CN115330201A - 一种电网数字化项目帕累托优选方法及系统 - Google Patents

一种电网数字化项目帕累托优选方法及系统 Download PDF

Info

Publication number
CN115330201A
CN115330201A CN202210976021.1A CN202210976021A CN115330201A CN 115330201 A CN115330201 A CN 115330201A CN 202210976021 A CN202210976021 A CN 202210976021A CN 115330201 A CN115330201 A CN 115330201A
Authority
CN
China
Prior art keywords
project
population
pareto
power grid
solution
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
Application number
CN202210976021.1A
Other languages
English (en)
Inventor
李金超
鹿世强
陈之怡
耿鑫州
潘建宏
董爱迪
樊家树
赵博
吕长会
兰心怡
朱烨
于杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
State Grid Jilin Electric Power Corp
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
State Grid Jilin Electric Power Corp
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, State Grid Jilin Electric Power Corp, State Grid Economic and Technological Research Institute, Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210976021.1A priority Critical patent/CN115330201A/zh
Publication of CN115330201A publication Critical patent/CN115330201A/zh
Pending legal-status Critical Current

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
    • G06Q10/0637—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种电网数字化项目帕累托优选方法及系统，其包括：根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；根据所述帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。本发明解决了考虑项目交互的项目组合优化问题。

Description

一种电网数字化项目帕累托优选方法及系统
技术领域
本发明涉及一种电网数字化项目优化领域，特别是关于一种电网数字化项目帕累托优选方法及系统。
背景技术
企业数字化的实现是一个渐进的过程，数字化项目是实现企业数字化的具体行动，要在有限的投资下、有限的时间内，从众多投资额度不同、成效不同、关系错综复杂的数字化项目中挑选出合适的数字化项目，是保证企业快速有效提高数字化程度，并将投资转化成企业价值、企业效益的关键。不同的数字化项目的作用不同，因而能够评价该项目的指标也各不相同，几乎所有的项目的效益指标都是包含多个层面不同指标的。因此，单纯的给项目按某一综合评价值给出排序是不完善的，需要从多个维度，多个评价目标下对数字化项目进行优选。项目组合选择在公共行政领域获得了越来越多的兴趣和关注，包括工业公司、企业和军事等领域。其重点是在有限资源下选择项目建议书，以利用多种评估标准最大限度地提高利益相关者的利益。然而，从业者在选择项目组合最佳方案时面临两大挑战。首先，项目之间的广泛互动影响项目组合的实际价值和风险。其次，项目组合优化总是有多个目标的，常用的多目标优化方法能有效的求出非主导解决方案，但它们引出了新的问题：如何从这些解决方案中进一步选择最佳项目组合。因此，基于项目相互作用的项目组合优化精细选择方法具有重要的研究意义。
现有文献中对于项目群的研究与发展可以总结如下：1)将项目划分为任务，重点关注如何有效实施项目；2)评估项目的价值，以确定旨在最大限度发挥项目总效用的出资政策；3)分析项目协同效应如何影响项目的价值和预期绩效。在本课题中，项目组合选择的重点是项目规划而不是项目工程。从文献来看，项目组合优化比项目互动更吸引研究者的关注。这可以分为单目标优化和多目标优化。后者在文献中得到了更广泛的研究。一些研究将多目标优化与多准则决策归为一类，因为它们通过加权运算将多目标直接转化为单目标。
广泛采用的求解多目标问题的算法包括非支配排序遗传算法(NSGA)，非支配排序和局部搜索，强度帕累托进化算法(SPEA)，小生境帕累托遗传算法，基于分解的多目标进化算法等等。这些算法已成功应用于不同领域。然而，由于决策者总是只期望一个解，这些算法的共同问题是致力于寻找最佳帕累托解集，而不是最佳解。因此，如何进一步细化帕累托集以找到最优解为目前亟需解决的技术问题。
发明内容
针对上述问题，本发明的目的是提供一种网数字化项目帕累托优选方法及系统，克服了现有技术的主观经验，解决了考虑项目交互的项目组合优化问题，并可直接应用于企业实践。
为实现上述目的，本发明采取以下技术方案：一种电网数字化项目帕累托优选方法，其包括：根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；根据所述帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
进一步，建立项目间共用网络，包括：
通过映射对项目共同利用网络的两个项目进行处理，确定两个项目是否有共同利用关系；
具有共同利用关系的两个项目，同时使用的技术的数量被设置为项目之间的协同利用优势的权重，构建项目共用网络PU＝[puxy]n×n，其中puxy表示项目x和项目y同时需要的技术，n表示所有项目用到的技术的数量。
进一步，所述建立数字化项目群多目标优化模型，求解得到帕累托最优解集，包括：
以项目群方案xi作为种群的每个个体的染色体，以此产生初始种群；
建立并计算适应度模型和惩罚函数，确定解集合中的Pareto等级；
对初始种群进行非支配排序，将Pareto等级全部划分；
在对初始种群进行非支配排序完成后进行遗传算法的交叉、变异和选择操作，生成新的个体加入到种群中；
从全部种群的N个个体中选择k个个体构成组，根据每个个体的适应度，选择其中适应度值最好的个体进入子代种群，重复直到子代种群个体个数达到N，N为种群规模；
计算所有个体的拥挤度，使得到的解在目标空间中更加均匀；
根据Pareto等级和拥挤度，将父代种群和子代种群合成一个新的种群，按照预先设定的规则从新的种群生成新的父代种群，重复至满足设定的终止条件为止。
进一步，所述对初始种群进行非支配排序，将种群等级全部划分，包括：
计算每个个体p的被支配个数np和该个体支配的解的集合Sp，遍历整个种群，种群规模为N，该参数的计算复杂度为O(mN2)；
将种群中参数np＝0的个体放入第一种群集合Rank1中，删除集和Rank1中的个体后，重新计算剩下所有个体的被支配个数np，然后将np＝0的个体放入第二种群集和Rank2中，重复直到种群等级被全部划分。
进一步，所述预先设定的规则包括：
根据Pareto等级从低到高的顺序，将整层种群放入父代种群Ci+1，直到某一层个体不能全部放入父代种群Ci+1；
将该层个体根据拥挤度从大到小排列，依次放入父代种群Ci+1中，直到父代种群Ci+1填满。
进一步，所述关联规则的排序采用TOPSIS法，包括：
对由支持度、置信度和提升度构成的标准矩阵进行规范化得到决策矩阵；
根据决策矩阵计算正理想解pip和负理想解nip；
根据正理想解pip和负理想解nip计算频繁集mi的标准点与理想点之间的距离；
由标准点与理想点之间的距离得到各标准点到达负理想解的相对距离
Figure BDA0003798473690000031
描述了相对频繁项目的重要程度，基于相对距离
Figure BDA0003798473690000032
获得最频繁的关联规则。
进一步，所述依据关联规则的排列顺序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，包括：
分析第t个关联规则，在关联规则相关集合Ut中储存出现该关联规则的项目群方案；
筛选非支配项目群方案集合
Figure BDA0003798473690000033
从
Figure BDA0003798473690000034
中删除不包含在集和Ut中的元素，并且更新空集U＝U+Ut；
检查从
Figure BDA0003798473690000035
筛选剩下的项目群方案集合
Figure BDA0003798473690000036
如果
Figure BDA0003798473690000037
中只剩下一个项目群方案存在，则停止并输出
Figure BDA0003798473690000038
否则，令t＝t+1，重复筛选。
一种电网数字化项目帕累托优选系统，其包括：第一处理模块，根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；第二处理模块，根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；第三处理模块，根据所述帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；筛选模块，依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
进一步，建立项目间共用网络，包括：
通过映射对项目共同利用网络的两个项目进行处理，确定两个项目是否有共同利用关系；
具有共同利用关系的两个项目，同时使用的技术的数量被设置为项目之间的协同利用优势的权重，构建项目共用网络PU＝[puxy]n×n，其中puxy表示项目x和项目y同时需要的技术，n表示所有项目用到的技术的数量。
进一步，所述建立数字化项目群多目标优化模型，求解得到帕累托最优解集，包括：
以项目群方案xi作为种群的每个个体的染色体，以此产生初始种群；
建立并计算适应度模型和惩罚函数，确定解集合中的Pareto等级；
对初始种群进行非支配排序，将Pareto等级全部划分；
在对初始种群进行非支配排序完成后进行遗传算法的交叉、变异和选择操作，生成新的个体加入到种群中；
从全部种群的N个个体中选择k个个体构成组，根据每个个体的适应度，选择其中适应度值最好的个体进入子代种群，重复直到子代种群个体个数达到N，N为种群规模；
计算所有个体的拥挤度，使得到的解在目标空间中更加均匀；
根据Pareto等级和拥挤度，将父代种群和子代种群合成一个新的种群，按照预先设定的规则从新的种群生成新的父代种群，重复至满足设定的终止条件为止。
进一步，所述对初始种群进行非支配排序，将种群等级全部划分，包括：
计算每个个体p的被支配个数np和该个体支配的解的集合Sp，遍历整个种群，种群规模为N，该参数的计算复杂度为O(mN2)；
将种群中参数np＝0的个体放入第一种群集合Rank1中，删除集和Rank1中的个体后，重新计算剩下所有个体的被支配个数np，然后将np＝0的个体放入第二种群集和Rank2中，重复直到种群等级被全部划分。
进一步，所述预先设定的规则包括：
根据Pareto等级从低到高的顺序，将整层种群放入父代种群Ci+1，直到某一层个体不能全部放入父代种群Ci+1；
将该层个体根据拥挤度从大到小排列，依次放入父代种群Ci+1中，直到父代种群Ci+1填满。
进一步，所述关联规则的排序采用TOPSIS法，包括：
对由支持度、置信度和提升度构成的标准矩阵进行规范化得到决策矩阵；
根据决策矩阵计算正理想解pip和负理想解nip；
根据正理想解pip和负理想解nip计算频繁集mi的标准点与理想点之间的距离；
由标准点与理想点之间的距离得到各标准点到达负理想解的相对距离
Figure BDA0003798473690000041
描述了相对频繁项目的重要程度，基于相对距离
Figure BDA0003798473690000042
获得最频繁的关联规则。
进一步，所述依据关联规则的排列顺序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，包括：
分析第t个关联规则，在关联规则相关集合Ut中储存出现该关联规则的项目群方案；
筛选非支配项目群方案集合
Figure BDA0003798473690000051
从
Figure BDA0003798473690000052
中删除不包含在集和Ut中的元素，并且更新空集U＝U+Ut；
检查从
Figure BDA0003798473690000053
筛选剩下的项目群方案集合
Figure BDA0003798473690000054
如果
Figure BDA0003798473690000055
中只剩下一个项目群方案存在，则停止并输出
Figure BDA0003798473690000056
否则，令t＝t+1，重复筛选。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明采用的数字化项目群优选方法相较于传统多目标决策方法有较多优点，本发明采用从共用网络建立数字化项目群多目标优化模型，而不是通过主观经验来确定项目互动程度。本发明的模型被证明是有效的、可操作的和可解释的。
2、本发明可以直接为决策者提供最优解，而不需要他们从非支配集中确定最优解，从而节省决策成本和精力。
3、本发明采用的集成框架清晰、简洁、合理，用于解决考虑项目交互的项目组合优化问题，并可直接应用于企业实践。
附图说明
图1是本发明一实施例中基于项目联系的电网数字化项目帕累托优选方法整体流程图；
图2是本发明一实施例中基于项目联系的电网数字化项目帕累托优选方法详细流程图；
图3是本发明一实施例中项目技术利用网络和项目互引网络的转换过程图；
图4是本发明一实施例中采用NSGA-Ⅱ算法求解数字化项目群多目标优化模型流程图；
图5是本发明一实施例中TOPSIS求关联规则排序流程图；
图6是本发明一实施例中项目和技术间的使用关系图；
图7是本发明一实施例中项目间的联系深度图；
图8是本发明一实施例中目标决策模型求解结果示意图；
图9是本发明一实施例中在帕累托最优解集的基础上选用ξ时的项目群方案解；
图10是本发明一实施例中所选Pareto集合中的项目相对重要度；
图11是本发明一实施例中所有关联规则的排序TOPSIS值分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供的基于项目联系的电网数字化项目帕累托优选方法及系统，包括：根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；根据所述帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
因此，本发明的目的是：1)定义一个具有代表性的项目交互模型，并确定项目交互如何影响项目组合的最终价值；2)构建一个精确的选择方法从获得的非支配项目组合中得到最优解。通过应用上述方法，最终推荐的项目组合在实施后可以令人信服地受益。
在本发明的一个实施例中，提供一种电网数字化项目帕累托优选方法。本实施例中，如图1、图2所示，该方法包括以下步骤：
1)根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；
2)根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；
3)根据帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；
4)依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
上述步骤1)中，用于评价电网数字化项目的基本指标包括成本、收益两个财务指标，以及由于数字化项目的实现带来的其他多项电网企业级指标的提升，如项目运行可靠率、节能减排量、项目达产率、综合电压合格率、电网发展弹性系数等电网公司战略性指标符合程度。
其中，项目指标的选择和计算为：
A1)项目运行可靠率(％)：反映供电企业对电力用户的供电能力，以及电力工业对国民经济电能需求满足程度，是供电企业的规划、设计、基建、施工、设备制造、生产运行等方面的质量和管理水平综合体现。
Figure BDA0003798473690000071
式中，Rsp表示项目运行可靠率，Tlineoff表示项目所属线路停电时间，Tstatistic表示统计期间时间。
A2)节能减排量(吨)：该指标一般用节约标准煤吨数来衡量节能减排的效果。
SQsc＝SQsceesp+SQsceedp (2)
式中，SQsc表示节约标准煤，SQsceesp表示电能替代工程节约标煤，SQsceedp表示清洁能源送出工程节约标煤。
其中：
SQsceesp＝EQeesp×Coefficientsc (3)
SQsceedp＝EQeedp×Coefficientsc (4)
式中，EQeesp表示电能替代项目替代电量，EQeedp表示清洁能源送出工程新能源发电量，Coefficientsc表示折标煤系数。
A3)项目达产率(％)：实际生产能力达到设计生产能力的项目占比，即达产项目数与同一年投产项目总数的比值，用来评判电网在数字化项目及其他运行项目的达产完成情况。
Figure BDA0003798473690000072
式中，Rprp表示项目达产率，nprp表示达产项目数量，npop表示同一年投产项目总数量。
A4)综合电压合格率(％)：反映的是电网电压质量状况以及电网运行稳定情况。
IVPR＝(0.5Va+0.5(Vb+Vc+Vd)/3)×100％ (6)
式中，IVPR表示综合电压合格率，Va、Vb、Vc、Vd分别是a、b、c、d类电压监测点电压合格率。其中：
A类为带地区供电负荷的变电站和发电厂的20kv、10(6)kv母线电压。
B类为20kv、35kv、66kv专线供电的和110kv及以上供电电压。
C类为20kv、35kv、66kv非专线供电的和10(6)kv供电电压。每10MW负荷至少应设一个电压监测点。
D类为380/220V低压网络供电电压。每百台配电变压器至少设2个电压监测点。监侧点应设在有代表性的低压配电网首末两端和部分重要用户处。
各类监测点每年应随供电网络变化进行调整。
A5)电网发展弹性系数：从宏观角度评价电网与经济发展之间的总体关系，可以作为衡量电力发展是否适应国民经济发展的一个参数。
Figure BDA0003798473690000081
式中，ECnd为电网发展弹性系数，IrT为该区域电网变电容量增长率，IrL为该地区电网线路长度增长率，IGDP为该地区生产总值增长率。
上述步骤1)中，项目间共用网络的建立，通过共引法构建。技术被解释为项目支持者，而项目被视为技术利用者，用矩阵TP＝[tij]m×n表示技术项目依赖关系，其中tij＝1表示项目pj需要技术ti，这种依赖关系类似于文献互引网络，利用共引法可以构建项目共用网络。具体包括以下步骤：
1.1)通过映射对项目共同利用网络的两个项目进行处理，确定两个项目是否有共同利用关系，如果它们需要相同的技术，则具有共同利用关系；
1.2)具有共同利用关系的两个项目，同时使用的技术的数量被设置为项目之间的协同利用优势的权重，构建项目共用网络PU＝[puxy]n×n，其中puxy表示项目x和项目y同时需要的技术，n表示参与优选的项目用到的技术数量。
下列的邻接网络，如果技术k同时指向项目t和项目l，则tkttkl＝1；否则，tkttkl＝0。由此，可以计算项目t和l的共同利用数量。可以证明：PU＝TPTTP，并且对角线元素符合式(8)。putt等于项目t所需的技术数量。项目技术利用网络和项目互引网络的转换过程如图3所示。
Figure BDA0003798473690000082
如下例所示，一个项目技术利用TP3×4网络，所求得的项目共用网络PU4×4过程。
Figure BDA0003798473690000083
Figure BDA0003798473690000084
上述步骤2)中，要根据各项目的各项指标，在确定项目间共用网络的基础上，建立数字化项目群多目标优化模型，并且运用NSGA算法求解得到帕累托最优解集，包括：确定多个目标函数的计算、确定不同的项目群方案的优先级判断方法以及进行多目标方案的筛选。
通常，一个数字化项目的价值主要包括两个方面，(i)项目自身的效益，(ii)与公司战略的一致程度。项目自身的效益可以具体为项目的净现值或者收入等来计量，项目与公司战略的一致程度可以通过专家经验进行打分，采用本发明的定性定量指标进行度量。则数字化项目群多目标优化模型为：
(i)项目pi的效益可以是多项效益的加权汇总ri，如社会效益、经济效益、环境效益等等；项目pi与t个公司战略的一致程度用aij表示，j＝1,2,...,t。项目群方案xi的整体效益可以表示为：
Figure BDA0003798473690000091
其中：
α∈[0,1],
xi＝[xi1,xi2,...,xin],xij∈{0,1}
R＝[r1,r2,...,rn]T,A＝[aij]n×t
Figure BDA0003798473690000092
Figure BDA0003798473690000093
这里xi·R表示项目群xi的整体收益；xi·A·E则是项目群xi满足公司各项战略的情况得到的总体分值；E是公司各项指标的权重值，由公司管理层依据公司未来发展规划进行打分；α是用来决定数字化项目效益和与公司长远发展方向相匹配的重要程度对比的系数；矩阵λ是项目共用网络矩阵PU的对角元素矩阵；
Figure BDA0003798473690000094
是目标函数V的正则项，反映了项目之前的联系对于项目整体价值影响程度；
Figure BDA0003798473690000095
反映了在项目群方案xi中，不同项目之间的联系的总体数量；ξ表示正则项对目标函数的影响程度。
(ii)风险计量模型的确定包括两个方面，项目所需技术的成熟度(TRL)以及项目之间的联系程度。技术成熟度应用广泛，通常被定义在1到9的范围内。关于项目之间的联系程度影响项目群风险的一个例子，如果一个项目群中多个项目需要用到一个不成熟的技术，那该项目的风险就会相对较高。
为了建立起项目群方案xi的风险计量模型，需要满足两个条件：(i)风险的取值范围应该在区间[0,1]内；(ii)当项目群方案xi中出现更多的低TRL的技术时，风险应该会更高。因此，在考虑项目间的联系的情况下，项目群方案xi的风险定义如下：
Figure BDA0003798473690000101
其中：
Figure BDA0003798473690000102
RI(xi)通过计算一个项目群方案的实际技术成熟度和理想值之间的距离来定义，只有项目群方案xi中包含的项目和这些项目需要的技术才能够用于计算项目群的风险值。TRLj是技术j的成熟度；权重wj的大小取决于某项技术的使用频率，技术被项目需要的次数越多，该技术的权重就越大；‖xi·TP‖1是向量xi·TP的L1范数。容易证明，上式满足风险计量模型的两个条件。
项目群方案xi是由n个项目组成的所有可行项目群方案中的一个元素，其中项目群方案由xij的取值组合确定，xij＝0 or 1。xij＝0时表明项目pj未选入项目群方案xi中；xij＝1表示项目群方案xi中包含了项目pj。只有当项目群方案xi的总成本费用低于最高限额b时，该项目群方案xi才是可行方案。因此，可行的总项目集方案集合Xf可以定义为：
Figure BDA0003798473690000103
考虑到在多评价目标下，满足所有约束条件并且表现最好的项目群方案有一定可能是不存在。因此，需要给出关于求解多目标决策问题最优解的定义。
项目群之间的支配关系可以通过下式来定义。处于被支配关系的方案不需要继续考虑，可以直接从决策空间中删除。
定义一：项目群方案xj被xi支配时，应该满足以下条件：
Figure BDA0003798473690000104
定义二：根据定义一，有效的项目群集合Xe可按下式定义：
Figure BDA0003798473690000105
定义三：Pareto等级：在一组解中，非支配解Pareto等级定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，以此类推，可以得到该解集合中所有解的Pareto等级。
项目群方案的非支配解空间随着项目数量的增加会有着明显的增大，假设有m个项目，将会产生2m-1个决策方案。需要运用一种高效快速的方法来解决多目标优化问题。
NSGA是一种被广泛使用的多目标智能算法，它通过父代的交叉变异等操作产生子代，淘汰不满足条件的个体，以此来选出非支配解。NSGA-Ⅱ算法，即带有精英保留策略的快速非支配多目标优化算法，是一种基于Pareto最优解的多目标优化算法。
在本实施例中，建立数字化项目群多目标优化模型，求解得到帕累托最优解集，采用NSGA-Ⅱ算法进行求解，如图4所示，包括以下步骤：
2.1)以项目群方案xi作为种群的每个个体的染色体，以此产生初始种群；
其中，xi＝{xi1,xi2,...,xin}，xi∈[0,1]。
2.2)建立并计算适应度模型和惩罚函数，确定解集合中的Pareto等级；
在本实施例中，适应度函数的建立基于两个目标函数，最大化项目群的效益值和最小化风险。惩罚函数的设定是通过给适应度函数添加惩罚项来避免项目投资额超出预算。
f1＝-V(xi)+γ1×max{0,xi·C-b}
f2＝R(xi)+γ2×max{0,xi·C-b}
Figure BDA0003798473690000111
其中，V(xi)和R(xi)分别是项目群方案xi的效益值和风险值。算法的目标是最小化f1和f2的值，f1和f2分别表示效益和风险目标函数，m表示项目的数量，C表示项目的投资成本向量，b表示投资预算。此外，如果项目群的成本超过了预算，那么超出预算的部分就会加进两个适应度函数中，γ1和γ2是决定超出预算的部分影响适应度函数值的程度。
2.3)对初始种群进行非支配排序，将种群等级全部划分；
2.4)在对初始种群进行非支配排序完成后进行遗传算法的交叉、变异和选择操作，生成新的个体加入到种群中；
2.5)从全部种群的N个个体中选择k个个体构成组(每个个体入选概率相同)，根据每个个体的适应度，选择其中适应度值最好的个体进入子代种群，重复直到子代种群个体个数达到N，N为种群规模；
2.6)计算所有个体的拥挤度，使得到的解在目标空间中更加均匀；
在本实施例中，拥挤度nd的引入是为了使得到的解在目标空间中更加均匀。首先计算出种群中每个个体的目标函数值，对于每个目标函数，每个Pareto等级的所有个体，根据目标函数对每个等级的个体进行排序，记
Figure BDA0003798473690000112
为个体目标函数fm的最大值，
Figure BDA0003798473690000113
为个体目标函数fm的最小值。对于排序后两个边界的拥挤度1d和Na设置为∞，按以下公式计算拥挤度nd：
Figure BDA0003798473690000114
其中，fm(i+1)是该个体排序后后一位的目标函数值，n′d表示更新后的拥挤度。
2.7)根据Pareto等级和拥挤度，将父代种群和子代种群合成一个新的种群，按照预先设定的规则从新的种群生成新的父代种群，重复至满足设定的终止条件为止。
上述步骤2.3)中，对初始种群进行非支配排序，将种群等级全部划分，包括：
计算每个个体p的被支配个数np和该个体支配的解的集合Sp，遍历整个种群，种群规模为N，该参数的计算复杂度为O(mN2)；
将种群中参数np＝0的个体放入第一种群集合Rank1中，删除集和Rank1中的个体后，重新计算剩下所有个体的被支配个数np，然后将新一轮中np＝0的个体放入第二种群集和Rank2中，重复直到种群等级被全部划分。
上述步骤2.4)中，交叉和变异操作分别如下：
本实施例中采用模拟二进制的实数编码进行交叉操作，具体实现公式如下：
x′1j＝0.5×[(1+γj)x1j+(1-γj)x1j]
x′2j＝0.5×[(1-γj)x1j+(1+γj)x2j]
其中：
Figure BDA0003798473690000121
式中，x1j和x2j为随机选择的父代个体的第j个基因型，x′1j和x′2j为这两个父代个体生成的子代个体的基因型；uj为范围在[0,1]之间的随机数；η为交叉算法分布指数；γj为传播因子，定义为子女与父母之间距离的比值，γj值越大，意味着子代与父代更接近。
变异操作：本实施例采用NSGA-Ⅱ算法的多项式变异操作如下：
x′1j＝x1j+Δj
其中：
Figure BDA0003798473690000122
式中，Δj为父代个体第j个基因型的变异算子；x′1j为变异后的个体x1的基因型；uj为[0,1]之间的随机数。
上述步骤2.7)中，预先设定的规则包括：
(1)根据Pareto等级从低到高的顺序，将整层种群放入父代种群Ci+1，直到某一层个体不能全部放入父代种群Ci+1；
(2)将该层个体根据拥挤度从大到小排列，依次放入父代种群Ci+1中，直到父代种群Ci+1填满。
上述步骤3)中，关联规则的发掘为：找到关联规则的模式可以帮助决策者对众多可行的、非支配的方案进行决策，从所有非支配项目群方案中发掘的关联规则表示的是单个或多个项目同时出现在Pareto项目群方案解集的频率，即这些项目如果一同协作会表现得更好。
为了有效发掘关联规则，建立关联规则的集合，需要定义识别关联规则的标准。支持度、置信度和提升度是三个用于发掘关联规则的常用评价标准。为了详细描述这些规则，变量Z1和Z2作为项目示例用到计算公式中。
(1)支持度
支持度是同时出现在数据集中的几个项目占数据集总量的比例。这也可以解释为某些项目的关联概率。支持度的计算如下式：
Figure BDA0003798473690000131
其中，frequent(Z1Z2)表示各项目群方案中同时出现在Z1和Z2项目的频率，|AllSamples|表示数据集中的项目总数。一般来说，支持度高的项目可能不会形成关联规则，但支持度低的项目肯定不会形成关联规则。例如：如果1000名客户到商场购买物品，其中150名客户同时购买圆珠笔和笔记本电脑，则关联规则(圆珠笔、笔记本)的支持度为150/1000×100％＝15％。
(2)置信度
置信度是指当另一个项目出现时，该项目出现的概率，或该项目的条件概率。Z1←Z2的置信度可表示为：
Figure BDA0003798473690000132
例如：在上例中，如果65％购买圆珠笔的客户也购买笔记本，则关联规则(圆珠笔→笔记本电脑)的置信度为65％。
(3)提升度
提升度表示P(Z1|Z2))概率与Z1概率之比。它反映了Z1和Z2之间的关联程度。提升度大于1表示Z1←Z2是一个有效的强关联规则。然而，当Z1←Z2提升度小于或等于1时，Z2判断为无效强关联规则。作为特例，当Z1和Z2独立时，提升度将等于1。
Figure BDA0003798473690000133
例如：在上面的示例中，关联规则(圆珠笔→笔记本)的提升度为65％/25％＝2.6，表明它是一个有效的强关联规则。
精化选择策略遍历排序关联规则，精化非支配解，直到只剩下一个解。应该有足够的关联规则，否则，在获得最优解之前，可能已经完全遍历了这些规则。因此，在实现关联规则挖掘算法时，用户应将最小支持度和置信度限制设置为稍低的值，以保证获得足够的关联规则。
采用与理想解相似程度的排序技术(TOPSIS)获得最频繁的关联规则，TOPSIS法综合考虑了支撑度、置信度和提升度的指标值对各项目关联规则进行排序。TOPSIS的基本思想是比较所有候选人与正理想点和负理想点之间的距离。假设存在m个频繁关联规则，其中三个标准向量表示为SD＝[si]T、CD＝[ci]T和LD＝[li]T，其中i＝1,2,...,m。
在本实施例中，关联规则的排序采用TOPSIS法，如图5所示，包括以下步骤：
3.1)对由支持度、置信度和提升度构成的标准矩阵进行规范化得到决策矩阵；
假设标准M＝[mij]m×3＝[SD CD LD]，决策矩阵M′＝{m′i}m×3，其中m′ij由下式计算得到：
Figure BDA0003798473690000141
3.2)根据决策矩阵计算正理想解pip和负理想解nip；
pip＝[max{m′i1,m′i2,m′i3}],i＝1,2,...,m
nip＝[min{m′i1,m′i2,m′i3}],i＝1,2,...,m
3.3)根据正理想解pip和负理想解nip计算频繁集mi＝[mi1,mi2,mi3]的标准点与理想点之间的距离；
Figure BDA0003798473690000142
Figure BDA0003798473690000143
其中，
Figure BDA0003798473690000144
表示标准点与正理想点的距离，
Figure BDA0003798473690000145
表示标准点与负理想点的距离；
3.4)由标准点与理想点之间的距离得到各标准点到达负理想解的相对距离
Figure BDA0003798473690000146
Figure BDA0003798473690000147
描述了相对频繁项目的重要程度，基于相对距离
Figure BDA0003798473690000148
获得最频繁的关联规则。
其中，
Figure BDA0003798473690000149
也叫TOPSIS值。
Figure BDA00037984736900001410
基于相对距离
Figure BDA00037984736900001411
获得最频繁的关联规则的公式为：
Figure BDA00037984736900001412
上述步骤4)中，依据关联规则的排列顺序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，设定counter t＝1、空集U，输入所有的非支配项目群方案
Figure BDA00037984736900001413
包括以下步骤：
4.1)分析第t个关联规则，在关联规则相关集合Ut中储存出现该关联规则的项目群方案；
4.2)筛选非支配项目群方案集合
Figure BDA0003798473690000151
从
Figure BDA0003798473690000152
中删除不包含在集和Ut中的元素；
4.3)检查从
Figure BDA0003798473690000153
筛选剩下的项目群方案集合
Figure BDA0003798473690000154
如果
Figure BDA0003798473690000155
中只剩下一个项目群方案存在，则停止并输出
Figure BDA0003798473690000156
否则，令t＝t+1，重复筛选。
基于上述原则，即在非支配集中选择项目的频率越高，应保留的项目就越多。因此，该策略遵循了相反的想法，即应该删除没有任何项目的项目组合。考虑下面的例子来说明精化选择策略的过程。首先，从案例研究的集合中抽象出12条关联规则，如下表所示。项目将按照它们首次出现在12条规则中的顺序进行排序。也就是说，项目在关联规则中出现得越早，其排名就越高。因此，如表1所示，项目排名为[3,4]、6、13和16，表明项目3和4是最重要的。接下来，对非主导项目组合进行细化。首先，删除不包含项目3和项目4的项目组合，然后删除不包含项目6的项目组合，最后删除不包含项目13的项目组合。删除过程将继续，直到只剩下一个项目组合。
表1关联规则及排名
Figure BDA0003798473690000157
实施实例：本实施例采用某电网公司数字化转型期间的具体的16个数字化项目作为算例，根据步骤1)建立的评价指标计算方法和搜集到的某电网公司的具体数字化项目信息，计算每个数字化项目的各项指标值如表2所示，项目运行可靠率、节能减排量、项目达产*率、综合电压合格率、电网发展弹性系数等指标为增量值，表示某个数字化项目的实施对公司该项指标带来的提高和改进，并且单位统一设为％，成本和收益的单位为元。
表2每个数字化项目的各项指标值
Figure BDA0003798473690000161
接着，通过分析数字化项目的具体技术信息建立项目的技术使用表，本实施例中的16个项目统计使用的关键技术共有9个，每个项目需要使用的关键技术各不相同，具体技术使用情况如表3所示。
表3各项目需要使用的关键技术使用情况
项目/技术 T1 T2 T3 T4 T5 T6 T7 T8 T9
P1 1 0 1 0 0 0 1 1 1
P2 1 0 0 0 0 1 0 1 0
P3 0 0 0 0 0 0 1 0 0
P4 0 1 1 1 1 1 1 0 0
P5 0 1 0 0 0 0 0 0 1
P6 1 0 1 0 0 1 1 1 0
P7 1 0 1 0 0 1 1 1 0
P8 1 0 1 0 0 0 1 0 1
P9 1 0 1 0 0 0 0 0 0
P10 1 0 1 0 0 0 1 0 1
P11 1 0 1 0 0 0 1 0 1
P12 0 0 0 0 1 0 1 0 1
P13 1 1 1 0 0 0 1 0 0
P14 0 1 0 0 0 0 1 0 0
P15 0 0 0 0 0 0 1 0 0
合计 8 8 5 7 8 5 6 7 6
表中，0表示该数字化项目没有使用该技术，1表示该项目使用了某项技术，如果有多个项目都使用了同一种技术，说明该项技术比较重要，这几个数字化项目间的技术联系比较紧密。如果一个项目需要使用到多种技术，那就说明该项目对技术的依赖性较强，同时当技术易出现故障的情况下该项目的风险性也会显著增加。
由公式PU＝TPTTP计算15个数字化项目间的互引网络矩阵，TP为表3中表示的矩阵。计算结果如表4所示。
表4数字化项目间的互引网络矩阵计算结果
项目 P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15
P1 5 2 1 2 1 4 4 4 2 4 4 2 3 1 1
P2 2 3 0 1 0 3 3 1 1 1 1 0 1 0 0
P3 1 0 1 1 0 1 1 1 0 1 1 1 1 1 1
P4 2 1 1 6 1 3 3 2 1 2 2 2 3 2 1
P5 1 0 0 1 2 0 0 1 0 1 1 1 1 1 0
P6 4 3 1 3 0 5 5 3 2 3 3 1 3 1 1
P7 4 3 1 3 0 5 5 3 2 3 3 1 3 1 1
P8 4 1 1 2 1 3 3 4 2 4 4 2 3 1 1
P9 2 1 0 1 0 2 2 2 2 2 2 0 2 0 0
P10 4 1 1 2 1 3 3 4 2 4 4 2 3 1 1
P11 4 1 1 2 1 3 3 4 2 4 4 2 3 1 1
P12 2 0 1 2 1 1 1 2 0 2 2 3 1 1 1
P13 3 1 1 3 1 3 3 3 2 3 3 1 4 2 1
P14 1 0 1 2 1 1 1 1 0 1 1 1 2 2 1
P15 1 0 1 1 0 1 1 1 0 1 1 1 1 1 1
如图6所示，展现了项目和技术间的使用关系，图中的线条表示项目使用了某项技术，如图7所示，展现了项目间的联系深度图，横纵坐标的数字为相应项目的编号，颜色越深，说明项目间的技术联系就越密切。
按照步骤2)多目标决策模型求解帕累托最优解，使用的NSGA-II算法中，种群的数量设置为300，最大迭代次数设为500，种群交叉概率设为0.5，变异概率设为0.1。在目标函数的计算上，经济效益和公司的战略一致程度指标的权重值用0.5和0.5进行计算。而对目标函数值影响较大的ξ则分别取不同的值进行计算并选择结果更好的项目群非支配解。本例中ξ分别取1/5，1/4，1/3，1/2，1，2，3，4，5。投资的最大值设为800×104元。多目标决策模型求解结果如图8所示。
在求得的帕累托最优解集的基础上选用ξ取1/2时的项目群方案解，在除去相同的解之后剩下21组数字化项目群方案。如图9所示，纵坐标表示项目编号，横坐标表示项目群方案，标1的表示该项目群方案中包含了横坐标对应的项目，涂黑的格则表示该项目群方案没有包含对应的项目。由表8中分析可得，项目5、14、16包含在每一个项目群方案中，而项目6、7、8则没有被任何项目群方案包含在内。然后，计算所选Pareto集合中的项目，并计算相对重要度，如图10所示。从单个项目来看，项目5、14和16是最重要的。然而，这种排名没有考虑项目组合。因此，要确定最佳的项目组合中，关联规则应从帕累托集进行挖掘。
根据第一步筛选后剩下的21个项目群方案使用Apropri算法进行关联规则的挖掘。接着，利用计算的支持度、置信度和提升度信息，从21个项目组合中挖掘出1932条关联规则。然后将TOPSIS算法应用于度，以确定规则排名，排名结果如表5所示。在图11中，面积图表示所有关联规则的排序TOPSIS值分布。大多数TOPSIS值位于[0.3,0.5]区间，TOPSIS值越高，关联规则排名越高。
表5排名结果
Figure BDA0003798473690000191
最后根据步骤4)的项目群精选步骤，根据关联规则的排序逐步剔除不满足要求的帕累托解直到最后只剩下唯一一个最优解。首先，项目群方案中包含[14,5]，16,12,15,3,13,2,1,10,9,11,4中的某一个的留下，其他的剔除。接着，含有[14,5]的方案群被筛选出，其余的剔除。以此类推，最后得到的最优方案为：1,2,3,5,9,10,11,12,13,14,15,16，该方案的效益值和风险值分别为：534.4040和0.2987。
综上所述，本发明提出的两种项目互动和精细选择创新方法对于解决项目组合选择的两大挑战是可行和合理的：(i)建模项目互动对项目组合最终价值的影响；(ii)从非主导项目组合中选择最佳解决方案。
对于价值和风险模型，基于项目和技术之间的依赖关系，构建了代表相互作用关系的项目协同利用网络。然后，将项目交互度设置为正则化项，并添加到原始值函数中，以指示交互对项目组合值的影响。其次，风险模型是基于TRL构建的，项目组合所依赖的技术越不成熟，风险越高。
对于最优项目组合选择，基于得到的非支配项目组合，利用TOPSIS方法挖掘关联规则并进行排序。采用改进的选择策略，逐步从非支配解决方案中删除没有高排名项目的最差项目组合，直到只剩下一个项目组合，这将被推荐为最佳解决方案。
在本发明的一个实施例中，提供一种电网数字化项目帕累托优选系统，其包括：
第一处理模块，根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；
第二处理模块，根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；
第三处理模块，由以获得的帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；
筛选模块，依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
在上述第一处理模块中，建立项目间共用网络，包括：
通过映射对项目共同利用网络的两个项目进行处理，确定两个项目是否有共同利用关系；
具有共同利用关系的两个项目，同时使用的技术的数量被设置为项目之间的协同利用优势的权重，构建项目共用网络PU＝[puxy]n×n，其中puxy表示项目x和项目y同时需要的技术，n表示所有项目用到的技术的数量。
在上述第二处理模块中，建立数字化项目群多目标优化模型，求解得到帕累托最优解集，包括：
以项目群方案xi作为种群的每个个体的染色体，以此产生初始种群；
建立并计算适应度模型和惩罚函数，确定解集合中的Pareto等级；
对初始种群进行非支配排序，将Pareto等级全部划分；
在对初始种群进行非支配排序完成后进行遗传算法的交叉、变异和选择操作，生成新的个体加入到种群中；
从全部种群的N个个体中选择k个个体构成组，根据每个个体的适应度，选择其中适应度值最好的个体进入子代种群，重复直到子代种群个体个数达到N，N为种群规模；
计算所有个体的拥挤度，使得到的解在目标空间中更加均匀；
根据Pareto等级和拥挤度，将父代种群和子代种群合成一个新的种群，按照预先设定的规则从新的种群生成新的父代种群，重复至满足设定的终止条件为止。
其中，对初始种群进行非支配排序，将种群等级全部划分，包括：
计算每个个体p的被支配个数np和该个体支配的解的集合Sp，遍历整个种群，种群规模为N，该参数的计算复杂度为O(mN2)；
将种群中参数np＝0的个体放入第一种群集合Rank1中，删除集和Rank1中的个体后，重新计算剩下所有个体的被支配个数np，然后将np＝0的个体放入第二种群集和Rank2中，重复直到种群等级被全部划分。
在本实施例中，预先设定的规则包括：
根据Pareto等级从低到高的顺序，将整层种群放入父代种群Ci+1，直到某一层个体不能全部放入父代种群Ci+1；
将该层个体根据拥挤度从大到小排列，依次放入父代种群Ci+1中，直到父代种群Ci+1填满。
在上述第三处理模块中，关联规则的排序采用TOPSIS法，包括：
对由支持度、置信度和提升度构成的标准矩阵进行规范化得到决策矩阵；
根据决策矩阵计算正理想解pip和负理想解nip；
根据正理想解pip和负理想解nip计算频繁集mi的标准点与理想点之间的距离；
由标准点与理想点之间的距离得到各标准点到达负理想解的相对距离
Figure BDA0003798473690000211
描述了相对频繁项目的重要程度，基于相对距离
Figure BDA0003798473690000212
获得最频繁的关联规则。
在上述筛选模块中，依据关联规则的排列顺序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，包括：
分析第t个关联规则，在关联规则相关集合Ut中储存出现该关联规则的项目群方案；
筛选非支配项目群方案集合
Figure BDA0003798473690000213
从
Figure BDA0003798473690000214
中删除不包含在集和Ut中的元素，并且更新空集U＝U+Ut；
检查从
Figure BDA0003798473690000215
筛选剩下的项目群方案集合
Figure BDA0003798473690000216
如果
Figure BDA0003798473690000217
中只剩下一个项目群方案存在，则停止并输出
Figure BDA0003798473690000218
否则，令t＝t+1，重复筛选。
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明一实施例中提供的计算设备结构示意图，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种考虑项目联系的电网数字化项目帕累托优选方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令，以执行如下方法：根据全面搜集的电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；根据各项目的各项指标，在确定项目间共用网络的基础上，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；由以获得的帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；依据关联规则的排列顺序对预先得到的非支配解集进行精选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解，上述计算设备的结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据全面搜集的电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；根据各项目的各项指标，在确定项目间共用网络的基础上，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；由以获得的帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；依据关联规则的排列顺序对预先得到的非支配解集进行精选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：根据全面搜集的电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；根据各项目的各项指标，在确定项目间共用网络的基础上，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；由以获得的帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；依据关联规则的排列顺序对预先得到的非支配解集进行精选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电网数字化项目帕累托优选方法，其特征在于，包括：
根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目问共用网络；
根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；
根据所述帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；
依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
2.如权利要求1所述电网数字化项目帕累托优选方法，其特征在于，建立项目间共用网络，包括：
通过映射对项目共同利用网络的两个项目进行处理，确定两个项目是否有共同利用关系；
具有共同利用关系的两个项目，同时使用的技术的数量被设置为项目之间的协同利用优势的权重，构建项目共用网络PU＝[puxy]n×n，其中puxy表示项目x和项目y同时需要的技术，n表示所有项目用到的技术的数量。
3.如权利要求1所述电网数字化项目帕累托优选方法，其特征在于，所述建立数字化项目群多目标优化模型，求解得到帕累托最优解集，包括：
以项目群方案xi作为种群的每个个体的染色体，以此产生初始种群；
建立并计算适应度模型和惩罚函数，确定解集合中的Pareto等级；
对初始种群进行非支配排序，将Pareto等级全部划分；
在对初始种群进行非支配排序完成后进行遗传算法的交叉、变异和选择操作，生成新的个体加入到种群中；
从全部种群的N个个体中选择k个个体构成组，根据每个个体的适应度，选择其中适应度值最好的个体进入子代种群，重复直到子代种群个体个数达到N，N为种群规模；
计算所有个体的拥挤度，使得到的解在目标空间中更加均匀；
根据Pareto等级和拥挤度，将父代种群和子代种群合成一个新的种群，按照预先设定的规则从新的种群生成新的父代种群，重复至满足设定的终止条件为止。
4.如权利要求3所述电网数字化项目帕累托优选方法，其特征在于，所述对初始种群进行非支配排序，将种群等级全部划分，包括：
计算每个个体p的被支配个数np和该个体支配的解的集合Sp，遍历整个种群，种群规模为N，该参数的计算复杂度为O(mN2)；
将种群中参数np＝0的个体放入第一种群集合Rank1中，删除集和Rank1中的个体后，重新计算剩下所有个体的被支配个数np，然后将np＝0的个体放入第二种群集和Rank2中，重复直到种群等级被全部划分。
5.如权利要求3所述电网数字化项目帕累托优选方法，其特征在于，所述预先设定的规则包括：
根据Pareto等级从低到高的顺序，将整层种群放入父代种群Ci+1，直到某一层个体不能全部放入父代种群Ci+1；
将该层个体根据拥挤度从大到小排列，依次放入父代种群Ci+1中，直到父代种群Ci+1填满。
6.如权利要求1所述电网数字化项目帕累托优选方法，其特征在于，所述关联规则的排序采用TOPSIS法，包括：
对由支持度、置信度和提升度构成的标准矩阵进行规范化得到决策矩阵；
根据决策矩阵计算正理想解pip和负理想解nip；
根据正理想解pip和负理想解nip计算频繁集mi的标准点与理想点之间的距离；
由标准点与理想点之间的距离得到各标准点到达负理想解的相对距离
Figure FDA0003798473680000021
Figure FDA0003798473680000022
描述了相对频繁项目的重要程度，基于相对距离
Figure FDA0003798473680000023
获得最频繁的关联规则。
7.如权利要求1所述电网数字化项目帕累托优选方法，其特征在于，所述依据关联规则的排列顺序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，包括：
分析第t个关联规则，在关联规则相关集合Ut中储存出现该关联规则的项目群方案；
筛选非支配项目群方案集合
Figure FDA0003798473680000024
从
Figure FDA0003798473680000025
中删除不包含在集和Ut中的元素，并且更新空集U＝U+Ut；
检查从
Figure FDA0003798473680000026
筛选剩下的项目群方案集合
Figure FDA0003798473680000027
如果
Figure FDA0003798473680000028
中只剩下一个项目群方案存在，则停止并输出
Figure FDA0003798473680000029
否则，令t＝t+1，重复筛选。
8.一种电网数字化项目帕累托优选系统，其特征在于，包括：
第一处理模块，根据电网数字化项目量化评价相关信息、电网数字化项目的技术特点和电网公司的发展战略信息，建立电网数字化项目的评价指标体系和项目间共用网络；
第二处理模块，根据评价指标体系和项目间共用网络，建立数字化项目群多目标优化模型，求解得到帕累托最优解集；
第三处理模块，根据所述帕累托最优解集进行关联规则的挖掘，以支持度、置信度、提升度作为指标，进行关联规则的排序；
筛选模块，依据关联规则的排序对预先得到的非支配解集进行筛选，每次筛选去除最差解直到最后剩下一个最优数字化项目组合解，完成数字化项目的优选。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
CN202210976021.1A 2022-08-15 2022-08-15 一种电网数字化项目帕累托优选方法及系统 Pending CN115330201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210976021.1A CN115330201A (zh) 2022-08-15 2022-08-15 一种电网数字化项目帕累托优选方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210976021.1A CN115330201A (zh) 2022-08-15 2022-08-15 一种电网数字化项目帕累托优选方法及系统

Publications (1)

Publication Number Publication Date
CN115330201A true CN115330201A (zh) 2022-11-11

Family

ID=83924223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210976021.1A Pending CN115330201A (zh) 2022-08-15 2022-08-15 一种电网数字化项目帕累托优选方法及系统

Country Status (1)

Country Link
CN (1) CN115330201A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252372A (zh) * 2023-09-22 2023-12-19 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 一种基于聚类分析算法的工业互联网资源分配和调度方法
CN117455061A (zh) * 2023-11-08 2024-01-26 深圳市美置乡墅科技有限公司 建筑施工的调度管理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252372A (zh) * 2023-09-22 2023-12-19 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 一种基于聚类分析算法的工业互联网资源分配和调度方法
CN117455061A (zh) * 2023-11-08 2024-01-26 深圳市美置乡墅科技有限公司 建筑施工的调度管理方法及系统

Similar Documents

Publication Publication Date Title
CN115330201A (zh) 一种电网数字化项目帕累托优选方法及系统
Kwong et al. A multiobjective optimization approach for product line design
CN109214449A (zh) 一种电网投资需求预测方法
Vakharia et al. Cell formation in group technology: a combinatorial search approach
CN110751355A (zh) 一种科技成果评估方法和装置
Karimi et al. Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment
Liu et al. A multi-objective model for discovering high-quality knowledge based on data quality and prior knowledge
Aghajani-Delavar et al. A multi-objective vibration damping optimization algorithm for solving a cellular manufacturing system with manpower and tool allocation
Chen et al. MOEA/D with an improved multi-dimensional mapping coding scheme for constrained multi-objective portfolio optimization
CN109146553A (zh) 基于多密度聚类与多核svm的实时电价预测系统及其方法
Chen A diversified AHP-tree approach for multiple-criteria supplier selection
CN115130811A (zh) 电力用户画像的建立方法、装置及电子设备
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. Improved selection strategy for multi‐objective evolutionary algorithms with application to water distribution optimization problems
CN110750572A (zh) 一种科技成果启发式评价的自适应方法和装置
CN113450141A (zh) 一种基于电力大客户群体售电量特征的智能预测方法及装置
CN109919688B (zh) 一种考虑市场因素的电子烟产品线规划方法
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法
CN115712836A (zh) 一种交互式迭代建模方法
CN114372835B (zh) 综合能源服务潜力客户识别方法、系统及计算机设备
CN110689320A (zh) 一种基于协同进化算法的大规模多目标项目调度方法
Deng et al. A novel method for elimination of inconsistencies in ordinal classification with monotonicity constraints
CN115237970A (zh) 数据预测方法、装置、设备、存储介质及程序产品
Sadatrasou et al. An application of data mining classification and bi-level programming for optimal credit allocation
CN113723842A (zh) 一种研发经费投入规模及强度预测方法

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