低碳能源技術追蹤預測決策支持系統的開發設計

摘 要：在大數據背景下，如何將先進的數據科學和傳統的預見方法有效融合，從而實現低碳能源技術預見的智能化，是當前亟待解決的科學問題。本研究揭示了低碳能源技術追蹤預測的主流集成方法，揭示了實現低碳能源技術預見智能化的路徑，提出了低碳能源技術預見智能（Low-carbon Energy Technology Foresight Intelligence，LETFI）的概念，最后提出了一種低碳能源技術追蹤預測決策支持系統的開發設計。本研究開發設計的決策支持系統，利用大數據挖掘和非線性預測技術，將低碳能源技術的追蹤和預測進行系統集成，可以有效地對低碳能源技術進行前瞻性管理，具有快速、精準、科學、高效等優點。

關鍵詞：低碳能源技術;技術預見;技術預測

中圖分類號：F206文獻標識碼：A文章編號：1005-6432（2022）13-0128-05

DOI：10.13939/j.cnki.zgsc.2022.13.128

1 引言

低碳能源技術對于一國的能源戰略和國家整體戰略都有重要的作用。低碳能源技術的追蹤預測是指發現和監測能源領域的技術前沿及其發展態勢，對先進的能源技術進行分析展望和戰略布局，也稱作低碳能源技術預見。及時有效地追蹤預測低碳能源技術對于推進社會進步、應對氣候變化、繁榮低碳經濟、引領低碳行為都發揮著重要作用。但是，有效追蹤預測未來的低碳能源技術是困難的，有兩個難點：一是缺少決策參考信息;二是不確定性較強。[1]

考慮到低碳能源技術追蹤預測的重要性和難點，開發設計一套低碳能源技術追蹤預測決策支持系統對于成功實施低碳戰略有重要意義。目前，學者們提出很多能源技術追蹤預測的方法，每種方法各有優劣。實踐中大多采用了多方法融合、多領域協作的策略。但是，現有研究沒有給出一個整合框架。因此，很有必要構建低碳能源技術追蹤預測集成方法的開發設計。同時，在大數據背景下，如何將先進的數據科學和傳統的預見方法有效融合，從而實現低碳能源技術預見的智能化，這是當前亟待解決的科學問題。

文章分析主流的低碳能源技術追蹤預測集成方法，揭示大數據時代實現能源技術預見智能化的發展路徑，最后提出低碳能源技術追蹤預測決策支持系統的開發設計。本研究試圖回答三個問題：

（1） 主流的低碳能源技術追蹤預測集成方法是什么？

（2） 大數據背景下，如何實現低碳能源技術預見的智能化？

（3） 低碳能源技術追蹤預測決策支持系統的開發設計是什么？

文章的其余部分安排如下：第二部分從兩方面開展文獻綜述，包括低碳能源技術追蹤預測方法體系的演變和低碳能源技術追蹤預測方法的分類;第三部分介紹文章的研究框架和研究方法;第四部分介紹低碳能源技術追蹤預測的主流集成方法，揭示實現低碳能源技術預見智能化的路徑，提出低碳能源技術追蹤預測決策支持系統的開發設計;第五部分總結本研究的結論，給出未來低碳能源技術追蹤預測研究和實踐的一些思考。

2 文獻綜述

2.1 低碳能源技術追蹤預測方法體系的演變

低碳能源技術追蹤預測方法體系的演變經歷了4個時期：

（1）20世紀70年代前，是預見的基礎方法（德爾菲法）的發源和發展階段，[2]這個時期的方法體系主要是圍繞德爾菲法進行改良和拓展。

（2）1970—2000年，此時期的方法體系是在德爾菲法的基礎上，融合了情景規劃和趨勢分析等戰略型分析方法，典型的實踐案例包括日本從1971年開始的大規模科技預見調查（第一次至第七次）等。[3]

（3）21世紀20年代，此階段的方法體系是在前一階段的基礎上，引入了文獻計量方法，代表性應用是2005年完成的日本第八次科技預見調查;此外，一些文獻繼續擴展了方法體系，基于文獻和專利數據，通過構建數學模型來輔助低碳能源技術追蹤預測。

（4）21世紀20年代以后，前述的方法體系不能很好地滿足大數據時代的低碳能源技術預見的需求，全球的能源戰略科學家都期待將大數據分析方法整合進入低碳能源技術追蹤預測的方法體系，通過挖掘更多的信息，發現更多的知識，構建更加靈活的決策支持系統，最終實現低碳能源技術預見的智能化。

2.2 低碳能源技術追蹤預測方法分類

根據研究方法的主要特征，低碳能源技術追蹤預測方法分為四類：數據驅動型、戰略驅動型、經驗驅動型和模型驅動型。現有的文獻中，數據驅動型方法主要包括文獻計量、專利分析和文本挖掘;[4-5]戰略驅動型方法主要包括情景規劃、環境掃描、趨勢分析和技術路線圖;[6-9]經驗驅動型方法主要包括德爾菲法和專家小組法;[10-11]模型驅動型方法主要包括多準則決策、經驗曲線、邏輯生長模型和交叉影響分析等16種具體方法。[12-14]

現有的低碳能源技術追蹤預測的文獻主要應用于中長期的預判和規劃，常見的預見時間尺度是10～20年，也有個別文獻的預見時間尺度達到40年左右，例如Habib和Wenzel[15]預見2050年的清潔能源技術，Dixon等[16]運用技術路線圖預見2050年的低碳能源，Lee[17]運用動態GTAP模型預見2060年的生物制氫技術，Ordowich等[18]運用學習曲線預見2050年的煤炭和天然氣發電技術。

3 研究方法

本研究通過系統綜述的方法，梳理低碳能源技術追蹤預測領域的文獻，揭示低碳能源技術追蹤預測的主流集成方法，揭示實現低碳能源技術預見智能化的路徑，提出低碳能源技術追蹤預測決策支持系統的開發設計。

4 結果與討論

研究結果表明，低碳能源技術追蹤預測方法的優秀組合有兩種：定量的集成方法和定性的集成方法。

4.1 定量的集成方法

低碳能源技術追蹤預測方法的定量集成特征為：運用數據驅動型方法、模型驅動型方法，但沒有運用經驗驅動型方法。數據驅動型方法主要是文獻計量和專利分析，解決技術預見中數據稀缺的難題。在定量集成中有兩類，一類是只有數學模型和數據驅動方法的集成，例如利用兩因素經驗曲線方法和專利分析探究PEM燃料電池和鋰離子電池在2020年的成本目標可行性，[19]利用Logistic生長模型和專利數據預測“光伏建筑一體化技術”（Building-integrated Photovoltaic，BIPV）的生命周期。[20]另一類是在數據驅動和模型驅動的基礎上，集成了戰略驅動方法。Daim對燃料電池的預見研究，基于文獻數據和專利數據，提出將系統動力學（數據驅動型）、情景分析（戰略驅動型）和類比分析（戰略驅動型）進行集成。AFF0A036-B80C-4562-8286-3D557337B314

4.2 定性的集成方法

低碳能源技術追蹤預測的定性集成特征為：組合運用戰略驅動型方法、經驗驅動型方法，但是沒有運用數據驅動型方法、模型驅動型方法。雖然沒有豐富的數據基礎和復雜的數學模型，但基于高度經驗化的知識，再利用戰略工具進行未來推演，也是很好的能源技術預見集成方法。這類集成的典型研究是Rikkonen and Tapio將德爾菲法和情景分析集成，對芬蘭生物質能源的未來進行預見。[21]

4.3 實現低碳能源技術預見智能化的路徑

除了上述定量集成方法和定性集成方法，大數據時代的豐富數據資源給低碳能源技術追蹤預測（即低碳能源技術預見）帶來了新的需求，使得低碳能源技術預見趨于智能化（更加快速、自動和精準）。[22]低碳能源技術預見智能（Low-carbon Energy Technology Foresight Intelligence，LETFI）具有3M-D特征，實現低碳能源技術預見智能化的路徑即利用更多的數據資源（More Data），使用更多的決策方法（More Decision-methods），獲取更多的能源技術前沿發現（More Discoveries）。如圖1所示，基于能源技術知識，運用多種定性和定量的決策方法，構成了傳統的低碳能源技術預見方法體系。大數據帶來了新的機遇，大數據結合決策方法可以形成數據科學，實現信息挖掘和智能決策的功能;大數據以多源異構的海量信息的形式有效地補充能源技術知識，從而構建更加完善的知識庫，并實現低碳能源技術領域知識發現的功能。

4.4 低碳能源技術追蹤預測決策支持系統的開發設計

基于上述低碳能源技術預見智能（LETFI）的思想，本研究開發設計一種低碳能源技術追蹤預測決策支持系統，來克服傳統方法的速度慢、準確性低、主觀性強、自動化程度低的技術缺點。為實現前述目的，具體的技術方案如下。

一種低碳能源技術追蹤預測決策支持系統，包括用戶終端、管理員終端、無線網絡和決策支持服務器，系統結構如圖2所示。所述用戶終端和管理員終端通過無線網絡連接決策支持服務器;所述決策支持服務器由網頁服務器、資源管理服務器、低碳能源技術追蹤處理器和低碳能源技術預測處理器組成，所述網頁服務器通過數據流通信網分別與資源管理服務器、低碳能源技術追蹤處理器和低碳能源技術預測處理器連接，所述資源管理服務器通過數據流通信網分別與低碳能源技術追蹤處理器和低碳能源技術預測處理器連接，所述低碳能源技術追蹤處理器通過數據流通信網連接低碳能源技術預測處理器。

優選的，所述用戶終端有N個，且N個用戶終端都通過無線網絡與網頁服務器連接。

優選的，所述低碳能源技術追蹤處理器有N個，且N個低碳能源技術追蹤處理器都通過數據流通信網分別與網頁服務器、資源管理服務器和低碳能源技術預測處理器連接。

優選的，所述低碳能源技術預測處理器有N個，且N個低碳能源技術預測處理器都通過數據流通信網分別與網頁服務器、資源管理服務器和低碳能源技術追蹤處理器連接。

優選的，所述低碳能源技術追蹤處理器包括：熱點探測單元，用于捕捉低碳能源技術的研究熱點;合作網絡挖掘單元，用于偵測低碳能源技術的研發合作關系;前沿偵測單元，用于偵測低碳能源技術的研究前沿。

優選的，所述低碳能源技術預測處理器包括：技術預測單元，用于預測低碳能源技術未來發展軌跡;路線圖繪制單元，用于構建低碳能源技術路線圖。

優選的，所述資源管理服務器包括輸入資源單元和輸出資源單元，所述輸入資源單元管理的內容包括低碳能源技術的專利數據、低碳能源技術的文獻數據、低碳能源技術的年鑒統計數據、低碳能源技術的社交媒體數據，所述輸出資源單元管理的內容包括低碳能源技術的研究熱點、低碳能源技術的研發合作關系、低碳能源技術的研究前沿、低碳能源技術未來發展軌跡、低碳能源技術路線圖。

優選的，所述管理員終端安裝有指紋識別裝置，用于提高管理員終端安全性。

與現有技術相比，本研究開發設計的低碳能源技術追蹤預測決策支持系統的有益效果體現在：本研究開發設計的決策支持系統，利用大數據挖掘和非線性預測技術，將低碳能源技術的追蹤和預測進行系統集成，并設計了自動化的技術方案。通過本研究提出的技術方案，可以有效地對低碳能源技術進行前瞻性管理，為低碳能源技術布局贏得寶貴時間，過程透明化、公開化、可追溯，實現了決策流程清晰化、決策過程痕跡化，有效降低了主觀決策帶來的低碳能源技術布局風險。本研究開發設計的低碳能源技術追蹤預測決策支持系統具有快速、精準、科學、高效等優點。

5 結論與啟示

本研究的結論如下：

（1）現有低碳能源技術追蹤預測方法的主流集成有兩種。一是定量的集成，即數據驅動型方法和模型驅動型方法的集成;二是定性的集成，即戰略驅動型方法和經驗驅動型方法的集成。

（2）大數據時代需要低碳能源技術預見方法的智能化集成。低碳能源技術預見智能（LETFI）的核心需求就是“更多的數據”（More Data），大數據、決策方法和能源技術知識交叉融合，共同構成低碳能源技術預見智能。大量的多源異構的能源技術數據，將為低碳能源技術預見智能化提供更多的、更重要的決策參考。

（3）本研究開發設計了一種低碳能源技術追蹤預測決策支持系統。利用大數據挖掘和非線性預測技術，將低碳能源技術的追蹤和預測進行系統集成，并設計了自動化的技術方案，可以有效地對低碳能源技術進行前瞻性管理，具有快速、精準、科學、高效等優點，實現大數據背景下的低碳能源技術預見。

根據本研究提出的低碳能源技術追蹤預測決策支持系統的開發設計，以及“數據驅動發現”的研究思路，對未來低碳能源技術預見智能的思考如下：

（1）建立低碳能源技術多維數據庫。全面開發和收集低碳能源技術數據，進行數據清洗和標準化，并充分擴充低碳能源技術數據的維度。多維度體現在，數據內容方面包括技術特征、能源消費和碳排放數據，數據結構方面包括結構化、半結構化、非結構化數據，數據承載形式方面包括文本、圖片、視頻和音頻數據，地理尺度方面包括全球、國家（或地區）和城市數據，數據采集方面包括公開統計資料（二手數據）和實地調查（一手數據）。AFF0A036-B80C-4562-8286-3D557337B314

（2）注重低碳能源技術預見過程的自動化和可重復性。低碳能源技術預見方法的智能化集成，一方面需要提高過程自動化，加強預見科學和計算機技術的有效銜接，通過計算機語言實現數據層和方法層的自動交互;另一方面需要保障結果的可重復性，構建科學性強和邏輯性好的低碳能源技術預見執行框架，在充分考慮不確定性的基礎上，實現預見過程的透明化和重現性。

（3）加強低碳能源技術預見結果的可視化。加強表達層的設計，在傳統的文本形式的基礎上，強調預見結果展示的即時、動態、交互的特點，有助于低碳能源技術的動態監測，也有助于能源技術系統、能源消費系統和碳排放系統的信息交換，實現低碳能源技術預見準確性的提高。

參考文獻：

[1]DAIM U，RUEDA G，MARTIN H，ET AL.Forecasting emerging technologies：use of bibliometrics and patent analysis[J].Technological Forecasting & Social Change，2006，73（8）：981-1012.

[2]ZIGLIO E，ADLER M.Gazing into the oracle：the delphi method and its application to social policy and public health[J].Jessica Kingsley Publishers，1996（8）.

[3]GRUPP H，LINSTONE A.National technology foresight activities around the globe：resurrection and new paradigms[J].Technological Forecasting & Social Change，1999（60）.

[4]LI X，ZHOU Y，XUE L，ET AL.Integrating bibliometrics and roadmapping methods：a case of dye-sensitized solar cell technology-based industry in China[J].Technological Forecasting & Social Change，2015（97）：205-222.

[5]CHIUNG-WEN，HSU，PAO-LONG，ET AL.Charting the evolution of biohydrogen production technology through a patent analysis[J].Biomass & Bioenergy，2015（76）.

[6]MEDINA E，ARCE R D，MAHIA R.Barriers to the investment in the concentrated solar power sector in morocco：a foresight approach using the cross impact analysis for a large number of events[J].Futures，2015（71）：36-56.

[7]HALAL W E，MD KULL，LEFFMANN A .The george washington university forecast of emerging technologies[J].Technological Forecasting & Social Change，1998，59（1）：89-110.

[8]MILLETT S，MAHADEVAN K.Commercialization scenarios of polymer electrolyte membrane fuel cell applications for stationary power generation in the United States by the year 2015[J].Journal of Power Sources，2005（150）：187-191.

[9]AMER M，DAIM T U，JETTER A.Technology roadmap through fuzzy cognitive map-based scenarios：the case of wind energy sector of a developing country[J].Technology Analysis & Strategic Management，2016，28（2）：131-155.

[10]THOENNES M，BUSSE A，ECKSTEIN L.Forecast of performance parameters of automotive fuel cell systems–delphi study results[J].Fuel Cells，2015，14（6）：781-791.

[11]BISTLINE，JOHN E.Energy technology expert elicitations：an application to natural gas turbine efficiencies[J].Technological Forecasting & Social Change，2014（86）：177-187.

[12]POPIOLEK N，THAIS F.Multi-criteria analysis of innovation policies in favour of solar mobility in France by 2030[J].Energy Policy，2016（97）.AFF0A036-B80C-4562-8286-3D557337B314

[13]WONGLIMPIYARAT J.Technological change of the energy innovation system：from oil-based to bio-based energy[J].Applied Energy，2010，87（3）：749-755.

[14]MEADE N，ISLAM T.Modelling European usage of renewable energy technologies for electricity generation[J].Technological Forecasting & Social Change，2015（90）：497-509.

[15]HABIB K，WENZEL H.Exploring rare earths supply constraints for the emerging clean energy technologies and therole of recycling[J].Journal of Cleaner Production，2014，84（1）：348-359.

[16]DIXON T，EAMES M，BRITNELL J ，ET AL.Urban retrofitting：identifying disruptive and sustaining technologies using performative and foresight techniques[J].Technological Forecasting & Social Change，2014（89）：131-144.

[17]LEE D H.Identifying global competition and devising a biohydrogen roadmap on a continental level[J].International Journal of Hydrogen Energy，2013，38（35）：15620-15629.

[18]ORDOWICH C，CHASE J，STEELE D，ET AL.Applying learning curves to modeling future coal and gas power generation technologies[J].Energy & Fuels，2012（26）.

[19]MAYER T，KREYENBERG D，WIND J ，ET AL.Feasibility study of 2020 target costs for PEM fuel cells and lithium-ion batteries：A two-factor experience curve approach[J].International Journal of Hydrogen Energy，2012，37（19）：14463-14474.

[20]CHIU Y J，YING T M.A novel method for technology forecasting and developing R&D strategy of building integrated photovoltaic technology industry[J].Mathematical Problems in Engineering，2012：1-24.

[21]RIKKONEN P，TAPIO P.Future prospects of alternative agro-based bioenergy use in Finland—Constructing scenarios with quantitative and qualitative Delphi data - ScienceDirect[J].Technological Forecasting & Social Change，2009，76（7）：978-990.

[22]魏一鳴，王晉偉，廖華，等.一種碳捕獲與封存技術路線圖生成方法及系統：CN108932351A[P].2018-12-04.

[基金項目]國家能源集團2021年第一批科技項目（項目編號：GJNY-21-148）。

[作者簡介]通訊作者：王晉偉（1990—），男，山西人，管理學博士（管理科學與工程專業），研究主管（能源政策），研究方向：能源技術預見、能源與氣候經濟、低碳技術工程管理。AFF0A036-B80C-4562-8286-3D557337B314