基于机器学习算法的新型电力系统中电网投资成效评价及投资推演

01 电网投资成效评价指标体系及关键指标提取

电网投资作为电网企业构建新型电力系统的主要投资类别，通常包括各电压等级的输变电工程和输变电工程一次系统以外的配电自动化、通信、调度自动化等投资。为适应新型电力系统发展带来的源、网、荷、储、数、智等系统形态的变化，电网投资不仅需要完善网架结构，保障系统的安全稳定运行和负荷的增长需求，还需要充分满足大规模集中式和分布式新能源的接入和消纳，适应微电网、新型储能、虚拟电厂等新业态、新主体的接入和运行，不断提升电网调节能力，因此，可以将新型电力系统构建要求下电网投资的类别分为提升新型电力系统电源接入能力、提升新型电力系统输送电能力、提升新型电力系统调节能力、满足新型电力系统负荷增长、以数字化、智能化赋能电网基建和保障新型电力系统安全6个方面，如图1所示。

图1  新型电力系统构建要求下电网投资分类

Fig.1  Functional classification of power grid investment for construction of the new-type power systems

根据构建“清洁低碳、安全充裕、经济高效、供需协同、灵活智能”五大特征的新型电力系统要求，可以将电网投资成效聚焦“低碳-安全-经济-智能”4个方面目标，构建电网投资成效评价指标体系，详见表1。

表1  新型电力系统下电网投资成效评价指标体系

Table 1  Evaluation system for grid investment effectiveness of new-type power systems

1）低碳性。电网需要不断提升对新能源发电的接入和消纳能力。面向新型电力系统构建的要求，电网投资最直接成效为电网对新能源的接入和消纳效果，以及对电气化的提升能力。主要指标包括新能源渗透率、终端电气化率以及新能源利用率。

2）安全性。电网需要保障新型电力系统运行安全。面向新型电力系统构建的要求，电网投资需要提升电网运行、资源配置、调峰爬坡和保供能力，主要指标包括断面输电能力提升、N–1通过率、地区供电可靠率及防灾抗灾能力。

3）经济性。电网投资需要满足新型电力系统建设经济性的需求。面向新型电力系统构建的要求，关注电网投入产出水平和运行效率，避免资源浪费。主要指标包括网损率、单位投资增供电量及单位固定资产售电量。

4）智能性。电网投资需要通过应用“大云物移智链边”等新型信息技术提升对电网设备的感知、调度和控制能力。随着数字信息技术与电网物理技术的高效融合，应用智能融合终端和数字化信息化系统，达到电网可观可测可调可控（简称“四可”）的效果。主要指标包括配电自动化覆盖率、采集终端覆盖率及低压分布式光伏用户“四可”能力。

新型电力系统构建带来大量的分布式电源接入，对新型储能等调节资源提出较大需求。同时，微电网、虚拟电厂等新型主体也会大量参与，将给电网投资成效带来新的应用场景。考虑分布式电源、微电网和储能对电网投资成效的影响，增补不同场景中的成效评价指标如表2所示。

表2  多场景电网投资成效新增指标

Table 2  New indicators for multi-scenario power grid investment effectiveness

在此背景下，对新型电力系统投资成效关键影响指标进行识别，是开展电网投资成效评价的基础。本文基于表1构建的电网投资成效评价指标体系开展研究。由于电网投资成效指标需要结合电网情况进行多因素的综合评价，云模型是定性与定量之间的转换模型，能克服主观性和随意性大的缺点，对评价客体进行客观有效评估。本文以微电网建设场景为例，采用基于云模型的模糊综合评估方法，分别研究各个指标变化对新型电力系统下电网投资成效的敏感性，据此筛选新型电力系统投资成效关键指标。采用模糊群体层次分析法来确定电网投资成效评价的权重，定义评语集与模糊数的映射，通过专家决策确定指标的重要度比较矩阵，得到各个指标评语集区间取值以及各个指标的隶属度函数，最终通过计算评语等级上的隶属度值得到评价结果。

在筛选过程中首先将所有投资成效指标的评语集区间取值变化–20%、–10%、+10%和20%，计算得到新型电力系统综合投资成效的变化值。为避免模糊数的不敏感性，本部分对模糊评价结果{非常好，好，中等，差，非常差}按照{100，80，60，40，20}的评分标准去模糊化，得到综合评价分值。最终，各个指标评语区间取值变化下的综合投资成效评价分值如表3所示。

表3  指标敏感性分析结果

Table 3  Results of sensitivity analysis of indicators

根据表3所示综合投资成效评价分值，计算得到各指标变化下综合投资成效评价值相对于基准场景下的变化率，如表4所示。

表4  综合投资成效评价值变化率

Table 4  Rate of change in value of integrated investment effectiveness ratings

根据表4可知，综合投资成效值变化率高于指标变化率的指标共有5个：新能源并网发电量占地区全社会用电量的比例、N–1通过率、地区供电可靠率、单位投资增供电量、配电自动化覆盖率，即上述指标较基准场景分别变化–20%、–10%、+10%和20%时，综合投资成效评价值的变化率大于基准指标的变化率。因此，可以将上述5个指标设定为新型电力系统投资成效的关键影响因素，作为后续开展典型场景下投资成效评价、投资推演的主要指标。

02 基于机器学习算法的电网投资成效评价模型

电网投资成效评价是衡量电网投资决策合理性的关键环节。传统的电网投资成效评价方法以其标准化流程和直观的财务及非财务指标，为行业提供了一套相对成熟的评估体系。然而，随着以分布式电源、储能和微电网等作为典型场景的新型电力系统的快速发展，这些传统方法在应对复杂性和动态性方面的局限性逐渐显现。具体而言，传统评价方法往往基于历史数据进行静态分析，忽视了电网运行中的非线性、时变性和不确定性因素，无法满足分布式电源等新兴主体的随机波动性和间歇性需求。此外，传统方法在处理大量异构数据方面效率低下，难以捕捉到电网投资成效评价中的细微差异和潜在规律。

在此背景下，采用机器学习算法建立投资成效评价体系的必要性日益凸显。机器学习算法，特别是深度学习等先进技术，能够高效处理和分析大规模、多维度的数据集，从而揭示传统方法难以发现的复杂模式和关联。因此，在分布式电源、储能和微电网的典型场景下，采用机器学习算法建立投资成效评价体系是电力市场向智能化、精细化发展的必然趋势，将为电网投资决策提供更为科学、高效和可靠的支撑，推动电力行业的持续健康发展。

2.1  基于机器学习算法的电网投资成效评价模型

1）最小二乘支持向量机LSSVM。

LSSVM是Suykens在支持向量机（support vector machine，SVM）的基础上提出的一种变形算法，利用二范数对目标函数的优化公式进行变形，并将SVM中的不等式约束条件转化为等式约束条件。在运用于回归问题时，基本原理如下。

训练样本(xi, yi)（i=1, 2, ···, n，n为样本数），xi∈Rd，yi∈R，对训练样本进行非线性回归时，引入非线性映射函数φ(x)，将训练样本映射到高维特征空间进行线性回归。在特征空间中LSSVM模型可表示为

式中：为权向量；=，为偏置向量。

目标函数为

式中：为训练集预测误差；为第i个样本引入误差；γ＞0，为正规化参数。

须满足的约束条件为

引入Lagrange乘子=(α1,α2,⋯,αn，转化为Lagrange函数，即

根据优化条件

可得到线性方程组为

式中：K(,)=φ(φ()(i,j=1,2,⋯,n)为核函数，是高维特征空间的内积。

LSSVM的回归函数可表示为

取不同的核函数，将构成不同的LSSVM，本文选用径向基函数（radial basis function，RBF）作为LSSVM的核函数，其表达式为

式中：σ为核参数；||⋅||为两个向量欧式距离。

对于以RBF为核函数的LSSVM模型，需要确定的参数仅为核参数σ和正规化参数γ。本文以电网投资结构和规模、电网特征等指标为输入变量，通过历史数据拟合得到电网投资成效指标的评价值。

2）粒子群优化算法。

如前所述，LSSVM模型需要确定的参数仅为核参数σ和正规化参数γ。本文进一步引入粒子群优化算法PSO进行LSSVM的参数寻优，PSO算法因其实现简单和参数调整少而广泛应用于多种连续和离散的优化问题，主要步骤如下。

①初始化：随机生成一群粒子，每个粒子具有随机的位置和速度，代表一个可能的解决方案。

②评估：计算每个粒子的适应度，即解决方案的质量。

③更新：粒子根据自身的最佳位置pbest和群体中的最佳位置gbest，更新自己的速度和位置。

④迭代：重复评估和更新过程，直到满足终止条件，如达到预定的迭代次数或解的质量达到某个阈值。

2.2  典型场景下电网投资成效评价及算例分析

针对分布式电源、储能、微电网典型场景开展电网投资成效评价，首先，明确模型的输入和输出指标体系。在第1章电网投资成效评价指标体系基础上，结合关键指标的筛选结果，以及机器学习算法对于输入指标可量化性、可代表性的要求，本节首先筛选得到用于LSSVM模型输入的主要指标和输出的指标，分别如表5和表6所示。

表5  新型电力系统下电网投资成效评价模型的输入指标

Table 5  Input indicators for the grid investment effectiveness evaluation model

表6  电网投资成效评价模型的输出指标（成效关键表征）

Table 6  Output metrics of the grid investment effectiveness evaluation model (key characterizations of effectiveness)

其次，基于历史数据进行评价模型训练。本文选择LSSVM作为成效评价模型，并结合PSO算法优化LSSVM模型中的参数，从而训练出最优评价模型。

运用该模型分别针对新能源并网发电量占比、N–1通过率、地区供电可靠率、单位投资增供电量及配电自动化覆盖率进行模型训练，得到如表7所示的评价值及误差。

表7  指标评价误差表

Table 7  Evaluation errors of indicators

通过拟合结果可以看出，针对各项指标的平均绝对百分比误差均在5%以内，总体表现出良好的拟合性能，可以使用该模型进行典型场景下各指标的评价工作。

03 基于运筹优化理论的电网投资推演

随着以高渗透率清洁能源、高参与度主动负荷、高效可靠主动管理措施为特征的电网的高速发展，投资决策问题的数学维度显著提升，主要体现在以下方面：1）技术措施多样化。2）运行方式多样化。3）投资目标多样化。4）投资主体多样化。5）发展态势多样化。因此，根据投资措施开展投资推演对精准投资极具实践应用价值。本章基于运筹优化理论对电网投资长期推演展开研究，通过建立电网建设和运行的数学模型，利用运筹优化方法对电网建设方案进行优化，以达到降低投资成本、提高供电可靠性、优化供电质量等目标的效果。

3.1  电网投资推演关键指标

根据第1章得到的电网投资类别，通过提取不同投资类别的关键指标，作为电网投资成效推演中的典型场景指标，如表8所示。这些指标可以体现新型电力系统发展场景中系统物理特性和外在表现，为电网投资推演提供基础数据支撑。

表8  电网投资分类及其关键指标

Table 8  Classification of grid investments and their key indicators

3.2  基于运筹优化理论的电网投资推演

本节基于电力系统特征指标数据、电网投资规模和结构数据、电网投资效益指标数据，设定差异化的未来发展场景，运用所构建的运筹优化模型来推演未来的新型电力系统下电网投资策略，包括电网投资结构和电网投资规模。推演思路如图2所示。

图2  基于运筹优化理论的电网投资推演

Fig.2  Power grid investment simulation based on operational research optimization theory

设定如下差异化场景。S1为基础场景，电力系统特征指标数据和电网投资效益指标的增速均处于正常水平。S2、S3分别为分布式电源高速增长、储能高速增长的预设场景，旨在量化多场景下各类要素对于电网投资决策的影响。

1）S1基础场景，在该场景下，分布式电源以及储能的增速均处于正常水平，设定为3%。通过训练模型预测得到基础情景下电网的投资策略，包括电网的投资规模和投资结构，旨在评估在稳定增长条件下，为实现特定的电网性能目标所需的电网投资策略。

2）S2分布式电源高速增长场景，在该场景下，分布式电源的增长速度显著高于储能，为5%。通过训练模型推演得到分布式电源快速增长下的电网投资策略，包括电网的投资规模和投资结构，旨在评估在大力推动分布式电源增长的条件下，为实现特定的电网性能目标所需的电网投资策略。

3）S3储能高速增长场景，在该场景下，储能设备的增长速度显著高于分布式电源，为5%。通过训练模型推演得到储能快速增长下的电网投资策略，包括电网的投资规模和投资结构，旨在评估在大力推动储能增长的条件下，为实现特定的电网性能目标所需的电网投资策略。

基于上述场景设置，设定新型电力系统电网投资成效指标目标值，基于电力系统特征指标数据和分布式电源、储能等场景特性指标数据的未来变化趋势，运用训练得到的运筹优化模型推演得到各个场景下的投资方案。其中，各场景下的总投资如图3所示，各场景下的投资结构如图4~6所示。图4~6中：投资1~6分别指的是数字化赋能电网基建的投资、满足新型电力系统用电需求的投资、保障新型电力系统安全的投资、提升新型电力系统调节能力的投资、提升新型电力系统输送电能力的投资、提升新型电力系统电源接入能力的投资占比。

图3  各场景下的总投资

Fig.3  Total investment in each scenario

图4  S1下电网投资结构

Fig.4  Grid investment structure under S1

图5  S2下电网投资结构

Fig.5  Grid investment structure under scenario S2

图6  S3下电网投资结构

Fig.6  Grid investment structure under scenario S3

由图4~6可知，利用本文提出的电网投资策略推演模型，以电网投资成效关键指标为目标，基于分布式电源、储能等场景关键场景指标，考虑所在的电力系统特征，对近中期新型电力系统下电网投资规模和结构推演效果较好，在不同的场景下充分反映了分布式电源发展、储能发展对于电网投资的需求。综上所述，以上基于运筹优化理论的推演模型在中小样本场景下具有较好的推演效果，可应用于省级和地市级电网投资策略的辅助制定。

04 结论

本文以新型电力系统下投资成效评价为导向，通过对电网的投资成效进行多维度分析，构建了具有差异性的评价指标。针对新型电力系统中电网投资成效的评价体系进行了深入研究，并提出了一套多场景下的电网投资成效评价模型。此外，提出了电网投资策略推演模型方法，为新型电力系统构建背景下电网投资决策提供理论和技术支撑。主要研究结论如下。

1）从安全、经济、低碳和智能4个维度建立了新型电力系统下电网投资成效评价指标体系，为电网投资决策提供了科学依据，有助于实现新型电力系统投资的最优化和高效管理。

2）在构建新型电力系统下电网投资成效评价指标体系及关键指标提取的基础上，采用最小二乘支持向量机的机器学习算法建立电网投资成效评价模型，并采用粒子群优化算法进行LSSVM的参数寻优。最后针对分布式电源和储能发展的典型电网场景，进行了电网投资成效评价模型的实证研究。结果表明，本文所提出的电网投资成效评价模型对于评价未来典型场景下电网投资成效具有较好的适用性，从而为电网投资决策提供更为全面和前瞻性的视角。

3）基于运筹优化理论提出了新型电力系统电网投资策略推演模型并进行了算例研究。结果表明，所构建的模型和方法的结合，可以为电网投资效益和投资策略制定提供重要的理论和实践支撑。