CN111144721A - 电网项目需求评价模型的构建方法、装置和计算设备 - Google Patents

Abstract

本发明公开了一种电网项目需求评价模型的构建方法，适于在计算设备中执行，包括：确定电网公司各项目的候选指标集，并从该候选指标集中确定各项目的需求指标；建立电网项目需求评价模型，该模型包括项目需求指标的三级网络结构，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；对该需求评价模型进行求解，得到所有需求指标的第一权重矩阵，以及所有二级需求的第二权重矩阵；获取项目对各需求指标的满足程度矩阵，并建立需求指标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；以及基于所建立的映射关系，计算每个项目对各级需求的满足程度。本发明还一并公开了对应的电网项目需求评价模型的构建装置和计算设备。

Description

电网项目需求评价模型的构建方法、装置和计算设备

技术领域

本发明涉及计算机与互联网技术领域，尤其涉及一种电网项目需求评价模型的构建方法、装置和计算设备。

背景技术

随着我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，开展新形势下电网投资优化研究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。

其中，项目需求预判和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。对项目需求成因进行诊断时，首先要从各类指标的需求诊断入手，确定电网项目所要满足的需求条件。只有准确计算了项目需求，才能得到项目的准确评价值，以最大化效益的进行投资计划分配。而通常项目都会有多种多样的需求，如果对每个需求都进行统计分析，既加重了计算量，也提高了数据分析难度，其中某些需求对项目而言可能并不是必须需求。而且现有对项目进行评价的方案中，其计算准确性仍然偏低，所得到的评价值无法真正代表该项目的实际完成状态和效果。

发明内容

鉴于上述问题，本发明提出了一种电网项目需求评价模型的构建方法、装置和计算设备，以力图解决或者至少解决上面存在的问题。

根据本发明的一个方面，提供了一种电网项目需求评价模型的构建方法，适于在计算设备中执行，该方法包括步骤：确定电网公司各项目的候选指标集，并从该候选指标集中确定各项目的需求指标；建立电网项目需求评价模型，该需求评价模型包括项目需求指标的三级网络结构，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；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，对需求评价模型进行求解，得到所有需求指标的第一权重矩阵，以及所有二级需求的第二权重矩阵；以及获取项目对各需求指标的满足程度矩阵，并建立需求指标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；以及基于所建立的第一和第二映射关系，计算每个项目对一级需求和二级需求的满足程度，以便根据该满足程度计算各项目的评分值。

可选地，在根据本发明的方法中，第一权重矩阵为

第二权重矩阵为

第一映射关系为

第二映射关系为

其中，

为指标i的权重值，

为需求r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，

为广义模型合成算子。

可选地，在根据本发明的方法中，候选指标集包括一个或多个候选指标，从该候选指标集中确定各项目的需求指标的步骤包括：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需求指标。

可选地，在根据本发明的方法中，在收集各候选指标的历史指标值和当前指标值之后，还包括步骤：将历史指标值和当前指标值进行归一化处理，得到无量纲值的数值。

可选地，在根据本发明的方法中，机器学习算法为长短期记忆神经网络LSTM模型算法。

可选地，在根据本发明的方法中，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),…,(x_N,y_N)}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y_k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y_t；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y_t；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y_t，直至模型预估误差达到最小值；将所获得的多个y_t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。

可选地，在根据本发明的方法中，

η_k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

中消除系统误差

后的校正误差。

可选地，在根据本发明的方法中，若将排序后的y_t记为Q₍₁₎,Q₍₂₎,…Q_(c)，则所述预定区间为Q_(cα2)＜y_t＜Q_(c-cα/2))，α为系数。

可选地，在根据本发明的方法中，还包括步骤：计算需求指标的当前指标值和标准值区间的偏差，作为该需求指标的需求度，并根据该需求度将每个项目的多个需求指标进行降序排序。

可选地，在根据本发明的方法中，当前指标值和标准值区间的偏差根据以下步骤计算：从标准值区间中确定与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。

可选地，在根据本发明的方法中，需求指标包括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、信息安检频次中的至少一种。

根据本发明的另一个方面，提供了电网项目需求满足程度的确定装置，适于驻留在计算设备中，该装置包括：

指标确定模块，适于确定电网公司各项目的候选指标集，并从该候选指标集中确定各项目的需求指标；模型构建模块，适于建立电网项目需求评价模型，该需求评价模型包括项目需求指标的三级网络结构，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；权重计算模块，适于采用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，对需求评价模型进行求解，得到所有需求指标的第一权重矩阵，以及所有二级需求的第二权重矩阵；映射计算模块，适于获取项目对各需求指标的满足程度矩阵，并获取需求指标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；以及终值计算模块，适于基于所建立的第一和第二映射关系，计算每个项目对一级需求和二级需求的满足程度，以便根据该满足程度计算各项目的评分值。

根据本发明的另一方面，提供了一种计算设备，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电网项目需求评价模型的构建方法的步骤。

根据本发明的又一方面，提供了一种存储一个或多个程序的可读存储介质，该一个或多个程序包括指令，所述指令当由计算设备执行时实现如上所述的电网项目需求评价模型的构建方法的步骤。

根据本发明的技术方案，在项目需求评价模型中，构建了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，最终可计算计算得出每个项目对二级需求和一级需求的满足情况，以便对项目进行综合评价。

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。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的计算设备100的结构图；

图2示出了根据本发明一个实施例的电网项目需求评价模型的构建方法200的流程图；

图3示出了根据本发明一个实施例的项目需求指标的三级网络结构的示意图；

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的流程图；

图5示出了根据本发明一个实施例的候选指标的标准值区间确定方法500的流程图；以及

图6示出了根据本发明一个实施例的电网项目需求评价模型的构建装置600的结构图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是根据本发明一个实施例的计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器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和系统存储器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，系统存储器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。系统存储器106可以包括操作系统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可以布置为在操作系统上利用程序数据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电网项目需求评价模型的构建方法200和/或标准值区间确定方法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电网项目需求指标的电网项目需求评价模型的构建方法200和/或标准值区间确定方法500。

图2示出了根据本发明一个实施例的电网项目需求评价模型的构建方法200的流程示意图。方法200在计算设备中执行，如在计算设备100中执行，以确定电网项目进行准确评价。

如图2所示，该方法始于步骤S210。在步骤S210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。

一般地，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。

根据一个实施例，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。候选指标的确定过程将在后文的描述中公开，这里暂不赘述。

随后，在步骤S220中，建立电网项目需求评价模型，该需求评价模型包括项目需求指标的三级网络结构。该三级网络结构如图3所示，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，一级需求指标层包括p个一级需求。

其中，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。一级需求层包括经济型需求、安全性需求和政策性需求中的一种或多种。根据一个实施例，一级需求层包括这三种需求，此时p＝3。

随后，在步骤S230中，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，对电网项目需求评价模型进行求解，得到所有需求指标的权重矩阵

以及所有二级需求的权重矩阵

其中，

为指标i的权重值，

为需求r的的权重值。

本发明的主要目的是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，以便对项目进行综合评价。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U_i(i＝1,2,…,n)为次准则，将其他元素集U_j(j＝1,2,…,n)对U_i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U_i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U_i(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，即各指标因素的权重值。同理可求得二级需求的权重值为

随后，在步骤S240中，获取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映射关系

以及二级需求到一级需求的映射关系

其中，项目对各需求指标的满足程度可以通过人为定义或根据指标值进行自动打分后生成，Y和Z分别代表项目对二级需求和一级需求的满足程度，

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S250中，基于所建立的两个映射关系，计算每个项目对一级需求和二级需求的满足程度，这样就可根据该满足程度计算各项目的综合评价值。例如，对于某生产技改、大修类项目，分别得到该项目对每个需求指标的满足程度矩阵，再根据权重矩阵A，即可得到项目对二级需求的满足情况。对所有同级需求的满足程度进行加权求和，即可得到项目的综合评分值。另外，方法200还可以计算各项目的各需求指标的指标值，并对各指标值进行加权求和，得到该项目的指标评价值。

根据本发明的一个实施例，在上述步骤S210中确定项目的需求指标时，可以按照图4中的步骤S211和步骤S212来实现：

在步骤S211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，可以根据电网系统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，因此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：υ_no_rm＝(υ-υ_min)/(υ_max-υ_min)。其中，υ_no_rm为某项目的某指标值的υ归一化后的数值，υ_max和υ_min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。

根据本发明的一个实施例，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i_t、遗忘门f_t、输出门o_t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x_t以及上一时刻的输出值h_t-1和记忆单元状态c_t-1，可以计算得到该时刻的输入门i_t、遗忘门f_t，输出门o_t、记忆单元候选值

记忆单元状态值c_t和隐藏层输出值h_t如下式所示：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i)

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)

h_t＝o_t×tanh(c_t)

式中，W_ix、W_ih分别为输入值、上时刻输出值到输入门的权重矩阵；W_fx、W_fh分别为输入值、上时刻输出值到遗忘门的权重矩阵；W_ox、W_oh分别为输入值、上时刻输出值到输出门的权重矩阵；W_cx、W_ch分别为输入值、上时刻输出值到记忆单元候选值的权重矩阵；b_i、b_f、b_o、b_c分别为输入门、输出门、遗忘门和记忆单元的偏置量；σ(·)为sigmoid函数，tanh(·)为双曲线正切函数。

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S212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。

具体地，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。

根据一个实施例，还可以在步骤S213中，计算需求指标的当前指标值和标准值区间的偏差，作为该需求指标的需求度，并根据该需求度将每个项目的多个需求指标进行降序排序。

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，可以将项目i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。依据电网项目对各项指标的需求，结合实际情况，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。

此外，在步骤S211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，具体可以通过图5中的标准值区间确定方法500来实现。如图5所示，方法500始于步骤S510。

在步骤S510中，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),…,(x_N,y_N)}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S520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y_k和预估值

的预估误差

其中，

也就是将x₁、x₂、……、x_N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

k＝1,2,……,N。之后，需要从预估误差

消除系统误差

的影响，即：

之后，在步骤S530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y_t。也就是将t时刻对应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y_t。

之后，在步骤S540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，η_k为服从均值为0且方差为1的恒等分布。

之后，在步骤S550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y_t。

之后，在步骤S560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y_t，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y_t。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y_t。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S570中，将所获得的多个y_t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y_t记为Q₍₁₎,Q₍₂₎,…Q_(c)，则预定区间为Q_(cα/2)＜y_t＜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y_t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。

另外，如前文所述，电网项目中可以有多种专项类别，每种类别下可以有多个项目。在另一种实现方式中，方法200还可以对同一类别的多个电网项目进行分级排序，以将最值得投资的项目优先排在靠前位置，这样在进行后续的投资金额优化时，同类专项下的前几个项目可以得到最好的投资配额，采用该计算出的配额来进行实际投资时，可实现最大投资回报率。

具体地，对于任一专项类别，采用熵权法确定该类专项下各需求指标的客观权重值μ_i(i＝1,2……,N)。若Q_i为第i项指标的熵值，则μ_i的计算公式为：

之后，获取专家对各需求指标的主观排序关系，并获取序关系中相邻两个需求指标的重要度之比(该重要度之比可由专家赋值得到)。之后，计算L个专家的权重值，并根据相邻两个需求指标的重要度之比，计算各需求指标的主观权重值υ_i。

L个专家的权重值是专家分别对相邻两个需求指标进行重要性判断的准确性得分的总分，在进行准确性判断采用少数服从多数原则。若L个专家的权重值为a＝(a₁,a₂,……，a_L)，第e个专家的权重为a_e，第s-1个指标与第s个指标的重要度之比为r_s＝ω_s-1/ω_s，则计算各需求指标的主观权重值的步骤包括：基于第e个专家对相邻两个需求指标的重要度之比赋值，计算得到第e个专家下第n个指标的子权重ω_e,n为：

之后，基于ω_e,n依次计算第e专家下其他指标的子权重ω_e,i-1＝r_e,iω_e,i(k＝n,n-1,…,2)。对于第i个指标，基于所有专家对该指标的子权重，计算该指标的主观权重值为

之后，基于各需求指标客观权重值和主观权重值，计算该指标的组合权重值λ_i(i＝1,2……,n)。获取该专项中各目标项目的各需求指标的指标值，并结合各指标的组合权重值，计算各目标项目的分值；以及根据该专项中多个目标项目的分值对该多个目标项目进行分级排序。

第i个指标的组合权重值为λ_i＝αv_i+βμ_i，其中α和β分别为主观和客观权重系数，且α·β≥0，α+β＝1，0≤α≤1，0≤β≤1。可以建立有关该α和β的二元优化模型，并通过拉格朗日算法来计算该α和β的准确值。根据一个实施例，可以将各需求指标的指标值进行归一化处理，并将归一化后的数值乘以该指标的组合权重值，即可得到该指标的最终分值。

图6示出了根据本发明一个实施例的电网项目需求评价模型的构建装置600的结构框图，该装置600可以驻留在计算设备中，如驻留在计算设备100中。如图6所示，装置600包括：指标确定模块610、模型构建模块620、权重计算模块630、映射计算模块640、终值计算模块650。

指标确定模块610确定电网公司各项目的候选指标集，并从该候选指标集中确定各项目的需求指标。指标确定模块610可以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需求指标。指标确定模块610还可以计算需求指标的当前指标值和标准值区间的偏差，作为该需求指标的需求度，并根据该需求度将每个项目的多个需求指标进行降序排序。指标确定模块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建立电网项目需求评价模型，该需求评价模型包括项目需求指标的三级网络结构，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，所述需求指标层包括n个需求指标，所述二级需求层包括m个二级需求。模型构建模块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。

权重计算模块630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，对需求评价模型进行求解，得到所有需求指标的第一权重矩阵，以及所有二级需求的第二权重矩阵。权重计算模块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。

映射计算模块640获取项目对各需求指标的满足程度矩阵，并建立需求指标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。映射计算模块640可以进行与上面在步骤S240中描述的处理相对应的处理，这里不再展开赘述。

终值计算模块650基于所建立的第一和第二映射关系，计算每个项目对一级需求和二级需求的满足程度，以便根据该满足程度计算各项目的评分值。终值计算模块650可以进行与上面在步骤S250中描述的处理相对应的处理，这里不再展开赘述。终值计算模块650还可以对同类项目的多个项目进行分级排序，其具体排序过程可参考前文方法200中的描述，这里不再赘述。

根据本发明的技术方案，根据所确定的需求指标构建电网项目需求评价模型，该需求评价模型包括三级网络结构，并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，执行本发明的电网项目需求评价模型的构建方法。

A8、如A6所述的方法，其中若将排序后的y_t记为Q₍₁₎,Q₍₂₎,…Q_(c)，则所述预定区间为Q_(cα/2)＜y_t＜Q_(c-cα/2))，α为系数。A9、如A3所述的方法，还包括步骤：计算所述需求指标的当前指标值和标准值区间的偏差，作为该需求指标的需求度，并根据该需求度将每个项目的多个需求指标进行降序排序。A10、如A9所述的方法，其中，所述当前指标值和标准值区间的偏差根据以下步骤计算：从所述标准值区间中确定与所述当前指标值最接近的边界值，该边界值与所述当前指标值的差值的绝对值，即为所述偏差。A11、如A1-A10中任一项所述的方法，其中所述需求指标包括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、信息安检频次中的至少一种。

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、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统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(包括伴随的权利要求、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(包括伴随的权利要求、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系统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。如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种电网项目需求评价模型的构建方法，适于在计算设备中执行，所述方法包括步骤：

确定电网公司各项目的候选指标集，并从该候选指标集中确定各项目的需求指标；

建立电网项目需求评价模型，所述需求评价模型包括项目需求指标的三级网络结构，所述三级网络结构包括需求指标层、二级需求层和一级需求层，所述需求指标层包括n个需求指标，所述二级需求层包括m个二级需求；

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，对所述需求评价模型进行求解，得到所有需求指标的第一权重矩阵，以及所有二级需求的第二权重矩阵；以及

获取项目对各需求指标的满足程度矩阵，并建立需求指标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；以及

基于所建立的第一和第二映射关系，计算每个项目对一级需求和二级需求的满足程度，以便根据该满足程度计算各项目的评分值。

2.如权利要求1所述的方法，其中，

第一权重矩阵为

第二权重矩阵为

第一映射关系为

第二映射关系为

其中，

为指标i的权重值，

为需求r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，

为广义模型合成算子。

3.如权利要求1所述的方法，其中，所述候选指标集包括一个或多个候选指标，所述从该候选指标集中确定各项目的需求指标的步骤包括：

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需求指标。

4.如权利要求3所述的方法，其中在收集各候选指标的历史指标值和当前指标值之后，还包括步骤：

将所述历史指标值和当前指标值进行归一化处理，得到无量纲值的数值。

5.如权利要求3所述的方法，其中所述机器学习算法为长短期记忆神经网络LSTM模型算法。

6.如权利要求3-5中任一项所述的方法，其中所述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),…,(x_N,y_N)}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y_k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y_t；

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y_t；

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y_t，直至模型预估误差达到最小值；

将所获得的多个y_t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。

7.如权利要求6所述的方法，其中，

η_k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

中消除系统误差

后的校正误差。

8.一种电网项目需求满足程度的确定装置，适于驻留在计算设备中，所述装置包括：

指标确定模块，适于确定电网公司各项目的候选指标集，并从该候选指标集中确定各项目的需求指标；

模型构建模块，适于建立电网项目需求评价模型，所述需求评价模型包括项目需求指标的三级网络结构，所述三级网络结构包括需求指标层、二级需求层和一级需求层，所述需求指标层包括n个需求指标，所述二级需求层包括m个二级需求；

权重计算模块，适于采用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，对所述需求评价模型进行求解，得到所有需求指标的第一权重矩阵，以及所有二级需求的第二权重矩阵；

映射计算模块，适于获取项目对各需求指标的满足程度矩阵，并建立需求指标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；以及

终值计算模块，适于基于所建立的第一和第二映射关系，计算每个项目对一级需求和二级需求的满足程度，以便根据该满足程度计算各项目的评分值。

9.一种计算设备，包括：

至少一个处理器；以及

存储器，存储有程序指令，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-7中任一项所述的方法的指令。

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1-7中任一项所述的方法。

Images