许 娟，郭素平，戴鸿昊，易同燕，袁晓丹

(中国南方电网 云南电网有限责任公司，昆明 650011)

为了应对能源短缺问题，部分发达国家已经开始从多方面研究能源利用的优化理论，逐渐建立了相应的能源利用模型.我国在经济和社会的发展过程中，依然存在比较严重的能源流失现象，缺乏科学合理的能效评估方法.为了解决这一问题，国内外学者进行了不懈的努力和探索.Jing等[1]使用工质热力学方法评估电力系统的能效；Zanardo等[2]利用自下而上的方法计算综合能效直属，同时检测其能效趋势；马立新和陈宏等引入电力节能技术提高系统的能效利用率[3-4]；通过融合节能和评估技术，文献[5]提出了多级能效监控平台；此外，文献[6]通过回顾电力需求侧管理和响应系统的结构，分析了能效评估系统的关键技术；文献[7]全面考虑了利益相关者的需求，然而却没有细化电网的设备指标；文献[8-9]建立了输电网和中低压配电网的能效评估体系，但并未仔细研究其内部联系；文献[10]充分考虑了智能电网中的宏观和微观评估指标，建立了多层评估指标体系，然而其仍有一定的优化和提升空间.

针对电力客户的能效评估问题，本文在联机分析处理(OLAP)技术的基础上，通过必要的理论分析和验证，优化了其能效评估原理和方法，提出了能效评估数据的预处理、初始化和分析等具体架构模型，引入了切片、切块、下钻和上卷等多种数据分析方法，最终，建立了基于OLAP技术的能效评估模型.本文还对该模型进行了必要的理论性评估与分析，从理论角度上说，本文的评估模型可以有效地评估电力用户的能耗数据，提高用户的电能利用效率.

1 OLAP技术

OLAP技术是一种将系统原始数据转变为真实反映系统特性数据的软件技术[11-12]，该技术对多维数据集进行操作，获取可供用户参考和决策的分析结论.一般OLAP技术以多种维度的数据库为基础，具有快速性、可分析性、多维性和信息性等多种特点，其基本操作主要可分为上卷、下钻、切片、切块和转轴等.OLAP技术与数据挖掘技术从本质上是完全不同的，这体现在数据挖掘技术主要被用于发现和提出假设，而OLAP技术主要被用于查询和证明假设，其具体工作原理[13]如图1所示.

图1 OLAP技术工作原理图

2 能效评估模型

在大量电能使用数据的基础上，本文设置了完整的能效指标分析体系，同时利用OLAP等多维数据分析技术，对电力客户的各种能效指标进行综合的能效评估，建立切实可行的能效评估模型.

基于OLAP技术的评估方法是运用OLAP的工作原理，对电力客户的能效状态进行评估的方法集合，其工作过程可分为预处理、初始化和分析这3个阶段.具体流程如图2所示.

图2 评估方法流程

2.1 预处理阶段

首先根据评估方法的具体流程，从经济信息、电能信息、生产信息和污染信息等方面收集了电力客户的各种基础数据与基础信息，从而归纳与建立客户的能效评估指标体系，结果如图3所示.

图3 电能能效评估指标体系

本文需要确定评估模型的状态因素集合.不妨设S是评估模型的状态因素集合，所有相近属性的因素归类为一组，根据图3的指标体系，本文状态集合S可分为4组，即S={S1，S2，S3，S4}，S1～S4分别表示“经济信息”、“电能信息”、“生产信息”及“污染信息”等指标集合，这些指标集合S1、S2、S3和S4分别由图3中的多项底层指标组成，即S1=[S11，S12，S13]，S2=[S21，S22，…，S28]，S3=[S31，S32]，S4=[S41，S42，S43].

为了完成数据的预处理，本文需要设置评估过程中指标的权重系数.设V={v1，v2，…，vn}是评判集，适用于所有层的所有元素，设bi=[bi1，bi2，…，bim]是Si(1≤i≤4)中各个指标重要性的量化匹配，且bi1+bi2+…+bim=1.同样，对于多层指标类的集合，设B=[b1，b2，b3，b4]是S中各类因素相对于评判集V的权重系数集合.为了确定评判集V的具体系数，本文将电力用户的能效状态设置为6个级别，即极好、好、中、差、较差、极差.

利用电力系统工作人员的经验，本文可以对某底层指标进行模糊评价，得到相应的模糊评价矩阵Ti，即

(1)

Xi=BTi=[xi1，xi2，…，xim]

(2)

综合所有子指标集合Si的评判结果，即可得到指标集合S的综合评判结果，其计算表达式为

(3)

得到矩阵T后，便可计算能耗模型的综合评判结果.计算结束后，模型就完成评估流程中的预处理过程，该过程也是评估模型最为关键与核心的工作.

2.2 初始化阶段

在获取能耗基础数据之后，为更好地处理和评价这些数据，本文使用切片或切块的方法处理多维数据.

1)数据切片.切片是指将所有的数据立体化，并在该数据立方体的某一位上进行选择的操作.通过适当的切片，可以得到一个二维的平面数据.例如，本文获取了安徽省六安市叶集区全年的电能使用数据.若将时间参数设置为0～6时，即从全天电力数据的立方体中切出一片，进一步得到全年叶集区0～6点的电能使用数据.

2)数据切块.切块是指从数据立体化之中，选择多个维度的数据.经过仔细选择切块，可以得到一个多维的平面数据.例如，以安徽省六安市叶集区全年的电能使用数据为基础，设置选择条件：(度量值=“0～6时”或“6～12时”)∪(时间=“第1季度”或“第2季度”)∩(性质=“个人”或“集体”)，则本文可以从数据立方体中切出一块，得到第1～2季度从0～12点的个人与集体的电能使用数据.

利用切片和切块等数据处理算法，可以提取电能使用数据的多种统计特征，方便后续对于能耗数据的处理与分析.

2.3 分析阶段

在获取能耗数据的统计特征之后，本文需要进一步分析这些统计数据.在某些应用中，可能需要对统计数据执行下钻和上卷操作.

1)下钻.指标下钻是通过降低数据的维度或引入更低的维度，从而更加仔细地观察模型中的数据.在具体的评估模型中，用户的能效数据可以沿着时间的维度进行下钻.例如，安徽省六安市某居民用户某一年用电792 kW·h(供电公司提供)，其中，该居民以季度为单位的电能使用数据分别为209 kW·h(1季度)、181 kW·h(2季度)、202 kW·h(3季度)和200 kW·h(4季度).若进一步分析该用户的每月能效利用情况，则可以对这些数据进行下钻操作，得到以月份为单位的用电数据，即57 kW·h(1月)、80 kW·h(2月)、72 kW·h(3月)、53 kW·h(4月)、67 kW·h(5月)、61 kW·h(6月)、67 kW·h(7月)、66 kW·h(8月)、69 kW·h(9月)、75 kW·h(10月)、56 kW·h(11月)和69 kW·h(12月).

2)上卷.与下钻相反，指标的上卷是通过提高数据的维度，从而观察更加具有概括性意义的数据.数据的上卷操作，可以理解为数据下钻的逆操作.在具体模型中，下钻和上卷是分析模型常用的数据操作，利用这两种数据分析操作，决策人员可方便地查阅相应的数据，并分析电能使用数据的诸多细节.

3 仿真测试

为了验证评估模型的有效性和可行性，本文使用SQL Server 2000和Visual Basic等工具，实现了电力用户能效数据的模型评估.在模型的评估过程中，本文采集了安徽省六安市某钢铁铸造企业的电能使用数据作为模型评估对象，由于篇幅有限，数据在此不再一一列出.为了专注于验证能效评估模型的有效性，本文省略了数据切片、切块、下钻和上卷等数据分析和处理的过程描述.

在评估过程中，经验丰富的电力专家使用上卷和下钻等数据分析方法，整理和判断该企业的用电数据，最终确定了其权重系数集B=[0.2，0.4，0.2，0.2]，其底层指标的权重系数分别为b1=[0.3，0.3，0.4]；b2=[0.1，0.1，0.1，0.1，0.1，0.2，0.2，0.1]；b3=[0.6，0.4]；b4=[0.3，0.4，0.3].在此基础上，经过模型预处理和相应的计算，本文得到模糊评价矩阵Ti，即

通过初始化和分析等过程，可以计算得到模糊评价矩阵T，其具体取值为

其中，矩阵的第1行到第4行分别展示了该企业的经济信息、电能信息、生产信息和污染信息的状态.利用矩阵T可得到该电力用户能耗的综合评判结果为

X=BT=[0.004，0.08，0.226，0.367，0.303，0.04]

根据这些评估数据对本文选择的能耗数据进行具体的评估，其结果可以由矩阵T和X的数据分析得到.

本文的评判集V={极好，好，中，差，较差，极差}，“极差”到“极好”的状态使用“1”到“6”表示，矩阵T和X的取值为所有底层指标的百分率，矩阵X是能耗数据的综合评价结果.

分析矩阵T的结果，以能耗数据的电能信息即第2行数据为例，1%的专家认为该企业的能耗利用状态达到了“极好”的状态，6%认为达到了“好”的状态，32%认为达到了“中”的状态，35%认为达到了“差”的状态，22%认为达到了“较差”的状态，4%认为达到了“极差”的状态，其最高点是0.35.这表明61%的专家认为该企业的电能利用状态处于“差、较差和极差”的状态，即该企业存在比较大的优化空间.利用这样的分析方法，可以对该用户的能耗数据做出如下评价：该用户的经济能效、电能信息、污染信息的能效状态基本合格，但也存在比较大的优化空间；生产信息的能效状态较好，优化潜力相对较少.优化潜力的排序为：污染信息、经济信息、电能信息、生产信息.

根据矩阵X的结果可知，只有0.4%的专家认为该企业的综合能效利用处于“极好”的状态，30.6%的专家认为该用户的能效水平处于“好”和“中”的状态，71%的专家认为该用户的能效水平处于“差、较差和极差”的状态，这说明该企业的电能能效利用状态较差，需要进一步改造电能的利用方式.

4 结 论

为了提高电力客户的能源利用效率，基于OLAP技术建立了电力客户能效评估模型，本文利用相应的数据库软件，实现了电力客户的能效评估模型，并对该模型进行了必要的测试，证明了所提模型的正确性.然而，该模型的评估指标还需要进行进一步的细化和深度数据分析，以增强该模型的工程应用价值，这也是本文未来的研究方向.