[发明专利]基于机器学习的电网投资方案优选方法及系统

权利要求书

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Ranking 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l_i∈{0,1}，标签l_i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y_iω,x_i⁽¹⁾-x_i⁽²⁾≥1-ζ_i，其中ω为参数向量，C为设定的系数，ζ_i为松弛变量，|| ||为范数，y_i为项目对向量之间的相对相关性，x_i⁽¹⁾为项目特征向量对中的第一个特征向量，x_i⁽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。