面向台湾地区太阳能光伏电站选址的两阶段DEA-AHP框架

1. 引言

本文旨在解决太阳能光伏电站最优选址这一关键挑战，这对于能源安全和可持续发展至关重要，尤其是在全球致力于摆脱化石燃料的背景下。本研究以台湾地区为案例，强调了这一问题对于依赖能源进口且易受气候变化影响的国家和地区的紧迫性。

2. 方法论：两阶段多准则决策框架

本文的核心贡献是提出了一种新颖的两阶段多准则决策方法，该方法结合了数据包络分析和层次分析法。

3. 案例研究：台湾地区

该方法被应用于评估台湾地区20个潜在的县市，以建设大型太阳能光伏电站。

4. 结果与讨论

5. 技术细节与数学公式

DEA CCR模型： 用于计算决策单元 $k$ 的效率得分 $\theta_k$ 的基本DEA模型表述为线性规划问题： $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ 其中：

• $x_{ij}$： 决策单元 $j$ 的输入 $i$ 的数量。
• $y_{rj}$： 决策单元 $j$ 的输出 $r$ 的数量。
• $v_i$, $u_r$： 输入和输出的虚拟权重。
• $\epsilon$： 一个小的非阿基米德数。
• $\theta_k = 1$ 表示DEA有效。

AHP两两比较与一致性： 准则在1-9标度上进行两两比较。优先向量 $w$（权重）源自比较矩阵 $A$ 的主特征向量，其中 $Aw = \lambda_{max}w$。一致性比率必须小于0.1： $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ 其中 $RI$ 是随机指数。

6. 结果与图表说明

概念图1：两阶段MCDM流程
流程图描绘了：(1) 20个候选地点输入到 (2) DEA模型（气候输入/太阳能输出），筛选出 (3) 高效地点（得分=1）。这些地点随后输入到 (4) AHP模型（5个准则及子准则），最终得到 (5) 地点的最终加权排序。

概念图2：AHP准则权重层次结构
一个横向条形图，显示了顶层准则（场地、技术、经济、社会、环境）的相对权重，并对经济准则进行了下钻，显示了“支持机制”子准则的主导权重（0.332）。

概念图3：最终地点排序地图
一张台湾地区专题地图，标记了20个候选地点。排名最高的地点（台南、彰化、高雄）用主色调（#FF9800）突出显示，其他地点根据其最终AHP得分以渐变颜色显示。

7. 分析框架：示例案例

场景： 在DEA阶段后，评估两个假设地点“城市A”和“城市B”。

步骤1 - AHP两两比较（经济准则）：
决策者对子准则进行比较：
判断“支持机制”比“投资成本”“稍微重要”（值3）。
判断“投资成本”比“运维成本”“同等至稍微重要”（值2）。
这构成了经济子准则的比较矩阵。

步骤2 - 地点评分：
对于“支持机制”子准则，城市A（政府补贴力度大）被评为比城市B（补贴力度弱）“强烈偏好”（得分5）。这些分数经过归一化处理，并使用准则权重进行聚合，得出每个地点的最终综合得分。

结果： 即使城市B的太阳辐射量略好，城市A优越的政策支持（高权重）使其获得更高的最终排名，这证明了该框架能够平衡多个常常相互冲突的目标。

8. 应用前景与未来方向

• 与GIS集成： 未来的工作应将此MCDM框架与地理信息系统紧密集成，用于空间分析、约束条件制图（如保护区、坡度）和可视化，从而创建一个强大的决策支持系统。
• 动态与概率建模： 纳入气候变化预测，以评估场地的长期可行性。使用随机DEA或模糊AHP来处理输入数据和专家判断中的不确定性。
• 更广泛的技术评估： 将该框架适配于其他可再生能源技术（海上风电、地热）或混合系统，使用特定于技术的准则。
• 全生命周期可持续性整合： 将环境准则扩展为涵盖制造、部署和退役的完整生命周期评估，以符合循环经济原则。
• 机器学习增强： 使用机器学习算法分析历史选址成功/失败数据，可能用于优化AHP权重或提出新的子准则。

9. 参考文献

1. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444.
2. Saaty, T. L. (1980). The analytic hierarchy process. McGraw-Hill.
3. International Energy Agency (IEA). (2020). World Energy Outlook 2020. OECD/IEA.
4. IRENA. (2021). Renewable Power Generation Costs in 2020. International Renewable Energy Agency.
5. Zhu, J., et al. (2020). A comprehensive review of hybrid DEA methods. Omega, 102, 102308.
6. Isola, P., Zhu, J., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1125-1134). （作为不同领域中结构化两阶段框架的示例引用）。

10. 原创分析与专家评论