徐夢(mèng)佳，王渝紅，劉 磊，趙 賀，劉慶時(shí)

(1. 四川大學(xué) 電氣信息學(xué)院，四川 成都 610065；2. 國(guó)網(wǎng)北京市電力公司，北京 100031)

?

智能家居用電能效指標(biāo)體系研究

徐夢(mèng)佳1，王渝紅1，劉 磊1，趙 賀2，劉慶時(shí)2

(1. 四川大學(xué) 電氣信息學(xué)院，四川 成都 610065；2. 國(guó)網(wǎng)北京市電力公司，北京 100031)

作為智能電網(wǎng)在智能用電方面的重要一部分，智能家居應(yīng)具有優(yōu)化居民用電方式、提高能耗效率的作用，因此提出評(píng)估智能家居電力能效方面的指標(biāo)體系。首先根據(jù)全面性、客觀性、有效性原則從用戶側(cè)因素、硬件及其功能配置、環(huán)保清潔特性、環(huán)境影響4個(gè)方面初步構(gòu)建指標(biāo)體系。然后為提高指標(biāo)集科學(xué)及精煉性，在群組層次分析法及G1法的理論基礎(chǔ)上，利用層次聚類算法挖掘?qū)＜胰簼撛谠u(píng)價(jià)偏好性，并構(gòu)建三標(biāo)度模型計(jì)算指標(biāo)權(quán)重，得到弱權(quán)重指標(biāo)篩選模型。最后應(yīng)用該模型對(duì)初構(gòu)的指標(biāo)體系進(jìn)行篩選優(yōu)化，得到了最終的智能家居能效指標(biāo)體系。

智能家居；指標(biāo)體系；群組層次分析法；層次聚類法；簇綜合判斷矩陣；三標(biāo)度模型

我國(guó)智能家居研究起始于20世紀(jì)90年代末，其最初目的是利用先進(jìn)的4C技術(shù)(Computer，Communication，Control，CRT)提升住宅安全舒適度[1-2]。隨著我國(guó)資源緊缺、環(huán)境污染問題日益嚴(yán)峻，智能家居被賦予了更先進(jìn)的使命，即滿足用戶智能化生活的同時(shí)，應(yīng)當(dāng)具備家庭能源管理控制功能，高效優(yōu)化能源配置實(shí)現(xiàn)節(jié)能降耗。然而我國(guó)智能家居概念仍處于較淺層次，行業(yè)割據(jù)嚴(yán)重，廣泛存在價(jià)格昂貴、兼容性差、實(shí)用性低等問題[3-4]。為規(guī)范智能家居產(chǎn)業(yè)，建立有效的智能家居能效評(píng)估指標(biāo)體系變得十分重要。

指標(biāo)體系構(gòu)建過程離不開科學(xué)的構(gòu)建方法。文獻(xiàn)[5]利用特征值法和G1群組法構(gòu)建家庭能效評(píng)估指標(biāo)體系，并用實(shí)際數(shù)據(jù)對(duì)指標(biāo)集進(jìn)行有效性分析，但是缺少對(duì)G1群組法中群組數(shù)據(jù)處理過程的說明；文獻(xiàn)[6-7]從理論的角度構(gòu)造指標(biāo)體系，未涉及對(duì)指標(biāo)的優(yōu)化篩選，使指標(biāo)體系可信性略顯不足；文獻(xiàn)[8]采用主成分分析及相關(guān)分析對(duì)電力用戶綜合能效指標(biāo)進(jìn)行篩選，但是該方法需要有具體的指標(biāo)觀測(cè)值且樣本需求量大。

層次分析法[9-10]能有效地將復(fù)雜問題層次化分解，被廣泛應(yīng)用于指標(biāo)優(yōu)化及評(píng)價(jià)方面。然而在實(shí)際過程中，存在：1)判斷矩陣常常不滿足一致性條件。相關(guān)研究提出利用加速遺傳算法、誘導(dǎo)矩陣法等修正判斷矩陣，但不能保證原數(shù)據(jù)信息的完整；G1法[11-12]則需要專家基于另一套標(biāo)度對(duì)指標(biāo)重新判斷，耗費(fèi)專家精力，同時(shí)使計(jì)算量加大。2)對(duì)于復(fù)雜問題，群體決策能提升評(píng)價(jià)結(jié)果的全面性及準(zhǔn)確性，而層次分析法基于個(gè)體判斷矩陣，有關(guān)學(xué)者提出根據(jù)專家學(xué)歷、工作經(jīng)驗(yàn)等考慮專家在群體中對(duì)判斷目標(biāo)的影響程度,來集結(jié)個(gè)體判斷矩陣[13]，但在實(shí)際過程中，專家支持度與其判斷水平可能不一致，因此如何有效整合多名專家意見是指標(biāo)構(gòu)建過程中需要解決的關(guān)鍵問題之一。

針對(duì)上述問題，本文采用層次聚類算法將專家群劃分為若干簇，且彼此相關(guān)性較弱，以簇為單位構(gòu)建專家支持度模型和三標(biāo)度模型，集結(jié)個(gè)體判斷矩陣并計(jì)算簇指標(biāo)權(quán)重；然后利用各簇專家比重得到綜合指標(biāo)權(quán)重，對(duì)指標(biāo)進(jìn)行篩選優(yōu)化。該方法客觀地整合了各專家對(duì)能效指標(biāo)的偏好度判斷，最終形成有效的智能家居能效指標(biāo)體系。

1 總體思路

為得到科學(xué)的指標(biāo)體系，在初步構(gòu)建指標(biāo)體系的基礎(chǔ)上，還需要利用相關(guān)方法篩選優(yōu)化指標(biāo)集，降低指標(biāo)集信息重疊和冗余問題。本文對(duì)智能家居能效指標(biāo)體系構(gòu)建的主要過程如圖1所示。

圖1 指標(biāo)構(gòu)建流程

2 指標(biāo)體系篩選優(yōu)化算法

2.1 權(quán)重計(jì)算模型

設(shè)某一層指標(biāo)為F=[f1，f2，f3，…，fn]，采用1～9級(jí)標(biāo)度法兩兩比較fi與fj對(duì)上層準(zhǔn)則的相對(duì)重要程度，記為aij。具體數(shù)值如表1所示。

表1 比較標(biāo)度

然后構(gòu)成判斷矩陣A=(aij)n×n，其中

(1)

若指標(biāo)fi(i=1,2，…，n)的權(quán)重為ωi，且滿足

(2)

表示該判斷矩陣滿足完全一致性，其最大特征向量經(jīng)標(biāo)準(zhǔn)化處理后與指標(biāo)的權(quán)重相一致，即

(3)

式中：ω′為最大特征值所對(duì)應(yīng)的特征向量。

由于人為判斷過程的片面性和不穩(wěn)定性，指標(biāo)常出現(xiàn)序關(guān)系不一致，甚至悖論的現(xiàn)象。而序關(guān)系一致是構(gòu)造一致性判斷矩陣的必要因素之一。為了克服判斷矩陣不一致及單獨(dú)使用G1法存在工作量大的問題，對(duì)原判斷矩陣進(jìn)行轉(zhuǎn)換，即

(4)

(5)

(6)

則

(7)

ωk-1=rkωk(k=n,n-1,…,3,2)

(8)

2.2 群決策集結(jié)模型

應(yīng)用層次聚類算法[14]對(duì)群體數(shù)據(jù)的傾向性模式進(jìn)行無指導(dǎo)劃分，設(shè)數(shù)據(jù)集D中存在m個(gè)歐氏空間對(duì)象Gi=[xi1，xi2，…，xip]，且對(duì)象Gi可被p個(gè)數(shù)值屬性xi描述，其中i=1,2，…，m。

1)將m個(gè)對(duì)象自成一簇，利用各對(duì)象之間的歐幾里得距離，將距離最小的兩個(gè)對(duì)象歸為一簇，剩余對(duì)象自成一簇，歐幾里得距離計(jì)算公式為

(9)

式中：i≠j，且i，j=1,2，…，m。

2)計(jì)算簇間的平均距離distavg，將距離最小的兩個(gè)簇歸為一簇，即

(10)

式中：ni，nj分別為簇Zi，Zj中數(shù)據(jù)對(duì)象的個(gè)數(shù)；G為簇Ci中的對(duì)象值；G′為簇Cj中的對(duì)象值。

3)反復(fù)計(jì)算，直到所有對(duì)象歸為一簇，最后根據(jù)親疏譜系圖對(duì)數(shù)據(jù)集進(jìn)行劃分。

即使屬于同一個(gè)簇，個(gè)案之間也有相似性差異，計(jì)及簇內(nèi)個(gè)案凝聚的先后性，設(shè)樣本相似性系數(shù)為

pGk=S-i，Gk∈Z

(11)

式中：i為該樣本凝聚步驟；S為總凝聚步驟。

則簇中樣本貢獻(xiàn)度為

(12)

利用加權(quán)幾何均值法集結(jié)簇Z中個(gè)體矩陣，得到簇綜合矩陣AZ計(jì)算模型為

(13)

3 智能家居能效指標(biāo)體系的初步構(gòu)建

3.1 基本原則

智能家居能效指標(biāo)體系是在初步指標(biāo)集的基礎(chǔ)上通過專家判斷、篩選優(yōu)化形成的，初步指標(biāo)集的優(yōu)劣直接影響最終指標(biāo)體系的質(zhì)量，因此初構(gòu)過程應(yīng)遵循全面性、有效性、客觀性原則。

1)全面性。從多種角度挑選反映智能家居能效水平的指標(biāo)，減少研究者自身對(duì)指標(biāo)的篩選，保證指標(biāo)集的全面性。

2)有效性。指標(biāo)應(yīng)盡量有效準(zhǔn)確，以免影響專家判斷的正確性及后續(xù)工作量的增加。

3)客觀性。指標(biāo)體系是在研究人員的主持下通過專家判斷決定的。研究人員應(yīng)客觀地分析處理專家反饋意見，此外在制作問卷時(shí)應(yīng)避免主觀引導(dǎo)方面的詞匯。

3.2 指標(biāo)體系的初步研究

總結(jié)智能家居功能特點(diǎn)、技術(shù)設(shè)備等相關(guān)信息[15]，并且參考智能電網(wǎng)[16-18]及智能小區(qū)[19-20]綜合指標(biāo)集，基于層次分析理論建立由目標(biāo)層={智能家居能效水平}，準(zhǔn)則層={用戶因素，硬件及其功能配置，環(huán)保清潔特性，環(huán)境影響}及其相應(yīng)指標(biāo)層構(gòu)成的智能家居用電能效指標(biāo)體系，如圖2所示。

圖2 初步建立的智能家居能效指標(biāo)體系

1)用戶側(cè)因數(shù)

智能家居與傳統(tǒng)家居相比具有信息化、互動(dòng)化、自動(dòng)化的特點(diǎn)，用戶可以便捷地獲取關(guān)于能耗的各種信息，主動(dòng)優(yōu)化用電方式，促進(jìn)節(jié)能減排，提高住宅能效水平。通過智能終端、95598互動(dòng)服務(wù)平臺(tái)、特定Web網(wǎng)站等為用戶提供：電力公司發(fā)布的最新電價(jià)信息、根據(jù)用戶用電行為習(xí)慣生成的節(jié)電策略、家庭電器耗能情況及其排名、歷史或?qū)崟r(shí)用電量信息、反映家庭用電平穩(wěn)性的每月家庭峰電量與谷電量的比值。

2)硬件及其功能配置

為實(shí)現(xiàn)住宅智能化，智能家居需配置大量的測(cè)量元件、傳感器元件等。家用電器能效等級(jí)反映家用電器中節(jié)能電器的占有率；傳感器、智能交互終端及智能插座耗電率指每月各設(shè)備耗電量占總電量的比例；低工況電器管理技術(shù)指智能插座能實(shí)時(shí)監(jiān)控電器運(yùn)行狀態(tài)并在其待機(jī)狀態(tài)自動(dòng)切斷電源的功能，用所節(jié)約的電量占每月總電量的比值來衡量；電器用能監(jiān)控技術(shù)表示當(dāng)電器運(yùn)行異常或者累計(jì)耗電量超過預(yù)設(shè)值時(shí)，采取自動(dòng)斷電等措施限制家庭用能；電器移峰填谷電量表示通過手動(dòng)或者主動(dòng)方式將家庭負(fù)荷轉(zhuǎn)移到谷電時(shí)段消耗的電量。

3)環(huán)保清潔特性

清潔能源利用率是指家庭每月太陽能或者風(fēng)能使用量與總耗電量之比；碳排放量指標(biāo)中，只考慮由家庭用電引起的直接碳排放量，計(jì)算原理是用家庭總用電量乘以相應(yīng)的碳排放系數(shù)[21]。

4)環(huán)境影響

智能家居中的智能控制系統(tǒng)[3]，如智能溫度控制、智能電動(dòng)窗簾系統(tǒng)，均是為了將居住環(huán)境調(diào)節(jié)到最適宜居民居住的狀態(tài)，因此實(shí)際居住環(huán)境決定了電器及智能子系統(tǒng)的運(yùn)行狀態(tài)。

4 智能家居能效指標(biāo)體系篩選優(yōu)化

4.1 利用層次聚類算法集結(jié)個(gè)體判斷矩陣

邀請(qǐng)11位學(xué)者專家對(duì)指標(biāo)集A、B、D進(jìn)行判斷，因?yàn)橹笜?biāo)集C僅含兩條指標(biāo)，故不對(duì)其優(yōu)化。以指標(biāo)A為例，專家根據(jù)1～9級(jí)標(biāo)度對(duì)指標(biāo)進(jìn)行判斷，并根據(jù)式(1)構(gòu)建判斷矩陣，選擇判斷矩陣的上三角元素作為專家的屬性值

(14)

式中：k=1,2,…,11表示第k個(gè)專家。

將專家判斷向量作為個(gè)案，利用式(9)、(10)對(duì)其進(jìn)行分析，具體聚類情況如表2所示。

表2 指標(biāo)集A的凝聚狀態(tài)表

為了保證簇內(nèi)個(gè)案的相似性，僅考慮個(gè)案與個(gè)案、個(gè)案與簇合并的情況，即步驟1～6、8、10。由于步驟8、10中簇間距離過大，即專家3和專家1的判斷與專家群的偏好相似性較小，這里作為誤差數(shù)據(jù)剔除，最后得到由9位專家構(gòu)成的3個(gè)簇，如圖3所示。

圖3 凝聚過程圖

根據(jù)式(11)、(12)、(13)計(jì)算指標(biāo)集A的簇綜合判斷矩陣，其中由于幾何均值法不改變矩陣互反特性，故只列寫上三角矩陣，如表3所示。

4.2 基于G1法計(jì)算指標(biāo)權(quán)重

以簇綜合判斷矩陣A1為例，其每行序關(guān)系為：a5>a3>a4>a2>a1；a5>a4>a3>a2>a1；a4>a3>a2>a5>a1；a4>a3>a1>a2>a5；a4>a3>a5>a2>a1。各行序關(guān)系之間存在明顯矛盾，利用式(4)、(5)進(jìn)行修正，得：B=[-4，-2，2，4，0]。則A1最終序關(guān)系為：a4>a3>a5>a2>a1。若rk選取原始判斷矩陣對(duì)應(yīng)數(shù)據(jù)：r2=a43=5.673；r3=a35=4.895；r4=a52=6.329；r5=a21=3.878。將rk代入式(7)、(8)，得到該矩陣對(duì)應(yīng)的指標(biāo)權(quán)重：ωA1=(0.001 2,0.004 7,0.144 6,0.820 0,0.029 5)。同理可得：ωA2=(0.037 2,0.587 1,0.170 7,0.191 5,0.013 6)，ωA3=(0.112 1,0.560 6,0.107 6,0.112 1,0.107 6)。

表3 指標(biāo)集A的簇綜合判斷矩陣上三角元素

利用指標(biāo)集A中各簇專家人數(shù)比重作為權(quán)重系數(shù)c集結(jié)各簇權(quán)重，權(quán)重系數(shù)為

(15)

式中：i為該指標(biāo)集中簇的數(shù)量；ni為簇Ci中專家人數(shù)；N為總有效專家數(shù)。

則指標(biāo)集A的綜合權(quán)重為：ωA=∑ciωACi=(0.050 17,0.384 13,0.140 97,0.374 53,0.050 23)。

4.3 指標(biāo)篩選優(yōu)化

同理計(jì)算指標(biāo)B、D的綜合權(quán)重：ωB=(0.151 00,0.002 97,0.019 63,0.023 10,0.031 80,0.140 73,0.630 73)，ωD=(0.840 54,0.131 90,0.023 48,0.004 03)。

一般而言，在實(shí)際指標(biāo)篩選過程中，指標(biāo)集數(shù)目在7～9之間，權(quán)重閾值取0.07；指標(biāo)集數(shù)目為6及以下，權(quán)重閾值為0.1。照此判斷，ωA1,ωA5,ωD3,ωD4,ωB2,ωB3,ωB4,ωB5不滿足閾值要求，其余指標(biāo)均是重要指標(biāo)予以保留。

通過專家組討論分析及實(shí)地調(diào)研，發(fā)現(xiàn)居民傾向于接受一些比較直觀的數(shù)據(jù)，如電費(fèi)、電量等，指標(biāo)A5相對(duì)過于專業(yè)，予以剔除；指標(biāo)A1與指標(biāo)B5在實(shí)際智能家居中已普遍實(shí)現(xiàn)且效果較好，具有一定的存在意義，因此予以保留；指標(biāo)B2,B3,B4概念重復(fù)，將其融合成一個(gè)指標(biāo)，即智能裝置耗電率；指標(biāo)D3,D4在實(shí)際家庭環(huán)境中影響較小，普通用戶一般不會(huì)考慮室內(nèi)濕度及電磁水平。綜上所述，最終指標(biāo)體系如圖4所示。

圖4 最終智能家居用電能效指標(biāo)體系

5 結(jié)束語

我國(guó)智能家居經(jīng)過十多年的發(fā)展，在軟硬件開發(fā)上取得了一定的成果，但對(duì)其評(píng)價(jià)指標(biāo)的研究還很缺乏。本文通過大量的前期調(diào)研構(gòu)建了初步指標(biāo)體系，然后構(gòu)建指標(biāo)篩選模型對(duì)其進(jìn)行優(yōu)化：1)基于層次聚類算法挖掘?qū)＜遗袛嘈畔⒅g的潛在聯(lián)系，剔除明顯與專家群偏好相差較大數(shù)據(jù)，并提出了簇綜合判斷矩陣的概念，利用簇中凝聚次序客觀判斷專家對(duì)指標(biāo)集判斷的影響力。2)根據(jù)G1法思想，在特征矩陣的基礎(chǔ)上構(gòu)造三標(biāo)度模型，克服了判斷矩陣不一致問題，并且不需要專家另行判斷，簡(jiǎn)化計(jì)算過程。3)提出以簇中專家人數(shù)為權(quán)重系數(shù)的數(shù)學(xué)模型，集結(jié)各簇指標(biāo)權(quán)重得到最終綜合指標(biāo)權(quán)重。

[1] 馬鴻雁，陳志新，何偉良．我國(guó)智能化住宅小區(qū)發(fā)展綜述[J]．北京建筑工程學(xué)院學(xué)報(bào)，2003，19(1)：88-93．

[2] 薛震南．基于物聯(lián)網(wǎng)的智能家居研究[D]．南京：南京大學(xué)，2013．

[3] 張艷秋，李達(dá)，陳琦，等．智能家居產(chǎn)品綜述[J]．傳感器世界，2011，17(8)：13-17．

[4] 馮慶東，何戰(zhàn)勇．國(guó)內(nèi)外智能用電發(fā)展分析比較[J]．電測(cè)與儀表，2012(2)：1-6．

[5] 曲朝陽，王沖，王蕾，等．智能用電環(huán)境下的家庭電力能效評(píng)估指標(biāo)體系[J]．華東電力，2014，42(6)：1079-1083．

[6] 王彬，何光宇，陳穎，等．智能電網(wǎng)評(píng)估體系中電力用戶需求指標(biāo)集的構(gòu)建[J]．電網(wǎng)技術(shù)，2012，36(6)：21-26．

[7] 楊小彬，李和明，尹忠東，等．基于層次分析法的配電網(wǎng)能效指標(biāo)體系[J]．電力系統(tǒng)自動(dòng)化，2013，37(21)：146-150．

[8] 羅耀明，毛李帆，姚建剛，等．電力用戶綜合能效評(píng)估模型[J]．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2011，23(5)：104-109．

[9] 鄧雪，李家銘，曾浩健，等．層次分析法權(quán)重計(jì)算方法分析及其應(yīng)用研究[J]．?dāng)?shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2012，42(7)：93-100．

[10] 于哲．智能用電小區(qū)綜合評(píng)價(jià)指標(biāo)體系構(gòu)建及其評(píng)價(jià)方法研究[D]．北京：華北電力大學(xué)，2012．

[11] 黃珊，江岳春．基于特征值和G1法的電力需求側(cè)能效指標(biāo)篩選優(yōu)化[J]．微計(jì)算機(jī)信息，2010，26(12)：24-26．[12] 王學(xué)軍，郭亞軍．基于G1法的判斷矩陣的一致性分析[J]．中國(guó)管理科學(xué)，2006，14(3)：65-70．

[13] 辛楊．AHP在群決策中的應(yīng)用研究[D]．大連：大連理工大學(xué)，2001．

[14] 韓家煒．?dāng)?shù)據(jù)挖掘概念與技術(shù)[M]．北京：機(jī)械工業(yè)出版社，2012．

[15] 王曉曼．智能家居無線監(jiān)控與節(jié)能管理[D]．西安：西安建筑科技大學(xué)，2011．

[16] 高新華，嚴(yán)正．基于主成分聚類分析的智能電網(wǎng)建設(shè)綜合評(píng)價(jià)[J]．電網(wǎng)技術(shù)，2013，37(8)：2238-2243．

[17] 王彬，何光宇，梅生偉，等．智能電網(wǎng)評(píng)估指標(biāo)體系的構(gòu)建方法[J]．電力系統(tǒng)自動(dòng)化，2011，35(23)：1-5．

[18] 孫強(qiáng)，葛旭波，劉林，等．國(guó)內(nèi)外智能電網(wǎng)評(píng)價(jià)體系對(duì)比分析[J]．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2011，23(6)：105-110．

[19] 林弘宇，田世明．智能電網(wǎng)條件下的智能小區(qū)關(guān)鍵技術(shù)[J]．電網(wǎng)技術(shù)，2011，35(12)：1-7．

[20] 何婧．頤園小區(qū)智能用電項(xiàng)目綜合能效評(píng)價(jià)與運(yùn)營(yíng)模式[D]．北京：華北電力大學(xué)，2014．

[21] 曾靜靜，張志強(qiáng)，曲建升，等．家庭碳排放計(jì)算方法分析評(píng)價(jià)[J]．地理科學(xué)進(jìn)展，2012，31(10)：1341-1352．

徐夢(mèng)佳(1991— )，女，碩士生，主研智能電網(wǎng)、高壓直流輸電；

王渝紅(1971— )，女，教授，碩士生導(dǎo)師，主研新能源接入系統(tǒng)、電力系統(tǒng)穩(wěn)定與控制、高壓直流輸電，為本文通訊作者；

劉 磊(1987— )，碩士生，主研電力系統(tǒng)穩(wěn)定與控制、高壓直流輸電等；

趙 賀(1985— )，女，工程師，研究方向?yàn)榕潆娋W(wǎng)自動(dòng)化、智能電網(wǎng)、微電網(wǎng)；

劉慶時(shí)(1973— )，高級(jí)工程師，研究方向?yàn)橹悄茈娋W(wǎng)。

責(zé)任編輯：薛 京

Research on energy efficiency index system of smart home

XU Mengjia1, WANG Yuhong1, LIU Lei1, ZHAO He2, LIU Qingshi2

(1.SchoolofElectricalEngineeringandInformation,SichuanUniversity,Chengdu610065,China;2.StateGridBeijingElectricPowerCompany,Beijing100031,China)

As an important part of the smart grid, smart home optimizes the residential electrical power structure and improves the efficiency of energy consumption. This paper proposes an index system to evaluate the energy efficiency of a smart home. Firstly, according to the principles of comprehensiveness, objectivity and validity, the preliminary index system is constructed with four aspects as user-side factors, hardware configuration and functions, green and clean characteristics, and environmental impacts. In order to improve the index set of scientific and refined, with the theory of group analytic hierarchy process (GAHP) and G1 method, hierarchical clustering method is used to mine the intrinsic relationship among the experts’ evaluation data, and the three scales model is built to calculate the index weight that the weak weight index screening model is obtained. Finally, after screening and optimizing the index system of the primary structure by this model, the ultimate energy efficiency index system of smart home is established.

smart home; index system; GAHP; hierarchical clustering method; cluster-comprehensive judgment matrix; three scales model

徐夢(mèng)佳，王渝紅，劉磊，等.智能家居用電能效指標(biāo)體系研究[J]. 電視技術(shù)，2016,40(12)：46-50. XU M G, WANG Y H, LIU L，et al.Research on energy efficiency index system of smart home[J]. Video engineering，2016,40(12)：46-50.

TM925

A

10.16280/j.videoe.2016.12.009

2016-05-04