王綿斌+耿鵬云+安磊

摘 要： 傳統(tǒng)概預算定額電力工程造價方法在沒有工程細節(jié)時，存在估計偏差大且無法利用歷史數(shù)據(jù)的問題。文中根據(jù)人工神經(jīng)網(wǎng)絡(luò)（ANN）的機器學習機制提出一種基于ANN的電力工程造價預測模型，將歷史數(shù)據(jù)樣本歸一化作為輸入，通過ANN算法對網(wǎng)絡(luò)進行訓練，采用訓練后的網(wǎng)絡(luò)來對工程造價進行估算。文中進行了多個電力工程造價的預測，得到的預測結(jié)果與實際造價相差小于5%，滿足經(jīng)驗誤差要求。

關(guān)鍵詞： 電力工程； 預測模型； 人工神經(jīng)網(wǎng)絡(luò)； 機器學習

中圖分類號： TN915?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2017）24?0166?03

Abstract： The traditional electric power engineering method for preliminary budget and ration has big estimation error in the absence of engineering details， and can′t make use of the historical data， so an ANN?based cost forecasting model of electric power engineering is proposed according to the machine learning mechanism of artificial neural network （ANN）. The historical data samples are normalized， and taken as the input of the model. The network is trained with ANN algorithm to estimate the engineering cost. A number of electric power engineering costs are predicted in this paper. The difference of the predicted result and actual cost is less than 5%， which can meet the requirement of empirical error.

Keywords： electric power engineering； prediction model； artificial neural network； machine learning

電力工程造價近年來不斷上升，其與資金籌措難度形成一對矛盾，迫切需要一種合理有效的造價管理措施。傳統(tǒng)的電力工程造價主要是概預算定額的方法，但其主要缺點是在沒有工程細節(jié)時估計偏差大且無法利用歷史數(shù)據(jù)，造成大量有用信息的浪費。如何利用歷史數(shù)據(jù)找尋其中的規(guī)律以指導工程造價管理是一個新問題[1]。本文根據(jù)人工神經(jīng)網(wǎng)絡(luò)（ANN）的機器學習機制提出一種基于ANN的電力工程造價預測模型，利用歷史數(shù)據(jù)對網(wǎng)絡(luò)進行訓練得到最優(yōu)網(wǎng)絡(luò)從而實現(xiàn)電力工程造價的預測。

1 基于機器學習的預測模型

工程投資預算是電力工程造價管理中備受關(guān)注的，其可通過分析工程的技術(shù)指標與經(jīng)濟指標來推測。通常只能觀察到輸入和輸出，而其內(nèi)部的具體運行機制未知的復雜系統(tǒng)稱為“黑盒”。對于“黑盒”系統(tǒng)，需要利用已有的輸入/輸出數(shù)據(jù)，來尋找其間的規(guī)律以預測系統(tǒng)內(nèi)部的運行機制，從而預測新輸入的數(shù)據(jù)對應(yīng)的輸出，“黑盒”系統(tǒng)的估計過程即為機器學習[2]，預測出的關(guān)系稱為預測函數(shù)[3]。預測函數(shù)模型的三部分為學習環(huán)境、學習機和教師，學習環(huán)境為隨機量發(fā)生器，學習機為由輸入到輸出之間的學習算法，教師[4]則為從學習環(huán)境中產(chǎn)生的隨機量X給出期望響應(yīng)Y。所以，機器學習模型就是在給定的學習環(huán)境條件下，通過找尋輸入/輸出之間的學習規(guī)律，以盡可能精確地預測新輸入的輸出。

2 電力工程造價預測模型建立

人工神經(jīng)網(wǎng)絡(luò)算法是機器學習預測函數(shù)模型中學習機最具代表性的[5]，因此本文提出一種基于ANN的電力工程造價預測模型，其流程如圖1所示。

電力工程造價分析中輸入數(shù)據(jù)為輸電工程和變電工程的造價數(shù)據(jù)，輸電線工程主要有工地運輸、架線工程、土石方和基礎(chǔ)工程等，變電工程則分為建筑工程、安裝工程等[6?8]。

2.1 數(shù)據(jù)預處理

實際電力工程造價中各個不同指標的數(shù)據(jù)在數(shù)量級上不一致，則需要在學習與預測之前進行數(shù)據(jù)預處理[9]。本文在進行ANN算法之前對數(shù)據(jù)進行歸一化處理，即將各指標數(shù)據(jù)歸一化到[0，1]之間。假設(shè)P個指標數(shù)據(jù)為X1，X2，…，XP，則歸一化公式如下：

2.2 基于人工神經(jīng)網(wǎng)絡(luò)預測模型

人工神經(jīng)網(wǎng)絡(luò)算法是一種模擬動物神經(jīng)網(wǎng)絡(luò)而進行的信息分布式處理的算法[10]，其主要思想是復雜系統(tǒng)內(nèi)部形成網(wǎng)絡(luò)，通過不斷調(diào)節(jié)網(wǎng)絡(luò)內(nèi)部節(jié)點的連接關(guān)系而達到信息處理的目的。ANN算法的優(yōu)點是自學習和自適應(yīng)，能夠根據(jù)之前的輸入/輸出數(shù)據(jù)找到其間的規(guī)律，從而可以預測出新輸入數(shù)據(jù)對應(yīng)的輸出數(shù)據(jù)，這種自學習的過程被稱為“訓練”。ANN算法現(xiàn)在廣泛地應(yīng)用于電力系統(tǒng)的電價和負荷預測等方面。

電力工程造價預測是一個多因素影響的復雜系統(tǒng)，各因素之間呈非線性網(wǎng)絡(luò)關(guān)系，網(wǎng)絡(luò)之間通過自學習訓練來達到輸入/輸出關(guān)系的最近似，即相當于函數(shù)模擬器?；贏NN的電力工程造價預測模型是通過分析得到各影響因素與造價之間的關(guān)系，得出各個影響因素的權(quán)重，從而構(gòu)造影響因素與造價之間的映射以達到通過映射進行造價預測的目的，其網(wǎng)絡(luò)模型如圖2所示。

假設(shè)電力工程造價預測模型中有n個影響因素，文中使用的建模算法為基于BP的前向ANN算法，包含輸入層、隱含層和輸出層3個部分。其中，輸入層為歸一化處理后的影響因素數(shù)據(jù)，多個歷史數(shù)據(jù)作為ANN訓練樣本，為圖2中的in（i），輸出層為預測的工程造價。在圖2所示的ANN神經(jīng)網(wǎng)絡(luò)模型中加入了反饋結(jié)構(gòu)，通過反饋結(jié)果信息以不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，提高預測的精度，加快收斂速度。

3 計算機仿真及模型測試

本例中采用的訓練樣本為某地區(qū)電力公司實際電力工程造價歷史數(shù)據(jù)，其原始資料為Excel表。

3.1 數(shù)據(jù)定義

歷史數(shù)據(jù)統(tǒng)計時具有不確定性以及遺漏現(xiàn)象導致數(shù)據(jù)的殘缺，且其從屬關(guān)系嚴重。因此，本文針對實際情況對原始數(shù)據(jù)進行整理，得到89個歷史工程造價的相對應(yīng)輸入輸出數(shù)據(jù)。輸電工程造價的原始輸入指標集如表1所示。輸出集為本體靜態(tài)，單位為萬元/km。

從表1可看出，輸入指標有20個，構(gòu)成了20×89的矩陣，輸出指標有1個。

對變電工程造價進行整理得到54個歷史輸出數(shù)據(jù)與相對應(yīng)的輸入指標，其工程造價的原始輸入指標集如表2所示。輸出集單位為萬元，是靜態(tài)總投資。從表2可看出，輸入指標有4個，構(gòu)成了4×54的矩陣，輸出指標有1個。

3.2 結(jié)果分析

基于ANN的電力工程造價預測模型的建立主要步驟如下：

（1） 數(shù)據(jù)歸一化之后形成8個工程的訓練樣本集和測試集；

（2） 添加ANN軟件工具包在Matlab中，并編寫訓練程序；

（3） 分別對50個和70個訓練集進行訓練得到訓練良好的網(wǎng)絡(luò)，接著將測試數(shù)據(jù)輸入訓練好的網(wǎng)絡(luò)中進行測試，對得到的結(jié)果與實際值進行比較以得到訓練良好的網(wǎng)絡(luò)，即估算模型的精度；

（4） 選擇70個樣本集作為測試集，輸入基于ANN的電力工程造價預測模型中得到輸出，不斷比較輸出結(jié)果，以得到最后輸出。

表3為50個和70個歷史工程造價學習樣本的預測結(jié)果和對應(yīng)的誤差。從表3可看出，ANN預測模型的誤差率均在5%以內(nèi)。根據(jù)歷史經(jīng)驗，其滿足電力工程造價的實際要求，即本文所提出的基于ANN的電力工程造價預測模型符合實際工作需要，對今后的電力工程造價預測具有指導意義。

4 結(jié) 語

本文針對傳統(tǒng)的概預算定額電力工程造價方法存在的在沒有工程細節(jié)時估計偏差大且無法利用歷史數(shù)據(jù)的問題，并根據(jù)人工神經(jīng)網(wǎng)絡(luò)ANN的機器學習機制提出一種基于ANN的電力工程造價預測模型，將歷史數(shù)據(jù)樣本歸一化作為輸入，通過ANN算法對網(wǎng)絡(luò)進行訓練，采用訓練后的網(wǎng)絡(luò)來對工程造價進行估算。本文最后進行多個電力工程造價的預測，得到的預測結(jié)果與實際造價相差小于5%，滿足經(jīng)驗誤差要求，說明文中所提出的基于ANN的電力工程造價預測模型符合實際工作需要，且對之后的電力工程造價具有一定的指導意義。

參考文獻

[1] VAPNIK V N. Statisticallearning theory [M]. New York： John Wiley， 1998.

[2] 吳德，劉三陽，梁錦錦.多類文本分類算法GS?SVDD[J].計算機科學，2016，43（8）：190?193.

[3] 王越，衛(wèi)志農(nóng)，吳佳佳.人工神經(jīng)網(wǎng)絡(luò)預測技術(shù)在微網(wǎng)運行中的應(yīng)用[J].電力系統(tǒng)及其自動化學報，2012，24（2）：83?89.

[4] 蔣繼楠.基于小波去噪和人工神經(jīng)網(wǎng)絡(luò)的短期電力負荷預測[D].南寧：廣西大學，2013.

[5] 楊瑩.信息熵在工程多目標風險管理中應(yīng)用的研究[D].贛州：江西理工大學，2012.

[6] ADAMEC Marek， PAVLATKA Pavel， STARY Oldrich. Costs and benefits of smart grids on liberalized markets [J]. Journal of electronic science and technology， 2012， 10（1）： 22?28.

[7] 劉婷婷.基于多策略改進遺傳算法的微電網(wǎng)優(yōu)化配置研究[D].太原：太原理工大學，2015.

[8] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].北京：機械工業(yè)出版社，2003.

[9] 何誼君.基于神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)短期負荷預測的Matlab實現(xiàn)[J].湖南水利水電，2015（2）：41?44.

[10] 王洪元，史國棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].北京：中國石化出版社，2003.