CN115994459B - 一种海量电网基建项目建设时序优化方法、系统及设备 - Google Patents

一种海量电网基建项目建设时序优化方法、系统及设备 Download PDF

Info

Publication number
CN115994459B
CN115994459B CN202310294061.2A CN202310294061A CN115994459B CN 115994459 B CN115994459 B CN 115994459B CN 202310294061 A CN202310294061 A CN 202310294061A CN 115994459 B CN115994459 B CN 115994459B
Authority
CN
China
Prior art keywords
construction
power grid
project
time sequence
foundation
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
Application number
CN202310294061.2A
Other languages
English (en)
Other versions
CN115994459A (zh
Inventor
卢生炜
祁利
武强
周明
颜炯
桑子夏
汪颖翔
王思聪
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 Hubei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Hubei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hubei 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 Hubei Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Hubei Electric Power Co Ltd
Priority to CN202310294061.2A priority Critical patent/CN115994459B/zh
Publication of CN115994459A publication Critical patent/CN115994459A/zh
Application granted granted Critical
Publication of CN115994459B publication Critical patent/CN115994459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Supply And Distribution Of Alternating Current (AREA)

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、系统及设备
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、系统及设备。
背景技术
随着新型电力系统建设目标的提出，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、系统及设备。
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：
Figure SMS_1
；
Figure SMS_2
；
Figure SMS_3
；
Figure SMS_4
；
上式中，
Figure SMS_6
为电网基建项目的年度建设成效，
Figure SMS_9
为电网基建项目的年度规划建设成本，
Figure SMS_12
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，
Figure SMS_7
为第i个电网基建项目的预期成效值，
Figure SMS_8
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，
Figure SMS_11
为电网基建项目的总数，
Figure SMS_14
为电网基建项目的规划年数，
Figure SMS_5
为第u个建设成效指标的权重，
Figure SMS_10
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，
Figure SMS_13
为第i个电网基建项目的规划建设成本最大值，
Figure SMS_15
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：
Figure SMS_16
；
Figure SMS_17
；
上式中，
Figure SMS_18
为第j年第k个月的月度建设成本最大值，
Figure SMS_19
为第j年的年度建设成本最大值；
供电能力约束：
Figure SMS_20
；
Figure SMS_21
；
上式中，
Figure SMS_22
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，
Figure SMS_23
为第j-1年的已有总装机容量，
Figure SMS_24
为满足第j年迎峰度夏负荷增长的基本电力需求，
Figure SMS_25
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：
Figure SMS_26
；
上式中，
Figure SMS_27
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
Figure SMS_28
；
S32、执行遗传进化操作，产生子代种群
Figure SMS_29
；
S33、合并
Figure SMS_30
、
Figure SMS_31
得到规模为2T的新种群
Figure SMS_32
，对
Figure SMS_33
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
Figure SMS_34
中，直至
Figure SMS_35
中的个体数量大于等于T；
S34、判断
Figure SMS_36
中个体数量否为T，若是，则进入S36，否则进入S35；
S35、对
Figure SMS_37
中排序最后的非支配层进行排序选择，使
Figure SMS_38
中的个体数量降为T；
S36、以此时的
Figure SMS_39
作为第k+1代种群
Figure SMS_40
；
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
Figure SMS_41
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
Figure SMS_42
中的个体数量降为T；
所述超效率SBM模型为：
Figure SMS_43
；
上式中，
Figure SMS_52
为种群效率，
Figure SMS_47
为决策单元数量，
Figure SMS_49
为每个决策单元中输入指标的种数，
Figure SMS_55
为每个决策单元中输出指标的种数，
Figure SMS_59
为第c种输入指标的松弛量，
Figure SMS_56
为第
Figure SMS_57
个决策单元的第e种输入指标，
Figure SMS_48
为第
Figure SMS_53
个决策单元的第c种输入指标，
Figure SMS_45
为第d种输出指标的松弛量，
Figure SMS_51
为第
Figure SMS_44
个决策单元的第e种输出指标，
Figure SMS_50
为第
Figure SMS_54
个决策单元的第d种输出指标，
Figure SMS_58
为第
Figure SMS_46
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系统，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：
Figure SMS_60
；
Figure SMS_61
；
Figure SMS_62
；
Figure SMS_63
；
建设成本约束：
Figure SMS_64
；
Figure SMS_65
；
供电能力约束：
Figure SMS_66
；
Figure SMS_67
；
电力需求约束：
Figure SMS_68
；
上式中，
Figure SMS_80
为第j年的年度基本电力需求上式中，
Figure SMS_72
为电网基建项目的年度建设成效，
Figure SMS_76
为电网基建项目的年度规划建设成本，
Figure SMS_79
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，
Figure SMS_83
为第i个电网基建项目的预期成效值，
Figure SMS_84
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，
Figure SMS_85
为电网基建项目的总数，
Figure SMS_78
为电网基建项目的规划年数，
Figure SMS_82
为第u个建设成效指标的权重，
Figure SMS_69
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，
Figure SMS_73
为第i个电网基建项目的规划建设成本最大值，
Figure SMS_75
为第i个电网基建项目在第j年第k个月的建设进度，
Figure SMS_77
为第j年第k个月的月度建设成本最大值，
Figure SMS_81
为第j年的年度建设成本最大值，
Figure SMS_86
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，
Figure SMS_70
为第j-1年的已有总装机容量，
Figure SMS_74
为满足第j年迎峰度夏负荷增长的基本电力需求，
Figure SMS_71
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所述系统的框架图。
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：
Figure SMS_87
；
Figure SMS_88
；
上式中，
Figure SMS_89
为第w类电网基建项目画像特征在以往t年内的均值，
Figure SMS_90
为第h年第w类电网基建项目画像特征，
Figure SMS_91
为第u个建设成效指标值在以往t年内的均值，
Figure SMS_92
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：
Figure SMS_93
；
Figure SMS_94
；
Figure SMS_95
；
上式中，
Figure SMS_96
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，
Figure SMS_97
为第w类电网基建项目画像特征的标准差，
Figure SMS_98
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：
Figure SMS_99
；
上式中，
Figure SMS_100
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所示的新型电力系统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：
Figure SMS_101
；
上式中，
Figure SMS_102
为电网基建项目画像特征与建设成效指标耦合矩阵的第
Figure SMS_103
个特征图，
Figure SMS_104
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，
Figure SMS_105
表示卷积运算，
Figure SMS_106
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，
Figure SMS_107
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，
Figure SMS_108
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：
Figure SMS_109
；
上式中，
Figure SMS_110
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，
Figure SMS_111
，J表示提取的耦合特征的数量，
Figure SMS_112
、
Figure SMS_113
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
Figure SMS_114
：
Figure SMS_115
；
上式中，
Figure SMS_116
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，
Figure SMS_117
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：
Figure SMS_118
；
上式中，
Figure SMS_119
为建设成效指标矩阵，
Figure SMS_120
为电网基建项目画像特征，
Figure SMS_121
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：
Figure SMS_122
；
Figure SMS_123
；
Figure SMS_124
；
Figure SMS_125
；
上式中，
Figure SMS_127
为电网基建项目的年度建设成效，
Figure SMS_129
为电网基建项目的年度规划建设成本，
Figure SMS_132
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
Figure SMS_128
=0，若第i个电网基建项目在第j年第k个月产生成效，则
Figure SMS_134
=1，
Figure SMS_136
为第i个电网基建项目的预期成效值，
Figure SMS_138
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，
Figure SMS_126
为电网基建项目的总数，
Figure SMS_131
为电网基建项目的规划年数，
Figure SMS_133
为第u个建设成效指标的权重，
Figure SMS_137
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，
Figure SMS_130
为第i个电网基建项目的规划建设成本最大值，
Figure SMS_135
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，
Figure SMS_139
<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，
Figure SMS_140
=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。
Figure SMS_141
；
Figure SMS_142
；
上式中，
Figure SMS_143
为第j年第k个月的月度建设成本最大值，
Figure SMS_144
为第j年的年度建设成本最大值；
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：
Figure SMS_145
；
Figure SMS_146
；
上式中，
Figure SMS_147
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，
Figure SMS_148
为第j-1年的已有总装机容量，
Figure SMS_149
为满足第j年迎峰度夏负荷增长的基本电力需求，
Figure SMS_150
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：
Figure SMS_151
；
上式中，
Figure SMS_152
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
Figure SMS_153
；
S32、执行遗传进化操作，产生子代种群
Figure SMS_154
；
10.3、合并
Figure SMS_155
、
Figure SMS_156
得到规模为2T的新种群
Figure SMS_157
，对
Figure SMS_158
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
Figure SMS_159
，并将排序靠前的非支配层中的个体放入过渡种群
Figure SMS_160
中，直至
Figure SMS_161
中的个体数量大于等于T；
10.4、判断
Figure SMS_162
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
Figure SMS_163
中排序最后的非支配层
Figure SMS_164
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
Figure SMS_165
中的个体数量降为T；
10.6、以此时的
Figure SMS_166
作为第k+1代种群
Figure SMS_167
；
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：
Figure SMS_168
；
上式中，
Figure SMS_177
为种群效率，
Figure SMS_170
为决策单元数量，
Figure SMS_175
为每个决策单元中输入指标的种数，
Figure SMS_179
为每个决策单元中输出指标的种数，
Figure SMS_181
为第c种输入指标的松弛量，
Figure SMS_183
为第
Figure SMS_184
个决策单元的第e种输入指标，
Figure SMS_174
为第
Figure SMS_176
个决策单元的第c种输入指标，
Figure SMS_169
为第d种输出指标的松弛量，
Figure SMS_182
为第
Figure SMS_172
个决策单元的第e种输出指标，
Figure SMS_173
为第
Figure SMS_178
个决策单元的第d种输出指标，
Figure SMS_180
为第
Figure SMS_171
个决策单元的权重。
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
Figure SMS_185
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：
Figure SMS_186
；
上式中，
Figure SMS_187
为均方误差，
Figure SMS_188
为训练集，
Figure SMS_189
、
Figure SMS_190
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：
Figure SMS_191
；
Figure SMS_192
；
Figure SMS_193
；
Figure SMS_194
；
Figure SMS_195
；
Figure SMS_196
；
上式中，
Figure SMS_204
为第t次迭代的网络参数，
Figure SMS_198
为学习率，
Figure SMS_201
为一个很小的数，
Figure SMS_199
、
Figure SMS_203
分别为
Figure SMS_206
、
Figure SMS_209
的偏差修正值，
Figure SMS_207
为第t次迭代时均方误差对网络参数
Figure SMS_210
求导所得的梯度，
Figure SMS_197
、
Figure SMS_212
分别为
Figure SMS_202
的一阶矩、二阶矩，
Figure SMS_205
、
Figure SMS_208
分别为一阶矩衰减系数、二阶矩衰减系数，
Figure SMS_211
、
Figure SMS_200
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系统，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；
Figure SMS_213
；
Figure SMS_214
；
上式中，
Figure SMS_215
为第w类电网基建项目画像特征在以往t年内的均值，
Figure SMS_216
为第h年第w类电网基建项目画像特征，
Figure SMS_217
为第u个建设成效指标值在以往t年内的均值，
Figure SMS_218
为第h年第u个建设成效指标值。
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：
Figure SMS_219
；
Figure SMS_220
；
Figure SMS_221
；
上式中，
Figure SMS_222
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，
Figure SMS_223
为第w类电网基建项目画像特征的标准差，
Figure SMS_224
为对应的第u个建设成效指标的标准差。
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：
Figure SMS_225
；
上式中，
Figure SMS_226
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。
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：
Figure SMS_227
；
Figure SMS_228
；
Figure SMS_229
；
Figure SMS_230
；
建设成本约束：
Figure SMS_231
；
Figure SMS_232
；
供电能力约束：
Figure SMS_233
；
Figure SMS_234
；
电力需求约束：
Figure SMS_235
；
上式中，
Figure SMS_243
为第j年的年度基本电力需求上式中，
Figure SMS_238
为电网基建项目的年度建设成效，
Figure SMS_240
为电网基建项目的年度规划建设成本，
Figure SMS_244
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，
Figure SMS_247
为第i个电网基建项目的预期成效值，
Figure SMS_250
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，
Figure SMS_252
为电网基建项目的总数，
Figure SMS_245
为电网基建项目的规划年数，
Figure SMS_248
为第u个建设成效指标的权重，
Figure SMS_237
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，
Figure SMS_241
为第i个电网基建项目的规划建设成本最大值，
Figure SMS_246
为第i个电网基建项目在第j年第k个月的建设进度，
Figure SMS_249
为第j年第k个月的月度建设成本最大值，
Figure SMS_251
为第j年的年度建设成本最大值，
Figure SMS_253
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，
Figure SMS_236
为第j-1年的已有总装机容量，
Figure SMS_239
为满足第j年迎峰度夏负荷增长的基本电力需求，
Figure SMS_242
为满足第j年迎峰度冬负荷增长的基本电力需求。
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、系统、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（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。
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 (14)

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；
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，其中，所述电网基建项目建设时序优化模型的目标函数为：
Figure QLYQS_1
Figure QLYQS_2
Figure QLYQS_3
Figure QLYQS_4
上式中，f1为电网基建项目的年度建设成效，f2为电网基建项目的年度规划建设成本，
Figure QLYQS_5
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，Yi为第i个电网基建项目的预期成效值，
Figure QLYQS_6
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，I为电网基建项目的总数，N为电网基建项目的规划年数，ωu为第u个建设成效指标的权重，Bu，i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，
Figure QLYQS_7
为第i个电网基建项目的规划建设成本最大值，
Figure QLYQS_8
为第i个电网基建项目在第j年第k个月的建设进度；
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；
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。
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，
所述建设成本约束为：
Figure QLYQS_9
Figure QLYQS_10
上式中，
Figure QLYQS_11
为第j年第k个月的月度建设成本最大值，
Figure QLYQS_12
为第j年的年度建设成本最大值；
所述供电能力约束为：
Figure QLYQS_13
Figure QLYQS_14
上式中，
Figure QLYQS_15
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，Gj-1为第j-1年的已有总装机容量，
Figure QLYQS_16
为满足第j年迎峰度夏负荷增长的基本电力需求，
Figure QLYQS_17
为满足第j年迎峰度冬负荷增长的基本电力需求；
所述电力需求约束为：
Figure QLYQS_18
上式中，
Figure QLYQS_19
为第j年的年度基本电力需求。
3.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：
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Pk；
S32、执行遗传进化操作，产生子代种群Qk；
S33、合并Pk、Qk得到规模为2T的新种群Rk，对Rk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Sk中，直至Sk中的个体数量大于等于T；
S34、判断Sk中个体数量是否为T，若是，则进入S36，否则进入S35；
S35、对Sk中排序最后的非支配层进行排序选择，使Sk中的个体数量降为T；
S36、以此时的Sk作为第k+1代种群Pk+1；
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。
4.根据权利要求3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Sk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Sk中的个体数量降为T；
所述超效率SBM模型为：
Figure QLYQS_20
Figure QLYQS_21
Figure QLYQS_22
Figure QLYQS_23
上式中，θ为种群效率，L为决策单元数量，m为每个决策单元中输入指标的种数，n为每个决策单元中输出指标的种数，
Figure QLYQS_24
为第c种输入指标的松弛量，xc，e为第e个决策单元的第c种输入指标，xc，l为第l个决策单元的第c种输入指标，
Figure QLYQS_25
为第d种输出指标的松弛量，yd，e为第e个决策单元的第d种输出指标，yd，l为第l个决策单元的第d种输出指标，λl为第l个决策单元的权重。
5.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；
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。
6.根据权利要求5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：
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。
7.根据权利要求5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。
8.一种海量电网基建项目建设时序优化系统，其特征在于，
所述系统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，其中，所述电网基建项目建设时序优化模型的目标函数为：
Figure QLYQS_26
Figure QLYQS_27
Figure QLYQS_28
Figure QLYQS_29
上式中，
Figure QLYQS_30
为第j年的年度基本电力需求，f1为电网基建项目的年度建设成效，f2为电网基建项目的年度规划建设成本，
Figure QLYQS_31
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，Yi为第i个电网基建项目的预期成效值，
Figure QLYQS_32
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，I为电网基建项目的总数，N为电网基建项目的规划年数，ωu为第u个建设成效指标的权重，Bu，i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，
Figure QLYQS_33
为第i个电网基建项目的规划建设成本最大值，
Figure QLYQS_34
为第i个电网基建项目在第j年第k个月的建设进度；
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；
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。
9.根据权利要求8所述的一种海量电网基建项目建设时序优化系统，其特征在于，
所述建设成本约束为：
Figure QLYQS_35
Figure QLYQS_36
所述供电能力约束为：
Figure QLYQS_37
Figure QLYQS_38
所述电力需求约束为：
Figure QLYQS_39
上式中，
Figure QLYQS_40
为第j年第k个月的月度建设成本最大值，
Figure QLYQS_41
为第j年的年度建设成本最大值，
Figure QLYQS_42
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，Gj-1为第j-1年的已有总装机容量，
Figure QLYQS_43
为满足第j年迎峰度夏负荷增长的基本电力需求，
Figure QLYQS_44
为满足第j年迎峰度冬负荷增长的基本电力需求。
10.根据权利要求8所述的一种海量电网基建项目建设时序优化系统，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。
11.根据权利要求10所述的一种海量电网基建项目建设时序优化系统，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。
12.根据权利要求10所述的一种海量电网基建项目建设时序优化系统，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。
13.一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1-7中任一项所述的海量电网基建项目建设时序优化方法。
14.一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1-7中任一项所述的海量电网基建项目建设时序优化方法。
CN202310294061.2A 2023-03-24 2023-03-24 一种海量电网基建项目建设时序优化方法、系统及设备 Active CN115994459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310294061.2A CN115994459B (zh) 2023-03-24 2023-03-24 一种海量电网基建项目建设时序优化方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310294061.2A CN115994459B (zh) 2023-03-24 2023-03-24 一种海量电网基建项目建设时序优化方法、系统及设备

Publications (2)

Publication Number Publication Date
CN115994459A CN115994459A (zh) 2023-04-21
CN115994459B true CN115994459B (zh) 2023-06-13

Family

ID=85995435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310294061.2A Active CN115994459B (zh) 2023-03-24 2023-03-24 一种海量电网基建项目建设时序优化方法、系统及设备

Country Status (1)

Country Link
CN (1) CN115994459B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522080B (zh) * 2024-01-02 2024-04-09 国网湖北省电力有限公司经济技术研究院 输电工程进度安全与造价的联动优化方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019141041A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种风电场机组布局多目标优化方法
CN111695718A (zh) * 2020-04-16 2020-09-22 国网江苏省电力有限公司经济技术研究院 一种考虑投资需求与规划目标的电网发展辅助决策方法
WO2021142917A1 (zh) * 2020-01-15 2021-07-22 深圳大学 多车场车辆路径规划方法、装置、计算机设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9729639B2 (en) * 2001-08-10 2017-08-08 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US20070198383A1 (en) * 2006-02-23 2007-08-23 Dow James B Method and apparatus for data center analysis and planning
US9953284B2 (en) * 2013-03-15 2018-04-24 The Aerospace Corporation Systems and methods for prioritizing funding of projects
US20140330746A1 (en) * 2013-05-01 2014-11-06 International Business Machines Corporation Stochastic investment planning system
CN107256441B (zh) * 2017-06-02 2020-12-04 广东电网有限责任公司电网规划研究中心 基于非支配排序遗传算法的配电网规划建设方案设计方法
CN110163434A (zh) * 2019-05-22 2019-08-23 国家电网有限公司 电网基建项目建设全过程中目标时序的预测方法及系统
US11878602B2 (en) * 2019-11-22 2024-01-23 State Grid Fujian Electric Power Co., Ltd. Method for establishing active distribution network planning model considering location and capacity determination of electric vehicle charging station
US20220036199A1 (en) * 2020-07-31 2022-02-03 VoltSense, Inc. System and method for predictive foliage impingement and wildfire management using generative adversarial network
CN112116233A (zh) * 2020-09-03 2020-12-22 国网经济技术研究院有限公司 一种基于电力需求和投资能力的电网投资优化方法及系统
CN113935237A (zh) * 2021-10-13 2022-01-14 华北电力大学 一种基于胶囊网络的输电线路故障类型判别方法及系统
CN113947330A (zh) * 2021-11-03 2022-01-18 国网湖南省电力有限公司经济技术研究院 考虑投资时序的多目标电网项目优选决策方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019141041A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种风电场机组布局多目标优化方法
WO2021142917A1 (zh) * 2020-01-15 2021-07-22 深圳大学 多车场车辆路径规划方法、装置、计算机设备及存储介质
CN111695718A (zh) * 2020-04-16 2020-09-22 国网江苏省电力有限公司经济技术研究院 一种考虑投资需求与规划目标的电网发展辅助决策方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电网建设项目投资优化管理方法与应用;郑琳;;电力建设(第01期);第113-116页 *

Also Published As

Publication number Publication date
CN115994459A (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
Wu et al. An intuitionistic fuzzy multi-criteria framework for large-scale rooftop PV project portfolio selection: Case study in Zhejiang, China
WO2020063690A1 (zh) 一种电力系统预测的方法和装置
Wang et al. Forecasting power demand in China with a CNN-LSTM model including multimodal information
Huang et al. An integrated computational intelligence approach to product concept generation and evaluation
Fallahpour et al. An evolutionary-based predictive soft computing model for the prediction of electricity consumption using multi expression programming
Reis et al. Multi-reservoir operation planning using hybrid genetic algorithm and linear programming (GA-LP): An alternative stochastic approach
Ju et al. Online data migration model and ID3 algorithm in sports competition action data mining application
CN115994459B (zh) 一种海量电网基建项目建设时序优化方法、系统及设备
CN108596242A (zh) 基于小波神经网络和支持向量机的电网气象负荷预测方法
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
Reche-López et al. Comparison of metaheuristic techniques to determine optimal placement of biomass power plants
CN112182951A (zh) 一种考虑多重不确定性的土地利用规划方法
CN115099461A (zh) 基于双分支特征提取的太阳辐射预测方法及系统
CN114065646A (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
CN110766201A (zh) 收入预测方法、系统、电子设备、计算机可读存储介质
Wang Application of fuzzy linear programming model in agricultural economic management
CN114155044A (zh) 一种电力现货市场节点电价预测方法及系统
CN116883057A (zh) 一种基于XGBoost的高精度电力客户营销渠道偏好预测系统
Liu et al. Sustainability assessment of cities using multicriteria decision-making combined with deep learning methods
CN117350845A (zh) 基于级联超图神经网络的企业信用风险评估方法
CN107358295A (zh) 基于遗传算法和支持向量机的配网运行维护费预测方法
CN107563573A (zh) 一种基于自适应学习混合模型的太阳能发电量的预测方法
CN112785022B (zh) 一种挖掘电能替代潜力的方法及系统
CN113283735A (zh) 综合能源交易市场不同阶段的市场效率评价方法及系统
CN111276229A (zh) 一种基于深度置信网络的门诊量预测方法及系统

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