的第二级评价指标相对于目标层的权重，为第j个专家于第二级评价指标的决策信息直觉模糊熵，λ_j为第j个专家的自身权重。

可选地，所述根据所述第二级评价指标相对于目标层的权重以及各专家的自身权重确定所述第二级评价指标的综合权重包括：

根据计算得到第二级评价指标的综合权重；其中，λ_j为第j个专家的自身权重；ω_Akj为专家j评判下第二级评价指标A_k相对于第一级评价指标A的权重。

可选地，还包括：

采用TOPSIS法对多个用户进行评价。

可选地，所述采用TOPSIS法对多个用户进行评价包括：

设对N个用户进行评估，每个用户样本有P个的评价指标数据，记为D_i＝(d_i1，d_i2，d_i3，…，d_iP)^T，其中，各第二级评价指标的综合权重依次记为ω1、ω2、ω3……ωP，i＝1、2、3……N；

进行无量纲化预处理后，形成规范化决策矩阵：

对D阵元素按u_ij＝ωj·d_ij加权，得到加权规范化决策阵：

其中，ωj即为已得到的各个二级指标综合权重，i＝1、2、3……P，j＝1、2、3……N；

由TOPSIS法求得正负理想方案，

计算各个评价对象与最优方案、最劣方案间的距离，令方案i到正理想方案距离为到负理想方案距离为则

计算评价对象i与最优方案的贴近度，记为

按照各个评价对象的贴近度对所有对象进行排序对比。

本发明还提供了一种工业用户能效评估系统，包括：

建立模块，用于建立能效评估指标体系，所述能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；

预处理模块，用于对所有评价指标数据进行预处理，以使数据标准化；

获取模块，用于获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的所述第二级评价指标相对于目标层的权重；

计算模块，用于利用所述重要性数值以及所述专家评判的所述第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；

确定模块，用于根据所述第二级评价指标相对于目标层的权重以及各专家的自身权重确定所述第二级评价指标的综合权重；

生成模块，用于利用各评价指标对应的实际检测值与对应的所述综合权重，生成工业用户能效结果。

本发明所提供的工业用户能效评估方法及系统，通过建立能效评估指标体系，能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；对所有评价指标数据进行预处理，以使数据标准化；获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的第二级评价指标相对于目标层的权重；利用重要性数值以及专家评判的第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；根据第二级评价指标相对于目标层的权重以及各专家的自身权重确定第二级评价指标的综合权重；利用各评价指标对应的实际检测值与对应的综合权重，生成工业用户能效结果。本申请采用直觉模糊熵，通过计算各个专家判定情况的可靠性来给专家判定结果赋权，既考虑到了专家的主观意见，又避免了某些专家主观意见过于偏激而导致的问题，使专家评判结果更为客观科学可信。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的工业用户能效评估方法的一种具体实施方式的流程图；

图2为本发明所提供的工业用户能效评估方法的另一种具体实施方式的示意图；

图3为工业用户的能效评估指标体系示意图；

图4为直觉模糊度与成都评估相关分布示意图；

图5为本发明实施例提供的工业用户能效评估系统的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明所提供的工业用户能效评估方法的一种具体实施方式的流程图如图1所示，该方法包括：

步骤S101：建立能效评估指标体系，所述能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；

步骤S102：对所有评价指标数据进行预处理，以使数据标准化；

步骤S103：获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的所述第二级评价指标相对于目标层的权重；

步骤S104：利用所述重要性数值以及所述专家评判的所述第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；

步骤S105：根据所述第二级评价指标相对于目标层的权重以及各专家的自身权重确定所述第二级评价指标的综合权重；

步骤S106：利用各评价指标对应的实际检测值与对应的所述综合权重，生成工业用户能效结果。

本发明所提供的工业用户能效评估方法，通过建立能效评估指标体系，能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；对所有评价指标数据进行预处理，以使数据标准化；获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的第二级评价指标相对于目标层的权重；利用重要性数值以及专家评判的第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；根据第二级评价指标相对于目标层的权重以及各专家的自身权重确定第二级评价指标的综合权重；利用各评价指标对应的实际检测值与对应的综合权重，生成工业用户能效结果。本申请既考虑到了专家的主观意见，又避免了某些专家主观意见过于偏激而导致的问题，使得评估结果更客观可信。

在上述任一实施例的基础上，如图2本发明所提供的工业用户能效评估方法的另一种具体实施方式的示意图所示，该过程可以具体包括：

步骤S201：建立能效评估指标体系，所述能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；

作为一种具体实施方式，通过查阅文献、调研以及科学的筛选，建立针对工业用户的能效评估指标体系如图3所示。

步骤S202：对所有评价指标数据进行预处理，以使数据标准化。

本发明实施例建立的能效评估指标体系中含有极小型、极大型两种类型的评价指标，如过负荷累计时间、电压谐波总畸变率等指标属于极小型指标，万元经济增值百分比等指标属于极大型指标。本发明实施例所采用数据以极大型指标为准，另将极小型指标数据通过公式转为极大型。

该过程可进一步包括：

确定所述评价指标数据的类型；

步骤S203：获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的所述第二级评价指标相对于目标层的权重。

所建指标体系为3层，分别为目标层、第一级指标和第二级指标。首先，对第一层评价指标和第二层评价指标分别用G1法计算其相对上一层对应指标的权重。就所建指标体系中的一级评价指标A的二级评价指标而言，也就是计算A1、A2、A3对A的权重，具体到某专家j，可记作ω_A1j、ω_A2j、ω_A3j，其他二级指标可依此类推。再计算A、B、C、D对目标层的权重，可记作ωAj、ωBj、ωCj、ωDj。然后计算所有第二级指标对目标层的权重，用各二级指标对一级指标的权重与所对应一级指标对目标层权重相乘即可得之。如专家j评判下二级指标A1对目标层的权重即可记为：以此类推。这样就可以得到专家j在采用G1法评判下所得到的所有二级指标相对目标层的权重。

普通G1法一般是以专家对各指标的重要性做出判断，给出重要性排序；再由相对重要性不同对相邻指标重要性的比值给以恰当、科学的赋值；相对于普通的G1法，这里改让专家对指标的重要性进行打分，从而得到指标相对重要性之比。这样就更容易操作，且权重差值可被拉大。

设有N位专家依次对各层指标重要性打分，指标重要性在1-9之间，可以为小数，指标越重要，分值就越高。这里给出针对指标Ai的计算流程。

该过程具体包括：

将所述第二级评价指标按照所述重要性数值进行排序，

设X_A1j为第j位专家对指标A1的打分值，根据第j位专家所打分数，将指标按照所打分数进行排序，若指标Ai重要程度的打分数值X_Aij不小于指标Am重要程度的打分数值X_Amj，则记为X_Aij≥X_Amj，其他指标也以此法排序，得到专家j对各指标的重要度排序，可将之转记为

通过得到其他第二级评价指标相对于第一级评价指标A的权重；其他指标权重可通过得到。此时得到的是指标A1’、A2’、A3’……Am’的权重，按照之前的排序可对照得到专家j评判下的A1、A2、A3……Am的相对第一级指标A的指标权重。

步骤S204：采用直觉模糊熵计算各专家的自身权重；

各个专家的评判结果有很大不同，应对各个专家评判结果进行赋权，进而得到专家综合评判指标权重。设专家共有N个，每个专家的权重可设为λ₁、λ₂、λ₃、λ₄……λ_N。设二级指标总数为P个，所有二级指标依次排序，相对目标层的权重(专家j评判下的)依次替换为ω_1j、ω_2j、ω_3j、……ω_Pj。

考虑到一级指标本身的权重作用以及之前所述专家对二级指标重要性打分是相对一级指标而言的，并不是相对于全局而言，则专家对某个二级指标的全局重要性评判分数应为上文中对二级指标重要性评分与对相对应的一级指标评分之积除十而得。例如某专家j(j＝1、2、3……N)对某二级指标Ai的全局重要性评分公式为X_kj＝X_Aj·X_Aij·0.1(k为该Ai指标在所有二级指标排序中的顺次)，其大小必在0-10之间。设1-9分别对应于表1中的程度评价中“极端不重要”到“极端重要”以及相应的隶属度与非隶属度，以(μ_kj，ν_kj)来表示，同时以π_kj＝1-μ_kj-ν_kj来表示犹豫度，θ_kj＝1-|μ_kj-ν_kj|来表示模糊度。

如出现专家对指标判定的重要性程度有小数，介于某相邻重要度之间，对此对应的隶属度和非隶属度以下列方式处理：

式中x_i表示带有小数的专家打分，x_b、x_a均为正整数，x_b＞x_a且x_i介于x_b、x_a之间(如出现x_a为9的情况，则令x_b为10，μ_b为1，ν_b为0；如果x_b为1，则令x_a为0，ν_a为1，μ_a为0)。μ_a、μ_b分别表示重要度x_a、x_b对应的隶属度，ν_a、ν_b表示重要度x_a、x_b对应的非隶属度。而(μ_i,ν_i)即为x_i所对应的隶属度和非隶属度。

表1

如图4模糊度与程度评价的相关分布示意图所示，横坐标为重要性程度，纵坐标为对应的以式计算的直觉模糊熵，直觉模糊熵越大，说明不确定性和模糊性越大。

对于所有的二级指标i(i＝1、2、3……P)，每个专家均有评判，这就构成了一个N*P的直觉模糊集如表2所示。

专家给出的判断信息用直觉模糊集表示，主要是考虑到专家权重取决于专家判断信息的可靠性与确定性程度。专家提供的判断信息越是模糊、不确定性越大，说明专家对决策对象的准确判断程度相对较小，则赋权应较小，反之，则赋权应较大。

设第j个专家于某个二级指标i的决策信息直觉模糊熵为：

以下列公式计算专家权重：

其中G_j为加权直觉模糊熵，表示第j个专家对所有二级指标判定情况的模糊程度，ω_ij为G1法下专家j评判下的某个二级指标相对于目标层的权重，为第j个专家于某个二级指标的决策信息直觉模糊熵，而λ_j即为第j个专家自身的权重。

表2

	1	2	3	……	P
						专家1	(μ₁₁，ν₁₁)	(μ₂₁，ν₂₁)	(μ₃₁，ν₃₁)	……	(μ_P1，ν_P1)
专家2	(μ₁₂，ν₁₂)	(μ₂₂，ν₂₂)	(μ₃₂，ν₃₂)	……	(μ_P2，ν_P2)
						专家3	(μ₁₃，ν₁₃)	(μ₂₃，ν₂₃)	(μ₃₃，ν₃₃)	……	(μ_P3，ν_P3)
……	……	……	……	……	……
						专家N	(μ_1N，ν_1N)	(μ_2N，ν_2N)	(μ_3N，ν_3N)	……	(μ_PN，ν_PN)

由此可得到由所有二级指标的判定情况得出的各个专家自身权重，记为λ_j，j＝1、2、3……N。因而，最终各个二级指标相对于目标层的权重即由每个专家判定的指标权重乘以该专家自身权重，最后累加得到。例如对于指标A1，其最终权重为

其他二级指标最终权重计算以此类推。

步骤S205：采用TOPSIS法对多个用户进行评价。

设二级指标总数为P个，对用上述方法求得的所有二级指标的综合权重依次记为ω1、ω2、ω3……ωP。设对N个用户进行评估，每个用户样本均有一整套(共P个)的指标数据，记为

D_i＝(d_i1，d_i2，d_i3，…，d_iP)^T,i＝1、2、3……N

数据按之前所述方法进行无量纲化预处理后，形成规范化决策矩阵。记为

对D阵元素按u_ij＝ωj·d_ij(ωj即为已得到的各个二级指标综合权重，i＝1、2、3……P，j＝1、2、3……N)加权，可得加权规范化决策阵：

由TOPSIS法求得正负理想方案，即

然后计算评价对象i与最优方案的贴近度，记为

最后按照各个评价对象的贴近度对所有对象进行排序对比，贴近度越大说明被评价对象能效水平越好。

本发明实施例所提供的方法，先令多个专家分别以主观的G1法对各指标进行打分，从而赋权，然后采用直觉模糊熵，利用各专家判定情况数据，也就是各个专家对各个指标的重要性打分，将之模糊化为直觉模糊集，通过直觉模糊集来计算各专家判定结果信息的可靠性与确定性，以此得到各个专家自身权重，从而得到指标综合权重，以此通过TOPSIS法给出各个被评估对象之间的对比。这样既考虑到了专家的主观意见，又避免了某些专家主观意见过于主观偏激而导致的问题，使得评估结果更客观可信。

下面对本发明实施例提供的工业用户能效评估系统进行介绍，下文描述的工业用户能效评估系统与上文描述的工业用户能效评估方法可相互对应参照。

图5为本发明实施例提供的工业用户能效评估系统的结构框图，参照图5工业用户能效评估系统可以包括：

建立模块100，用于建立能效评估指标体系，所述能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；

预处理模块200，用于对所有评价指标数据进行预处理，以使数据标准化；

获取模块300，用于获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的所述第二级评价指标相对于目标层的权重；

计算模块400，用于利用所述重要性数值以及所述专家评判的所述第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；

确定模块500，用于根据所述第二级评价指标相对于目标层的权重以及各专家的自身权重确定所述第二级评价指标的综合权重；

生成模块600，用于利用各评价指标对应的实际检测值与对应的所述综合权重，生成工业用户能效结果。

本实施例的工业用户能效评估系统用于实现前述的工业用户能效评估方法，因此工业用户能效评估系统中的具体实施方式可见前文中的工业用户能效评估方法的实施例部分，例如，建立模块100，预处理模块200，获取模块300，计算模块400，确定模块500，生成模块600，分别用于实现上述方法中步骤S101，S102，S103，S104，S105和S106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明所提供的工业用户能效评估系统，通过建立能效评估指标体系，能效评估指标体系中包含目标层、第一级评价指标以及第二级评价指标；对所有评价指标数据进行预处理，以使数据标准化；获取各专家对所有评价指标的重要性进行评价的重要性数值，根据G1法计算各专家评判的第二级评价指标相对于目标层的权重；利用重要性数值以及专家评判的第二级评价指标的权重，采用直觉模糊熵计算各专家的自身权重；根据第二级评价指标相对于目标层的权重以及各专家的自身权重确定第二级评价指标的综合权重；利用各评价指标对应的实际检测值与对应的综合权重，生成工业用户能效结果。本申请采用直觉模糊熵，通过计算各个专家判定情况的可靠性来给专家判定结果赋权，既考虑到了专家的主观意见，又避免了某些专家主观意见过于偏激而导致的问题，使专家评判结果更为客观科学可信。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的工业用户能效评估方法以及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种工业用户能效评估方法，其特征在于，包括：

对所有评价指标数据进行预处理，以使数据标准化；

2.如权利要求1所述的工业用户能效评估方法，其特征在于，所述对所有评价指标数据进行预处理，以使数据标准化包括：

确定所述评价指标数据的类型；

3.如权利要求2所述的工业用户能效评估方法，其特征在于，所述根据G1法计算各专家评判的所述第二级评价指标相对于目标层的权重包括：

4.如权利要求3所述的工业用户能效评估方法，其特征在于，所述采用直觉模糊熵计算各专家的自身权重包括：

5.如权利要求4所述的工业用户能效评估方法，其特征在于，所述根据所述第二级评价指标相对于目标层的权重以及各专家的自身权重确定所述第二级评价指标的综合权重包括：

6.如权利要求1至5任一项所述的工业用户能效评估方法，其特征在于，还包括：

采用TOPSIS法对多个用户进行评价。

7.如权利要求6所述的工业用户能效评估方法，其特征在于，所述采用TOPSIS法对多个用户进行评价包括：

进行无量纲化预处理后，形成规范化决策矩阵：

对D阵元素按u_ij＝ωj·d_ij加权，得到加权规范化决策阵：

由TOPSIS法求得正负理想方案，

u^{+} = (u_{1}^{+}, u_{2}^{+}, ..., u_{P}^{+}), u_{j}^{+} = \underset{i}{m a x} {u_{i j}}, j = 1, 2, ..., P

u^{-} = (u_{1}^{-}, u_{2}^{-}, ..., u_{P}^{-}), u_{j}^{-} = \underset{i}{m i n} {u_{i j}}, j = 1, 2, ..., P

S_{i}^{+} = {[Σ_{j = 1}^{n} {(u_{i j} - u_{j}^{+})}^{2}]}^{\frac{1}{2}}, S_{i}^{-} = {[Σ_{j = 1}^{n} {(u_{i j} - u_{j}^{-})}^{2}]}^{\frac{1}{2}}

计算评价对象i与最优方案的贴近度，记为

δ_{i} = \frac{S_{i}^{-}}{S_{i}^{+} + S_{i}^{-}}, i = 1, 2, 3 ... ... N

按照各个评价对象的贴近度对所有对象进行排序对比。

8.一种工业用户能效评估系统，其特征在于，包括：