基于T-球型模糊值中性MEREC-EDAS框架的数据中心低碳冷却与能源管理技术评估

《Systems》：T-Spherical Fuzzy-Valued Neutrosophic MEREC-EDAS Framework for Evaluating Low-Carbon Cooling and Energy Management Technologies for Data Centers

　　

模糊多准则决策对于专家判断存在不确定性、犹豫和不一致证据时的技术评估至关重要。本研究开发了一种基于T-球型模糊值中性集（T-SFVNS）的MEREC-EDAS框架，用于评估数据中心的低碳冷却与能源管理技术。专家语言评估由T-球型模糊值中性数表示，并在显式标量化边界处使用得分函数之前进行聚合。然后，标准MEREC通过准则移除效应导出客观准则权重，标准EDAS根据备选方案与平均得分剖面的正负距离进行排序。该应用利用30位领域专家的评估，对9种技术（依据10个准则）进行了评价。校正后的MEREC计算将最大权重赋予碳减排潜力（0.127）、电力需求降低（0.125）、维护复杂性（0.124）、运营成本效率（0.123）和冷却效率（0.123）。最终排序为：直接芯片级液冷、液体浸没冷却、AI驱动能源管理、水侧自由冷却、自由空气冷却、后门热交换器冷却、热/冷通道封闭、可再生能源驱动冷却和储热辅助冷却。权重扰动、q参数、留一专家、备选方案删除、被支配备选方案添加以及多方法比较表明，领先梯队具有稳健性，但两种液冷技术的具体顺序在某些场景下敏感。研究结果提供了透明且可复现的决策支持基础，同时明确承认了基于得分MCDM的信息压缩和秩逆局限性。

**论文解读：基于T-球型模糊值中性MEREC-EDAS框架的数据中心低碳冷却与能源管理技术评估**

**1. 研究背景**
数据中心的快速扩张带来了巨大的电力消耗、冷却需求和碳排放压力。低碳冷却与能源管理技术（LCCEMTs）种类繁多，包括自由冷却、液冷、浸没冷却、AI能效管理等，各技术在不同维度（如能效、成本、可靠性、碳排放）上表现各异，且存在相互冲突的准则。传统评估方法难以同时处理专家判断中的不确定性、犹豫和不一致信息。现有研究多侧重单一技术优化或局部系统分析，缺乏一个能够整合不确定信息、客观赋权并有效排序的决策框架。因此，本研究旨在开发一种结合T-球型模糊值中性集（T-SFVNS）、准则移除效应法（MEREC）和平均解距离法（EDAS）的统一多准则决策（MCDM）框架，以支持数据中心低碳技术的系统化选择。论文发表在《Systems》。

**2. 关键技术方法**
- **T-球型模糊值中性集（T-SFVNS）**：将真理、不确定性和谬误三个分量分别表示为T-球型模糊三元组，以更丰富地捕捉专家判断中的模糊、犹豫和不一致。
- **T-球型模糊值中性加权平均算子（T-SFVNWA）**：用于聚合多位专家的T-SFVN评估，保留不确定性结构。
- **标准MEREC**：通过依次移除每个准则后计算整体性能变化，客观导出准则权重，避免主观赋权偏差。
- **标准EDAS**：基于各备选方案与平均解的相对正负距离进行排序，以平均值为参考点，适用于无明确理想解的技术评估场景。
- **样本队列来源**：30位来自数据中心运营、暖通工程、可持续研究、能源管理、IT基础设施、人工智能、热系统、绿色建筑、云基础设施、决策科学和可持续计算等领域的专家，采用15级语言标度对9种技术（直接芯片级液冷（DLC）、液体浸没冷却（LIC）、AI驱动能源管理（AEM）、水侧自由冷却（WFC）、自由空气冷却（FAC）、后门热交换器冷却（RDH）、热/冷通道封闭（HAC）、可再生能源驱动冷却（RPC）、储热辅助冷却（TSC））在10个准则（冷却效率、碳减排潜力、可扩展性、电力需求降低、初始资本需求、维护复杂性、水利用强度、改造兼容性、运营成本效率、系统可靠性）下进行评估。

**3. 研究结果**
**3.1 标准MEREC结果与计算验证**
通过标准MEREC计算，得到各准则的客观权重。碳减排潜力（RC2）权重最高（0.127），其次是电力需求降低（RC4，0.125）、维护复杂性（RC6，0.124）、运营成本效率（RC9，0.123）和冷却效率（RC1，0.123）。水利用强度（RC7，0.042）和初始资本需求（RC5，0.044）权重较低，表明在该决策矩阵中移除这些准则对整体性能结构影响较小。

**3.2 EDAS结果**
应用标准EDAS，计算各技术相对于平均得分的正负距离，进而得到评估分数。最终排名为：DLC（0.683）> LIC（0.675）> AEM（0.622）> WFC > FAC > RDH > HAC > RPC > TSC。DLC和LIC得分接近，构成领先的液冷技术梯队。

**3.3 敏感性与专家小组稳健性**
- **权重扰动**：对每个MEREC权重进行±20%的单次扰动，40种场景下DLC在26种中排名第一，LIC在14种中排名第一，二者始终位列前三，AEM在38种场景中位列前三，表明领先梯队稳定但首位顺序敏感。
- **q参数敏感性**：独立改变T-球型参数q（q=2,3,4,5），重新执行聚合、得分、加权和排序，排名相关性≥0.950，q=2时LIC第一，q=3~5时DLC第一，AEM始终第三，进一步支持领先梯队的稳健性。
- **留一专家分析**：依次移除每位专家后重新计算，排名与全专家面板的Spearman相关系数在0.717~0.967之间，首位技术出现频率为DLC（14次）、LIC（6次）、AEM（4次）、WFC（6次），表明专家组成对接近备选方案有影响，但领先梯队与底部梯队区分明显。

**3.4 比较验证与秩逆诊断**
- **多方法比较**：在相同T-SFVNN预处理基础上，应用TOPSIS、CODAS、CoCoSo和MARCOS进行排序。EDAS与MARCOS排序完全一致；TOPSIS和CODAS与EDAS相关系数0.917，仅交换DLC和LIC前两位；CoCoSo相关性较低（rho=0.667），将RDH置于首位。表明不同排序引擎对高绩效技术存在共识，但非绝对一致。
- **秩逆诊断**：9次备选方案删除测试的排序相关系数介于0.786~1.000；添加一个被严格支配的备选方案后，原始排序并非完全不变（rho=0.950），显示EDAS存在秩逆风险，建议在重复评估中冻结基准权重和平均剖面。

**3.5 信息压缩诊断**
得分矩阵与二次得分矩阵的单元Spearman相关系数为0.792，最终排序相关性0.850，DLC仍居首位。但九维T-SFVNN距离与得分距离仅相关0.421，得分与准确度相关-0.098，表明标量化保留了大部分排序信息但丢弃了部分内部真理-不确定-谬误几何结构。因此，保留聚合后的T-SFVNN、二次得分和准确度矩阵以供审计。

**4. 讨论与结论**
**讨论部分总结**：理论和方法上，该框架严格界定了T-SFVNS、MEREC和EDAS的集成边界，避免主观赋权，但牺牲了标量化信息。稳健性结果支持领先梯队稳定，而非单一技术或排序引擎的绝对优势。管理上，DLC和LIC应优先考虑于高密度设施，但最终选择需结合场地条件；AEM可作为物理冷却升级的补充。政策上，低碳补贴应基于实测电力需求降低、碳绩效等指标，而非仅资本支出。局限性包括：使用单一专家面板和理论约束的语言标度，标量化造成信息损失，权重和平均解依赖候选集，存在秩逆风险。

**研究结论翻译**：本研究开发了一种基于T-球型模糊值中性集（T-SFVNS）的MEREC-EDAS框架，用于评估数据中心的低碳冷却与能源管理技术。专家语言评估被转换为T-球型模糊值中性数（T-SFVNN），按准则类型归一化，用专家可信度权重聚合，并在获得集体矩阵后进行标量化。标准MEREC无需最小-最大-倒数变换即可确定客观权重，标准EDAS通过相对于平均解的距离得分对备选方案进行排序。校正后的分析赋予碳减排潜力、电力需求降低、维护复杂性、运营成本效率和冷却效率最高权重。基线排名为DLC > LIC > AEM > WFC > FAC > RDH > HAC > RPC > TSC，前三名评估分数分别为0.683、0.675和0.622。权重扰动和跨方法分析支持稳定的领先梯队，而q参数敏感性、专家遗漏和候选集测试表明，确切首位及部分中间排名可能变化。因此，该框架提供透明的短名单和审计线索，而非不变的全排序。未来研究应实证校准语言标度，开发保留更多T-SFVNN几何结构的排序程序，测试固定参考和抗秩逆变体，并用实际运行数据中心测量的能耗、碳、水、可靠性、维护和全生命周期成本数据验证模型。跨站点研究可确定权重和排序模式是否推广至当前专家应用之外。