主客观信息融合的港口综合能源系统评价指标体系

何大春　谈健　苏宜强　解翔　宋天立　蔡超　陈曦

摘要：为建立绿色港口，实现港口的节能环保，对港口综合能源系统（port integrated energy system，PIES）的评价方法进行研究，提出一种主客观信息融合的PIES评价指标体系，将主观评价与数理统计模型进行结合，兼顾评价过程中的主客观因素，并采用基于马氏距离的统计检验方法对评分矩阵进行修正，实现对PIES的全面评价。通过青岛港董家口港区的调研数据，验证该方法的有效性。

关键词：主客观信息融合; 评价指标; 高斯混合模型; 统计检验; 港口能效评价

中图分类号：  U691.5

文献标志码：A

Evaluation index system for port integrated energy system based on

subjective-objective information fusion

HE Dachun1， TAN Jian2， SU Yiqiang1， XIE Xiang3，

SONG Tianli4， CAI Chao2， CHEN Xi2

（1.State Grid Jiangsu Electric Power Co.， Ltd.， Nanjing 210000， China; 2.Research Institute of

Economics and Technology， State Grid Jiangsu Electric Co.， Ltd.， Nanjing 210008， China;

3. Logistics Engineering College， Shanghai Maritime University， Shanghai 201306， China;

4. School of Electrical Engineering， Southeast University， Nanjing 210096， China）

Abstract：

In order to establish green ports and realize the energy saving and environmental protection of ports， the evaluation method of the port integrated energy system （PIES） is studied. A PIES evaluation index system is proposed based on subjective-objective information fusion， which combines subjective evaluation with mathematical statistics models， and takes into account the subjective and objective factors in the evaluation process. The scoring matrix is modified by the statistical test method based on Mahalanobis distance to achieve a comprehensive evaluation of  PIES. The effectiveness of this method is verified by the survey data of Dongjiakou Port area of Qingdao Port.

Key words：

subjective-objective information fusion; evaluation index; Gaussian mixture model; statistical test; port efficiency evaluation

0 引 言

《节约能源法》自1998年1月1日施行以来，全国各個港口便努力将节约能源资源这项基本国策落到实处。欧盟实施了《欧洲可再生能源加热及制冷法令》，计划到2020年实现可再生能源占能源总量20%的目标。我国《可再生能源法》编制报告明确指出：到2020年，可再生能源的利用总量不应低于全国总能源消耗量的10%。

2018 年 3 月 27 日交通运输部公布《深入推进绿色港口建设行动方案（2018—2022年）》（征求意见稿），拟在“十二五”时期的基础上从更深层次、更广范围、更高要求建设绿色港口，旨在优化能源消费结构，构建清洁低碳的港口能源体系。港作机械和运输装备优先使用电能、天然气等清洁能源，并配备足够的供电、加气等配套设施。通过新建改造，使用电能和液化天然气等清洁能源的港作机械和车船数量占比不低于 60%。结合自然条件和港口能源需求，鼓励应用光伏发电、风光互补供电系统、太阳能供热供电和空气源热泵供热系统等新能源技术，提升太阳能、风能、地热能、生物能等可再生能源的应用比例，着力推动靠港船舶使用岸电[1]。

为经济、科学地建设和利用港口综合能源系统（port integrated energy system，PIES），需要建立一个有效的PIES评价方法[2-4]。文献[5]用互相独立的评价矩阵对冷热电联产系统进行了能效水平评价。文献[6]对综合能源系统的运行进行了建模和仿真，对系统的规划方法和效益做了评价分析。文献[7]根据系统负荷、经济和环保等因素，构建了基于信息熵法的评价方法。文献[8]提出了一种将层次分析法与公共权重数据包络分析相结合的获取综合权重的距离测度方法。然而，上述方法在计算指标权重时，仅采用客观信息或主观信息，没有同时兼顾两者的有效性，权重值所包含的信息不够全面。因此，有必要研究一种新的权重确定方法，同时体现专家的主观偏好和客观数据的统计特性，为指标赋予更全面合理的权重信息。

由贝叶斯公式可知，E步中β（s）（GiXjk）实际表示第jk个行向量Xjk在第s步迭代时对第i个高斯成分的概率。G（·）为高斯成分，

α（s+1）i、μ（s+1）i和Σ（s+1）i分别为第s+1步迭代中第i个高斯成分Gi的成分概率、均值向量和协方差矩阵。通过E步和M步的迭代，可使高斯混合模型收敛于指定精度。

以上步骤实现了从专家评分数据中对一阶和二阶统计量的学习。从矩阵X的构成方式可知，高斯成分的数目即为二级指标的数目，即i=1，2，…，I。通过模型训练，在获得每个高斯成分一阶统计量（均值）和二阶统计量（协方差）的同时，可以同时得到Gi的成分概率αi。由于αi∈[0，1]，可将αi作为由统计信息学习得到的二级指标的权重。

2.2.3 对评分矩阵有效性的统计检验

专家评分影响PIES的最终评价，一旦出现个别偏差较大的单项评分，就会体现在最终评分中。因此，有必要对专家评分进行统计检验，识别出具有显著偏差的评分值。基于学习到的I个高斯成分，对专家评分进行如下统计检验：

计算Xjk对第i个高斯成分的马氏指标Di（Xjk）：

计算Xjk对全部I个高斯成分的距离指标D（Xjk）：

在置信水平为γ时，对专家评分Xjk进行统计检验。根据式（7）和（8）可知，D（Xjk）的置信阈值DL可以通过F分布来计算[14]：

式中，置信水平γ可以根据实际情况取95%～99%。若某个评分值的距离指标D（Xjk）超过DL，则认为该项评分有显著偏差，应该剔除该值，并用合适的统计量（如其所属高斯成分的均值）替代。

2.2.4 PIES评价指标体系的构造

基于以上思路，可以将PIES评价指标体系的建立步骤

总结如下：

步骤1 请专家对表1中指标进行评价，分为主观和客观两部分：主观部分，对二级指标Bi按照表2的原则给出重要性评价，得到判断矩阵;客观部分，对三级指标Cij按照行业标准和用户反馈给出评分。

步骤2 对于主观部分，按照第2.2.1节的内容计算判断矩阵A并进行一致性检验，得到I个二级指标的主观权重ωi。

步骤3 基于客观评分，按照式（3）～（6）的EM算法训练高斯混合模型，获得I个高斯成分的参数，包括成分概率αi、均值向量μi和协方差矩阵Σi。

步骤4 对专家评分矩阵X按照式（7）～（9）进行统计检验，剔除偏差显著的评分，获得修正后的评分矩阵X。

步骤5 对X重复步骤3，得到修正后的均值向量μi及其对应成分概率

αi。

步骤6 将二级指标的主观权重与统计权重进行融合，本文以均分为例，得到修正后Bi的权重，

即W=（w1，w2，…，wI），wi=（ωi+αi）/2。

步骤7 根据下式计算PIES的综合评分，对评分进行分析和讨论，给出结论及改进意见。

3 实例分析

青岛港董家口港区首先展开分布式能源和智能电网技术应用，利用其光伏、天然气冷热电三联供系统和储能系统，依托智能配电网的综合能源管理系统，建设联网型智能微电网，优化微电网内的供电使用，实现与大电网的互动调配，为港口运营提供环保的绿色电力，为中国新能源微电网项目的发展提供可供借鉴的先行经验。另外，青岛港在2015年底已完成码头的9个泊位“油改电”项目，每个标准集装箱的能源消耗下降了39.7%。因此，本文以该港口为例，对本文涉及的评价指标进行实地调研，然后根据调研数据，让10位专家对该港口的PIES进行综合评价。

在主观信息方面，由10名专家和决策者召开会议，采用众数法，对4个二级指标的重要性进行两两对比，并根据表2给出  计算A的特征值，可以得到最大特征值λmax=4.131 5，将其对应的特征向量进行标准化，即得到每个指标的权重为ω=（0.336 2，0.168 2，0.066 8，0.428 8）。接下来进行一致性检验，根据式（1）可得IC=0.043 8，查表3可知维度为4时IR=0.90， 从而由式（2）得到该矩阵的RC=0.048 7<0.1，故满足一致性要求。

在客观信息方面，基于调研的客观数据和评分标准（详见附表），同时请各位专家对各三级指标采用百分制形式评分，转换为百分比后构成评分矩阵X。训练高斯混合模型，可得到4个高斯成分及其成分概率αi，分别对应于4个二级指标及其权重，模型训练结果见表4。

根据以上统计量对专家评分进行统计检验。根据式（7）～（8）计算马氏距离指标D（Xjk）， 并按照（9）计算95%置信水平下的阈值DL=5.726 7。检验结果如图2所示：Xjk向量的第5、21、23、33行数据超出95%置信区间;特别是第23行数据，对应于环保性指标B3，说明专家对该指标的评价存在显著差异;而对于经济性指标B2，专家评分的统计一致性较好，没有显著差异数据产生。為减少此类极端数据对模型参数的影响，将这4行数据

用其所对应高斯成分的均值μT1、μT2、

μT3和μT4替代，构成修正后的评分矩阵

X。

对修正后的X重新进行高斯混合模型训练，得到的修正后的模型参数见表5。

接下来，将主观权重ωi与修正后的统计权重αi采用均值法进行融合，即可得到综合二级指标权重

W=（0.384 2， 0.166 3， 0.125 9， 0.323 6）。能效B1、经济性B2、环保性B3和社会性B4的权重计算和综合评分见图3：最初的主观评价权重较多地强调了社会性B4，而通过高斯混合模型训练和修正后，最终得到的综合二级指标权重更强调能效B1。

最后根据式（10）计算港口的综合评分，可知该港口的综合评分为78.48%，属于行业中的良好水平，其中能效指标B1的评分为76.88%，经济性指标B2的评分为75.04%，环保性指标B3的评分为73.35%，社会性指标B4的评分为88.65%。说明该港口具有较高的社会认知度和客户满意度，在经济性和环保性上表现适中，有进一步完善和提升的空间。

4 结 论

本文提出一种主客观信息融合的港口综合能源系统（PIES）评价指标体系。以港口配电网为核心，提炼了反映PIES能效性的4类二级指标和16类三级指标。主观信息反映了专家对于各项指标重要性的排序情况，基于调研数据的客观信息给出各项指标的定量评价。从数据中训练高斯混合模型获取了各项指标的权重和均值，与主观权重进行融合，从而能够避免单独使用主观方法而造成的人为因素偏差，以及单独使用数理统计方法而造成的无法反映决策者主观偏好的问题。该方法能够更好地兼顾权重获取过程中的主客观因素，增加了决策过程的公平性和决策结果的可接受性。此外，为减少具有显著偏差的评分数据对统计模型的影响，本文还提出一种基于马氏距离的评分矩阵统计检验方法。该方法可以有效剔除偏差数据，提高结果的客观性。通过青岛港董家口港区的调研数据，证明了方法的有效性和可行性。本文所提方法也为构造各类评价指标、检验数据一致性等问题提供了思路。

参考文献：

[1]王腾， 吕靖. 上海港节能减排效率评价研究[J]. 中国水运， 2017（12）： 31-33. DOI： CNKI：SUN：ZSUX.0.2017-12-019.

[2]WANG Cong， CHEN Jixing， LI Zhiwu， et al. An indicator system for evaluating the development of land-sea coordination systems： a case study of Lianyungang Port[J]. Ecological Indicators， 2019， 98： 112-120. DOI： https：//doi.org/10.1016/j.ecolind.2018.10.057.

[3]DI VAIO A， VARRIALE L， ALVINO F. Key performance indicators for developing environmentally sustainable and energy efficient ports： evidence from Italy[J]. Energy Policy， 2018， 122： 229-240. DOI： https：//doi.org/10.1016/j.enpol.2018.07.046.

[4]WAN Chengpeng， ZHANG Di， YAN Xinping， et al. A novel model for the quantitative evaluation of green port development： a case study of major ports in China[J]. Transportation Research Part D： Transport and Environment， 2018， 61： 431-443. DOI： http：//dx.doi.org/10.1016/j.trd.2017.06.021.

[5]邱留良， 任洪波， 班銀银， 等. 基于AHP的分布式冷热电联产系统综合评价分析[J]. 上海电力学院学报， 2015， 31（5）： 419-423.

[6]余晓丹， 徐宪东， 陈硕翼， 等. 综合能源系统与能源互联网简述[J]. 电工技术学报， 2016， 31（1）： 1-13.

[7]张涛， 朱彤， 高乃平， 等. 分布式冷热电能源系统优化设计及多指标综合评价方法的研究[J]. 中国电机工程学报， 2015， 35（14）： 3706-3713. DOI： 10.13334/j.0258-8013.pcsee.2015.14.027.

[8]范建平， 朱兆钰， 吴美琴. 一种新的基于群AHP和DEA的距离测度方法[J]. 统计与决策， 2018， 34（21）： 41-45. DOI： 10.13546/j.cnki.tjyjc.2018.21.009.

[9]蒲天添. 基于AHP模型的工程项目风险预警分析[J]. 统计与决策， 2018， 34（21）： 182-185. DOI： 10.13546/j.cnki.tjyjc.2018.21.044.

[10]王金祥. 基于层次分析法的质量综合评价系统设计与实现[D]. 天津： 天津大学， 2014.

[11]洪志国， 李焱， 范植华， 等. 层次分析法中高阶平均随机一致性指标（RI）的计算[J]. 计算机工程与应用， 2002， 38（12）： 45-47.

[12]岳佳， 王士同. 双重高斯混合模型的EM算法的聚类问题研究[J]. 计算机仿真， 2007， 24（11）： 110-113.

[13]FIGUEIREDO M A T， JAIN A K. Unsupervised learning of finite mixture models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（3）： 381-396. DOI： 10.1109/34.990138.

[14]HAWKINS D M. The detection of errors in multivariate data using principal components[J]. Publications of the American Statistical Association， 1974， 69： 340-344. DOI： 10.1080/01621459.1974.10482950.

收稿日期： 2019-04-09

修回日期： 2019-05-14

作者简介：

何大春（1966—），男，江苏南京人，高级经济师，研究方向为企业战略与管理，（E-mail）dch@js.sgcc.com.cn