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

doi:10.11930/j.issn.1004-9649.202411008

中国电力 ›› 2025, Vol. 58 ›› Issue (7): 197-206.DOI: 10.11930/j.issn.1004-9649.202411008

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

田鑫¹(), 靳晓凌¹(), 韩新阳¹(), 杨军伟², 张新圣¹

1. 国网能源研究院有限公司，北京　102209
2. 国网滁州供电公司，安徽滁州　239099

收稿日期:2024-11-01 发布日期:2025-07-30 出版日期:2025-07-28
作者简介:
田鑫（1985），男，通信作者，硕士，高级工程师，从事电网投资效益评价、电力系统技术经济等研究，E-mail：tianxin@sgeri.sgcc.com.cn
靳晓凌（1979），女，博士，高级工程师（教授级），从事电网规划、电网技术经济等研究，E-mail：jinxiaoling@sgeri.sgcc.com.cn
韩新阳（1972），男，硕士，高级工程师（教授级），从事电网规划、城市电网、电网技术经济等研究，E-mail：hanxinyang@sgeri.sgcc.com.cn
基金资助:
国家电网有限公司科技项目（新型电力系统下源网荷储运行管理优化关键技术与实证应用研究，5700-202257454A-2-0-ZN）。

Evaluation of Grid Investment Effectiveness and Investment Simulation for New-Type Power Systems Based on Machine Learning Algorithm

TIAN Xin¹(), JIN Xiaoling¹(), HAN Xinyang¹(), YANG Junwei², ZHANG Xinsheng¹

1. State Grid Energy Research Institute Co., Ltd., Beijing 102209, China
2. State Grid Chuzhou Electric Power Supply Company, Chuzhou 239099, China

Received:2024-11-01 Online:2025-07-30 Published:2025-07-28
Supported by:
This work is supported by Science and Technology Project of SGCC (Key Technologies and Empirical Application Research on Optimization of Source Grid Load Storage Operation Management under New Power System, No.5700-202257454A-2-0-ZN).

摘要/Abstract

摘要：

分布式电源、储能、微电网等新要素的接入给电力系统运行特性带来较大影响，电网作为新型电力系统的重要组成部分，其规划和投资决策需要充分考虑新要素对电网投资成效的影响，确保电网投资规模、结构与新型电力系统构建的目标相一致。当前电网投资成效评价大多关注成本投入和经济效益，新型电力系统构建要求电网投资成效以整体效益为指引，提取关键影响因素，为电网投资推演提供方向性指引。首先，建立了一种基于机器学习算法的新型电力系统电网投资成效评价和投资推演方法，基于最小二乘支持向量机（least square support vector regression，LSSVM）的机器学习算法构建了电网投资成效评价模型，采用粒子群优化算法（particle swarm optimization，PSO）进行参数寻优，并以分布式电源和储能建设场景为例进行算例分析。然后，基于新型电力系统下电网物理指标、电网投资指标与电网投资成效指标之间的量化映射关系，建立电网投资推演方法和模型，采用差异化场景对电网投资推演方法进行案例分析，验证方法的可行性，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。

关键词: 电网投资, 机器学习, 最小二乘支持向量机, 粒子群优化, 典型场景, 投资成效评价, 策略推演

Abstract:

The access of emerging elecments such as distributed power generation, energy storage, and microgrids has a great impact on the operation characteristics of the power system. Power grid, as a critical component of new-type power systems, requires that its planning and investment decisions fully account for the emerging elements' impact on investment effectiveness, so as to ensure that the grid investment scale and allocation align with the construction objectives of new-type power systems. At present, evaluation of the power grid investment effectiveness mostly focuses on cost input and economic benefits. The construction of new-type power systems, however, requires that the power grid investment effectiveness be guided by the overall benefits, and the key influencing factors be extracted to provide directional guidance for the power grid investment simulation. This paper proposes a power grid investment effectiveness evaluation and investment simulation method for new-type power systems based on machine learning algorithm, and constructs a power grid investment effectiveness evaluation model based on the machine learning algorithm of the least squares support vector machine (LSSVM), and uses the particle swarm optimization algorithm (PSO) to optimize the parameters of LSSVM. The distributed power generation and energy storage scenarios are used for case study. Based on the quantitative mapping relationship between the physical indicators of the power grid, the power grid investment indicators and the power grid investment effectiveness indicators under the new-type power systems, the power grid investment simulation method and model are established, and case study is carried out using differentiated scenarios to verify the feasibility of the proposed power grid investment simulation method. This study can provide a theoretical and technical support for the power grid investment decision-making for the new-type power systems.

Key words: grid investment, machine learning, least squares support vector machines, particle swarm optimization, typical scenarios, investment effectiveness evaluation, strategy simulation

田鑫, 靳晓凌, 韩新阳, 杨军伟, 张新圣. 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[J]. 中国电力, 2025, 58(7): 197-206.

TIAN Xin, JIN Xiaoling, HAN Xinyang, YANG Junwei, ZHANG Xinsheng. Evaluation of Grid Investment Effectiveness and Investment Simulation for New-Type Power Systems Based on Machine Learning Algorithm[J]. Electric Power, 2025, 58(7): 197-206.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.202411008

https://www.electricpower.com.cn/CN/Y2025/V58/I7/197

图/表 14

参考文献 28

1	DAVIDSON I E. Evaluation and effective management of non-technical losses in power networks[J]. SAIEE Africa Research Journal, 2002, 94 (3): 39- 42. DOI
2	KRISTIANSEN M, SVENDSEN H G, KORPÅS M, et al. Multi-stage grid investments incorporating uncertainty in offshore wind development[J]. Energy Procedia, 2017, 137, 468- 476. DOI
3	SARDI J, MITHULANANTHAN N, GALLAGHER M, et al. Multiple community energy storage planning in distribution networks using a cost-benefit analysis[J]. Applied Energy, 2017, 190, 453- 463. DOI
4	ALAQEEL T A, SURYANARAYANAN S. Ex ante cost-benefit analysis for optimal deregulation of electricity markets[C]//2016 IEEE Power and Energy Society General Meeting (PESGM). Boston, MA, USA. IEEE, 2016: 1–5.
5	KUCSERA D, RAMMERSTORFER M. Grid expansion investments when production is uncertain - a real options model in the context of renewables[J]. SSRN Electronic Journal, 2010.
6	RYDER G, SHAHID F, YAN S. The grid intelligent planning framework: planning electric utility investments in a time of accelerating change[M]//Lecture Notes in Computer Science. Berlin, Heidelberg: Springer Berlin Heidelberg 2011: 205–214.
7	WAGNER J. Grid investment and support schemes for renewable electricity generation[J]. EWI Working Papers, 2017,
8	PAN E S, LI H, WANG Y L, et al. Research on risk evaluation model of distribution network project based on extension matter element[J]. IOP Conference Series: Earth and Environmental Science, 2018, 199, 052035. DOI
9	王国权, 乔琨, 侯荣均, 等. 配电网投资效益评价及投资项目的优选[J]. 电力系统及其自动化学报, 2017, 29 (12): 146- 150.
	WANG Guoquan, QIAO Kun, HOU Rongjun, et al. Evaluation on investment returns of distribution network and optimization of investment projects[J]. Proceedings of the CSU-EPSA, 2017, 29 (12): 146- 150.
10	赵会茹, 姚满宇, 李兵抗, 等. 考虑乡村振兴贡献度的农网项目投资决策模型[J]. 中国电力, 2024, 57 (6): 181- 192.
	ZHAO Huiru, YAO Manyu, LI Bingkang, et al. Investment decision model of rural power grid projects considering contribution of rural revitalization[J]. Electric Power, 2024, 57 (6): 181- 192.
11	陈源, 王璐, 黄友珍, 等. 基于多级可拓评价法的配电网规划经济效益评估模型[J]. 中国电力, 2016, 49 (10): 159- 164.
	CHEN Yuan, WANG Lu, HUANG Youzhen, et al. Economic benefit evaluation model of distribution network planning based on multi-level extension evaluation method[J]. Electric Power, 2016, 49 (10): 159- 164.
12	肖峻, 崔艳妍, 王建民, 等. 配电网规划的综合评价指标体系与方法[J]. 电力系统自动化, 2008, 32 (15): 36- 40.
	XIAO Jun, CUI Yanyan, WANG Jianmin, et al. A hierarchical performance assessment method on the distribution network planning[J]. Automation of Electric Power Systems, 2008, 32 (15): 36- 40.
13	朱瑞, 娄奇鹤, 靳晓凌, 等. 适应新型电力系统的电网基建功能化投资结构演化研究[J]. 中国电力, 2024, 57 (9): 194- 204. DOI
	ZHU Rui, LOU Qihe, JIN Xiaoling, et al. Research on the evolution of functional investment structure in power grid infrastructure adapting to new power systems[J]. Electric Power, 2024, 57 (9): 194- 204. DOI
14	刘若溪, 张建华, 吴迪. 基于风险理论的配电网静态安全性评估指标研究[J]. 电力系统保护与控制, 2011, 39 (15): 89- 95.
	LIU Ruoxi, ZHANG Jianhua, WU Di. Research on static security index of distribution network based on risk theory[J]. Power System Protection and Control, 2011, 39 (15): 89- 95.
15	刘胜利, 曹阳, 冯跃亮, 等. 配电网投资效益评价与决策模型研究及应用[J]. 电力系统保护与控制, 2015, 43 (2): 119- 125. DOI
	LIU Shengli, CAO Yang, FENG Yueliang, et al. Research and application of distribution grid investment effectiveness evaluation and decision-making model[J]. Power System Protection and Control, 2015, 43 (2): 119- 125. DOI
16	曹艺琼, 王学杰, 田鑫, 等. 投资界面延伸下电网接入工程投资博弈策略[J]. 中国电力, 2024, 57 (2): 226- 234.
	CAO Yiqiong, WANG Xueji, TIAN Xin, et al. Game theory strategy for power grid connection project investment under extended investment interfaces[J]. Electric Power, 2024, 57 (2): 226- 234.
17	张世翔, 邵慧壮. 基于分布式电源的配电网综合效益评估[J]. 上海电力学院学报, 2015, 31 (1): 19- 23.
	ZHANG Shixiang, SHAO Huizhuang. Overall efficiency assessment of power distribution network based on distribution network[J]. Journal of Shanghai University of Electric Power, 2015, 31 (1): 19- 23.
18	王永利, 马子奔, 秦雨萌, 等. 考虑耦合作用的电网业务组合投资优化[J]. 中国电力, 2024, 57 (3): 197- 205.
	WANG Yongli, MA Ziben, QIN Yumeng, et al. Investment optimization for power grid business portfolios considering coupling effects.[J]. Electric Power, 2024, 57 (3): 197- 205.
19	陈炽野, 文亚凤, 刘自发, 等. 含有多种分布式电源的配电网综合评估方法[J]. 电力建设, 2015, 36 (1): 128- 135. DOI
	CHEN Chiye, WEN Yafeng, LIU Zifa, et al. Comprehensive evaluation method of distribution network including various types of distributed generation[J]. Electric Power Construction, 2015, 36 (1): 128- 135. DOI
20	刘文霞, 牛淑娅, 石道桂, 等. 考虑运行策略及投资主体利益的主动配电系统储能优化配置[J]. 电网技术, 2015, 39 (10): 2697- 2704.
	LIU Wenxia, NIU Shuya, SHI Daogui, et al. Optimal allocation of ADS battery energy storage considering operation strategy and investment subject benefit[J]. Power System Technology, 2015, 39 (10): 2697- 2704.
21	李昌陵, 梁磊, 程倩, 等. 输配电价改革背景下省级电网投资效率评价研究——考虑产出滞后的超效率SBM—Malmquist模型[J]. 价格理论与实践, 2024, (10): 146–152.
	LI Changling, LIANG Lei, CHENG Qian, et al. Evaluating provincial power grid investment efficiency under electricity transmission and distribution tariff reform: A super-efficiency SBM-Malmquist model considering output lag[J]. Price: Theory & Practice, 2024, (10): 146–152.
22	杨芳芳, 何飓, 孙文兵, 等. 基于知识图谱的电网投资因素评价模型的研究与应用[J]. 合肥工业大学学报(自然科学版), 2024, 47 (7): 957- 961.
	YANG Fangfang, HE Ju, SUN Wenbing, et al. Research and application of power grid investment factor evaluation model based on knowledge graph[J]. Journal of Hefei University of Technology (Natural Science)., 2024, 47 (7): 957- 961.
23	陈雪, 周建, 张艳青, 等. 市场机制下考虑不同应用场景的多主体分布式储能投资优化[J]. 供用电, 2024, 41 (4): 79- 88.
	CHEN Xue, ZHOU Jian, ZHANG Yanqing, et al. Investment optimization of distributed energy storage by multi-investors considering different application scenarios under market mechanism[J]. Distribution & Utilization, 2024, 41 (4): 79- 88.
24	金博文, 黄佳晨. 以配电网整体效益为基础的投资效益评价[J]. 电工技术, 2024, (4): 194- 200, 204.
	JIN Bowen, HUANG Jiachen. Investment effectiveness evaluation based on overall benefit of distribution network[J]. Electric Engineering, 2024, (4): 194- 200, 204.
25	胡心怡, 翁竞, 邹晓凤. 基于效率效益评价的电网建设投资决策[J]. 经济研究导刊, 2023, (22): 11- 13.
	HU Xinyin, WENG Jing, ZOU Xiaofeng, et al. Power grid construction investment decision-making based on efficiency-benefit evaluation[J]. Economic Research Guide, 2023, (22): 11- 13.
26	刘稼瑾, 冯华, 丁宁, 等. 电碳协同的园区分布式资源集群综合效益评估方法[J]. 电力科学与技术学报, 2024, 39 (5): 181- 191.
	LIU Jiajin, FENG Hua, DING Ning, et al. Comprehensive benefit evaluation method for park with distributed resourceclusters by electrical and carbon synergy[J]. Journal of Electric Power Science and Technology, 2024, 39 (5): 181- 191.
27	杨靛青, 叶锟锋. 混合信息下智能变电站建设项目综合效益评价[J]. 电力系统保护与控制, 2023, 51 (23): 45- 58.
	YANG Dianqing, YE Kunfeng. Comprehensive benefit evaluation of smart substation construction projects from hybrid information[J]. Power System Protection and Control, 2023, 51 (23): 45- 58.
28	梁硕, 王艳松. 基于改进云物元模型的工业园区综合能源系统规划方案评价[J]. 电力系统保护与控制, 2023, 51 (9): 165- 176.
	LIANG Shuo, WANG Yansong. Evaluation of an integrated energy system planning scheme for an industrial park based onan improved cloud matter-element model[J]. Power System Protection and Control, 2023, 51 (9): 165- 176.

序号	一级指标	二级指标
1	低碳性	新能源并网发电量占地区全社会用电量的比例
2		终端电气化率
3		新能源利用率
4	安全性	断面输电能力提升
5		N–1通过率
6		地区供电可靠率
7		防灾抗灾能力
8	经济性	网损率
9		单位投资增供电量
10		单位固定资产售电量
11	智能性	配电自动化覆盖率
12		采集终端覆盖率
13		低压分布式光伏用户“四可”能力

序号	一级指标	二级指标
1	低碳性	新能源并网发电量占地区全社会用电量的比例
2		终端电气化率
3		新能源利用率
4	安全性	断面输电能力提升
5		N–1通过率
6		地区供电可靠率
7		防灾抗灾能力
8	经济性	网损率
9		单位投资增供电量
10		单位固定资产售电量
11	智能性	配电自动化覆盖率
12		采集终端覆盖率
13		低压分布式光伏用户“四可”能力

场景	新增指标	所属维度	关键影响因素	与电网投资相关性
分布式电源	分布式电源平准化能源成本	经济性	运营维护成本	负相关
	分布式绿电占比	低碳性	电源侧灵活性与稳定性	正相关
	分布式电源供电保障能力	安全性	备用供电和应急响应能力	负相关
微电网	主网投资需求削减能力	经济性	负荷量与主网稳定性	负相关
	微电网备用容量	安全性	主网稳定性	负相关
	微电网自平衡可靠性	安全性	负荷量、负荷成本	负相关
	微电网平准化能源成本	经济性	能源成本	负相关
	微电网节能率	经济性	负荷成本	负相关
	微电网孤岛形成失败概率	安全性	微电网稳定性	正相关
储能	储能调峰效益	经济性	调峰能力	负相关
	储能节煤效益	低碳性	调节能力	负相关
	储能电力应急应用	安全性	应急损失	负相关
	储能响应延迟性	安全性	调节能力	正相关

场景	新增指标	所属维度	关键影响因素	与电网投资相关性
分布式电源	分布式电源平准化能源成本	经济性	运营维护成本	负相关
	分布式绿电占比	低碳性	电源侧灵活性与稳定性	正相关
	分布式电源供电保障能力	安全性	备用供电和应急响应能力	负相关
微电网	主网投资需求削减能力	经济性	负荷量与主网稳定性	负相关
	微电网备用容量	安全性	主网稳定性	负相关
	微电网自平衡可靠性	安全性	负荷量、负荷成本	负相关
	微电网平准化能源成本	经济性	能源成本	负相关
	微电网节能率	经济性	负荷成本	负相关
	微电网孤岛形成失败概率	安全性	微电网稳定性	正相关
储能	储能调峰效益	经济性	调峰能力	负相关
	储能节煤效益	低碳性	调节能力	负相关
	储能电力应急应用	安全性	应急损失	负相关
	储能响应延迟性	安全性	调节能力	正相关

二级指标	–20%	–10%	0	+10%	+20%
新能源并网发电量占地区全社会用电量的比例	47.14	53.23	64.41	72.28	79.30
终端电气化率	52.05	58.90	64.41	69.11	75.47
新能源利用率	50.49	56.97	64.41	66.54	72.78
断面输电能力提升	52.50	59.18	64.41	68.83	75.43
N–1通过率	48.32	54.57	64.41	72.96	79.86
地区供电可靠率	47.88	53.92	64.41	71.72	78.52
防灾抗灾能力	50.12	56.53	64.41	65.23	71.23
网损率	52.25	58.93	64.41	67.78	74.13
单位投资增供电量	47.43	53.45	64.41	71.45	78.37
单位固定资产售电量	49.28	55.53	64.41	67.00	73.18
配电自动化覆盖率	47.37	53.56	64.41	71.96	78.80
采集终端覆盖率	49.24	55.57	64.41	68.87	75.46
低压分布式光伏用户 “四可”能力	51.58	58.12	64.41	66.14	72.24
主网投资需求削减能力	50.90	57.35	64.41	69.29	75.75
微电网备用容量	52.33	59.17	64.41	66.46	72.70
微电网自平衡可靠性	51.32	58.01	64.41	66.98	73.17
微电网平准化能源成本	52.97	59.93	64.41	67.98	74.32
微电网节能率	52.60	59.46	64.41	67.14	73.47
微电网孤岛形成失败概率	49.73	56.27	64.41	66.79	72.95

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

Evaluation of Grid Investment Effectiveness and Investment Simulation for New-Type Power Systems Based on Machine Learning Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 28

相关文章 15

编辑推荐

Metrics

维度	指标	单位
电力系统特征	分布式电源装机渗透率	%
	分布式电源装机容量占地区最大负荷比例	%
	储能容量占地区新能源装机的比例	%
	储能容量占地区最大负荷的比例	%
	储能容量占地区峰谷差的比例	%
电网物理规模	发电装机容量	万kW
	发电量	亿kW·h
	全社会用电量	亿kW·h
	人均用电量	kW·h/人
	人均生活用电量	kW·h/人
	跨省送出电量	亿kW·h
	10 kV及以上输电线路回路长度	km
	10 kV及以上变电容量	万kV·A
电网基建投资	提升新型电力系统电源接入能力的投资	%、亿元
	提升新型电力系统输送电能力的投资	%、亿元
	提升新型电力系统调节能力的投资	%、亿元
	保障新型电力系统安全的投资	%、亿元
	满足新型电力系统用电需求的投资	%、亿元
	数字化赋能电网基建的投资	%、亿元

指标	预测值	真实值	平均绝对百分比误差/%
新能源并网发电量占比/%	9.9382	10.0532	3.16
新能源并网发电量占比/%	14.8634	15.6738	3.16
N–1通过率/%	71.0717	76.8040	5.00
N–1通过率/%	75.5241	77.4940	5.00
地区供电可靠率/%	99.8446	99.8840	0.05
地区供电可靠率/%	99.8582	99.9150	0.05
单位投资增供电量/ ((kW·h)·万元^–1)	0.8301	0.8401	1.64
单位投资增供电量/ ((kW·h)·万元^–1)	0.4409	0.4417	1.64
配电自动化覆盖率/%	74.9387	71.4500	3.20
配电自动化覆盖率/%	79.0556	77.8700	3.20

投资类别		关键指标
提升新型电力系统电源接入能力的投资		风光新能源装机容量
提升新型电力系统电源接入能力的投资		风光新能源发电量
数字化赋能电网基建的投资		分布式光伏“四可”终端覆盖率
数字化赋能电网基建的投资		配电自动化覆盖率
提升新型电力系统输送电能力的投资		跨省输电通道容量
		330 kV及以上输电线路回路长度
		330 kV及以上变电容量
满足新型电力系统用电需求的投资		全社会用电量
		最大负荷
		110 kV及以下输电线路回路长度
		110 kV及以下变电容量
提升新型电力系统调节能力的投资		储能装机容量
提升新型电力系统调节能力的投资		储能充放电量
保障新型电力系统安全的投资		N–1通过率
保障新型电力系统安全的投资		故障设备停运率

[1]	娄奇鹤, 李彦斌, 刘子上, 向月, 靳霄. 新型电力系统构建场景下电网功能化投资结构演进趋势研究[J]. 中国电力, 2025, 58(7): 207-216.
[2]	高志远, 庄卫金, 李峰, 于芳, 张鸿, 王艳, 夏旻. 调控领域人工智能应用的高复用性验证平台[J]. 中国电力, 2025, 58(3): 142-150.
[3]	闫志彬, 李立, 阳鹏, 宋蕙慧, 车彬, 靳盘龙. 考虑构网型储能支撑能力的微电网优化调度策略[J]. 中国电力, 2025, 58(2): 103-110.
[4]	张博智, 张茹, 焦东翔, 王龙宇, 周一凡, 周丽霞. 基于VMD-SAST的电能质量扰动分类识别方法[J]. 中国电力, 2024, 57(2): 34-40.
[5]	夏向阳, 蒋戴宇, 曾小勇, 龚芬, 吴小忠, 华夏, 罗彦鹏, 石超. 基于虚拟振荡器控制的储能变流器控制策略研究[J]. 中国电力, 2024, 57(11): 70-77.
[6]	董福贵, 夏美娟, 李婉莹. 基于PSO-GWO的省级能耗强度预测与碳减排潜力估算[J]. 中国电力, 2023, 56(9): 226-234.
[7]	杨晓峰, 方逸航, 赵鹏臻, 王承民, 谢宁. 基于K-means和BPNN的风机状态识别[J]. 中国电力, 2023, 56(6): 158-166,175.
[8]	柳守诚, 王淳, 邹智辉, 陈佳慧, 周晗, 刘伟, 张旭. 基于t-SNE降维和放射传播聚类算法的低压配电网相位识别[J]. 中国电力, 2023, 56(5): 108-117.
[9]	徐一伦, 张彬桥, 黄婧, 谢枭, 王若昕, 沈丹青, 何丽娜, 杨凯帆. 考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测[J]. 中国电力, 2023, 56(2): 143-149.
[10]	陈子含, 滕伟, 胥学峰, 丁显, 柳亦兵. 基于图卷积网络和风速差分拟合的中长期风功率预测[J]. 中国电力, 2023, 56(10): 96-105.
[11]	吴宇辉, 张扬帆, 高峰, 王玙, 王耀函, 杨伟新, 张鸿. 基于工作模态分析的风电机组叶片裂纹损伤在线监测研究[J]. 中国电力, 2023, 56(10): 106-114.
[12]	韩子颜, 王守相, 赵倩宇, 郑志杰. 计及分时电价的5 G基站光储系统容量优化配置方法[J]. 中国电力, 2022, 55(9): 8-15.
[13]	李文武, 石强, 李丹, 胡群勇, 唐芸, 梅锦超. 基于VMD和PSO-SVR的短期电力负荷多阶段优化预测[J]. 中国电力, 2022, 55(8): 171-177.
[14]	黄书民, 蒋林高, 李志川, 杨光绪, 宋福根. 基于PSO寻优与DBN神经网络的电晕损耗预测[J]. 中国电力, 2022, 55(6): 95-102,214.
[15]	王利利, 王皓, 任洲洋, 孙义豪. 计及灵活资源调节潜力的高压配电网新能源接纳能力评估[J]. 中国电力, 2022, 55(10): 124-131.

二级指标	–20%	–10%	0	+10%	+20%
新能源并网发电量占地区全社会用电量的比例	–26.82	–17.36	0.00	12.21	23.12
终端电气化率	–19.18	–8.55	0.00	7.29	17.18
新能源利用率	–21.61	–11.54	0.00	3.31	13.00
断面输电能力提升	–18.50	–8.12	0.00	6.87	17.10
N–1通过率	–24.98	–15.28	0.00	13.27	23.98
地区供电可靠率	–25.66	–16.29	0.00	11.35	21.90
防灾抗灾能力	–22.19	–12.23	0.00	1.27	10.59
网损率	–18.88	–8.51	0.00	5.23	15.09
单位投资增供电量	–26.36	–17.02	0.00	10.94	21.67
单位固定资产售电量	–23.50	–13.79	0.00	4.02	13.61
配电自动化覆盖率	–26.46	–16.84	0.00	11.73	22.35
采集终端覆盖率	–23.56	–13.73	0.00	6.92	17.15
低压分布式光伏用户“四可”能力	–19.92	–9.77	0.00	2.69	12.15

二级指标	–20%	–10%	0	+10%	+20%
新能源并网发电量占地区全社会用电量的比例	–26.82	–17.36	0.00	12.21	23.12
终端电气化率	–19.18	–8.55	0.00	7.29	17.18
新能源利用率	–21.61	–11.54	0.00	3.31	13.00
断面输电能力提升	–18.50	–8.12	0.00	6.87	17.10
N–1通过率	–24.98	–15.28	0.00	13.27	23.98
地区供电可靠率	–25.66	–16.29	0.00	11.35	21.90
防灾抗灾能力	–22.19	–12.23	0.00	1.27	10.59
网损率	–18.88	–8.51	0.00	5.23	15.09
单位投资增供电量	–26.36	–17.02	0.00	10.94	21.67
单位固定资产售电量	–23.50	–13.79	0.00	4.02	13.61
配电自动化覆盖率	–26.46	–16.84	0.00	11.73	22.35
采集终端覆盖率	–23.56	–13.73	0.00	6.92	17.15
低压分布式光伏用户“四可”能力	–19.92	–9.77	0.00	2.69	12.15

模态框（Modal）标题

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

Evaluation of Grid Investment Effectiveness and Investment Simulation for New-Type Power Systems Based on Machine Learning Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 28

相关文章 15

编辑推荐

Metrics