(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211312755.6 (22)申请日 2022.10.25 (71)申请人 国网湖南省电力有限公司 地址 410004 湖南省长 沙市天心区新韶东 路398号 申请人 国网湖南省电力有限公司经济技 术 研究院　 国家电网有限公司 (72)发明人 李湘华　刘聪　梁剑　盛鵾　文博　 沙舰　吴沛霖　周斌　孔令钊　 李智勇　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 专利代理师 周咏　米中业(51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06F 16/2457(2019.01) G06N 20/10(2019.01) G06Q 50/06(2012.01) (54)发明名称 基于机器学习的电网投资方案优选方法及 系统 (57)摘要 本发明公开了一种基于机器学习的电网投 资方案优选方法， 包括获取待优选的电网投资项 目并构建待选数据集； 将刚性电网投资项目直接 选入动态背包项目集并将剩余的投资项目作为 待优选方案； 采用Ranking  SVM算法模型对待优 选方案进行排序； 计算待优选方案的总评分并再 次排序并按照投资约束对待优选方案进行判定； 对动态背包项目集中的方案进行供电能力约束 和投资结构约束判定； 重复以上步骤直至得到最 终最优的动态背包项目集， 构成最终的电网投资 方案的优选结果。 本发明还公开了一种实现所述 基于机器学习的电网投资方案优选方法的系统。 本发明的求解效率高， 收敛速度快， 可扩展性强， 优化结果稳定， 而且可靠性高、 准确性好且客观 科学。 权利要求书3页 说明书7页 附图2页 CN 115545531 A 2022.12.30 CN 115545531 A 1.一种基于 机器学习的电网投资方案优选方法， 包括如下步骤： S1.获取待优选的电网投资项目， 并构建电网投资项目待选数据集； S2.在电网投资项目待选数据集中， 将刚性电网投资项目直接选入动态背包项目集， 并 将剩余的投资项目作为待优选方案； S3.提取步骤S2得到的待优选方案的电网投资结构特征， 并采用Rankin g SVM算法模型 对待优选方案进行排序； S4.根据步骤S3得到的排序结果和各个待优选方案的约束评分标准， 计算待优选方案 的总评分并再次排序， 按照投资约束对待优选方案进行判定； S5.根据步骤S4的判定结果， 对动态背包项目集中的方案进行供电能力约束和投资结 构约束判定； S6.重复步骤S3～S5， 直至得到最终最优的动态背包项目集； 此 时动态背包项目集中的 电网投资项目， 构成最终的电网投资方案的优选结果。 2.根据权利要求1所述的基于机器学习的 电网投资方案优选方法， 其特征在于步骤S3 所述的提取步骤S2得到的待优选方案的电网投资结构特征， 并采用Ranking  SVM算法模型 对待优选方案进行排序， 具体包括如下步骤： 获取待优选方案的电网投资结构特征， 并输入到Ranking  SVM算法模型， 初始化算法参 数以及项目对向量； 确定每个项目对向量的标签， 将项目两两组合形成一个样本， 每个样本包括两个项目 的所有特征和一个标签li∈{0,1}， 标签li用于表示两个项目中的前后排名情况； 再对每个 项目对向量的函数间隔进行计算， 然后通过激活函数 得到输出类标； Ranking SVM算法模型的约束表示为 和yi<ω,xi(1)‑xi(2)>≥1‑ ζi， 其中ω为参数向量， C为设定的系数， ζi为松弛变量， ||  ||为范数， yi为项目对向量之间 的相对相关性， xi(1)为项目特征向量对中的第一个特征向量， xi(2)为项目特征向量对中的第 二个特征向量， <  >为连接符； 根据类标对所有待优选方案项目对向量进行分类： 若正确分类了所有项目对， 则计算 当前超平面关于所有项目对向量的几何间隔并更新， 否则计算输出类标与实际类标之 间的 误差并更新权 重； 将未知排序的数据输入分类决策模型， 对所有项目进行正确分类， 得到任意两个项目 之间的排序关系， 该排序关系为局部排序； 若满足终止条件， 则得到所有项目对向量内的排序关系， 否则用当前间隔最大的样本 对权重进 行更新； 统筹得到总体排序关系后， 输出项目库与所有项目的绝对排序， 得到基于 排序学习的有序项目库， 完成对待优选方案的排序。 3.根据权利要求2所述的基于机器学习的 电网投资方案优选方法， 其特征在于步骤S4 所述的根据步骤S 3得到的排序结果和各个待优选方案的约束评 分标准， 计算待优选方案的 总评分并再次排序， 按照投资约束对待优选方案进行判定， 具体包括如下步骤： 采用启发式算法， 建立构造式背包模型， 实现待优选方案的优选； 每一 次优选过程参考 上一次总评分和当前次约束评分标准， 计算得到各个待优选方案的总评分并排序；权　利　要　求　书 1/3 页 2 CN 115545531 A 2采用如下算式计算各个待优选方案的总评分： 式中Si,j为第j个非刚性电网投资项目第i次排序的分数； Si‑1,j为第j个待优选方案的第 i‑1次排序的分数； 为第j个待优选方案的第i次约束分数； 采用如下算式计算各个待优选方案的初始排序分数： S0j＝50+2*(N‑sortj) 式中S0j为第j个待优选方案的初始排序分数； N为所有待优选方案 的总数； sortj为第j 个待优选方案的初始排序结果； 投资约束包括硬性约束和软性约束： 硬性约束为投资规模约束， 软性约束包括新开/可 研约束、 新 开/续建约束和供电能力约束； 约束评分仅包括软性约束； 采用如下算式计算约束评分 式中 为第i次排序第j个待优选方案的新开/可研惩罚因子； w1为第i次排序待优选 方案的新开/可研权重； 为第i次排序第j个待优选方案的新开/续建惩罚因子； w2为第 i次排序待优选方案的新开/续建权重； 为第i次排序第j个待优选方案的供电能力惩罚 因子； w3为第i次排序待优选方案的新增容 量权重； 当已选新开工项目年度投资规模大于新开工项目最大投资能力时， 项目优选终止； 同 时， 为了均衡各电压等级项目投资比例， 不同电压等级的第 j年已选新开工项目年度投资规 模不超过第j年对应电压等级的项目年度新开项目投资规模； 各电压等级电网项目总个数 不超过待选电网项目总个数； 待优选方案项目分为 四个电压等级分别进行优选， 对于各个电压等级的每一 次待优选 方案项目优选过程， 均要根据当前被排序第一的待优选方案项目的年度投资额进 行投资规 模约束判断， 当且仅当该待优选方案项目的投资规模小于年度剩余可选投资规模时， 该待 优选方案项目入选动态背包项目集， 否则该待优选方案项目被剔除且不再参与后续剩余的 优选过程。 4.根据权利要求3所述的基于机器学习的 电网投资方案优选方法， 其特征在于步骤S5 所述的根据步骤S4的判定结果， 对动态背包项目集中的方案进 行供电能力约束和投资结构 约束判定， 具体包括如下步骤： 每一轮的优选过程结束后， 均要核算当前供电能力和投资结构比例， 从而调整新开/可 研惩罚因子、 新 开/续建惩罚因子和供电能力惩罚因子： 每一轮的优选过程结束后， 若当前的动态背包项目集中的项目的供电功能值大于约束 值， 则下一轮的供电能力惩罚因子值变为0且不再考虑供电能力约束， 否则下一轮的供电能 力惩罚因子采用算式 进行调整， gj为第j个待优选方案项目优选后的供电能力； 若当前投资结构值在目标区间内， 则保持新开/可研惩罚因子和新开/续建惩罚因子的值不 变， 否则按照如下规则进行新 开/可研惩罚因子和新 开/续建惩罚因子的调整：权　利　要　求　书 2/3 页 3 CN 115545531 A 3