CN116029559A - 一种电力系统基建项目组合方案决策方法 - Google Patents

Abstract

一种电力系统基建项目组合方案决策方法，首先基于基建项目集生成多个备选的基建项目组合方案，计算各备选方案的综合效用值，选取综合效用值最大的备选方案作为最佳方案，然后对最佳方案中各新能源配套基建项目分别进行风险评估，得到新能源弃电量期望后判断各新能源配套基建项目的新能源弃电量期望是否超过设定阈值，若均不超过，则将该最佳方案作为最终电力系统基建项目组合方案，若至少一项超过，则将超过设定阈值的新能源配套基建项目剔除后重新确定项目组合方案。本方法一方面通过综合效用值选取最佳方案，保证了整体建设效益，另一方面通过弃电量期望量化基建项目不能满足新能源可靠消纳的风险，确保新能源可靠消纳。

Description

一种电力系统基建项目组合方案决策方法

技术领域

本发明属于电力系统基建项目效益评估技术领域，具体涉及一种电力系统基建项目组合方案决策方法。

背景技术

由于风电、光伏发电装机容量快速增长，为保证新能源大量接入下大电网的安全稳定运行，对电网基建项目决策方案的效益进行客观、全面的评价成为了电网规划的关键步骤之一。现有优选方法为面向单一电压等级获得基建项目规划方案集，忽略了不同电压等级基建项目效益间的协调性，容易导致电网220kV/110kV/35kV电压等级网架发展不协调。

此外，为适应高比例新能源接入电网，新型电力系统的基建规划包含了大量电网配套基建项目，但由于电网基建项目建设规模大，建设周期长，受到气候、经济等多种不确定因素的影响，电网配套基建与新能源装机容量存在建设不协调的风险，无法保证新能源可靠消纳，新能源弃风弃光现象频繁发生，导致风光等新能源送出困难，造成不必要的资源浪费。因此，现有决策优选方案存在不同电压等级基建项目效益间的协调性差以及新能源无法可靠消纳的风险。

发明内容

本发明的目的是克服现有技术存在的上述问题，提供一种综合考虑多个基建项目效益间的协调性以及保证新能源可靠消纳的电力系统基建项目组合方案决策方法。

为实现以上目的，本发明提供了以下技术方案：

一种电力系统基建项目组合方案决策方法，依次按照以下步骤进行：

A、先基于基建项目集生成多个备选的基建项目组合方案，然后计算各备选的基建项目组合方案的综合效用值，选取综合效用值最大的备选基建项目组合方案作为最佳方案；

B、对最佳方案中各新能源配套基建项目分别进行风险评估，得到各新能源配套基建项目的新能源弃电量期望；

C、判断各新能源配套基建项目的新能源弃电量期望是否超过设定弃电量期望阈值，若均不超过，则进入步骤D；若至少一项超过设定弃电量期望阈值，则将超过设定弃电量期望阈值的新能源配套基建项目从基建项目集中剔除后返回步骤A，直至最佳方案中各新能源配套基建项目的新能源弃电量期望均不超过设定弃电量期望阈值；

D、将此时的最佳方案作为最终的电力系统基建项目组合方案。

步骤A中，所述备选的电力系统基建项目组合方案包含有多个不同电压等级的基建项目，所述综合效用值基于考虑多电压等级的耦合协调度分析方法计算得到，具体包括：

A1、构建电网基建项目成效指标体系；

A2、计算各备选方案中各成效指标的多电压等级成效累计值；

A3、基于各备选方案中各成效指标的多电压等级成效累计值计算得到各备选方案中各成效指标的多电压等级耦合协调度、备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数；

A4、基于各备选方案中各成效指标的多电压等级耦合协调度、备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数计算得到各备选方案的综合效用值。

步骤A2中，所述各成效指标的多电压等级成效累计值根据以下公式计算得到：

；

；

上式中，

为第i个备选方案的第j个成效指标的多电压等级成效累计值，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m，m为成效指标的个数，

、

、

分别为第i个备选方案中220kV、110kV、35kV电压等级下的基建项目第j个成效指标产生的成效指标值，

为归一化前的第i个备选方案的第j个成效指标的多电压等级成效累计值，

、

分别为第j个成效指标值的上、下限。

步骤A3中，所述各备选方案中各成效指标的多电压等级耦合协调度根据以下公式计算得到：

；

；

；

上式中，

为第i个备选方案的第j个指标的多电压等级耦合协调度，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m，m为成效指标的个数，

为第i个备选方案的第j个成效指标的多电压等级耦合度，

、

、

均为权重，

为第i个备选方案的第j个指标的综合评价指数；

所述各备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数根据以下公式计算得到：

；

；

；

；

上式中，

为第i个备选方案的第j个成效指标与理想方案的第j个成效指标之间的灰色关联系数，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m为成效指标的个数，

为理想方案的第j个成效指标的多电压等级成效累计值，

为第i个备选方案的第j个成效指标的多电压等级成效累计值，

为第i个备选方案的第j个成效指标与理想方案的第j个成效指标的差序列，

、

分别为第i个备选方案的第j个成效指标与理想方案的第j个成效指标的差序列最小值、最大值，

为分辨系数。

步骤A4中，所述各备选方案的综合效用值根据以下公式计算得到：

；

上式中，

为第i个备选方案的综合效用值，i=1,2,…,n，n为备选方案的个数。

步骤A1中，所述电网基建项目成效指标体系由多个一级成效指标组成，所述一级指标由多个二级成效指标组成，所述一级指标包括解决重过载问题、供电可靠性、电网经济性、优化网络结构、双碳战略目标，所述解决重过载问题包括提升电源点数量、缓解线路重过载数量、缓解变电站重过载数量，所述供电可靠性包括解决线路N-1条数、解决主变N-1座数、消除安全隐患设备数量，所述电网经济性包括降损电量、增售电量、提升净现值，所述优化网络结构包括解决单变数量、解决单线数量，所述双碳战略目标包括提升新能源节能量、提升新能源减排量。

所述步骤B包括：

B1、利用历史新能源配套基建项目库对构建的混合神经网络模型进行训练；

B2、将最佳方案中各新能源配套基建项目的基本属性、各风险因素的风险值、新能源装机容量、新能源历史功率输入到训练好的混合神经网络模型中，得到最佳方案中各新能源配套基建项目的新能源弃电量期望。

步骤B1中，所述混合神经网络模型包括多层感知机MLP、自编码器AE、贝叶斯神经网络BNN，所述多层感知机MLP用于提取新能源配套基建项目的基本属性、各风险因素的风险值、新能源装机容量的非时序特征信息，所述自编码器AE用于提取新能源配套基建项目的新能源历史功率的时序特征信息，所述贝叶斯神经网络BNN用于基于多层感知机MLP、自编码器AE提取的特征信息获得新能源弃电量分布，根据新能源弃电量分布确定新能源弃电量期望。

步骤B2中，所述最佳方案中各新能源配套基建项目的各风险因素的风险值根据以下步骤计算得到：

B21、先分别计算得到新能源配套基建项目与历史新能源配套基建项目库中各历史新能源配套基建项目的相似度值，然后选择与新能源配套基建项目相似度较高的历史新能源配套基建项目构建匹配集，所述相似度的计算公式如下：

；

上式中，

为新能源配套基建项目与历史新能源配套基建项目库中第i个历史新能源配套基建项目的相似度值，

为新能源配套基建项目的第j个基本属性值，

为历史新能源配套基建项目库中第i个历史新能源配套基建项目的第j个基本属性值，j=1,2,…,n，n为基本属性的个数；

B22、统计匹配集中各风险因素的发生概率和严重程度，基于各风险因素的发生概率和严重程度计算新能源配套基建项目的各风险因素的风险值，所述各风险因素的风险值的计算公式如下：

；

上式中，

为第i个风险因素的风险值，

为第i个风险因素的发生概率，

为第i个风险因素发生的严重程度，i=1,2,…,m，m为风险因素的个数。

所述基本属性包括项目片区、电压等级、建设规模、建设周期、是否属于城区，所述风险因素包括施工风险、恶劣天气、经济风险。

与现有技术相比，本发明的有益效果为：

1、本发明一种电力系统基建项目组合方案决策方法首先基于基建项目集生成多个备选的基建项目组合方案，计算各备选的基建项目组合方案的综合效用值，选取综合效用值最大的备选基建项目组合方案作为最佳方案，然后对最佳方案中各新能源配套基建项目分别进行风险评估，得到新能源弃电量期望后，判断各新能源配套基建项目的新能源弃电量期望是否超过设定弃电量期望阈值，若均不超过，则将该最佳方案作为最终的电力系统基建项目组合方案，若至少一项超过设定弃电量期望阈值，则将超过设定弃电量期望阈值的基建项目从基建项目集中剔除后重新按照本方法确认组合方案；该设计一方面通过综合效用值选取最佳方案，保证了最佳方案的建设效益，另一方面通过计算最佳方案中各新能源配套基建项目的新能源弃电量期望，通过新能源弃电量期望量化基建项目不能满足新能源可靠消纳的风险，从而确保新能源的可靠消纳，最终提高基建整体规划的科学性、准确性与建设效率。因此，本发明能够同时保证电力系统基建项目组合方案的建设效益与新能源可靠消纳。

2、本发明一种电力系统基建项目组合方案决策方法中，备选方案包含有多个不同电压等级的基建项目，综合效用值基于考虑多电压等级的耦合协调度分析方法计算得到，具体为先构建电网基建项目成效指标体系，然后计算各备选方案中各成效指标的多电压等级成效累计值，再基于各备选方案中各成效指标的多电压等级成效累计值计算得到各备选方案中各成效指标的多电压等级耦合协调度、备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数，最后基于各备选方案中各成效指标的多电压等级耦合协调度、备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数计算得到各备选方案的综合效用值；本方法以各成效指标的多电压等级耦合协调度作为权重系数，考虑了多电压等级基建项目之间的相互影响与制约，同时基于灰色关联分析法量化各个备选方案与理想方案间的关联特性，使利用综合效用值对组合方案进行优选，能够更合理的表征组合方案的建设成效。因此，本发明计算得到的综合效用值能够合理的表征组合方案的建设成效。

3、本发明一种电力系统基建项目组合方案决策方法中，风险评估具体为，先利用历史基建项目库对构建的混合神经网络模型进行训练，再将最佳方案中各基建项目的基本属性、各风险因素的风险值、新能源装机容量、新能源历史功率输入到训练好的混合神经网络模型中，得到最佳方案中各基建项目的新能源弃电量期望；由于基本属性、新能源装机容量、各风险因素的风险值作为非时序特征数据，内部隐变量丰富，与新能源弃电量之间具有十分复杂的非线性关系，同时新能源历史功率作为高维时序特征数据，直接输入模型可能导致训练时间过长或模型不收敛，本设计中的混合神经网络模型先通过多层感知机MLP提取非时序特征数据并输出与新能源弃电量之间的非线性关系，通过自编码器AE提取时序特征数据并降低数据维度，然后将以上特征信息输入到贝叶斯神经网络BNN中对新能源弃电量期望进行预测，最终提高了新能源弃电量期望预测结果的准确率。因此，本发明提高了新能源弃电量期望预测结果的准确率。

附图说明

图1为本发明中综合效用值的计算流程图。

图2为本发明中新能源弃电量期望的计算流程图。

图3为本发明中混合神经网络模型的结构图。

图4为实施例混合神经网络模型的训练和预测曲线。

图5为实施例最佳方案中各新能源配套基建项目的新能源弃电量期望。

具体实施方式

下面结合说明书附图和具体实施方式对本发明作进一步的说明。

参见图1至图5，一种电力系统基建项目组合方案决策方法，具体按照以下步骤进行：

A、先构建电网基建项目成效指标体系，然后以总建设成本为约束，建立多电压等级项目组合效益优化模型，最后采用第三代非支配排序遗传算法(NSGA-III算法)求解上述效益优化模型，得到包含有多个220kV、110kV、35kV电压等级的基建项目的帕累托前沿解集，其中，所述电网基建项目成效指标体系如表1所示：

表1 电网基建项目成效指标体系

所述多电压等级项目组合效益优化模型的表达式如下：

；

；

；

；

上式中，

为第l个电网基建项目的优选决策值，若

为0表示项目未被选择，若

为1表示项目已被选择，

为效益权重，由决策偏好和电网发展需求确定，

为第l个基建项目的建设成本，

、

、

分别为220kV、110kV、35kV电压等级基建项目的建设规模阈值，

、

、

分别为220kV、110kV、35kV电压等级基建项目的数量，

、

、

分别为220kV、110kV、35kV电压等级下一级成效指标的目标函数

，

由与该一级成效指标对应的二级成效指标做加权求和得到；

B、由上述帕累托前沿解集生成12个备选的电力系统基建项目组合方案，基于考虑多电压等级的耦合协调度分析方法分别计算得到各备选的基建项目组合方案的综合效用值，选取综合效用值最大的备选基建项目组合方案作为最佳方案，其中，所述考虑多电压等级的耦合协调度分析方法具体为：

B1、根据以下公式计算得到各备选方案中各成效指标的多电压等级成效累计值；

；

；

上式中，

为第i个备选方案的第j个成效指标的多电压等级成效累计值，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m，m为成效指标的个数，

、

、

分别为第i个备选方案中220kV、110kV、35kV电压等级下的基建项目第j个成效指标产生的成效指标值，

为归一化前的第i个备选方案的第j个成效指标的多电压等级成效累计值，

、

分别为第j个成效指标值的上、下限；

B2、根据以下公式计算得到各备选方案中各成效指标的多电压等级耦合协调度，计算结果见表2，多电压等级耦合协调度越小表示相对应的成效指标在各电压等级间的协调性越差，协调性等级划分情况见表3：

；

；

；

上式中，

为第i个备选方案的第j个指标的多电压等级耦合协调度，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m，m为成效指标的个数，

为第i个备选方案的第j个成效指标的多电压等级耦合度，

、

、

均为权重，考虑到各电压等级的分级递阶特点，

、

、

分别取0.4、0.3、0.3，

为第i个备选方案的第j个指标的综合评价指数；

表2 各备选方案中各成效指标的多级耦合协调度

表3 协调性等级划分情况

B3、先确认理想方案

，其中，m为成效指标的个数，然后根据以下公式计算得到备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数，计算结果见表4：

；

；

；

；

上式中，

为第i个备选方案的第j个成效指标与理想方案的第j个成效指标之间的灰色关联系数，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m，m为成效指标的个数，

为理想方案的第j个成效指标的多电压等级成效累计值，

为第i个备选方案的第j个成效指标的多电压等级成效累计值，

为第i个备选方案的第j个成效指标与理想方案的第j个成效指标的差序列，

、

分别为第i个备选方案的第j个成效指标与理想方案的第j个成效指标的差序列最小值、最大值，

为分辨系数；

所述

根据以下公式确认得到：

；

上式中，

取各备选方案的第j个成效指标的多电压等级成效累计值中的最大值，m为成效指标的个数，n为备选方案的个数；

表4灰色关联系数

B4、根据以下公式计算得到各备选方案的综合效用值，计算结果见表5：

；

上式中，

为第i个备选方案的综合效用值，i=1,2,…,n，n为备选方案的个数，m为成效指标的个数；

表5 各备选方案的综合效用值

由上表可知，备选方案X₁₁的综合效用值排序第一，且该方案中大部分成效指标的多级耦合协调度处于初级协调和优质协调之间，同时该方案与理想方案的相似度也较高，最终确定备选方案X₁₁为最佳电网基建项目组合方案；

C、对最佳电网基建项目组合方案中各新能源配套基建项目分别进行风险评估，得到各新能源配套基建项目的新能源弃电量期望，其中，所述风险评估具体按照以下步骤进行：

C1、构建混合神经网络模型，如图3所示，所述混合神经网络模型包括多层感知机MLP、自编码器AE、贝叶斯神经网络BNN；

其中，所述多层感知机MLP用于提取电网基建项目的基本属性、各风险因素的风险值、新能源装机容量的非时序特征信息，多层感知机MLP由连接输入层、由Leaky ReLU激活的完全连接隐藏层、线性激活的输出层组成；

所述自编码器AE用于提取电网基建项目的新能源历史功率的时序特征信息，自编码器AE由多个自编码器网络堆叠而成，具有多个隐藏层，每个隐藏层都是经过训练的具有两层神经网络的降噪自动编码器，每层的降噪自动编码器都单独进行非监督训练，以最小化输入（输入为前一层的隐藏层输出）与重构结果之间的误差为训练目标，在对一层进行训练后，使用其输出作为输入来训练下一层的隐藏层，如此逐层完成对堆叠式自动编码器的训练；

所述贝叶斯神经网络BNN用于基于多层感知机MLP、自编码器AE提取的特征信息获得新能源弃电量的分布，贝叶斯神经网络BNN由输入层、隐藏层与输出层组成，其中隐藏层为概率层，给定观测数据，X是输入数据，Y是弃电量数据，预测值为：

；

；

上式中，

为概率层权重的后验分布，

为权重的先验分布，

为输出弃电量数据在确定概率层权重与输入数据条件下的概率分布，

为新能源弃电量在确定输入数据条件下的概率分布；

由于概率层的权重W是一个高维随机变量，

的计算非常困难，因而难以直接通过贝叶斯定理对概率层权重的后验分布进行计算，因此采用变分推断方法对权重的后验分布进行近似，引入一个简单的分布

，其中

，每个权重W从正态分布

，两个分布间的差异采用KL散度衡量，在

已知时可通过最小化KL散度来对权重分布进行优化，得到以下公式：

；

由于KL散度难以直接计算，对上式引入证据下界后求导得到以下公式：

；

最后，通过多个不同的

对

的期望进行估计，完成混合神经网络模型的训练；

C2、将某省往年已建电网新能源配套基建项目集作为历史新能源配套基建项目库，按照8:1:1的比例将历史新能源配套基建项目库分为训练集、测试集、验证集，以新能源配套电网基建项目的基本属性、各风险因素风险值、新能源装机容量、新能源历史功率作为输入，以新能源弃电量作为输出，对混合神经网络模型进行训练和预测，训练和预测曲线如图4所示，由图4可以看出，训练好的混合神经网络模型的最终准确率达到94%；

其中，所述基本属性为项目片区、电压等级、建设规模、建设周期、是否属于城区，所述风险因素为施工风险、恶劣天气、经济风险，所述各电网基建项目的各风险因素的风险值根据以下方法计算得到：

C21、先分别计算得到新能源配套电网基建项目与历史新能源配套电网基建项目库中各历史新能源配套电网基建项目的相似度值，然后选择与新能源配套电网基建项目相似度较高的历史新能源配套电网基建项目构建匹配集，所述相似度的计算公式如下：

；

上式中，

为新能源配套电网基建项目与历史新能源配套电网基建项目库中第i个历史新能源配套电网基建项目的相似度值，

为新能源配套电网基建项目的第j个基本属性值，

为历史新能源配套电网基建项目库中第i个历史新能源配套电网基建项目的第j个基本属性值，j=1,2,…,n，n为基本属性的个数。

C22、统计匹配集中各风险因素的发生概率和严重程度，基于各风险因素的发生概率和严重程度计算新能源配套电网基建项目的各风险因素的风险值，所述各风险因素的风险值的计算公式如下：

；

上式中，

为第i个风险因素的风险值，

为第i个风险因素的发生概率，

为第i个风险因素发生的严重程度，i=1,2,…,m，m 为风险因素的个数；

C3、在90%置信区间下，将最佳电网基建项目组合方案（X₁₁）中各新能源配套基建项目的基本属性、各风险因素的风险值、新能源装机容量、新能源历史功率输入到训练好的混合神经网络模型中，得到最佳电网基建项目组合方案中各新能源配套电网基建项目延期并网导致的新能源弃电量值；预测1000次，每次运行都得到一个弃电量值，统计得到弃电量值的波动范围及频率，由频率近似为概率，然后由概率分布求得弃电量平均值，该弃电量平均值即弃电量期望，结果如图5所示；

D、判断各新能源配套基建项目的新能源弃电量期望是否超过设定弃电量期望阈值，若均符合，则均不超过，则进入步骤E；若至少一项超过设定弃电量期望阈值，则将超过设定弃电量期望阈值的新能源配套基建项目从所在的基建项目帕累托前沿解集中剔除后返回步骤B，直至最佳方案中各新能源配套基建项目的新能源弃电量期望均不超过设定弃电量期望阈值；

由图5可知，设定的弃电量期望阈值为1350万千瓦时（弃电量期望阈值可根据地域差异和决策者偏好预先给定），编号为22、21的新能源配套电网基建项目引致的弃电量期望超过设定阈值，因此将编号22、21的新能源配套电网基建项目从所在的基建项目帕累托前沿解集中剔除，然后返回步骤B重新生成备选的电力系统基建项目组合方案；

E、将此时的最佳方案作为最终的电力系统基建项目组合方案。

Claims (10)

1.一种电力系统基建项目组合方案决策方法，其特征在于：

所述确定方法依次按照以下步骤进行：

A、先基于基建项目集生成多个备选的基建项目组合方案，然后计算各备选的基建项目组合方案的综合效用值，选取综合效用值最大的备选基建项目组合方案作为最佳方案；

B、对最佳方案中各新能源配套基建项目分别进行风险评估，得到各新能源配套基建项目的新能源弃电量期望；

C、判断各新能源配套基建项目的新能源弃电量期望是否超过设定弃电量期望阈值，若均不超过，则进入步骤D；若至少一项超过设定弃电量期望阈值，则将超过设定弃电量期望阈值的新能源配套基建项目从基建项目集中剔除后返回步骤A，直至最佳方案中各新能源配套基建项目的新能源弃电量期望均不超过设定弃电量期望阈值；

D、将此时的最佳方案作为最终的电力系统基建项目组合方案。

2.根据权利要求1所述的一种电力系统基建项目组合方案决策方法，其特征在于：

步骤A中，所述备选的电力系统基建项目组合方案包含有多个不同电压等级的基建项目，所述综合效用值基于考虑多电压等级的耦合协调度分析方法计算得到，具体包括：

A1、构建电网基建项目成效指标体系；

A2、计算各备选方案中各成效指标的多电压等级成效累计值；

A3、基于各备选方案中各成效指标的多电压等级成效累计值计算得到各备选方案中各成效指标的多电压等级耦合协调度、备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数；

A4、基于各备选方案中各成效指标的多电压等级耦合协调度、备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数计算得到各备选方案的综合效用值。

3.根据权利要求2所述的一种电力系统基建项目组合方案决策方法，其特征在于：

步骤A2中，所述各成效指标的多电压等级成效累计值根据以下公式计算得到：

；

；

上式中，

为第i个备选方案的第j个成效指标的多电压等级成效累计值，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m，m为成效指标的个数，

、

、

分别为第i个备选方案中220kV、110kV、35kV电压等级下的基建项目第j个成效指标产生的成效指标值，

为归一化前的第i个备选方案的第j个成效指标的多电压等级成效累计值，

、

分别为第j个成效指标值的上、下限。

4.根据权利要求3所述的一种电力系统基建项目组合方案决策方法，其特征在于：

步骤A3中，所述各备选方案中各成效指标的多电压等级耦合协调度根据以下公式计算得到：

；

；

；

上式中，

为第i个备选方案的第j个指标的多电压等级耦合协调度，i=1,2,…,n，n为备选方案的个数，j=1,2,…,m，m为成效指标的个数，

为第i个备选方案的第j个成效指标的多电压等级耦合度，

、

、

均为权重，

为第i个备选方案的第j个指标的综合评价指数；

所述各备选方案中的各成效指标与理想方案中的各成效指标之间的灰色关联系数根据以下公式计算得到：

；

；

；

；

上式中，

为第i个备选方案的第j个成效指标与理想方案的第j个成效指标之间的灰色关联系数，i=1,2，…，n，n为备选方案的个数，j=1,2，…，m，m为成效指标的个数，

为理想方案的第j个成效指标的多电压等级成效累计值，

为第i个备选方案的第j个成效指标的多电压等级成效累计值，

为第i个备选方案的第j个成效指标与理想方案的第j个成效指标的差序列，

、

分别为第i个备选方案的第j个成效指标与理想方案的第j个成效指标的差序列最小值、最大值，

为分辨系数。

5.根据权利要求4所述的一种电力系统基建项目组合方案决策方法，其特征在于：

步骤A4中，所述各备选方案的综合效用值根据以下公式计算得到：

；

上式中，

为第i个备选方案的综合效用值，i=1,2,…,n，n为备选方案的个数。

6.根据权利要求2-5中任一项所述的一种电力系统基建项目组合方案决策方法，其特征在于：

步骤A1中，所述电网基建项目成效指标体系由多个一级成效指标组成，所述一级指标由多个二级成效指标组成，所述一级指标包括解决重过载问题、供电可靠性、电网经济性、优化网络结构、双碳战略目标，所述解决重过载问题包括提升电源点数量、缓解线路重过载数量、缓解变电站重过载数量，所述供电可靠性包括解决线路N-1条数、解决主变N-1座数、消除安全隐患设备数量，所述电网经济性包括降损电量、增售电量、提升净现值，所述优化网络结构包括解决单变数量、解决单线数量，所述双碳战略目标包括提升新能源节能量、提升新能源减排量。

7.根据权利要求1所述的一种电力系统基建项目组合方案决策方法，其特征在于：

所述步骤B包括：

B1、利用历史新能源配套基建项目库对构建的混合神经网络模型进行训练；

B2、将最佳方案中各新能源配套基建项目的基本属性、各风险因素的风险值、新能源装机容量、新能源历史功率输入到训练好的混合神经网络模型中，得到最佳方案中各新能源配套基建项目的新能源弃电量期望。

8.根据权利要求7所述的一种电力系统基建项目组合方案决策方法，其特征在于：

步骤B1中，所述混合神经网络模型包括多层感知机MLP、自编码器AE、贝叶斯神经网络BNN，所述多层感知机MLP用于提取新能源配套基建项目的基本属性、各风险因素的风险值、新能源装机容量的非时序特征信息，所述自编码器AE用于提取新能源配套基建项目的新能源历史功率的时序特征信息，所述贝叶斯神经网络BNN用于基于多层感知机MLP、自编码器AE提取的特征信息获得新能源弃电量分布，根据新能源弃电量分布确定新能源弃电量期望。

9.根据权利要求7或8所述的一种电力系统基建项目组合方案决策方法，其特征在于：

步骤B2中，所述最佳方案中各新能源配套基建项目的各风险因素的风险值根据以下步骤计算得到：

B21、先分别计算得到新能源配套基建项目与各历史新能源配套基建项目的相似度值，然后选择与新能源配套基建项目相似度较高的历史新能源配套基建项目构建匹配集，所述相似度的计算公式如下：

；

上式中，

为新能源配套基建项目与历史新能源配套基建项目库中第i个历史新能源配套基建项目的相似度值，

为新能源配套基建项目的第j个基本属性值，

为历史新能源配套基建项目库中第i个历史新能源配套基建项目的第j个基本属性值，j=1,2,…,n，n为基本属性的个数；

B22、统计匹配集中各风险因素的发生概率和严重程度，基于各风险因素的发生概率和严重程度计算新能源配套基建项目的各风险因素的风险值，所述各风险因素的风险值的计算公式如下：

；

上式中，

为第i个风险因素的风险值，

为第i个风险因素的发生概率，

为第i个风险因素发生的严重程度，i=1,2,…,m，m为风险因素的个数。

10.根据权利要求9所述的一种电力系统基建项目组合方案决策方法，其特征在于：所述基本属性包括项目片区、电压等级、建设规模、建设周期、是否属于城区，所述风险因素包括施工风险、恶劣天气、经济风险。

Images