基于变权可拓云模型的区域综合能源系统综合评价

马丽叶 张 涛 卢志刚 杨林林

（燕山大学电气工程学院 秦皇岛 066004）

0 引言

区域综合能源系统（Regional Integrated Energy System,RIES）作为能源互联网的重要组成部分，利用先进的物理信息技术和创新管理模式对子系统进行协调优化，并在此基础上通过耦合电力、天然气、热冷源等多种能源满足系统内部的多元化用能需求，提升能源利用效率[1-4]。建设完善的RIES 是低碳经济背景下实现能源变革的一种解决方案，而对系统进行评价是推进RIES 建设的重要环节。

在区域综合能源系统评价方面，文献[5]以配电系统为核心，从RIES 的能源环节、装置环节、配电网环节和用户环节提炼出具有普遍适应性的指标。文献[6-7]综合考虑经济、可靠、能耗、环保四个方面的影响因素，分别建立多属性加权决策模型和VIKOR 多准则评价体系。文献[8-9]主要以经济性作为系统的评价侧重点，以总成本、净现值、内部收益率和动态回报期作为经济性评价指标。文献[10-11]在㶲效率的基础上提出了能质系数的概念，其计及能量“质”的特性，解决了效率评价中能量耦合造成的困境。文献[12]将数据包络分析方法用于RIES的综合效率评价，但其评价指标体系的构建仍然局限于传统的经济、环保等方面。基于上述分析可知，目前国内外有关RIES 的评价研究主要集中于系统的技术经济层面，受限于传统供能系统的评价思路而忽略了系统的管理层面和外部反馈情况，以至于最后无法上升到综合评价的高度。

同时，系统内部可再生能源和多元负荷的大量接入使得RIES 运行状态的不确定性增加[13-15]，考虑到评价指标取值于某一时间段，其典型代表性随着状态不确定性程度的增加而减小，故而可将指标值看作是受系统状态影响的不确定数值，RIES 综合评价转换为一个不确定性评价问题。云模型[16-17]作为一种描述不确定性的有效方法，文献[18-19]在评价体系中引入正态云模型，将传统的确定性指标替换为不确定形式的云指标；文献[20-21]提出可拓云模型，保留指标数值形式而将物元等级界限以云模型形式表达，指标的不确定性体现为两者的相对不确定性。显然，相比于前者，可拓云模型增加了处理不相容问题的优势，但考虑到云关联度具有恒大于0 的特征，这将削弱系统短板的评价影响，需要对此问题进行改善以免造成评价结果失真。

针对上述现状和问题，本文以RIES 作为研究对象，充分考虑管理决策和外部资源在其发展运行中的作用，分别从驱动力、压力、状态、影响和响应五个方面建立RIES 评价指标体系。接着，利用非线性最优规划将网络分析法（Analytic Network Process,ANP）、熵值法和变异系数法进行组合以求得各指标权重，再结合可拓云模型在处理不确定问题上的优势得到各指标的评价云等级，并通过惩罚型变权将各指标云等级进行组合，得到RIES 综合评价结果。最后，以国内某综合能源系统工程项目作为算例进行仿真分析，同时在灵敏度仿真验证中确定了各评价指标的改善顺序，验证了评价模型的可行性与有效性。

1 RIES 综合评价指标体系

RIES 的主要目的在于扩大可再生能源的开发和提高常规能源的利用效率[22-23]，其结构与能量流动如图1 所示，在物理结构上可将其看作是单一供能系统在接入可再生能源以及多元负荷后，集成为满足系统运行需求而增加的一系列设备所形成的整体。

图1 RIES 结构与能量流动 Fig.1 Structure and energy flow of RIES

由于保持源荷平衡是系统最基本的运行要求，故可将运行状态看作是源荷不确定性和系统调节能力的博弈结果[24]，引入“驱动力-压力-状态-影响-响应”（Drivers-Pressures-States-Impacts-Responses,DPSIR）模型，其闭环特性能够保证在其框架上所搭建指标体系的逻辑完整性，从而使得评价体系上升到综合层面。将源荷不确定性和系统调节能力分别通过驱动力（D）模块和响应（R）模块来表示。当驱动力增大时，压力（P）增加，影响系统的正常安全运行，从而改变系统的整体运行状态（S），对系统效益造成影响（I），进而迫使系统在管理策略和获取外部资源等方面给出响应，缓解驱动力增加带来的各种不利影响。基于 DPSIR模型的RIES 综合评价指标体系如图2 所示，其中，指标C4、E1、E2、E3 和E4 为定性指标，其余指标均为定量指标。

图2 基于DPSIR 模型的RIES 综合评价指标体系 Fig.2 Comprehensive evaluation index system of RIES based on DPSIR model

1.1 驱动力

在驱动力方面，主要计及系统中的能源利用和负荷调节情况。在能源利用方面，扩大可再生能源的开发主要体现在能源供应环节，通过渗透率和消纳率两个指标进行表述；综合能源利用效率从“质”和“量”两个方面将“产-转-输-储-用”五个环节的运行效率情况纳入考虑范围，并通过能质系数将不同能源统一到电能量纲进行计算，如式（1）所示。为了表述的简洁，符号“P”代表对应功率经过能质系数换算后的数值。

式中，η为综合能源效率；δe、δg、δh和δc分别为电能、天然气、热能和冷能的能质系数；E、G、H和C分别为需求侧输出的电能、天然气、热能和冷能，MW；Pbuy为外购电和CHP 设备产生的电能之和，MW；Pgas为区域外购天然气和P2G 产生的天然气之和，MW；Pres为系统可再生能源设备的理论出力，MW。

能质系数δ为不同能源对外所能够做的功与其总能量的比值，即

式中，W为可以转换为功的部分能量，kJ；Q为该能源的总能量，kJ。此外，在负荷调节方面，需求侧管理（Demand Side Management,DSM）通过价格和激励策略引导用户在高峰时多用能，低谷时少用能，进而达到提高用能效率、优化用能方式的需求，其调整比例在一定程度上反映了负荷的波动情况。

1.2 压力

在压力方面，主要考虑系统运行的安全性和可靠性。相比于传统供能系统，RIES 运行状态的变化频率和幅度均有所增加，各类设备更易出现不同程度的磨损，设备发生故障的概率增大。计及热能和冷能的特殊性，重要负荷失能率重新定义为

式中，β为重要负荷失能率；Nb为系统中的重要负荷，包括电能、燃气、热能和冷能四种形式；Nk为重要负荷的失能次数，其中不计及未达到18min 的商业、民用热/冷失能和未达到1min 的工业热/冷失能；Pp,q为负荷q第p次的失能能量；Pplan,q为负荷q的计划供能。同时，配电网是RIES 物理结构中的主要网络，也是系统接入的可再生能源波动的直接承受方，当线路最大功率突变超过接入设备所能承受的上限时，可能造成严重事故。而当潮流分配不均时，系统更易到达重载或热稳定极限，通过与额定功率的比值表示线路的潮流现状，与标准差相比，利用信息熵来检验各线路潮流的均衡度更为直观。

式中，χ为配电网潮流均衡度；n为线路条数；LN为线路的额定功率；Lmax为统计时间内线路的最大功率。

1.3 状态

在状态方面，主要是衡量系统整体的运行水平，从电气化、智能化、开放化和舒适化四个方面进行评价。电气化有利于集中控碳脱碳和精细化用能控制，可通过需求侧所用电能占所用能源总和的比例来表示，其值越大，系统电气化水平越高。智能表包括智能电能表、热能表和燃气表等，可以实现功率计量、实时检测、信息传输以及用户交互等一系列功能，是系统迈向综合智能化的网络基础。比起设备的安装数量，采用设备覆盖能量范围的占比能更加合理地表征系统的智能化程度。

式中，ε为智能设备覆盖率；Ω为智能设备数；Pd为统计时间内设备d记录的能量，MW；Pload为需求侧的总负荷。开放化包括数据共享和能源服务共享两方面，前者依赖智能电能表的信息双向传输技术，已包含于智能化指标定义，而后者目前主要指在区域内设置充电桩为电动汽车提供充电接口，故而可通过区域内的充电桩数量来表示系统开放性，接口数量越多，对于外界的共享性则越好。舒适化是指用户的直接用能体验，与需求侧能源质量息息相关，电能、热能和天然气的供能质量越好，用户的满意度和消费趋向性越高。

1.4 影响

在影响方面，主要评判系统的运行效益，计及经济、碳减排和社会效益三个方面。其中经济效益分别从成本和收益两个角度入手，成本需要考虑投资费用、运维费用、购能费用以及需求侧响应补偿等，通过费用年值进行概括，收益则通过年利润额来描述。其中激励型需求响应在响应中占据可观的比重，而现有指标大都忽略，响应补偿成本补充表示为

式中，φ为需求侧响应补偿成本，万元；T和T′分别为实施激励型和价格型需求响应的次数；p ri(t)和pri′ (t′)为实施上述两种需求响应对应的单价，万元；Ploadloss(t)和Ploadtransfer(t′)为对应的功率，MW。除可再生能源外，RIES 中电动汽车的使用同样能够减少一次能源的燃烧，两者共同减少的碳氮氧化物和颗粒物排放量可作为环保效益的主要来源。

式中，φ为减排效益；u为空气污染物种类，包括CO2、SO2、NOx、CO 和烟尘；Cg为g类型污染物的环境价值，千元/kg；emicoal,g和emipetrol,g分别为煤炭和汽油的单位z类型污染物排放量，kg/MW；Qren和EVsQ分别为可再生能源生产和电动汽车消耗的电能，MW。另外，GDP 是某地区一定时期内生产活动的最终成果，可通过系统GDP 在整个经济辐射区域内的GDP 占比来评价系统的社会效益，即该系统对于所在区域的经济发展和人员就业的促进作用。

1.5 响应

响应方面主要是对RIES 的管理策略进行评价。首先，国家政策引导了行业发展的趋势和潮流，与之贴合度越高，所获得的市场便利和投资青睐越大，且在现阶段政策补贴是系统获得外部支持的最重要方式。其次，在系统的建设、运行和维护管理中，必须采用足够成熟可靠的技术，而保证在当前环境下该技术的不可替代性是技术管理策略中的最优解。同时，稳定便利地获取一次能源是系统运行发展的外部保障，而其所处区域能提供的可再生能源上限决定了系统的发展天花板，系统最终发展目标需和可再生能源禀赋程度相适应。最后，系统调度策略的确定、资源的配置安排以及出现运行故障时的应急处理等都需要人员的介入，因此员工的专业知识和业务能力对于RIES 的稳定运行至关重要。

显然，对于定量指标，可直接通过能量信息采集系统所获得的统计数据计算指标特征值，而对于定性指标，则需要专家根据系统运行数据、项目规划方案、同类RIES 情况以及国家政策、现有技术等资料，结合自身经验并参照评分依据给出该项指标的百分制得分。同时考虑到专家学术水平的局限性和对于不同问题的偏好差别，采用Delphi 法将其意见统一得到定性指标特征值。其中定性指标的评分参照依据见表1。

表1 定性指标的评分参照依据 Tab.1 The scoring reference of qualitative indicators

2 RIES 变权可拓云模型

2.1 建立可拓云模型

可拓学中的物元理论以物元R=(N,C,v)作为描述事物的基本元，其综合考虑高维不相容问题，能够客观描述事物的发展进程和变化规律。在RIES评价中，系统运行状态是不确定的，而利用采样数据计算得到的确定性评价指标显然不能将其完全反映。对应地，传统物元模型中描述事物特征的确定性量值ν此时也不再适用，需要结合云模型在处理不确定性问题上的独特优势对其进行改进。

此外，在对RIES 进行综合评价时，系统在规模大小、包含能源种类以及用户构成等方面的差异性会对决策者的评价标准造成直接影响，因此需要“具体问题，具体分析”，邀请专家根据具体评价对象的实际情况来划分指标等级界限，而非采用一个普适性指标等级。在确定等级界限后，首先将评价指标划分的等级界限作为一个双约束空间，利用转换关系方程组（9）进行适度扩展得到等级界限云模型(Ex,En,He)。

式中，s为常数，可结合相应指标的模糊性、离散性、随机性和实际情况进行调整。

其次，以正态云模型(Ex,En,He)替换传统物元中的特征量值v，将期望Ex、熵En和超熵He转换为m个云滴(x1,x2,…,xm)，通过单个云滴能够代表整个可拓云模型的概率来实现定量数值到定性概念的转换[18-19]。可拓云模型为

式中，Rj为 IES 综合评价所划分的等级；表示云量值，为评价指标Ci关于等级Rj的云描述；i=1,…,n。

2.2 计算云关联度

根据正向正态云模型的特点，将待评价的各项指标值x视为一个云滴；然后，随机生成服从对应期望值为En、标准差为He的正态分布的随机数En′；最后，计算出各个指标相应的待评价值与RIES 综合评价等级界限可拓云模型之间的云关联度k，其计算公式为

在具体RIES 综合评价中，由于系统运行状态的不确定性，指标值x的采样无法精确到某一数值，若采用区间数表示则意味着舍弃区间内状态出现的概率偏好。本文引入式（11）将采样随机性问题转换为指标值x不变，等级界限En′波动的相对随机问题，其中En′～N(En,He2)符合状态不确定性引起的波动情况[20]，而随机波动大小由超熵He来决定，与实际情况一致。利用式（11）计算出待评物元各指标值和各评价指标综合评价等级可拓云模型之间的云关联度，得到IES 综合评价等级的评判矩阵K为

式中，kij为待评价物元指标Ci和综合评价等级j的界限可拓云模型之间的关联度；n为评价指标数；m为综合评价等级。

2.3 确定综合权重

在主观方面，网络层次分析法（Analysis Network Process，ANP）利用超矩阵原理，专家根据决策者评价偏好给出各指标重要性标度，并结合各指标的相关性共同求出主观权重，在赋权过程中能够有效应对RIES 综合评价中各指标之间存在交叉含义和相互反馈影响的状况；在客观方面，熵值法通过计算信息熵来判断某项指标提供的信息量，变异系数法利用指标的变异程度来度量其对评价结果的重要程度。将三者结合起来，既能兼顾决策者的主观需求和数据的客观性质，又能消除单一评价法片面、稳定性差等问题。基于博弈论思想，通过非线性最优规划进行求解，表达式为

式中，Nh为赋权方法；为主观赋权方法；wh为采用第h种方法计算得到的指标权重；ηlow和ηhigh分别为主观权重占比的下限和上限，需根据待评价样本的实际情况来确定；ρh为第h种方法的权重。

2.4 得到变权综合评价等级

根据RIES 综合评价等级的评判矩阵K，结合指标体系的权重系数W得出评价向量=B WK，令，定义b j(j=1,2,… ,5)为云综合关联度，当bj=maxbj成立时，系统的综合评价等级为j。

由于RIES 具有庞大的内部结构和复杂的运行策略，其在发展过程中各方面很难达到均衡，具体表现在指标评价结果分散于不同云等级且极少出现同时属于两个等级的情况，如图3 所示。

图3 可拓云模型示意图 Fig.3 Schematic diagram of extension cloud model

假设出现2 个指标对于N1 的关联度为1，剩下18 个指标对于N2 的关联度均为0.1 的情形，当不考虑评价指标的均衡度时，显然云综合关联度计算结果与实际情况相悖的概率很大。

这是因为可拓云模型将云关联度k的范围限制在了[0,1]。当指标不属于某一等级时，其与该等级的云关联度0k=。相较于传统物元模型的负关联度，该部分指标在综合关联度的加权计算过程中失去了“惩罚”作用，即综合关联度评价计算结果只计及了属于该云等级界限内的相对“优越值”，而掩盖了不属于该界限内的“短板效应”，这可能导致评价结果失真。

基于上述分析可知，可拓云模型中综合关联度的计算对于指标均衡度的要求相较于常规系统要高得多，因此本文引入变权理论[26]对各评价指标的均衡度进行“惩罚”，通过对均衡度加以限制来避免少数指标值的优秀造成待评价整体呈现完全优秀状态这一现象的发生。

以待评价样本指标值xi到对应评价指标等级j的界限中心Eij的距离作为惩罚基准，考虑到待解决的问题是计算综合关联过程中掩盖“短板”而造成评价结果失真，故而将惩罚准则设置为距离Eij越近，其相对权重越小。利用常见的惩罚型变权综合函数 模型构建惩罚性变权为

式中，W′为经过变权计算后的权重向量；α为惩罚系数，当0.5α＜ 时，可认为决策者偏保守，对于指标值的均衡程度要求较高；当0.5α≥时，指标值的均衡程度对于评价结果的影响逐步降低。

最终评价向量为

2.5 检验RIES 综合评价结果

由式（11）可知，计算定量指标x与正态云之间的云关联度k的过程中存在随机因素，故而需要进行F次计算以对综合评价结果进行可信度检验。令为RIES 综合评价结果分别属于各等级的次数，引入置信度因子θ为

可知，θ值越大，表示评判结果的分散度越大，可信度越小；反之则评判结果的可信度越大。在本文中，当θ≤0.005时将评价结果视作可靠。

3 算例分析

3.1 算例背景

国内某综合能源系统工程项目[27]于2014 年4 月开始规划建设，提出建设以电能为中心，融合电能替代与节能技术，规模化应用多种清洁能源，技术先进、智能互动的绿色复合型能源网。该园区主要开展呼叫中心服务、展示交流体验、商务合作拓展三项业务，实现国家电网能源技术与服务创新园区目标。项目在能源、服务和生态建设方面，建设以电为中心、灵活接纳多种能源形式，包含全面集成智能楼宇、智慧能源和智慧环境等子系统，实现多能源协调控制和综合能效管理的绿色复合型能源网。

3.2 评价结果

以系统2017 年的运行数据作为算例。首先参考同类项目运营情况，结合该供能体系的规划方案和专家意见将RIES 的综合评价等级划分为N1～N5共五个级别，分别对应为{差、较差、一般、较好、好}。为便于操作，各级别以双约束空间的形式给出，按照式（9）进行云模型转换，得到的等级界限云模型见表2。由于篇幅原因，在每个因素层下选取一个指标进行仿真说明。

表2 RIES 综合评价部分指标等级界限云模型 Tab.2 The hierarchical boundary cloud model of partial index for RIES comprehensive evaluation

接着，计算待评价样本指标值与各等级界限云模型的关联度k，如图4 所示。从整体上来看，依据最大云关联度准则得到属于 RIES 评价结果N1～N5 等级中的指标个数分别为0、4、11、2 和3，显然N3 等级包含了待评价样本的大多信息，在不考虑权重的基础上比起其他等级更能全面地体现待评价样本的特质。从单个指标来看，配电网最大功率突变B3 具有很好表现，结合A1 和A3 可看出，其主要原因是系统中接入的可再生能源数量小，加之需求响应调整的负荷量较为可观，这使得系统负荷整体运行较为平稳。同时，响应指标E1、E2、E3和E4 都有较好表现，这意味着现有管理经验和外部资源能够兼容于系统的现有运行，其有足够的资源和后备保障来接入更多的可再生能源，实施更多的调节手段。

图4 云关联度计算结果 Fig.4 The calculation results of cloud relevance

然后，邀请专家对指标的相对重要性进行评判得到主观权重，纳入该供能体系前两年的实测值一同作为客观数据样本，通过熵值法和变异系数法计算获得客观权重，通过式（13）计算得到基本权重数据曲线如图5 所示。可见，由于ANP、熵值法和变异系数法分别侧重于不同方面，其计算得到的权重也完全不一致，因此有必要将它们综合考虑。而基于非线性规划进行计算能够有效改善单一方法片面、稳定性差的情况，如处于ANP 下的A1、A2和D3，处于变异系数法下的A4、B2 等。

图5 指标权重计算结果 Fig.5 The calculation results of index weight

将RIES 综合评价中样本值的大小和均衡度视作同等重要，取惩罚系数α=0.5，以待评价样本指标值xi到对应评价指标等级j的界限中心Eij的距离作为惩罚依据，根据式（15）计算得到RIES 综合评价中各等级下对应指标变化权重见表3。

表3 RIES 综合评价部分指标变化权重 Tab.3 The variable weights of partial index for RIES comprehensive evaluation

从横向来看，每个指标的综合权重最小值分别出现在N2、N3、N5、N3 和N3 范围，结合图4 可发现这些指标在其所属等级内都可归于优越值范畴，其与A1～E1 的指标等级保持一致证明了惩罚型变权能够降低权重以改善可拓云模型只考虑优越值的缺陷。从纵向来看，由于综合权重仍是基于各指标间的相对性进行惩罚计算，以N3 列为例，由于N3 范围内存在众多指标，降低了B1、D1 和E1 的相对优越性，使其权重下降不明显；反之A1、C1 的上升较为突出，这与其预期作用相符合。

最后，在得到待评价样本指标值与各云等级界限的关联度k和变权W′后，利用式（16）计算得到RIES 评价样本对于各云等级的综合关联度，并取F=10 000 分别对评价结果进行可信度检验。同时，以传统的可拓物元模型和不实施变权的可拓云模型作为对比，结果见表4。

表4 RIES 综合评价结果 Tab.4 The results of RIES comprehensive evaluation

在不计及可信度的情况下，maxbj=N3成立，即该绿色供能体系在RIES 综合评价标准之下的发展运行情况已达到中等水平；同时b2＞b4表明比起N4 等级，评价结果更加趋近于N2 等级，和图3 反映出来的指标情形保持一致，证明将可拓理论和云模型用于RIES 的综合评价中是正确且有效的。对比可信度情况可发现，物元模型由于界限是确定的而无法进行可信度检验，而不采用惩罚型变权手段的时候有θ=0.022＞ 0.005，这表明当评价过程中出现采样数据不佳的情况时，物元模型将无法给出有效示警而造成评价结果失真；可拓云模型则由于计算指标数值A1、C4、D3 和D4 对于N2 等级具有较大的云关联度导致maxbj=N 2的出现概率超过了可接受范围。故而，基于云模型和变权理论对传统物元模型进行改进，并将其用于RIES 综合评价是必要的。

最后，利用上述三种模型进行评价所需要的时间见表5。

表5 评价模型运行时间 Tab.5 Running time of evaluation model

可见，三种模型在单次计算上花费的时间基本一致；而进行10 000 次计算对评价结果进行可信度检验时，变权可拓云模型并不会带来耗时上的额外负担。

3.3 灵敏度分析

3.3.1 变权惩罚系数灵敏度

惩罚系数α通过改变指标权重的方式对评价结果造成影响，对其取值进行灵敏度分析，变化趋势如图6 所示。

图6 不同惩罚系数下的评价结果 Fig.6 The evaluation results with different penalty coefficients

由α的定义可知，随着α逐渐减小，评价结果对于均衡度的要求逐渐增大，各等级内具有较大云关联度的指标权重对应减小。将各等级的综合关联度进行归一化后，从图6 可看出，在以α=0.9为起点的一定的界限内，N3 等级占比逐渐增加，而N2、N4 和N5 均在减小，变权计算扩大了最大综合关联度maxbj与其他综合关联度的差距；而当α低于0.3～0.5 中的某一个临界值时，由于过分追求均衡度而导致指标基础权重失去作用，评价结果灵敏度逐渐降低。

3.3.2 指标值灵敏度

检验评价结果对于各指标的灵敏度r，通过弥补短板的方式能够更快地提升RIES 的综合评价水平。由上述分析可知，该项目的综合评价等级为N3，相邻等级偏向于N2。设未达到N3 等级期望值的指标作为弱项指标，取步长为1%，正向指标和负向指标分别在0～30%和-30%～0范围内变化，计算r在该变化范围内的最大差异值maxΔr，根据其大小确定指标值的改善顺序。其中r通过加权平均法得到

计算结果如图7 所示。

图7 灵敏度分析结果 Fig.7 The results of sensitivity analysis

可知，指标的改善顺序为A1＞C4＞D2＞D1＞D3＞A2＞D4，其中拉低系统评价等级的指标主要集中在可再生能源和效益部分。由于系统可再生能源的接入和消纳能力低于N3 等级的预期目标，系统需要购买更多的电能和天然气维持运行，不利于经济创收和环保效益。而舒适度指标亟须提升的原因可能是需求响应的能量调整影响到了用户的用能体验，后续需要进一步与用户进行沟通协调，对方案进行调整修改。

4 结论

区域综合能源系统利用先进的物理信息技术和创新管理模式将各子供能系统联结成一个整体，且随着RIES 中可再生能源的逐渐增加，系统运行状态不确定性对评价指标典型代表性的影响已不可忽略。基于此，本文提出一种基于变权可拓云模型的RIES 综合评价模型。

1）在现有技术经济指标的基础上，将系统的管理层面和外部资源支持纳入考察范围，结合DPSIR模型的闭环优势建立RIES 综合评价指标体系。

2）将可拓云模型应用在RIES 综合评价领域来处理系统状态不确定性对评价结果的影响，同时基于变权理论对模型掩盖“短板效应”的特质进行改进，通过算例仿真验证了模型的可行性和有效性。

本文为求模型的通用性和评价的综合性，所建指标体系牺牲了一定的深入性，而深度挖掘RIES 某一方面的特性并将其具体量化仍然是一个值得探究的课题。此外，利用ANP 计算主观权重时，对指标进行重要性判别和相关性分析会给专家带来可观的工作量，未来对其进一步优化是所建评价模型得到重用的关键一步。