CN115471086A - 一种全要素能源利用效率的评价方法、存储介质和装置 - Google Patents

一种全要素能源利用效率的评价方法、存储介质和装置 Download PDF

Info

Publication number
CN115471086A
CN115471086A CN202211145761.7A CN202211145761A CN115471086A CN 115471086 A CN115471086 A CN 115471086A CN 202211145761 A CN202211145761 A CN 202211145761A CN 115471086 A CN115471086 A CN 115471086A
Authority
CN
China
Prior art keywords
input
model
full
energy
efficiency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211145761.7A
Other languages
English (en)
Inventor
周苏洋
郑思雨
顾伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202211145761.7A priority Critical patent/CN115471086A/zh
Publication of CN115471086A publication Critical patent/CN115471086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种全要素能源利用效率的评价方法、存储介质和装置，属于能源利用效率领域。该方法包括：选取合适的投入变量、产出变量和环境变量，确定评价指标；使用SBM模型和SFA模型，搭建剔除环境因素影响的全要素能源利用率计算模型；获取各个待测区域的相应数据，并带入模型进行实证；本发明的全要素能源利用效率的评价方法充分考虑了单要素能源利用效率不能反映出生产和消费过程中其他投入要素的作用，也不能计算由于能源消费而导致的环境污染等问题的特点，采用了更加全面的评价指标，考虑了人力、资源、环境、经济等各方面的因素，搭建出多投入‑多产出的全要素能源利用效率计算模型，更好地反映各省市的能源利用情况。

Description

一种全要素能源利用效率的评价方法、存储介质和装置
技术领域
本发明涉及能源利用效率领域，具体涉及一种全要素能源利用效率的评价方法、存储介质和装置。
背景技术
目前，衡量能源利用效率的主要指标是能耗强度。近年提出的能耗双控，即减少能源消耗总量、减少能耗强度，是推进生态文明建设，解决资源约束趋紧、环境污染严重的一项重要措施。能源利用效率是指某生产过程的有用产出与该生产过程的能源投入之比；而能耗强度属于单要素能源利用效率，投入仅考虑能源消费总量，产出仅考虑地区生产总值，无法反映生产和消费过程中其他投入要素的作用，也未考虑由于能源消费而导致的环境污染等问题。如以省级区域为评价目标，衡量该地区的能源利用效率，仅考虑能源消费总量及地区生产总值，难以全面反映该区域的实际能效水平。因此，提出一种全要素能源利用效率的评价方法、存储介质和装置。
发明内容
针对现有技术的不足，本发明提出了一种全要素能源利用效率的评价方法、存储介质和装置。
本发明的目的可以通过以下技术方案实现：
一种全要素能源利用效率的评价方法，包括以下步骤：
以投入变量、产出变量和环境变量作为全要素能源利用效率的评价指标；
以三阶段数据包络分析法构建全要素能效评价模型，全要素能效评价模型包含SBM模型和SFA模型；
将待评测区域的数据代入全要素能效评价模型计算获得待评测区域的全要素能源利用效率。
进一步地，以三阶段数据包络分析法构建全要素能效评价模型包括以下步骤：
使用考虑非期望产出的SBM模型对决策单元进行分析，得到各决策单元的效率值与投入松弛量；
以投入松弛量为被解释变量，以外部环境因素为解释变量建立SFA模型；
以SFA模型的回归结果为基础，对第一阶段的投入进行环境因素以及随机误差方面调整，使调整后的决策单元面临相同的外部环境以及相同的运气成分；
使用第二阶段调整后的投入和原始产出，通过SBM模型计算重新计算各个决策单元的效率。
进一步地，SBM模型的构建具体步骤为：
Figure BDA0003855179360000021
建立SBM模型的优化方程：
Figure BDA0003855179360000022
其中，向量s-∈Rm和
Figure BDA0003855179360000023
分别表示投入和非期望产出的冗余，即松弛变量，
Figure BDA0003855179360000024
表示期望产出的短缺，即剩余变量；m、s1、s2分别表示投入、期望产出、非期望产出的变量个数；
Figure BDA0003855179360000025
表示第k个决策单元投入、期望产出、非期望产出向量值，(X,Yg,Yb)表示所有决策单元投入、期望产出、非期望产出向量值；n表示决策单元的个数，λ∈Rn表示决策单元的权重；
将优化方程转化为等价的线性方程：
Figure BDA0003855179360000031
Figure BDA0003855179360000032
找到线性方程与优化方程的解之间的数学关系：
假设式分式方程和线性方程优化问题的解分别是
Figure BDA0003855179360000033
Figure BDA0003855179360000034
两个解之间有这样的关系：
Figure BDA0003855179360000035
Figure BDA0003855179360000036
带入投入变量和产出变量，求解线性方程得到各决策单元的效率值与投入松弛量。
进一步地，SFA模型的构建具体步骤为：
把松弛变量分解成含有环境因素、随机因素和管理无效率三个自变量的函数，其表达式如下：
Snk＝fn(Zk；βn)+Vnk+Unk
n＝1,2,…,N；k＝n＝1,2,…,K
Figure BDA0003855179360000037
其中，Snk为第k个决策单元在第n个投入上的松弛变量，即理想投入与实际投入的差值；fn(Zk；βn)用来表示环境因素对Snk的影响；Zk即为观测到的环境变量；βn为环境变量对应的参数向量；Vnk+Unk称为联合误差项ε，其中Vnk反映了随机误差，呈正态分布，即
Figure BDA0003855179360000041
Unk反映了管理的无效率，呈截断正态分布，即
Figure BDA0003855179360000042
Vnk与Unk独立不相关；γ为技术无效率方差占总方差的比重。
进一步地，以SFA模型计算结果为基础，对第一阶段的投入进行环境因素以及随机误差方面调整，使调整后的决策单元面临相同的外部环境以及相同的运气成分具体包括以下步骤：
根据SFA模型的回归结果，进一步对决策单元的投入项进行调整，通过最大似然估计，计算出βn、σ2和γ参数的估计值；
分离出管理无效率项和随机干扰项，
管理无效率项U公式为：
Figure BDA0003855179360000043
随机干扰项V公式为：E[Vnk|Vnk+Unk]＝Snk-fn(Zk；βn)-E[Unk|Vnk+Unk]
其中
Figure BDA0003855179360000044
λ＝σun/σvn，ε＝Vnk+Unk，
Figure BDA0003855179360000045
Φ分别是标准正态分布的密度函数和分布函数；
将计算出的随机干扰项V带入公式：
Figure BDA0003855179360000046
得到新的投入值，对环境较好或运气较好的决策单元增加投入。
进一步地，投入变量包括劳动力、能源消费和资本存量；
产出变量包括期望产出和非期望产出；其中非期望产出采用熵值法确定非期望产出的各部分权重并通过加权法计算；
环境变量包括经济发展水平、产业结构、资源禀赋和新能源发电量的占比。
进一步地，经济发展水平的衡量指标为人均GDP；产业结构的衡量指标为第二产业与GDP之比；资源禀赋的衡量指标为采掘业从业人数。
第二方面，本发明还提供一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现如上述任一项所述的全要素能源利用效率的评价方法。
第三方面，本发明还提供一种全要素能源利用效率的评价装置,包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如上述任一项所述的全要素能源利用效率的评价方法。
本发明的有益效果：
本发明提供一种剔除环境因素影响的全要素能源利用效率的评价方法，通过确定全要素能源利用效率的评价指标、搭建考虑非期望产出的SBM模型获取投入松弛变量、搭建以投入松弛量为被解释变量，以外部环境因素为解释变量的SFA模型、获取全国各省市的相应数据，并带入模型进行实证，有效提高了能效评价的全面性和可靠性，保证各地区可以置于相同的环境之中进行能效评价。
附图说明
下面结合附图对本发明作进一步的说明。
图1为剔除环境因素影响的全要素能源利用效率的评价方法流程图；
图2为本发明实施例的SBM模型结构图；
图3为本发明实施例的SFA模型结构图；
图4为本发明实施例的剔除环境因素影响的省市全要素能源利用效率的评价结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
一种全要素能源利用效率的评价方法，包括以下步骤：
步骤1：以投入变量、产出变量和环境变量作为全要素能源利用效率的评价指标；
其中，投入变量包括劳动力、能源消费和资本存量；
劳动力：全社会就业人数。
能源消费：能源分为可再生能源和不可再生能源。选择能源消费总量和用水总量两项指标。其中能源消费总量，按照国家规定的各种能源折标准煤系数，将主要能源产品进行折标准煤加总。
资本存量：一定时期内，经济社会积攒的资本总量。
产出变量不仅考虑了期望产出，还考虑了非期望产出，且采用的是多种污染的加权选取，用熵值法确定各部分权重，将多个指标合成一个指标，得到废水中的主要污染物排放和废气中的主要污染物排放，更加全面；
环境变量方面除了经济发展水平、产业结构和资源禀赋外，还增加了各地区的新能源发电量的占比；
经济发展水平：不同地区的经济发展程度不一样，一般情况下，消耗同样的能源，经济发达的地区能创造更多的生产总值，故将人均GDP作为衡量经济发展水平的指标；
产业结构：第一产业是指农、林、牧、渔业；第二产业是指采矿业，制造业，电力、热力、燃气及水生产和供应业，建筑业；第三产业即服务业，是指除第一产业、第二产业以外的其他行业。第二产业以工业为主，相比于一三产业的农业、服务业，能源消费最多，对能源利用效率的贡献最大，故将第二产业与GDP之比作为衡量指标；
能源禀赋：考虑到在衡量各地区资源禀赋丰裕情况时，以GDP为基础的度量指标往往容易将经济发展程度较高的地区“度量为”资源相对贫乏，不能准确地反映真实的资源禀赋情况，故将采掘业从业人数作为衡量该地区自然资源丰裕程度的指标；
新能源发电量：水力、风力、核能、太阳能发电量占比，由于相关数据缺失严重，且发电量扣除火电基本就是新能源，故将用总发电量减去火电来代替新能源发电量，用新能源发电量与总发电量之比作为指标。
步骤2：以三阶段数据包络分析法构建全要素能效评价模型，全要素能效评价模型包含SBM模型和SFA模型；具体包括以下步骤：
使用考虑非期望产出的SBM模型对决策单元进行分析，得到各决策单元的效率值与投入松弛量；其中，决策单元是指可以将一定的输入转化为相应的输出的运营实体，且每一个决策单元都有相同的多种输入与输出，本发明中的决策单元为中国的其中30个省、自治区、直辖市；
以投入松弛量为被解释变量，以外部环境因素为解释变量建立SFA模型；
以SFA模型的回归结果为基础，对第一阶段的投入进行环境因素以及随机误差方面调整，使调整后的决策单元面临相同的外部环境以及相同的运气成分；
使用第二阶段调整后的投入和原始产出，通过SBM模型计算重新计算各个决策单元的效率。
其中，考虑非期望产出的SBM模型具体步骤如下：
Figure BDA0003855179360000081
确定模型的优化方程：
Figure BDA0003855179360000082
向量s-∈Rm和
Figure BDA0003855179360000083
分别表示投入和非期望产出的冗余，即松弛变量，
Figure BDA0003855179360000084
表示期望产出的短缺，即剩余变量。m、s1、s2分别表示投入、期望产出、非期望产出的变量个数。
Figure BDA0003855179360000085
表示第k个决策单元投入、期望产出、非期望产出向量值，(X,Yg,Yb)表示所有决策单元投入、期望产出、非期望产出向量值。n表示决策单元的个数，λ∈Rn表示决策单元的权重。
通过数学变换，将分式方程转化为等价的线性方程：
Figure BDA0003855179360000091
Figure BDA0003855179360000092
找到线性方程与优化方程的解之间的数学关系：假设式分式方程和线性方程优化问题的解分别是
Figure BDA0003855179360000093
两个解之间有这样的关系：
Figure BDA0003855179360000094
Figure BDA0003855179360000095
带入投入变量和产出变量，求解线性方程，进而得到初步能源利用效率和投入松弛变量。
进一步地，SFA模型的具体步骤如下：
构建SFA模型，把松弛变量分解成含有环境因素、随机因素和管理无效率三个自变量的函数，其表达式如下：
Snk＝fn(Zk；βn)+Vnk+Unk
n＝1,2,…,N；k＝n＝1,2,…,K
Figure BDA0003855179360000096
其中，Snk为第k个决策单元在第n个投入上的松弛变量，即理想投入与实际投入的差值；fn(Zk；βn)用来表示环境因素对Snk的影响，通常取 fn(Zk；βn)＝Zkβn，Zk即为观测到的环境变量，βn为环境变量对应的参数向量；Vnk+Unk称为联合误差项ε，其中Vnk反映了随机误差，呈正态分布，即
Figure BDA0003855179360000101
Figure BDA0003855179360000102
Unk反映了管理的无效率，呈截断正态分布，即
Figure BDA0003855179360000103
一般来说μu＝0，Unk＞0。Vnk与Unk独立不相关。γ为技术无效率方差占总方差的比重，当γ的值趋近于1时，管理无效率的影响占主导地位；而当γ的值趋近于0时,随机误差的影响占主导地位。
利用SFA模型的回归结果，进一步对决策单元的投入项进行调整，使用如frontier4.1的软件，通过最大似然估计，计算出βn、σ2和γ参数的估计值；
分离出管理无效率项和随机干扰项，
管理无效率项U公式为：
Figure BDA0003855179360000104
随机干扰项V公式为：E[Vnk|Vnk+Unk]＝Snk-fn(Zk；βn)-E[Unk|Vnk+Unk]
其中
Figure BDA0003855179360000105
λ＝σun/σvn，ε＝Vnk+Unk，
Figure BDA0003855179360000106
Φ分别是标准正态分布的密度函数和分布函数。
将计算出的随机干扰项V带入公式：
Figure BDA0003855179360000107
得到新的投入值，第一个中括弧中所调整的是环境因素的影响，max(Zkβn) 表示处于最差环境条件的情况，其他决策单元均以其为基准进行调整，Zkβn越小表明条件越好，增加更多的投入，Zkβn越大表明条件越差，增加较少的投入，由此使得所有的决策单元都被调整至相同的环境水平；第二个中括弧中所调整的是随机误差因素，原理同上，即使全部决策单元面临相同的运气。
将修正后的投入值再次带入SBM模型，得到剔除环境因素影响的全要素能源利用效率的评价结果。
步骤3：将待评测区域的数据代入全要素能效评价模型计算获得待评测区域的全要素能源利用效率。
将各省市的数据代入本发明的全要素能源利用效率的评价方法进行评估，如图2所示，在本实施例中，考虑非期望产出的SBM模型具体步骤如下：
步骤1：确定SBM模型的优化方程；
步骤2：通过数学变换，将分式方程形式的优化方程转化为等价的线性方程；
步骤3：找到线性方程与优化方程的解之间的数学关系；
步骤4：处理需要的投入变量和产出变量；
步骤5：将处理后的变量带入模型，求解线性方程；
步骤6：把线性方程的解转换为优化方程的解，得到初步能源利用效率、投入和产出松弛变量。
如图3所示，在本实施例中，SFA模型具体步骤如下：
步骤1：构建SFA模型，把SBM模型得到的松弛变量分解成含有环境因素、随机因素和管理无效率三个自变量的函数；
步骤2：使用frontier4.1进行回归，检验投入松弛变量是否存在管理无效率；
步骤3：通过最大似然估计，计算出相关参数的估计值；
步骤4：分离出管理无效率项和随机干扰项；
步骤5：对那些处于环境较好或运气较好的决策单元增加投入，代入公式计算得到同质环境下新的投入值，再次带入SBM模型，得到剔除环境因素影响的全要素能源利用效率的评价结果。
图4为本发明实施例的剔除环境因素影响的省市全要素能源利用效率的评价结果图，与单一要素能源利用效率相比，更准确地评价各省市的能源利用情况。根据国家统计局对东部、西部、中部三个区域的划分，排名前十的省市中有七个位于东部地区，排名后十的省市中有六个位于西部地区，反映出我国能源利用效率区域差别严重，地区发展不均衡，与本发明的全要素能源利用效率的评价方法的评价结果相一致。
本发明实施例还公开了一种全要素能源利用效率的评价装置，该评价装置用于运行数据库存储过程，其中，所述运行数据库存储过程时执行如上述图1、图2、图3和图4公开的一种全要素能源利用效率的评价方法。
本发明实施例还公开了一种计算机存储介质，所述存储介质包括存储数据库存储过程，其中，在所述数据库存储过程运行时控制所述存储介质所在设备执行如上述图1、图2、图3和图4公开的一种全要素能源利用效率的评价方法。
在本公开的上下文中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM 或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (9)

1.一种全要素能源利用效率的评价方法，其特征在于，包括以下步骤：
以投入变量、产出变量和环境变量作为全要素能源利用效率的评价指标；
以三阶段数据包络分析法构建全要素能效评价模型，全要素能效评价模型包含SBM模型和SFA模型；
将待评测区域的数据代入全要素能效评价模型计算获得待评测区域的全要素能源利用效率。
2.根据权利要求1所述的全要素能源利用效率的评价方法，其特征在于，以三阶段数据包络分析法构建全要素能效评价模型包括以下步骤：
使用考虑非期望产出的SBM模型对决策单元进行分析，得到各决策单元的效率值与投入松弛量；
以投入松弛量为被解释变量，以外部环境因素为解释变量建立SFA模型；
以SFA模型的回归结果为基础，对第一阶段的投入进行环境因素以及随机误差方面调整，使调整后的决策单元面临相同的外部环境以及相同的运气成分；
使用第二阶段调整后的投入和原始产出，通过SBM模型计算重新计算各个决策单元的效率。
3.根据权利要求2所述的全要素能源利用效率的评价方法，其特征在于，
SBM模型的构建具体步骤为：
Figure FDA0003855179350000011
建立SBM模型的优化方程：
Figure FDA0003855179350000012
其中，向量s-∈Rm和
Figure FDA0003855179350000021
分别表示投入和非期望产出的冗余，即松弛变量，
Figure FDA0003855179350000022
表示期望产出的短缺，即剩余变量；m、s1、s2分别表示投入、期望产出、非期望产出的变量个数；
Figure FDA0003855179350000023
表示第k个决策单元投入、期望产出、非期望产出向量值，(X,Yg,Yb)表示所有决策单元投入、期望产出、非期望产出向量值；n表示决策单元的个数，λ∈Rn表示决策单元的权重；
将优化方程转化为等价的线性方程：
Figure FDA0003855179350000024
Figure FDA0003855179350000025
找到线性方程与优化方程的解之间的数学关系：
假设式分式方程和线性方程优化问题的解分别是(λ*,s-*,sg*,sb*)、(Λ*,t*,S-*,Sg*,Sb*)，两个解之间有这样的关系：
λ*＝Λ*/t*,s-*＝S-*/t*,
Figure FDA0003855179350000026
带入投入变量和产出变量，求解线性方程得到各决策单元的效率值与投入松弛量。
4.根据权利要求3所述的全要素能源利用效率的评价方法，其特征在于，SFA模型的构建具体步骤为：
把松弛变量分解成含有环境因素、随机因素和管理无效率三个自变量的函数，其表达式如下：
Snk＝fn(Zk；βn)+Vnk+Unk
n＝1,2,…,N；k＝n＝1,2,…,K
Figure FDA0003855179350000031
其中，Snk为第k个决策单元在第n个投入上的松弛变量，即理想投入与实际投入的差值；fn(Zk；βn)用来表示环境因素对Snk的影响；Zk即为观测到的环境变量；βn为环境变量对应的参数向量；Vnk+Unk称为联合误差项ε，其中Vnk反映了随机误差，呈正态分布，即
Figure FDA0003855179350000032
Unk反映了管理的无效率，呈截断正态分布，即
Figure FDA0003855179350000033
Vnk与Unk独立不相关；γ为技术无效率方差占总方差的比重。
5.根据权利要求4所述的全要素能源利用效率的评价方法，其特征在于，以SFA模型计算结果为基础，对第一阶段的投入进行环境因素以及随机误差方面调整，使调整后的决策单元面临相同的外部环境以及相同的运气成分具体包括以下步骤：
根据SFA模型的回归结果，进一步对决策单元的投入项进行调整，通过最大似然估计，计算出βn、σ2和γ参数的估计值；
分离出管理无效率项和随机干扰项，
管理无效率项U公式为：
Figure FDA0003855179350000034
随机干扰项V公式为：E[Vnk|Vnk+Unk]＝Snk-fn(Zk；βn)-E[Unk|Vnk+Unk]
其中
Figure FDA0003855179350000035
λ＝σun/σvn，ε＝Vnk+Unk，
Figure FDA0003855179350000036
Φ分别是标准正态分布的密度函数和分布函数；
将计算出的随机干扰项V带入公式：
Figure FDA0003855179350000041
得到新的投入值，对环境较好或运气较好的决策单元增加投入。
6.根据权利要求1所述的全要素能源利用效率的评价方法，其特征在于，投入变量包括劳动力、能源消费和资本存量；
产出变量包括期望产出和非期望产出；其中非期望产出采用熵值法确定非期望产出的各部分权重并通过加权法计算；
环境变量包括经济发展水平、产业结构、资源禀赋和新能源发电量的占比。
7.根据权利要求6所述的全要素能源利用效率的评价方法，其特征在于，经济发展水平的衡量指标为人均GDP；产业结构的衡量指标为第二产业与GDP之比；资源禀赋的衡量指标为采掘业从业人数。
8.一种存储介质，其特征在于，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现如权利要求1-7任一项所述的全要素能源利用效率的评价方法。
9.一种全要素能源利用效率的评价装置，其特征在于,包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的全要素能源利用效率的评价方法。
CN202211145761.7A 2022-09-20 2022-09-20 一种全要素能源利用效率的评价方法、存储介质和装置 Pending CN115471086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211145761.7A CN115471086A (zh) 2022-09-20 2022-09-20 一种全要素能源利用效率的评价方法、存储介质和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211145761.7A CN115471086A (zh) 2022-09-20 2022-09-20 一种全要素能源利用效率的评价方法、存储介质和装置

Publications (1)

Publication Number Publication Date
CN115471086A true CN115471086A (zh) 2022-12-13

Family

ID=84371419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211145761.7A Pending CN115471086A (zh) 2022-09-20 2022-09-20 一种全要素能源利用效率的评价方法、存储介质和装置

Country Status (1)

Country Link
CN (1) CN115471086A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720386A (zh) * 2023-08-04 2023-09-08 北京工业大学 一种技术效率及全要素能源效率的测度方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720386A (zh) * 2023-08-04 2023-09-08 北京工业大学 一种技术效率及全要素能源效率的测度方法及系统
CN116720386B (zh) * 2023-08-04 2023-10-20 北京工业大学 一种技术效率及全要素能源效率的测度方法及系统

Similar Documents

Publication Publication Date Title
Østergaard Reviewing EnergyPLAN simulations and performance indicator applications in EnergyPLAN simulations
Atmaca et al. Evaluation of power plants in Turkey using Analytic Network Process (ANP)
CN111628499B (zh) 一种计及多风险因素的配电网新能源消纳能力评估的方法
CN110991843A (zh) 考虑城市化发展及电能替代效应的饱和电力需求预测方法
CN110309949A (zh) 一种区域电能替代潜力预测方法及系统
CN116304669A (zh) 一种短期校正的分布式光伏功率预测方法及系统
CN111600300A (zh) 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法
CN115471086A (zh) 一种全要素能源利用效率的评价方法、存储介质和装置
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
Ziemele et al. Sustainability of heat energy tariff in district heating system: Statistic and dynamic methodologies
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN114792166A (zh) 一种基于多重约束的能源碳排放的优化预测方法及装置
CN114239292B (zh) 面向低碳经济运行的多能需求园区综合评价方法及系统
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
Xie et al. Sustainable biofuel supply chain planning and management under uncertainty
Sutthichaimethee et al. A forecasting model on carrying capacity for government's controlling measure under environmental law in Thailand: Adapting non-recursive autoregression based on the var-x model
CN112508231A (zh) 一种基于系统动力学的中长期电力负荷预测方法及系统
CN117196918A (zh) 一种建筑碳排放确定方法、装置、设备及存储介质
CN110689269A (zh) 基于自回归分布滞后模型及Kaya公式的碳排放评估方法
CN116823008A (zh) 一种园区能源利用效率评估方法、系统、设备和存储介质
Pusnik et al. Role of the national energy system modelling in the process of the policy development
CN115456406A (zh) 一种综合能源系统的评估方法、装置、设备以及存储介质
CN112508280B (zh) 一种综合能源系统实时性能的评价和优化方法及系统
Rekhade et al. Forecasting sector-wise electricity consumption for India using various regression models
Lauka Sustainability analysis of renewable energy sources

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination