高比例新能源接入的电力系统基建项目决策方法及系统

技术领域

本发明属于电气自动化领域，具体涉及一种高比例新能源接入的电力系统基建项目决策方法及系统。

背景技术

随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。

目前，随着越来越多的新能源发电系统并入电网，电力系统基建项目的决策也面临着新的挑战。通过对电力系统基建项目决策，能够有效提升电力系统运行效率及供电可靠性，促进电力系统良好发展。因此，为了保证项目决策过程的科学性和合理性，如何对待建项目方案进行客观、有效的决策，成为了电力系统研究人员的关注重点。

目前，传统的电力系统基建项目决策方法对项目成效的影响因素考虑不够全面，未能将新能源电源项目与电网配套送出项目的建设时序，这使得目前的传统方法的可靠性不高，而且决策结果精确性较差，而且主观性强。因此，目前的传统的电力系统基建项目决策方法，已经不再适用于现今的电力系统。

发明内容

本发明的目的之一在于提供一种可靠性高、精确性好且客观科学的高比例新能源接入的电力系统基建项目决策方法。

本发明的目的之二在于提供一种实现所述高比例新能源接入的电力系统基建项目决策方法的系统。

本发明提供的这种高比例新能源接入的电力系统基建项目决策方法，包括如下步骤：

S1.获取电力系统基建项目的历史数据；

S2.对步骤S1获取的历史数据进行数据清洗和扩充；

S3.采用聚类算法对步骤S2得到的数据进行聚类，提取得到项目典型建设进度曲线；

S4.根据步骤S3得到的项目典型建设进度曲线，采用最大互信息系数法计算得到各个成效指标的强关联性影响因素；

S5.基于贝叶斯神经网络构建电力系统基建项目决策模型，对各个成效指标进行训练和推演，输出所有成效指标的预测值，完成高比例新能源接入的电力系统基建项目的决策过程。

步骤S1所述的电力系统基建项目的历史数据，具体包括电力系统基建项目典型建设进度曲线模型。

步骤S2所述的对步骤S1获取的历史数据进行数据清洗和扩充，具体包括如下步骤：

采用如下步骤进行数据清洗：

对获取的建设进度曲线进行标准化转换，剔除单位限制，并转换为无量纲影响的纯数值型数据：输入原始建设进度数据序列T＝(t

转换后，根据电压等级、项目属性、地区属性和建设规模对历史项目进行分类，将所有属性相同的历史项目进度数据组合到一起，产生若干个不同类型项目的数据集；采用基于KNN的离群点检测算法，删除同类型项目建设进度曲线中的异常数据：设置邻近对象数目k和离群度阈值m，对不同类型项目的建设进度数据集进行遍历，计算各个数据集中的离群点；具体实施时，对于一个数据点p，采用如下算式计算对应的k-近邻平均距离OF(p,k)：

式中N

然后，判断每一个数据点的k-近邻平均距离，若k-近邻平均距离大于设定的离群度阈值m，则将该数据点放入离群点集；最终，将得到的离群点集中的数据点所对应的原始建设进度曲线从数据集中删除；

采用如下步骤进行数据扩充：

经过数据清洗后的建设进度曲线数据集合为D＝{T

计算加权时间序列集合D'中各个序列的DTW距离的平方和：

式中E为建设进度曲线样本空间；

具体计算时，采用DBA迭代算法进行迭代：从D'中随机选取一条时间序列作为初始的平均序列

将最终得到的平均时间序列作为新的合成建设进度曲线，并加入到集合D中；通过改变D中的权重值ω

步骤S3所述的采用聚类算法对步骤S2得到的数据进行聚类，提取得到项目典型建设进度曲线，具体包括如下步骤：

采用AutoEncoder深度嵌入式聚类模型对步骤S2得到的数据进行聚类；

AutoEncoder深度嵌入式聚类模型包括自动编码层，用于学习无标签数据集的初始压缩后的特征表示；在自动编码层上堆积聚类层，用于分配编码层输出到聚类簇；

首先，对堆叠式自动编码层进行初始化，采用逐层贪婪的训练策略，每层的自动编码层都单独进行非监督训练；所述的自动编码层定义为：

式中

采用上一层自动编码层的隐藏层输出作为下一层自动编码层的输入，利用反向传播算法，通过最小化均方误差

将建设进度曲线集输入到初始化后的堆叠自编码层中，仅使用编码层进行编码，将输入的建设进度数据经过非线性映射到隐藏层，从而嵌入到另一维度空间，降低数据维度，最终得到原始建设进度数据的特征信息，并形成建设进度曲线原始数据空间和特征空间之间的初始映射：f

通过初始化的自动编码层传递建设进度数据获得低维映射数据后，为了初始化聚类质心，在特征空间Z中首先执行K-Means聚类：以序列对应坐标的算术平均值为度量来提取质心，将n条建设进度曲线的集合聚类为k个簇，每个簇由质心c

得到质心的初始估计后，使用无监督算法训练建设进度曲线的聚类模型：无监督算法在两个步骤之间重复交替进行，直到满足设定的收敛条件。

所述的采用聚类算法对步骤S2得到的数据进行聚类，提取得到项目典型建设进度曲线，具体包括如下步骤：

计算通过f

式中q

更新映射关系f

式中p

通过将建设进度曲线的软分配与目标分布匹配来训练深度嵌入聚类模型；定义最小化软分配q

式中L为损失函数；

利用KL散度训练网络，同时优化聚类质心c

式中α为t分布的自由度数；

将梯度

步骤S4所述的根据步骤S3得到的项目典型建设进度曲线，采用最大互信息系数法计算得到各个成效指标的强关联性影响因素，具体包括如下步骤：

从源网建设时序、网络拓扑、季节性因素三个维度分析电力系统基建项目规划成效的影响因素，得到影响因素包括新能源并网投产时间、同步投产率、新能源接入位置、电源分布均衡度和冬夏负荷增长需求；

考虑的成效指标包括供电能力提升率、容载比达标率、解决线路N-1条数、解决线路重过载、解决主变N-1台数和可缓解周边变电站重过载座数；

采用最大互信息系数法，建立成效影响因素数据序列集X＝{X

I(X

式中X

对数据进行网格化，将网格的规格设定为a×b，a为沿x轴方向上的网格数量，b为沿y轴方向上的网格数量；在限制条件下，求取使得互信息最大的网格分辨率，并对最大的互信息值进行归一化作为MIC值：

式中B为样本数据量的0.6次方；

依次计算不同影响因素与不同成效指标之间的MIC值，从而得到关联特性为

对于每一个成效指标，MIC值越大，表示影响因素对于该项成效指标的影响程度越深，关联性越强；最终，根据关联特性M筛选出各个成效指标的强关联性影响因素。

步骤S5所述的基于贝叶斯神经网络构建电力系统基建项目决策模型，对各个成效指标进行训练和推演，输出所有成效指标的预测值，具体包括如下步骤：

采用贝叶斯神经网络进行建模：

贝叶斯神经网络包括输入层、隐藏层和输出层；其中隐藏层为概率层，使得网络具备描述不确定性的能力，而且设定概率层中的权重和偏置均服从正态分布；设定概率层的权重集为W，p(W)为先验分布，给定观测数据D＝X,Y；X为输入数据，包括项目基本特征数据、与各项成效指标对应的强关联性影响因素数据以及电力系统每月典型日潮流分布曲线数据，其中，项目基本特征数据包括电压等级、工程属性、项目片区、建设规模、是否属于城区和是否属于刚性项目；电力系统每月典型日潮流分布曲线数据根据电力系统相关节点的潮流曲线模拟计算得到；Y为输出数据，包括电力系统基建项目规划决策的成效指标；BNN给出以下的分布：

式中p(W|X,Y)为概率层权重的后验分布；p(W)为先验分布；p(Y|X,W)为输出成效数据在确定概率层权重与输入数据条件下的概率分布；P(Y|X)为输出成效数据在确定输入数据条件下的概率分布；

对构建的贝叶斯神经网络模型进行改进：

对输入数据进行标准化转换，转换为无量纲影响的纯数值型数据：依次输入不同特征的原始数据序列D＝(d

使用深度全连接神经网络对项目基本特征数据和与各项成效指标对应的强关联性影响因素数据进行处理：将所有输入特征逐层连接，神经网络的隐藏层存在一个非线性激活函数F，用于表示上层神经元输出与下层神经元输入的关系，定义第i层的输出Y

采用一维卷积神经网络提取输入的电力系统每月典型日潮流分布曲线数据：在一维卷积神经网络的第i个卷积层，输入每月典型日潮流分布曲线数据X

将输入数据输入到贝叶斯神经网络的概率层，使用变分推理方法来优化改进贝叶斯神经网络概率层的权重：引入一个分布q(W)近似后验分布p(W|X,Y)，对应的参数为θ＝(μ,σ)，每层权重都服从正态分布(μ,σ)，使用KL散度来衡量两个分布之间的差异，通过最小化KL散度来对权重分布进行优化：

式中θ

计算得到

引入证据下界

由于KL散度非负，因此将证据下界的计算式简化为

其中E

采用对权重进行重参数的方法：ω

通过若干个不同的ε

训练完成后，使用蒙特卡洛采样法对当前电力系统基建项目规划数据进行采样，最后输出电力系统基建项目规划决策的各项成效指标预测值。

所述的使用蒙特卡洛采样法对当前电力系统基建项目规划数据进行采样，最后输出电力系统基建项目规划决策的各项成效指标预测值，具体包括如下步骤：

A.选取某一成效指标，利用历史项目规划的基本数据以及该成效指标数据对改进后的贝叶斯神经网络模型进行训练；

B.输入当前电力系统基建项目决策的项目基本特征数据、与选定的成效指标强关联性影响因素数据；

C.以当前项目规划中的项目最早开工时间为起始点，以月为单位，令初始k＝1，输入对应月份包含的典型日潮流分布曲线到改进后的贝叶斯神经网络模型，经训练后输出当前项目规划启动k个月后所选定的成效指标的概率分布，并计算对应的均值作为预测结果；

D.根据时间月份的推移判断当前项目规划是否全部完成：

若未全部完成，则时间增加一个月跳，并转至步骤C；

若全部完成，则进入下一步；

E.判断所有成效指标是否推演完成：

若未全部完成，则选取下一成效指标，并重复步骤A～D；

若全部完成，则逐月输出所有成效指标在项目规划启动后的预测值，完成对当前项目的决策。

本发明还提供了一种实现所述高比例新能源接入的电力系统基建项目决策方法的系统，包括数据获取模块、数据处理模块、进度曲线计算模块、影响因素计算模块和决策模块；数据获取模块、数据处理模块、进度曲线计算模块、影响因素计算模块和决策模块依次串联；数据获取模块用于获取电力系统基建项目的历史数据，并将数据上传数据处理模块；数据处理模块用于根据接收到的数据，对历史数据进行数据清洗和扩充，并将数据上传进度曲线计算模块；进度曲线计算模块用于根据接收到的数据，采用聚类算法对得到的数据进行聚类，提取得到项目典型建设进度曲线，并将数据上传影响因素计算模块；影响因素计算模块用于根据接收到的数据，根据得到的项目典型建设进度曲线，采用最大互信息系数法计算得到各个成效指标的强关联性影响因素，并将数据上传决策模块；决策模块用于根据接收到的数据，基于贝叶斯神经网络构建电力系统基建项目决策模型，对各个成效指标进行训练和推演，输出所有成效指标的预测值，完成高比例新能源接入的电力系统基建项目的决策过程。

本发明提供的这种高比例新能源接入的电力系统基建项目决策方法及系统，通过创新提出的电力系统基建项目决策方案，不仅能够实现高比例新能源接入的电力系统基建项目决策，而且可靠性高，精确性好，决策过程更加客观科学。

附图说明

图1为本发明决策方法的方法流程示意图。

图2为本发明决策方法的AutoEncoder深度嵌入式聚类模型的模型示意图。

图3为本发明决策方法的原始贝叶斯神经网络的结构示意图。

图4为本发明系统的功能模块示意图。

具体实施方式

如图1所示为本发明决策方法的方法流程示意图：本发明提供的这种高比例新能源接入的电力系统基建项目决策方法，包括如下步骤：

S1.获取电力系统基建项目的历史数据；具体包括电力系统基建项目典型建设进度曲线模型等；

S2.对步骤S1获取的历史数据进行数据清洗和扩充；具体包括如下步骤：

采用如下步骤进行数据清洗：

历史电网基建项目建设进度曲线数据庞大，为避免部分干扰性、冗余性、不完整数据的影响，需对原始数据进行预处理，提高数据质量；对获取的建设进度曲线进行标准化转换，剔除单位限制，并转换为无量纲影响的纯数值型数据：输入原始建设进度数据序列T＝(t

转换后，根据电压等级、项目属性、地区属性和建设规模对历史项目进行分类，将所有属性相同的历史项目进度数据组合到一起，产生若干个不同类型项目的数据集；采用基于KNN的离群点检测算法，删除同类型项目建设进度曲线中的异常数据：设置邻近对象数目k和离群度阈值m，对不同类型项目的建设进度数据集进行遍历，计算各个数据集中的离群点；具体实施时，对于一个数据点p，采用如下算式计算对应的k-近邻平均距离OF(p,k)：

式中N

然后，判断每一个数据点的k-近邻平均距离，若k-近邻平均距离大于设定的离群度阈值m，则将该数据点放入离群点集；最终，将得到的离群点集中的数据点所对应的原始建设进度曲线从数据集中删除；

采用如下步骤进行数据扩充：

为避免样本数量不足影响聚类效果，利用合成数据对样本进行扩充；经过数据清洗后的建设进度曲线数据集合为D＝{T

计算加权时间序列集合D'中各个序列的DTW距离的平方和：

式中E为建设进度曲线样本空间；DTW(T,T

具体计算时，采用DBA迭代算法进行迭代：从D'中随机选取一条时间序列作为初始的平均序列T，将当前平均序列的坐标和D'中各序列的坐标进行匹配，并计算当前平均序列到D'中各序列的DTW距离的平方和；然后，由于其他序列与当前平均序列的坐标相匹配的坐标数量可能有一个或多个，因此将平均序列的坐标更新为其他序列所有匹配坐标的均值，可以有效减少DTW距离，从而获得新的平均序列；但是，新的平均序列又会与D'中其他序列形成新的匹配关系，因此需要不断对平均序列进行迭代更新，直至计算出的DTW距离平方和不再减小；

将最终得到的平均时间序列作为新的合成建设进度曲线，并加入到集合D中；通过改变D中的权重值ω

S3.采用聚类算法对步骤S2得到的数据进行聚类，提取得到项目典型建设进度曲线；具体包括如下步骤：

采用AutoEncoder深度嵌入式聚类模型(如图2所示)对步骤S2得到的数据进行聚类；

AutoEncoder深度嵌入式聚类模型包括自动编码层，用于学习无标签数据集的初始压缩后的特征表示；在自动编码层上堆积聚类层，用于分配编码层输出到聚类簇；

首先，对堆叠式自动编码层进行初始化，采用逐层贪婪的训练策略，每层的自动编码层都单独进行非监督训练；所述的自动编码层定义为：

式中

采用上一层自动编码层的隐藏层输出作为下一层自动编码层的输入，利用反向传播算法，通过最小化均方误差

将建设进度曲线集输入到初始化后的堆叠自编码层中，仅使用编码层进行编码，将输入的建设进度数据经过非线性映射到隐藏层，从而嵌入到另一维度空间，降低数据维度，最终得到原始建设进度数据的特征信息，并形成建设进度曲线原始数据空间和特征空间之间的初始映射：f

通过初始化的自动编码层传递建设进度数据获得低维映射数据后，为了初始化聚类质心，在特征空间Z中首先执行K-Means聚类：以序列对应坐标的算术平均值为度量来提取质心，将n条建设进度曲线的集合聚类为k个簇，每个簇由质心c

得到质心的初始估计后，使用无监督算法训练建设进度曲线的聚类模型：无监督算法在两个步骤之间重复交替进行，直到满足设定的收敛条件(优选为质心迭代误差小于设定值)；

具体实施时，包括如下步骤：

计算通过f

式中q

更新映射关系f

式中p

通过辅助目标分布，从聚类的高置信度分配中学习来迭代地细化聚类；通过将建设进度曲线的软分配与目标分布匹配来训练深度嵌入聚类模型；定义最小化软分配q

式中L为损失函数；

利用KL散度训练网络，同时优化聚类质心c

式中α为t分布的自由度数；

将梯度

S4.根据步骤S3得到的项目典型建设进度曲线，采用最大互信息系数法计算得到各个成效指标的强关联性影响因素；具体包括如下步骤：

从源网建设时序、网络拓扑、季节性因素三个维度分析电力系统基建项目规划成效的影响因素，得到影响因素包括新能源并网投产时间、同步投产率、新能源接入位置、电源分布均衡度和冬夏负荷增长需求；

其中，针对新能源并网投产时间：根据不同电压等级、项目属性、地区属性、建设规模的项目典型建设进度曲线模型，可得到新能源电源配套送出项目的工期值，结合新能源电源机组的建设进度，可推断出新能源项目的并网投产时间点，由于电力系统的潮流分布是动态变化的，不同投产时间点对应的气候特征、电力需求、设备运行状况等对项目规划带来的成效都会有所影响；

针对同步投产率：为了保障新能源电力的及时送出，新能源电源项目与其电网配套送出项目应做到同步规划、同步建设、同步投运，做到电源与电网协同发展，但生产实际中存在大量配套送出项目的建设进度严重滞后与电源项目的建设，建设时序的不匹配导致新能源项目延期投产，无法提升供电能力的同时阻碍了新能源的发展，根据不同类型项目的典型建设进度曲线，应满足下式：

[(D

式中D

针对新能源接入位置：电力系统的网络拓扑结构复杂，且由于新能源本身出力的波动性与随机性，新能源电源在电力系统网络拓扑中的接入位置对整个系统的潮流分布具有一定影响，接入位置不同，新能源项目并网投产后的成效也会有所不同；

针对电源分布均衡度：由于动力资源与用电负荷的分布不一致，电力系统电源的布局对整个系统运行的效率至关重要，对电网项目规划的建设成效也会造成影响，电源分布相匹配的程度可用电源分布系数来衡量，即电源容量与接入点之间阻抗的乘积间的偏差程度：

式中G

针对冬夏负荷增长需求：季节性因素对电网供电负荷影响较大，受到极端天气影响，居民取暖制冷需求增加，导致用电负荷大幅度提升，局部地区面临冬夏时节用电高峰的严峻考验，能否满足迎峰度夏、迎峰度冬的负荷增长需求，是电力系统基建项目规划所要考虑的关键点之一；

考虑的成效指标包括供电能力提升率、容载比达标率、解决线路N-1条数、解决线路重过载、解决主变N-1台数和可缓解周边变电站重过载座数；

采用最大互信息系数法，建立成效影响因素数据序列集X＝{X

I(X

式中X

由于MI无法归一化，不同影响因素与不同成效指标间的结果差异很大，无法进行横向比较，引入最大互信息系数MIC进行衡量；对数据进行网格化，将网格的规格设定为a×b，a为沿x轴方向上的网格数量，b为沿y轴方向上的网格数量；在限制条件下，求取使得互信息最大的网格分辨率，并对最大的互信息值进行归一化作为MIC值：

式中B为样本数据量的0.6次方；

依次计算不同影响因素与不同成效指标之间的MIC值，从而得到关联特性为

表1电力系统基建项目成效指标及其影响因素关联特性示意表

对于每一个成效指标，MIC值越大，表示影响因素对于该项成效指标的影响程度越深，关联性越强；最终，根据关联特性M筛选出各个成效指标的强关联性影响因素；

S5.基于贝叶斯神经网络构建电力系统基建项目决策模型，对各个成效指标进行训练和推演，输出所有成效指标的预测值，完成高比例新能源接入的电力系统基建项目的决策过程；具体包括如下步骤：

采用贝叶斯神经网络(如图3所示)进行建模：

贝叶斯神经网络包括输入层、隐藏层和输出层；其中隐藏层为概率层，使得网络具备描述不确定性的能力，而且设定概率层中的权重和偏置均服从正态分布；设定概率层的权重集为W，p(W)为先验分布，给定观测数据D＝X,Y；X为输入数据，包括项目基本特征数据、与各项成效指标对应的强关联性影响因素数据以及电力系统每月典型日潮流分布曲线数据，其中，项目基本特征数据包括电压等级、工程属性、项目片区、建设规模、是否属于城区和是否属于刚性项目；电力系统每月典型日潮流分布曲线数据根据电力系统相关节点的潮流曲线模拟计算得到；Y为输出数据，包括电力系统基建项目规划决策的成效指标；BNN给出以下的分布：

式中p(W|X,Y)为概率层权重的后验分布；p(W)为先验分布；p(Y|X,W)为输出成效数据在确定概率层权重与输入数据条件下的概率分布；P(Y|X)为输出成效数据在确定输入数据条件下的概率分布；

对构建的贝叶斯神经网络模型进行改进：

输入数据包含了项目规划的多个特征，不同特征数据的属性、单位有所不同，数量级差异很大，，因此对输入数据进行标准化转换，转换为无量纲影响的纯数值型数据：依次输入不同特征的原始数据序列D＝(d

由于输入数据种类众多且特性不同，为了充分提取其内部的有效，提高模型训练效果，在贝叶斯神经网络的输入端插入不同的模块对输入数据进行预处理。其中项目基本特征和成效影响因素数据内部隐变量丰富，且与输出项目规划成效的各项指标具有十分复杂的非线性关系，为了充分提取出其中的关键信息，使用深度全连接神经网络对项目基本特征数据和与各项成效指标对应的强关联性影响因素数据进行处理：将所有输入特征逐层连接，为了描述数据间的非线性关系，神经网络的隐藏层存在一个非线性激活函数F，用于表示上层神经元输出与下层神经元输入的关系，定义第i层的输出Y

与项目的基本特征和成效影响因素数据不同，输入的每月典型日潮流曲线数据具有非常明显的时序特征，采用一维卷积神经网络提取输入的电力系统每月典型日潮流分布曲线数据：在一维卷积神经网络的第i个卷积层，输入每月典型日潮流分布曲线数据X

将输入数据输入到贝叶斯神经网络的概率层，使用变分推理方法来优化改进贝叶斯神经网络概率层的权重：引入一个分布q(W)近似后验分布p(W|X,Y)，对应的参数为θ＝(μ,σ)，每层权重都服从正态分布(μ,σ)，使用KL散度来衡量两个分布之间的差异，通过最小化KL散度来对权重分布进行优化：

式中θ

计算得到

引入证据下界

由于KL散度非负，因此将证据下界的计算式简化为

其中E

采用对权重进行重参数的方法：ω

通过若干个不同的ε

训练完成后，使用蒙特卡洛采样法对当前电力系统基建项目规划数据进行采样，最后输出电力系统基建项目规划决策的各项成效指标预测值；

具体实施时，包括如下步骤：

A.选取某一成效指标，利用历史项目规划的基本数据以及该成效指标数据对改进后的贝叶斯神经网络模型进行训练；

B.输入当前电力系统基建项目决策的项目基本特征数据、与选定的成效指标强关联性影响因素数据；

C.以当前项目规划中的项目最早开工时间为起始点，以月为单位，令初始k＝1，输入对应月份包含的典型日潮流分布曲线到改进后的贝叶斯神经网络模型，经训练后输出当前项目规划启动k个月后所选定的成效指标的概率分布，并计算对应的均值作为预测结果；

D.根据时间月份的推移判断当前项目规划是否全部完成：

若未全部完成，则时间增加一个月跳，并转至步骤C；

若全部完成，则进入下一步；

E.判断所有成效指标是否推演完成：

若未全部完成，则选取下一成效指标，并重复步骤A～D；

若全部完成，则逐月输出所有成效指标在项目规划启动后的预测值，完成对当前项目的决策。

如图4所示为本发明系统的功能模块示意图：本发明提供的这种实现所述高比例新能源接入的电力系统基建项目决策方法的系统，包括数据获取模块、数据处理模块、进度曲线计算模块、影响因素计算模块和决策模块；数据获取模块、数据处理模块、进度曲线计算模块、影响因素计算模块和决策模块依次串联；数据获取模块用于获取电力系统基建项目的历史数据，并将数据上传数据处理模块；数据处理模块用于根据接收到的数据，对历史数据进行数据清洗和扩充，并将数据上传进度曲线计算模块；进度曲线计算模块用于根据接收到的数据，采用聚类算法对得到的数据进行聚类，提取得到项目典型建设进度曲线，并将数据上传影响因素计算模块；影响因素计算模块用于根据接收到的数据，根据得到的项目典型建设进度曲线，采用最大互信息系数法计算得到各个成效指标的强关联性影响因素，并将数据上传决策模块；决策模块用于根据接收到的数据，基于贝叶斯神经网络构建电力系统基建项目决策模型，对各个成效指标进行训练和推演，输出所有成效指标的预测值，完成高比例新能源接入的电力系统基建项目的决策过程。