从既往决策中学习：风电选址评估框架

《Environmental and Sustainability Indicators》：Learning from past decisions: A framework for evaluating wind power locations

　　

将可再生能源纳入现代电力系统，是降低碳排放、减少对化石燃料依赖并推进可持续发展目标的全球优先事项。在此背景下，风能因其高效率、成本效益以及对多样化地理条件的适用性而尤为突出。然而，风电场部署地点的识别仍然是一项复杂挑战，因为该过程需要整合空间、环境与社会经济因素。传统方法通常存在若干局限，例如依赖主观参数、要求决策者付出较高认知努力，以及结果可解释性有限，这些问题可能导致偏差与不一致性。该研究提出一种基于基于支配关系的粗糙集方法（Dominance-Based Rough Set Approach, DRSA）—偏好学习（Preference Learning, PL）的新型框架，以克服上述限制。该方法基于支配原则从既往决策中学习，生成可解释的决策规则，用于评估新的潜在选址。该方法无需预先设定偏好参数，并通过交互式过程实现多位决策者的整合，从而增强一致性并降低认知负担。研究以巴西北大河州（Rio Grande do Norte）为案例，通过整合3位决策者的偏好，产出了可靠且可解释的知识。在5轮迭代中，该框架通过将未分类区域比例从8%降至4%，并在保持决策规则完全可解释的同时提升类别区分能力，从而改进了集体分类表现。该工具具有适应性，可在其他地区复制应用。未来工作将把该方法扩展至更多可再生能源类型，并开发用户友好的决策支持系统，以支持更广泛应用。

该论文发表于《Environmental and Sustainability Indicators》，聚焦风电项目空间选址中的多准则决策支持问题，提出了一个以基于支配关系的粗糙集方法—偏好学习（DRSA-PL）为核心的风电选址评估框架。研究背景在于，可再生能源（RES，可再生能源）并入现代电力系统已成为全球能源转型的重要目标，旨在降低碳排放、减少化石燃料依赖、满足持续增长的电力需求，并支撑可持续发展目标实现。在诸多可再生能源中，风能因发电效率较高、经济性较强、对偏远地区适配性较好且相较其他能源形式占地需求较低，而成为重点发展方向。然而，风电场选址涉及风资源、地形、基础设施、环境约束和社会因素等多维信息，属于典型的复杂空间决策问题。既有研究虽广泛采用地理信息系统（GIS，地理信息系统）结合多准则决策分析（MCDA，多准则决策分析）开展选址评价，但仍普遍面临若干关键问题：其一，大量方法依赖权重、阈值、价值函数等偏好参数，导致决策者认知负担较重，且易引入主观偏差；其二，决策过程常集中于单一决策者，难以整合多方经验与知识；其三，部分数据驱动模型虽然增强了自动化能力，但存在对训练数据依赖强、计算代价高、结果“黑箱化”等不足。基于此，研究人员开展该研究，旨在构建一种无需预设偏好参数、能够从既往决策中学习、兼具可解释性并支持多决策者集体参与的风电选址评估方法。

围绕这一目标，研究人员将DRSA-PL引入空间决策环境，提出一个包含问题构建、个体学习、规则诱导、集体规则聚合与迭代优化的完整框架。其核心思想是：利用已运营或开发中的风电项目区域作为“参考样本”，由多位决策者依据其整体判断将这些区域分配至预定义等级类别，再由模型从这些历史判断中归纳出“如果—那么”形式的决策规则，以便对新区域进行分类。与传统MCDA不同，该框架不要求决策者显式给出权重或阈值，而是通过对示例区域的整体分类来间接表达偏好，从而降低认知压力并减轻不一致问题。同时，该框架允许多位决策者分别提供参考案例，再通过规则聚合形成集体知识，兼顾个人认知差异与集体判断需求。研究结果表明，该框架不仅能够生成完全可解释的规则，还能在迭代中不断提高分类效果，说明其在风电选址这一高投资、高风险决策场景中具有较强应用潜力。

方法上，研究以巴西北大河州为案例区域，共纳入216个风电项目或运行中的风场区域，由3位具有当地风电项目经验的决策者参与，另有2位分析人员提供程序与方法支持。研究首先结合文献梳理与决策者讨论，确定6项评价准则：100 m高度风速、坡度、海拔、距输电线路距离、距道路距离、距城市区域距离；并设置3个有序分类等级Cl1
以下结合论文结果部分的小标题，对主体内容作凝练解读。

4.1. Problem formulation
该部分首先明确了案例研究的地理与产业背景。北大河州位于巴西东北部，是该国风电开发最活跃地区之一，具有稳定且强劲的风资源条件。到2022年，该州已有224座风电场、2677台风机投入运行，总装机规模达6.84 GW，约占全国风电产量的30%；同时另有8个项目处于环境许可阶段，拟新增15.85 GW装机容量。基于这样的现实需求，研究将“学习决策者偏好以支持新风电项目区域分类”设定为核心问题。
在问题结构化过程中，研究人员与决策者共同确定216个项目区块作为学习样本，并设置3个排序类别，其中Cl3代表最适宜区域，Cl1代表适宜性最低区域。准则体系的建立采取“两阶段”程序：先由分析人员根据文献归纳风电选址常见因素，再结合地方情境和决策者经验筛选最终准则。结果表明，在该案例中，距保护区/野生动物区域的距离虽然初步被考察，但由于样本区域距离州级保护区平均约65 km，区分度不足，因此未纳入最终模型。最终保留的6项准则体现出资源条件、地形条件、基础设施可达性与社会约束的综合平衡。研究随后基于GIS计算每个多边形区域在各准则上的表现，形成决策矩阵，为后续规则学习奠定数据基础。该部分说明，风电选址并非单纯风资源最大化问题，而是受多种异质空间属性共同制约的综合决策过程。

4.2. Results and discussion
该部分系统展示了框架在5轮迭代中的运行表现与知识生成机制。首先，在第一轮迭代中，3位决策者分别依据准则地图和候选区域表现，选择自身参考样本并进行整体分类。各决策者所选样本在空间位置和分类结果上均存在明显差异，例如DM1主要评估州西北部19个区域，而DM2和DM3则侧重东北部区域。这一现象说明，该框架允许决策者依据经验自主确定参考样本，体现出较强灵活性。随后，系统从这些已分类样本中诱导出个体“如果—那么”规则。例如，某些规则指出，当距城市区域较远且距道路较近时，区域可归入Class 3；另一些规则则表明，当海拔较高且风速较大时，区域至少应属于Class 2或Class 3。研究在第一轮共生成39条个体规则，包括“At Least”和“At Most”两类规则，用于刻画区域至少属于某类或至多属于某类的边界。

在个体规则形成后，研究进一步分析规则冗余与集体知识聚合。结果显示，不同决策者之间存在若干指向相同类别的重叠规则。例如，某些规则仅凭风速即可判定Class 3，而另一些规则则将坡度与风速组合用于同类判定。依据冗余规则识别定义，研究将这些重叠条件加以整合，保留覆盖范围更广、条件更简洁的规则表达，从而形成更具概括性和可解释性的集体规则集。经过第一轮聚合，共形成37条集体规则。论文强调，规则聚合并非简单多数表决，而是建立在支配关系、一致性检验和冗余消解基础之上的知识压缩过程，因此其结果更适合解释与再应用。

在“quality of approximation over iterations”相关结果中，研究使用近似质量衡量个体规则对全体区域分类的代表能力。5轮迭代中，3位决策者的近似质量总体处于60%—100%之间，反映出规则学习结果与决策者原始判断之间具有较高一致性。尽管个别决策者在某些轮次出现近似质量下降，但总体表现仍较为稳健，说明该方法能够从有限参考样本中提取具备较强泛化能力的知识。

在“DMs' individual sorting maps”结果中，研究展示了各决策者个体规则应用于全体区域后的空间分类图。结果表明，不同决策者的分类结构差异显著。例如，在第一轮中，按“At Least Class 3”规则分类时，DM1将32%的区域归入Class 3，DM2归入67%，DM3归入40%。这种差异既体现了决策者偏好的多样性，也进一步说明多决策者集成的必要性。若仅采用单一决策者知识，结果可能带有较强个体偏向；通过后续聚合，可在保留差异信息的同时提升集体判断的稳定性。

在“DMs' level of participation over iterations”结果中，研究通过参与水平指标刻画各决策者在集体规则构建中的贡献程度。结果发现，不同类别边界上的贡献结构并不相同。例如，在“At Least 3”边界上，第一轮中3位决策者参与水平相同；而在后续迭代中，DM1对“At Least 2”边界的贡献逐步增加。该发现说明，规则构建并不是静态整合，而是随着新参考信息加入而不断重塑决策者之间的知识权重关系。作者据此指出，该指标有助于透明展示集体知识的形成机制，也避免了某些决策者观点在聚合过程中被完全掩盖。

在“DMs' collective sorting maps”结果中，研究将集体规则应用于全体样本，并比较第1轮与第5轮的空间分类表现。结果显示，第1轮时，依据“At Least”规则，有80%的区域被分入Class 3，12%分入Class 2，另有8%无法分类；到第5轮时，Class 3比例降至71%，Class 2升至25%，未分类区域降至4%。这一变化具有双重含义：一方面，未分类区域减少说明集体规则的覆盖能力与泛化能力提高；另一方面，部分区域从Class 3转移至Class 2，说明规则区分能力增强，分类不再过于宽松，而是能更细致地区别不同适宜性水平。论文据此认为，框架在迭代过程中确实实现了“从既往决策中学习并持续优化”的目标。

在“Areas sorting per iteration”结果中，研究进一步指出，随着迭代推进，“At Least”和“At Most”规则所界定的类别区间逐渐收敛，使得各区域的分类边界不断缩窄。这意味着规则条件变得更具辨识性，进而减少可接受类别范围，提高最终分类的确定性。从知识表示角度看，这一过程反映出模型通过吸收新增参考样本信息，不断提升对空间模式的识别精度与规则集的专属性。

讨论部分主要围绕方法学贡献、适用边界与比较框架展开。研究明确指出，不同MCDA方法因假设前提、准则结构、聚合逻辑、参数设定与偏好获取方式不同，直接进行定量性能比较意义有限，因此本文更强调方法层面的增益。相较传统偏好驱动方法，DRSA-PL框架具有四方面优势：其一，不依赖预定义偏好参数，降低了主观设定难度；其二，可通过实例学习开展迭代优化，适应知识逐步形成的决策过程；其三，支持多决策者知识整合，有助于形成更稳健的集体判断；其四，输出为完全可读的规则形式，具有较高透明性与解释性。这些特点使其在风电选址这类涉及高投入、高不确定性与多方利益协调的问题中具有独特价值。与此同时，论文也指出若干局限，包括对空间数据质量和一致性的依赖较高，当前实现依赖GIS与编程工具组合，分析流程较为分散，以及案例中产生的知识具有明显地域特异性，不能直接迁移至其他地区。

研究结论部分可译述如下：可再生能源在配电系统中的部署已成为全球能源治理的重要目标，而风能因其效率、经济性和适宜性而占据关键位置。针对现有选址方法在数据依赖、可解释性、主观性和认知负担等方面的不足，研究提出了一个基于DRSA-PL的框架，用于从既往决策中学习并生成透明、可解释的规则，同时整合多位决策者。该过程无需预设偏好参数，并支持低负担、交互式的整体偏好表达。在北大河州案例中，基于216个区域、3位决策者和5轮迭代，框架表现稳健，个体近似质量处于60%至100%之间，集体分类结果持续改善。尤其是，未分类区域比例由8%降至4%，而Class 3由80%降至71%、Class 2由12%升至25%的变化，表明诱导规则的区分能力随迭代而提升。上述结果支持该框架在构建集体性、可解释知识并据此评估新风电项目方面的有效性。总体而言，该研究为风电空间选址提供了一种兼具解释性、交互性与多主体整合能力的新路径，也为后续扩展至其他可再生能源类型和开发统一决策支持平台奠定了方法基础。