基于DPSR模型的用户智能用电能效评价

基于DPSR模型的用户智能用电能效评价
李壮茂;彭显刚;林哲昊;朱俊超
【摘要】基于驱动力-压力-状态-响应(driving forces-pressure-state-response,DPSR)模型提出了有效的工业用户用电能效评价指标体系,包括4 个一级指标和 22 个次要指标,使用直觉模糊(intuitionistic fuzzy,IF)、专家意见集结和基于平均解距离评价(evaluation based on distance from average solution,EDAS)模型计算每个指标的权重并评价用户用电能效水平.多维度指标体系可以揭示用户内部和外部环境造成的用户用电驱动力、压力和状态的完整因果链,并最终采取响应措施.最后,应用实际算例分析验证了该指标体系和评价方法的可行性.%This paper presents an effective energy efficiency evaluation index system for electricity consumption of industrial users based on the driving-forces-pressure-state-response (DPSR)model which includes four first-level indicators and 22 sec-ondary indicators. It uses intuitionistic fuzzy (IF),expert advice aggregation and evaluation based on distance from average solution model to calculate weights of indicators and evaluate energy efficiency level of electricity consumption. It points out the multi-dimensional index system can reveal the complete causal chain of driving force,pressure and state of electricity consumption of users caused by internal and external environment and take response action finally. It uses actual examples to analyze and verify feasibility of this index system and evaluation method.
【期刊名称】《广东电力》
【年(卷),期】2018(031)006
【总页数】8页(P91-98)
【关键词】用电能效评价;驱动力-压力-状态-响应模型;直觉模糊;基于平均解距离评价
【作者】李壮茂;彭显刚;林哲昊;朱俊超
【作者单位】广东工业大学自动化学院,广东广州 510006;广东工业大学自动化学院,广东广州 510006;广东工业大学自动化学院,广东广州 510006;广东工业大学自动化学院,广东广州 510006
【正文语种】中文
【中图分类】TM72
随着经济发展、社会进步、技术和信息化水平的提高，以及全球资源和环境问题的突出，中国电力行业的发展面临新的挑战和机遇，传统的广泛的能源使用模式引起了人们的警惕[1-2]。

作为能源分配及消费终端，用户能源效率的提高具有重要意义[3]。

用户用电能效评价不仅可以客观地评价能效水平，还可以鼓励用户通过评价指标体系找出健康用电的方向。

为了进一步研究用电能效水平，越来越多的学者以用户为研究对象进行能效分析，试图建立评价指标体系，选择合理的评价方法来评价能效水平，为用户提高能效提供理论支撑。

文献[4]从能效评价、需求响应及安全监测入手构建用户设备评估体系，采用区间熵权法进行赋权；文献[5]根据用户能源数据挖掘能效影响因素，建立综合考虑设备和用户的多级能效评价体系，采用物质元素扩展模型构建能效指标
的层次结构，形成用户的电能效率等级；文献[6-7]考虑了技术、经济、管理及可
靠性等因素，建立了适用于企业的能效评价指标体系，并分别运用层次分析法(analytic hierarchy process， AHP)-熵权法及AHP-模糊评价进行综合求解；文献[8-9]则从家电智能化、用户与电网互动、信息可视化3个方面建立智能用电水
平指标体系并进行评估。

从以往的研究来看，虽然大多数学者关注能效评价指标体系建设和评价方法的选择，但所提指标体系的涵盖范围有限，研究方法也较为传统。

为了考虑更多的影响因素，本文以工业用户为研究对象，建立了基于驱动力-压力-状态-响应(driving forces-pressure-state-response，DPSR)模型的多维度用电能效评价指标体系，并通过整合直觉模糊(intuitionistic fuzzy，IF)理论和基于平均解距离评价(evaluation based on distance from average solution，EDAS)方法来处理定性问题，提出
IF-EDAS方法，为智能用电方式下用户实施用电能效评价及能源管理提供良好的
研究框架。

1 用户用电能效评价指标体系
1.1 用户用电的影响因素
为促进用户智能用电，结合国内外智能电网及能源互联网的大背景，本文评价指标以DPSR为框架进行体系建设。

DPSR框架意味着用户用电能效评价有4个方面
要考虑，即驱动力子系统、压力子系统、状态子系统和响应子系统，4个子系统之间的因果关系如图1所示。

图1 DPSR模型的子系统关系Fig.1 Subsystem relationship of DPSR model
目前，DPSR模型由于其综合性和灵活性等优点被广泛应用于复杂环境系统的研究[10-12]。

该模型可以有效整合影响因素、能效状况和对策，体现系统的因果关系。

基于DPSR框架的用户用电能效评价体系中，驱动力(S1)是用户用电能效变化的基本因素。

一般来说，促进用户用电能效发生变化的影响因素主要是经济、环境等。

考虑到中国的数字化、自动化和互动式智能配电网得到了大量先进技术的支持，本文引进了技术因素，以改善古典的可持续发展观。

因此，本文中驱动力子系统包括经济、环境和技术3个方面。

1.1.1 与驱动力相关的指标
1.1.1.1 与驱动力相关的经济指标
a)万元产值耗电量(S11)：用户年总耗电量与年产值(万元)的比值。

b)万元经济增值比(S12)：用户的净利润所占成本(万元)的比例。

1.1.1.2 与驱动力相关的环境指标
a)万元产值污染物排放量(S13)：每增长万元产值所排放的污染量，衡量用户与环境协调发展情况，记为
(1)
式中：qf、qs、qg分别为统计时间内废水、废气及固体废弃物的排放量，kg；C 为用户的年总产值，万元。

b)电力减排(S14)：指用户分布式发电机组发电带来的减排效应，重点是CO2和SO2单位减排量(kg/kW)，以衡量其清洁发电能力。

1.1.1.3 与驱动力相关的技术指标
a)分布式发电利用率(S15)：衡量用户所装分布式发电机组的利用效率，指分布式电源发电电量Edes占总用电量Ec的比例，记为
(2)
b)储能装置能量转换效率(S16)：储能装置放电后释放的电量Eu与初始存储电量Es的比值，记为
c)信息透明度(S17)：定性指标，表征智能配电网在部署高级量测体系(advanced metering infrastructure，AMI)后，用户所装设智能电表对用户电价及用电信息
的公开深度、更新速度及其获知的便利性。

d)互动性(S18)：定性指标，衡量用户向电网送电、电力公司反馈用电建议及用户
实施需求响应的能力。

1.1.2 与压力相关的指标
压力(S2)是对用户用电能效变化发展造成的直接压力因素，包括能源基础设施管理、用户需求特性等因素。

a)基础设施管理(S21)：定性指标，包括数据管理、人事管理和监管体系，衡量管
理优良程度对用电能效评价造成的影响。

b)用户需求特性(S22)：定性指标，表征用户对供电质量及供电可靠性的要求。

c)用户年总用电量(S23)。

d)用户年停电时间(S24)：在一年的统计时间内，用户经历停电的时间(h)，记为
S24=∑tj.
(4)
式中tj为该用户在一年内第j次停电时的停电时间(h)。

e)用户年停电次数(S25)：用户在一年的统计时间内经历的停电次数。

1.1.3 与状态相关的指标
状态(S3)表征用户用电能效的真实情况，本文选择电压偏差、三相电压不平衡、频率偏差等指标来代表电能质量对用电能效水平的影响。

1.1.4 与响应相关的指标
响应(S4)是指用户改变现有用电行为习惯，使自身用电向健康方向发展而采取的措施。

具体有结构节能(S41)、技术节能(S42)、管理节能(S43)等措施，均为定性指
1.2 用户智能用电能效评价指标体系
本文在现有关于能效评价指标的研究[13-17]基础上，建立了以用户用电能效指标为核心的用电能效评价指标体系，如图2所示。

图2 用户用电能效评价指标体系Fig.2 Energy efficiency evaluation index system for user’s electricity consumption
用户智能用电能效指标评价体系主要由3层组成：第一层是目标层，这是最高层次，描述了评价的目的；第二层是准则层，即评估标准或评价因子，是对目标层的具体描述；第三层是指标层，是评价标准层次的细化，具体体现了用户用电情况在指标因素中的评价，该层决定了目标层结果的最终评价。

该体系不仅有定量指标也有定性指标。

定量指标数据从项目调研获取；定性指标是从工程角度出发，为满足用户用电的评价需求，根据项目约束情况对用户进行全方位评价。

2 评价模型建立及过程分析
近年来，基于直觉模糊集(intuitionistic fuzzy set，IFS)的多属性决策(multiple attribute decision making，MADM)方法相继被提出[18-21]。

本文提出了一种基于IF-EDAS的新MADM方法，评价过程如图3所示。

图3 评价过程Fig.3 Evaluation process
由图3可以看出，本文的评价过程在开始阶段分为2条技术路线。

第一条技术路线先采用专家意见集结求解某一子系统下各指标的主观权重，接着按照图3所示步骤往下进行子系统评估分数求解；第二条路线同样先采用专家意见集结，但求解的是用户各子系统的权重，而非指标权重。

2条技术路线可同时进行，也可按任意顺序进行，最终在评估用户总分数时进行汇总，即各子系统的评估分数结合各子系统的权重最终得到用户的总评估分数。

2.1 专家意见集结
本文的专家意见指的是专家给出的指标权重，对多位专家意见的综合考量即为专家意见集结。

假设有p位专家，提供的专家意见可记为Ei=(ei1,ei2,…,eim)，
eij(1≤i≤p,1≤j≤m)即第i位专家赋予指标Sj的权重，m为指标个数，满足考虑到不同专家在本专业领域的知识经验及权威性的差别，本文采用专家权重vi指代第i 位专家的权威性，且则由专家权重构成权向量V=(v1,v2,…,vp)。

对所有专家意见进行集结，则指标权重向量W=(ω1,ω2,…,ωm)，计算公式为
(5)
2.2 基于直觉模糊熵法的指标客观赋权
IFS是用于解决多标准决策中的不确定性和模糊性的工具，本文尝试将IFS理论与用户用电能效评价进行结合，从指标参数整体角度出发，对指标测量值的隶属度和非隶属度进行计算，两者数值可作为指标实测值对用户趋于最佳能效状态程度的参考，并用IF熵量化决策中的模糊性和不确定性。

IF熵权法步骤如下：
a)步骤1，μ和ν的确定。

在IFS框架下，μ和ν分别代表指标的隶属度和非隶属度。

假设J1为效益型指标集(指标值越大越好)，J2为成本型指标集(指标值越小越好)，则指标隶属度及非隶属度可分别表示为：
(6)
(7)
式中：μij、vij分别为第i个用户第j个指标的隶属度和非隶属度，其中
i=1,2,…,n(n为评估用户数)，j=1,2,…,m；fij为第i个用户第j个指标的实测值；fjmax、fjmin为所有参与评估指标值中的最大值和最小值。

上述式子中，非隶属度νij的函数确定在IFS领域属于难以解决且重点研究的方向，不同学者给出了不同的解决思路。

在本文中，直接取犹豫度πij=0.1，根据它们的等式关系有νij=1-μij-πij，代入式(6)得到式(7)。

因为0≤μij≤1，则在本文中有-0.1≤νij≤0.9，为满足0≤νij≤1，当过程求解得到-0.1≤νij<0时，取νij=0。

另外，本文建立的指标体系中部分指标无法取得实测值(如响应子系统中的指标)，对此进行IF数对应处理，以描述用户实际用电过程中对实现指标事件的满足程度，见表1。

表1 IF数与满足程度的对应关系
Tab.1 Corresponding relationship between intuitionistic fuzzy number and satisfaction degree
满足程度直觉模糊数满足程度直觉模糊数极高〈0.90,0.10〉较低〈0.40,0.45〉很
高〈0.80,0.15〉低〈0.30,0.60〉高〈0.70,0.20〉很低〈0.20,0.75〉较高
〈0.60,0.25〉极低〈0.10,0.90〉一般〈0.50,0.30〉
b)步骤2，建立IF决策矩阵
(8)
c)步骤3，求解指标Sj的IF熵
(9)
式中θij=1-|μij-νij|。

d)步骤4，求解指标Sj的客观权重
(10)
式中dSj=1-Ej。

综合考量专家意见及IF熵的客观赋权，可得到指标的修正权重
(11)
2.3 基于IF的EDAS法
EDAS法[22-23]的思路与优劣解距离法(technique for order preference by similarity to an ideal solution，TOPSIS)相似。

在EDAS法中，最佳方案的选择与距平均解的距离有关，有2个措施来处理方案的选择性，第一个是测量与平均
解的正距离(positive distance from average，PDA)，第二个是与平均解的负距
离(negative distance from average，NDA)。

方案的选择是根据PDA的较高值和NDA的较低值进行的，较高的PDA值或较低的NDA值表示该方案优于平均值。

本文尝试对EDAS法加以拓展，提出一种基于IF的EDAS法。

步骤如下：
a)步骤1，构造决策矩阵，参见第2.2节构建IF决策矩阵F。

b)步骤2，确定平均解VA=[VA,j]1×m。

采用IF理论的算术平均算子[24]求解，
有
(12)
c)步骤3，计算平均解正距离PA=[PA,ij]n×m和平均解负距离NA=[NA,ij]n×m。

式中：H(Fij)=μij-vij；H(VA,j)=μA,j-vA,j，μA ,j和vA ,j分别为式(12)求得的平均解的隶属度值及非隶属度值。

d)步骤4，确定评价对象的PDA和NDA各自的加权和。

正向加权距离SP,i和反
向加权距离SN,i为
(14)
进行标准化处理得到
(15)
式中NSP,i、NSN,i分别为标准化处理后的正向加权距离和反向加权距离。

e)步骤5，计算评价对象的评估分数
(16)
SA,i越大，表明评价对象越接近最佳方案。

由式(16)可求出各子系统的分数，记为si(i=1,2,3,4)；本文采取专家对驱动力、压力、状态及响应4个子系统进行赋权，则有子系统权重ηi(i=1,2,3,4)，最后用户的总评估分数
(17)
3 算例研究
对某地区运用本文所述模型，选用6个用户及专家组参与评价分析。

由于篇幅所限，仅提供部分分析计算过程。

3.1 分析过程
以指标体系中的状态子系统的分析为例。

根据调研数据，由式(6)至(8)构建IF决策矩阵
利用IF熵权法、专家意见集结及两者综合获得的指标权重见表2。

表2 状态子系统指标权重
Tab.2 State subsystem index weights
指标直觉模糊熵权重值专家意见集结权重综合赋权S310.157 90.2000.192
8S320.163 80.2400.240 0S330.149 80.1450.132 6S340.200 50.0850.104
1S350.175 80.1650.177 1S360.152 20.1650.153 4
根据式(12)求得状态子系统的平均解为
VA=[〈0.4994,0.3993〉〈0.5284,0.3705〉〈0.4910,0.4086〉〈0.6021,0.2889〉〈0.5374,0.3597〉〈0.5003,0.3996〉].
再据式(13)至(17)得到每个用户的正向加权距离SP、反向加权距离SN、NSP、NSN，以及最后关于状态子系统的评价分数SA，见表3。

表3 评估结果
Tab.3 Evaluation results
用户编号SPSNNSPNSNSA10.655 40.305 10.269 90.101 50.584 2020.734 90.159 30.302 70.053 00.624 8530.421 30.104 00.173 50.034 60.569 4540.253 00.672 20.104 20.223 70.440 2550.031 21.197 60.012 80.398
50.307 1560.332 30.567 10.136 90.188 70.474 10
采用上述分析过程计算其余子系统，获得各用户能效评分情况，再由专家对4个
子系统进行赋权得到加权和总分数(见表4)，所得结果可用雷达图(图4)和折线图(图5)的形式展示。

表4 各用户评分情况
Tab.4 User ratings
用户编号子系统评分驱动力压力状态响应总分数10.555 950.584 150.584
200.467 550.545 220.454 000.435 550.624 850.296 400.450 230.465
100.424 550.569 450.498 250.491 440.511 600.520 900.440 250.667
850.537 950.471 600.486 150.307 150.467 650.432 560.541 750.548
700.474 100.602 250.542 7
图4 用户子系统评价分数雷达图Fig.4 Radar chart of evaluation scores of user
subsystem
图5 用户子系统评价分数折线图Fig.5 Line chart of evaluation scores of user subsystem
3.2 结果分析
对6个用户的用电表现采用EDAS法排序。

结合表4和图4可知，用户1评分最高(0.545 20)，用户5评分最低(0.432 50)，用户评分排序为1>6>4>3>2>5。

对于用户1，子系统驱动力、压力、状态和响应拥有比其他用户更好的性能，得益于4个子系统的均衡，用户1的表现优于其他5个用户。

显然，用户1评价指标的4个方面分布均匀，但仍需进一步提高节能指数以提高用户效益，这主要是由于技术节能等作为响应子系统的指标，可以对驱动力、压力和状态产生反馈效应。

对于用户5，4个子系统分数均低于平均值，状态子系统更是最低值，因此在所有用户中表现最差。

考虑到得分和权重，用户5在状态子系统即电能质量方面仍有提高的空间。

对于用户4，状态分数不高使其整体用电能效水平与用户1相比有一定距离。

但从响应方面不难看出，用户4节能应对能力的加强使其能效提高，并最终获得较理想的用电能效水平排名。

另外，从图5可看出用户响应的表现参差不齐，响应性能较好的用户都得到了较高的评价。

这也从侧面反映出，响应是提高用户用电能效水平最直观的手段，这是因为用户提高能效的方法主要是通过各种节能手段。

因此，节能水平的结构不应被忽视，节能的应对能力应得到重视。

上述结果也证实本文提出的以DPSR为基础的用户用电能效评价指标体系是可行的。

结合IF和EDAS的评估方法，可以准确评价用户用电能效水平，定位用电薄弱环节，为用户开展节能管理提供方向，并与其他用户进行同业对标。

3.3 适应性分析
为了分析IF-EDAS模型方法的适应性，根据原始数据和指标的权重，采用不同决
策方法[7,25-26]进行评价，结果见表5。

表5 不同的决策方法评价结果对比
Tab.5 Comparison of evaluation results of different decision-making methods
方法各用户排名123456FAHP154362AHP-TOPSIS154362模糊评价153462本文方法154362
4个模型的分析结果表明，6个评价对象的排序结果基本一致，这证明了本文模型的有效性。

在模糊评价法和本文方法的结果对比中，用户3和用户4排序不同，
其原因在于模糊评价法过分依赖主观经验，对指标数据无法精确量化；本文提供的方法可以在考虑模糊性的同时充分利用指标数据，使客观数据与主观经验相结合。

而与FAHP和AHP-TOPSIS比较的结果表明，本文模型具有较高的灵敏度。

4 结束语
本文将DPSR框架应用于用户智能用电能效评价，这种评价体系提高了用户智能
用电的发展和可持续性。

其次，本文以DPSR框架模型为基础，构建用户用电能
效指标评估体系，使用户用电能效评价体系更科学、系统、直观，可操作性更强。

最后，本文应用IF-EDAS方法确定影响用户用电能效评价的每个因素的权重并对
评价结果排序，由此直接得出的一些结论不仅对用户用电能效状况的评价起着重要作用，也为未来用户参与能源互联网提供了具体建议。

本文的研究对象偏重于工业用户，因此不能完全验证用户用电综合评价模型的合理性。

选择不同类型的用户进行验证将是今后的研究方向，并且将考虑社会因素对用户用电的影响，把用户用电能效评价范围扩大到更广泛的领域，更全面有效地评价用户用电水平。

参考文献：
[1] 孙宏斌，郭庆来，潘昭光，等.能源互联网：驱动力、评述与展望[J].电网技术，
2015，39(11)：3005-3013.
SUN Hongbin，GUO Qinglai，PAN Zhaoguang，et al. Energy internet：driving force，review and outlook[J].Power System Technology，2015，
39(11)：3005-3013.
[2] 梁姗姗，吴军，刘涤尘，等.智能电网技术体系与发展趋势研究[J].陕西电力，2015，43(10)：1-5.
LIANG Shanshan, WU Jun, LIU Dichen, et al. Technology system and development trend of smart grid[J]. Shaanxi Electric Power,2015,43(10):1-5.
[3] BALAKRISHNA P，RAJAGOPAL K，SWARUP K S.Distribution automation analysis based on extended load data from AMI systems integration[J].International Journal of Electrical Power & Energy Systems，2017，86：154-162.
[4] 祝恩国，董俐君，葛磊蛟，等.用户用电设备评估的区间熵权法[J].电测与仪表，2014，51(24)：106-112.
ZHU Enguo，DONG Lijun，GE Leijiao，et al. Interval entropy method for users’electric equipment evaluation[J].Electrical Measurement & Instrumentation，2014，51(24)：106-112.
[5] LIU H，GAO C，LIU F，et al. Comprehensive evaluation on user energy efficiency based on improved matter-element model[C]//International Conference on Electric Utility Deregulation and Restructuring and Power Technologies.Piscataway：IEEE Press，2015：135-140.
[6] 田贺平，杜松怀，韩晓慧，等.基于AHP-熵权法的企业电力综合能效评估[J].智能电网，2015，3(2)：112-118.
TIAN Heping，DU Songhuai，HAN Xiaohui，et al. Assessment of power
integrated energy efficiency for industrial enterprise users based on AHP-entropy method[J].Smart Grid，2015，3(2)：112-118.
[7] 彭显刚，李壮茂，邓小康，等. 智能电网框架下的高级量测体系研究述评[J]. 广东电力，2017，30(12)：7-14.
PENG Xiangang, LI Zhuangmao, DENG Xiaokang, et al. Research on advanced metering infrastructure under smart grid framework[J]. Guangdong Electric Power，2017，30(12)：7-14.
[8] 徐梦佳，王渝红，竺懋渝，等.家居智能用电水平指标体系及评价方法研究[J].
电测与仪表，2017，54(10)：38-43.
XU Mengjia，WANG Yuhong，ZHU Maoyu，et al. Research on the index system and evaluation method of household smart electricity consumption[J].Electrical Measurement & Instrumentation，2017，54(10)：38-43.
[9] 徐梦佳，王渝红，竺懋渝，等.家居智能用电水平指标体系构建方法研究[J].现
代电力，2017，34(2)：74-79.
XU Mengjia，WANG Yuhong，ZHU Maoyu，et al. Research on the construction method of household smart electricity consumption index system[J].Modern Electric Power，2017，34(2)：74-79.
[10] SPANò M，GENTILE F，DAVIES C，et al. The DPSIR framework in support of green infrastructure planning：a case study in Southern
Italy[J].Land Use Policy，2017，61：242-250.
[11] GARI S R，NEWTON A，ICELY J D.A review of the application and evolution of the DPSIR framework with an emphasis on coastal social-ecological systems[J].Ocean & Coastal Management，2015，103：63-77.
[12] TSCHERNING K，HELMING K，KRIPPNER B，et al. Does research applying the DPSIR framework support decision making?[J].Land Use Policy，2012，29：102-110.
[13] 王彬，何光宇，陈颖，等.智能电网评估指标体系中电力用户需求指标集的构建[J].电网技术，2012，36(6)：21-26.
WANG Bin，HE Guangyu，CHEN Ying，et al. Construction of power consumers’ demand index set in assessment index system of smart
grid[J].Power System Technology，2012，36(6)：21-26.
[14] 曾博，李英姿，刘宗歧，等.基于均衡主成分分析的智能配电网环境效益综合评价方法[J].电网技术，2016，40(2)：396-404.
ZENG Bo，LI Yingzi，LIU Zongqi，et al. Comprehensive evaluation method for environmental benefits of smart distribution network based on TO-PCA[J].Power System Technology，2016，40(2)：396-404.
[15] 赵良，李立理，何博，等.适合我国国情的智能电网评价指标体系及计算方法[J].电网技术，2015，39(12)：3520-3528.
ZHAO Liang，LI Lili，HE Bo，et al. Study on smart grid’s evaluation index system and calculation method suited to China’s situation[J].Power System Technology，2015，39(12)：3520-3528.
[16] ZHAO H，LI N.Performance evaluation for sustainability of strong smart grid by using stochastic AHP and fuzzy TOPSIS
methods[J].Sustainability，2016，8(2)：129.
[17] 郑凯，彭显刚，李壮茂，等.基于直觉模糊熵修正权重的工业用户能效综合评估[J].智慧电力，2017，45(10)：43-49.
ZHENG Kai, PENG Xiangang, LI Zhuangmao,et al. Comprehensive energy
efficiency evaluation of industrial users based on weight correction by intuitionistic fuzzy entropy[J].Smart Power,2017,45(10):43-49.
[18] 张尚，王涛，顾雪平.基于直觉模糊层次分析法的电网运行状态综合评估[J].电力系统自动化，2016，40(4)：41-49.
ZHANG Shang，WANG Tao，GU Xueping.Synthetic evaluation of power grid operating states based on intuitionistic fuzzy analytic hierarchy process[J].Automation of Electric Power Systems，2016，40(4)：41-49. [19] MONTAJABIHA M.An extended PROMETHE II multi-criteria group decision making technique based on intuitionistic fuzzy logic for sustainable energy planning[J].Group Decision & Negotiation，2016，
25(2)：221-244.
[20] 刘鑫蕊，付倩，孙秋野，等.直觉模糊粗糙集理论在电网灾害评估中的应用[J].中国电机工程学报，2015，35(22)：5692-5702.
LIU Xinrui，FU Qian，SUN Qiuye，et al. Application of intuitionistic fuzzy rough sets theory to the power grid disaster assessment[J].Proceedings of the CSEE，2015，35(22)：5692-5702.
[21] OZTAYSI B，ONAR S C，KAHRAMAN C，et al. Multi-criteria alternative-fuel technology selection using interval-valued intuitionistic fuzzy sets[J].Transportation Research Part D Transport & Environment，2017，53：128-148.
[22] GHORABAEE M K，ZAVADSKAS E K，OLFAT L，et al. Multi-criteria inventory classification using a new method of evaluation based on distance from average solution (EDAS)[J].Informatica，2015，26(3)：435-451.
[23] TRINKNIEN E，PODVEZKO V，ZAVADSKAS E K， et al. Evaluation of quality assurance in contractor contracts by multi-attribute decision-making methods[J].Ekonomska Istraživanja，2017，30(1)：1152-1180. [24] 黄德舜.直觉模糊数的运算法则及其决策模型的拓展研究[D].合肥：安徽大学，2012.
[25] 李慧玲，芦新波，刘大川，等.基于AHP-TOPSIS的电力能效项目综合评价[J].现代电力，2014，31(4)：88-94.
LI Huiling，LU Xinbo，LIU Dachuan，et al. A comprehensive evaluation method for power energy efficiency project based on AHP-
TOPSIS[J].Modern Electric Power，2014，31(4)：88-94.
[26] 吴剑飞，姚建刚，陈华林，等.电力客户能效状态模糊综合评估[J].电力系统保护与控制，2010，38(13)：94-98.
WU Jianfei，YAO Jiangang，CHEN Hualin，et al. Fuzzy comprehensive evaluation of power customer energy efficiency assessment[J].Power System Protection and Control，2010，38(13)：94-98.。