基于多维关联网络与多尺度特征融合的电网项目组合管理优化方法

《Applied Sciences》：Contact Bias Versus Hardened-Layer Non-Uniformity in Repeated-Impact Through-Section Fracture of a GCr15 Bearing Outer Ring

　　

电网公司已建立可行性研究储备阶段（feasibility study reserve phase），以优化年度投资滚动计划（rolling schedule of annual investments）。在该阶段，项目经过初步可行性研究，纳入项目储备池（project reserve pool），随后进入发布、实施和监测流程。然而，该过程中项目间缺乏协同，难以最大化投资收益。为解决该问题，研究人员提出一种面向电网项目组合管理（project portfolio management）的多尺度特征融合（multiscale feature integration）方法，以优化项目管理与投资效率。所提方法构建融合战略、地理和语义因素的多维项目关联网络（multidimensional project association network），并提取与融合多尺度特征以支持项目组合决策（project portfolio decision-making）。实验结果表明，所提方法能有效优化电网项目组合，且较现有项目优化方法更适用于电网项目。

论文主体解读

研究背景与问题：电网项目决策是构建新型电力系统的关键载体，需考虑多重因素。电力公司当前缺乏项目组合管理（project portfolio management，指对项目集合进行选择、优化与监控以对齐战略目标）的实践经验，尚未建立标准化的项目组合协同管理机制，导致项目分配碎片化，难以形成聚焦、协同、互补的项目组合，也难以支撑源、网、荷、储一体化发展的战略需求。因此，研究人员提出基于多尺度特征融合的电网项目组合管理方法，以复杂网络理论（complex network theory，用于刻画节点与边构成的关联结构）表征项目协同关系，提取项目关系多尺度特征以确定最优项目组合。

研究人员开展的研究、结论与意义：研究人员构建涵盖战略、地理和语义维度的多维项目关联网络，设计网络融合策略与补偿机制，建立微、中、宏三层特征金字塔进行多尺度特征提取与融合，并采用谱聚类（spectral clustering，基于图拉普拉斯矩阵谱分解的聚类方法）划分项目组合。数据验证表明，该方法可有效优化电网项目组合，在项目储备阶段为项目组合管理提供科学方法，有助于利用项目协同效应并提升管理与投资效率。

关键技术方法（不超过250字）：研究样本来自国家电网有限公司（State Grid Corporation of China）两个省级子公司的项目储备场景，共122个项目，涵盖基础设施、技术改造和数字化，数据来源包括可行性研究报告、基本信息、预警数据、企业战略规划文件和区域供电数据。方法上，构建战略、地理、语义三维项目关联网络；按“战略主导、地理辅助、语义补充”以5:3:2权重融合，并引入跨维交互补偿和结构损失约束；建立微观、中观、宏观特征金字塔，以特征方差和信息熵评估特征质量，进行加权采样、宏—中—微层次融合和图卷积（graph convolution）重构；最后以融合网络邻接矩阵与多尺度特征结果构建双相似矩阵，用谱聚类进行社区检测，以模块度（modularity，衡量社区内部连接紧密程度）和电导（conductance，衡量社区外部连接稀疏程度）联合优化。

研究结果：

1. Introduction：研究人员指出项目组合通过“战略对齐—筛选—优化—监控”闭环配置资源。现有研究关注数据驱动智能决策，但电网项目还需深度融合新型电力系统协同特征。电力公司缺乏标准化协调机制，项目分配碎片化，难以支撑源网荷储一体化。该研究提出多尺度特征融合方法，贡献包括整合语义、地理和战略多维协同关系，以及提出三层特征金字塔并用谱聚类划分项目组合。

2. Related Work
2.1. Project Portfolio：项目组合旨在优化组织资源分配并最大化整体价值，与多准则评价方法一致。Pishvaei et al. 基于成本、收益、韧性和战略一致性等进行评价与规划；Zahedirad 基于多维评价建模并求解组合选择问题。上述研究为组合决策提供量化支持，但忽视动态校准。Qiu 提出多阶段动态组合优化模型；Lostumbo 从标准入手建立可持续性准则；Han et al. 采用两阶段方法区分新项目与既有项目并引入替换机制。Bai 研究项目间协同关系的动态量化、风险传播和脆弱性建模；Solares 提出考虑项目相互依赖、准则交互和层级优化的集成框架；Zhai et al. 分析多目标规划中项目组合的交互效应。总体而言，现有研究多将协同效应纳入多指标评价，缺乏对项目协同本身特征的深入刻划。

2.2. MultiScale Features Integration：多尺度特征融合主要用于计算机视觉中的目标检测与图像分割，方法包括特征金字塔、卷积神经网络和多分支结构；在复杂网络中也有多分辨率 Louvain、局部多尺度连通特征和粗、中、细尺度行为特征等应用。但现有复杂网络多尺度特征提取与融合多关注尺度选择，缺乏对各尺度关键特征模式的深入考虑，难以捕捉跨尺度语义关系和动态演化模式。

3. Method
3.1. Previous Research：研究基于前期成果，目标项目集为P={p₁, p₂, …, p_n}，确认战略、地理和语义隶属关系，得到边集E_st、E_g、E_se，构建复杂关联网络G(P, E_st)、G(P, E_g)、G(P, E_se)。

3.2. Multi-Dimensional Network Fusion：设计“战略主导、地理辅助、语义补充”的多条件网络融合策略，初始权重比为5:3:2；通过加权聚合构建综合关联矩阵M，并引入跨维交互补偿机制处理维度缺失。为降低结构冲突，提出条件训练机制和结构损失函数，包括度分布损失、结构重构损失和稀疏约束，比例为3:5:2；同时加入策略损失量化策略违背程度，并为各策略参数建立独立优化器。

3.3. Multiscale Feature Extraction and Fusion：建立微观、中观、宏观三层特征金字塔。基于特征方差和信息熵评估各尺度特征质量，计算采样权重并归一化。采用“宏观—中观—微观”层次融合策略，以控制系数通过上层特征线性变换和sigmoid激活生成，调节语义注入强度。随后利用图卷积重构，将融合高维特征映射回图结构空间，并通过可学习邻接矩阵优化表示。

3.4. Project Portfolio Analysis：将项目组合视为图划分问题，采用谱聚类进行社区检测。以融合网络邻接矩阵与多尺度特征融合结果构建双相似矩阵，联合支持社区发现。以模块度和电导联合评价聚类结果，调优输入权重和聚类数以精确分割项目组合。

4. Data Validation
4.1. Dataset：研究选取国家电网有限公司两个省级子公司项目数据，结合项目储备场景验证方法。样本包含122个项目，覆盖基础设施、技术改造和数字化，使用可行性研究报告、基本信息、预警数据、企业战略规划文件和区域供电数据进行清洗、结构化与编码。

4.2. Case Study：研究人员重跑分析获得战略、地理和语义多维项目关联网络；完成参数训练和维度融合后，生成尺寸为(122, 5)、(122, 6)、(122, 2)的多尺度特征矩阵，并融合为(122, 32)特征。以模块度和电导最优为目标，确定维度特征与多尺度特征最优比为9:1，最优聚类数为8，模块度为0.4136，电导为0.0737。

4.3. Comparative Analysis：以Han et al. 两阶段方法构造简化基线，仅保留战略维度和经济评价。基线多尺度特征融合质量较低，特征代表性和边缘清晰度不足。基线聚类质量指标看似较好，但划分严重失衡，聚类规模熵（cluster-size entropy, CSE）为0.6047，低于所提方法的0.8589，说明其高模块度以失衡为代价。与标准未修改算法比较：Louvain默认设置仅得3个粗社区，模块度0.4002；分辨率2.0和3.0时模块度分别降至0.2098和0.1464；标签传播将全部122个项目归为1个社区；标准谱聚类在相同输入和K=8时模块度0.4136、电导0.0737，与所提方法基本相同，表明优势来自上游多维网络融合和多尺度特征提取。必要性测试显示，仅维度融合时模块度0.1736、电导0.0253；仅尺度融合时模块度0.0357、电导0.7280。计算成本方面，谱聚类稠密情形时间与内存复杂度为O(n³)和O(n²)，稀疏特征求解器可降至O(m√n)。合成网络运行时间随节点数增加而近立方增长，500节点为0.107 s，8000节点为87.9 s。

4.4. Sensitivity Analysis：对聚类数K和输入比α进行敏感性分析。K从6到8时模块度稳定在0.413—0.414，K=9为0.4041，K=10为0.3957，电导随K增大而升高。α=1.0即完全排除特征相似度时，模块度从0.4136降至0.1736且划分失衡；α=0.0即完全排除网络相似度时，电导恶化至0.6592；0.1≤α≤0.95时模块度保持0.40—0.41，最佳权衡在α=0.9。α×K等高线显示高模块度平台较宽，说明方法在选定工作点附近具有稳健性。

5. Conclusions：研究人员在已有研究基础上引入多尺度特征融合机制，提出电网项目组合管理方法。首先建立涵盖战略、地理和语义维度的多维项目关联网络，并设计融合策略与机制；其次设计多层级特征金字塔，基于集成关联网络提取和融合多尺度特征；最后结合网络整体分析与多尺度特征融合结果进行项目组合优化，获得最优解。该方法为电网储备阶段项目组合管理提供科学方法论，使项目协同效应得到有效利用。数据验证证明了方法的有效性和优越性。讨论部分指出，该方法主要基于网络科学知识建立各尺度特征模式，缺乏领域知识深度融合；未来可整合领域项目专家经验与本体知识，识别更具代表性和解释力的结构特征模式，使量化结果既反映网络拓扑模式，也体现领域专业洞见，从而提升真实决策场景中的可解释性和决策支持价值。