能源网络维护计划的AI优化
网络维护是一个多周期决策：措施不仅在“今年”生效， 而且会影响到未来几年的系统可靠性。同时，预算、人员配备 和逻辑依赖性也是严苛的限制因素。 核心问题是： 哪些措施的组合和顺序能够最大限度地提高电网在 5 年内的可靠性？
目标
在 5 年内最大限度地提高系统可靠性——可通过 SAIDI 降低、 故障频率、资产关键性或关键电网段风险降低等指标来衡量。
评估输入
- 每项措施的可靠性提升（例如 ΔSAIDI / ΔSAIFI / 风险降低）
- 维护任务的成本和持续时间
- 人员要求（技能、团队规模、可用性）
- 优先级依赖关系（依赖关系/顺序关系）
评估和选择机制
每项措施 i 都会获得一个值，作为对可靠性的直接贡献：
Vᵢ = ΔReliabilityᵢ
然后，StratePlan 计算出多周期选择： 不仅选择措施，还根据多年和时间窗口进行规划， 以在实际预算和资源限制下，最大限度地提高累积可靠性。
多周期计划（5 年计划）
与年度计划不同，该计划制定了一个可靠的 5 年路线图： 哪些检查、维护、翻新或更换将在哪个时间段进行， 由哪些工作人员以什么顺序进行——包括说明该顺序为何最优的原因。
限制条件
- 年度预算和机组人员上限 : 每年有限的资本支出/运营支出以及有限的团队/技能
- 最低可靠性阈值 : 必须随时遵守的最低可靠性水平
- 逻辑排序 : 例如“先检查后更换”， 批准、锁定期、依赖关系
结果
- 5 年维护计划，实现最大的可靠性提升
- 明确遵守每年的预算、人员配备和阈值要求
- 可追溯的顺序逻辑（优先级、检查链、更换路径）
- 透明的优先级排序：哪些措施对可靠性有贡献
技术
StratePlan MPS（多周期解决方案）使用矢量化约束条件计算多周期决策 （预算、人员、时间窗口、顺序规则）。 MAVT（多属性价值理论）对评估进行结构化处理， 以便能够以一致、可审计且可决策的方式反映可靠性的改进。
跨案例的通用模式
评估
定性和定量因素通过量表、评估模型或结构化的专家评估转换为可比较的分数。 目标是建立一个一致且可用于决策的评估基础。
排名
对各项要素进行优先级排序。但排名很少是最终决定。 在复杂的环境中，优先级排序通常直接嵌入到组合优化中，以系统地考虑交互作用和约束条件。
组选择
最终选择不仅限于简单的“前k名”方法。 StratePlan 可解决结构化选择问题，例如背包、 投资组合或调度模型，并在实际限制条件下计算出最佳组合。
Constraints
限制条件反映了实际的稀缺性： 资本、时间、资源、风险偏好、监管要求、 战略任务或可持续性要求。 它们是决策逻辑不可或缺的一部分。
技术
混合使用 MCDA 方法（例如 AHP、TOPSIS）进行结构化评估 ，并与 StratePlan 结合进行考虑约束条件的 组或投资组合选择。
这些案例展示了 StratePlan 如何将决策过程从纯粹的排名 发展为智能的、考虑附加条件的投资组合构建。 评估数据被转化为可实施的、优化的集体决策—— 以财务、战略和可持续性目标为导向。
其基本逻辑——结构化评估→定量 优先排序→受限群体选择——可扩展到不同 行业，并根据特定领域的成功指标 和限制进行调整。
