CN111127246A - 一种输电线路工程造价的智能预测方法 - Google Patents
一种输电线路工程造价的智能预测方法 Download PDFInfo
- Publication number
- CN111127246A CN111127246A CN201911146265.1A CN201911146265A CN111127246A CN 111127246 A CN111127246 A CN 111127246A CN 201911146265 A CN201911146265 A CN 201911146265A CN 111127246 A CN111127246 A CN 111127246A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- neural network
- layer
- network model
- power transmission
- 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 63
- 230000005540 biological transmission Effects 0.000 title claims abstract description 60
- 238000010276 construction Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 23
- 210000000988 bone and bone Anatomy 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 241000251468 Actinopterygii Species 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000004556 brain Anatomy 0.000 claims description 4
- 238000013278 delphi method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及输电线路工程造价控制领域,具体而言,涉及一种输电线路工程造价的智能预测方法。一种输电线路工程造价的智能预测方法,包括以下步骤:采用鱼骨图分析法分析影响输电线路工程造价的主要因素;通过收集数据的方式得到输电线路历史工程造价数据,所述造价数据包括历史工程的影响因素数据和造价数据;构建BP神经网络模型,将输电线路历史工程造价数据作为输入变量,对BP神经网络模型进行仿真训练得到训练后的BP神经网络模型;将当前的输电线路工程影响因素的归一化数值输入训练后的BP神经网络模型,计算得到输电线路工程造价的预测值,所述预测值为工程折单造价。
Description
技术领域
本申请涉及输电线路工程造价控制领域,具体而言,涉及一种输电线路工程造价的智能预测方法。
背景技术
电力部门是一个支持国家发展和科技进步的关键部门,并受到社会各界的广泛关注。而电力工程建设存在资金投入大、投入产出周期长等特点,合理地利用电力工程资金,做好输变电建设工程的造价管控已经成为了一个当今各个领域的专家和学者研究的热门课题。
过去对于输变电工程造价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。
但是电网工程的造价是一个多变量、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结果用以指导工程造价控制。另外,近年来随着我国社会的发展和技术的进步,输电线路工程造价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。
发明内容
本申请的目的在于提供一种输电线路工程造价的智能预测方法,用以解决现有预测方法预测精度不高的问题。
本申请的实施例是这样实现的:
本申请实施例的第一方面提供一种输电线路工程造价的智能预测方法,包括以下步骤:
采用鱼骨图分析法分析影响输电线路工程造价的主要因素;通过收集数据的方式得到输电线路历史工程造价数据,所述造价数据包括历史工程的影响因素数据和造价数据;构建BP神经网络模型,将输电线路历史工程造价数据作为输入变量,对BP神经网络模型进行仿真训练得到训练后的BP神经网络模型;将当前的输电线路工程影响因素的归一化数值输入训练后的BP神经网络模型,计算得到输电线路工程造价的预测值,所述预测值为工程折单造价。
可选地,所述鱼骨图分析法包括分析因素和绘制鱼骨图;所述分析因素包括:针对研究对象,选择分类方式,即大要因;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;将上述已经找出的各种因素进行整理,明确各因素的属性;将所述找到的因素进行简洁地描述;所述绘制鱼骨图包括:将要研究的问题标识在鱼头上;画出鱼的大骨,填写所述大要因;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;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。
可选地,所述BP神经网络模型的输入层包括输电线路工程造价的主要因素;所述BP神经网络模型的输出层为输电线路工程造价的静态投资。
可选地,所述BP神经网络模型的仿真训练包括正向传播过程和反向传播过程。
可选地,所述BP神经网络模型的仿真训练的正向传播过程和反向传播过程。
可选地,所述BP神经网络模型的仿真训练包括正向传播过程包括:
输入层有n个神经元表示如下:x∈Rn,x=(x1,x2,…,xn)
隐含层有d个神经元表示如下:h∈Rd,h=(h1,h2,…,hd)
输出层有m个神经元表示如下:y∈Rm,F=(F1,F2,…,Fm)
隐含层节点表示为:
其中,Wij为输入层与隐含层之间的权值;bj为输入层与隐含层之间的阈值;
输出层节点表示为:
其中,Wjk为隐含层与输出层之间的权值;bk为隐含层与输出层之间的阈值;
一个样本的输出节点的误差为:
其中,tk为期望输出;Fk为网络的计算输出;
可选地,所述BP神经网络模型的仿真训练的反向传播过程包括:
输出层节点与隐含层节点间,误差计算公式表示为:
δk=(tk-Fk)Fk(1-Fk)
其中,tk为期望输出;Fk为网络的计算输出;
权值修正表示为:
其中,Wjk为隐含层与输出层之间的权值;hj为隐含层神经元;η为传递系数;n0为迭代次数;
阈值修正表示为:
其中,n0为迭代次数,bk为隐含层与输出层之间的阈值,n0为迭代次数;
在输入层节点与隐含层节点之间,误差计算公式为:
权值修正表示为:
其中,Wij为输入层与隐含层之间的权值,n0为迭代次数,η为传递系数,xi为输入层神经元;
阈值修正表示为:
bj为输入层与所含层之间的阈值,n0为迭代次数,η为传递系数。
可选地,所述BP神经网络模型的输出层选为1个节点,输出变量为相应输入条件下的输电线路工程折单造价,隐层节点数一般通过多次实验或经验公式来确定。
可选地,所述BP神经网络模型的构建当中,分别建立了10、15、20和25个隐层的BP神经网络模型并对其进行训练、比较分析,并选择误差较小的模型。
本申请实施例的有益效果包括:通过使用鱼骨图法对影响输电线路工程建设工程造价的因素进行分析,可以得到较为准确的决策影响因素,进一步的缩小了神经网络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,能实现对输电线路工程造价的精确预测。
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造价的智能预测方法的流程图;
图2示出了根据本申请实施例BP神经网络模型的结构示意图。
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。
本申请提供了一种输电线路工程造价的智能预测方法,包括以下步骤:
图1示出了本申请实施例一种输电线路工程造价的智能预测方法的流程图。
在步骤S1中,采用鱼骨图分析法分析影响输电线路工程造价的主要因素。
通常来说,所述所述输电线路工程造价主要影响因素包括线路长度合计、塔材量、塔基数、冰区风速路径长度、土石方量、建设场地及清理费、建设技术服务费等。
基于上述影响因素,本申请通过采用鱼骨图法针对影响输电线路工程造价的主要因素进行识别。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。
该方法的主要应用步骤如下:
鱼骨图的应用分为两个步骤:分析因素和绘制鱼骨图。
所述第一步骤为分析因素,包括:
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。
所述第二步骤为绘制鱼骨图,可以采用visio软件来绘制鱼骨图,包括:
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。
步骤S2.通过收集数据的方式得到输电线路历史工程造价数据,所述造价数据包括历史工程的影响因素数据和造价数据。
所述历史工程的影响因素可作为下一步骤中的输入变量,所述历史工程的造价数据可以作为下一步骤中的模型输出。
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,其历史建设工程的造价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程造价的映射关系,可以为接下来的技术步骤提供数据支持。
步骤S3.构建BP神经网络预测模型,将输电线路历史工程造价数据作为输入变量,对BP神经网络模型进行仿真训练得到训练后的神经网络模型。
训练所述BP神经网络模型之前,还包括:对输入变量及输出变量收集的样本数据进行归一化处理。
归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。归一化是一种简化计算的方式,即将有量纲的表达式,经过变换成为纯量。
优选的,所述归一化处理采用极值法。极值法是一种重要的数学思想和分析方法。对数据不足而感到无从下手的计算或混合物组成判断的题目,采用极端假设的方法以确定混合体系中各物质的名称、质量分数、体积分数,这样使一些抽象的复杂问题具体化、简单化,可达到事半功倍之效果。
构建的BP神经网络模型的结构拓扑如图2所示。人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息
下列将对BP神经网络模型的仿真训练进行分析,所述分析包括分为正向传播过程和反向传播过程两个阶段。
所述正向传播过程包括:
输入层有n个神经元表示如下:
x∈Rn,x=(x1,x2,…,xn)
所述输入层输入的神经元包括线路长度合计,塔材量,冰区风速路径长度等历史工程的影响因素数据,还可以包括塔基数、土石方量、建设场地及清理费、建设技术服务费等。
隐含层有d个神经元表示如下:
h∈Rd,h=(h1,h2,…,hd)
输出层有m个神经元表示如下:
y∈Rm,F=(F1,F2,…,Fm)
输出层可以包括静态投资数值。所述输入层与所述隐含层之间的权值为Wij;所述输入层与所述隐含层之间的阈值bj。
所述隐含层与所述输出层之间的权值为Wjk;所述隐含层与所述输出层之间的阈值为bk。
隐含层节点表示为:
输出层节点表示为:
其中,传递函数可以表示为:
一个样本的输出节点的误差为:
其中,tk为期望输出;Fk为网络的计算输出。
所有样本的误差表示为:
其中,p为样本数。
所述反向传播过程包括:
在所述输出层节点与隐含层节点间,误差计算公式表示为:
δk=(tk-Fk)Fk(1-Fk)
其中,tk为期望输出;Fk为网络的计算输出。
权值修正表示为:
阈值修正表示为:
其中,n0为迭代次数。
在输入层节点与隐含层节点之间,误差计算公式为:
权值修正表示为:
阈值修正表示为:
当所述BPBP神经网络模型的训练次数达到收敛标准时,得到符合标准的训练后的神经网络模型。
在步骤S4中,将当前的输电线路工程影响因素的归一化数值输入经过训练的BP神经网络模型,得到输电线路工程造价的预测值。
其输入变量分别为回路数、地形状况、地质条件、单千米塔基数、单千米塔材重量、导线型号、耐张比例、塔材单价、导线单价,分别令之为x1~x9。影响因素中文字描述的需要将之转化为可量化的标准(如等级)。网络的输出层选为1个节点。输出变量为相应输入条件下的输电线路工程折单造价(线路折单造价);隐层节点数一般通过多次实验或经验公式来确定,在BP神经网络模型的构建当中,为了寻找更为合理的隐层单元数目,达到精度要求,分别建立了10、15、20和25个隐层,并对其进行训练、比较和分析。从训练误差考虑,选择使网络误差最小,预测准确度高的隐层节点数。在MATLAB中通过调用函数newff()来创建网络。
本申请的有益效果在于:通过使用鱼骨图法对影响输电线路工程建设工程造价的因素进行分析,可以得到较为准确的决策影响因素,进一步的缩小了神经网络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,能实现对输电线路工程造价的精确预测。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
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 (9)
1.一种输电线路工程造价的智能预测方法,其特征在于,包括以下步骤:
采用鱼骨图分析法分析影响输电线路工程造价的主要因素;
通过收集数据的方式得到输电线路历史工程造价数据,所述造价数据包括历史工程的影响因素数据和造价数据;
构建BP神经网络模型,将输电线路历史工程造价数据作为输入变量,对BP神经网络模型进行仿真训练得到训练后的BP神经网络模型;
将当前的输电线路工程影响因素的归一化数值输入训练后的BP神经网络模型,计算得到输电线路工程造价的预测值,所述预测值为工程折单造价。
2.根据权利要求1所述的输电线路工程造价的智能预测方法,其特征在于,所述鱼骨图分析法包括分析因素和绘制鱼骨图;
所述分析因素包括:针对研究对象,选择分类方式,即大要因;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;将上述已经找出的各种因素进行整理,明确各因素的属性;将所述找到的因素进行简洁地描述;
所述绘制鱼骨图包括:将要研究的问题标识在鱼头上;画出鱼的大骨,填写所述大要因;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;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。
3.根据权利要求1所述的输电线路工程造价的智能预测方法,其特征在于,
所述BP神经网络模型的输入层包括输电线路工程造价的主要因素;
所述BP神经网络模型的输出层为输电线路工程造价的静态投资。
4.根据权利要求1所述的输电线路工程造价的智能预测方法,其特征在于,所述BP神经网络模型的仿真训练包括正向传播过程和反向传播过程。
5.根据权利要求1所述的输电线路工程造价的智能预测方法,其特征在于,所述BP神经网络模型的仿真训练的正向传播过程和反向传播过程。
6.根据权利要求5所述的输电线路工程造价的智能预测方法,其特征在于,所述BP神经网络模型的仿真训练包括正向传播过程包括:
输入层有n个神经元表示如下:x∈Rn,x=(x1,x2,…,xn)
隐含层有d个神经元表示如下:h∈Rd,h=(h1,h2,…,hd)
输出层有m个神经元表示如下:y∈Rm,F=(F1,F2,…,Fm)
隐含层节点表示为:
其中,Wij为输入层与隐含层之间的权值;bj为输入层与隐含层之间的阈值;
输出层节点表示为:
其中,Wjk为隐含层与输出层之间的权值;bk为隐含层与输出层之间的阈值;
一个样本的输出节点的误差为:
其中,tk为期望输出;Fk为网络的计算输出;
7.根据权利要求5所述的输电线路工程造价的智能预测方法,其特征在于,所述BP神经网络模型的仿真训练的反向传播过程包括:
输出层节点与隐含层节点间,误差计算公式表示为:
δk=(tk-Fk)Fk(1-Fk)
其中,tk为期望输出;Fk为网络的计算输出;
权值修正表示为:
其中,Wjk为隐含层与输出层之间的权值;hj为隐含层神经元;η为传递系数;n0为迭代次数;
阈值修正表示为:
其中,n0为迭代次数,bk为隐含层与输出层之间的阈值,n0为迭代次数;
在输入层节点与隐含层节点之间,误差计算公式为:
权值修正表示为:
其中,Wij为输入层与隐含层之间的权值,n0为迭代次数,η为传递系数,xi为输入层神经元;
阈值修正表示为:
bj为输入层与所含层之间的阈值,n0为迭代次数,η为传递系数。
8.根据权利要求6或7任一所述的输电线路工程造价的智能预测方法,其特征在于,所述BP神经网络模型的输出层选为1个节点,输出变量为相应输入条件下的输电线路工程折单造价,隐层节点数一般通过多次实验或经验公式来确定。
9.根据权利要求6或7任一所述的输电线路工程造价的智能预测方法,其特征在于,所述BP神经网络模型的构建当中,分别建立了10、15、20和25个隐层的BP神经网络模型并对其进行训练、比较分析,并选择误差较小的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146265.1A CN111127246A (zh) | 2019-11-21 | 2019-11-21 | 一种输电线路工程造价的智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146265.1A CN111127246A (zh) | 2019-11-21 | 2019-11-21 | 一种输电线路工程造价的智能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127246A true CN111127246A (zh) | 2020-05-08 |
Family
ID=70495885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911146265.1A Pending CN111127246A (zh) | 2019-11-21 | 2019-11-21 | 一种输电线路工程造价的智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127246A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815194A (zh) * | 2020-07-20 | 2020-10-23 | 上海上咨工程造价咨询有限公司 | 一种基于大数据的指标管理方法、系统及其存储介质 |
CN112270489A (zh) * | 2020-11-09 | 2021-01-26 | 昆明海巍科技有限公司 | 一种通过机器学习的方式建立的工程造价分析方法 |
CN112541631A (zh) * | 2020-12-10 | 2021-03-23 | 国网湖北省电力有限公司 | 变电站工程的费用预测方法 |
CN112801687A (zh) * | 2020-12-10 | 2021-05-14 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于架空线路工程的费用预测模型的构建方法 |
CN113128125A (zh) * | 2021-04-23 | 2021-07-16 | 广东电网有限责任公司 | 输变电工程材料量预测方法和装置 |
CN113177356A (zh) * | 2021-04-28 | 2021-07-27 | 北京航空航天大学 | 一种基于深度学习的目标电磁散射特性快速预测方法 |
CN113506129A (zh) * | 2021-06-24 | 2021-10-15 | 华信咨询设计研究院有限公司 | 一种集团客户专线业务网络造价的测算方法 |
CN113505946A (zh) * | 2021-08-09 | 2021-10-15 | 中车青岛四方机车车辆股份有限公司 | 一种生产成本管控方法、系统、存储介质及设备 |
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 |
CN114266387A (zh) * | 2021-12-02 | 2022-04-01 | 国网宁夏电力有限公司经济技术研究院 | 一种输变电工程工期预测方法、系统、设备及存储介质 |
CN115034598A (zh) * | 2022-06-02 | 2022-09-09 | 国网经济技术研究院有限公司 | 一种基于架空线路工程造价数据分析评审分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160114211A (ko) * | 2015-03-23 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
-
2019
- 2019-11-21 CN CN201911146265.1A patent/CN111127246A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160114211A (ko) * | 2015-03-23 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
Non-Patent Citations (2)
Title |
---|
蒋文琦: "输变电项目投资影响因素及预测模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
路妍: "粒子群优化BP神经网络算法在输电线路工程造价预测中的应用", 《2018智能电网新技术发展与应用研讨会》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815194B (zh) * | 2020-07-20 | 2022-04-19 | 上海上咨工程造价咨询有限公司 | 一种基于大数据的指标管理方法、系统及其存储介质 |
CN111815194A (zh) * | 2020-07-20 | 2020-10-23 | 上海上咨工程造价咨询有限公司 | 一种基于大数据的指标管理方法、系统及其存储介质 |
CN112270489B (zh) * | 2020-11-09 | 2021-09-28 | 昆明海巍科技有限公司 | 一种通过机器学习的方式建立的工程造价分析方法 |
CN112270489A (zh) * | 2020-11-09 | 2021-01-26 | 昆明海巍科技有限公司 | 一种通过机器学习的方式建立的工程造价分析方法 |
CN112801687A (zh) * | 2020-12-10 | 2021-05-14 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于架空线路工程的费用预测模型的构建方法 |
CN112541631A (zh) * | 2020-12-10 | 2021-03-23 | 国网湖北省电力有限公司 | 变电站工程的费用预测方法 |
CN113128125A (zh) * | 2021-04-23 | 2021-07-16 | 广东电网有限责任公司 | 输变电工程材料量预测方法和装置 |
CN113177356A (zh) * | 2021-04-28 | 2021-07-27 | 北京航空航天大学 | 一种基于深度学习的目标电磁散射特性快速预测方法 |
CN113177356B (zh) * | 2021-04-28 | 2021-10-15 | 北京航空航天大学 | 一种基于深度学习的目标电磁散射特性快速预测方法 |
CN113506129A (zh) * | 2021-06-24 | 2021-10-15 | 华信咨询设计研究院有限公司 | 一种集团客户专线业务网络造价的测算方法 |
CN113505946A (zh) * | 2021-08-09 | 2021-10-15 | 中车青岛四方机车车辆股份有限公司 | 一种生产成本管控方法、系统、存储介质及设备 |
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 |
CN114266387A (zh) * | 2021-12-02 | 2022-04-01 | 国网宁夏电力有限公司经济技术研究院 | 一种输变电工程工期预测方法、系统、设备及存储介质 |
CN115034598A (zh) * | 2022-06-02 | 2022-09-09 | 国网经济技术研究院有限公司 | 一种基于架空线路工程造价数据分析评审分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN106022521A (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
CN106372402A (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
CN110458181A (zh) | 一种基于宽度随机森林的句法依存模型、训练方法和分析方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN109614495A (zh) | 一种结合知识图谱和文本信息的相关公司挖掘方法 | |
CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
CN111461286A (zh) | 基于进化神经网络的Spark参数自动优化系统和方法 | |
CN109614384A (zh) | Hadoop框架下的电力系统短期负荷预测方法 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN117786824B (zh) | 一种基于多目标优化的隧道环境参数设计方法及系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN109190800A (zh) | 一种基于spark框架的海面温度预测方法 | |
CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
CN116450704A (zh) | 一种流程模型的自动化生成方法及生成装置 | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
CN109711555A (zh) | 一种预测深度学习模型单轮迭代时间的方法和系统 | |
CN115630979A (zh) | 日前电价的预测方法、装置、存储介质及计算机设备 | |
CN111695989A (zh) | 一种风控信贷模型的建模方法和平台 | |
CN105871630A (zh) | 一种确定网络用户的上网行为类别的方法 | |
CN112926758A (zh) | 短期风速预测方法及系统 |
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 |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |