新型SBM-DEA综合能源系统的供电效率评价

这是一篇关于新型SBM-DEA综合能源系统的供电效率评价的思维导图，主要内容包括：研究现状，结论，介绍，案例研究：综合能源系统的供电效率评价与优化，MC-SBM-DEA模型，期刊/年份。

新型SBM-DEA综合能源系统的供电效率评价

• 期刊/年份
  • Energy/2021
• 介绍
  • 选题背景
    • 能源和人均消费的开发和有效利用是生产技术和生活水平的重要指标。化石燃料的燃烧造成了严重的环境污染和全球变暖。而能源的不合理输送和利用造成了大量的浪费
  • 新概念----综合能源系统
    • 可以理解为能源规划、建、配电、转、储、消费等有机协调优化形成的综合能源生产、供需系统。综合能源系统对于提高能源利用效率、减少碳排放、确保清洁能源供应具有重要意义。
    • 如果能够准确地对综合能源系统的能源供应过程进行分析和评价，以提高能源效率和减少碳排放，那么综合能源系统就可以实现更好的节能。
  • 方法论
    • 基于蒙特卡罗测量数据包络分析（MC）方法（MC-DBM-DEA）的综合能源系统能源供应效率评价模型)进行能源优化和碳减排.
    • MC可以在复杂空间中估计多维均值，通过大量的性能和时间调试，修正相应的解决方案，满足精度要求，扩展了集成能源系统的供电数据。在F检验方面，验证了MC扩展的有效性
• 研究现状
  • Ma等人采用具有层次分析法、反熵法和改进的灰度相关法的综合方法获得综合指标权重，从而建立综合评价模型
    • 上述方法具有一定的优点，但它们不能很好地分析多产出生产活动。DEA不需要确定生产函数的具体形式，这在环境和能源效率的研究中是一个显著的优势
  • Negar等人采用DEA方法对欧洲71个海上风电场的效率进行了评价，结果显示不同国家海上风电场的相对中位数效率无统计学差异
    • 传统DEA模型，传统的DEA模型没有考虑每个DMU可能的输入和多个输出松弛。
  • Shang等人利用考虑不良发电的SBM-DEA模型，分析了中国不同地区的总因子能源效率
  • 利用SBM-DEA模型对碳排放效率进行了深入的分析。结果表明，虽然各省的碳排放效率存在显著差异，但均表现出低碳排放发展模型
  • 与传统的DEA模型相比，SBM-DEA模型不需要对意外输出进行特殊处理，在处理环境的意外输出时，可以作为输入因素分别评价环境因素的效率水平
  • Dmitry等采用MC方法通过分析系统不足状态来评价电力系统的可靠性
  • Brandon等人使用MC方法来评估地震对大型和复杂电力系统的影响
  • 数据驱动建模的精度和鲁棒性与用于建模的样本的数量和分布密切相关。如果集成能源系统的能源供应数据较小，可能导致精度和鲁棒性较差。MC方法可以很好地解决小样本数据的问题，并已应用于许多领域
    • 鲁棒性指的是系统或模型对于变化、不确定性或干扰的抵抗能力。在数据科学和机器学习中，一个鲁棒的模型能够在面对不同类型的数据或输入变化时保持性能稳定
• MC-SBM-DEA模型
  • SBM-DEA模型
    • 传统的DEA模型大多是径向测量模型和角度测量模型。径向模型往往忽略了松弛的问题。同时，角度模型通常只考虑一个方向角度（输入方向或输出方向）。Tone首先提出了一种基于松弛变量测度的非径向和非角度的SBM-DEA模型。SBM-DEA模型直接将松弛变量引入到目标函数中，可以很好地将环境因素纳入到SBM-DEA模型的测量中
    • 效率测量的结果不受DMU测量输入和输出项的影响
    • 效率值与各输入输出之间的差值是单调递减的
    • • SBM-DEA基本形式
      • 引入一个标量，原模型可以转换为等式中描述的线性规划形式
    • • 在传统的DEA模型中，不期望的输出通过转换为输入来处理，而不考虑输入或输出的松弛。Tone为了解决这个问题，在等式中提出了新的DEA模型
  • 蒙特卡罗法（MC）
    • 大数定理和概率论中的中心极限定理是MC方法的理论基础
      • 这个定理也证明了当n有一个足够大但有限的值时，MC方法的估计是如何分布的
      • 大数定理和概率论中的中心极限定理是MC方法的理论基础
        • 这个定理也证明了当n有一个足够大但有限的值时，MC方法的估计是如何分布的
    • f是可靠性函数
    • 蒙特卡罗方法可以用来估计复杂系统中的不确定性和变量之间的关系
  • MC-SBMDEA模型的能源供应效率评价模型
    • 从综合能源系统中选择和分析数据对象
    • 确定综合能源系统的输入、期望输出和期望输出
    • 使用MC方法展开能源供应数据
    • 通过假设检验来验证扩展数据的有效性
    • 基于扩展数据的SBM-DEA分析
    • 获取综合能源系统的供电效率和松弛变量
    • 能源供应优化和效率分析。
• 案例研究：综合能源系统的供电效率评价与优化
  • 综合能源系统
    • 综合能源系统是指在某一领域采用先进的物理信息技术和创新的管理模式来整合多种能源等
  • 数据预处理和指标选择
    • 数据预处理
      • 该过程模拟主要测量了大、中、小三种负载尺寸，共计算了30个数据样本
      • • 反映了系统在不同能源需求下的运行情况，包括对发电、制冷和加热等方面的需求
    • 指标选择
      • 输入指标
        • 冷却负荷
        • 加热负荷
        • 电负荷
        • 内燃机负荷
      • 输出指标
        • 将制冷收入
        • 供热收入
        • 电力销售
        • 预期产出
        • 碳税
          • 非预期产出
  • 蒙特卡罗模拟法
    • 基于MC方法对数据进行扩展，以增加数据的规模，保证实验的准确性
    • 30个样本数据扩展到100个样本数据
    • • 为了检验原始数据样本与基于MC的扩展数据样本之间是否存在显著性差异，采用了F检验方法来检验该差异。F值为0.41，表明原始样本数据与扩展数据没有差异
  • 能源供电效率分析
    • • 对原始30个样本进行了SBM-DEA分析结果
      • 16个样本的效率是有效的，超过了有效的三分之一,样品效率最低的数据的效率值在0.93以上，说明SBM-DEA在原始30个样本中的分辨程度较低
    • • MC方法得到的扩展数据中的100个样本用SBM-DEA进行分析结果
      • 效率值集中在0.9，最小效率值大于0.8。这100个扩展样本中只有10个样本是有效的，占总数据的十分之一，这表明该方法在集成能量系统的基于MC的扩展样本中具有较高的识别能力
    • • 所有低效数据的内燃机的负荷和不期望的输出（碳税）不是零，这使得这些样品无效。只需要改进这两个松弛变量。以16个高效的样品（其效率值为1），它被确定为其他低效样品可参考的配置调整的最优生产配置
      • 从图5中选择了输入、15个无效输出和15个无效输出的松弛变量得到图6
      • 从图5中选择了输入、15个无效输出和15个无效输出的松弛变量
    • • 改进前后无效的第9、第10个样品的比较
• 结论
  • 模型的建立
    • 蒙特卡罗模拟法（MC）:扩展样本数据
    • SBM-DEA：建立具有输入、期望输出和非期望输出的综合能源系统的供电效率评价模型
  • 结果与优势
    • 该提出的方法可以在高度区分度的情况下识别绩效优劣的决策单元（DMUs），从而得到更好的效率分组
    • 该模型对于综合能源系统的能源效率管理具有积极意义。当样本数量增加时，综合能源系统的能源供应效率将集中在0.9左右
    • 通过对输入、期望输出和非期望输出的松弛变量进行合理分配，综合能源系统的无效供应可以实现有效，从而提高能源供应效率和环境效益。
  • 未来工作展望
    • 未来的工作将考虑清洁能源（如光伏和风能）对综合能源系统能源效率和储能成本的影响，以实现对综合能源系统能源供应效率的更全面评估