CN112464168B - 一种综合能源潜力用户靶向评估提取方法 - Google Patents

Abstract

本申请公开了一种综合能源潜力用户靶向评估提取方法，包括构建综合能源潜力用户靶向提取层次分析指标体系；获取并预处理各用户实际指标数据；构建指标因素集合和指标评语集合；得到基于指标因素集合和指标评语集合的模糊变换矩阵；计算指标体系中各指标因素的综合权重向量；模糊变换矩阵与综合权重向量合成，进行模糊变换，得到模糊综合判断结果；以模糊综合判断结果作为区域内不同目标下综合能源潜力客户靶向提取结果，实现综合能源潜力用户的靶向评估提取。基于实际综合能源用户的数据测试显示，本申请方法能够快速地对靶向用户进行提取，能减少单个指标因素的不良数据对计算结果的影响，提取结果及精度较高并且具有可推广性。

Description

一种综合能源潜力用户靶向评估提取方法

技术领域

本发明属于综合能源系统规划、评估技术领域，涉及一种综合能源潜力用户靶向评估提取方法。

背景技术

评估技术经过多年研究已经形成较为完善的体系，评估的方法不断扩展，指标更加全面。随着电力系统的不断发展，评估技术在电力系统中的应用从最初根据单一或者通过少数重要数据对电力系统进行评估，逐渐展现出能源综合利用、数据海量、系统复杂度提升等特点，电力系统中的评估技术逐渐发展成为考虑海量数据、多指标维度、多信息量融合的综合评估方法。

目前针对综合能源系统的评估研究，多数是在用户系统投运的基础上，考虑经济等指标对优化运行结果进行评估。为了推进新能源项目的建设、能源的高效化利用，需要研究针对综合能源潜力用户的靶向评估技术，以挖掘更多的综合能源潜力客户。该研究需要考虑综合系统指标因素的复杂度，数据的不确定性和模糊性。同时，由于传统的评估技术存在受单个或部分不良数据的影响而导致最终评估结果不够准确的问题，确定权重的手段存在过于依赖自身经验主观性太大，导致估计结果不够客观的问题，所以需要考虑对指标权重进行优化求解，减少甚至消除权重主观性对评估结果的影响。

发明内容

为解决现有技术中的不足，本申请提供一种综合能源潜力用户靶向评估提取方法，基于模糊综合分析和结合主客观权重判断，对区域综合能源用户进行评估，靶向提取综合能源潜力用户。

为了实现上述目标，本申请采用如下技术方案：采用层次分析法建立综合能源潜力用户靶向提取模型，通过模糊综合分析以及信息熵法对区域能源用户进行层次指标因素权重和权值的计算，最后通过模糊变换得到计算结果，即区域能源用户潜力值。

一种综合能源潜力用户靶向评估提取方法，所述方法包括以下步骤：

步骤1：根据综合能源用户特点，构建用于综合能源潜力用户靶向评估提取的指标体系并对指标体系中各指标因素进行一致性检验；

步骤2：获取指标体系中各指标因素对应的用户数据；

步骤3：对步骤2获取的用户数据进行预处理；

步骤4：构建各指标因素对应的指标评语集合，求解得到各指标因素下的模糊变换矩阵；

步骤5：根据预处理后的用户数据，分别计算指标体系中各指标因素的主观权重和客观权重；

步骤6：根据各指标因素的主观权重和客观权重，计算指标体系中各指标因素的综合权重向量，各指标因素的综合权重向量构成模糊向量；

步骤7：模糊变换矩阵与模糊向量合成，进行模糊变换，得到模糊综合判断结果；

步骤8：以模糊综合判断结果作为区域内不同目标下综合能源潜力客户靶向提取结果，实现综合能源潜力用户的靶向评估提取。

本发明进一步包括以下优选方案：

优选地，步骤1构建的指标体系中，指标因素类型分为：社会、环境、经济和能源；

社会类指标因素包括：用户用电负荷等级、行业发展状况、用户经营状况；

环境类指标因素包括：二氧化碳排放量、氮化物排放量和用户污染物排放等级；

经济类指标因素包括：用户购电成本、用户一次能源成本和用户用电类别；

针对储能用户，能源类指标因素包括：电压波动、电力负荷峰谷差和电力平均负荷率；

针对冷、热、电三联供用户，能源类指标因素包括：电--冷、热负荷比、总体运营小时数、冷热电年平均负荷率和冷热电负荷峰谷差。

优选地，步骤1中，对指标体系中各指标因素使用Kappa系数法进行一致性检验以衡量分类结果，保证建立的指标体系中各指标因素相对独立，减少单类型指标因素对评价结果的影响。

优选地，步骤1中，利用Kappa系数法通过收集专家对分类结果的评价形成表格，得到误差混淆矩阵，所述误差混淆矩阵为m行和m列的方阵，m对应于指标体系各分类下指标因素数量；

Kappa系数计算公式如下：

其中，

a_ef为误差混淆矩阵中第e行，第f列元素值；

当Kappa系数超过设定阈值时，认为指标因素分类结果具有一致性，此时需要调整分类方式。

优选地，步骤3具体为：

对于各指标因素的用户数据使用min-max标准化方式，进行线性变换，将其映射到[0,1]之间：

其中，x为指标因素的用户数据，x_max,x_min分别为该指标因素用户数据的最大值和最小值；

得到预处理后的用户数据矩阵X:

其中，m为指标体系各分类下指标因素数量，n为区域综合能源用户的数量。

优选地，步骤4以下步骤：

步骤4.1：根据指标体系，构建指标因素集合和指标评语集合，所述指标评语用于表示指标因素的等级，以衡量指标因素的优劣程度；

步骤4.2：根据指标因素集合和指标评语集合，采用模糊统计方法求解各指标因素对应的指标隶属度，基于最大隶属度原则得到各指标因素下的模糊变换矩阵。

优选地，步骤4.1中，如果指标体系某分类下包含m个指标因素，则指标因素集合为：

U＝{u₁,u₂,…u_i,…,u_m}，i＝1,2,…,m

其中，m为指标体系某分类下的指标因素个数，u_i表示第i个指标因素；

构建的对应指标评语集合为：

V＝{v₁,v₂…,v_p,…,v_k},p＝1,2,…,k

其中，k为指标评语集合等级数量；v_p表示指标因素的第p个评语，即第p个等级，指标因素的评语标度越高表示评级越优；

步骤4.2中，根据指标因素对应各指标评语，得到每一个指标因素u_i(i＝1,2,…,m)，对每一个指标评语v_p(p＝1,2,…,k)的隶属度，即u_i对v_p的符合程度，记作r_ip；

一个指标因素对所有评语等级的隶属度形成模糊向量Y，则第i个指标因素的模糊向量表示为：

Y＝[r_i1,r_i2,…r_ik]

所有的指标因素的模糊向量构成一组模糊关系，记作模糊变换矩阵R:

优选地，步骤5具体包括：

步骤5.1：使用判断矩阵法求解指标体系中各指标因素的主观权重矩阵ω_s：

步骤5.1.1：通过德尔菲专家调查法，对指标体系中各指标因素进行两两比较，得到各指标因素的重要性标度；

指标因素u_i相对于指标因素u_l的重要性程度记为k_il；

则指标体系某分类下指标因素的判断矩阵P为：

m为该分类下指标因素个数；

步骤5.1.2：将判断矩阵每一行进行归一化，然后将归一化后的判断矩阵按行相加得到向量

最后将向量

归一化得到主观权重向量ω_s：

ω_s＝[ω_s1,ω_s2,…,ω_si…,ω_sm],

其中，ω_si表示归一化后的主观权重向量各元素值；

步骤5.2：基于熵值法求解指标体系中各指标因素的客观权重矩阵ω_o：

客观权重的计算方法为：

其中，熵值的计算公式为：

m为指标维度即指标体系各分类下指标因素数量；p_ij为随机事件概率，当随机事件概率为0时，信息熵为0；n为区域综合能源用户数量，j为第j个综合能源用户；

熵值公式中随机事件概率p_ij公式为：

其中，m为指标维度即指标体系各分类下指标因素数量，n为区域综合能源用户数量，X_ij为经过步骤3预处理后的第j个用户的第i个指标因素下的数据值。

优选地，步骤6具体包括：

步骤6.1：主观权重向量ω_si与客观权重向量ω_oi组成基底，取主观权重向量ω_si与客观权重向量ω_oi组成基底的坐标矩阵[θ¹,θ²]为：

步骤6.2：以坐标矩阵为耦合权重系数，计算得到指标体系中各指标因素的主客观组合权重元素值：

ω^* _i＝θ¹ω_si+θ²ω_oi

步骤6.3：为了保证∑ω_i＝1，将ω^* _i归一化得到归一化后的主客观组合权重元素值：

步骤6.4：由归一化后的组合权重元素值得到综合权重向量A＝{ω₁,ω₂,…,ω_i,…,ω_m}，即模糊向量。

优选地，步骤7中，对步骤4得到的模糊变换矩阵R与步骤6得到的模糊向量A合成，进行如下模糊变换：

算子

的定义采用最大隶属度原则，即y_p定义为：

表示求最大值运算；

F为模糊综合判断结果，对区域内所有综合能源用户计算得到n个F值，其中F值越大的用户说明建设该类型能源项目的潜力越大。

本申请所达到的有益效果：

基于实际综合能源用户的数据测试显示，本申请方法能够快速地对综合能源潜力用户进行靶向提取，能减少单个指标因素的不良数据对计算结果的影响，提取结果及精度较高并且具有可推广性。

本发明公布了储能以及冷、热、电三联供潜力用户提取指标因素，对于其他综合能源项目具有一定的适用性，调整指标体系相关指标因素能够实现对其他综合能源用户进行潜力提取。

附图说明

图1是本申请一种综合能源潜力用户靶向评估提取方法的流程示意图；

图2是本申请一种综合能源潜力用户靶向评估提取方法的实施流程图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1和2所示，本申请的一种综合能源潜力用户靶向评估提取方法，所述方法包括以下步骤：

步骤1：根据综合能源用户特点，构建用于综合能源潜力用户靶向评估提取的指标体系并对指标体系中各指标因素进行一致性检验，用于不同目标下综合潜力用户的靶向提取；

本申请具体实施例中，构建的指标体系中，指标因素类型分为：社会、环境、经济和能源；

社会类指标因素包括：用户用电负荷等级、行业发展状况、用户经营状况；

环境类指标因素包括：二氧化碳排放量、氮化物排放量和用户污染物排放等级；

经济类指标因素包括：用户购电成本、用户一次能源成本和用户用电类别；

针对储能用户，能源类指标因素包括：电压波动、电力负荷峰谷差和电力平均负荷率；

针对冷、热、电三联供用户，能源类指标因素包括：电--冷、热负荷比、总体运营小时数、冷热电年平均负荷率和冷热电负荷峰谷差。

具体如表1所示。

表1综合能源潜力用户靶向提取层次分析指标体系

步骤1所述对指标体系中各指标因素进行一致性检验，具体为：

对模型下各指标因素指标使用Kappa系数法进行一致性检验以衡量分类结果，保证建立的指标体系中各指标因素相对独立，减少单类型指标因素对评价结果的影响。

Kappa系数法通过收集专家对分类结果的评价形成表格，可视为误差混淆矩阵，结构如下：

计算Kappa系数：

其中，

a_ef为误差混淆矩阵中第e行，第f列元素值。m为上述误差混淆矩阵的行列数，即指标因素的数量。

当Kappa系数大于设定阈值，如大于0.8时，认为分类结果具有一致性，此时需要调整分类方式。

步骤2：获取指标体系中各指标因素对应的用户数据；

步骤3：考虑综合能源背景下用户数据的复杂性、不确定性，对步骤2获取的用户数据进行归一化、去量纲、不良数据修正等预处理工作。

数据标准化是将数据按比例缩放，使之落入一个小的特定区间；去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。对于模型下各指标因素的用户数据使用min-max标准化方式，进行线性变换，将其映射到[0,1]之间：

其中，x为指标体系中各指标因素的实际数据，x_max,x_min分别为该指标因素下用户数据的最大值和最小值。通过该变换将数据的方差变小，以减少不良数据对计算结果的影响。

得到预处理后的用户数据矩阵X:

其中，m为指标维度即指标体系各分类下指标因素数量，n为区域综合能源用户的数量。

步骤4：构建各指标因素对应的指标评语集合，求解得到各指标因素下的模糊变换矩阵，基于模糊变换原理和最大隶属度原则对各指标进行模糊综合评判。模糊综合判断需要对各指标的数据属性进行模糊划分并对应到隶属度[0,1]区间，即评估等级隶属度函数的定义域为[0,1]。具体包括以下步骤：

步骤4.1：根据指标体系，构建指标因素集合和指标评语集合，所述指标评语用于表示指标因素的等级，以衡量指标因素的优劣程度；

如果指标体系某分类下包含m个指标因素，则指标因素集合可以写成：

U＝{u₁,u₂,…u_i,…,u_m}，i＝1,2,…,m

其中,m为指标维度即指标体系各分类下指标因素数量，u_i表示第i个指标因素；

构建的对应指标评语集合为：

V＝{v₁,v₂…,v_p,…,v_n},p＝1,2,…,k

其中，k为指标评语集合等级数量，通常使用1-5标度法或者1-9标度法；v_p表示指标因素的第p个评语，即第p等级，指标因素的评语标度越高表示评级越优。

步骤4.2：基于预处理后的数据，对上述建立的指标因素集合，采用模糊统计方法和构造线性隶属度函数法求解各指标因素对应的指标隶属度，基于最大隶属度原则得到各指标因素下的模糊变换矩阵：

基于用户数据，通过多方讨论及专家咨询对指标因素对应各评语进行评价。每一个指标因素u_i(i＝1,2,…,m)，对每一个评语v_p(p＝1,2,…,k)都有一个隶属度，即u_i对v_p的符合程度，记作r_ip。一个指标因素对所有评语等级的隶属度形成模糊向量Y，则第i个指标因素的模糊向量可表示为：

Y＝[r_i1,r_i2,…r_ik]

所有的指标因素的模糊向量构成一组模糊关系，记作模糊变换矩阵R:

步骤5：根据预处理后的用户数据，分别计算指标体系中各指标因素的主观权重和客观权重；

主观权重计算：根据预处理后的数据以及建立的指标体系求解指标因素的主观权重，客观权重计算：根据预处理后的数据，通过熵值法求解模型下各指标因素的客观权重。

具体包括以下步骤：

步骤5.1：使用判断矩阵法求解指标体系中各指标因素的主观权重矩阵ω_s：

步骤5.1.1：通过德尔菲专家调查法，聘请专家对指标体系中各指标因素进行两两比较，得到各指标因素的重要性标度；

通常使用1-9标度法衡量重要性，标度说明如下：

按以上标度，指标因素u_i相对于指标因素u_l的重要性程度记为k_il；

如果指标体系某分类下包含m个指标因素，则该分类下指标因素的判断矩阵P：

下面判断矩阵的基础上利用和积法求解主观权重，将判断矩阵每一行进行归一化，然后将归一化判断矩阵按行相加得到向量

最后将该向量归一化得到主观权重向量ω_s：

ω_s＝[ω_s1,ω_s2,…,ω_si…,ω_sm],

步骤5.2：基于熵值法求解指标体系中各指标因素的客观权重矩阵ω_o。

客观权重的计算方法为：

其中，熵值的计算公式为：

m为指标维度即指标体系各分类下指标因素数量；p_ij为随机事件概率，当随机事件概率为0时，信息熵为0；n为区域综合能源用户数量，j为第j个综合能源用户；

熵值公式中随机事件概率p_ij公式为：

其中，m为指标维度即指标体系各分类下指标因素数量，n为区域综合能源用户数量，X_ij为经过步骤3预处理后的第j个用户的第i个指标因素下的数据值。

步骤6：根据各指标因素的主观权重和客观权重，计算指标体系中各指标因素的综合权重向量，各指标因素的综合权重向量构成模糊向量；

步骤6：主观权重ω_si与客观权重ω_oi组成基底。计算指标体系中各指标因素的综合权重向量形成模糊向量。

步骤6.1：主观权重向量ω_si与客观权重向量ω_oi组成基底，取主观权重向量ω_si与客观权重向量ω_oi组成基底的坐标矩阵[θ¹,θ²]为：

步骤6.2：以坐标矩阵为耦合权重系数，计算得到指标体系中各指标因素的主客观组合权重元素值：

ω^* _i＝θ¹ω_si+θ²ω_oi

步骤6.3：为了保证∑ω_i＝1，将ω^* _i归一化得到归一化后的主客观组合权重元素值：

步骤6.4：由归一化后的组合权重元素值得到综合权重向量A＝{ω₁,ω₂,…,ω_i,…,ω_m}，即模糊向量。

步骤7：对步骤4、步骤6得到的模糊变换矩阵R与模糊向量A合成，进行模糊变换，得到模糊综合判断结果：

其中，F为模糊综合判断结果；

算子

的定义采用最大隶属度原则，即y_p定义为：

表示求最大值运算。

F为模糊综合判断结果，对区域内所有综合能源用户计算得到n个F值。

步骤8：以步骤7的模糊综合判断结果F为用户在该综合能源项目下的潜力值。对区域内所有用户进行上述系列操作，可以得到所有用户在该目标项目下的F值，其中F值越大的用户说明建设该类型能源项目的潜力越大。一般来讲，当某用户的F值小于1，说明其不具备针对该类型能源项目的安装潜力。其中，关于能源项目类型在步骤1中已经给出了储能和冷、热、电三联供项目以及各自对应的指标因素。

本发明首先引入层次分析理论，针对不同提取目标考虑综合能源用户的典型特征，考虑指标一致性校验，构建综合能源潜力用户靶向提取指标体系；然后基于多维数据的特性考虑模糊综合判断方法，计算分析多类型指标因素的隶属度向量通过模糊变换得到最优隶属度值；考虑德尔菲法权重的主观性较大，引入信息熵求解各指标因素的客观权重，利用线性组合模型求得各层次指标因素的综合权重。

基于实际综合能源用户的数据测试显示，本申请方法能够快速地对潜力用户进行靶向提取，能减少单个指标因素的不良数据对计算结果的影响，提取结果及精度较高并且具有可推广性。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.一种综合能源潜力用户靶向评估提取方法，其特征在于：

所述方法包括以下步骤：

步骤1：根据综合能源用户特点，构建用于综合能源潜力用户靶向评估提取的指标体系并对指标体系中各指标因素进行一致性检验；

步骤2：获取指标体系中各指标因素对应的用户数据；

步骤3：对步骤2获取的用户数据进行预处理；

步骤4：构建各指标因素对应的指标评语集合，求解得到各指标因素下的模糊变换矩阵；

步骤5：根据预处理后的用户数据，分别计算指标体系中各指标因素的主观权重和客观权重；

步骤6：根据各指标因素的主观权重和客观权重，计算指标体系中各指标因素的综合权重向量，各指标因素的综合权重向量构成模糊向量；

步骤7：模糊变换矩阵与模糊向量合成，进行模糊变换，得到模糊综合判断结果；

步骤8：以模糊综合判断结果作为区域内不同目标下综合能源潜力客户靶向提取结果，实现综合能源潜力用户的靶向评估提取；

步骤1构建的指标体系中，指标因素类型分为：社会、环境、经济和能源；

社会类指标因素包括：用户用电负荷等级、行业发展状况、用户经营状况；

环境类指标因素包括：二氧化碳排放量、氮化物排放量和用户污染物排放等级；

经济类指标因素包括：用户购电成本、用户一次能源成本和用户用电类别；

针对储能用户，能源类指标因素包括：电压波动、电力负荷峰谷差和电力平均负荷率；

针对冷、热、电三联供用户，能源类指标因素包括：电--冷、热负荷比、总体运营小时数、冷热电年平均负荷率和冷热电负荷峰谷差；

步骤1中，对指标体系中各指标因素使用Kappa系数法进行一致性检验以衡量分类结果，保证建立的指标体系中各指标因素相对独立，减少单类型指标因素对评价结果的影响。

2.根据权利要求1所述的一种综合能源潜力用户靶向评估提取方法，其特征在于：

步骤1中，利用Kappa系数法通过收集专家对分类结果的评价形成表格，得到误差混淆矩阵，所述误差混淆矩阵为m行和m列的方阵，m对应于指标体系各分类下指标因素数量；

Kappa系数计算公式如下：

其中，

a_ef为误差混淆矩阵中第e行，第f列元素值；

当Kappa系数超过设定阈值时，认为指标因素分类结果具有一致性，此时需要调整分类方式。

3.根据权利要求1所述的一种综合能源潜力用户靶向评估提取方法，其特征在于：

步骤3具体为：

对于各指标因素的用户数据使用min-max标准化方式，进行线性变换，将其映射到[0,1]之间：

其中，x为指标因素的用户数据，x_max,x_min分别为该指标因素用户数据的最大值和最小值；

得到预处理后的用户数据矩阵X:

其中，m为指标体系各分类下指标因素数量，n为区域综合能源用户的数量。

4.根据权利要求1所述的一种综合能源潜力用户靶向评估提取方法，其特征在于：

步骤4以下步骤：

步骤4.1：根据指标体系，构建指标因素集合和指标评语集合，所述指标评语用于表示指标因素的等级，以衡量指标因素的优劣程度；

步骤4.2：根据指标因素集合和指标评语集合，采用模糊统计方法求解各指标因素对应的指标隶属度，基于最大隶属度原则得到各指标因素下的模糊变换矩阵。

5.根据权利要求4所述的一种综合能源潜力用户靶向评估提取方法，其特征在于：

步骤4.1中，如果指标体系某分类下包含m个指标因素，则指标因素集合为：

U＝{u₁,u₂,…u_i,…,u_m}，i＝1,2,…,m

其中，m为指标体系某分类下的指标因素个数，u_i表示第i个指标因素；

构建的对应指标评语集合为：

V＝{v₁,v₂…,v_p,…,v_k},p＝1,2,…,k

其中，k为指标评语集合等级数量；v_p表示指标因素的第p个评语，即第p个等级，指标因素的评语标度越高表示评级越优；

步骤4.2中，根据指标因素对应各指标评语，得到每一个指标因素u_i(i＝1,2,…,m)，对每一个指标评语v_p(p＝1,2,…,k)的隶属度，即u_i对v_p的符合程度，记作r_ip；

一个指标因素对所有评语等级的隶属度形成模糊向量Y，则第i个指标因素的模糊向量表示为：

Y＝[r_i1,r_i2,…r_ik]

所有的指标因素的模糊向量构成一组模糊关系，记作模糊变换矩阵R:

6.根据权利要求1所述的一种综合能源潜力用户靶向评估提取方法，其特征在于：

步骤5具体包括：

步骤5.1：使用判断矩阵法求解指标体系中各指标因素的主观权重矩阵ω_s：

步骤5.1.1：通过德尔菲专家调查法，对指标体系中各指标因素进行两两比较，得到各指标因素的重要性标度；

指标因素u_i相对于指标因素u_l的重要性程度记为k_il；

则指标体系某分类下指标因素的判断矩阵P为：

m为该分类下指标因素个数；

步骤5.1.2：将判断矩阵每一行进行归一化，然后将归一化后的判断矩阵按行相加得到向量

最后将向量

归一化得到主观权重向量ω_s：

ω_s＝[ω_s1,ω_s2,…,ω_si…,ω_sm],

其中，ω_si表示归一化后的主观权重向量各元素值；

步骤5.2：基于熵值法求解指标体系中各指标因素的客观权重矩阵ω_o：

客观权重的计算方法为：

其中，熵值的计算公式为：

m为指标维度即指标体系各分类下指标因素数量；p_ij为随机事件概率，当随机事件概率为0时，信息熵为0；n为区域综合能源用户数量，j为第j个综合能源用户；

熵值公式中随机事件概率p_ij公式为：

其中，m为指标维度即指标体系各分类下指标因素数量，n为区域综合能源用户数量，X_ij为经过步骤3预处理后的第j个用户的第i个指标因素下的数据值。

7.根据权利要求1所述的一种综合能源潜力用户靶向评估提取方法，其特征在于：

步骤6具体包括：

步骤6.1：主观权重向量ω_si与客观权重向量ω_oi组成基底，取主观权重向量ω_si与客观权重向量ω_oi组成基底的坐标矩阵[θ¹,θ²]为：

步骤6.2：以坐标矩阵为耦合权重系数，计算得到指标体系中各指标因素的主客观组合权重元素值：

ω^* _i＝θ¹ω_si+θ²ω_oi

步骤6.3：为了保证∑ω_i＝1，将ω^* _i归一化得到归一化后的主客观组合权重元素值：

步骤6.4：由归一化后的组合权重元素值得到综合权重向量A＝{ω₁,ω₂,…,ω_i,…,ω_m}，即模糊向量。

8.根据权利要求1所述的一种综合能源潜力用户靶向评估提取方法，其特征在于：

步骤7中，对步骤4得到的模糊变换矩阵R与步骤6得到的模糊向量A合成，进行如下模糊变换：

算子

的定义采用最大隶属度原则，即y_p定义为：

∨表示求最大值运算；

F为模糊综合判断结果，对区域内所有综合能源用户计算得到n个F值，其中F值越大的用户说明建设该类型能源项目的潜力越大。

Images