基于模糊加权零不一致性与组合距离评估的多准则决策框架在能源管理AI解决方案中的应用研究

为解决能源管理中机器学习(ML)模型选择难题，研究人员提出集成模糊加权零不一致性(FWZIC)和组合距离评估(CODAS)的多准则决策(MCDM)框架。通过5项关键指标评估8种ML模型，发现混合人工神经网络(ANN)在鲁棒性(C1 )权重0.298时表现最优。该研究为构建零能耗基础设施提供了兼顾准确性、成本与弹性的AI解决方案选择工具。

　　

在全球加速推进近零能耗建筑的背景下，能源系统面临着经济和技术双重挑战。尽管人工智能(AI)技术为节能管理带来新机遇，但机器学习(ML)模型的选择却成为棘手难题——现有评估往往过度关注精度指标，而忽视计算效率、不确定性适应等关键因素。更棘手的是，传统多准则决策(MCDM)方法如层次分析法(AHP)和技术排序偏好法(TOPSIS)存在权重不一致、排序反转等缺陷。这种局面促使研究人员探索更可靠的决策框架。

来自多个机构的研究团队在《Sustainable Futures》发表的研究中，创新性地融合模糊加权零不一致性(FWZIC)和组合距离评估(CODAS)方法，构建了ML模型选择的新范式。该研究通过系统分析32项文献确立5大评估标准：鲁棒性(C₁
)、反馈响应(C₂
)、计算负担(C₃
)、智能设计(C₄
)和在线监测(C₅
)，并由3位领域专家采用5级Likert量表进行重要性评分。

研究方法的核心在于三阶段框架：首先构建包含8种ML替代方案（如混合ANN、随机森林RF、物联网-RNN等）的决策矩阵；随后应用FWZIC方法将专家评分转化为三角模糊数(TFN)，通过去模糊化获得准则权重；最后采用CODAS方法计算欧氏距离与出租车距离，建立相对评估矩阵进行排序。敏感性分析通过7种权重调整场景验证稳定性，并与TOPSIS、VIKOR等方法进行对比验证。

研究结果显示，鲁棒性(C₁
)以0.298的权重成为最关键指标，混合ANN(A₁
)以1.238的综合评分位居榜首。在敏感性测试中，A₁
在5/7场景中保持第一，仅当反馈响应(C₂
)权重提升时被RF(A₅
)超越。比较分析发现，CODAS与TOPSIS、VIKOR的排序相关性达97.2%，验证了方法的可靠性。

这项研究的突破性在于：首次将FWZIC-CODAS组合应用于能源管理AI评估，通过双距离度量增强了排序稳定性；构建的决策矩阵首次整合了物联网适应性参数；开发的测试场景为政策制定者提供了可靠的决策工具。正如讨论部分强调的，该框架有效弥合了算法创新与实际部署的鸿沟，其透明化的权重分配机制特别适合处理利益相关者的冲突需求。未来研究可探索区间二型模糊集等更复杂的不确定性建模方法，并将伦理维度纳入评估体系，以推动AI能源解决方案的公平部署。