低碳能源技术追踪预测决策支持系统的开发设计

摘 要：在大数据背景下，如何将先进的数据科学和传统的预见方法有效融合，从而实现低碳能源技术预见的智能化，是当前亟待解决的科学问题。本研究揭示了低碳能源技术追踪预测的主流集成方法，揭示了实现低碳能源技术预见智能化的路径，提出了低碳能源技术预见智能（Low-carbon Energy Technology Foresight Intelligence，LETFI）的概念，最后提出了一种低碳能源技术追踪预测决策支持系统的开发设计。本研究开发设计的决策支持系统，利用大数据挖掘和非线性预测技术，将低碳能源技术的追踪和预测进行系统集成，可以有效地对低碳能源技术进行前瞻性管理，具有快速、精准、科学、高效等优点。

关键词：低碳能源技术;技术预见;技术预测

中图分类号：F206文献标识码：A文章编号：1005-6432（2022）13-0128-05

DOI：10.13939/j.cnki.zgsc.2022.13.128

1 引言

低碳能源技术对于一国的能源战略和国家整体战略都有重要的作用。低碳能源技术的追踪预测是指发现和监测能源领域的技术前沿及其发展态势，对先进的能源技术进行分析展望和战略布局，也称作低碳能源技术预见。及时有效地追踪预测低碳能源技术对于推进社会进步、应对气候变化、繁荣低碳经济、引领低碳行为都发挥着重要作用。但是，有效追踪预测未来的低碳能源技术是困难的，有两个难点：一是缺少决策参考信息;二是不确定性较强。[1]

考虑到低碳能源技术追踪预测的重要性和难点，开发设计一套低碳能源技术追踪预测决策支持系统对于成功实施低碳战略有重要意义。目前，学者们提出很多能源技术追踪预测的方法，每种方法各有优劣。实践中大多采用了多方法融合、多领域协作的策略。但是，现有研究没有给出一个整合框架。因此，很有必要构建低碳能源技术追踪预测集成方法的开发设计。同时，在大数据背景下，如何将先进的数据科学和传统的预见方法有效融合，从而实现低碳能源技术预见的智能化，这是当前亟待解决的科学问题。

文章分析主流的低碳能源技术追踪预测集成方法，揭示大数据时代实现能源技术预见智能化的发展路径，最后提出低碳能源技术追踪预测决策支持系统的开发设计。本研究试图回答三个问题：

（1） 主流的低碳能源技术追踪预测集成方法是什么？

（2） 大数据背景下，如何实现低碳能源技术预见的智能化？

（3） 低碳能源技术追踪预测决策支持系统的开发设计是什么？

文章的其余部分安排如下：第二部分从两方面开展文献综述，包括低碳能源技术追踪预测方法体系的演变和低碳能源技术追踪预测方法的分类;第三部分介绍文章的研究框架和研究方法;第四部分介绍低碳能源技术追踪预测的主流集成方法，揭示实现低碳能源技术预见智能化的路径，提出低碳能源技术追踪预测决策支持系统的开发设计;第五部分总结本研究的结论，给出未来低碳能源技术追踪预测研究和实践的一些思考。

2 文献综述

2.1 低碳能源技术追踪预测方法体系的演变

低碳能源技术追踪预测方法体系的演变经历了4个时期：

（1）20世纪70年代前，是预见的基础方法（德尔菲法）的发源和发展阶段，[2]这个时期的方法體系主要是围绕德尔菲法进行改良和拓展。

（2）1970—2000年，此时期的方法体系是在德尔菲法的基础上，融合了情景规划和趋势分析等战略型分析方法，典型的实践案例包括日本从1971年开始的大规模科技预见调查（第一次至第七次）等。[3]

（3）21世纪20年代，此阶段的方法体系是在前一阶段的基础上，引入了文献计量方法，代表性应用是2005年完成的日本第八次科技预见调查;此外，一些文献继续扩展了方法体系，基于文献和专利数据，通过构建数学模型来辅助低碳能源技术追踪预测。

（4）21世纪20年代以后，前述的方法体系不能很好地满足大数据时代的低碳能源技术预见的需求，全球的能源战略科学家都期待将大数据分析方法整合进入低碳能源技术追踪预测的方法体系，通过挖掘更多的信息，发现更多的知识，构建更加灵活的决策支持系统，最终实现低碳能源技术预见的智能化。

2.2 低碳能源技术追踪预测方法分类

根据研究方法的主要特征，低碳能源技术追踪预测方法分为四类：数据驱动型、战略驱动型、经验驱动型和模型驱动型。现有的文献中，数据驱动型方法主要包括文献计量、专利分析和文本挖掘;[4-5]战略驱动型方法主要包括情景规划、环境扫描、趋势分析和技术路线图;[6-9]经验驱动型方法主要包括德尔菲法和专家小组法;[10-11]模型驱动型方法主要包括多准则决策、经验曲线、逻辑生长模型和交叉影响分析等16种具体方法。[12-14]

现有的低碳能源技术追踪预测的文献主要应用于中长期的预判和规划，常见的预见时间尺度是10～20年，也有个别文献的预见时间尺度达到40年左右，例如Habib和Wenzel[15]预见2050年的清洁能源技术，Dixon等[16]运用技术路线图预见2050年的低碳能源，Lee[17]运用动态GTAP模型预见2060年的生物制氢技术，Ordowich等[18]运用学习曲线预见2050年的煤炭和天然气发电技术。

3 研究方法

本研究通过系统综述的方法，梳理低碳能源技术追踪预测领域的文献，揭示低碳能源技术追踪预测的主流集成方法，揭示实现低碳能源技术预见智能化的路径，提出低碳能源技术追踪预测决策支持系统的开发设计。

4 结果与讨论

研究结果表明，低碳能源技术追踪预测方法的优秀组合有两种：定量的集成方法和定性的集成方法。

4.1 定量的集成方法

低碳能源技术追踪预测方法的定量集成特征为：运用数据驱动型方法、模型驱动型方法，但没有运用经验驱动型方法。数据驱动型方法主要是文献计量和专利分析，解决技术预见中数据稀缺的难题。在定量集成中有两类，一类是只有数学模型和数据驱动方法的集成，例如利用两因素经验曲线方法和专利分析探究PEM燃料电池和锂离子电池在2020年的成本目标可行性，[19]利用Logistic生长模型和专利数据预测“光伏建筑一体化技术”（Building-integrated Photovoltaic，BIPV）的生命周期。[20]另一类是在数据驱动和模型驱动的基础上，集成了战略驱动方法。Daim对燃料电池的预见研究，基于文献数据和专利数据，提出将系统动力学（数据驱动型）、情景分析（战略驱动型）和类比分析（战略驱动型）进行集成。AFF0A036-B80C-4562-8286-3D557337B314

4.2 定性的集成方法

低碳能源技术追踪预测的定性集成特征为：组合运用战略驱动型方法、经验驱动型方法，但是没有运用数据驱动型方法、模型驱动型方法。虽然没有丰富的数据基础和复杂的数学模型，但基于高度经验化的知识，再利用战略工具进行未来推演，也是很好的能源技术预见集成方法。这类集成的典型研究是Rikkonen and Tapio将德尔菲法和情景分析集成，对芬兰生物质能源的未来进行预见。[21]

4.3 实现低碳能源技术预见智能化的路径

除了上述定量集成方法和定性集成方法，大数据时代的丰富数据资源给低碳能源技术追踪预测（即低碳能源技术预见）带来了新的需求，使得低碳能源技术预见趋于智能化（更加快速、自动和精准）。[22]低碳能源技术预见智能（Low-carbon Energy Technology Foresight Intelligence，LETFI）具有3M-D特征，实现低碳能源技术预见智能化的路径即利用更多的数据资源（More Data），使用更多的决策方法（More Decision-methods），获取更多的能源技术前沿发现（More Discoveries）。如图1所示，基于能源技术知识，运用多种定性和定量的决策方法，构成了传统的低碳能源技术预见方法体系。大数据带来了新的机遇，大数据结合决策方法可以形成数据科学，实现信息挖掘和智能决策的功能;大数据以多源异构的海量信息的形式有效地补充能源技术知识，从而构建更加完善的知识库，并实现低碳能源技术领域知识发现的功能。

4.4 低碳能源技术追踪预测决策支持系统的开发设计

基于上述低碳能源技术预见智能（LETFI）的思想，本研究开发设计一种低碳能源技术追踪预测决策支持系统，来克服传统方法的速度慢、准确性低、主观性强、自动化程度低的技术缺点。为实现前述目的，具体的技术方案如下。

一种低碳能源技术追踪预测决策支持系统，包括用户终端、管理员终端、无线网络和决策支持服务器，系统结构如图2所示。所述用户终端和管理员终端通过无线网络连接决策支持服务器;所述决策支持服务器由网页服务器、资源管理服务器、低碳能源技术追踪处理器和低碳能源技术预测处理器组成，所述网页服务器通过数据流通信网分别与资源管理服务器、低碳能源技术追踪处理器和低碳能源技术预测处理器连接，所述资源管理服务器通过数据流通信网分别与低碳能源技术追踪处理器和低碳能源技术预测处理器连接，所述低碳能源技术追踪处理器通过数据流通信网连接低碳能源技术预测处理器。

优选的，所述用户终端有N个，且N个用户终端都通过无线网络与网页服务器连接。

优选的，所述低碳能源技术追踪处理器有N个，且N个低碳能源技术追踪处理器都通过数据流通信网分别与网页服务器、资源管理服务器和低碳能源技术预测处理器连接。

优选的，所述低碳能源技术预测处理器有N个，且N个低碳能源技术预测处理器都通过数据流通信网分别与网页服务器、资源管理服务器和低碳能源技术追踪处理器连接。

优选的，所述低碳能源技术追踪处理器包括：热点探测单元，用于捕捉低碳能源技术的研究热点;合作网络挖掘单元，用于侦测低碳能源技术的研发合作关系;前沿侦测单元，用于侦测低碳能源技术的研究前沿。

优选的，所述低碳能源技术预测处理器包括：技术预测单元，用于预测低碳能源技术未来发展轨迹;路线图绘制单元，用于构建低碳能源技术路线图。

优选的，所述资源管理服务器包括输入资源单元和输出资源单元，所述输入资源单元管理的内容包括低碳能源技术的专利数据、低碳能源技术的文献数据、低碳能源技术的年鉴统计数据、低碳能源技术的社交媒体数据，所述输出资源单元管理的内容包括低碳能源技术的研究热点、低碳能源技术的研发合作关系、低碳能源技术的研究前沿、低碳能源技术未来发展轨迹、低碳能源技术路线图。

优选的，所述管理员终端安装有指纹识别装置，用于提高管理员终端安全性。

与现有技术相比，本研究开发设计的低碳能源技术追踪预测决策支持系统的有益效果体现在：本研究开发设计的决策支持系统，利用大數据挖掘和非线性预测技术，将低碳能源技术的追踪和预测进行系统集成，并设计了自动化的技术方案。通过本研究提出的技术方案，可以有效地对低碳能源技术进行前瞻性管理，为低碳能源技术布局赢得宝贵时间，过程透明化、公开化、可追溯，实现了决策流程清晰化、决策过程痕迹化，有效降低了主观决策带来的低碳能源技术布局风险。本研究开发设计的低碳能源技术追踪预测决策支持系统具有快速、精准、科学、高效等优点。

5 结论与启示

本研究的结论如下：

（1）现有低碳能源技术追踪预测方法的主流集成有两种。一是定量的集成，即数据驱动型方法和模型驱动型方法的集成;二是定性的集成，即战略驱动型方法和经验驱动型方法的集成。

（2）大数据时代需要低碳能源技术预见方法的智能化集成。低碳能源技术预见智能（LETFI）的核心需求就是“更多的数据”（More Data），大数据、决策方法和能源技术知识交叉融合，共同构成低碳能源技术预见智能。大量的多源异构的能源技术数据，将为低碳能源技术预见智能化提供更多的、更重要的决策参考。

（3）本研究开发设计了一种低碳能源技术追踪预测决策支持系统。利用大数据挖掘和非线性预测技术，将低碳能源技术的追踪和预测进行系统集成，并设计了自动化的技术方案，可以有效地对低碳能源技术进行前瞻性管理，具有快速、精准、科学、高效等优点，实现大数据背景下的低碳能源技术预见。

根据本研究提出的低碳能源技术追踪预测决策支持系统的开发设计，以及“数据驱动发现”的研究思路，对未来低碳能源技术预见智能的思考如下：

（1）建立低碳能源技术多维数据库。全面开发和收集低碳能源技术数据，进行数据清洗和标准化，并充分扩充低碳能源技术数据的维度。多维度体现在，数据内容方面包括技术特征、能源消费和碳排放数据，数据结构方面包括结构化、半结构化、非结构化数据，数据承载形式方面包括文本、图片、视频和音频数据，地理尺度方面包括全球、国家（或地区）和城市数据，数据采集方面包括公开统计资料（二手数据）和实地调查（一手数据）。AFF0A036-B80C-4562-8286-3D557337B314

（2）注重低碳能源技術预见过程的自动化和可重复性。低碳能源技术预见方法的智能化集成，一方面需要提高过程自动化，加强预见科学和计算机技术的有效衔接，通过计算机语言实现数据层和方法层的自动交互;另一方面需要保障结果的可重复性，构建科学性强和逻辑性好的低碳能源技术预见执行框架，在充分考虑不确定性的基础上，实现预见过程的透明化和重现性。

（3）加强低碳能源技术预见结果的可视化。加强表达层的设计，在传统的文本形式的基础上，强调预见结果展示的即时、动态、交互的特点，有助于低碳能源技术的动态监测，也有助于能源技术系统、能源消费系统和碳排放系统的信息交换，实现低碳能源技术预见准确性的提高。

参考文献：

[1]DAIM U，RUEDA G，MARTIN H，ET AL.Forecasting emerging technologies：use of bibliometrics and patent analysis[J].Technological Forecasting & Social Change，2006，73（8）：981-1012.

[2]ZIGLIO E，ADLER M.Gazing into the oracle：the delphi method and its application to social policy and public health[J].Jessica Kingsley Publishers，1996（8）.

[3]GRUPP H，LINSTONE A.National technology foresight activities around the globe：resurrection and new paradigms[J].Technological Forecasting & Social Change，1999（60）.

[4]LI X，ZHOU Y，XUE L，ET AL.Integrating bibliometrics and roadmapping methods：a case of dye-sensitized solar cell technology-based industry in China[J].Technological Forecasting & Social Change，2015（97）：205-222.

[5]CHIUNG-WEN，HSU，PAO-LONG，ET AL.Charting the evolution of biohydrogen production technology through a patent analysis[J].Biomass & Bioenergy，2015（76）.

[6]MEDINA E，ARCE R D，MAHIA R.Barriers to the investment in the concentrated solar power sector in morocco：a foresight approach using the cross impact analysis for a large number of events[J].Futures，2015（71）：36-56.

[7]HALAL W E，MD KULL，LEFFMANN A .The george washington university forecast of emerging technologies[J].Technological Forecasting & Social Change，1998，59（1）：89-110.

[8]MILLETT S，MAHADEVAN K.Commercialization scenarios of polymer electrolyte membrane fuel cell applications for stationary power generation in the United States by the year 2015[J].Journal of Power Sources，2005（150）：187-191.

[9]AMER M，DAIM T U，JETTER A.Technology roadmap through fuzzy cognitive map-based scenarios：the case of wind energy sector of a developing country[J].Technology Analysis & Strategic Management，2016，28（2）：131-155.

[10]THOENNES M，BUSSE A，ECKSTEIN L.Forecast of performance parameters of automotive fuel cell systems–delphi study results[J].Fuel Cells，2015，14（6）：781-791.

[11]BISTLINE，JOHN E.Energy technology expert elicitations：an application to natural gas turbine efficiencies[J].Technological Forecasting & Social Change，2014（86）：177-187.

[12]POPIOLEK N，THAIS F.Multi-criteria analysis of innovation policies in favour of solar mobility in France by 2030[J].Energy Policy，2016（97）.AFF0A036-B80C-4562-8286-3D557337B314

[13]WONGLIMPIYARAT J.Technological change of the energy innovation system：from oil-based to bio-based energy[J].Applied Energy，2010，87（3）：749-755.

[14]MEADE N，ISLAM T.Modelling European usage of renewable energy technologies for electricity generation[J].Technological Forecasting & Social Change，2015（90）：497-509.

[15]HABIB K，WENZEL H.Exploring rare earths supply constraints for the emerging clean energy technologies and therole of recycling[J].Journal of Cleaner Production，2014，84（1）：348-359.

[16]DIXON T，EAMES M，BRITNELL J ，ET AL.Urban retrofitting：identifying disruptive and sustaining technologies using performative and foresight techniques[J].Technological Forecasting & Social Change，2014（89）：131-144.

[17]LEE D H.Identifying global competition and devising a biohydrogen roadmap on a continental level[J].International Journal of Hydrogen Energy，2013，38（35）：15620-15629.

[18]ORDOWICH C，CHASE J，STEELE D，ET AL.Applying learning curves to modeling future coal and gas power generation technologies[J].Energy & Fuels，2012（26）.

[19]MAYER T，KREYENBERG D，WIND J ，ET AL.Feasibility study of 2020 target costs for PEM fuel cells and lithium-ion batteries：A two-factor experience curve approach[J].International Journal of Hydrogen Energy，2012，37（19）：14463-14474.

[20]CHIU Y J，YING T M.A novel method for technology forecasting and developing R&D strategy of building integrated photovoltaic technology industry[J].Mathematical Problems in Engineering，2012：1-24.

[21]RIKKONEN P，TAPIO P.Future prospects of alternative agro-based bioenergy use in Finland—Constructing scenarios with quantitative and qualitative Delphi data - ScienceDirect[J].Technological Forecasting & Social Change，2009，76（7）：978-990.

[22]魏一鸣，王晋伟，廖华，等.一种碳捕获与封存技术路线图生成方法及系统：CN108932351A[P].2018-12-04.

[基金项目]国家能源集团2021年第一批科技项目（项目编号：GJNY-21-148）。

[作者簡介]通讯作者：王晋伟（1990—），男，山西人，管理学博士（管理科学与工程专业），研究主管（能源政策），研究方向：能源技术预见、能源与气候经济、低碳技术工程管理。AFF0A036-B80C-4562-8286-3D557337B314