新能源項目智能監控系統在后期運維中的應用

摘 要：本研究的目標是利用層次分析法（Analytic Hierarchy Process，AHP）和熵值法構建一個全面的評價體系，以評估新能源項目智能監控系統在后期運維中的效益。考慮在實際運營過程中數據的稀缺性，在評估過程中引入Bootstrap方法。Bootstrap方法利用重復抽樣構建多個虛擬樣本，優化模型的預測性能。為評估監控系統的效益，進行Bootstrap采樣分析，將采樣分布結果與原始數據進行對比。這種方法能夠更全面了解系統性能，準確評估后期運維效益。本研究旨在為新能源項目的智能監控系統提供科學、可靠的評估框架，優化運營系統，提升可持續性。

關鍵詞：新能源項目；智能監控系統；效益評估；Bootstrap方法

中圖分類號：X 924 " " " " 文獻標志碼：A

在新能源領域，智能監控系統在提高系統性能、降低運維成本方面起到了關鍵作用，因此備受關注。成建國等[1]（2023）深入研究了深圳城際動車組智能化需求以及頂層指標建議方案，提出了創新的智能化方案，為城際動車組運營提供了新思路。樊任璐[2]（2023）研究上海軌道交通1號線空調智能運維系統。陳澤濤等[3]（2022）研究配電房安全智能監控平臺接地刀閘狀態位監控方法。鐘怡然等[4]（2022）從現有智能監控系統中發展了三維建模技術并將其應用于安防領域。談震等[5]

（2022）研究水利工程智能運維全鏈路監控系統。王學文等[6]（2022）研究AR/VR融合驅動的綜采工作面智能監控關鍵技術。劉海濱等[7]（2018）研究水電站智能監控服務支持系統，為水電站提供全面的監控服務。于闖等[8]（2018）研究了動車組轉向架智能監控分析平臺。姜國義等[9]（2016）研究基于網絡技術的信息系統集成接口智能監控管理，為企業信息系統集成管理提供了有效手段。

1 算例分析

1.1 變量選取

在能源領域中的重要任務是評估新能源項目智能監控系統在后期運維中的效益。為了更全面、客觀地了解該系統的效用，本文采用AHP-熵值法結合專家評測的方法，確定技術可行性、系統性能和運維需求這3個關鍵準則的權重，進而深入評估其在后期運維中的作用和影響。

在新能源項目中，智能監控系統在后期運維中的效益十分重要。為了準確評估其效益，引入AHP-熵值法。這個方法結合了層次分析法（Analytic Hierarchy Process，AHP）和熵值法，能夠在多個準則間建立層次結構，確定各準則的權重，綜合分析系統的整體效益。本文的目標是評估智能監控系統的效益，涉及技術可行性、系統性能和運維需求這3個關鍵準則。技術可行性指系統所采用的技術是否適用于特定情況，系統性能考量系統的整體工作表現，運維需求關注系統后期維護所需的資源和投入。

為了確定這些準則的相對重要性，由專家進行評估，并采用兩兩比較的方法。向專家提供問卷，引導專家對這3個準則進行比較，使用1～9的尺度確定其相對權重。這些比較結果構成比較矩陣，作為計算權重的依據。例如，專家將技術可行性和系統性能進行比較，給出1～9的評分。

本研究結合專家經驗與定量分析，對比較矩陣進行一致性檢驗和特征值計算，得到各準則的權重向量。這些權重向量是基于專家評估的定量化結果，代表不同準則在系統效益中的相對重要性。

1.2 重要性對比

向專家提供問卷，進行兩兩比較，確定準則之間的相對重要性，計算相應的權重。這些權重將應用于熵值法中，以綜合各準則的信息熵，確定最終的權重分配。

專家完成兩兩比較矩陣，使用尺度1～9，其中，1為相同重要性，9為極端重要性，重要性賦值關系見表1。

本文采用分析方法并借鑒了專家的經驗，使新能源項目智能監控系統的效益評估更詳盡、可靠。將問卷調查與專家評測相結合，從而建立科學、全面的評估框架，在后期運維中能夠更精準地評估系統的綜合效益。重要性評估結果見表2。

這些重要性評估結果是對智能監控系統準則間相對重要性的量化。在未來的研究中，基于這些結果進一步探索在不同權重中系統效益的變化情況，以及在不同假設權重中系統整體性能的變化趨勢，進一步優化智能監控系統。

1.3 AHP-熵值法權重估計

在AHP-熵值法中，AHP方法將專家的兩兩比較轉化為特征向量，計算各準則的權重。在這個過程中，根據兩兩比較矩陣獲得了特征向量，該向量代表各準則相對重要性的度量。對特征向量進行歸一化處理，得到初始的權重向量。計算一致性指標（CI）和一致性比率（CR），驗證權重向量的一致性和可信度。

根據計算得到的CR與預設一致性水平進行對比，如果CR較低，則所得權重相對可信；如果CR較高，則需要重新考慮比較矩陣的一致性。結合初步的權重向量調整一致性比率，最終確定了準則的權重。專家判斷層次結構中的每對準則，得到了兩兩之間的比較矩陣Cij。這些矩陣構成了層次結構的判斷矩陣。基于上述重要性評價結果，計算得到CI=0.03，CR=0.10。

對每個比較矩陣進行歸一化處理，得到權重向量Wi和對應的最大特征值λi。根據歸一化的特征向量得到初始的準則權重W。

進行全局一致性檢驗后，使用特征值法計算得到最終的權重向量，見表3。

AHP-熵值法將AHP的權重評估與熵值法的信息熵相結合，獲得最終的權重分配。這種方法使專家評估的權重在綜合信息熵后更可靠、合理。對比較矩陣進行歸一化處理，得到權重向量。利用這些權重向量，按照信息熵的計算公式計算每個準則的熵值，熵值越大，準則內部的差異性越高，即不確定性程度越大，如公式（1）所示。

（1）

式中：Ei為信息熵；Cij為準則i與j之間兩兩比較重要性結果的矩陣；λi為這個重要性矩陣的最大特征值；n為這個重要性矩陣的階數。

熵權重Wentropy，i計算過程如公式（2）所示。

（2）

綜合初始權重和熵權重得到最終權重W'。這個過程結合了專家評估意見與量化信息熵，保證權重的科學性和客觀性。計算過程如公式（3）所示。

W'=α·W+（1-α）·Wentropy，i " "（3）

式中：W'為最終權重；α為權衡初始權重和熵權重的權衡因子，取值為0.5；W為基于AHP法計算的準則權重；Wentropy，i為基于熵值法計算的熵權重。

融合AHP與熵值法的方法考慮了專家評估和準則內部的差異性，在AHP權重計算中引入更多的數據特性，更好地反映準則之間的相對重要性，為評估體系提供了更全面、可靠的權重分配，為智能監控系統的后期運維效益提供支持。

1.4 權重優化過程

根據計算得到熵值，利用信息熵概念進行進一步優化權重，熵權重的計算考慮了信息熵的影響，修正并優化了初始權重，使權重更合理。

計算各準則的熵值，進一步優化權重。優化后的權重見表4。

在新能源項目中，對技術可行性、系統性能以及運維需求等關鍵準則進行評估，其熵值分別為0.97、0.72和0.81。這些熵值反映了不同準則內部信息的復雜程度和不確定性，為后續權重調整提供依據。利用基于層次分析法的特征值法計算熵權重，得到修訂后的權重分配，即A準則的熵權重為0.273，B準則的熵權重為0.499，C準則的熵權重為0.228。這些熵權重是對初始權重的修正和優化，更準確地反映了每個準則在系統效益評估中的重要性。例如，在智能監控系統中，系統性能在整體評估中占主導地位，技術可行性和運維需求的重要性不高。

1.5 Bootstrap方法

Bootstrap方法是一種重要的數據增強技術，在解決數據不足的問題方面起到關鍵作用。它多次有放回地從原始數據中進行抽樣，生成多個虛擬樣本集合，從而增加樣本量。因為這種方法有助于提高模型的預測性能與魯棒性，所以在新能源項目監控系統的效益評估中十分重要。

假設本文有1個包括N個樣本的原始數據集A，如公式（4）所示。

A={x1，x2，…，xN} （4）

式中：x1為樣本，1～N為樣本個數。

針對每個虛擬樣本集合，利用建立的AHP評價體系計算相應的效益得分，這些得分反映了每次重抽樣構成的虛擬樣本在評估體系中的效益。本文從原始數據集中有放回地隨機抽取N個重抽樣的樣本，構成1個虛擬樣本集合，如公式（5）所示。

A={x1'，x2'，…，xN'} （5）

式中：x1'為x1的重抽樣樣本。

對每個虛擬樣本X'，本文使用構建的AHP評價體系，計算得到相應的效益得分，如公式（6）所示。

Y'=f（X'） " " " " " （6）

式中：Y'為重抽樣后的效益得分。

統計所有重抽樣樣本的效益得分，得到更全面的評估結果。生成了B個虛擬樣本，B為Bootstrap的次數。得到M個效益得分，如公式（7）所示。

Y∈{y1'，y2'，…，yM'}，{y1'，y2'，…，yM'}∈B " " （7）

式中：Y為效益得分的樣本集合；y1'，y2'，…，yM'為其他重抽樣樣本。

本文對重抽樣樣本進行多次評估，計算效益得分的均值、方差等統計量，了解樣本之間的變化范圍，減少了樣本不確定性對效益評估結果的影響。引入Bootstrap方法，根據計算效益得分的分布情況來評估體系對數據變動的魯棒性，從而更全面地了解模型在不同數據分布中的表現。

2 結果與討論

本文對Bootstrap采樣分布和原始數據進行對比，可以全面了解效益評估的不確定性。通過計算均值、置信區間等統計量，可以評估監控系統的性能。其結果如圖1所示。

使用箱型圖呈現了Bootstrap方法的效果，箱型圖顯示了不同采樣分布中的數據分布情況，利用這種方式可以直接觀察Bootstrap采樣分布與原始數據之間的差異。

采樣分布與單一樣本方法之間的差異如圖2所示。引入Bootstrap方法在極小樣本規模中對監控系統的效益進行優化評估。對比分析結果顯示，Bootstrap采樣分布與單一樣本方法相比更穩健，說明Bootstrap方法在解決數據不足問題方面更有優勢，效益評估結果更可靠。箱型圖和柱狀圖都展現了與正態分布相似的趨勢，該趨勢共同反映了效益評估的結果相似。這些結果強調了在新能源項目智能監控系統效益評估中，Bootstrap方法在數據樣本較少的情況下效益評估可靠、有效。

盡管結果呈現相似趨勢，但是需要注意采樣分布與單一樣本方法之間的差異可能受到多種因素影響。樣本容量、采樣方法以及數據分布等因素可能會對2種方法的評估結果產生影響，導致評估結果之間出現微小差異。雖然Bootstrap方法展現了在小樣本數據方面的優勢，但是研究者在使用這種方法的過程中需要考慮數據采樣的多樣性和適用性，在特定情況下最大程度地提高Bootstrap方法的效益。未來研究可以進一步探索Bootstrap方法在不同條件下的穩定性，以及在數據不足的情況下對效益評估結果的影響程度。深入分析將有助于了解Bootstrap方法在智能監控系統效益評估中的應用潛力，為后續類似問題的研究提供更豐富的經驗。

3 結論

采用AHP和熵值法構建評價體系，利用Bootstrap方法優化效益評估的預測性能，本研究為新能源項目的智能監控系統提供一種全面、穩健的評估方法。未來研究可以進一步擴大樣本規模，引入更多影響因素，提高評估準確性，完善評估體系。探索更先進的評價方法和模型，結合機器學習等技術提高預測性能。案例分析和實證研究能夠驗證評價體系的實用性，為全面決策提供更可靠的評估指標。這些研究將優化監控系統評估方法，助力新能源領域可持續發展。

參考文獻

[1]成建國，張桂南，郭曉燕，等.深圳城際動車組智能化需求及頂層指標建議方案研究[J].鐵道運輸與經濟，2023，45（7）：110-118.

[2]樊任璐.上海軌道交通1號線空調智能運維系統[J].城市軌道交通研究，2023（增刊1）：128-131，136.

[3]陳澤濤，王增煜，劉秦銘，等.配電房安全智能監控平臺接地刀閘狀態位監控方法研究[J].電網與清潔能源，2022，38（12）：95-100，106.

[4]鐘怡然，胡迪，俞肇元，等.基于多粒度時空對象數據模型的高速公路智能監控系統建模[J].地理與地理信息科學，2022，38（1）：110-115.

[5]談震，舒依娜，劉敏，等.水利工程智能運維“云-網-端”全鏈路監控系統的研究與設計[J].中國農村水利水電，2022（9）：19-24，29.

[6]王學文，劉曙光，王雪松，等. AR/VR融合驅動的綜采工作面智能監控關鍵技術研究與試驗[J].煤炭學報，2022，47（2）：969-985.

[7]劉海濱，董海洋，秦曉康，等.水電站智能監控服務支持系統研究與應用[J].水電能源科學，2018，36（8）：162-165，213.

[8]于闖，高明亮，邵俊捷，等.動車組轉向架智能監控分析平臺研究[J].城市軌道交通研究，2018，21（2）：67-71.

[9]姜國義，郭寶財.基于網絡技術實現信息系統集成接口智能監控管理[J].企業管理，2016（增刊2）：508-509.