CN115994459A

CN115994459A - 一种海量电网基建项目建设时序优化方法、***及设备

Info

Publication number: CN115994459A
Application number: CN202310294061.2A
Authority: CN
Inventors: 卢生炜; 祁利; 武强; 周明; 颜炯; 桑子夏; 汪颖翔; 王思聪
Original assignee: State Grid Hubei Electric Power Co Ltd; Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Current assignee: State Grid Hubei Electric Power Co Ltd; Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Priority date: 2023-03-24
Filing date: 2023-03-24
Publication date: 2023-04-21
Anticipated expiration: 2043-03-24
Also published as: CN115994459B

Abstract

一种海量电网基建项目建设时序优化方法，该方法先建立电网基建项目画像特征与建设成效指标的传导模型，再基于所述传导模型，构建以建设成效最大和规划建设成本最小为目标的电网基建项目建设时序优化模型，然后对所述电网基建项目建设时序优化模型进行求解，得到各电网基建项目的最优建设时序方案。本发明不仅实现了多约束条件下的海量电网基建项目建设时序的优化，而且降低了模型的计算维度，保证了模型的计算精度。

Description

一种海量电网基建项目建设时序优化方法、***及设备

技术领域

本发明属于电网规划技术领域，具体涉及一种海量电网基建项目建设时序优化方法、***及设备。

背景技术

随着新型电力***建设目标的提出，为推动能源产业转型升级，促进电力行业高质量绿色发展，国家大力推进电力基础设施建设，使我国电力供应适应社会经济发展需求。电网基建项目作为我国基础性设施，不同于其他一般的工程项目，存在着其自身的特殊性：一方面，电网基建项目建设规模大，项目数量多，建设周期长；另一方面，电网基建项目必须在技术性和可靠性的基础上，保证居民正常用电，满足负荷增长需求以及社会经济发展对电力的需求。

目前，对电网基建项目的研究大多集中于项目组合优选，未能详细考虑到电网基建项目的时序问题。因此，为实现电网基建项目的精细化建设，电网基建项目建设时序优化的研究亟不可待。

发明内容

本发明的目的是针对现有技术存在的上述问题，提供一种海量电网基建项目建设时序优化方法、***及设备。

为实现以上目的，本发明的技术方案如下：

第一方面，本发明提出一种海量电网基建项目建设时序优化方法，包括：

S1、建立电网基建项目画像特征与建设成效指标的传导模型，所述电网基建项目画像特征为体现电网基建项目属性的特征，所述建设成效指标为表征电网基建项目的建设成效的指标；

S2、基于所述传导模型，构建以建设成效最大和规划建设成本最小为目标的电网基建项目建设时序优化模型；

S3、对所述电网基建项目建设时序优化模型进行求解，得到各电网基建项目的最优建设时序方案。

在一些实施方式中，所述电网基建项目建设时序优化模型的目标函数为：

；

上式中，为电网基建项目的年度建设成效，为电网基建项目的年度规划建设成本，为第i个电网基建项目在第j年第k个月的成效逻辑变量，为第i个电网基建项目的预期成效值，为第i个电网基建项目在第j年第k个月的规划建设成本，为电网基建项目的总数，为电网基建项目的规划年数，为第u个建设成效指标的权重，为第i个电网基建项目的第u个建设成效指标的预期值，由所述传导模型计算得到，为第i个电网基建项目的规划建设成本最大值，为第i个电网基建项目在第j年第k个月的建设进度。

在一些实施方式中，所述电网基建项目建设时序优化模型的约束条件包括：

建设成本约束：

；

上式中，为第j年第k个月的月度建设成本最大值，为第j年的年度建设成本最大值；

供电能力约束：

；

上式中，为第j年第k个月投产的第i个电网基建项目的新增变电容量，为第j-1年的已有总装机容量，为满足第j年迎峰度夏负荷增长的基本电力需求，为满足第j年迎峰度冬负荷增长的基本电力需求；

电力需求约束：

；

上式中，为第j年的年度基本电力需求。

在一些实施方式中，所述S3采用基于超效率包络分析模型的遗传算法对所述电网基建项目建设时序优化模型进行求解，包括：

S31、设置电网基建项目建设时序组合种群规模T，令迭代次数k=0，初始化种群，形成初代种群；

S32、执行遗传进化操作，产生子代种群；

S33、合并、得到规模为2T的新种群，对中的个体进行帕累托非支配分层排序，并将排序靠前的非支配层中的个体放入过渡种群中，直至中的个体数量大于等于T；

S34、判断中个体数量否为T，若是，则进入S36，否则进入S35；

S35、对中排序最后的非支配层进行排序选择，使中的个体数量降为T；

S36、以此时的作为第k+1代种群；

S37、判断是否达到迭代次数，若达到，则进入S38，否则返回S32进行第k+1次迭代；

S38、产生电网基建项目建设时序帕累托前沿解集，并基于超效率SBM模型计算各前沿解集的效率，以效率最大的前沿解集作为电网基建项目的最优建设时序方案。

在一些实施方式中，所述S35包括：基于超效率SBM模型计算中排序最后的非支配层中的个体效率，并按效率从大至小对个体进行排序，剔除排序靠后的个体，使中的个体数量降为T；

所述超效率SBM模型为：

；

上式中，为种群效率，为决策单元数量，为每个决策单元中输入指标的种数，为每个决策单元中输出指标的种数，为第c种输入指标的松弛量，为第个决策单元的第e种输入指标，为第个决策单元的第c种输入指标，为第d种输出指标的松弛量，为第个决策单元的第e种输出指标，为第个决策单元的第d种输出指标，为第个决策单元的权重。

在一些实施方式中，所述S1包括：

S11、分析各电网基建项目画像特征与建设成效指标的关联性，形成电网基建项目画像特征与建设成效指标之间的映射关系；

S12、基于电网基建项目画像特征与建设成效指标之间的映射关系，构建电网基建项目画像与建设成效指标的传导模型。

在一些实施方式中，所述S11包括：

S111、分别计算各电网基建项目画像特征、各建设成效指标在往年的均值；

S112、基于得到的均值计算各电网基建项目画像特征与建设成效指标的协方差、标准差；

S113、基于协方差、标准差计算各电网基建项目画像特征与建设成效指标的person相关系数；

S114、剔除与各建设成效指标的person相关系数较小的电网基建项目画像特征，从而形成电网基建项目画像特征与建设成效指标之间的映射关系。

在一些实施方式中，所述S12采用胶囊神经网络构建电网基建项目画像与建设成效指标的传导模型。

第二方面，本发明提出一种海量电网基建项目建设时序优化***，包括传导模型建立模块、优化模型构建模块、优化模型求解模块；

所述传导模型建立模块用于建立电网基建项目画像特征与建设成效指标的传导模型；

所述优化模型构建模块用于基于所述传导模型，构建以建设成效最大和规划建设成本最小为目标的电网基建项目建设时序优化模型；

所述优化模型求解模块用于对所述电网基建项目建设时序优化模型进行求解，得到各电网基建项目的最优建设时序方案。

在一些实施方式中，所述优化模型构建模块用于构建如下电网基建项目建设时序优化模型：

；

建设成本约束：

；

供电能力约束：

；

电力需求约束：

；

上式中，为第j年的年度基本电力需求上式中，为电网基建项目的年度建设成效，为电网基建项目的年度规划建设成本，为第i个电网基建项目在第j年第k个月的成效逻辑变量，为第i个电网基建项目的预期成效值，为第i个电网基建项目在第j年第k个月的规划建设成本，为电网基建项目的总数，为电网基建项目的规划年数，为第u个建设成效指标的权重，为第i个电网基建项目的第u个建设成效指标的预期值，由所述传导模型计算得到，为第i个电网基建项目的规划建设成本最大值，为第i个电网基建项目在第j年第k个月的建设进度，为第j年第k个月的月度建设成本最大值，为第j年的年度建设成本最大值，为第j年第k个月投产的第i个电网基建项目的新增变电容量，为第j-1年的已有总装机容量，为满足第j年迎峰度夏负荷增长的基本电力需求，为满足第j年迎峰度冬负荷增长的基本电力需求。

在一些实施方式中，所述传导模型建立模块包括映射关系确定子模块、传导模型构建子模块；

所述映射关系确定子模块用于分析各电网基建项目画像特征与建设成效指标的关联性，形成电网基建项目画像特征与建设成效指标之间的映射关系；

所述传导模型构建子模块用于基于电网基建项目画像特征与建设成效指标之间的映射关系，构建电网基建项目画像与建设成效指标的传导模型。

在一些实施方式中，所述映射关系确定子模块包括均值计算单元、协方差和标准差计算单元、person相关系数计算单元、映射关系形成单元；

所述均值计算单元用于分别计算各电网基建项目画像特征、各建设成效指标在往年的均值；

所述协方差和标准差计算单元用于基于得到的均值计算各电网基建项目画像特征与建设成效指标的协方差、标准差；

所述person相关系数计算单元用于基于协方差、标准差计算各电网基建项目画像特征与建设成效指标的person相关系数；

所述映射关系形成单元用于剔除与各建设成效指标的person相关系数较小的电网基建项目画像特征，形成电网基建项目画像特征与建设成效指标之间的映射关系。

在一些实施方式中，所述传导模型构建子模块用于采用胶囊神经网络构建电网基建项目画像与建设成效指标的传导模型；

所述优化模型求解模块用于采用基于超效率包络分析模型的遗传算法对所述电网基建项目建设时序优化模型进行求解。

第三方面，本发明提出一种海量电网基建项目建设时序优化设备，包括处理器以及存储器；

所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；

所述处理器用于根据所述计算机程序代码中的指令执行上述海量电网基建项目建设时序优化方法。

第四方面，本发明提出一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述海量电网基建项目建设时序优化方法。

与现有技术相比，本发明的有益效果为：

1、本发明提出的海量电网基建项目建设时序优化方法，先建立电网基建项目画像特征与建设成效指标的传导模型，再基于所述传导模型，构建以建设成效最大和规划建设成本最小为目标的电网基建项目建设时序优化模型，然后对所述电网基建项目建设时序优化模型进行求解，得到各电网基建项目的最优建设时序方案，该方法充分考虑了各个项目的建设成效时间属性以及所要求的电力需求约束、建设成本约束、供电能力约束等约束条件以构建建设时序优化模型，通过求解该优化模型得到各基建项目的最优建设时序安排，实现了多约束条件下的海量电网基建项目建设时序的优化。

2、本发明提出的海量电网基建项目建设时序优化方法，通过分析各电网基建项目画像特征与建设成效指标的关联性，剔除与各建设成效指标关联性较弱的项目画像特征，形成电网基建项目画像特征与建设成效指标之间的映射关系，然后基于电网基建项目画像特征与建设成效指标之间的映射关系，采用胶囊神经网络构建电网基建项目画像与建设成效指标的传导模型，一方面，该方法为后续传导模型的构建过程筛选了数据，降低了模型构建过程的计算维度；另一方面，该方法通过胶囊神经网络构建传导模型，保证了传导模型的计算精度。

3、本发明提出的海量电网基建项目建设时序优化方法采用基于超效率包络分析模型的遗传算法对电网基建项目建设时序优化模型进行求解，该算法基于超效率SBM模型计算互不支配的电网基建项目建设时序组合种群的效率，最终将电网基建项目建设时序组合种群按效率值从大至小进行排序，以保留同类中效率值较高的个体，同时降低了算法的计算量和储存量。

附图说明

图1为实施例1得到的电网基建项目画像特征与建设成效指标之间的映射关系。

图2为实施例1采用的基于胶囊神经网络的电网基建项目画像特征与建设成效指标的多项表达式求解模型。

图3为实施例1采用的基于超效率包络分析模型的遗传算法流程图。

图4为实施例1中帕累托非支配分层排序的原理图。

图5为实施例1得到的电网基建项目建设时序帕累托前沿解集.

图6为实施例3所述***的框架图。

图7为实施例4所述设备的框架图。

具体实施方式

下面结合具体实施方式以及附图对本发明作进一步详细的说明。

胶囊神经网络：为使胶囊神经网络得到更好地训练与学习，进一步提高传导模型的精确度，可采用自适应矩估计优化算法通过反向传播算法对胶囊神经的网络参数进行优化训练。

传统的求解多目标问题的算法主要有第二代非支配排序遗传算法（NSGA-Ⅱ）和第三代非支配排序遗传算法（NSGA-Ⅲ），NSGA-Ⅱ算法使用了快速非支配排序法，降低了算法的计算复杂度，同时采用精英策略将父代个体与子代个体合并后进行非支配排序，使得搜索空间变大，并在同级个体中采用拥挤度的方法代替了需指定共享半径的适应度共享策略进行选择，保证了优秀个体能够有更大的概率被保留，但其非支配解的比例随着目标数量的增加而呈指数级增大，采用拥挤度的方法使得该算法存在计算量和存储量大的问题；NSGA-Ⅲ算法是由NSGA-Ⅱ算法改进而来的，解决了NSGA-II在计算三个及以上多目标优化问题时基于拥挤度选择策略导致种群陷入局部最优的缺陷，但在子代种群排序选择过程中无法体现种群的效率。对此，本申请提出可一种基于超效率包络分析模型的遗传算法，算法在NSGA-Ⅲ算法的基础上，基于超效率SBM模型计算互不支配的电网基建项目建设时序组合种群的效率，最终将电网基建项目建设时序组合种群按效率值从大至小进行排序，以保留同类中效率值较高的个体，同时降低了算法的计算量和储存量。

实施例1：

一种海量电网基建项目建设时序优化方法，该方法针对2年内的697个电网基建项目进行建设时序优化，依次按照以下步骤实施：

1、通过分析电网建设成效评价要素，建立电网基建建设成效指标体系以及电网基建项目画像，其中，所述建设成效指标体系包括提升线路N-1通过率、解决重过载设备数、提升设备利用率、提升综合电压合格率、提升户均配变容量、提升线路联络率、消除老旧、安全隐患设备数、单位建设成本增供负荷、单位建设成本降损电量、提升年人均用电量、单位固定资产售电量、提升新能源消纳率、提升新能源渗透率、新增电能替代电量比例、提升内部收益率、提升新能源消纳率、改善容载比、污染物减排量等表征电网基建项目的建设成效的指标，所述电网基建项目画像包括电压等级、报装容量、项目类别、项目性质、区域特征、建设时序、项目规模、工程驱动属性等体现电网基建项目属性的特征。

2、从已建成的电网基建项目中提取以往t年的项目画像特征，并基于这些已建成的电网基建项目的后评价结果获取其以往t年的建设成效指标值，然后基于下列公式分别计算各电网基建项目画像特征、各建设成效指标在t年内的均值：

；

上式中，为第w类电网基建项目画像特征在以往t年内的均值，为第h年第w类电网基建项目画像特征，为第u个建设成效指标值在以往t年内的均值，为第h年第u个建设成效指标值。

3、基于下列公式计算各电网基建项目画像特征与建设成效指标值的协方差、标准差：

；

上式中，为第w类电网基建项目画像特征与第u个建设成效指标的协方差，为第w类电网基建项目画像特征的标准差，为对应的第u个建设成效指标的标准差。

4、基于以下公式计算各电网基建项目画像特征与建设成效指标的person相关系数：

；

上式中，为第w类电网基建项目画像特征与第u个建设成效指标值的person相关系数。

5、剔除与各建设成效指标的person相关系数较小即关联性较弱的电网基建项目画像特征，从而形成如图1所示的新型电力***发展目标下的项目画像特征与建设成效指标之间的映射关系。

6、建立如图2所示的基于胶囊神经网络的电网基建项目画像特征与建设成效指标的多项表达式求解模型。该模型的网络结构包括七个部分：输入层、卷积层、第一线性层、关联胶囊层、耦合-关联胶囊层、第二线性层、回归层。

7、将影响各建设成效指标的所有电网基建项目画像特征历史数据输入模型的输入层，输入层采用数据扩充和数据维数转换技术将输入的一维数据样本转换为二维图像样本，并将这些二维图像样本作为卷积层的输入。随后卷积层对输入层输出的二维图像进行卷积计算，提取电网基建项目画像特征与建设成效指标之间的耦合特性（输入的二维图像包含多个特征图，每个特征图对应一个卷积核，包含该层网络提取到的一种特征，同一特征图内的神经元具有相同的权值和阈值。卷积层中的滤波器与输入图像建立局部连接，并利用滑动窗口进行卷积运算操作，提取输入样本数据的每一组特征值）。为了提取耦合特征，需要通过权重矩阵对滤波器进行不同设计，从而得到电网基建项目画像特征与建设成效指标之间的耦合特性，并将其抽象为网络参数作为第一线性层的输入。电网基建项目画像特征与建设成效指标之间的耦合特性的卷积运算表达式为：

；

上式中，为电网基建项目画像特征与建设成效指标耦合矩阵的第个特征图，为电网基建项目画像特征与建设成效指标耦合矩阵的输入图，表示卷积运算，为输入电网基建项目画像特征与建设成效指标耦合矩阵样本图像的共享权值，为输入电网基建项目画像特征与建设成效指标耦合矩阵样本图像的阈值，表示激活函数。

然后，电网基建项目画像特征与建设成效指标之间的耦合特性作为卷积层的输出被抽象成网络参数输入到第一线性层，通过第一线性层将耦合特性图转换为一维形式，并通过如下激活函数进行激活，整合形成全局耦合特征：

；

上式中，为提取的电网基建项目画像特征与建设成效指标之间的全局耦合特性，，J表示提取的耦合特征的数量，、分别为电网基建项目画像特征与建设成效指标之间的耦合特性样本图像的权值和阈值。

接着，关联胶囊层和耦合-关联胶囊层提取电网基建项目画像特征与建设成效指标之间的相关性，在不同的建设成效指标维度上，利用关联胶囊层对从不同输入图像样本上提取的耦合特性进行编码，捕捉卷积层所提取的耦合特性中的非线性关联特征，利用第一线性层整合的全局耦合特征表示电网基建项目画像特征与建设成效指标的关联性特征，得到关联胶囊对耦合-关联胶囊的预测值：

；

上式中，为用于捕捉电网基建项目画像特征与建设成效指标的关联性特征的隐函数，为网络参数。

耦合-关联胶囊会进一步将提取出来的电网基建项目画像与建设成效指标耦合特性中的关联信息从较低层的关联胶囊路由到适当的较高层的耦合-关联胶囊并进行迭代，利用耦合-关联胶囊捕捉到电网基建项目画像特征与建设成效指标之间的耦合-关联特征。

耦合-关联胶囊层输出的数据作为第二线性层的输入，将电网基建项目画像与多种建设成效指标之间的关联性数据重塑为一维形式。最后通过全连接回归层获得和电网基建项目画像特征对应的建设成效指标，即获得如下电网基建项目画像特征矩阵A与建设成效指标值矩阵B之间的传导模型：

；

上式中，为建设成效指标矩阵，为电网基建项目画像特征，为第u个建设成效指标值与第w类电网基建项目画像特征间的传导系数，m为建设成效指标的数量，n为电网基建项目画像特征的数量，本实施例取m=19，n=9。

8、将各电网基建项目的画像特征输入构建的传导模型，得到各电网基建项目的各建设成效指标预期值。

9、构建如下以年度建设成效最大和年度规划建设成本最小为目标的电网基建项目建设时序优化模型：

；

上式中，为电网基建项目的年度建设成效，为电网基建项目的年度规划建设成本，为第i个电网基建项目在第j年第k个月的成效逻辑变量，若第i个电网基建项目在第j年第k个月无成效，则=0，若第i个电网基建项目在第j年第k个月产生成效，则=1，为第i个电网基建项目的预期成效值，为第i个电网基建项目在第j年第k个月的规划建设成本，为电网基建项目的总数，为电网基建项目的规划年数，为第u个建设成效指标的权重，为第i个电网基建项目的第u个建设成效指标的预期值，由所述传导模型计算得到，为第i个电网基建项目的规划建设成本最大值，为第i个电网基建项目在第j年第k个月的建设进度，即完成率，取0-1，<1表示第i个电网基建项目在第j年第k个月仍在建设中，未产生成效，=1表示第i个电网基建项目在第j年第k个月的建设进度为100%，此时开始产生成效。

上述优化模型的约束条件包括：

建设成本约束：

由于电网基建项目数量规模庞大，电网的总规划建设成本不足以支撑所有项目同时进行建设，因此需对电网的规划建设成本进行约束。

；

供电能力约束：

电网供电能力受到极端天气、居民取暖制冷、工业用电迅猛攀升等诸多因素影响，局部地区面临冬夏时节用电高峰的严峻考验。为满足“迎峰度夏”和“迎峰度冬”的负荷增长需求，其供电能力约束如下：

；

电力需求约束：

；

上式中，为第j年的年度基本电力需求。

10、如图3所示，采用基于超效率包络分析模型的遗传算法对所述电网基建项目建设时序优化模型进行求解，具体包括：

10.1、设置电网基建项目建设时序组合种群规模T，最大迭代次数I，参考点H，令迭代次数k=0，初始化种群，形成初代种群；

S32、执行遗传进化操作，产生子代种群；

10.3、合并、得到规模为2T的新种群，对中的个体进行帕累托非支配分层排序（其具体工作原理如图4所示），得到，并将排序靠前的非支配层中的个体放入过渡种群中，直至中的个体数量大于等于T；

10.4、判断中个体数量否为T，若是，则进入10.6，否则进入10.5；

10.5、基于超效率SBM模型计算中排序最后的非支配层中的个体效率，并按效率从大至小对个体进行排序，剔除排序靠后的个体，使中的个体数量降为T；

10.6、以此时的作为第k+1代种群；

10.7、判断是否达到迭代次数，若达到，则进入10.8，否则返回10.2进行第k+1次迭代；

10.8、产生如图5所示的电网基建项目建设时序帕累托前沿解集，并基于超效率SBM模型计算各前沿解集的效率，以效率最大的前沿解集作为电网基建项目的最优建设时序方案。

所述超效率SBM模型为：

；

实施例2：

与实施例1的不同之处在于：

所述步骤7还包括采用自适应矩估计优化算法、通过反向传播算法对胶囊神经网络的网络参数进行优化，具体为：

（1）针对各建设成效指标，分别计算建设成效预测值与实际值之间的均方误差：

；

上式中，为均方误差，为训练集，、分别为第i个建设成效指标的预测值、实际值。

（2）将该均方误差由最后一层逐层反向传播，并基于下式更新网络参数：

；

上式中，为第t次迭代的网络参数，为学习率，为一个很小的数，、分别为、的偏差修正值，为第t次迭代时均方误差对网络参数求导所得的梯度，、分别为的一阶矩、二阶矩，、分别为一阶矩衰减系数、二阶矩衰减系数，、为第t次迭代的一阶矩衰减系数、二阶矩衰减系数；

（3）将更新网络参数后的均方误差值前向传播；

（4）循环重复（2）-（3），直至网络模型收敛，使均方误差最小。

在针对各建设成效指标分别训练不同的网络参数后，最终可以得到各建设成效指标与项目画像特征的传导模型。

实施例3：

如图6所示，一种海量电网基建项目建设时序优化***，包括传导模型建立模块1、优化模型构建模块2、优化模型求解模块3，所述传导模型建立模块1包括映射关系确定子模块11、传导模型构建子模块12，所述映射关系确定子模块11包括均值计算单元111、协方差和标准差计算单元112、person相关系数计算单元113、映射关系形成单元114。

所述均值计算单元111用于基于下式分别计算各电网基建项目画像特征、各建设成效指标在往年的均值；

；

所述协方差和标准差计算单元112用于基于下式计算各电网基建项目画像特征与建设成效指标的协方差、标准差：

；

所述person相关系数计算单元113用于基于下式计算各电网基建项目画像特征与建设成效指标的person相关系数：

；

所述映射关系形成单元114用于剔除与各建设成效指标的person相关系数较小的电网基建项目画像特征，形成电网基建项目画像特征与建设成效指标之间的映射关系。

所述传导模型构建子模块12用于基于电网基建项目画像特征与建设成效指标之间的映射关系，采用胶囊神经网络构建电网基建项目画像与建设成效指标的传导模型。

所述优化模型构建模块2用于基于所述传导模型，构建如下以建设成效最大和规划建设成本最小为目标的电网基建项目建设时序优化模型：

；

建设成本约束：

；

供电能力约束：

；

电力需求约束：

；

所述优化模型求解模块3用于采用实施例1所述基于超效率包络分析模型的遗传算法对所述电网基建项目建设时序优化模型进行求解，得到各电网基建项目的最优建设时序方案。

实施例4：

如图7所示，一种基于海量电网基建项目建设时序优化设备，包括处理器41以及存储器42，所述存储器42用于存储计算机程序代码43，并将所述计算机程序代码43传输给所述处理器41；所述处理器41用于根据所述计算机程序代码43中的指令执行实施例1或2所述的海量电网基建项目建设时序优化方法。

实施例5：

一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现实施例1或2所述的海量电网基建项目建设时序优化方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，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申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims

1.一种海量电网基建项目建设时序优化方法，其特征在于，

所述方法包括；

2.根据权利要求1所述的一种海量电网基建项目建设时序优化方法，其特征在于，

所述电网基建项目建设时序优化模型的目标函数为：

；

3.根据权利要求2所述的一种海量电网基建项目建设时序优化方法，其特征在于，

所述电网基建项目建设时序优化模型的约束条件包括：

建设成本约束：

；

供电能力约束：

；

电力需求约束：

；

上式中，为第j年的年度基本电力需求。

4.根据权利要求1所述的一种海量电网基建项目建设时序优化方法，其特征在于，

所述S3采用基于超效率包络分析模型的遗传算法对所述电网基建项目建设时序优化模型进行求解，包括：

S32、执行遗传进化操作，产生子代种群；

S34、判断中个体数量否为T，若是，则进入S36，否则进入S35；

S36、以此时的作为第k+1代种群；

5.根据权利要求4所述的一种海量电网基建项目建设时序优化方法，其特征在于，

所述S35包括：基于超效率SBM模型计算中排序最后的非支配层中的个体效率，并按效率从大至小对个体进行排序，剔除排序靠后的个体，使中的个体数量降为T；

所述超效率SBM模型为：

；

6.根据权利要求1所述的一种海量电网基建项目建设时序优化方法，其特征在于，

所述S1包括：

S11、分析各电网基建项目画像特征与建设成效指标的关联性，剔除与各建设成效指标关联性较弱的项目画像特征，形成电网基建项目画像特征与建设成效指标之间的映射关系；

7.根据权利要求6所述的一种海量电网基建项目建设时序优化方法，其特征在于，

所述S11包括：

8.根据权利要求6所述的一种海量电网基建项目建设时序优化方法，其特征在于，

所述S12采用胶囊神经网络构建电网基建项目画像与建设成效指标的传导模型。

9.一种海量电网基建项目建设时序优化***，其特征在于，

所述***包括传导模型建立模块（1）、优化模型构建模块（2）、优化模型求解模块（3）；

所述传导模型建立模块（1）用于建立电网基建项目画像特征与建设成效指标的传导模型；

所述优化模型构建模块（2）用于基于所述传导模型，构建以建设成效最大和规划建设成本最小为目标的电网基建项目建设时序优化模型；

所述优化模型求解模块（3）用于对所述电网基建项目建设时序优化模型进行求解，得到各电网基建项目的最优建设时序方案。

10.根据权利要求9所述的一种海量电网基建项目建设时序优化***，其特征在于，

所述优化模型构建模块（2）用于构建如下电网基建项目建设时序优化模型：

；

建设成本约束：

；

供电能力约束：

；

电力需求约束：

；

11.根据权利要求9所述的一种海量电网基建项目建设时序优化***，其特征在于，

所述传导模型建立模块（1）包括映射关系确定子模块（11）、传导模型构建子模块（12）；

所述映射关系确定子模块（11）用于分析各电网基建项目画像特征与建设成效指标的关联性，形成电网基建项目画像特征与建设成效指标之间的映射关系；

所述传导模型构建子模块（12）用于基于电网基建项目画像特征与建设成效指标之间的映射关系，构建电网基建项目画像与建设成效指标的传导模型。

12.根据权利要求11所述的一种海量电网基建项目建设时序优化***，其特征在于，

所述映射关系确定子模块（11）包括均值计算单元（111）、协方差和标准差计算单元（112）、person相关系数计算单元（113）、映射关系形成单元（114）；

所述均值计算单元（111）用于分别计算各电网基建项目画像特征、各建设成效指标在往年的均值；

所述协方差和标准差计算单元（112）用于基于得到的均值计算各电网基建项目画像特征与建设成效指标的协方差、标准差；

所述person相关系数计算单元（113）用于基于协方差、标准差计算各电网基建项目画像特征与建设成效指标的person相关系数；

所述映射关系形成单元（114）用于剔除与各建设成效指标的person相关系数较小的电网基建项目画像特征，形成电网基建项目画像特征与建设成效指标之间的映射关系。

13.根据权利要求11所述的一种海量电网基建项目建设时序优化***，其特征在于，

所述传导模型构建子模块（12）用于采用胶囊神经网络构建电网基建项目画像与建设成效指标的传导模型；

所述优化模型求解模块（3）用于采用基于超效率包络分析模型的遗传算法对所述电网基建项目建设时序优化模型进行求解。

14.一种海量电网基建项目建设时序优化设备，其特征在于，

所述设备包括处理器（41）以及存储器（42）；

所述存储器（42）用于存储计算机程序代码（43），并将所述计算机程序代码（43）传输给所述处理器（41）；

所述处理器（41）用于根据所述计算机程序代码（43）中的指令执行权利要求1-8中任一项所述的海量电网基建项目建设时序优化方法。

15.一种计算机可读存储介质，其特征在于，

所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-8中任一项所述的海量电网基建项目建设时序优化方法。