CN112149976B - 一种基于人工智能的电网精准投资项目决策方法 - Google Patents
一种基于人工智能的电网精准投资项目决策方法 Download PDFInfo
- Publication number
- CN112149976B CN112149976B CN202010959060.1A CN202010959060A CN112149976B CN 112149976 B CN112149976 B CN 112149976B CN 202010959060 A CN202010959060 A CN 202010959060A CN 112149976 B CN112149976 B CN 112149976B
- Authority
- CN
- China
- Prior art keywords
- index
- decision
- data
- weight
- decided
- 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.)
- Active
Links
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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提出了一种基于人工智能的电网精准投资项目决策方法。本发明通过不同决策维度下的不同指标、不同决策维度下的不同指标的指标类型建立精准投资项目决策指标体系;根据不同决策维度的不同指标的指标类型,对各待决策项目对应的不同决策维度下的不同指标的指标值进行量化评分;基于熵权法与变异系数法计算初始客观权重,由人工智能学习历史决策经验得到的权重,计算最终客观权重;将指标量化评分与最终客观权重进行加权计算得到待决策项目的综合评分,结合待决策项目综合评分对项目进行排序优选,以辅助电网开展精准投资决策。本发明指标体系来源可靠、指标体系具有可量化性、决策模型具有动态跟踪性,且本发明电网投资项目决策精度高。
Description
技术领域
本发明属于电网高质量发展精准投资决策领域,尤其涉及一种基于人工智能的电网精准投资项目决策方法。
背景技术
在“互联网+”、电力大数据以及人工智能蓬勃发展的时代背景下,电力企业需要从自身开始,打破部门间数据壁垒,实现效益最大化;同时在电网高质量发展的要求下,调整投资结构,实现资源配置优化,以一定的投入获取最大的产出。辅以数据挖掘以及人工智能技术,电网工程项目为适应高质量发展的新要求,必须实现精准投资。
目前,电网企业投资大多还处于依靠经验的投资阶段,依赖人工进行投资决策,一方面难以对负荷增长进行正确的预判,另一方面容易受到主观意识的干扰,无法对项目的具体收益进行精准定位与精确判断,亟需形成精准投资策略,提升电网企业精准投资水平。
在目前的项目决策体系中,仍存在一些问题。首先,目前所采用的指标体系中,没有考虑到电压等级的不同。对电网来说,不同电压等级的网架侧重点不同。220kV及以上主网架侧重支撑电网安全运行,而110kV及以下配电网需要考虑用户用电问题。将主网架项目与配电网项目采用同一套指标体系,无法正确评估各个项目的实际改善情况;其次,现有的指标体系更加侧重于经济性效益与成本,而实际的电网运行不同于一般经济类项目的投资决策,更多的是将电网运行的安全与用户用电体验放在经济效益前,保障国家的经济生产平稳运行。
同时,在目前的项目决策模型中,存在以下问题亟需解决。首先,没有一个完全剔除人工参与的指标量化方式,那么在进行数值量化时,加入的人工主观因素会干扰指标得分,后续对项目排序会有精确度的影响;其次,在权重设置方面,大多投资决策模型均采用德尔菲法、层次分析法等,无法真正体现某项指标对项目筛选的重要程度,同时德尔菲法和层次分析法还易于引入主观意识,造成项目排序的偏差。
发明内容
本发明的目的是提供一种基于人工智能的电网精准投资项目决策方法。
本发明针对不同电压等级分别建立了包含地区现状、改善情况、经济性等决策维度的指标体系;对于项目的指标数据值采用基于隶属度函数的指标量化评分方法进行量化;最后,利用客观赋权方法和人工智能技术设置可根据电网发展侧重点变化而动态调整的指标权重。
本发明采用如下的技术方案:
一种基于人工智能的电网精准投资项目决策方法,包括以下步骤:
步骤1,通过不同决策维度下的不同指标、不同决策维度下的不同指标的指标类型建立精准投资项目决策指标体系;
步骤2,根据不同决策维度的不同指标的指标类型,对各待决策项目对应的不同决策维度下的不同指标的指标值进行量化评分;
步骤3,基于熵权法与变异系数法计算初始客观权重,由人工智能学习历史决策经验得到的权重,计算最终客观权重;
步骤4,通过将步骤2计算得到的指标量化评分与步骤3计算得到的最终客观权重进行加权计算,可得到待决策项目的综合评分,结合待决策项目综合评分对项目进行排序优选,以辅助电网开展精准投资决策。
作为优选,步骤1所述不同决策维度下的不同指标为:indexl,m;
其中,indexl,m为第l个决策维度下的第m个指标,l∈[1,L],m∈[1,M],L为决策维度的数量,M为对应决策维度下指标的数量;
步骤1所述不同决策维度下的不同指标的指标类型为:
其中,typel,m为第l个决策维度下的第m个指标的指标类型,l∈[1,L],m∈[1,M],L为决策维度的数量,M为对应决策维度下指标的数量;
typel,m在定义指标后由人工根据指标类别与实际意义给出。
作为优选,步骤2所述各待决策项目对应的不同决策维度下的不同指标的指标值为:datal,m(n)
其中,datal,m(n)为第n个待决策项目对应的第l个决策维度下第m个指标的指标值,l∈[1,L],m∈[1,M],n∈[1,N],L为决策维度的数量,M为对应决策维度下指标的数量,N为待决策项目的数量;
步骤2所述计算各待决策项目对应的不同决策维度下的不同指标的指标值的量化评分为:
所述各待决策项目对应的不同决策维度下的不同指标的指标值的量化评分为:scorel,m(n);
其中,scorel,m(n)为第n个待决策项目对应的第l个决策维度下第m个指标的指标值的量化评分,l∈[1,L],m∈[1,M],n∈[1,N],L为决策维度的数量,M为对应决策维度下指标的数量,N为待决策项目的数量;
当typel,m=1时,表示指标为0-1类正指标,所述0-1类正指标的指标值为0或1;
若datal,m(n)=1,则scorel,m(n)=100;若datal,m(n)=0,则scorel,m(n)=0;
当typel,m=2时,表示指标为0-1逆指标,所述0-1类逆指标的指标值为0或1;
若datal,m(n)=0,则scorel,m(n)=100;若datal,m(n)=1,则scorel,m(n)=0;
当typel,m=3时,表示指标为区间类型指标,通过梯形函数分布模型计算区间类型指标的指标量化评分,具体为:
其中,a1、a2、b1、b2分别为梯形评分函数线性部分的第一函数参数、梯形评分函数线性部分的第二函数参数、梯形评分函数线性部分的第三函数参数、梯形评分函数线性部分的第四函数参数,c1、c2、c3、c4依次为指标值的第一分类阈值、指标值的第二分类阈值、指标值的第三分类阈值、指标值的第四分类阈值;
当typel,m=4时,表示指标为非0-1类正指标,采用隶属度函数模型集合计算非0-1类正指标的指标量化评分,具体如下:
所述隶属度函数模型集合由正态分布、指数分布等多个概率分布函数模型构成,分别表示为:
model1,model2,…,modelk
其中,modelk为第k个概率分布函数模型,k∈[1,K],K为分布函数模型的数量;
将指标值[datal,m(1),datal,m(2),…,datal,m(N)]分别用K个概率分布函数模型对其数据分布情况进行拟合,选择拟合误差最小的分布函数模型作为指标值[datal,m(1),datal,m(2),…,datal,m(N)]的概率分布函数f(x);
同时,计算概率分布函数f(x)对应的累计分布函数F(x)作为指标indexl,m对应的指标值[datal,m(1),datal,m(2),…,datal,m(N)]的隶属度函数;
并将F(x)从0-1区间映射到0-100区间作为该指标值的量化评分:
scorel,m(n)=F(datal,m(n))*100
当typel,m=5时,表示指标为非0-1类逆指标,此时需要先对指标值进行正向化处理:
datal,m(n)′=datal,m(0)-datal,m(n)
其中,datal,m(0)为一固定常数,可取为[datal,m(1),datal,m(2),…,datal,m(N)]的最大值。
经正向化处理后得到的指标值[datal,m(1)′,datal,m(2)′,…,datal,m(N)′]可采用与typel,m=4的指标值相同的量化评分方法即隶属度函数模型进行指标值量化。
作为优选,步骤3所述基于熵权法与变异系数法计算初始客观权重为:
采用数据驱动的方式,根据步骤2中计算的各指标值的量化评分scorel,m(n)利用熵权法与变异系数法分别计算出相应权重,并将二者所给出的权重进行平均得出初始客观权重ωl,m 3,计算如下:
其中,ωl,m 1为熵权法所得权重,ωl,m 2为变异系数法所得权重。
步骤3所述由人工智能学习历史决策经验得到的权重为:
根据人工智能学习历史决策经验得到的权重ωl,m 4与步骤2中计算的各指标值的量化评分scorel,m(n)计算所得的待决策项目综合评分Sl,m(n)为:
Sl,m(n)=ωl,m 4·scorel,m(n)
根据上述计算所得的待决策项目综合评分Sl,m(n)可得出待决策项目排序结果rankl,m(n)′为:
设根据决策专家的决策经验和已建项目的投资演化效果给定的待决策项目项目排序为rankl,m(n),则目标函数为rankl,m(n)′与rankl,m(n)之间的差距,即:
采用人工智能的有监督学习算法对其求解,在损失函数里添加正则化项防止过拟合,即
其中,γ为正则化系数。
采用梯度下降的方法进行求解,参数wl,m 4的迭代更新式为
其中,k为迭代次数,α为学习率;
当目标函数最小化,采用梯度下降的方法进行求解得到人工智能学习历史决策经验得到的权重,即为ωl,m 4;
第j年开始决策时,首先通过基于熵权法与变异系数法计算初始客观权重ωl,m j,3;
将前一年的最终权重ωl,m j-1乘以一定的折扣因子β作为第j-1年至第j年的传递权重βωl,m j-1;
并将客观权重ωl,m j,3与传递权重βωl,m j-1进行平均作为第j年权重的初始值ωl,m j进行权重排序;
若根据ωl,m j与第j年指标量化评分计算所得的待决策项目排序结果rankl,m(n)′无法满足决策需求时,再次设置学习目标rankl,m(n),利用人工智能学习历史决策经验对权重体系进行再次学习调整。
步骤3所述的最终客观权重为:
本发明具有如下优点:
指标体系来源可靠。在保证精准投资科学性与完整性的同时,贴合电网实际决策项目的全过程,将电网追求经济效益与承担社会责任双重目标相统一。
指标体系具有可量化性。指标体系建立后,如何正确的对指标数值进行量化关系到最终的排序结果。本发明考虑到电网实际决策过程,采用全新的数据驱动方式,将指标数据进行分布拟合,由数据内部规律建立基于数据分布拟合的隶属度函数,即累积分布函数(CDF),对各指标数值进行评分归一化。
决策模型具有动态跟踪性。本发明采用基于人工智能的权重优化方案,在客观赋权的基础上,创新性地将人工智能算法融入电网投资决策过程。首先,学习历年的专家决策经验和已建项目的投资演化效果,在客观赋权法的基础上进行权重优化;其次,后期权重调整均在前期权重的基础上,可根据决策需求不断迭代更新,保证决策模型的动态跟踪性。
附图说明
图1:是精准投资项目决策技术路线图;
图2:是精准投资决策指标体系(220kV)结构图;
图3:是精准投资决策指标体系(110kV)结构图;
图4:是精准投资决策指标体系(35kV)结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明基于人工智能的电网精准投资项目决策方法的具体步骤如下:
步骤1,通过不同决策维度下的不同指标、不同决策维度下的不同指标的指标类型建立精准投资项目决策指标体系;
基于完整性、实用性、适用性、独立性、唯一性、可量化性等原则,考虑不同电压等级在电网建设中的侧重点不同,可根据决策需求针对不同电压等级分别构建决策指标体系。本发明采用从地区现状、改善情况、经济性等决策维度构建决策指标体系,所有指标源自但并不限于《电网发展诊断分析报告》、《电网项目可行性研究报告》等报告中的可量化指标。
步骤1所述不同决策维度下的不同指标为:indexl,m;
其中,indexl,m为第l个决策维度下的第m个指标,l∈[1,L],m∈[1,M],L为决策维度的数量,M为对应决策维度下指标的数量;
步骤1所述不同决策维度下的不同指标的指标类型为:
其中,typel,m为第l个决策维度下的第m个指标的指标类型,l∈[1,L],m∈[1,M],L为决策维度的数量,M为对应决策维度下指标的数量;
typel,m在定义指标后由人工根据指标类别与实际意义给出;
本发明的图2~图4分别为电压等级为220kV、110kV、35kV时,所建立的不同电压等级下决策指标体系结构图(仅给出部分指标名称)。
步骤2,根据不同决策维度的不同指标的指标类型,对各待决策项目对应的不同决策维度下的不同指标的指标值进行量化评分;
步骤2所述各待决策项目对应的不同决策维度下的不同指标的指标值为:datal,m(n)
其中,datal,m(n)为第n个待决策项目对应的第l个决策维度下第m个指标的指标值,l∈[1,L],m∈[1,M],n∈[1,N],L为决策维度的数量,M为对应决策维度下指标的数量,N为待决策项目的数量;
步骤2所述计算各待决策项目对应的不同决策维度下的不同指标的指标值的量化评分为:
所述各待决策项目对应的不同决策维度下的不同指标的指标值的量化评分为:scorel,m(n);
其中,scorel,m(n)为第n个待决策项目对应的第l个决策维度下第m个指标的指标值的量化评分,l∈[1,L],m∈[1,M],n∈[1,N],L为决策维度的数量,M为对应决策维度下指标的数量,N为待决策项目的数量;
当typel,m=1时,表示指标为0-1类正指标,所述0-1类正指标的指标值为0或1;
若datal,m(n)=1,则scorel,m(n)=100;若datal,m(n)=0,则scorel,m(n)=0;
当typel,m=2时,表示指标为0-1逆指标,所述0-1类逆指标的指标值为0或1;
若datal,m(n)=0,则scorel,m(n)=100;若datal,m(n)=1,则scorel,m(n)=0;
当typel,m=3时,表示指标为区间类型指标,通过梯形函数分布模型计算区间类型指标的指标量化评分,具体为:
其中,a1、α2、b1、b2分别为梯形评分函数线性部分的第一函数参数、梯形评分函数线性部分的第二函数参数、梯形评分函数线性部分的第三函数参数、梯形评分函数线性部分的第四函数参数,c1、c2、c3、c4依次为指标值的第一分类阈值、指标值的第二分类阈值、指标值的第三分类阈值、指标值的第四分类阈值;
当typel,m=4时,表示指标为非0-1类正指标,采用隶属度函数模型集合计算非0-1类正指标的指标量化评分,具体如下:
所述隶属度函数模型集合由正态分布、指数分布等多个概率分布函数模型构成,分别表示为:
model1,model2,…,modelk
其中,modelk为第k个概率分布函数模型,k∈[1,K],K为分布函数模型的数量;
将指标值[datal,m(1),datal,m(2),…,datal,m(N)]分别用K个概率分布函数模型对其数据分布情况进行拟合,选择拟合误差最小的分布函数模型作为指标值[datal,m(1),datal,m(2),…,datal,m(N)]的概率分布函数f(x);
同时,计算概率分布函数f(x)对应的累计分布函数F(x)作为指标indexl,m对应的指标值[datal,m(1),datal,m(2),…,datal,m(N)]的隶属度函数;
并将F(x)从0-1区间映射到0-100区间作为该指标值的量化评分:
scorel,m(n)=F(datal,m(n))*100
当typel,m=5时,表示指标为非0-1类逆指标,此时需要先对指标值进行正向化处理,如式(3)所示:
datal,m(n)′=datal,m(0)-datal,m(n)
其中,datal,m(0)为一固定常数,可取为[datal,m(1),datal,m(2),…,datal,m(N)]的最大值。
经正向化处理后得到的指标值[datal,m(1)′,datal,m(2)′,…,datal,m(N)′]可采用与typel,m=4的指标值相同的量化评分方法即隶属度函数模型进行指标值量化。
步骤3,基于熵权法与变异系数法计算初始客观权重,由人工智能学习历史决策经验得到的权重,计算最终客观权重;
根据步骤2中计算的各指标值的量化评分进行指标权重设置,各待决策项目对应的同一指标的指标值的权重为同一权重值;
步骤3所述基于熵权法与变异系数法计算初始客观权重为:
采用数据驱动的方式,根据步骤2中计算的各指标值的量化评分scorel,m(n)利用熵权法与变异系数法分别计算出相应权重,并将二者所给出的权重进行平均得出初始客观权重ωl,m 3,计算如下:
其中,ωl,m 1为熵权法所得权重,ωl,m 2为变异系数法所得权重。
步骤3所述由人工智能学习历史决策经验得到的权重为:
根据人工智能学习历史决策经验得到的权重ωl,m 4与步骤2中计算的各指标值的量化评分scorel,m(n)计算所得的待决策项目综合评分Sl,m(n)为:
Sl,m(n)=ωl,m 4·scorel,m(n)
根据上述计算所得的待决策项目综合评分Sl,m(n)可得出待决策项目排序结果rankl,m(n)′为:
设根据决策专家的决策经验和已建项目的投资演化效果给定的待决策项目项目排序为rankl,m(n),则目标函数为rankl,m(n)′与rankl,m(n)之间的差距,即:
采用人工智能的有监督学习算法对其求解,在损失函数里添加正则化项防止过拟合,即
其中,正则化系数γ可取为0.001。
采用梯度下降的方法进行求解,参数ωl,m 4的迭代更新式为
其中,k为迭代次数,α为学习率,可取为0.01;
当目标函数最小化,采用梯度下降的方法进行求解得到人工智能学习历史决策经验得到的权重,即为ωl,m 4;
第j年开始决策时,首先通过基于熵权法与变异系数法计算初始客观权重ωl,m j,3;
将前一年的最终权重ωl,m j-1乘以一定的折扣因子β作为第j-1年至第j年的传递权重βωl,m j-1;
并将客观权重ωl,m j,3与传递权重βωl,m j-1进行平均作为第j年权重的初始值ωl,m j进行权重排序;
若根据ωl,m j与第j年指标量化评分计算所得的待决策项目排序结果rankl,m(n)′无法满足决策需求时,再次设置学习目标rankl,m(n),利用人工智能学习历史决策经验对权重体系进行再次学习调整。
步骤3所述的最终客观权重为:
步骤4,通过将步骤2计算得到的指标量化评分与步骤3计算得到的最终客观权重进行加权计算,可得到待决策项目的综合评分,结合待决策项目综合评分对项目进行排序优选,以辅助电网开展精准投资决策。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于人工智能的电网精准投资项目决策方法,其特征在于,包括以下步骤:
步骤1,通过不同决策维度下的不同指标、不同决策维度下的不同指标的指标类型建立精准投资项目决策指标体系;
步骤1所述不同决策维度下的不同指标包括:
220kV地区现状维度的变压器短路电流最大值、N-1通过率、重过载变压器占比、变压器容载比;
220kV改善情况维度的变压器容载比提升、是否对下一级电源提供支撑、短路电流最大值改善情况、公用变电容量增长与GDP增长协调性;
220kV经济性维度的变电工程单位造价、线路工程单位造价、单位投资增供负荷、单位电网投资增售电量;
110kV地区现状维度的供电区域划分等级、N-1通过率、重过载变压器占比、变压器容载比;
110kV改善情况维度的变压器容载比提升、是否对下一级电源提供支撑、是否解决单线单变安全问题、加强主网联系情况;
110kV经济性维度的变电工程单位造价、线路工程单位造价、单位投资增供负荷、单位电网投资增售电量;
35kV地区现状维度的供电区域划分等级、N-1通过率、重过载变压器占比、变压器容载比;
35kV改善情况维度的变压器容载比提升、是否对下一级电源提供支撑、分布式能源接入占比改善情况、加强主网联系情况;
35kV经济性维度的变电工程单位造价、线路工程单位造价、单位投资增供负荷、单位电网投资增售电量;
步骤2,根据不同决策维度的不同指标的指标类型,对各待决策项目对应的不同决策维度下的不同指标的指标值进行量化评分;
步骤3,基于熵权法与变异系数法计算初始客观权重,由人工智能学习历史决策经验得到的权重,计算最终客观权重;
步骤4,通过将步骤2计算得到的指标量化评分与步骤3计算得到的最终客观权重进行加权计算,可得到待决策项目的综合评分,结合待决策项目综合评分对项目进行排序优选,以辅助电网开展精准投资决策;
步骤3所述基于熵权法与变异系数法计算初始客观权重为:
采用数据驱动的方式,根据步骤2中计算的各指标值的量化评分scorel,m(n)利用熵权法与变异系数法分别计算出相应权重,并将二者所给出的权重进行平均得出初始客观权重ωl,m 3,计算如下:
其中,ωl,m 1为熵权法所得权重,ωl,m 2为变异系数法所得权重;
步骤3所述由人工智能学习历史决策经验得到的权重为:
根据人工智能学习历史决策经验得到的权重ωl,m 4与步骤2中计算的各指标值的量化评分scorel,m(n)计算所得的待决策项目综合评分Sl,m(n)为:
Sl,m(n)=ωl,m 4·scorel,m(n)
根据上述计算所得的待决策项目综合评分Sl,m(n)可得出待决策项目排序结果rankl,m(n)′为:
设根据决策专家的决策经验和已建项目的投资演化效果给定的待决策项目项目排序为rankl,m(n),则目标函数为rankl,m(n)′与rankl,m(n)之间的差距,即:
采用人工智能的有监督学习算法对其求解,在损失函数里添加正则化项防止过拟合,即
其中,数γ为正则化系0.001;
采用梯度下降的方法进行求解,参数ωl,m 4的迭代更新式为
其中,k为迭代次数,α为学习率;
当目标函数最小化,采用梯度下降的方法进行求解得到人工智能学习历史决策经验得到的权重,即为ωl,m 4;
第j年开始决策时,首先通过基于熵权法与变异系数法计算初始客观权重ωl,m j,3;
将前一年的最终权重ωl,m j-1乘以一定的折扣因子β作为第j-1年至第j年的传递权重βωl,m j-1;
并将客观权重ωl,m j,3与传递权重βωl,m j-1进行平均作为第j年权重的初始值ωl,m j进行权重排序;
若根据ωl,m j与第j年指标量化评分计算所得的待决策项目排序结果rankl,m(n)′无法满足决策需求时,再次设置学习目标rankl,m(n),利用人工智能学习历史决策经验对权重体系进行再次学习调整;
步骤3所述的最终客观权重为:
3.根据权利要求1所述的基于人工智能的电网精准投资项目决策方法,其特征在于:
步骤2所述各待决策项目对应的不同决策维度下的不同指标的指标值为:datal,m(n)
其中,datal,m(n)为第n个待决策项目对应的第l个决策维度下第m个指标的指标值,l∈[1,L],m∈[1,M],n∈[1,N],L为决策维度的数量,M为对应决策维度下指标的数量,N为待决策项目的数量;
步骤2所述对各待决策项目对应的不同决策维度下的不同指标的指标值进行量化评分为:
所述各待决策项目对应的不同决策维度下的不同指标的指标值的量化评分为:scorel,m(n);
其中,scorel,m(n)为第n个待决策项目对应的第l个决策维度下第m个指标的指标值的量化评分,l∈[1,L],m∈[1,M],n∈[1,N],L为决策维度的数量,M为对应决策维度下指标的数量,N为待决策项目的数量;
当typel,m=1时,表示指标为0-1类正指标,所述0-1类正指标的指标值为0或1;
若datal,m(n)=1,则scorel,m(n)=100;若datal,m(n)=0,则scorel,m(n)=0;
当typel,m=2时,表示指标为0-1类逆指标,所述0-1类逆指标的指标值为0或1;
若datal,m(n)=0,则scorel,m(n)=100;若datal,m(n)=1,则scorel,m(n)=0;
当typel,m=3时,表示指标为区间类型指标,通过梯形函数分布模型计算区间类型指标的指标量化评分,具体为:
其中,a1、a2、b1、b2分别为梯形评分函数线性部分的第一函数参数、梯形评分函数线性部分的第二函数参数、梯形评分函数线性部分的第三函数参数、梯形评分函数线性部分的第四函数参数,c1、c2、c3、c4依次为指标值的第一分类阈值、指标值的第二分类阈值、指标值的第三分类阈值、指标值的第四分类阈值;
当typel,m=4时,表示指标为非0-1类正指标,采用隶属度函数模型集合计算非0-1类正指标的指标量化评分,具体如下:
所述隶属度函数模型集合由多个概率分布函数模型构成,至少包括正态分布、指数分布,分别表示为:
model1,model2,…,modelk
其中,modelk为第k个概率分布函数模型,k∈[1,K],K为分布函数模型的数量;
将指标值[datal,m(1),datal,m(2),…,datal,m(N)]分别用K个概率分布函数模型对其数据分布情况进行拟合,选择拟合误差最小的分布函数模型作为指标值[datal,m(1),datal,m(2),…,datal,m(N)]的概率分布函数f(x);
同时,计算概率分布函数f(x)对应的累计分布函数F(x)作为指标indexl,m对应的指标值[datal,m(1),datal,m(2),…,datal,m(N)]的隶属度函数;
并将F(x)从0-1区间映射到0-100区间作为该指标值的量化评分:
scorel,m(n)=F(datal,m(n))*100
当typel,m=5时,表示指标为非0-1类逆指标,此时需要先对指标值进行正向化处理:
datal,m(n)′=datal,m(0)-datal,m(n)
其中,datal,m(0)为一固定常数,取为[datal,m(1),datal,m(2),…,datal,m(N)]的最大值;
经正向化处理后得到的指标值[datal,m(1),datal,m(2),…,datal,m(N)′]采用与typel,m=4的指标值相同的量化评分方法即隶属度函数模型进行指标值量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959060.1A CN112149976B (zh) | 2020-09-14 | 2020-09-14 | 一种基于人工智能的电网精准投资项目决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959060.1A CN112149976B (zh) | 2020-09-14 | 2020-09-14 | 一种基于人工智能的电网精准投资项目决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149976A CN112149976A (zh) | 2020-12-29 |
CN112149976B true CN112149976B (zh) | 2022-10-21 |
Family
ID=73892332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959060.1A Active CN112149976B (zh) | 2020-09-14 | 2020-09-14 | 一种基于人工智能的电网精准投资项目决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149976B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288240A (zh) * | 2019-06-27 | 2019-09-27 | 四川中电启明星信息技术有限公司 | 基于数据包络分析的配电网投资决策评估方法及系统 |
CN113590691A (zh) * | 2021-08-04 | 2021-11-02 | 浙江网商银行股份有限公司 | 目标对象处理方法以及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521652A (zh) * | 2012-01-10 | 2012-06-27 | 武汉大学 | 一种电网运营效率评价决策方法 |
US8832657B1 (en) * | 2009-01-12 | 2014-09-09 | Bank Of America Corporation | Customer impact predictive model and combinatorial analysis |
CN104331844A (zh) * | 2014-11-03 | 2015-02-04 | 江苏省电力公司 | 一种电网基建项目投资决策方法 |
CN108305019A (zh) * | 2018-03-21 | 2018-07-20 | 国网湖北省电力有限公司荆州供电公司 | 一种基于基础台账的10kv及以下的配电网项目投资决策方法 |
CN109492874A (zh) * | 2018-10-15 | 2019-03-19 | 国家电网有限公司 | 一种三层级配电网投资决策体系的决策方法 |
CN109712022A (zh) * | 2018-12-26 | 2019-05-03 | 广东电网有限责任公司 | 一种基于平衡计分卡的配电网投资分配决策方法 |
CN111242347A (zh) * | 2019-12-28 | 2020-06-05 | 浙江大学 | 基于历史权重更新的桥梁管养辅助决策系统 |
-
2020
- 2020-09-14 CN CN202010959060.1A patent/CN112149976B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8832657B1 (en) * | 2009-01-12 | 2014-09-09 | Bank Of America Corporation | Customer impact predictive model and combinatorial analysis |
CN102521652A (zh) * | 2012-01-10 | 2012-06-27 | 武汉大学 | 一种电网运营效率评价决策方法 |
CN104331844A (zh) * | 2014-11-03 | 2015-02-04 | 江苏省电力公司 | 一种电网基建项目投资决策方法 |
CN108305019A (zh) * | 2018-03-21 | 2018-07-20 | 国网湖北省电力有限公司荆州供电公司 | 一种基于基础台账的10kv及以下的配电网项目投资决策方法 |
CN109492874A (zh) * | 2018-10-15 | 2019-03-19 | 国家电网有限公司 | 一种三层级配电网投资决策体系的决策方法 |
CN109712022A (zh) * | 2018-12-26 | 2019-05-03 | 广东电网有限责任公司 | 一种基于平衡计分卡的配电网投资分配决策方法 |
CN111242347A (zh) * | 2019-12-28 | 2020-06-05 | 浙江大学 | 基于历史权重更新的桥梁管养辅助决策系统 |
Non-Patent Citations (1)
Title |
---|
考虑风险的配电网建设项目投资决策评价;杜轩等;《价值工程》;20181115(第35期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149976A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN107203842B (zh) | 基于扩展云相似度与逼近理想解的谐波污染水平评估方法 | |
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 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN110837939A (zh) | 一种电网多目标项目筛选方法和系统 | |
CN111144721A (zh) | 电网项目需求评价模型的构建方法、装置和计算设备 | |
CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
CN116014724A (zh) | 一种有源配电网网格化负荷预测方法 | |
CN113011788B (zh) | 一种海上交通事故应急决策方法、终端设备及存储介质 | |
CN114139940A (zh) | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 | |
Handoyo et al. | The fuzzy inference system with rule bases generated by using the fuzzy C-means to predict regional minimum wage in Indonesia | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN107622354B (zh) | 一种基于区间二元语义的突发事件应急能力评估方法 | |
CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
Pankratova et al. | Hybrid method of multicriteria evaluation of decision alternatives | |
Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
Cao et al. | A hybrid electricity load prediction system based on weighted fuzzy time series and multi-objective differential evolution | |
CN114647947A (zh) | 单位造价预测方法、装置、电子设备及计算机可读存储介质 | |
CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
CN114091961A (zh) | 一种基于半监督svm的电力企业供应商评价方法 | |
CN113327047A (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |