CN110837939A - 一种电网多目标项目筛选方法和*** - Google Patents
一种电网多目标项目筛选方法和*** Download PDFInfo
- Publication number
- CN110837939A CN110837939A CN201911133657.4A CN201911133657A CN110837939A CN 110837939 A CN110837939 A CN 110837939A CN 201911133657 A CN201911133657 A CN 201911133657A CN 110837939 A CN110837939 A CN 110837939A
- Authority
- CN
- China
- Prior art keywords
- project
- level
- demand
- requirements
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012216 screening Methods 0.000 title claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000013439 planning Methods 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000003012 network analysis Methods 0.000 claims description 4
- 230000007123 defense Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 36
- 238000004891 communication Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000739 chaotic effect Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种电网多目标项目筛选方法和***，方法包括以下步骤：建立电网项目的三级网络结构，所述三级网络结构包括三级需求层、二级需求层和一级需求层，所述一级需求层包括经济性需求、安全性需求和政策性需求；构建多目标项目筛选模型；采用筛选模型的目标函数分别计算k个候选区域内的l个候选项目对一级需求层中各需求指标的满足程度，并筛选出满足需求的项目；采用筛选模型的约束条件，评价满足需求的项目，得到最优项目规划方案。本发明分别考虑了经济性目标、安全性目标、技术政策型目c标的需求，并考虑资金约束、项目约束等约束条件，来确定项目筛选，能实现所有满足程度的最优化，且计算准确率高、计算效率快。
Description
技术领域
本发明涉及电力***分析技术领域，具体地，涉及一种电网多目标项目筛选方法和***。
背景技术
随着中国经济发展进入新常态，发展高强度投入、成本刚性增长与电量增速趋缓、效益增长困难之间的矛盾日益突出，保持稳健经营、完成利润目标的难度增大，对电网投资决策提出了更高要求。因此，开展电网项目的投资优化规划对于确保投资规模合理、方向精准、结构优化、时序科学，严控低效投资，杜绝无效投资具有重要的理论和现实指导意义。
现有技术中未见到有关投资方向和结构的计算。然而，投资优化管理是关系电网安全发展、企业健康发展的关键所在。在进行电网项目投资规划优化时，不同地区会有多个候选项目，如何从这多个地区的多个候选项目中选取出更优的投资结构和投资方向，具有重要的意义。
发明内容
本发明提供了一种电网多目标项目筛选方法和***，解决了现有技术中在从多个地区的多个候选项目中选取出更优的投资结构和投资方向时，由于缺乏电网项目投资规划优化所导致的存在低效、无效投资的问题。
一种电网多目标项目筛选方法，包括以下步骤：
建立电网项目的三级网络结构，所述三级网络结构包括三级需求层、二级需求层和一级需求层，所述一级需求层包括经济性需求、安全性需求和政策性需求；
构建多目标项目筛选模型，所述筛选模型具有目标函数和约束条件；
采用筛选模型的目标函数分别计算k个候选区域内的l个候选项目对一级需求层中各需求指标的满足程度，并筛选出满足需求的项目，其中，每个候选区域内至少有一个候选项目；
采用筛选模型的约束条件，评价满足需求的项目，得到最优项目规划方案。
上述技术方案所公开的筛选方法适于在计算设备中执行，该方法适于从k个候选区域内的l个候选项目中选出最优规划方案，其中每个候选区域内有至少一个候选项目。
具体地，筛选方法首先建立电网项目的三级网络结构并构建多目标项目筛选模型。其中，三级网络结构包括三级需求层、二级需求层和一级需求层，其中三级需求层为需求指标层。三级需求层包括至少一个三级需求，二级需求层包括至少一个二级需求，一级需求层中包括经济性需求、安全性需求和政策性需求三个一级需求。多目标项目筛选模型具有目标函数和约束条件，该目标函数包括经济性需求满足程度最大、安全性需求满足程度最大和政策性需求满足程度最大。
三级网络结构和筛选模型建立后，采用目标函数分别计算每个候选区域内的每个候选项目对三个一级需求的满足程度，并采用预定算法对所述筛选模型进行求解，得到该最优规划方案，该最优规划方案中包括该k个候选区域内的多个目标项目。换句话说，筛选模型构建后首先利用目标函数从候选项目中筛选出满足需求的项目，之后利用约束条件对满足需求的项目进行评级、排序，最终得到最优的规划方案。
作为本发明中目标函数的优选实施方案，目标函数包括：
其中，maxf1、maxf2、maxf3分别指经济性需求满足程度最大、安全性需求满足程度最大、政策性需求满足程度最大，Z1,j、Z2,j、Z3,j分别为第i个项目对经济性需求、安全性需求、政策性需求的满足程度；Ui为决策变量，取值0或1，表示对是否选择第i个项目的决策。
作为本发明约束条件的优选实施方案，约束条件包括资金约束、项目约束、区域约束、最低需求约束中的一种或多种。
资金约束为所有项目的投资资金之和不超过总资金上限Imax，其计算公式为：
其中，Ii为投资第i个项目所需资金。
项目约束为投资项目总数量在预定范围内，其计算公式为：
其中，Nmin为投资项目总数量的下限，Nmax为投资项目总数量的上限。
区域约束为每个区域内都要有项目被选中，设每个候选区域为Mj(j＝1,2,…,k)，则所述区域约束的计算公式为：
最低需求约束为每种一级需求的满足程度不低于下限值，计算公式为：
其中，Amin、Bmin、Cmin分别为所有目标项目对经济性总需求、安全性总需求、政策性总需求的满足程度下限。
进一步地，预定算法为改进粒子群算法，根据改进粒子群算法对多目标项目筛选模型进行决策。
进一步地，采用筛选模型的目标函数计算各候选项目对一级需求层中各需求指标的满足程度的步骤具体包括：
对于所述三级网络结构，采用ANP网络分析法，以上级网络层为准则，以本级网络层中各元素集为次准则，分别计算三级需求层中所有三级需求的第一权重矩阵，以及二级需求层所有二级需求的第二权重矩阵；
获取项目对各三级需求的满足程度矩阵，并建立三级需求到二级需求的第一映射关系、以及二级需求到一级需求的第二映射关系；
基于所建立的第一映射关系和第二映射关系，计算每个候选区域内的每个项目对一级需求的满足程度。
在部分实施例中，第一权重矩阵为
第二权重矩阵为第一映射关系为Y＝XοA，第二映射关系为Z＝YοB，其中，
为第i个指标的权重值，
为第r 个需求的权重值，X为各需求指标的满足程度矩阵，Y和Z分别代表项目对二级需求和一级需求的满足程度，ο为广义模型合成算子。
进一步地，所述二级需求层中的二级需求包括新增负荷需求、常规电源送出、电源接入、市场营销宣传、优化网架结构、电网可靠性提升、解决设备重过载、消除安全隐患、煤改电、农网改造、偏远地区通电工程、新能源送出工程中的一种或多种。
进一步地，所述三级需求层中的三级需求包括N-1通过率、停运率、容载比、老旧设备占比、设备可用系数、低电压户数、可用发电功率、边防缺电面积、电动汽车占有率、智能电表户数、人均办公设备数量、信息安检频次中的一种或多种。
进一步地，还包括确定各项目的三级需求也即需求指标的步骤：
确定电网公司各项目的候选指标集，所述候选指标集包括一个或多个候选指标；
收集各候选指标的历史指标值和当前指标值，并采用机器学习算法根据所述历史指标值计算各候选指标的标准值区间；
对于任一候选指标，若其当前指标值位于该指标的标准值区间外，则确定该候选指标为三级需求；
计算三级需求的当前指标值和标准值区间的偏差，作为项目对该三级需求的需求程度。
在部分实施例中，确定需求指标步骤中所采用的机器学习算法为长短期记忆神经网络 LSTM模型算法。
具体地，采用机器学习算法根据所述历史指标值计算各候选指标的标准值区间的步骤包括：对于任一候选指标，将其历史指标值作为第一训练集{(x1,y1),(x2,y2),…,(xN,yN)}来对LSTM 模型进行第一次训练；采用第一次训练后的模型计算模型预估值
并计算实际值yg和预估值
的预估误差
根据第一次训练后的模型和包含已知历史信息的输入值预测t时刻的输出值yt；基于第一训练集中的预估值和预估误差创建第二训练集采用第二训练集获取第二次训练后的模型，并计算新的预估值、预估误差和t时刻的输出值yt；按照上述步骤继续生成其他训练集，并获取该其他训练集训练后的模型，以及该模型下的预估值、预估误差和t时刻的输出值yt，直至模型预估误差达到最小值；将所获得的多个yt进行排序，并获取其中预定区间内的数值作为该候选指标的标准值区间。
进一步地，
g＝1,2,……,N，
ηg为服从均值为0且方差为1的恒等分布，
是从
中以1/N的概率随机选择一个数值替换得到，
是从预估误差
中消除***误差
后的校正误差。
进一步地，在根据本发明的方法中，若将排序后的yt记为Q(1),Q(2),…Q(c)，则所述预定区间为Q(cα2)<yt<Q(c-cα2))，α为系数。
本发明提供了一种电网多目标项目筛选***，该筛选***包括：
关系构建模块，用于建立电网项目的三级网络结构，所述三级网络结构包括三级需求层、二级需求层和一级需求层，所述一级需求层包括经济性需求、安全性需求和政策性需求；
模型构建模块，用于构建多目标项目筛选模型，所述筛选模型具有目标函数和约束条件；
模块计算模块，用于采用筛选模型的目标函数分别计算k个候选区域内的l个候选项目对一级需求层中各需求指标的满足程度，并筛选出满足需求的项目，其中，每个候选区域内至少有一个候选项目；用于采用筛选模型的约束条件，评价满足需求的项目，得到最优项目规划方案。
使用时，关系构建模块和模型构建模块分别构建三级网络结构和多目标项目筛选模型，之后模型计算模块先利用目标函数从候选项目中筛选出满足需求的项目，再利用约束条件对满足需求的项目进行评级、排序，最终得到最优的规划方案。
本发明提供了一种计算设备，该计算设备包括一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，该一个或多个程序被处理器执行时实现如上所述的任一种多目标项目筛选方法。
本发明提供了一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行上述任一种多目标项目筛选方法。
本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、本发明基于多目标决策算法对某类项目进行筛选，从而确定出最优的项目决策实现对公司需求的满足，为实现项目需求满足程度的最优化，本发明分别考虑了经济性目标、安全性目标、技术政策型目标的需求，建立多目标优化模型，并考虑资金约束、项目约束等约束条件，来确定项目筛选，根据这种方式确定出来的项目，能实现所有满足程度的最优化，且计算准确率高、计算效率快；
2、本发明采用改进粒子群算法对多目标优化问题进行决策，该方法应用交叉算子、动态惯性因子、改进学习因子参数和加入混沌变异操作等方法对粒子群算法PSO进行改进，克服了PSO局部极值、早熟收敛的问题。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；
图1为本发明具体实施例中多目标项目筛选方法200的流程图；
图2为本发明具体实施例中项目需求指标的三级网络结构的示意图；
图3为本发明具体实施例中项目一级需求满足程度的计算过程示意图；
图4为本发明具体实施例中项目需求指标确定方法500的流程图；
图5为本发明具体实施例中多目标项目筛选装置600的结构示意图；
图6为本发明具体实施例中计算设备100的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1：
图1示出了本发明一种电网多目标项目筛选方法200的流程示意图，该方法适于在计算设备中执行，该模型适于从k个候选区域内的共l个候选项目中选出最优规划方案，其中每个候选区域内有至少一个候选项目。
如图1所示，该方法始于步骤S210。在步骤S210中，建立电网项目的三级网络结构，该三级网络结构包括三级需求层、二级需求层和一级需求层。其中，三级需求层也被称作需求指标层，三级指标层包括至少一个需求指标，二级需求层包括至少一个二级需求，一级需求层包括经济性需求、安全性需求和政策性需求。
图2示出了根据本发明具体实施例的三级网络结构的示意图。如图2所示，需求指标层包括为N-1通过率、停运率、容载比、老旧设备占比、设备可用系数、低电压户数、可用发电功率、边防缺电面积、电动汽车占有率、智能电表户数、人均办公设备数量、信息安检频次中的一种或多种需求指标。二级需求层包括满足新增负荷需求、常规电源送出、电源接入、市场营销宣传、优化网架结构、电网可靠性提升、解决设备重过载、消除安全隐患、煤改电、农网改造、偏远地区通电工程、新能源送出工程中的一种或多种二级需求。
一般电网项目可以有多种类别，每种类别下可以有多个项目。其中，项目类别可以包括生产技改/大修类项目、非生成技改/大修类项目、营销投入类项目、管理咨询类项目、股权投资类项目、零星购置类项目、产业基建/产业技改/产业大修类项目、研究开发类项目、教育培训类项目中的一种或多种。
随后，在步骤S220中，构建多目标项目筛选模型，该筛选模型具有目标函数和约束条件，其中目标函数包括经济性需求满足程度最大、安全性需求满足程度最大和政策性需求满足程度最大。
在部分实施例中，所述目标函数包括以下三个目标：
其中，maxf1、maxf2、maxf3分别指经济性需求满足程度最大、安全性需求满足程度最大、政策性需求满足程度最大，Z1,j、Z2,j、Z3,j分别为第i个项目对经济性需求、安全性需求、政策性需求的满足程度；Ui为决策变量，取值0或1，表示对是否选择第i个项目的决策。
在部分实施例中，约束条件包括资金约束、项目约束、区域约束和最低需求约束中的一种或多种。
资金约束为所有项目的投资资金之和不超过总资金上限Imax，其计算公式为：
其中，Ii为投资第i个项目所需资金。
项目约束为投资项目总数量在预定范围内，其计算公式为：
其中，Nmin为投资项目总数量的下限，Nmax为投资项目总数量的上限。
区域约束为每个区域内都要有项目被选中，设每个候选区域为Mj(j＝1,2,…,k)，则所述区域约束的计算公式为：
最低需求约束为每种一级需求的满足程度不低于下限值，计算公式为：
其中，Amin、Bmin、Cmin分别为所有目标项目对经济性总需求、安全性总需求、政策性总需求的满足程度下限。
如图1所示，在步骤S230中，分别计算各候选区域内的各候选项目对各一级需求的满足程度，并采用预定算法对筛选模型进行求解，得到最优规划方案，该最优规划方案中包括该 k个候选区域内的多个目标项目。
存在多种可对该多目标优化筛选模型进行求解的方法，本发明不受限于具体的实现方式，所有能够对该多目标优化筛选模型进行求解的方法均在本发明的保护范围之内。根据一个实施例，该预定算法为改进粒子群算法，根据该改进粒子群算法对多目标项目筛选模型进行决策。该算法应用交叉算子、动态惯性因子、改进学习因子参数和加入混沌变异操作等方法对 PSO进行改进，克服了PSO局部极值、早熟收敛的问题。
具体地，将交叉算子引入到PSO算法中，生成粒子i对应的测量位置Xi,t+1，然后将测量位置Xi,t+1和个体历史最优位置离散交叉，生成测试位置
D为决策变量的维数。交叉公式为：
式中，randj(0,1)为[0,1]之间满足均匀分布的随机数；jrand为[1,D]上随机均匀产生的整数； pi和为交叉概率。这种交叉方式与差分演化中的二项交叉操作相同。最后，更新粒子的个体历史最优位置为：
式中，f(*)为适应度函数，
为最优粒子位置。本发明将参数p采用自适应方法直接编码到每个粒子中，以实现自适应控制。扩展编码后群体中粒子i可描述为：
对于群体中的每个粒子，采用如下规则更新交叉概率：
式中，λ为参数的更新概率。
另外，本发明还在仅仅粒子群算法中加入了动态惯性因子和学习因子。随着算法的迭代过程，惯性权重线性减小，传统算法不能适应比较复杂、非线性的问题。因此本发明采用动态惯性因子的粒子群算法，先定义粒子进化度V1和粒子聚合度V2两个变量，其计算公式分别为：
式中，pg,i-1、pg,i分别为前一代迭代过程中全局最优值和当代的全局最优值；ps为种群规模。
粒子进化度V1表示粒子的运行状态，其初始值较小，进化速度较快。加入含有粒子进化度V1和粒子聚合度V2的动态惯性因子能够改进离子群的算法性能。惯性权重w的大小与例子的进化度V1和粒子的聚合度V2密切相关，表达式为w＝f(V1,V2)＝w0-0.6×V1+0.15×V2，式中， w0为初始权重值，一般取0.9。
学习因子(c1,c2)表示的是粒子的记忆和学习能力。c1、c2是pid、pgd的权重值，其中pid是粒子i经历过的最优位置，pgd是所有粒子所经历过的最优位置。在开始迭代时，粒子在一个较大的空间进行搜索，保持了粒子的多样性，c1较大c2较小，以加快粒子群搜索速度。在迭代后期，粒子群的重心在全局最优解，c1较小c2较大，以保持粒子群能够精细的搜索。根据一个实施例，c1、c2的表达式为：
式中，c10、c11分别是c1的初始值和最终值；c20、c21分别是c2的初始值和最终值；g、gm分别为粒子群的迭代次数和最大取值。
进一步地，为了扩大粒子群的搜索空间，防止粒子在迭代后期陷入局部最优值，故基于混沌***生成混沌序列的方式进行对粒子进行变异操作。首先对PSO算法进行收敛性分析，可以得到保证算法全局收敛的必要条件，假设粒子xi，j(t)收敛于ki＝(ki1,ki2,…,kin)T，其表达式为：
式中，
pi,j(t)为粒子i的历史搜索最优位置；pg,j(t)为最优粒子位置。首先，假设粒子的维数是1，通过计算第i个粒子的位置xi(t)与ki(t)的距离建立混沌映射关系，在迭代过程中动态调整每一代粒子的混沌搜索范围。粒子的xi(t)搜索范围如下：
式中，ximin和ximax分别是搜索范围最小值和最大值，z,u∈(0,1)。然后，通过式对粒子xi(t) 进行归一化，得出混沌序列的初始值Gi,1如下:
通过混沌映射结构产生新的混沌序列Gi＝(Gi1,Gi2,…,Gim)，混沌序列长度为v。将这些序列通过下式反变换至原始搜索空间(r＝1,2……,v)：
L(xi,r(t))＝ximin+Gi,r(ximax-ximin)
最后，选择序列中评价结果最优的粒子作为下一代粒子，APSO算法的迭代公式如下：
上述技术方案基于多目标决策算法对某类项目进行筛选，从而确定出最优的项目决策实现对公司需求的满足。为实现项目需求满足程度的最优化，本发明分别考虑了经济性目标、安全性目标、技术政策型目标的需求，建立多目标优化模型，并考虑资金约束、项目约束等约束条件，来确定项目筛选，根据这种方式确定出来的项目，能实现所有满足程度的最优化，且计算准确率高、计算效率快。
实施例2：
在实施例1的基础上，如图3所示，可通过步骤S231-S233来实现步骤S230中每个候选区域内的每个候选项目对各一级需求的满足程度的计算。
具体地，在步骤S231中，对于该三级网络结构，采用ANP网络分析法，以上级网络层为准则，以本级网络层中各元素集为次准则，分别计算所有需求指标的第一权重矩阵A，以及所有二级需求的第二权重矩阵B。
本发明利用项目成因诊断方法构建影响指标到项目二级需求的映射关系，再用同样的方法构建项目二级需求到一级需求的映射关系，从而确定当前项目对经济性、安全性、政策性等方面的需求情况。这样就可以依据当前需求建立不同项目到影响指标的定量映射关系，最终通过项目需求成因诊断方法计算得出每个项目对一级需求的满足情况。
在建立项目到需求指标的映射关系、以及需求指标到二级需求再到一级需求的映射关系时，为了定量确定项目建设指标的影响程度，本发明利用ANP方法进行定量评估，进而确定每个项目对于各类二级需求和各类一级需求的效益满足情况。
ANP方法即网络分析法，是在AHP法的基础上提出的，根据各个风险因素之间关系建立一个网络结构，考虑了各层次之间因素的影响关系及上层因素对下层因素的反馈影响。ANP 模型结构将指标因素分为控制层和网络层两部分，其中控制因素层包括问题目标及决策准则，网络层由指标元素根据其相互之间的依存和反馈关系网络构成。
为了建立项目到需求指标的映射关系、以及需求指标到二级需求再到一级需求的映射关系，首先要计算需求指标和二级需求的权重矩阵。以需求指标的权重矩阵计算为例，将二级需求层作为控制层准则，将需求指标层中每个元素集Ui(i＝1,2,…,n)为次准则，将其他元素集 Uj(j＝1,2,…,n)对Ui的影响程度进行优势度打分得到比较矩阵。例如，可以采用五标度法或九标度法得到元素集Ui的比较矩阵。之后，利用特征根算法计算每个比较矩阵的特征向量，得出本层的权重矩阵P：
同理，分别以元素集Ui(i＝1,2,…,n)中的各个元素为次准则，计算元素间的超矩阵W：
将超矩阵中各子矩阵乘以矩阵P中各元素，得到加权超矩阵
i，j＝1,2,…,n。之后，基于加权超矩阵计算对应的特征向量并进行归一化，
则
为所求的特征向量，即各需求指标的权重矩阵。同理可求得二级需求的权重矩阵为其中
为第i个指标的权重值，
为第r个需求的的权重值。
随后，在步骤S232中，建立项目对各需求指标的满足程度矩阵X，并建立需求指标与二级需求的第一映射关系，以及二级需求到一级需求的第二映射关系。其中，项目对各需求指标的满足程度矩阵可以通过人为定义或直接取归一化后的指标值，或者根据指标值进行自动打分后生成。
根据一个实施例，第一映射关系为Y＝XοA，第二映射关系为Z＝YοB＝[Z1,Z2,Z3]。其中，Y和Z分别代表项目对二级需求和一级需求的满足程度，Z1、Z2、Z3分别代表项目对经济性需求、安全性需求、政策性需求的满足程度，ο为广义模型合成算子，常用的算子有(+，×)算子，即加权平均算子。
在求得权重值的基础上，项目对各需求指标的满足程度矩阵X、以及需求指标到二级需求的映射关系Y分别为：
随后，在步骤S233中，基于所建立的两个映射关系，计算每个候选区域内每个项目对一级需求和二级需求的满足情况。例如，对于某候选区域内的某个生产技改、大修类项目，得到该项目对每个需求指标的满足程度矩阵，再根据第一权重矩阵A，即可得到项目对二级需求的满足程度Y。在此基础上，根据第二权重矩阵B，可进一步得到项目对一级需求的满足程度Z。
实施例3：
在上述实施例的基础上，图4示出了根据本发明一个实施例的项目需求指标确定方法500 的流程图，如图4所示，方法500始于步骤S510。
在步骤S510中，确定电网公司各项目的候选指标集，该候选指标集包括一个或多个候选指标。
根据另一个实施例，各项目的候选指标例如可以为N-1通过率、停运率、容载比、老旧设备占比、设备可用系数、低电压户数、可用发电功率、边防缺电面积、电动汽车占有率、智能电表户数、人均办公设备数量、信息安检频次、电压合格率、频率合格率、售电收入损失、可免发电成本、平均停电频率、平均停电时间等。对于不同项目，还可以根据需要设置其他候选指标，本发明对此不作限制。
随后，在步骤S520中，收集各候选指标的历史指标值和当前指标值，并采用机器学习算法根据历史指标值计算各候选指标的标准值区间。
应当理解的是，各候选指标的历史指标值和当前指标值，可以根据电网***的基础数据来计算得到对应的结果值。收集范围具体依据指标种类以及算法的需求确定，包括年度数据、月度数据或日均数据等。本领域技术人员可以根据现有技术获取得到各指标值，这里不再详细赘述。此外，针对收集过程中出现的数据缺失和数据异常等情况，在步骤S520中还可以对收集到的数据进行预处理，如清除脏数据、异常数据、通过差值法补充缺失数据等。
根据一个实施例，考虑到机器学习算法对数据尺度比较敏感，因此在获取到历史指标值和当前指标值后，可以对这些指标值进行归一化处理，得到无量纲值的数值。具体可以采用 MinMax法进行归一化处理，将数据值域变换为[0，1]，计算公式为：υnorm＝(υ-υmin)/(υmax-υmin)。其中，υnorm为某项目的某指标值的υ归一化后的数值，υmax和υmin分别为该项目中该类指标的所有指标值的最大值和最小值。
基于收集的指标历史数据，通过机器学习算法对这些数据进行处理，可以确定出一个指标区间值，作为诊断电网该项指标是否合格的诊断标准，从而进一步判断电网项目的具体需求。
根据一个实施例，机器学习算法可以采用长短期记忆记忆神经网络LSTM模型算法。LSTM在信息传递过程中，通过当前时刻输入、上一时刻隐藏层状态、上一时刻记忆单元状态和门结构来增加或删除记忆单元状态中的信息。门结构用来控制增加或删除信息的程度，共有输入门it、遗忘门ft、输出门ot三种结构门。输入门用来控制是否将当前输入信息存储在记忆单元中，遗忘门用来决定上一时刻记忆单元中的多少信息可以传递到当前时刻中，输出门用来控制将多少内存信息进行输出。在时刻t，根据其输入值xt以及上一时刻的输出值ht-1和记忆单元状态ct-1，可以计算得到该时刻的输入门it、遗忘门ft，输出门ot。
更新后的记忆单元状态主要由来自上一时刻旧的记忆单元状态信息，以及当前输入新生成的信息组成。之后基于更新的记忆单元状态来输出隐藏状态。在本发明的计算过程中，将上述更新计算过程重复进行，直到输出值与实际训练样本之间的差值最小，然后利用Boostrap 自助抽样法来获取基于数据样本的估计区间，对LSTM算法带来的不确定性进行有效量化。关于该模型的详细训练过程以及标准区间值的计算过程，将在后文中描述。
随后，在步骤S530中，从候选指标集中筛选各项目的需求指标，对于任一候选指标，若其当前指标值位于该指标的标准值区间外，则确定该候选指标为需求指标。
也就是，将各项电网项目的当前指标值与该指标的标准值区间进行对比，若指标值在标准值区间内，则表示该项指标值合格，电网项目没有此类需求。反之则指标值不合格，电网项目有此类需求，该指标为电网项目的需求指标。假设某候选指标的标准值区间为[0.4，0.7]，当前指标值为0.9，则该指标是需求指标，而若当前指标值为0.5时，该指标不是需求指标。
随后，在步骤S540中，计算需求指标的当前指标值和标准值区间的偏差，作为项目对该需求指标的需求程度。这样依据电网项目对各项指标的需求，结合实际情况，就可对项目综合需求进行理论分析。对于具有需求的指标，进一步计算得到该指标与诊断标准区间的偏差值，从而判断电网项目投资对于该指标的需求程度大小。
根据一个实施例，在计算当前指标值和标准值区间的偏差时，可以先从标准值区间中与确定当前指标值最接近的边界值，该边界值与当前指标值的差值的绝对值，即为该偏差。假设标准值区间为[0.4，0.7]，当前指标值为0.9，其更接近0.7，则这两个数值的差值的绝对值 0.2，就是当前指标值和标准值区间的偏差。在另一种实现方式中，可以计算标准值区间的中间值，并将该当前指标值和中间值的差值的绝对值作为该偏差。
基于该偏差值大小，可以为每个指标项设置权重值，权重值可以与偏差值呈正相关，偏差值大，则对应的权重值也大。另外，可以将各项目的多个需求指标按照偏差值的大小进行降序排序，以显著区分各需求指标对项目的影响权重。
此外，在上述步骤S520中，采用机器学习算法根据历史指标值计算各候选指标的标准值区间，具体可以通过以下步骤S521-S527来实现：
首先，在步骤S521中，对于某一候选指标，将其历史指标值作为第一训练集 {(x1,y1),(x2,y2),…,(xN,yN)}来对LSTM模型进行第一次训练。具体地，基于训练样本数据获取在LSTM记忆单元中对应的权重和偏差。该模型的详细训练过程是本领域比较成熟的技术，本领域技术人员可以自行选训练方式来对该模型进行训练，本发明对此不作限制。
之后，在步骤S522中，采用第一次训练后的模型计算模型预估值
并计算实际值yg和预估值的预估误差
其中，
也就是将x1、x2、……、xN等输入到第一次训练后的模型中得到的预估值。
根据一个实施例，预估误差的计算公式为
g＝1,2,……,N。之后，需要从预估误差
消除***误差
的影响，得到校正误差
即：
之后，在步骤S523中，根据第一次训练后的模型和包含已知历史信息的输入值预测t时刻的输出值yt。也就是将t时刻的输入值输入到第一次训练后的模型中，得到对应的输出值 yt。
之后，在步骤S524中，基于第一训练集中的预估值和预估误差创建第二训练集
该训练样本为Bootstrap数据样本，
可以后通过外部Boostrap 法计算得到，计算方法如下：
其中，
是从
中以1/N的概率随机选择一个数值替换得到，ηg为服从均值为0 且方差为1的恒等分布。
之后，在步骤S525中，采用第二训练集获取第二次训练后的模型，并计算新的预估值、预估误差和t时刻的输出值yt。
之后，在步骤S526中，按照上述步骤继续生成其他训练集，并获取该其他训练集训练后的模型，以及该模型下的预估值、预估误差和t时刻的输出值yt，直至模型预估误差达到最小值。
也就是，基于第二训练集生成第三训练集，采用第三训练集对模型进行训练，并用第三次训练后的模型计算预估值、预估误差和t时刻的输出值yt。再基于第三训练集生成第四训练集，并计算第四训练集训练后的模型的预估值、预估误差和t时刻的输出值yt。依次类推，直至模型预估误差达到预期的最小值，结束模型的训练过程。
最后，在步骤S527中，将所获得的多个yt进行排序，并获取其中预定区间内的数值作为该候选指标的标准值区间。若将排序后的yt记为Q(1),Q(2),…Q(c)，则预定区间为Q(cα/2)<yt<Q(c-cα/2))，α为系数。根据一个实施例，可以进行一万次模型训练，排序后的yt共有1万个，c＝10000，α可以为0.5，当然不限于此，也可以为其他数值。
实施例4：
图5示出了本发明一个实施例的多目标项目筛选***600的结构框图，该装置600可以驻留在计算设备中。如图5所示，装置600包括：关系构建模块610、模型构建模块620和模型计算模块630。
关系构建模块610建立电网项目的三级网络结构，该三级网络结构包括需求指标层、二级需求层和一级需求层。其中需求指标层包括n个需求指标，二级需求层包括m个二级需求，一级需求层包括经济性需求、安全性需求和政策性需求。关系构建模块610可以进行与上面在步骤S210中描述的处理相对应的处理，这里不再展开赘述。
模型构建模块620构建多目标项目筛选模型，该筛选模型具有目标函数和约束条件，该目标函数包括经济性需求满足程度最大、安全性需求满足程度最大和政策性需求满足程度最大。关系构建模块620可以进行与上面在步骤S220中描述的处理相对应的处理，这里不再展开赘述。
模型计算模块630分别计算每个候选区域内的每个候选项目对各一级需求的满足程度，并采用预定算法对所述筛选模型进行求解，得到最优规划方案，所述最优规划方案中包括该 k个候选区域内的多个目标项目。模型计算模块630可以进行与上面在步骤S230中描述的处理相对应的处理，这里不再展开赘述。
实施例5：
在实施例4的基础上，根据本发明的一个实施例，装置600还可以包括需求指标确定模块(图中未示出)，适于根据以下步骤确定各项目的需求指标：确定电网公司各项目的候选指标集，所述候选指标集包括一个或多个候选指标；收集各候选指标的历史指标值和当前指标值，并采用机器学习算法根据历史指标值计算各候选指标的标准值区间；对于任一候选指标，若其当前指标值位于该指标的标准值区间外，则确定该候选指标为需求指标；以及计算需求指标的当前指标值和标准值区间的偏差，作为项目对该需求指标的需求程度。该模块的详细计算过程已在基于图4的描述中详细公开，这里不再展开赘述。
根据本发明的技术方案，为实现项目需求满足程度最优化，构建了三级网络结构，分别考虑了经济性目标、安全性目标、技术政策目标的需求，建立多目标优化模型，考虑资金约束、项目约束等，来确定项目筛选。而且，本发明在三级网络结构中建立了需求指标到二级需求、以及二级需求到一级需求的映射关系。基于该映射关系，即可得到项目需求满足程度的准确值，以便工作人员对多个项目进行对比分析和评判，为后续的项目投资规划提供了判断条件。
另外，本发明基于机器学习算法对各类指标的需求成因进行诊断，得到各项目的各候选需求指标的标准值区间。之后，在数据分析的基础上确定项目的各类需求指标是否合格，并挑选出不合格的指标作为需求指标来进行下一步分析，从而确定出电网项目投资决策所要满足的需求条件。这种方式确定的指标项是电网项目需求评价的必须指标项，在保证需求评价准确性的基础上，尽量地降低了算法计算量和复杂度。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的多目标项目筛选模型的构建方法。
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与本发明的示例一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书、权利要求、摘要和附图中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书、权利要求、摘要和附图中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机***的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
实施例6：
图6是根据本发明一个实施例的计算设备100的框图。如图6所示，在基本的配置102 中，计算设备100典型地包括***存储器106和一个或者多个处理器104。存储器总线108 可以用于在处理器104和***存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114 和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，***存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。***存储器106可以包括操作***120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作***上利用程序数据124进行操作。程序数据124包括指令，在根据本发明的计算设备100中，程序数据124包含用于执行本发明的多目标项目筛选模型的构建方法200和/或项目需求指标确定方法500的指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144 和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164 与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和 WEB服务器等，也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中，计算设备100被配置为执行本发明的多目标项目筛选模型的构建方法200和/或项目需求指标确定方法500。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种电网多目标项目筛选方法，其特征在于，包括以下步骤：
建立电网项目的三级网络结构，所述三级网络结构包括三级需求层、二级需求层和一级需求层，所述一级需求层包括经济性需求、安全性需求和政策性需求；
构建多目标项目筛选模型，所述筛选模型具有目标函数和约束条件；
采用筛选模型的目标函数分别计算k个候选区域内的l个候选项目对一级需求层中各需求指标的满足程度，并筛选出满足需求的项目，其中，每个候选区域内至少有一个候选项目；
采用筛选模型的约束条件，评价满足需求的项目，得到最优项目规划方案。
2.根据权利要求1所述的一种电网多目标项目筛选方法，其特征在于，所述约束条件包括资金约束、项目约束、区域约束、最低需求约束中的一种或多种。
3.根据权利要求1所述的一种电网多目标项目筛选方法，其特征在于，所述目标函数包括：
其中，maxf1、maxf2、maxf3分别指经济性需求满足程度最大、安全性需求满足程度最大、政策性需求满足程度最大，Z1,j、Z2,j、Z3,j分别为第i个项目对经济性需求、安全性需求、政策性需求的满足程度；Ui为决策变量，取值0或1，表示对是否选择第i个项目的决策。
4.根据权利要求3所述的一种电网多目标项目筛选方法，其特征在于，采用筛选模型的目标函数计算各候选项目对一级需求层中各需求指标的满足程度的步骤具体包括：
对于所述三级网络结构，采用ANP网络分析法，以上级网络层为准则，以本级网络层中各元素集为次准则，分别计算三级需求层中所有三级需求的第一权重矩阵，以及二级需求层所有二级需求的第二权重矩阵；
获取项目对各三级需求的满足程度矩阵，并建立三级需求到二级需求的第一映射关系、以及二级需求到一级需求的第二映射关系；
基于所建立的第一映射关系和第二映射关系，计算每个候选区域内的每个项目对一级需求的满足程度。
5.根据权利要求1所述的一种电网多目标项目筛选方法，其特征在于，采用改进粒子群算法对所述多目标项目筛选模型进行决策。
6.根据权利要求1～5中任一项所述的一种电网多目标项目筛选方法，其特征在于，所述二级需求层中的二级需求包括新增负荷需求、常规电源送出、电源接入、市场营销宣传、优化网架结构、电网可靠性提升、解决设备重过载、消除安全隐患、煤改电、农网改造、偏远地区通电工程、新能源送出工程中的一种或多种。
7.根据权利要求1～5中任一项所述的一种电网多目标项目筛选方法，其特征在于，所述三级需求层中的三级需求包括N-1通过率、停运率、容载比、老旧设备占比、设备可用系数、低电压户数、可用发电功率、边防缺电面积、电动汽车占有率、智能电表户数、人均办公设备数量、信息安检频次中的一种或多种。
8.根据权利要求7所述的一种电网多目标项目筛选方法，其特征在于，还包括确定各项目的三级需求的步骤：
确定电网公司各项目的候选指标集，所述候选指标集包括一个或多个候选指标；
收集各候选指标的历史指标值和当前指标值，并采用机器学习算法根据所述历史指标值计算各候选指标的标准值区间；
对于任一候选指标，若其当前指标值位于该指标的标准值区间外，则确定该候选指标为三级需求；
计算三级需求的当前指标值和标准值区间的偏差，作为项目对该三级需求的需求程度。
9.一种电网多目标项目筛选***，其特征在于，包括：
关系构建模块，用于建立电网项目的三级网络结构，所述三级网络结构包括三级需求层、二级需求层和一级需求层，所述一级需求层包括经济性需求、安全性需求和政策性需求；
模型构建模块，用于构建多目标项目筛选模型，所述筛选模型具有目标函数和约束条件；
模块计算模块，用于采用筛选模型的目标函数分别计算k个候选区域内的l个候选项目对一级需求层中各需求指标的满足程度，并筛选出满足需求的项目，其中，每个候选区域内至少有一个候选项目；用于采用筛选模型的约束条件，评价满足需求的项目，得到最优项目规划方案。
10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1～8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911133657.4A CN110837939A (zh) | 2019-11-19 | 2019-11-19 | 一种电网多目标项目筛选方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911133657.4A CN110837939A (zh) | 2019-11-19 | 2019-11-19 | 一种电网多目标项目筛选方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110837939A true CN110837939A (zh) | 2020-02-25 |
Family
ID=69576684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911133657.4A Pending CN110837939A (zh) | 2019-11-19 | 2019-11-19 | 一种电网多目标项目筛选方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837939A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652459A (zh) * | 2020-04-09 | 2020-09-11 | 湖北省电力勘测设计院有限公司 | 一种计及新能源消纳多指标内涵的电网评价方法 |
| CN111932058A (zh) * | 2020-06-22 | 2020-11-13 | 国网江西省电力有限公司电力科学研究院 | 一种10kV线路立项决策量化方法及*** |
| CN112784491A (zh) * | 2021-01-26 | 2021-05-11 | 浙江中新电力工程建设有限公司 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
| CN112950027A (zh) * | 2021-03-02 | 2021-06-11 | 国网河北省电力有限公司保定供电分公司 | 电网工作方法及其装置和电网工作*** |
| CN116307936A (zh) * | 2023-05-17 | 2023-06-23 | 长江水利委员会长江科学院 | 用水总量的分解方法、***、电子设备及存储介质 |
-
2019
- 2019-11-19 CN CN201911133657.4A patent/CN110837939A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652459A (zh) * | 2020-04-09 | 2020-09-11 | 湖北省电力勘测设计院有限公司 | 一种计及新能源消纳多指标内涵的电网评价方法 |
| CN111932058A (zh) * | 2020-06-22 | 2020-11-13 | 国网江西省电力有限公司电力科学研究院 | 一种10kV线路立项决策量化方法及*** |
| CN112784491A (zh) * | 2021-01-26 | 2021-05-11 | 浙江中新电力工程建设有限公司 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
| CN112784491B (zh) * | 2021-01-26 | 2024-04-16 | 浙江中新电力工程建设有限公司 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
| CN112950027A (zh) * | 2021-03-02 | 2021-06-11 | 国网河北省电力有限公司保定供电分公司 | 电网工作方法及其装置和电网工作*** |
| CN116307936A (zh) * | 2023-05-17 | 2023-06-23 | 长江水利委员会长江科学院 | 用水总量的分解方法、***、电子设备及存储介质 |
| CN116307936B (zh) * | 2023-05-17 | 2023-08-18 | 长江水利委员会长江科学院 | 用水总量的分解方法、***、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Short-term load forecasting based on LSTM networks considering attention mechanism | |
| Ye et al. | A novel forecasting method based on multi-order fuzzy time series and technical analysis | |
| CN110837939A (zh) | 一种电网多目标项目筛选方法和*** | |
| Wu et al. | An intuitionistic fuzzy multi-criteria framework for large-scale rooftop PV project portfolio selection: Case study in Zhejiang, China | |
| CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
| CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
| Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
| CN102185735B (zh) | 一种网络安全态势预测方法 | |
| CN111144721A (zh) | 电网项目需求评价模型的构建方法、装置和计算设备 | |
| CN110334875A (zh) | 计及评估指标冲突的风电功率组合概率预测方法 | |
| CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
| CN105894125A (zh) | 一种输变电工程造价预测方法 | |
| Wang et al. | A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization | |
| Boumaiza et al. | Modeling multi-criteria decision analysis in residential PV adoption | |
| CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
| CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
| Ozden et al. | Optimized machine learning algorithms for investigating the relationship between economic development and human capital | |
| Yang et al. | An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting | |
| Wang et al. | Prediction method of wind farm power generation capacity based on feature clustering and correlation analysis | |
| Mehdizadeh Khorrami et al. | Forecasting heating and cooling loads in residential buildings using machine learning: A comparative study of techniques and influential indicators | |
| CN111784066A (zh) | 一种配电网年运行效率预测方法、***及设备 | |
| CN110796296A (zh) | 多目标投资优化模型的构建方法、装置和计算设备 | |
| Wang et al. | An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method | |
| CN112330030B (zh) | 业扩物资需求预测***及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200225 |
|
| RJ01 | Rejection of invention patent application after publication |