CN111222669A - 一种架空线路造价预测方法及装置 - Google Patents

一种架空线路造价预测方法及装置 Download PDF

Info

Publication number
CN111222669A
CN111222669A CN201811424546.4A CN201811424546A CN111222669A CN 111222669 A CN111222669 A CN 111222669A CN 201811424546 A CN201811424546 A CN 201811424546A CN 111222669 A CN111222669 A CN 111222669A
Authority
CN
China
Prior art keywords
particle
unit
calculating
fitness
data
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
Application number
CN201811424546.4A
Other languages
English (en)
Inventor
刘锦明
李昌陵
荣高升
刘芳
郑浩
张超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huadian Engelier Electric Power Technology Research Institute
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
Beijing Huadian Engelier Electric Power Technology Research Institute
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huadian Engelier Electric Power Technology Research Institute, Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical Beijing Huadian Engelier Electric Power Technology Research Institute
Priority to CN201811424546.4A priority Critical patent/CN111222669A/zh
Publication of CN111222669A publication Critical patent/CN111222669A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)

Abstract

本申请公开一种架空线路造价预测方法及装置，所述方法包括：确定架空线路工程造价的影响因素；采集影响因素的原始数据；利用主成分分析对原始数据降维，输出新样本；利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；根据新样本，核函数参数和惩罚系数，构建造价预测模型。本申请针对架空工程的特点选取指标，对选取后指标进行科学降维，通过粒子群算法对最小二乘支持向量机模型进行参数优化，保证参数确定的最优性和科学性，降维和预测方法结合使用，增加科学性和合理性。本申请的预测精度(平均绝对偏差率)能达到7％，同时，粒子群算法优化减少参数寻优的迭代次数，提升速度，为快速科学的投资决策提供帮助。

Description

一种架空线路造价预测方法及装置
技术领域
本申请涉及造价预测技术领域，特别涉及一种架空线路造价预测方法及装置。
背景技术
随着国民经济的快速发展，我国对电力能源的需求越来越大。根据深化电力体制改革意见，“十三五”期间我国将继续筹划电力外送通道建设，增强资源配置能力。特高压输电和常规输电技术的“西电东送”输电通道新增规模将达1.3亿千瓦。从工程建设投资角度来看，架空线路工程不同于一般性的建设工程，它不仅具有输电线路长、工程投资大、材料设备种类多、工程质量要求高等特点，而且在工程建设中还具有地域跨度很大、建设环境复杂、作业环境多变、易受环境影响、不可预见因素较多等特点。这些特点不仅给输变电工程项目的质量、进度、安全等多个方面带来不同程度的影响和约束，而且还会对工程造价产生最直接的影响。
而在实际工作中，工程前期决策阶段的项目比选过程时间短，比选方案多，没有准确的工程量供技经人员进行造价计算，因此部分非主推方案会用电网工程限额设计控制指标进行估算，这种估算偏差率较高，这时就需要一种造价预测模型，可以通过输入尽量少的工程信息，得出较准确的工程造价，辅助技经人员在内的项目相关人员对造价做出快速判断，用于评估技术方案的合理性，及时便捷地做出投资决策。因此，为了确保能够做出合理的投资决策，提高输电线路工程造价预测的速度和精度，对智能造价预测模型进行深入研究具有重要意义。
现有的造价预测方法中，多元回归模型在面对架空线路工程的不确定因素多且数据较少时，表现出较差的预测精度；神经网络预测模型在面对较少的数据量时，精度也较差；而传统的支持向量机收敛速度较慢，精度较差，即现有的预测方法在架空线路工程的造价预测中都有一定的局限性。
发明内容
本申请的目的在于提供一种架空线路造价预测方法及装置，以解决现有造价预测方法收敛速度慢和精度差的问题。
第一方面，根据本申请的实施例，提供了一种架空线路造价预测方法，包括：
确定架空线路工程造价的影响因素；
采集所述影响因素的原始数据；
利用主成分分析对所述原始数据降维，输出新样本；
利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；
根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。
结合第一方面，在第一方面的第一种可实现方式中，所述原始数据包括定量数据和定性数据，还包括；
将所述定量数据单位化；
将所述定性数据量化。
结合第一方面，在第一方面的第二种可实现方式中，所述利用主成分分析对原始数据降维，输出新样本的步骤，包括：
将所述原始数据标准化，得到标准化数据；
根据所述标准化数据计算相关系数矩阵，所述相关系数矩阵的特征值和所述特征值对应的特征向量；
计算每个主成分的方差贡献率；
选取累计所述方差贡献率达到预设值的前n个主成分；
根据所述前n个主成分的特征值和特征向量计算主成分系数矩阵；
根据所述主成分系数矩阵计算得到前n个主成分的值，作为新样本输出。
结合第一方面，在第一方面的第三种可实现方式中，所述利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数的步骤，包括：
确定所述最小二乘支持向量机模型参数；
初始化粒子速度和位置；
根据所述粒子的速度和位置计算当前粒子适应度；
选取当前粒子适应度最小值对应的位置作为粒子个体极值；
比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；
计算下一个粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当迭代次数达到最大迭代次数或精度达到预设的精度时，输出全局极值，所述全局极值为优化的核函数参数和惩罚系数。
结合第一方面，在第一方面的第四种可实现方式中，所述根据新样本，核函数参数和惩罚系数构，建造价预测模型的步骤，包括：
将所述新样本映射到高位特征空间，得到映射函数；
最小化所述映射函数的结构风险，得到关于拉格朗日乘子和回归函数偏移量的线性方程组；
利用最小二乘法求解所述线性方程组，得到所述拉格朗日乘子和回归函数偏移量；
根据所述拉格朗日乘子，所述回归函数偏移量，所述核函数参数和所述惩罚系数，构建造价预测模型。
第二方面，根据本申请的实施例，提供了一种架空线路造价预测装置，包括：
第一确定单元，用于确定架空线路工程造价的影响因素；
采集单元，用于采集所述影响因素的原始数据；
降维单元，用于利用主成分分析对所述原始数据降维，输出新样本；
优化单元，用于利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；
模型构建单元，用于根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。
结合第二方面，在第二方面的第一种可实现方式中，所述原始数据包括定量数据和定性数据，还包括；
单位化单元，用于将所述定量数据单位化；
量化单元，用于将所述定性数据量化。
结合第二方面，在第二方面的第二种可实现方式中，所述降维单元包括：
标准化单元，用于将所述原始数据标准化，得到标准化数据；
第一计算单元，用于根据所述标准化数据计算相关系数矩阵，所述相关系数矩阵的特征值和所述特征值对应的特征向量；
第二计算单元，用于计算每个主成分的方差贡献率；
第一选取单元，用于选取累计所述方差贡献率达到预设值的前n个主成分；
第三计算单元，用于根据所述前n个主成分的特征值和特征向量计算主成分系数矩阵；
第四计算单元，用于根据所述主成分系数矩阵计算得到前n个主成分的值，作为新样本输出。
结合第二方面，在第二方面的第三种可实现方式中，所述优化单元包括：
第二确定单元，用于确定所述最小二乘支持向量机模型参数；
初始化单元，用于初始化粒子速度和位置；
第五计算单元，用于根据所述粒子的速度和位置计算当前粒子适应度；
第二选取单元，用于选取当前粒子适应度最小值对应的位置作为粒子个体极值；
第三选取单元，用于比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；
第六计算单元，用于计算下一个粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当迭代次数达到最大迭代次数或精度达到预设的精度时，输出全局极值，所述全局极值为优化的核函数参数和惩罚系数。
结合第二方面，在第二方面的第四种可实现方式中，所述模型构建单元包括：
第三确定单元，用于将所述新样本映射到高位特征空间，得到映射函数；
第四确定单元，用于最小化所述映射函数的结构风险，得到关于拉格朗日乘子和回归函数偏移量的线性方程组；
求解单元，用于利用最小二乘法求解所述线性方程组，得到所述拉格朗日乘子和回归函数偏移量；
模型构建子单元，用于根据所述拉格朗日乘子，所述回归函数偏移量，所述核函数参数和所述惩罚系数，构建造价预测模型。
由以上技术方案可知，本申请实施例提供了一种架空线路造价预测方法及装置，所述方法包括：确定架空线路工程造价的影响因素；采集所述影响因素的原始数据；利用主成分分析对所述原始数据降维，输出新样本；利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。本申请针对架空工程的特点选取指标，对选取后架空线路工程指标进行科学降维，通过粒子群算法对最小二乘支持向量机模型进行参数优化，保证参数确定的最优性和科学性，降维和预测方法结合使用，增加科学性和合理性。本申请的预测精度(平均绝对偏差率)能达到7％，同时，粒子群算法优化减少了参数寻优的迭代次数，提升速度，能为快速科学的投资决策提供帮助。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为根据本申请实施例示出的一种架空线路造价预测方法的流程图；
图2为根据本申请实施例示出的一种架空线路造价预测装置的结构框图。
具体实施方式
参阅图1，本申请的实施例提供了一种架空线路造价预测方法，包括：
步骤S1、确定架空线路工程造价的影响因素；
架空线路工程总造价影响因素可从基础工程、杆塔工程、接地工程、架线工程、附件安装工程和辅助工程等六部分进行确定。其中，基础工程造价的影响因素主要有电压等级、地形、地质、覆冰及风速、塔基数、基础钢材量、基础混凝土量、土石方用量、基础钢材价格、混凝土价格、土石方价格；杆塔工程造价的影响因素主要有电压等级、地形、地质、覆冰风速、导线截面、耐张比例、塔材量、塔材价格、塔基数；架线工程造价的影响因素主要有电压等级、地形、地质、覆冰风速、导线分裂数、线路折单长度、线材量、导线截面、导线价格；附件工程造价的影响因素主要有电压等级、覆冰风速、耐张比例、塔基数、导线截面；辅助工程造价的影响因素主要有电压等级、地形、地质、基础混凝土量、混凝土价格；接地工程造价的影响因素主要有电压等级、地形、地质、土石方量、基础混凝土量、土石方价格、混凝土价格。经过因素筛选，剔除不重要因素后得到架空线路造价影响因素如表1所示。
表1
Figure BDA0001881261460000051
步骤S2、采集所述影响因素的原始数据；
步骤S3、利用主成分分析对所述原始数据降维，输出新样本；
输电线路工程的变量个数较多且变量之间复杂的关系会显著增加分析问题的复杂性，本申请利用主成分分析法将变量进行降维处理，使得到的主成分既能代表原始变量的绝大多数信息又互不相关，将有助于输电线路工程造价预测模型的建立和问题分析。主成分分析法(PCA)将原来具有一定相关性的P个指标作线性组合，重新组合成一组新的互相无关的综合指标来替代原来的指标。新样本是作为预测模型的输入集。
步骤S4、利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；
最小二乘支持向量机模型中需要设定两个关键参数的取值：核函数参数和惩罚系数。核函数参数精确定义了高维特征空间的结构，并反映了训练数据集的特性，因此能控制模型最终解的复杂性。惩罚系数主要用于调节置信范围与经验风险之间的比例，从而实现结构风险最小化，调节模型的泛化能力。
本申请利用粒子群算法可以优化最小二乘支持向量机模型中的核函数参数和惩罚系数，避免人为的穷举试凑，可以获得更好的拟合效果。粒子群优化(Particle SwarmOptimization，PSO)算法是一种全局的搜索算法，最初由鸟类的觅食行为中获得启示，并被用于求解优化问题的全局最优解。PSO算法的中心思想在于，将一群随机粒子的定位与速度初始化之后，根据一定条件下的不断迭代搜索寻得最优解。将每个粒子自身在搜索过程中经过的最好位置定义为个体极值Pbest，而将当前整个群体寻得的最好位置定义为全局极值Gbest，那么在每一轮的迭代中，粒子根据此二者的变化来更新自己的速度以及在下一轮迭代中的位置。
步骤S5、根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。
由以上技术方案可知，本申请针对架空工程的特点选取指标，对选取后架空线路工程指标进行科学降维，通过粒子群算法对最小二乘支持向量机模型进行参数优化，保证参数确定的最优性和科学性，降维和预测方法结合使用，增加科学性和合理性。本申请的预测精度(平均绝对偏差率)能达到7％，同时，粒子群算法优化减少了参数寻优的迭代次数，提升速度，能为快速科学的投资决策提供帮助。
进一步地，所述原始数据包括定量数据和定性数据，还包括；
将所述定量数据单位化；
将所述定性数据量化。
在分析输电线路工程单位长度造价的影响因素时，由于工程的建设规模不同，一些总量指标不能直接进行对比，为了更好的分析这些指标的影响，需要对一些总体指标因素进行单位化处理如表2所示。
表2
Figure BDA0001881261460000061
定性指标进行定量化处理如下表所示，按各指标因素等级进行量化，若某一工程包含多个等级时，按比例进行加权平均处理。
表3
Figure BDA0001881261460000062
进一步地，所述利用主成分分析对原始数据降维，输出新样本的步骤，包括：
将所述原始数据标准化，得到标准化数据；
按照如下公式对原始数据进行标准化处理：
Figure BDA0001881261460000071
其中，
Figure BDA0001881261460000072
表示标准化以后的变量值，
Figure BDA0001881261460000073
表示每个指标所有原始变量的平均值，
Figure BDA0001881261460000074
表示每个指标原始变量的方差。
根据所述标准化数据计算相关系数矩阵，所述相关系数矩阵的特征值和所述特征值对应的特征向量；
假定原始数据标准化后仍用X表示，则经标准化处理后数据的相关系数为：
Figure BDA0001881261460000075
其中，rij表示第i和第j个指标之间的相关系数。
计算相关系数矩阵R的特征值(λ1,λ2,L,λp)和相应的特征向量ai＝(ai1,ai2,L,aip),i＝1,2,L,p。
计算每个主成分的方差贡献率；
选取累计所述方差贡献率达到预设值的前n个主成分；
需要说明的是，通过主成分分析可以获得p个主成分，但由于各个主成分的方差递减，其中所含的信息量相应递减，所以在实际分析中，一般根据各个主成分累积贡献率大小(即某个主成分的方差占全部方差的比重)，选取前n个主成分，要求前n个主成分方差累积贡献率达到预设值。可选的，预设值为85％，本申请不对预设值做限定。。
根据所述前n个主成分的特征值和特征向量计算主成分系数矩阵；
根据所述主成分系数矩阵计算得到前n个主成分的值，作为新样本输出。
进一步地，所述利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数的步骤，包括：
确定所述最小二乘支持向量机模型参数；
在一个d维搜索空间中，由m个代表问题可能解的粒子构成X＝{X1,X2,L,Xm}，其中Xi＝{xi1,xi2,L,xid}表示第i个粒子的位置，d为最小二乘支持向量机模型参数的个数，这里d＝2，优化核函数参数和惩罚系数。可选地，本申请的粒子群算法参数在[0,300]内寻优。本申请不对初始寻优范围做限定。
初始化粒子速度和位置；
根据所述粒子的速度和位置计算当前粒子适应度；
适应度计算方法：计算每一个最小二乘支持向量机在训练集上产生的均方误差，构造如下的适应度函数，用来计算个体的适应度：
Figure BDA0001881261460000081
式中：MSE为均方误差，yi为造价预测值，
Figure BDA0001881261460000082
为造价真实值。
其中，造价预测值是对已发生的工程相应的因素代入预测模型得到的，造价真实值是已发生的工程的实际造价，只有这个适应度满足投资者的要求，才能用于将要发生的工程的预测。
选取当前粒子适应度最小值对应的位置作为粒子个体极值；
比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；
将此粒子在d维空间中的飞行速度定义为Vi＝{vi1,vi2,L,vid}，用Pi＝{Pi1,Pi2,L,Pid}表示该粒子自身搜索到的最好位置Pbest，即全局极值(相应的适应度最小)，用Pg＝{Pg1,Pg2,L,Pgd}表示整个种群的最好位置Gbest，即全局极值。
计算下一个粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当迭代次数达到最大迭代次数或精度达到预设的精度时，输出全局极值，所述全局极值为优化的核函数参数和惩罚系数。
下一个粒子的速度和位置计算方法。
第i个粒子的速度和位置更新根据如下公式确定：
Figure BDA0001881261460000083
式中：ω为惯性权重因子；t为迭代次数；c1和c2为加速因子，表示粒子飞向其最优位置和整体最优位置的步长；rand()为在区间[0,1]中均匀分布的随机数。
进一步地，所述根据新样本，核函数参数和惩罚系数构，建造价预测模型的步骤，包括：
将所述新样本映射到高位特征空间，得到映射函数；
根据主成分的一组n维输入和一维输出的样本向量，单个技术方案下的样本可表示为(x1,y1)(x2,y2),L(xl,yl)，xi∈Rn,yi∈R,i＝1,2,L,l。首先用一个非线性映射
Figure BDA0001881261460000091
把样本从原空间映射到高维特征空间，将非线性估计函数转化为高维特征空间的线性估计函数，此时的映射函数为：
Figure BDA0001881261460000092
式中：ω和b分别表示回归函数的权向量和偏移量。
最小化所述映射函数的结构风险，得到关于拉格朗日乘子和回归函数偏移量的线性方程组；
据结构风险最小化原则，寻找ω、b使其最小化，即有：
Figure BDA0001881261460000093
式中：||ω||2用来控制模型的复杂度；c是正则化参数，控制对超出误差样本的惩罚程度；Remp为误差控制函数，也即ε不敏感损失函数，R为结构风险。常用的损失函数有线性ε损失函数、二次ε损失函数、Huber损失函数，选取不同损失函数可构造不同形式的支持向量机。最小二乘支持向量机在优化目标时选择误差ξi的平方作为损失函数，故优化问题为：
Figure BDA0001881261460000094
式中ξi为松弛因子。建立相应的拉格朗日法求解该问题，有：
Figure BDA0001881261460000095
式中αi(i＝1,2,L,l)是拉格朗日乘子。根据KKT优化条件，即分别求L对ω,b,ξi,α的偏导数，并令其等于0：
Figure BDA0001881261460000101
消去上式中的ω和ξi可得到：
Figure BDA0001881261460000102
式中：
Figure BDA0001881261460000103
利用最小二乘法求解所述线性方程组(10)，得到所述拉格朗日乘子α和回归函数偏移量b；
根据所述拉格朗日乘子，所述回归函数偏移量，所述核函数参数和所述惩罚系数，构建造价预测模型。
引入满足Mercer条件的任意对称函数作为核函数，核函数参数决定了样本在数据空间分布的复杂程度，对模型的性能有较大影响。通过最小二乘法求得α和b。最后得到应用最小二称支持向量机对非线性函数进行回归分析的决策函数为：
Figure BDA0001881261460000104
由以上技术方案可知，本申请实施例提供了一种架空线路造价预测方法及装置，所述方法包括：确定架空线路工程造价的影响因素；采集所述影响因素的原始数据；利用主成分分析对所述原始数据降维，输出新样本；利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。本申请针对架空工程的特点选取指标，对选取后架空线路工程指标进行科学降维，通过粒子群算法对最小二乘支持向量机模型进行参数优化，保证参数确定的最优性和科学性，降维和预测方法结合使用，增加科学性和合理性。本申请的预测精度(平均绝对偏差率)能达到7％，同时，粒子群算法优化减少了参数寻优的迭代次数，提升速度，能为快速科学的投资决策提供帮助。
参阅图2，本申请实施例提供了一种架空线路造价预测装置，包括：
第一确定单元101，用于确定架空线路工程造价的影响因素；
采集单元102，用于采集所述影响因素的原始数据；
降维单元103，用于利用主成分分析对所述原始数据降维，输出新样本；
优化单元104，用于利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；
模型构建单元105，用于根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。
进一步地，所述原始数据包括定量数据和定性数据，还包括；
单位化单元，用于将所述定量数据单位化；
量化单元，用于将所述定性数据量化。
进一步地，所述降维单元包括：
标准化单元，用于将所述原始数据标准化，得到标准化数据；
第一计算单元，用于根据所述标准化数据计算相关系数矩阵，所述相关系数矩阵的特征值和所述特征值对应的特征向量；
第二计算单元，用于计算每个主成分的方差贡献率；
第一选取单元，用于选取累计所述方差贡献率达到预设值的前n个主成分；
第三计算单元，用于根据所述前n个主成分的特征值和特征向量计算主成分系数矩阵；
第四计算单元，用于根据所述主成分系数矩阵计算得到前n个主成分的值，作为新样本输出。
进一步地，所述优化单元包括：
第二确定单元，用于确定所述最小二乘支持向量机模型参数；
初始化单元，用于初始化粒子速度和位置；
第五计算单元，用于根据所述粒子的速度和位置计算当前粒子适应度；
第二选取单元，用于选取当前粒子适应度最小值对应的位置作为粒子个体极值；
第三选取单元，用于比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；
第六计算单元，用于计算下一个粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当迭代次数达到最大迭代次数或精度达到预设的精度时，输出全局极值，所述全局极值为优化的核函数参数和惩罚系数。
进一步地，所述模型构建单元包括：
第三确定单元，用于将所述新样本映射到高位特征空间，得到映射函数；
第四确定单元，用于最小化所述映射函数的结构风险，得到关于拉格朗日乘子和回归函数偏移量的线性方程组；
求解单元，用于利用最小二乘法求解所述线性方程组，得到所述拉格朗日乘子和回归函数偏移量；
模型构建子单元，用于根据所述拉格朗日乘子，所述回归函数偏移量，所述核函数参数和所述惩罚系数，构建造价预测模型。
由以上技术方案可知，本申请实施例提供了一种架空线路造价预测方法及装置，所述方法包括：确定架空线路工程造价的影响因素；采集所述影响因素的原始数据；利用主成分分析对所述原始数据降维，输出新样本；利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。本申请针对架空工程的特点选取指标，对选取后架空线路工程指标进行科学降维，通过粒子群算法对最小二乘支持向量机模型进行参数优化，保证参数确定的最优性和科学性，降维和预测方法结合使用，增加科学性和合理性。本申请的预测精度(平均绝对偏差率)能达到7％，同时，粒子群算法优化减少了参数寻优的迭代次数，提升速度，能为快速科学的投资决策提供帮助。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
具体实现中，本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的基于大数据处理的景点离线图像识别方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：Read-Only Memory，简称：ROM)或随机存储记忆体(英文：Random Access Memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于实现设备全寿命管理平台和方法实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (10)

1.一种架空线路造价预测方法，其特征在于，包括：
确定架空线路工程造价的影响因素；
采集所述影响因素的原始数据；
利用主成分分析对所述原始数据降维，输出新样本；
利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；
根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。
2.根据权利要求1所述的方法，其特征在于，所述原始数据包括定量数据和定性数据，还包括；
将所述定量数据单位化；
将所述定性数据量化。
3.根据权利要求1所述的方法，其特征在于，所述利用主成分分析对原始数据降维，输出新样本的步骤，包括：
将所述原始数据标准化，得到标准化数据；
根据所述标准化数据计算相关系数矩阵，所述相关系数矩阵的特征值和所述特征值对应的特征向量；
计算每个主成分的方差贡献率；
选取累计所述方差贡献率达到预设值的前n个主成分；
根据所述前n个主成分的特征值和特征向量计算主成分系数矩阵；
根据所述主成分系数矩阵计算得到前n个主成分的值，作为新样本输出。
4.根据权利要求1所述的方法，其特征在于，所述利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数的步骤，包括：
确定所述最小二乘支持向量机模型参数；
初始化粒子速度和位置；
根据所述粒子的速度和位置计算当前粒子适应度；
选取当前粒子适应度最小值对应的位置作为粒子个体极值；
比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；
计算下一个粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当迭代次数达到最大迭代次数或精度达到预设精度时，输出全局极值，所述全局极值为优化的核函数参数和惩罚系数。
5.根据权利要求1所述的方法，其特征在于，所述根据新样本，核函数参数和惩罚系数，构建造价预测模型的步骤，包括：
将所述新样本映射到高位特征空间，得到映射函数；
最小化所述映射函数的结构风险，得到关于拉格朗日乘子和回归函数偏移量的线性方程组；
利用最小二乘法求解所述线性方程组，得到所述拉格朗日乘子和回归函数偏移量；
根据所述拉格朗日乘子，所述回归函数偏移量，所述核函数参数和所述惩罚系数，构建造价预测模型。
6.一种架空线路造价预测装置，其特征在于，包括：
第一确定单元，用于确定架空线路工程造价的影响因素；
采集单元，用于采集所述影响因素的原始数据；
降维单元，用于利用主成分分析对所述原始数据降维，输出新样本；
优化单元，用于利用粒子群优化最小二乘支持向量机模型的核函数参数和惩罚系数；
模型构建单元，用于根据所述新样本，所述核函数参数和所述惩罚系数，构建造价预测模型。
7.根据权利要求6所述的装置，其特征在于，所述原始数据包括定量数据和定性数据，还包括；
单位化单元，用于将所述定量数据单位化；
量化单元，用于将所述定性数据量化。
8.根据权利要求6所述的装置，其特征在于，所述降维单元包括：
标准化单元，用于将所述原始数据标准化，得到标准化数据；
第一计算单元，用于根据所述标准化数据计算相关系数矩阵，所述相关系数矩阵的特征值和所述特征值对应的特征向量；
第二计算单元，用于计算每个主成分的方差贡献率；
第一选取单元，用于选取累计所述方差贡献率达到预设值的前n个主成分；
第三计算单元，用于根据所述前n个主成分的特征值和特征向量计算主成分系数矩阵；
第四计算单元，用于根据所述主成分系数矩阵计算得到前n个主成分的值，作为新样本输出。
9.根据权利要求6所述的装置，其特征在于，所述优化单元包括：
第二确定单元，用于确定所述最小二乘支持向量机模型参数；
初始化单元，用于初始化粒子速度和位置；
第五计算单元，用于根据所述粒子的速度和位置计算当前粒子适应度；
第二选取单元，用于选取当前粒子适应度最小值对应的位置作为粒子个体极值；
第三选取单元，用于比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；
第六计算单元，用于计算下一个粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当迭代次数达到最大迭代次数或精度达到预设的精度时，输出全局极值，所述全局极值为优化的核函数参数和惩罚系数。
10.根据权利要求6所述的装置，其特征在于，所述模型构建单元包括：
第三确定单元，用于将所述新样本映射到高位特征空间，得到映射函数；
第四确定单元，用于最小化所述映射函数的结构风险，得到关于拉格朗日乘子和回归函数偏移量的线性方程组；
求解单元，用于利用最小二乘法求解所述线性方程组，得到所述拉格朗日乘子和回归函数偏移量；
模型构建子单元，用于根据所述拉格朗日乘子，所述回归函数偏移量，所述核函数参数和所述惩罚系数，构建造价预测模型。
CN201811424546.4A 2018-11-27 2018-11-27 一种架空线路造价预测方法及装置 Pending CN111222669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811424546.4A CN111222669A (zh) 2018-11-27 2018-11-27 一种架空线路造价预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811424546.4A CN111222669A (zh) 2018-11-27 2018-11-27 一种架空线路造价预测方法及装置

Publications (1)

Publication Number Publication Date
CN111222669A true CN111222669A (zh) 2020-06-02

Family

ID=70827406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811424546.4A Pending CN111222669A (zh) 2018-11-27 2018-11-27 一种架空线路造价预测方法及装置

Country Status (1)

Country Link
CN (1) CN111222669A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011633A (zh) * 2021-02-05 2021-06-22 国网湖南省电力有限公司 架空输电线路工程造价预测方法、装置及介质
CN113487533A (zh) * 2021-05-19 2021-10-08 东北大学 一种基于机器学习的零件装配质量数字化检测系统及方法
CN116308579A (zh) * 2023-02-23 2023-06-23 葛洲坝集团交通投资有限公司 基于粒子群-svm的工程造价确定方法、系统及产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440370A (zh) * 2013-08-21 2013-12-11 国家电网公司 一种输变电工程造价评估方法及装置
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440370A (zh) * 2013-08-21 2013-12-11 国家电网公司 一种输变电工程造价评估方法及装置
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011633A (zh) * 2021-02-05 2021-06-22 国网湖南省电力有限公司 架空输电线路工程造价预测方法、装置及介质
CN113487533A (zh) * 2021-05-19 2021-10-08 东北大学 一种基于机器学习的零件装配质量数字化检测系统及方法
CN113487533B (zh) * 2021-05-19 2023-11-14 东北大学 一种基于机器学习的零件装配质量数字化检测系统及方法
CN116308579A (zh) * 2023-02-23 2023-06-23 葛洲坝集团交通投资有限公司 基于粒子群-svm的工程造价确定方法、系统及产品
CN116308579B (zh) * 2023-02-23 2024-08-20 葛洲坝集团交通投资有限公司 基于粒子群-svm的工程造价确定方法、系统及产品

Similar Documents

Publication Publication Date Title
CN110969290B (zh) 一种基于深度学习的径流概率预测方法及系统
CN103065042B (zh) 基于情景的多目标综合决策评价方法
CN112446534B (zh) 一种输变电工程的建设工期预测方法和装置
CN108805743A (zh) 一种电网企业售电公司运营效益评价方法
CN111222669A (zh) 一种架空线路造价预测方法及装置
CN106980910B (zh) 中长期电力负荷测算系统及方法
CN110807490A (zh) 一种基于单基塔的输电线路工程造价智能预测方法
CN110163429A (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN113807598A (zh) 基于pso-woa混合优化的svm稠油管道腐蚀速率预测方法
CN116663964B (zh) 一种基于清单项目特征值的工程单价快速计算方法及系统
CN111062517A (zh) 一种基于GBDT的LightGBM模型的冷、热负荷预测方法
CN105160441A (zh) 基于增量式超限向量回归机集成网络的实时电力负荷预测方法
CN118036822A (zh) 电氢一体化能源站的电氢负荷预测方法、装置及存储介质
CN112308298A (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
CN110222824B (zh) 智能算法模型自主生成及进化方法、系统、装置
Ruxue et al. Load forecasting based on weighted grey relational degree and improved ABC-SVM
CN114819395A (zh) 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法
CN114564787A (zh) 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质
CN112330030B (zh) 业扩物资需求预测系统及方法
CN116843399B (zh) 一种基于平衡状态的工程造价分析方法及系统
CN117851908A (zh) 一种改进的在线低压台区电能表失准监测方法及装置
CN108875961A (zh) 一种基于预界机制的在线加权极限学习机方法
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
CN116090608A (zh) 一种基于动态加权组合的短期风电功率预测方法及系统
CN115759469A (zh) 一种针对峰值负荷及其出现时间的预测方法及其装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200602