CN110895729A - 一种输电线路工程建设工期的预测方法 - Google Patents
一种输电线路工程建设工期的预测方法 Download PDFInfo
- Publication number
- CN110895729A CN110895729A CN201911192597.3A CN201911192597A CN110895729A CN 110895729 A CN110895729 A CN 110895729A CN 201911192597 A CN201911192597 A CN 201911192597A CN 110895729 A CN110895729 A CN 110895729A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- factors
- construction period
- power transmission
- engineering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000010276 construction Methods 0.000 title claims abstract description 68
- 230000005540 biological transmission Effects 0.000 title claims abstract description 65
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 25
- 210000000988 bone and bone Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 241000251468 Actinopterygii Species 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001364 causal effect Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000001422 normality test Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力系统技术领域,具体而言,涉及一种输电线路工程建设工期的预测方法。本申请提供一种输电线路工程建设工期的预测方法包括以下步骤:通过鱼骨图法或系统动力学方法分析确定输电线路工程建设工期的主要影响因素;通过调查工程档案采集输电线路工程建设工期相关的历史工程影响因素和相应的建设工期统计数据;构建支持向量机模型,对输电线路历史工程的影响因素进行筛选处理得到决策影响因素,并将所述决策影响因素和相应的建设工期作为输入变量对支持向量机模型进行仿真训练;将当前所需的输电线路工程影响因素的统计数据输入所述训练完成的支持向量机模型,得到输电线路工程建设工期的输出预测值。
Description
技术领域
本申请涉及电力系统技术领域,具体而言,涉及一种输电线路工程建设工期的预测方法。
背景技术
输电线路工程建设工期是指线路工程在路由立项,勘察设计,施工交底,竣工验收一些列过程完毕后所需的时间跨度,在现代电力系统网络的规划设计建设过程中,建设工期直接的制约了电力网络的规划设计进度和相关技术节点的推进,能够准确的预测工程建设工期对于电力系统整体的稳定性会有较大的提高。
在现阶段的一些实现方式中,输电线路工程建设工期的预测主要靠在该领域用有多年实践经验的技术人员的实际分析和操作。
但是输变电工程的工期预测是一个多变量、高度非线性的问题,特别是当工程情况复杂多变时,很难通过经验估计得到单项工程可靠的工期结果用以指导工程进度计划,从而导致电力网络系统的稳定性和健壮性下降。
发明内容
本申请的目的在于提供一种输电线路工程建设工期的预测方法,通过分析确定线路工程建设工期的决策影响因素,用历史数据对支持向量机模型进行训练,一定程度上可以准确的使用当前决策影响因素预测建设工期,可以提高电力网络系统的稳定性和健壮性。
本申请的实施例是这样实现的:
本申请实施例提供一种输电线路工程建设工期的预测方法,包括以下步骤:
在步骤S100中,通过鱼骨图法或系统动力学方法分析确定输电线路工程建设工期的主要影响因素;在步骤S300中,通过调查工程档案采集输电线路工程建设工期相关的历史工程影响因素和相应的建设工期统计数据;在步骤S500中,构建支持向量机模型,对输电线路历史工程的影响因素进行筛选处理得到决策影响因素,并将所述决策影响因素和相应的建设工期作为输入变量对支持向量机模型进行仿真训练;在步骤S700中,将当前所需的输电线路工程影响因素的统计数据输入所述训练完成的支持向量机模型,得到输电线路工程建设工期的输出预测值。
可选地,所述通过鱼骨图法分析确定输电线路工程建设工期的主要影响因素包括分析因素步骤和绘制鱼骨图步骤。
可选地,所述分析因素步骤包括:针对研究对象选择分类方式得到大要因;分别找出各类方式中所有可能的因素;整理上述得到的各种因素,并明确因素属性;对所述因素进行描述。
可选地,所述绘制鱼骨图步骤包括:将要研究的问题标识在鱼头上;画出鱼的大骨并填写大要因;在所述大骨上延伸出中骨、小骨等,分别填写相应的中要因,小要因;对特殊因素进行简要说明,对重要因素用特殊符号标明。
可选地,所述系统动力学方法分析确定输电线路工程建设工期的主要影响因素包括:确定系统建模目的,即认识问题;确定系统边界,即假定封闭社会系统,系统行为来自系统内部;因果关系分析,基于所述封闭社会系统,对系统内部要素之间的因果关系分析,用以明确要素之间的因果关系,并用表示因果关系的反馈回路来描述;构建系统动力学模型,根据反馈回路用专门设计的描述各种变量的符号绘制流程图。
可选地,所述对输电线路历史工程的影响因素进行筛选处理具体可使用层次分析法,其步骤包括:根据层次分析法的三层结构,构建影响因素的分层次体系;基于所述影响因素的分层次体系,对各个影响因素构建判断矩阵,并根据各专家对影响因素的评价和专家权重,进一步确定各个影响因素的综合判断矩阵;对所述的影响因素的层次排序,检验其一致性并计算指标权重;根据文献资料,选取权重大于预设值Q的因素作为决策影响因素。
可选地,所述对输电线路历史工程的影响因素进行筛选处理具体可使用相关性分析法,其步骤包括:绘制散点图,基于所述散点图观察两个变量之间是否有规律变化;选择系数类别,根据变量类型或正态性检验,选择合适的相关系数公式;计算相关系数r,评估相关程度;进行显著性检验,如果显著性检验值大于等于0.05,表示存在显著相关性并作为决策影响因素。
可选地,在步骤进行显著性检验,如果显著性检验值大于等于0.05,表示存在显著相关性之后还可以包括步骤:从业务层面或者以及业务策略给出判断,确定显著相关性并作为决策影响因素。
可选地,在步骤S500中后还包括步骤:优化模型参数,重新训练模型。
可选地,所述影响因素包括地区、电压等级、开工时间、线路经过区域年平均降雨量、线路折单长度、线路经过区域海拔区间、地形条件、地质条件、施工队伍作业能力,所述影响因素的文字描述内容可转化为可量化的标准,例如等级的形式。
本申请实施例的有益效果包括:通过使用鱼骨图法或系统动力学方法对影响输电线路工程建设工期的因素进行分析,可以得到较为准确的决策影响因素,进一步的缩小了支持向量机模型的输入变量的范围和准确性,提高了支持向量机模型的训练效率,从而可以通过当前实际影响因素较为准确的预测输电线路工程建设工期值。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了根据本申请实施例一种输电线路工程建设工期的预测方法流程图;
图2示出了根据本申请实施例层次分析法筛选确定影响因素流程图;
图3示出了根据本申请实施例相关性分析法筛选确定影响因素流程图;
图4示出了根据本申请实施例bij取值的标度图;
图5示出了根据本申请实施例其中n阶判断矩阵RI值分布图。
具体实施方式
现在将描述某些示例性实施方案,以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解,在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案,并且本申请的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本申请的范围之内。
本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等,意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此,本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、结构或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
近年来随着我国社会的发展和技术的进步,输电线路工程进度管控方面积累了丰富的统计数据。但这些数据只是单纯地被储存在数据库中,而并未将其很好地利用起来并将其应用在输电工程的建设中,造成了企业数据资源的浪费。本申请提供了一种输电线路工程建设工期的预测方法,包括以下步骤:
如图1所示,在步骤S100中,通过鱼骨图法或系统动力学方法分析确定输电线路工程建设工期的主要影响因素。
通常来说,输电线路工程建设工期的影响因素包括所在地区、电压等级、开工时间、线路经过区域年平均降雨量、线路折单长度、线路经过区域海拔区间、地形条件、地质条件、施工队伍作业能力等。
在一些实施例中,可以通过采用鱼骨图法对影响输电线路工程建设工期中的前期阶段和施工阶段的主要因素进行识别和确认。
鱼骨图法是一种发现问题“根本原因”的方法,其特点是简捷实用,深入直观。其分析问题的方法看上去像鱼骨,问题或缺陷标在“鱼头”处。在鱼骨上长出鱼刺,上面按出现机会多寡列出产生问题的可能原因,有助于说明各个原因之间是如何相互影响的。问题的特性总是受到一些因素的影响,我们通过头脑风暴法找出这些因素,并将它们与特性值耦合在一起,按相互关联性整理而成的层次分明、条理清楚,并标出重要因素的图形就叫特性原因图,因其形状如鱼骨,所以又叫鱼骨图,它是一种透过现象看本质的分析方法。
所述鱼骨图法的分析应用包括两个步骤:分析因素、绘制鱼骨图。
分析因素主要包括以下步骤:首先,针对研究对象,选择分类方式,即大要因;然后运用头脑风暴法、德尔菲法等分别找出各类中所有可能的因素;第三,将上述已经找出的各种因素进行整理,明确各因素的属性;最终,将所述找到的因素进行简洁地描述。
绘制鱼骨图主要包括以下步骤:首先,将要研究的问题标识在鱼头上;然后,画出鱼的大骨,填写所述大要因;第三,在所述大骨上延伸出中骨、小骨等,分别填写相应的中要因,小要因;最后,如有必要对特殊因素进行简要说明,重要因素要用特殊符号标明。需要说明的是,在一些实现方式中可以采用Visio软件来绘制鱼骨图。
在一些实施例中,可以通过系统动力学方法对影响输电线路工程建设工期中的前期阶段和施工阶段的主要因素进行识别和确认。
系统动力学方法对问题的理解,是基于系统行为与内在机制间的相互紧密的依赖关系,并且透过数学模型的建立与操弄的过程而获得的,逐步发掘出产生变化形态的因、果关系,系统动力学方法称之为结构。所谓结构是指一组环环相扣的行动或决策规则所构成的网络。
系统动力学方法的分析确定所述影响因素通常包括以下步骤:首先,确定系统建模目的,即认识问题;其次,确定系统边界,即假定封闭社会系统,系统行为来自系统内部;第三,因果关系分析,基于所述封闭社会系统,对系统内部要素之间的因果关系分析,用以明确要素之间的因果关系,并用表示因果关系的反馈回路来描述;最后,构建系统动力学模型,根据反馈回路用专门设计的描述各种变量的符号绘制流程图。
在步骤S300中,通过调查工程档案采集输电线路工程建设工期相关的历史工程影响因素和相应的建设工期统计数据。在实际的工程实践中,在某个固定的路由中会多次重复的建设输电线路,在每一次的扩容工程中,其历史建设工期的数据是非常有价值的。根据历史工程中的影响因素和建设工期的映射关系,可以为接下来的技术步骤提供数据支持。
在步骤S500中,构建支持向量机模型,对输电线路历史工程的影响因素进行筛选处理得到决策影响因素,并将所述决策影响因素和相应的建设工期作为输入变量对支持向量机模型进行仿真训练。
在一些实施例中,对所述输电线路历史工程的影响因素的处理筛选可以通过层次分析法从主观角度进行处理。
如图2所示,所述层次分析法筛选确定影响因素包括以下步骤:
在步骤S501中,根据层次分析法的三层结构,构建影响因素的分层次体系。
在步骤S502中,基于所述影响因素的分层次体系,对各个影响因素构建判断矩阵。并根据各专家对影响因素的评价和专家权重,计算确定各个影响因素的综合判断矩阵,所述判断矩阵表示如下:
其中,bij取值的具体含义如图4所示的标度图。
当表示两个因素相比,具有同样重要性时,bij=1;
当两个因素相比,前者比后者略重要时,bij=3;
当两个因素相比,前者比后者较重要时,bij=5;
当两个因素相比,前者比后者非常重要时,bij=7;
当两个因素相比,前者比后者特别重要时,bij=9;
当上述相邻判断的中间值时,bij=2或4或6或8。
在步骤S503中,对所述的影响因素的层次排序,检验其一致性并计算指标权重。
运用MATLAB软件计算每个综合判断矩阵的特征值和特征向量,引用随机一致性比率CR来检验每一个专家判断矩阵的一致性,其表示如下:
CR=CI/RI
其中,CI可以表示如下:
其中,n阶判断矩阵的RI值如图5所示。
当n=1时,所述判断矩阵的RI值为0;
当n=2时,所述判断矩阵的RI值为0;
当n=3时,所述判断矩阵的RI值为0.52;
当n=4时,所述判断矩阵的RI值为0.89;
当n=5时,所述判断矩阵的RI值为1.12;
当n=6时,所述判断矩阵的RI值为1.26;
当n=7时,所述判断矩阵的RI值为1.36;
当n=8时,所述判断矩阵的RI值为1.41;
当n=9时,所述判断矩阵的RI值为1.46.
当n<3时,认为所述判断矩阵具有满意的一致性;
当n>2且CR<0.1时,认为判断矩阵具有令人满意的一致性;
当n>2且CR>0.1时,需要各专家调整各自判断矩阵,直到通过一致性检验为止。
对通过一致性检验的综合判断矩阵,利用如下公式即可得到各影响因素的指标权重值ωi。
其中,i=1,2,3,……,n。
在步骤S504中,根据文献资料,选取权重大于预设值Q的因素作为决策影响因素,形成最终的决策影响因素评价结果。在本实施例中,上述预设值Q设置为0.08。
对所述输电线路历史工程的影响因素的处理筛选可以通过层次分析法从主观角度进行处理。
在一些实施例中,对所述输电线路历史工程的影响因素的处理筛选可以通过采用相关性分析方法从客观角度进行处理。
如图3所示,所述相关性分析法筛选确定影响因素包括以下步骤:
在步骤511中,绘制散点图,基于所述散点图观察两个变量之间是否有规律变化。
在步骤512中,选择系数类别,根据变量类型或正态性检验,选择合适的相关系数公式。
在步骤513中,计算相关系数r,评估相关程度。
在步骤514中,进行显著性检验,如果显著性检验值大于等于0.05,表示存在显著相关性并作为决策影响因素。
在一些实施例中,还可以包括步骤515中,从业务层面或者以及业务策略给出判断,确定显著相关性并作为决策影响因素。
在所述支持向量机的训练过程中,将影响因素中文字描述的内容转化为可量化的标准,例如无量纲数的形式,比如等级形式,输出变量为相应输入条件下的输电线路工程建设工期。
在一些实施例中,所述支持向量机参数一般通过多次实验或经验公式来确定,最终确定核函数参数σ2=0.4,在MATLAB中通过调用函数ls-svm来创建网络。
在一些实施例中,在步骤S500后还包括步骤:优化模型参数,再重新训练模型。当支持向量机模型训练后的输出数据建设工期明显的不符合常理的时候,需要分析输入数据是否有误差存在,重新对所述支持向量机模型进行训练。
构建的支持向量机预测仿真模型在非线性模式识别中有独特的优势,可根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,能够获得最好的泛化能力。
在步骤S700中,将当前所需的输电线路工程影响因素的统计数据输入所述训练完成的支持向量机模型,得到输电线路工程建设工期的输出预测值。
本发明有益效果如下:通过使用鱼骨图法或系统动力学方法对影响输电线路工程建设工期的因素进行分析,可以得到较为准确的决策影响因素,进一步的缩小了支持向量机模型的输入变量的范围和准确性,提高了支持向量机模型的训练效率,从而可以通过当前实际影响因素较为准确的预测输电线路工程建设工期值。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
Claims (10)
1.一种输电线路工程建设工期的预测方法,其特征在于,包括以下步骤:
在步骤S100中,通过鱼骨图法或系统动力学方法分析确定输电线路工程建设工期的主要影响因素;
在步骤S300中,通过调查工程档案采集输电线路工程建设工期相关的历史工程影响因素和相应的建设工期统计数据;
在步骤S500中,构建支持向量机模型,对输电线路历史工程的影响因素进行筛选处理得到决策影响因素,并将所述决策影响因素和相应的建设工期作为输入变量对支持向量机模型进行仿真训练;
在步骤S700中,将当前所需的输电线路工程影响因素的统计数据输入所述训练完成的支持向量机模型,得到输电线路工程建设工期的输出预测值。
2.根据权利要求1所述的一种输电线路工程建设工期的预测方法,其特征在于,所述通过鱼骨图法分析确定输电线路工程建设工期的主要影响因素包括分析因素步骤和绘制鱼骨图步骤。
3.根据权利要求2所述的一种输电线路工程建设工期的预测方法,其特征在于,所述分析因素步骤包括:
针对研究对象选择分类方式得到大要因;
分别找出各类方式中所有可能的因素;
整理上述得到的各种因素,并明确因素属性;
对所述因素进行描述。
4.根据权利要求2所述的一种输电线路工程建设工期的预测方法,其特征在于,所述绘制鱼骨图步骤包括:
将要研究的问题标识在鱼头上;
画出鱼的大骨并填写大要因;
在所述大骨上延伸出中骨、小骨等,分别填写相应的中要因,小要因;
对特殊因素进行简要说明,对重要因素用特殊符号标明。
5.根据权利要求1所述的一种输电线路工程建设工期的预测方法,其特征在于,所述系统动力学方法分析确定输电线路工程建设工期的主要影响因素包括:
确定系统建模目的,即认识问题;
确定系统边界,即假定封闭社会系统,系统行为来自系统内部;
因果关系分析,基于所述封闭社会系统,对系统内部要素之间的因果关系分析,用以明确要素之间的因果关系,并用表示因果关系的反馈回路来描述;
构建系统动力学模型,根据反馈回路用专门设计的描述各种变量的符号绘制流程图。
6.根据权利要求1所述的一种输电线路工程建设工期的预测方法,其特征在于,所述对输电线路历史工程的影响因素进行筛选处理具体可使用层次分析法,其步骤包括:
根据层次分析法的三层结构,构建影响因素的分层次体系;
基于所述影响因素的分层次体系,对各个影响因素构建判断矩阵,并根据各专家对影响因素的评价和专家权重,进一步确定各个影响因素的综合判断矩阵;
对所述的影响因素的层次排序,检验其一致性并计算指标权重;
根据文献资料,选取权重大于预设值Q的因素作为决策影响因素。
7.根据权利要求1所述的一种输电线路工程建设工期的预测方法,其特征在于,所述对输电线路历史工程的影响因素进行筛选处理具体可使用相关性分析法,其步骤包括:
绘制散点图,基于所述散点图观察两个变量之间是否有规律变化;
选择系数类别,根据变量类型或正态性检验,选择合适的相关系数公式;
计算相关系数r,评估相关程度;
进行显著性检验,如果显著性检验值大于等于0.05,表示存在显著相关性并作为决策影响因素。
8.根据权利要求7所述的一种输电线路工程建设工期的预测方法,其特征在于,在步骤进行显著性检验,如果显著性检验值大于等于0.05,表示存在显著相关性之后还可以包括步骤:从业务层面或者以及业务策略给出判断,确定显著相关性并作为决策影响因素。
9.根据权利要求1所述的一种输电线路工程建设工期的预测方法,其特征在于,在步骤S500中后还包括步骤:优化模型参数,重新训练模型。
10.根据权利要求1所述的一种输电线路工程建设工期的预测方法,其特征在于,所述影响因素包括地区、电压等级、开工时间、线路经过区域年平均降雨量、线路折单长度、线路经过区域海拔区间、地形条件、地质条件、施工队伍作业能力,所述影响因素的文字描述内容可转化为可量化的标准,例如等级的形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192597.3A CN110895729A (zh) | 2019-11-28 | 2019-11-28 | 一种输电线路工程建设工期的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192597.3A CN110895729A (zh) | 2019-11-28 | 2019-11-28 | 一种输电线路工程建设工期的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110895729A true CN110895729A (zh) | 2020-03-20 |
Family
ID=69787497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911192597.3A Pending CN110895729A (zh) | 2019-11-28 | 2019-11-28 | 一种输电线路工程建设工期的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895729A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666272A (zh) * | 2020-06-04 | 2020-09-15 | 深圳哆啦咪软件有限公司 | 缝纫制品工时标准的制订方法、装置以及存储介质 |
CN112101583A (zh) * | 2020-08-05 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于鱼骨分析法的电力计量数据异常原因分析模型构建方法 |
CN112819261A (zh) * | 2021-04-19 | 2021-05-18 | 中数通信息有限公司 | 一种智慧工程协同管理系统 |
CN113408869A (zh) * | 2021-05-29 | 2021-09-17 | 国网福建省电力有限公司经济技术研究院 | 一种配电网建设目标风险评估方法 |
CN114066074A (zh) * | 2021-11-19 | 2022-02-18 | 广东电网有限责任公司 | 一种老旧变电资产检修频次预测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934455A (zh) * | 2019-01-26 | 2019-06-25 | 国家电网有限公司 | 一种电网工程造价评估方法 |
CN110288142A (zh) * | 2019-06-18 | 2019-09-27 | 国网上海市电力公司 | 一种基于XGBoost算法的工程超期预测方法 |
-
2019
- 2019-11-28 CN CN201911192597.3A patent/CN110895729A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934455A (zh) * | 2019-01-26 | 2019-06-25 | 国家电网有限公司 | 一种电网工程造价评估方法 |
CN110288142A (zh) * | 2019-06-18 | 2019-09-27 | 国网上海市电力公司 | 一种基于XGBoost算法的工程超期预测方法 |
Non-Patent Citations (10)
Title |
---|
侯智等: "面向不确定信息的神经网络完工期预测方法研究", 《机械设计与研究》 * |
侯智等: "面向不确定信息的神经网络完工期预测方法研究", 《机械设计与研究》, no. 03, 20 June 2017 (2017-06-20) * |
戴启明等: "关于输电工程工期定额的探讨", 《电力建设》 * |
戴启明等: "关于输电工程工期定额的探讨", 《电力建设》, no. 03, 30 March 2003 (2003-03-30) * |
祁神军等: "建设工程项目工序的LS-SVM工期预测模型", 《华侨大学学报(自然科学版)》 * |
祁神军等: "建设工程项目工序的LS-SVM工期预测模型", 《华侨大学学报(自然科学版)》, no. 05, 20 September 2010 (2010-09-20), pages 562 - 565 * |
罗福多等: ""特高压线路工程的工程量组合预测研究"", 《湖北电力》 * |
罗福多等: ""特高压线路工程的工程量组合预测研究"", 《湖北电力》, 27 February 2017 (2017-02-27), pages 1 - 8 * |
蒋建清: "《金融定量分析百科全书 1》", vol. 1, 中国金融出版社, pages: 144 - 147 * |
高爽: ""输变电工程进度影响因素管控方法研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 February 2017 (2017-02-15), pages 042 - 1899 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666272A (zh) * | 2020-06-04 | 2020-09-15 | 深圳哆啦咪软件有限公司 | 缝纫制品工时标准的制订方法、装置以及存储介质 |
CN111666272B (zh) * | 2020-06-04 | 2023-06-06 | 深圳哆啦咪软件有限公司 | 缝纫制品工时标准的制订方法、装置以及存储介质 |
CN112101583A (zh) * | 2020-08-05 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于鱼骨分析法的电力计量数据异常原因分析模型构建方法 |
CN112819261A (zh) * | 2021-04-19 | 2021-05-18 | 中数通信息有限公司 | 一种智慧工程协同管理系统 |
CN113408869A (zh) * | 2021-05-29 | 2021-09-17 | 国网福建省电力有限公司经济技术研究院 | 一种配电网建设目标风险评估方法 |
CN114066074A (zh) * | 2021-11-19 | 2022-02-18 | 广东电网有限责任公司 | 一种老旧变电资产检修频次预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895729A (zh) | 一种输电线路工程建设工期的预测方法 | |
US8510242B2 (en) | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs | |
Mohamed et al. | History matching and uncertainty quantification: multiobjective particle swarm optimisation approach | |
US8380642B2 (en) | Methods and systems for self-improving reasoning tools | |
Ahmed et al. | Clarify of the random forest algorithm in an educational field | |
KR20180014471A (ko) | 신규 물질의 구조 생성 방법 및 장치 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN109711707B (zh) | 一种船舶动力装置综合状态评估方法 | |
Ayhan et al. | Analysis of image classification methods for remote sensing | |
US20240046120A1 (en) | Training method and prediction method for diagenetic parameter prediction model based on artificial intelligence algorithm | |
CN111832787B (zh) | 教师风格预测模型的训练方法及计算机存储介质 | |
Chen et al. | Prediction intervals for industrial data with incomplete input using kernel-based dynamic Bayesian networks | |
Khadr et al. | Data-driven stochastic modeling for multi-purpose reservoir simulation | |
Elwakil | Knowledge discovery based simulation system in construction | |
JP2012037787A (ja) | プラント運転熟練度評価装置および方法 | |
CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
Schumacher | CSU Mobile Radiosonde Data. Version 1.0 | |
Bourdache et al. | Active preference elicitation by bayesian updating on optimality polyhedra | |
Wen | Construction project risk evaluation based on rough sets and artificial neural networks | |
CN113010501A (zh) | 采收率预测模型获取方法、采收率预测方法和产品 | |
CN113282705B (zh) | 一种能够自动更新的案件预判智能体训练方法及系统 | |
CN116089624B (zh) | 基于知识图谱的数据推荐方法、装置和系统 | |
JP6879983B2 (ja) | 情報抽出装置、情報抽出方法及び情報抽出プログラム | |
JP4010843B2 (ja) | 行動量生成装置、行動量生成方法および行動量生成プログラム | |
Bahrami | Production screening and optimization using smart proxy modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200320 |