一种多阶段充分性检验方法，用于在工业领域中选择能源绩效指标：超越R2统计量，寻找与能源消耗显著相关的变量

《Processes》：A Multistage Sufficiency Test for Selecting Energy Performance Indicators in Industry: Beyond R2 Toward the Variable Associated with Significant Energy Use

　　

摘要

根据ISO 50001标准，能源性能通过能源绩效指标（EnPIs）和能源基准进行监测。在实际应用中，通常默认采用能源与产出比（kWh/t）作为评估指标，并仅通过决定系数来验证该指标的有效性（）。然而，这种方法无法有效识别系统偏差、基准载荷中的误差信息，也无法捕捉到可能被忽略的解释变量。本研究将成熟的统计和工程方法整合成一个顺序化的决策流程，旨在识别关键能源使用情况（SEUs）：选择保留原始的能源与产出比；采用包含相同变量的回归基准模型；切换到与SEUs相关的变量；或者在认为模型结构设定错误时直接拒绝该模型。与现有方法相比，本研究明确提出了三项方法论上的改进：对于具有截距的OLS模型，样本内的NMBE值为零（因此需要基于样本外数据进行评估）；残差诊断采用精确的设计特定Durbin–Watson临界值，并应用?idák校正后的家族误差范围（0.044–0.050，而非未校正的约0.14）；在候选变量筛选步骤中，对嵌套模型使用部分F检验，因为单纯的残差与变量之间的回归会受到生产变量共线性的影响。通过包含真实数据的合成案例验证了该流程的有效性（），结果显示：在年际变化率约为2%的情况下，该流程在个月内具有1.00的检测灵敏度；而仅基于的判断标准时，灵敏度降至0.00；当基准载荷比例为约0.28时，该流程在100%的案例中仍会错误地保留有偏差的能源与产出比；在正确比率条件下，特异性为0.95–0.96，所采用的阈值位于（，）灵敏度范围内的稳定区域。随后，该流程在六个工业案例中得到了应用；其中最为显著的是，在一家燃油电厂中，由于特定燃料消耗量的变化（），基于原始数据的汇总基准被推翻（Durbin–Watson检验结果，而实际临界值为1.64），因为常规方法无法检测到这种变化）。此外，在37个不同时间点的样本外验证表明，累积的偏差（）可能掩盖了不同时间点之间的实际变化（到）。该研究的贡献并不在于提出新的指标或统计方法，而在于将指标选择与多阶段统计验证整合成一个可审计的决策流程，并对其操作特性进行了量化分析。