兩階段DEA-AHP框架用於台灣太陽能光伏電站選址

1. 引言

本文探討咗為太陽能光伏（PV）電站選擇最佳選址呢個關鍵挑戰，呢項任務對於能源安全同可持續發展至關重要，特別係喺全球致力於從化石燃料轉型嘅背景下。研究以台灣為案例，強調咗呢個問題對於依賴進口能源同易受氣候變化影響嘅國家嘅緊迫性。

2. 方法論：兩階段多準則決策框架

本文嘅核心貢獻係一種新穎嘅兩階段多準則決策（MCDM）方法，結合咗資料包絡分析（DEA）同層次分析法（AHP）。

3. 案例研究：台灣

該方法應用於評估台灣20個潛在城市同縣市，用於建設大型太陽能光伏電場。

4. 結果與討論

5. 技術細節與數學公式

DEA CCR模型 (Charnes, Cooper, Rhodes)： 用於計算DMU $k$ 效率分數 $\theta_k$ 嘅基本DEA模型表述為一個線性規劃問題： $$ \begin{aligned} \text{Max } & \theta_k = \sum_{r=1}^{s} u_r y_{rk} \\ \text{s.t. } & \sum_{i=1}^{m} v_i x_{ik} = 1 \\ & \sum_{r=1}^{s} u_r y_{rj} - \sum_{i=1}^{m} v_i x_{ij} \leq 0, \quad j = 1, \ldots, n \\ & u_r, v_i \geq \epsilon > 0 \end{aligned} $$ 其中：

• $x_{ij}$： DMU $j$ 嘅輸入 $i$ 嘅數量。
• $y_{rj}$： DMU $j$ 嘅輸出 $r$ 嘅數量。
• $v_i$, $u_r$： 輸入同輸出嘅虛擬權重。
• $\epsilon$： 一個細嘅非阿基米德數。
• $\theta_k = 1$ 表示DEA有效率。

AHP兩兩比較與一致性： 準則以1-9嘅尺度進行兩兩比較。優先向量 $w$（權重）從比較矩陣 $A$ 嘅主特徵向量導出，其中 $Aw = \lambda_{max}w$。一致性比率 ($CR$) 必須小於0.1： $$ CR = \frac{CI}{RI}, \quad CI = \frac{\lambda_{max} - n}{n - 1} $$ 其中 $RI$ 係隨機指數。

6. 結果與圖表描述

概念圖表1：兩階段MCDM流程圖
一個流程圖描繪：(1) 20個候選地點輸入到 (2) DEA模型（氣候輸入/太陽能輸出），篩選出 (3) 高效率地點（分數=1）。然後將呢啲地點輸入到 (4) AHP模型（5個準則及子準則），得出 (5) 地點嘅最終加權排名。

概念圖表2：AHP準則權重層級圖
一個水平條形圖，顯示頂層準則（場址、技術、經濟、社會、環境）嘅相對權重，並深入展示經濟準則下「支援機制」子準則嘅主導權重 (0.332)。

概念圖表3：最終地點排名地圖
一張台灣專題地圖，標記咗20個候選地點。排名最高嘅地點（台南、彰化、高雄）以主色 (#FF9800) 突出顯示，其他地點則根據其最終AHP分數以漸變色調顯示。

7. 分析框架：示例案例

情景： 喺DEA階段之後，評估兩個假設地點「城市A」同「城市B」。

步驟1 - AHP兩兩比較（經濟準則）：
決策者比較子準則：
判斷「支援機制」比「投資成本」『稍微重要啲』（數值3）。
判斷「投資成本」比「營運與維護成本」『同等至稍微重要啲』（數值2）。
呢啲比較形成咗經濟子準則嘅比較矩陣。

步驟2 - 評分地點：
對於「支援機制」子準則，城市A（政府補貼強勁）被評為比城市B（補貼薄弱）『強烈偏好』（分數5）。呢啲分數經過標準化，並使用準則權重進行匯總，為每個地點產生最終綜合分數。

結果： 即使城市B嘅太陽輻射量稍好，城市A嘅優越政策支持（高權重）導致其最終排名更高，展示咗該框架平衡多個、經常相互衝突嘅目標嘅能力。

8. 應用前景與未來方向

• 與GIS整合： 未來工作應將此MCDM框架與地理資訊系統（GIS）緊密整合，用於空間分析、限制條件繪圖（例如，保護區、坡度）同視覺化，創建強大嘅決策支援系統（DSS）。
• 動態與概率建模： 納入氣候變化預測，以評估場址嘅長期可行性。使用隨機DEA或模糊AHP來處理輸入數據同專家判斷中嘅不確定性。
• 更廣泛嘅技術評估： 調整該框架用於其他可再生能源技術（海上風電、地熱）或混合系統，使用特定技術嘅準則。
• 生命週期可持續性整合： 將環境準則擴展為全面嘅生命週期評估（LCA），涵蓋製造、部署同退役，符合循環經濟原則。
• 機器學習增強： 使用ML算法分析歷史選址成功/失敗數據，可能完善AHP權重或建議新嘅子準則。

9. 參考文獻

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). （引用作為不同領域中結構化兩階段框架嘅示例）。

10. 原創分析與專家評論