一种用于可再生能源中CTM蓄电池储能系统的增强型机器学习覆盖式双极L-模糊粗集PROMETHEE模型
发布时间：2026-06-22 16:00:59 点击： 次
1965年，Zadeh（1965）提出了fuzzy set（FS）理论的概念，该理论对体系中的不确认性和含糊性进行建模，为处理不精确或非确认性场景奠定了根底。根据FS理论，Zhang（1994）于1994年引进了YinYang bipolar FSs，经过bipolar特点来表明双向信息，其间每个元素都一起具有从属值和反特点。在bipolar FSs中，从属值的范围为[-1, 1]，正值表明满意给定特点，负值表明满意反特点，而零则代表中立。bipolar FSs捕捉bipolar信息的能力使其在需要详尽判别的运用中极具价值。例如，Lee（2000）的研讨进一步定义了bipolar FSs上的根本运算，并探讨了它们相较于传统扩展的优势。
粗糙集理论由Pawlak（1982）于1982年提出，作为数据发掘和关系数据库探究的工具而开展起来，提供了一种经过不可分性关系办理不确认性的共同办法。尽管对离散数据有用，但粗糙集在处理连续数据时面临应战，这促进了用于处理实值数据的FRS s和rough FS s的开展。对Pawlak模型的扩展，包含Zhu（2009）提出的根据掩盖的粗糙集、邻域粗糙集等，拓宽了粗糙集的运用范围。特别是Zakowski（1983）运用掩盖进行的泛化为根据掩盖的含糊粗糙集奠定了根底，激发了人们对统一粗糙集和FS理论办法的爱好。
Zheng & Wang (2005) 引进了共余格及其在含糊体系中的运用，证明了它们在 L ^ − FS s 中的实用性，这些体系用格结构取代了 [0,1] 区间。这一概念处理了 Goguen (1967) 指出的局限性，他以为线性有序集 [0,1] 或许无法始终充分表明 FS 从属度。Radzikowska & Kerre (2004) 根据余格的 L ^ − FRS s 研讨，以及 Deng, Chen, Su, & Dai (2007) 对齐备格结构的探究，进一步增强了粗糙集理论。最近的发展，如 Zhao & Li (2018) 对根据邻域体系的粗糙集的公理化，以及 Zhao & Shi (2021) 的 L -fuzzy 广义邻域体系算子，扩展了该理论结构。
PROMETHEE（Preference Ranking Organization Method for Enrichment Evaluation）办法是一种被广泛认可的根据好坏排序的多原则决议计划分析（MCDA）技能，旨在运用定性和定量原则来评价备选计划。该办法由Brans（1982）于1982年首次提出，并由Brans和Vincke在1985年进一步扩展（Brans, Vincke, & Mareschal, 1986）。其根本结构根据偏好函数的运用，用以表达各原则下两两备选计划之间的偏好强度，然后完成部分排序和完全排序（Oubahman & Duleba, 2021）。与其他MCDA办法（如ELECTRE）比较，PROMETHEE在概念上更简略且更易于运用，这使其在从业者和研讨人员中日益普及（Behzadian, Kazemzadeh, Albadvi, & Aghdasi, 2010）。该办法的一个要害优势在于，经过选择针对特定问题和决议计划者判别而定制的恰当偏好函数及阈值，能够消除异质原则的量纲效应（Oubahman & Duleba, 2021）。跟着时间的推移，PROMETHEE已被扩展到各种含糊环境下以适应不确认性。Zhang, Kluck, & Achari（2009）开发了一种用于环境风险评价的含糊PROMETHEE，而Liao & Xu（2014）引进了直觉含糊扩展版本。最近，Zhang, Zhan, & Wu（2020）将PROMETHEE与(J, S)-fuzzy相结合。
Random Forest (RF) 最初由 Breiman 于 2001 年提出，是一种集成学习技能，它整合了运用自助抽样构建的多个决议计划树的猜测成果（Breiman, 2001）。由于其鲁棒性、处理非线性数据的能力以及对缺失值的容忍度，它被广泛运用于分类和回归使命（Villegas-Mier, Rodriguez-Resendiz, Álvarez Alvarado, Jiménez-Hernández, & Odry, 2022）。与其他机器学习算法不同，RF 不需要广泛的预处理或填补战略，由于它能够经过下降信息量较少特征的权重来内部处理缺失数据（Mahmud et al., 2021）。RF 模型不易呈现过拟合，并且在高维环境下表现杰出，这使其适用于杂乱的动力猜测使命。此外，Munawar & Wang (2020) 开发了一个短期太阳能发电猜测结构，将 RF 与人工神经网络和极点梯度提升等其他机器学习模型进行了比较。
电池储能体系（BESS）已成为现代电力体系的要害组成部分，完成了可再生动力的有用整合并提升了体系稳定性。Abdalla等人对BESS在分类、规划优化技能以及根据AI的运用方面进行了全面概述，特别是针对能量办理、体系配置和操控战略 Abdalla et al. (2021)。Elango (2025)探讨了机器学习在增强电池储能体系（BESS）中的效果，重点关注先进算法如何优化体系性能和能量办理 Elango (2025)。
全球动力行业正在迅速向更清洁、更可继续的动力转型，但太阳能和风能的间歇性给电网稳定性和动力可靠性带来了严重应战。Battery Energy Storage Systems (BESS) 已成为克服这些应战的要害技能，它能够在发电高峰期贮存多余能量，并在需求高峰期将其开释。
根据International Renewable Energy Agency (IRENA)的数据，2023年全球电池储能装机容量达到约29.2 GW，较前一年增加了65%（International Renewable Energy Agency (IRENA)，2024）。BESS商场继续加快开展，估计其规划将从2024年的78亿美元增加至2029年的256亿美元，复合年增加率（CAGR）为26.9%（MarketsandMarkets，2024）。锂离子电池组本钱的下降——从2013年的780美元/kWh降至2023年的139美元/kWh——进一步提升了大规布置的可行性（BloombergNEF，2023）。Al-Hashimi、Khamis、Al Kouzbary等人（2025）对机器学习在锂离子电池状态估计中的运用进行了体系总述，总结了曩昔十年中电池技能及其与机器学习交融方面的发展（Al-Hashimi等，2025）。
我国目前主导全球BESS商场，占有了已装置电网级容量的三分之二，其次是美国，约占25%。到2027年，前20个国家的全球BESS容量估计将增加至少289%，其间加拿大和沙特阿拉伯的增加速度估计最快（Rho Motion, 2025）。这些统计数据凸显了全球迫切推进将BESS与可再生动力相结合，以完成清洁动力方针、确保动力安全，并在发达商场和新式商场创造收入时机。Lu, Ma, & Zhang (2024)提出了一个含糊机器学习的全面结构，回忆了其在各个领域的运用，这为将含糊集与机器学习技能相结合奠定了根底（Lu et al., 2024）。
鉴于这些趋势，本研讨提出了一种混合决议计划结构，该结构整合了PROMETHEE办法、Random Forest以及根据bipolar fuzzy covering的rough sets，旨在运用真实数据选择最优电池储能体系。
本研讨旨在经过引进bipolar L^-(FS)s来增强根据掩盖的fuzzy rough sets的理论结构。本研讨的首要奉献如下：
中心奉献：
粗糙集理论由Pawlak（1982）于1982年提出，作为数据发掘和关系数据库探究的工具而开展起来，提供了一种经过不可分性关系办理不确认性的共同办法。尽管对离散数据有用，但粗糙集在处理连续数据时面临应战，这促进了用于处理实值数据的FRS s和rough FS s的开展。对Pawlak模型的扩展，包含Zhu（2009）提出的根据掩盖的粗糙集、邻域粗糙集等，拓宽了粗糙集的运用范围。特别是Zakowski（1983）运用掩盖进行的泛化为根据掩盖的含糊粗糙集奠定了根底，激发了人们对统一粗糙集和FS理论办法的爱好。
Zheng & Wang (2005) 引进了共余格及其在含糊体系中的运用，证明了它们在 L ^ − FS s 中的实用性，这些体系用格结构取代了 [0,1] 区间。这一概念处理了 Goguen (1967) 指出的局限性，他以为线性有序集 [0,1] 或许无法始终充分表明 FS 从属度。Radzikowska & Kerre (2004) 根据余格的 L ^ − FRS s 研讨，以及 Deng, Chen, Su, & Dai (2007) 对齐备格结构的探究，进一步增强了粗糙集理论。最近的发展，如 Zhao & Li (2018) 对根据邻域体系的粗糙集的公理化，以及 Zhao & Shi (2021) 的 L -fuzzy 广义邻域体系算子，扩展了该理论结构。
PROMETHEE（Preference Ranking Organization Method for Enrichment Evaluation）办法是一种被广泛认可的根据好坏排序的多原则决议计划分析（MCDA）技能，旨在运用定性和定量原则来评价备选计划。该办法由Brans（1982）于1982年首次提出，并由Brans和Vincke在1985年进一步扩展（Brans, Vincke, & Mareschal, 1986）。其根本结构根据偏好函数的运用，用以表达各原则下两两备选计划之间的偏好强度，然后完成部分排序和完全排序（Oubahman & Duleba, 2021）。与其他MCDA办法（如ELECTRE）比较，PROMETHEE在概念上更简略且更易于运用，这使其在从业者和研讨人员中日益普及（Behzadian, Kazemzadeh, Albadvi, & Aghdasi, 2010）。该办法的一个要害优势在于，经过选择针对特定问题和决议计划者判别而定制的恰当偏好函数及阈值，能够消除异质原则的量纲效应（Oubahman & Duleba, 2021）。跟着时间的推移，PROMETHEE已被扩展到各种含糊环境下以适应不确认性。Zhang, Kluck, & Achari（2009）开发了一种用于环境风险评价的含糊PROMETHEE，而Liao & Xu（2014）引进了直觉含糊扩展版本。最近，Zhang, Zhan, & Wu（2020）将PROMETHEE与(J, S)-fuzzy相结合。
Random Forest (RF) 最初由 Breiman 于 2001 年提出，是一种集成学习技能，它整合了运用自助抽样构建的多个决议计划树的猜测成果（Breiman, 2001）。由于其鲁棒性、处理非线性数据的能力以及对缺失值的容忍度，它被广泛运用于分类和回归使命（Villegas-Mier, Rodriguez-Resendiz, Álvarez Alvarado, Jiménez-Hernández, & Odry, 2022）。与其他机器学习算法不同，RF 不需要广泛的预处理或填补战略，由于它能够经过下降信息量较少特征的权重来内部处理缺失数据（Mahmud et al., 2021）。RF 模型不易呈现过拟合，并且在高维环境下表现杰出，这使其适用于杂乱的动力猜测使命。此外，Munawar & Wang (2020) 开发了一个短期太阳能发电猜测结构，将 RF 与人工神经网络和极点梯度提升等其他机器学习模型进行了比较。
电池储能体系（BESS）已成为现代电力体系的要害组成部分，完成了可再生动力的有用整合并提升了体系稳定性。Abdalla等人对BESS在分类、规划优化技能以及根据AI的运用方面进行了全面概述，特别是针对能量办理、体系配置和操控战略 Abdalla et al. (2021)。Elango (2025)探讨了机器学习在增强电池储能体系（BESS）中的效果，重点关注先进算法如何优化体系性能和能量办理 Elango (2025)。
全球动力行业正在迅速向更清洁、更可继续的动力转型，但太阳能和风能的间歇性给电网稳定性和动力可靠性带来了严重应战。Battery Energy Storage Systems (BESS) 已成为克服这些应战的要害技能，它能够在发电高峰期贮存多余能量，并在需求高峰期将其开释。
根据International Renewable Energy Agency (IRENA)的数据，2023年全球电池储能装机容量达到约29.2 GW，较前一年增加了65%（International Renewable Energy Agency (IRENA)，2024）。BESS商场继续加快开展，估计其规划将从2024年的78亿美元增加至2029年的256亿美元，复合年增加率（CAGR）为26.9%（MarketsandMarkets，2024）。锂离子电池组本钱的下降——从2013年的780美元/kWh降至2023年的139美元/kWh——进一步提升了大规布置的可行性（BloombergNEF，2023）。Al-Hashimi、Khamis、Al Kouzbary等人（2025）对机器学习在锂离子电池状态估计中的运用进行了体系总述，总结了曩昔十年中电池技能及其与机器学习交融方面的发展（Al-Hashimi等，2025）。
我国目前主导全球BESS商场，占有了已装置电网级容量的三分之二，其次是美国，约占25%。到2027年，前20个国家的全球BESS容量估计将增加至少289%，其间加拿大和沙特阿拉伯的增加速度估计最快（Rho Motion, 2025）。这些统计数据凸显了全球迫切推进将BESS与可再生动力相结合，以完成清洁动力方针、确保动力安全，并在发达商场和新式商场创造收入时机。Lu, Ma, & Zhang (2024)提出了一个含糊机器学习的全面结构，回忆了其在各个领域的运用，这为将含糊集与机器学习技能相结合奠定了根底（Lu et al., 2024）。
鉴于这些趋势，本研讨提出了一种混合决议计划结构，该结构整合了PROMETHEE办法、Random Forest以及根据bipolar fuzzy covering的rough sets，旨在运用真实数据选择最优电池储能体系。
本研讨旨在经过引进bipolar L^-(FS)s来增强根据掩盖的fuzzy rough sets的理论结构。本研讨的首要奉献如下：
中心奉献：
- 我们引进了一个名为掩盖型双极 CB L^FRS 的新概念。该概念交融了双极 L^- 含糊邻域，为粗糙集模型提供了全新的视角。
- 我们提出了一种新型混合 MCDM 模型，该模型将根据掩盖的双极 CB L ^ FRS s 与 PROMETHEE 技能相结合，其间采用随机森林来主动确认特点权重和阈值。
- 在Python中进行的初步实验运用机器学习（特别是Random Forest），验证了所提结构在现实使命中的性能。与传统办法比较，该模型展现出更优的准确性、鲁棒性和计算功率，证明了其在杂乱决议计划场景中的有用性。其在可再生动力项目电池储能体系评价中的运用，表现了其实际效用。
- 敏感性分析和比照分析进一步证明了该模型在杂乱决议计划场景中的可靠性和实际相关性。