基于Einstein算子的复杂犹豫模糊多准则决策技术在DETA蓄电池储能系统评估中管理不确定性

发布时间：2026-06-19 10:40:16 点击：次

电池储能系统（BESS）的评估与选择是一个典型的多准则决策（MCDM）问题，因为存在不确定性和“相互依赖关系准则的。尽管以往的方法采用模糊技术以不同方式处理了这一问题，但没有一种方法能够同时对决策犹豫和额外模糊信息（第二维度）进行恰当建模。在本论文中，提出了一种基于Einstein聚合算子（AOs）的新型复数犹豫模糊MCDM（CHF-MCDM）方法，以克服这些缺陷。我们的主要贡献包括：提出将Einstein AOs扩展至复数犹豫模糊集（CHFSs），引入一个同时涵盖犹豫和额外模糊信息的理论框架，开发一套完整的用于BESS评估的CHF-MCDM方法论，并通过案例研究测试该方法。所提出的框架在存在不确定性和多个可能值的决策情况下表现出更高的性能。此后，我们将所提方法与某些现有方法进行比较，以揭示推导出的理论的优势与要求。本研究通过开发Einstein算子并将其应用于CHFSs，填补了一项重大理论空白，为决策者提供了一个更准确且全面的工具来评估BESS，这在实际环境方面更加贴合现实。

引言

电池储能系统（BESS）是一种涉及可充电电池以储存电能供未来使用的技术。通过运用智能化技术，BESS可以与多种能源接口连接，例如太阳能或风能等可再生能源，以及在用电低谷时段与电网相连。这些储存的能量在用电高峰期甚至停电期间释放也非常有用，从而为客户提供稳定的电力供应。BESS包含几个部分：封装在模块中的电池；用于将储存的直流电转换为家庭和企业可用电力的功率转换器；以及监控并调节电池充放电的控制器。这些系统不仅限于小型住宅用途，也可用于大型公用事业规模的应用场景。
问：battery energy storage system 是如何工作的？
BESS通过电化学储能技术工作，该技术允许储存由可再生能源产生的能量。它们在某种程度上类似于充电宝，能够储存电力并在需要时释放。BESS是最广为人知的储能系统类型之一，也被称为电化学系统，以将其与其他类型的系统区分开来，包括重力系统（例如抽水蓄能电站）、机械系统（例如飞轮或压缩空气）以及Thermal Energy Storage (TES)系统。与所有储能技术一样，BESS储存由可再生能源发电厂甚至单个太阳能电池板等发电设备所产生的电力，以便日后使用。其运行涉及一个特定过程：被称为电解质的某些材料在充电阶段将电荷储存在电极内，并在放电时流向另一个电极以提供储存的电力。参见图1，了解BESS的外观及其工作原理。
问：在当今世界中BESS的重要性是什么？
随着世界向更清洁、更可靠的能源系统转型，BESS已成为能源结构中的重要因素。这些系统的相关性无论怎样强调都不为过，因为可再生能源的整合依赖于它们，它们能提高电网稳定性，并在停电期间作为备用电源。BESS在可再生能源发电高峰期（例如晴天或大风天）储存能量，并在需求高峰期释放能量的能力，对于缓解可再生能源系统的间歇性特征至关重要。这种能力还能实现更可靠、更高效的电力网络，同时减少化石燃料的使用，从而减缓温室气体排放并促进全球气候目标的实现。以下因素解释了BESS的增长：电动汽车使用量的增加、数据中心的增长以及日益频繁和严重的极端天气条件都导致了用电量上升。例如，据估计，由于公用事业公司和开发商正在寻求此类解决方案，到2025年储能系统的新装机容量可能会增长76%，达到69 GW/169 GWh。此外，随着更多可再生能源的部署，需要大规模BESS设施来削峰填谷并维持电网稳定，这非常重要。除了在可再生能源整合方面的作用外，BESS还提供了实质性的...
问：BESS的评估与选择为何是一个MCDM问题？
BESS的评估与识别过程是一个MCDM问题，因为需要考虑众多因素。MCDM用于解决具有多个相互冲突目标的决策问题，这在决定BESS的设计与实施时非常有用，因为必须考虑技术、经济、环境和运营等多种因素。例如，决策者需要考虑所采用储能技术的成本、性能、可持续性、可靠性和灵活性[1,2]。评估过程可以在不同MCDM方法的帮助下进行。可以使用Fuzzy MCDM来协助利益相关者根据需求和限制条件，系统地评估并确定电池技术的优先级。这些方法使得结合定性和定量数据成为可能，并为决策者在其特定案例中提供独特的解决方案[1,2]。此外，由于BESS市场仍在快速增长，特别是由于性能提升且成本降低的电池的发展，评估标准也将随之改变。这一特性强调了对电池技术以及能够捕捉新趋势和发展的决策模型进行持续研发的必要性。

CHFSs [3,4] 在决策中包含多个隶属度，以及用于表示隶属度和犹豫度的复数。这种双重表示方式在决策者处于不确定性或存在冲突信息的场景下尤为有用，从而使他们能够比仅使用经典模糊集更清晰地表达自己的偏好[4]。将CHFSs整合到MCDM方法中为决策者提供了更大的自由度。在CHFSs中使用复数值至关重要，因为它能够对人类判断进行建模，而此类决策往往可能具有多个可能的值。这种灵活性在实际应用中非常重要，例如在选择供应商或考虑项目方案时，各项准则的重要性可能会大相径庭[4]。CHFSs已应用于金融、医疗和环境等许多领域。在这些领域中，决策者通常需要处理多个准则，而这些准则可能是模糊不清的。因此，使用基于CHFS的MCDM技术可以让从业者获得更能反映其工作环境特点的合理解决方案。例如，CHFSs已成功应用于识别可持续材料或评估医疗服务质量。将CHFSs与传统的MCDM技术相结合，增强了它们应对不确定性的能力，并提高了所做决策的精确度。当应用这些方法时，研究

电池储能系统（BESSs）的评估与选择代表了一项MCDM挑战，因为其涉及众多相互关联的标准，需要进行仔细评估。许多学者已在该领域开展工作，采用了多样化的方法论框架。近期的一些研究包括Pang等人[5]的多准则评估、Zhao等人[6]的模糊MCDM实施、Bulut和Ozcan[7]的模糊方法分析、Mishra等人[8]的直觉模糊MEREC-MARCOS方法，以及Gamal等人[9]用于性能评估的球面模糊MCDM。然而，这些方法论存在一个显著局限性：它们未能充分捕捉与评估标准相关的犹豫性和额外模糊信息。在现实问题中，专家们并不总是能够为各项标准给出单一且唯一的数值，因为在评估标准时，多个数值通常更为符合实际情况。此外，获取额外的模糊信息对于情境评估至关重要。当前的方法论文献对决策犹豫性以及模糊信息的延展特性的忽视是一个重大缺失。未能纳入这些因素可能会导致所做决策的准确性和全面性受到削弱。表1及图2、图3、图4详细对比了这些方法论的局限性及其对BESS评价的影响和……
在模糊逻辑和决策制定领域，Einstein聚合算子（AOs）比其他形式的聚合更具优势。这些算子的设计初衷是为了有效处理数据中固有的模糊性和不确定性。它们带来的一个益处是能更好地表征模糊性。Einstein算子采用源自Einstein t-norm和t-conorm的代数结构，为聚合模糊值提供了一种优于传统方法的方式。这使得累积得到的值能够更接近初始数据的不确定性水平[10]。此外，这些算子在其所属的模糊逻辑框架内具有一致性。它们确保从聚合过程中获得的结果符合模糊集理论原则，而这些原则对于做出正确决策至关重要[10]。这种连续性在处理可能包含多个异常值的海量数据集时非常关键。Einstein算子在降低此类值的影响方面相当有效，并能提供更合理的结果[10]。此外，研究表明Einstein算子能够管理不确定性，并具备有界性和平滑性等特性。这些特性对于避免与简单计算相关的过度近似和不足近似问题十分重要。利用这些特性，Einstein算子可以灵活地整合模糊数据，并考虑依赖关系bet...
在现有文献中，关于Einstein算子与CHFSs结合的研究存在明显的空白。这一局限性阻碍了对同时包含犹豫性和额外模糊信息的案例的管理。未能将Einstein算子整合到CHFSs框架中，可以被视为未能充分利用这两种数学结构的优势。Einstein算子用于聚合目的，而CHFSs则用于决策中的不确定性和犹豫性。这种缺乏整合的情况，在解决既重视准确性又重视变异性的现实决策问题时，构成了显著的限制。因此，有必要将Einstein算子推广至CHFSs，以丰富复杂决策的数学工具库。这种整合有望为处理不确定性和其他形式的模糊信息同样重要的多方面决策情境，提供更丰富且微妙的策略。通过在CHFSs环境下引入Einstein算子，这两者之间的理论差距将被填补，从而使决策分析具备更强大的工具。

为了填补上述文献中的空白，本文提出了一个框架，为该领域做出了以下主要贡献。首先，我们将Einstein AOs扩展到CHFSs中，并提供了理论背景和数学特性。这些增强的算子特别适用于处理同时存在犹豫和额外模糊信息的场景，而这正是当前方法的主要缺陷。基于这些理论进展，我们在CHFSs框架下提出了一种新的MCDM方法，称为CHF-MCDM方法。为了证明该方法的实际适用性和有效性，我们展示了一个详细的案例研究，重点关注电池储能系统的评估与选择。这一现实应用表明，当情况更加复杂时，所提出的方法如何帮助在现实世界中做出更好的决策。此外，我们还对所提方法与现有理论模型进行了比较评估。这种比较有两个主要目的：第一，确认所提方法的必要性；第二，证明新方法在复杂的决策任务中具有更优越的性能。