邊緣計算模式下的電力用戶能效評估方法

劉沛津,史潔琳,孫 昱,王柳月,晏東陽

(1.西安建筑科技大學 機電工程學院,西安 710055;2.西安建筑科技大學 理學院,西安 710055)

以電能為核心的能源市場朝著綠色低碳化、協同多元化穩步發展,深度融合“云大物移智”等新興技術和新能源技術的新一輪能源革命正助推“雙碳”愿景的高質量實現,其中用戶側的用電提質增效是關鍵環節[1-3]。電力用戶作為電力市場體系中重要的有機單元,其用電能效評估是推動自身參與虛擬電廠、移峰填谷、需求響應等新興業務的必要條件,也是新型電力系統建設中優化電力產業結構、制定差異化節電策略的重要基礎。因此,開展以電力用戶能效狀態評估為核心的智能化數據服務具有重要的現實意義和工程價值。

目前電力用戶能效評估分析等常用算法仍以集中計算的方式為主[4]。隨著配電系統中海量終端互聯化、設備數據高維化和網架層次復雜化的發展,傳統依靠單一的云主站信息處理模式存在著數據傳輸高時延、高擁塞、信息遠離設備端,且排隊處理緩慢等弊端。而邊緣計算技術將計算力部署在近配電終端數據源側,在控制執行單元側進行數據分析、系統運行狀態態勢感知[5-6],并做出自主快速決策,可有效彌補云計算的不足,成為近年來電力能源領域的熱點研究。Khan等[7]面向家庭能源門戶設計的站點可以用于實施任何特定的需求側服務。Wei等[8]將邊緣計算引入到工廠能源管理場景中以降低電力成本。目前邊緣計算技術已在能源優化調度、負荷需求預測、服務分發策略等高級應用場景展開深入實踐,邊緣智能化的發展為用戶的用電能效分析提供了有力支撐。

目前電力用戶能效評估方法主要有模糊評價法、數據包絡分析法、灰色關聯分析法等。吳劍飛等[9]通過對狀態因素集、評判集、指標權重分別進行分析,建立模糊綜合評估模型,然而評價過程中隸屬度函數的選擇易受專家經驗影響,評估結果有較強的主觀偏好性。李金良等[10]提出基于交叉超效率的CCR模型,可有效提高評估方法的客觀性,但評估過程較為復雜。羅志坤等[11]將灰色關聯分析法與層次分析法相結合進行能效評估,該方法雖然適用性較強,但方法中指標權重的確定采用主觀賦權法,所得出的權重客觀性不足,進而會降低評估方法的精確性。Kong等[12]基于熵權法與逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)計算家庭用戶的各時段能效評分,采用客觀賦權法能充分利用數據的本質特征,保證賦權的客觀性,但由于未考慮到TOPSIS在計算相對優劣性時歐式判據存在的缺陷,對于評估的準確性會產生影響。Zhao等[13]結合灰色關聯度改進傳統TOPSIS方法,彌補距離判據的不足,但忽視了實際用戶數量動態變化時,評估結果會存在不確定性。

基于上述分析,本文提出一種在邊緣系統架構下實時動態評估電力用戶能效的方法。在研究用戶邊緣計算能效評估框架的基礎上,依據“壓力-狀態-響應”概念模型構建多維動態能效指標集合,采用相關性定權法(criteria importance though intercrieria correlation,CRITIC),從差異性和沖突性兩種角度,更科學、合理的衡量指標蘊含的信息量,并針對TOPSIS在計算過程中存在的逆序現象和距離測度不合理的問題,通過構造絕對理想點和改用灰色關聯度判據,有針對性地進行改進,彌補傳統方法在判斷評估對象相對優劣性上的不足。同時,考慮到邊緣節點存儲資源的有限性以及數據信息間存在的冗余性,進一步融合指標的重要性、獨立性與均衡性三重抽象屬性,引入合作博弈論思想優選出精簡指標,可減小計算量以及對邊緣側內存的占用。通過試驗分析,驗證了本文所提方法在評估的可靠性和準確性上具有較大的優勢。

1 邊緣能效評估方法

本文在邊緣計算模式下所構建的用戶側能效評估框架如圖1所示,該框架分為用戶終端、邊緣節點和中心化主站。用戶終端位于框架的最底層,主要包括設備、儀表等,其通過多種通信方式獲取并傳輸采集到的能耗數據信息。邊緣節點匯集接收到的用戶終端數據后,結合邊緣計算模型對緩存在本地的數據進行就地處理和分析,實時計算用戶的能效狀況,僅將處理后的數據和計算結果發送至中心化主站。頂層的中心化主站負責對所有上傳的用戶信息進行管理,實現更深層次的分析與決策。

圖1 邊緣能效評估框架Fig.1 Edge energy efficiency evaluation framework

在該模式框架下,部署開發的邊緣節點軟、硬件系統架構如圖2所示。軟件系統主要包括系統運行環境、協議解析、存儲文件以及邊緣計算與服務。在Linux Real-Time OS系統環境下,節點支持Labview、MATLAB等語言,開發的邊緣感知的數據采集模塊可實現信息收集,設計了適用于用戶能效數據的存儲文件,包括傳感數據、指標數值、計算結果等信息的分類存儲,同時也能為用戶的能效數據分析提供算法模型與決策服務。硬件模塊主要包括主控單元、驅動單元、處理單元、存儲單元、數據采集接口、內置外設與通信單元。節點采用NI公司的 FPGA Kintex-7芯片,配有可重配置的工業級I/O模塊,支持WiFi、ZigBee、RJ-45以太網等無線通信形式,也可通過RS232、RS485、CAN 總線、USB等與傳感器進行有線連接,傳感器接入后的采集數據可存儲于板載內存或SD卡。

圖2 邊緣節點軟、硬件架構Fig.2 Edge node hardware and software architecture

邊緣節點作為整個系統框架的核心,其評估方法的邏輯框圖如圖3所示,主要包括:

圖3 評估方法的邏輯框圖Fig.3 Logic diagram of evaluation method

1)能耗數據預處理。即將采集數據加工計算成實時的指標數值,并根據“壓力-狀態-響應”概念模型構建電力用戶能效評估指標體系,以綜合評測用戶能效水平。

2)指標屬性特征融合優化。即在構建指標體系的基礎上,為優化指標集合、減少邊緣存儲壓力,以影響度、優化度融合各項指標的屬性特征——重要性、獨立性、均衡性,同時采用合作博弈論避免融合過程中的決策偏好,根據融合后的量化結果篩選指標。

3)能效評估。即通過CRITIC權重確定方法分配評估指標權重,并由改進灰色TOPSIS評估法對評估對象進行排序,實現不同電力用戶在邊緣場景下的能效狀態評價。

2 構建電力用戶能效評估指標體系

2.1 “壓力-狀態-響應”模型

“壓力-狀態-響應”(Pressure-State-Response, PSR)模型能夠清晰闡釋系統中因果關系的持續性變化,并通過維度間的動態邏輯關系構建評價指標,在土地集約利用、生態系統健康等評價研究中得到廣泛應用[14-15]。在電力領域,可認為外部用電環境與生產活動會對用戶施加壓力,進而導致用戶的用電能效狀態發生變化,用戶通過改變現有的用電行為方式,可以有針對性地進行節能響應,其模型結構如圖4所示。

圖4 用戶能效的PSR概念模型Fig.4 PSR conceptual model of user energy efficiency

本文從用戶能效的PSR概念模型出發,依據GBT 31960.1—2015《電力能效監測系統技術規范》、GB/T 36714—2018《用能單位能效對標指南》以及國內、外對于電力用戶能效評估的現有研究成果,并遵循指標數據的客觀性、科學性、可獲取性等原則,對用戶能效狀態評估的相關參數指標進行初步整理和篩選。以用戶負荷、電量、電壓、電流等運行數據及其衍生數據為基礎,選取8項最能反映用戶能效水平的指標,構建能效評估指標集合,以實現在邊緣節點評測在網電力用戶的能效情況,指標體系見表1。

表1 能效評估指標體系Tab.1 Energy efficiency evaluation index system

實際生產中設備的運行與維護交替進行,生產任務的進度能夠對用戶能效施加一定的壓力,用電量間接反映了生產進程,因此壓力指標可用用電量來表示。優質可靠的電能質量可以提高用戶電能利用效率并減少經濟損失,從該角度出發選取電流不平衡率、平均電壓等5項能夠反映用戶能效狀況的指標作為狀態指標。用戶通過增長產值能耗、使用低功耗設備等調控措施,積極提升自身能效,體現了用戶對實現健康用電目標的響應,因此萬元產值能耗和主要耗能設備等級可視為響應指標。

2.2 基于指標抽象屬性的融合篩選

隨著能效狀態監測趨于全面化和精細化,大量冗余性較高的數據占用了較多的存儲資源,導致海量數據對邊緣設備存儲資源的需求越來越嚴重,有必要對信息進行進一步的精簡與篩選。本文緊密結合指標體系的動態邏輯關系,從指標自身的屬性特征出發,對指標的“重要性”、“均衡性”、“獨立性”三重屬性特征進行量化,以重要性反映指標的信息價值,以均衡性選擇最具代表性的指標詮釋評價對象最多的屬性,以獨立性剔除關聯程度高的指標,降低指標集維數。定義影響度、優化度對指標的抽象屬性進行融合,并基于合作博弈論優化各指標的篩選排序,進而為邊緣側的數據去冗余提供依據。

2.2.1 指標重要性

指標重要性表征的是指標對能效數據集合的影響程度。利用主成分分析法將指標在各個主成分上的因子載荷的絕對值作為評價指標重要性的依據。

令n為評估對象的數量,m為評估指標個數,能效評估標準化矩陣可表示為Z=[zij]n×m。對標準化后的指標集Z計算其相關系數rij和協方差矩陣Rm×m。再由矩陣論相關理論得到特征根λ與特征向量α,將特征根λ從大到小依次排序,取λj>0的前j個特征根組成因子載荷矩陣bij,則指標重要性的計算公式為

(1)

2.2.2 指標獨立性

指標獨立性表征的是指標與指標之間的關聯程度。斯皮爾曼等級相關系數用于反映變量間的依賴關系。

設定U和V為兩個n維的指標變量,其斯皮爾曼相關系數為ρij,將指標xj對各個指標的相關度表示為tj,則指標獨立性的計算公式為

(2)

2.2.3 指標均衡性

指標均衡性表征的是指標在能效數據集合中的離散情況。熵是對所量測信息的不確定性或無序狀態的度量。

集合中第j個評估指標的熵和熵權分別定義為ej、wj,則指標均衡性的計算公式為

(3)

2.2.4 合作博弈求解融合模型

在計算三重指標屬性特征的基礎上,為消除指標選取上以單一方法定向篩選可能造成的結果“偏向性”,使用影響度、優化度模型融合指標屬性得到篩選結果的綜合量化值。

首先構造指標影響度融合模型,指標影響度γj反映指標在集合中的受關注程度,以指標重要性Gj與指標均衡性Sj的度量值來表示:

(4)

關鍵指標篩選由指標優化度Oj確定,指標優化度為指標在整體中的綜合表現情況,由指標影響度γj和指標獨立性Dj的線性組合來表示:

Oj=α1γj+α2Dj

(5)

式中,0<α1<1,0<α2<1,α1+α2=1。

在求解融合模型時,為克服決策者對于篩選結果的主觀偏好性,采用合作博弈模型實現對偏好系數α1、α2取值的最優分配。具體如下:通過將指標優化度對指標影響度和指標獨立性的差值極小化,對偏好系數α1和α2進行優化,由此建立對策模型:

(6)

式中αq為線性偏好系數。

式(6)的實質即為多目標函數規劃模型,將其簡化為以偏差最小化為目標的問題進行求解后,根據矩陣的微分性質可得其相應的最優化一階導數條件為

(7)

對應的線性方程組形式為

(8)

(9)

根據上述合成規則融合指標多源屬性信息,并對指標優化度進行排序,從而為指標決策優選提供依據。

3 評估模型

能效評估是邊緣計算的核心,在邊緣側對用戶的能效數據進行信息融合,可實現用戶的就地能效評估。本文采用CRITIC賦權法計算評估指標的權重,并以改進灰色TOPSIS方法對待評估電力用戶進行排序,評估結果在考慮到指標數據的客觀信息的基礎上,能夠避免逆序問題并且更加合理地計算待評電力用戶與絕對理想解的距離測度。

3.1 基于CRITIC賦權的改進灰色TOPSIS評估方法

TOPSIS法在決策分析時不特殊要求評估對象的樣本量、指標多少以及數據分布[16],通過使用函數曲線計算評估對象與理想解之間的距離來排序。但傳統TOPSIS法存在一定的缺陷:1)在樣本增減時正、負理想解的變化可能會產生逆序現象[17];2)歐式幾何距離存在計算評價對象與正、負理想解的距離測度均相接近的情況[18],這時對于評估對象的優劣較難界定,故不能直接用于用戶能效分析。近年來,已有一些學者將TOPSIS法應用于能效評估方法的研究,但是存在以下幾方面的不足:

1)沒有考慮和處理評估對象數量變化時所帶來的決策沖突問題,這會對評估結果產生干擾。

2)通過各種主、客觀方法確定各個指標的權重值,不同的賦權方法會對評估結果造成影響。

3)如何選取相對距離度量方法,用以得到一個合理有效的距離測度。

針對上述分析,本文綜合考慮各方面的影響因素,提出基于CRITIC賦權的改進灰色TOPSIS評估方法,實現用戶能效評估,該模型具有如下特點:

1)通過構造絕對理想解,考慮并處理當用戶數量動態變化時,理想解會隨之變化的問題,其優點是保證最終評估結果不受決策用戶變化的干擾,從而具有一定的保序性。

2)采用CRITIC賦權法從對比性和沖突性兩種信息角度計算各評價指標的權重分配,二者的有效結合能夠更好地展現各能效指標的重要度。

3)將灰色關聯度代替原有的歐氏距離,進而根據曲線序列的相似性計算距離測度,可以有效反映用戶間的內部發展態勢,提高評估的準確性。

CRITIC賦權法的具體步驟如下。

Step1能效指標同向化處理。求得標準化決策矩陣Z為

(10)

對能效指標進行標準化處理如下:

(11)

Step2基于CRITIC確定指標權重。

1)計算指標間的相關系數ζij為

(12)

2)定義指標的信息量Cj為

(13)

3)確定指標權重Wj為

(14)

Step3構建標準化加權評估矩陣:

Y=(yij)n×m=(zijWj)n×m

(15)

式中yij為標準化加權后的能效指標值。

Step4構造絕對正、負理想解。在用戶能效優劣評估中,將最優用戶設為評估標準的正理想解,其各評價屬性均為所有待評用戶中的最優值,將最遠離理想用戶的待評用戶設為評估標準的負理想解,其各評價屬性均為所有待評用戶中的最劣值。為避免傳統TOPSIS方法中用戶正、負理想解的選擇存在相對性,對各評價屬性值進行歸一化處理[17],處理后屬性值越大越好,因此待評用戶的絕對正、負理想解數據序列分別為

(16)

當確定用戶的絕對正、負理想解后,待評用戶數量的增減并不會影響其與絕對理想解的距離,該值將始終保持不變,可確保待評用戶之間優劣關系的穩定。

Step5計算灰色關聯度。第i個待評用戶與絕對正、負理想解之間的灰色關聯矩陣為R+(R-),其中灰色關聯系數為

(17)

式中:ρ為分辨系數,ρ∈[0,1.0],一般取ρ=0.5;|yij-b+(-)|為待評用戶與絕對理想解相對應指標差的絕對值,正灰色關聯系數對應上標“+”,負灰色關聯系數對應上標“-”。

Step6定義改進后的第i個待評用戶與絕對正、負理想解的距離測度為:

(18)

(19)

Step7求取各待評用戶的相對貼近度為

(20)

相對貼近度的大小從一定程度上反映電力用戶能效水平的高低,其取值范圍為[0,1.0]。若Ci越大,表明待評用戶與用戶絕對正理想解越接近,同時越遠離用戶絕對負理想解時,該待評用戶能效水平越好。

3.2 電力用戶邊緣能效評估流程

為實現在邊緣節點對電力用戶的能效進行量化,構建能效評估模型,具體流程如圖5所示。

圖5 用戶邊緣能效評估流程Fig.5 User energy efficiency edge assessment process

1)根據邊緣節點采集到的用戶能效狀態參數,計算出電力用戶的能效指標數據,并對數據進行預處理,獲取精簡數據集。

2)利用CRITIC賦權法計算指標權重,并在評估過程中引入絕對理想解與灰色關聯度來改進TOPSIS評估方法,然后根據相對貼近度評價各電力用戶的相對優劣性,實現邊緣評估目標。

3)根據用戶的能效評估結果,將現階段能效水平較差的電力用戶的能效數據和評估結果上傳至中心化主站,而能效水平較優的用戶則將其相關數據結果在邊緣側緩存。

4 試驗分析

4.1 能效指標屬性特征計算與融合

選取某地工業區的10個工業用戶,結合用戶用電數據的特點,采用模塊化設計思路部署開發邊緣節點,利用采集到的運行數據對PSR指標體系中的評估指標進行統計和計算,指標預處理后的雷達圖如圖6所示。根據指標圍成幾何封閉區域的面積,可以粗略衡量各個用戶的能效水平。

圖6 各項指標標準化Fig.6 Standardization of indicators

由指標特征定義公式,對預處理后的能效指標數據計算其重要性、獨立性、均衡性3類屬性值,見表2。

表2 初選指標屬性計算值Tab.2 Calculation value of primary selection index attribute

由式(4)計算可得指標的影響度γj=[0.007 5,0.028 6,0.091 2,0.132 5,0.002 1,0.446 2,0.117 9,0.173 9]。

再根據矩陣的微分性質,得到最優化的一階導數條件的矩陣表示為

(21)

從而得到線性方程組歸一化后的最優解為α1=0.949 3,α2=0.050 7。則基于合作博弈論的指標優化度Oj=[0.012 6,0.034 6,0.094 8,0.131 8,0.007 8,0.431 8,0.117 7,0.172 6]。由此得到能效評價指標的優化度排序為:平均電壓>主要耗能設備等級>平均負載率>萬元產值能耗>電流不平衡率>電壓不合格累計時間>用電量>功率因數。

進一步根據統計學基本理論,以數據方差表示各項指標的信息量貢獻率,對排序結果中的指標進行末位剔除。為保證評估精度,給定信息貢獻率閾值為95.00%。發現當所保留的指標個數為7時,能夠反映初選指標集合信息的比率為99.77%,評估信息含量滿足需求。對此,將功率因數指標作為冗余指標予以剔除,故最終確定邊緣側評估指標集合如圖7所示。

圖7 能效指標集魚骨圖Fig.7 Fishbone diagram of energy efficiency index set

4.2 能效評估

4.2.1 能效分析

根據CRITIC法的定義計算各指標的權值Wj=[0.121 7,0.101 2,0.144 6,0.173 4,0.182 7,0.140 0,0.136 4]。其中反映用戶狀態性能的平均負載率和平均電壓兩項指標的權重較大,分別為0.173 4和0.182 7,突出狀態類指標在評估過程中的重要性,也間接反映電能質量對用戶的能效水平具有較大的影響。而用電量和電壓不合格累計時間兩項指標的權重占比相對較小,一方面由于其在整體評估過程中提供的有用信息較少,另一方面也與各用戶該方面的能效指標數據差異小有關。

基于評估模型設置電力用戶能效水平的絕對理想解,進而計算各用戶分別與絕對正、負理想解的加權灰色關聯度,在此基礎上得到電力用戶綜合能效狀態評分及其優劣排序,其結果見表3。由表3可知10個用戶的能效水平優劣排序中,用戶5的能效水平最優,用戶8的能效水平次優。

表3 邊緣側評估結果Tab.3 Edge side assessment results

為更加細致地反映電力用戶U1～U10的能效水平,將“壓力-狀態-響應”模型各維度的相對貼近度值以折線圖的形式呈現,如圖8所示。從圖8可以看出:各用戶的壓力指標評分差異較明顯,中間出現較大起伏,狀態指標評分值呈波動變化,而響應指標的評估分值相近,整體差異較小。

圖8 各子系統評分情況Fig.8 Subsystem ratings

其中U5的狀態維度評分在10個用戶中最高,3個維度的指標表現均較好,因此最終的綜合評估結果最優。U2、U4的響應維度評分值較高,最終其排名靠前。這是由于萬元產值能耗等響應指標可以對壓力、狀態產生正向的反饋,因此優化用戶的響應性能可以提高用電能效水平。U9、U10在狀態、響應維度上的表現均較差,下一步應努力提升電能質量并盡量選用低耗能設備。U6的壓力維度評分與其他用戶相比存在較大差距,這與其用電量指標表現較差有關,因此其最終排名略低于U1。

上述分析表明,對電力用戶采用PSR模型分析,能夠找到用戶自身用能的薄弱環節,通過邊緣節點將用戶的能效信息發送至中心化主站,運維人員通過各項指標可確定電力用戶能效異常的原因,并及時對用戶給予反饋并確定優化方案。

4.2.2 邊云評估對比

為了證明本文邊緣節點能效評估方法與系統中心化主站指標集合的評估效果一致,對主站能效評估進行檢驗,計算結果見表4。

表4 主站側評估結果Tab.4 Main station side evaluation results

由表4可知,同一電力用戶在邊緣側與主站側的評估結果排序一致,而本文所提方法只需將計算模式切換到邊緣側執行,即可利用數據冗余性來降低主站存儲資源。邊緣側評估結果相對于主站結果的誤差百分比,如圖9所示。可以看出誤差絕對值皆小于9.5%,符合對于邊緣節點的評估要求,進一步證明該評估方法在保證用戶優劣排序的基礎上,仍具有良好的評估精度,具備一定的可應用性。

圖9 能效水平誤差分析Fig.9 Energy efficiency level error analysis chart

同時考慮到邊云傳輸的差異性,傳統計算方式需要將每個傳感器采集到的數據全部傳輸給主站,數據量龐大,而利用本地邊緣節點的計算能力就可以周期性地僅將指標數據與評估結果傳輸給主站。為進一步說明邊緣計算的優勢,將邊緣計算與傳統計算方式進行指標對比,見表5。

表5 邊緣計算與主站計算對比Tab.5 Comparison of edge calculation and master station calculation

由表5可知,相較于主站計算方式,邊緣計算方式下傳輸給主站的數據量大幅減少,不僅節省了傳輸網絡帶寬,也間接減少了程序整體計算耗時,有利于減輕主站的計算復雜度并緩解數據的存儲壓力。

4.3 評估方法的比較分析

4.3.1 與傳統TOPSIS法的比較

為驗證改進后的TOPSIS方法的有效性,將其與傳統TOPSIS法得到的評估結果進行對比,見表6。可以發現,本文方法和傳統方法在用戶能效排名上略有差別,主要有以下原因:

表6 評估結果比較Tab.6 Comparison of evaluation results

1)指標權重層面。傳統TOPSIS法使用熵權法計算綜合排序,各指標的權值結果為0.089 2,0.100 3,0.138 8,0.136 8,0.269 2,0.130 9,0.134 7。其中平均電壓指標所占權重達到0.269 2,遠高于用電量指標,且在整體權重分配中該項指標的占比略大。這是因為熵權法利用數據分布狀況確定權重,易夸大指標間的權重差距,而改進的TOPSIS法使用CRITIC法依據指標內的對比強度和指標間的沖突程度綜合確定權重,在數值上可以均衡各指標的權重值,從而能夠更好地彌補這一不足。

2)理想解計算層面。在刪減U2之前,由傳統TOPSIS法得到的各用戶能效狀態優劣排序為U5、U8、U4、U2、U3、U1、U6、U10、U7、U9,在刪減U2之后,排序則變為U8、U5、U4、U3、U1、U6、U10、U7、U9。調整前、后,U5和U8兩者的優劣順序發生了逆轉,產生了逆排序現象,影響到評估結果的準確性。而本文的改進方法引入了絕對理想解,在刪減U2之前,各用戶的優劣排序為U5、U8、U4、U2、U3、U1、U6、U10、U7、U9;刪減U2后,排序為U5、U8、U4、U3、U1、U6、U10、U7、U9,說明改進后TOPSIS 法可有效避免因待評用戶數量變化而引起的逆排序問題,在調整待評用戶數量的前、后,其余待評用戶的優劣順序沒有發生變化,證明所用改進方法的準確性和合理性。

3)距離測度層面。TOPSIS使用歐氏距離作為距離測度,在判斷待評估用戶與正、負理想解間的位置關系時存在固有缺陷;而本文采用灰色關聯度改進后,一方面對于小樣本無規律指標的評估決策準確性更高,另一方面在計算貼近度時更接近待評用戶的態勢變化。

4.3.2 方法的對比分析

為進一步說明本文所提評估算法的有效性,另選用3種典型方法進行對比實驗,評估結果見表6。

表中GRA-TOPSIS和灰色關聯分析法與本文改進方法的排序結果基本一致。改進灰色關聯投影法的排序與本文方法相差不超過兩個排名。因此,在一定程度上表明本文方法可以較好地從用電能效水平差異上對電力用戶進行評估,驗證了模型的適應性。

相比于上述文獻中的方法,本文方法具有以下優勢:1)GRA-TOPSIS評估方法未考慮到增減評估方案的情形,而本文的絕對理想解可抑制方案的相對位置關系發生反轉的可能,能夠適應用戶及數據的動態變化。2)在灰色關聯分析法中,采用FAHP確定指標權重,包含專家對評價結果的主觀偏好,而本文方法充分利用客觀數據信息,避免主觀因素的影響。3)改進灰色關聯投影法中引入馬氏距離夸大了微小變量的作用,特別是在與其他方法對比時評估結果的偏差較為明顯,而灰色關聯度在分析數據特征和相似程度方面均具有較好優勢,可靠性更高。因此,本文評估模型基于客觀能效數據,采用CRITIC賦權和改進灰色TOPSIS法進行綜合能效評估,評估過程中通過構造絕對理想解、引入CRITIC賦權法以及采用改進加權灰色關聯度代替歐氏距離,克服了TOPSIS決策分析時存在逆排序現象、權重設定不合理及距離測度度量不準確等固有缺陷,使得結果更具客觀性、穩定性。

5 結 論

1)通過在邊緣側部署邊緣節點,實時分析用戶的能效情況,改變傳統依賴上傳大量原始數據進行分析評估的方法。與主站的信息交互僅以相關數據結果進行傳輸可實現快速響應。

2)構建基于PSR模型的多維度電力用戶能效評估指標體系,從中抽象出重要性、均衡性、獨立性3項數據特征關系,結合融合模型優選出邊緣側精簡后的關鍵性指標,可減少向主站傳輸數據時對數據通道的占用和數據處理時間。

3)采用CRITIC權重與改進灰色TOPSIS法相結合的評估模型,對能效狀況進行研判分析。利用能效指標的分析結果,用戶可以了解自身用能的薄弱環節,有針對性地提高用電效率,形成在邊緣側“用電-監測-評估-節電-改善”的優質循環。