CN111784061A - 一种电网工程造价预测模型的训练方法、装置和设备 - Google Patents

一种电网工程造价预测模型的训练方法、装置和设备 Download PDF

Info

Publication number
CN111784061A
CN111784061A CN202010645695.4A CN202010645695A CN111784061A CN 111784061 A CN111784061 A CN 111784061A CN 202010645695 A CN202010645695 A CN 202010645695A CN 111784061 A CN111784061 A CN 111784061A
Authority
CN
China
Prior art keywords
learning machine
power grid
training
cost prediction
multilayer
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.)
Granted
Application number
CN202010645695.4A
Other languages
English (en)
Other versions
CN111784061B (zh
Inventor
胡晋岚
文福栓
陈铭
刘刚刚
李忠憓
侯凯
周妍
孙罡
姜玉梁
赵芳菲
梅诗妍
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.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid 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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010645695.4A priority Critical patent/CN111784061B/zh
Publication of CN111784061A publication Critical patent/CN111784061A/zh
Application granted granted Critical
Publication of CN111784061B publication Critical patent/CN111784061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

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

Abstract

本申请公开了一种电网工程造价预测模型的训练方法、装置和设备。首先，获取电网工程造价的历史数据，并划分训练集和测试集；接着，通过训练集训练多层优化核极限学习机，根据极限学习机‑自编码原理优化前N‑1层隐含层的权重参数，基于遗传算法优化最后一层隐含层的核参数和正则化系数，得到训练好的多层优化核极限学习机，采用测试集进行测试，若误差值低于预置阈值，输出电网工程造价预测模型；否则，增加前N‑1层隐含层的神经元数量并重新训练，解决了现有的基于传统的单隐含层前馈神经网络进行电网工程造价预测、采用梯度下降法对单隐含层前馈神经网络的参数进行迭代优化，存在训练时间长且容易陷入局部最优从而预测精度低的技术问题。

Description

一种电网工程造价预测模型的训练方法、装置和设备
技术领域
本申请电网工程造价预测技术领域，尤其涉及一种电网工程造价预测模型的训练方法、装置和设备。
背景技术
目前，随着经济的快速发展，各行各业电气化水平逐步提升，用电量呈现高增长趋势，在高用电需求下，对电网的要求越来越高，需要不断更新输电网架和输电设备以适应社会用电需求。由于用电需求的增加以及电网技术的发展，电网工程建设造价与造价规模不断攀升，各级电网公司都面临着巨大的资金压力。因此，如何在保证满足可靠性要求的条件下，对电网工程建设造价进行合理有效预测，从而实现建设造价的精确控制是电网公司面临的重大挑战。
现有技术中大多采用传统的单隐含层前馈神经网络进行电网工程造价预测，通常采用梯度下降法对单隐含层前馈神经网络的参数进行迭代优化，存在训练时间长且容易陷入局部最优，使得预测精度低的技术问题。
发明内容
本申请提供了一种电网工程造价预测模型的训练方法、装置和设备，用于解决现有的基于传统的单隐含层前馈神经网络进行电网工程造价预测，采用梯度下降法对单隐含层前馈神经网络的参数进行迭代优化，存在训练时间长且容易陷入局部最优，使得预测精度低的技术问题。
有鉴于此，本申请第一方面提供了一种电网工程造价预测模型的训练方法，包括：
S1、获取电网工程建设造价的历史数据，并对所述历史数据进行划分得到训练集和测试集；
S2、构建多层优化核极限学习机，所述多层优化核极限学习机包括N个隐含层，N为大于0的自然数；
S3、将所述训练集中的训练样本输入至所述多层优化核极限学习机，使得所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，所述多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机；
S4、将所述测试集中的测试样本输入至所述训练好的多层优化核极限学习机，输出所述测试样本的工程造价预测结果；
S5、计算所述测试样本的工程造价预测结果和真实工程造价的误差值；
S6、判断所述误差值是否低于预置阈值，若是，则将所述训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加所述多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并返回S3。
可选的，所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，包括：
所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理计算当前隐含层的输入权重矩阵，对所述输入权重矩阵进行求解得到当前隐含层的输出权重；
所述多层优化核极限学习机将所述当前隐含层的输出权重的转置作为下一层隐含层的输入，使得下一层隐含层基于所述当前隐含层的输出权重的转置计算下一层隐含层的输入权重矩阵，并对所述下一层隐含层的输入权重矩阵进行求解得到下一层隐含层的输出权重，直至计算得到第N-1层隐含层的输入权重和输出权重。
可选的，所述计算所述测试样本的工程造价预测结果和真实工程造价的误差值，包括：
计算所述测试样本的工程造价预测结果和真实工程造价的平均绝对百分比误差，得到误差值。
可选的，S6之后还包括：
获取待预测电网工程造价数据，将所述待预测电网工程造价数据输入至所述电网工程造价预测模型，输出所述电网工程造价预测模型的造价预测结果。
可选的，所述对所述历史数据进行划分得到训练集和测试集，之前还包括：
对所述历史数据进行归一化处理。
本申请第二方面提供了一种电网工程造价预测模型的训练装置，包括：
获取单元，用于获取电网工程建设造价的历史数据，并对所述历史数据进行划分得到训练集和测试集；
构建单元，用于构建多层优化核极限学习机，所述多层优化核极限学习机包括N个隐含层，N为大于0的自然数；
训练单元，用于将所述训练集中的训练样本输入至所述多层优化核极限学习机，使得所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，所述多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机；
输出单元，用于将所述测试集中的测试样本输入至所述训练好的多层优化核极限学习机，输出所述测试样本的工程造价预测结果；
计算单元，用于计算所述测试样本的工程造价预测结果和真实工程造价的误差值；
判断单元，用于判断所述误差值是否低于预置阈值，若是，则将所述训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加所述多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并触发所述训练单元。
可选的，所述计算单元具体包括：
计算所述测试样本的工程造价预测结果和真实工程造价的平均绝对百分比误差，得到误差值。
可选的，还包括：
造价预测单元，用于获取待预测电网工程造价数据，将所述待预测电网工程造价数据输入至所述电网工程造价预测模型，输出所述电网工程造价预测模型的造价预测结果。
可选的，所述获取单元具体用于：
获取电网工程建设造价的历史数据，对所述历史数据进行归一化处理，并对归一化处理后的所述历史数据进行划分得到训练集和测试集。
本申请第三方面提供了一种电网工程造价预测模型的训练设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的电网工程造价预测模型的训练方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种电网工程造价预测模型的训练方法，包括：S1、获取电网工程建设造价的历史数据，并对历史数据进行划分得到训练集和测试集；S2、构建多层优化核极限学习机，多层优化核极限学习机包括N个隐含层，N为大于0的自然数；S3、将训练集中的训练样本输入至多层优化核极限学习机，使得多层优化核极限学习机基于训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机；S4、将测试集中的测试样本输入至训练好的多层优化核极限学习机，输出测试样本的工程造价预测结果；S5、计算测试样本的工程造价预测结果和真实工程造价的误差值；S6、判断误差值是否低于预置阈值，若是，则将训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并返回S3。
本申请中的电网工程造价预测模型的训练方法，通过构建多层优化核极限学习机，将训练样本输入多层优化核极限学习机进行训练，多层优化核极限学习机在自上而下的逐层无监督的训练过程中，引入自动编码算法，逐层优化隐含层的权重，可以将训练样本的特征空间进行变换，从而得到具有代表性的特征信息，提高了造价预测模型的预测精度；多层优化核极限学习机通过解析和遗传算法求解参数，不需要采用梯度下降法对网络参数进行迭代优化，提高了训练效率，减少了训练时间，通过遗传算法优化正则化系数，可以防止过拟合现象和避免陷入局部最优，提高预测精度，从而解决了现有的基于传统的单隐含层前馈神经网络进行电网工程造价预测，采用梯度下降法对单隐含层前馈神经网络的参数进行迭代优化，存在训练时间长且容易陷入局部最优，使得预测精度低的技术问题。
附图说明
图1为本申请实施例提供的一种电网工程造价预测模型的训练方法的一个流程示意图；
图2为本申请实施例提供的一种电网工程造价预测模型的训练方法的另一个流程示意图；
图3为本申请实施例提供的一种电网工程造价预测模型的训练装置的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
术语解释：
极限学习机(Extreme Learning Machine,ELM)：极限学习机是一种基于单隐含层前馈神经网络的快速学习方法，适用于监督学习或非监督学习，其特点是输入层权重和隐含层偏置随机生成，输出层权重通过最小化训练误差项和输出层范数正则项所构成的损失函数，依据Moore-Penrose(MP)广义逆矩阵理论计算解析求出。
多层极限学习机(Multilayer Extreme Learning Machine,ML-ELM)：多层极限学习机是一种基于多隐含层前馈神经网络和极限学习机模型构建的快速学习方法，其特点是可将样本数据的特征空间进行变换，从而得到大量具有代表性的特征信息。
优化极限学习机(Optimized Extreme Learning Machine,O-ELM)：优化极限学习机可通过优化选择极限学习机的输入变量、隐含层节点的配置和偏置参数、正则化系数等提高网络的学习性能。
核极限学习机(Kernel Extreme Learning Machine,KELM)：核极限学习机采用核函数表示未知的隐含层非线性特征映射，通过正则化最小二乘法计算网络的输出权值，而无须设定网络隐含层节点的数目。
为了便于理解，请参阅图1，本申请提供的一种电网工程造价预测模型的训练方法的一个实施例，包括：
步骤101、获取电网工程建设造价的历史数据，并对历史数据进行划分得到训练集和测试集。
收集包含不同建设阶段、不同工程类型、不同电压等级的电网工程建设造价的历史数据，可以根据建设阶段、工程类型、电压等级等属性对电网工程建设造价历史数据进行归类。对历史数据进行划分得到训练集和测试集。
步骤102、构建多层优化核极限学习机，多层优化核极限学习机包括N个隐含层，N为大于0的自然数。
设置隐含层的层数N以及前N-1层隐含层的神经元个数，最后一层无需设置隐含层的神经元个数。
步骤103、将训练集中的训练样本输入至多层优化核极限学习机，使得多层优化核极限学习机基于训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机。
将训练集中的训练样本输入构建的多层优化核极限学习机进行训练，前N-1层隐含层基于训练样本，根据极限学习机-自编码原理进行权重参数优化，第N层隐含层根据遗传算法对核参数和正则化系数进行优化，从而完成各层隐含层参数的训练，得到训练好的多层优化核极限学习机。
步骤104、将测试集中的测试样本输入至训练好的多层优化核极限学习机，输出测试样本的工程造价预测结果。
将测试集中的测试样本输入至训练好的多层优化核极限学习机进行造价预测，输出测试样本的工程造价预测结果。
步骤105、计算测试样本的工程造价预测结果和真实工程造价的误差值。
步骤106、判断误差值是否低于预置阈值，若是，则将训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并返回步骤103。
计算测试样本的工程造价预测结果与真实工程造价的误差值，并判断该误差值是否低于预置阈值，若是，说明训练好的多层优化核极限学习机的预测精度较高，则可以将训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，说明该训练好的多层优化核极限学习机预测精度不够，则可以增加多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并返回步骤103，对新的多层优化核极限学习机进行训练，直至误差值低于预置阈值。
本申请实施例中的电网工程造价预测模型的训练方法，通过构建多层优化核极限学习机，将训练样本输入多层优化核极限学习机进行训练，多层优化核极限学习机在自上而下的逐层无监督的训练过程中，引入自动编码算法，逐层优化隐含层的权重，可以将训练样本的特征空间进行变换，从而得到具有代表性的特征信息，提高了造价预测模型的预测精度；多层优化核极限学习机通过解析和遗传算法求解参数，不需要采用梯度下降法对网络参数进行迭代优化，提高了训练效率，减少了训练时间，通过遗传算法优化正则化系数，可以防止过拟合现象和避免陷入局部最优，提高预测精度，从而解决了现有的基于传统的单隐含层前馈神经网络进行电网工程造价预测，采用梯度下降法对单隐含层前馈神经网络的参数进行迭代优化，存在训练时间长且容易陷入局部最优，使得预测精度低的技术问题。
以上为本申请提供的一种电网工程造价预测模型的训练方法的一个实施例，以下为本申请提供的一种电网工程造价预测模型的训练方法的另一个实施例。
为了便于理解，请参阅图2，本申请提供的一种电网工程造价预测模型的训练方法的一个实施例，包括：
步骤201、获取电网工程建设造价的历史数据，并对历史数据进行划分得到训练集和测试集。
收集包含不同建设阶段、不同工程类型、不同电压等级的电网工程建设造价的历史数据，可以根据建设阶段、工程类型、电压等级等属性对电网工程建设造价历史数据进行归类。可以对历史数据进行归一化处理，再对归一化处理后的历史数据进行划分得到训练集和测试集。
步骤202、构建多层优化核极限学习机，多层优化核极限学习机包括N个隐含层，N为大于0的自然数。
设置隐含层的层数N以及前N-1层隐含层的神经元个数，最后一层无需设置隐含层的神经元个数。
步骤203、将训练集中的训练样本输入至多层优化核极限学习机，使得多层优化核极限学习机基于训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机。
将训练集中的训练样本输入构建的多层优化核极限学习机进行训练，前N-1层隐含层基于训练样本，根据极限学习机-自编码原理进行权重参数优化，具体优化过程为：
1、多层优化核极限学习机基于训练样本，根据极限学习机-自编码原理计算当前隐含层的输入权重矩阵，对输入权重矩阵进行求解得到当前隐含层的输出权重。
多层优化核极限学习机基于极限学习机-自编码原理生成正交随机的编码器输入层的输入权重和隐含层偏置，求解解码器的输出权重，保存输出权重作为多层优化核极限学习机的下一层的输入。
2、多层优化核极限学习机将当前隐含层的输出权重的转置作为下一层隐含层的输入，使得下一层隐含层基于当前隐含层的输出权重的转置计算下一层隐含层的输入权重矩阵，并对下一层隐含层的输入权重矩阵进行求解得到下一层隐含层的输出权重，直至计算得到第N-1层隐含层的输入权重和输出权重。
当前层隐含层的输出权重的转置为下一层隐含层的输入进行相关求解计算，直至计算得到第N-1层隐含层的输入权重和输出权重。第N层隐含层根据遗传算法对核参数和正则化系数进行优化，从而完成各层隐含层参数的训练，得到训练好的多层优化核极限学习机，其中，核参数是核函数的重要参数。
本申请实施例通过遗传算法进行参数优化，可以避免陷入局部最优，从而提高预测精度；通过在多层优化核极限学习机中引入正则化系数，可以避免出现过拟合现象，保证多层优化核极限学习机的预测精度。
步骤204、将测试集中的测试样本输入至训练好的多层优化核极限学习机，输出测试样本的工程造价预测结果。
将测试集中的测试样本输入至训练好的多层优化核极限学习机进行造价预测，输出测试样本的工程造价预测结果。
步骤205、计算测试样本的工程造价预测结果和真实工程造价的误差值。
计算测试样本的工程造价预测结果和真实工程造价的平均绝对百分比误差，得到误差值。
步骤206、判断误差值是否低于预置阈值，若是，则将训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并返回步骤203。
判断该误差值是否低于预置阈值，若是，说明训练好的多层优化核极限学习机的预测精度较高，则可以将训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，说明该训练好的多层优化核极限学习机预测精度不够，则可以增加多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并返回步骤203，对新的多层优化核极限学习机进行训练，直至误差值低于预置阈值。
步骤207、获取待预测电网工程造价数据，将待预测电网工程造价数据输入至电网工程造价预测模型，输出电网工程造价预测模型的造价预测结果。
制定需要进行电网工程建设造价预测的方案，得到待预测电网工程造价数据，可以对待预测电网工程造价数据进行归一化处理，将归一化处理后的待预测电网工程造价数据输入至电网工程造价预测模型进行造价预测，输出电网工程造价预测模型的造价预测结果，基于造价预测结果可以确定该电网工程建设的投资费用。
本申请实施例中，利用多层极限学习机来提取特征，多层极限学习机在自下而上的逐层无监督训练过程中，引入自动编码算法，逐层优化输入权重，可将输入数据的特征空间进行变换，从而得到大量具有代表性的特征信息；采用优化核极限学习机来预测工程造价，优化核极限学习机利用核函数来表示未知的隐含层非线性特征映射，通过优化选取核参数和正则化系数来提高网络性能，而无需遍历调整隐含层节点的数目，减少了训练时间，提高了预测精度。
以上为本申请提供的一种电网工程造价预测模型的训练方法的一个实施例，以下为本申请提供的一种电网工程造价预测模型的训练装置的一个实施例。
为了便于理解，请参阅图3，本申请提供的一种电网工程造价预测模型的训练装置的一个实施例，包括：
获取单元301，用于获取电网工程建设造价的历史数据，并对历史数据进行划分得到训练集和测试集。
构建单元302，用于构建多层优化核极限学习机，多层优化核极限学习机包括N个隐含层，N为大于0的自然数。
训练单元303，用于将训练集中的训练样本输入至多层优化核极限学习机，使得多层优化核极限学习机基于训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机。
输出单元304，用于将测试集中的测试样本输入至训练好的多层优化核极限学习机，输出测试样本的工程造价预测结果。
计算单元305，用于计算测试样本的工程造价预测结果和真实工程造价的误差值。
判断单元306，用于判断误差值是否低于预置阈值，若是，则将训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并触发训练单元303。
作为进一步的改进，计算单元305具体包括：
计算测试样本的工程造价预测结果和真实工程造价的平均绝对百分比误差，得到误差值。
作为进一步的改进，还包括：
造价预测单元307，用于获取待预测电网工程造价数据，将待预测电网工程造价数据输入至电网工程造价预测模型，输出电网工程造价预测模型的造价预测结果。
作为进一步的改进，获取单元301具体用于：
获取电网工程建设造价的历史数据，对历史数据进行归一化处理，并对归一化处理后的历史数据进行划分得到训练集和测试集。
本申请还提供一种电网工程造价预测模型的训练设备的一个实施例，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前电网工程造价预测模型的训练方法实施例中的网工程造价预测模型的训练方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种电网工程造价预测模型的训练方法，其特征在于，包括：
S1、获取电网工程建设造价的历史数据，并对所述历史数据进行划分得到训练集和测试集；
S2、构建多层优化核极限学习机，所述多层优化核极限学习机包括N个隐含层，N为大于0的自然数；
S3、将所述训练集中的训练样本输入至所述多层优化核极限学习机，使得所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，所述多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机；
S4、将所述测试集中的测试样本输入至所述训练好的多层优化核极限学习机，输出所述测试样本的工程造价预测结果；
S5、计算所述测试样本的工程造价预测结果和真实工程造价的误差值；
S6、判断所述误差值是否低于预置阈值，若是，则将所述训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加所述多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并返回S3。
2.根据权利要求1所述的电网工程造价预测模型的训练方法，其特征在于，所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，包括：
所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理计算当前隐含层的输入权重矩阵，对所述输入权重矩阵进行求解得到当前隐含层的输出权重；
所述多层优化核极限学习机将所述当前隐含层的输出权重的转置作为下一层隐含层的输入，使得下一层隐含层基于所述当前隐含层的输出权重的转置计算下一层隐含层的输入权重矩阵，并对所述下一层隐含层的输入权重矩阵进行求解得到下一层隐含层的输出权重，直至计算得到第N-1层隐含层的输入权重和输出权重。
3.根据权利要求1所述的电网工程造价预测模型的训练方法，其特征在于，所述计算所述测试样本的工程造价预测结果和真实工程造价的误差值，包括：
计算所述测试样本的工程造价预测结果和真实工程造价的平均绝对百分比误差，得到误差值。
4.根据权利要求1所述的电网工程造价预测模型的训练方法，其特征在于，S6之后还包括：
获取待预测电网工程造价数据，将所述待预测电网工程造价数据输入至所述电网工程造价预测模型，输出所述电网工程造价预测模型的造价预测结果。
5.根据权利要求1所述的电网工程造价预测模型的训练方法，其特征在于，所述对所述历史数据进行划分得到训练集和测试集，之前还包括：
对所述历史数据进行归一化处理。
6.一种电网工程造价预测模型的训练装置，其特征在于，包括：
获取单元，用于获取电网工程建设造价的历史数据，并对所述历史数据进行划分得到训练集和测试集；
构建单元，用于构建多层优化核极限学习机，所述多层优化核极限学习机包括N个隐含层，N为大于0的自然数；
训练单元，用于将所述训练集中的训练样本输入至所述多层优化核极限学习机，使得所述多层优化核极限学习机基于所述训练样本，根据极限学习机-自编码原理对前N-1层隐含层的权重参数进行优化，所述多层优化核极限学习机基于遗传算法对最后一层隐含层的核参数和正则化系数进行优化，得到训练好的多层优化核极限学习机；
输出单元，用于将所述测试集中的测试样本输入至所述训练好的多层优化核极限学习机，输出所述测试样本的工程造价预测结果；
计算单元，用于计算所述测试样本的工程造价预测结果和真实工程造价的误差值；
判断单元，用于判断所述误差值是否低于预置阈值，若是，则将所述训练好的多层优化核极限学习机作为电网工程造价预测模型进行输出，若否，则增加所述多层优化核极限学习机的前N-1层隐含层的神经元的数量得到新的多层优化核极限学习机，并触发所述训练单元。
7.根据权利要求6所述的电网工程造价预测模型的训练装置，其特征在于，所述计算单元具体包括：
计算所述测试样本的工程造价预测结果和真实工程造价的平均绝对百分比误差，得到误差值。
8.根据权利要求6所述的电网工程造价预测模型的训练装置，其特征在于，还包括：
造价预测单元，用于获取待预测电网工程造价数据，将所述待预测电网工程造价数据输入至所述电网工程造价预测模型，输出所述电网工程造价预测模型的造价预测结果。
9.根据权利要求6所述的电网工程造价预测模型的训练装置，其特征在于，所述获取单元具体用于：
获取电网工程建设造价的历史数据，对所述历史数据进行归一化处理，并对归一化处理后的所述历史数据进行划分得到训练集和测试集。
10.一种电网工程造价预测模型的训练设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的电网工程造价预测模型的训练方法。
CN202010645695.4A 2020-07-07 2020-07-07 一种电网工程造价预测模型的训练方法、装置和设备 Active CN111784061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010645695.4A CN111784061B (zh) 2020-07-07 2020-07-07 一种电网工程造价预测模型的训练方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010645695.4A CN111784061B (zh) 2020-07-07 2020-07-07 一种电网工程造价预测模型的训练方法、装置和设备

Publications (2)

Publication Number Publication Date
CN111784061A true CN111784061A (zh) 2020-10-16
CN111784061B CN111784061B (zh) 2023-06-06

Family

ID=72758184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010645695.4A Active CN111784061B (zh) 2020-07-07 2020-07-07 一种电网工程造价预测模型的训练方法、装置和设备

Country Status (1)

Country Link
CN (1) CN111784061B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766140A (zh) * 2021-01-15 2021-05-07 云南电网有限责任公司电力科学研究院 一种基于核函数极限学习机的变压器故障辨识方法
CN113537614A (zh) * 2021-07-28 2021-10-22 广东电网有限责任公司 电网工程造价预测模型的构建方法、系统、设备及介质
CN114548549A (zh) * 2022-02-20 2022-05-27 国网河北省电力有限公司邢台供电分公司 基于Koalas的用电量预测方法及预测系统
CN116384257A (zh) * 2023-05-29 2023-07-04 浙江大学 一种空分整装冷箱装配误差预测与公差优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及系统
CN109886350A (zh) * 2019-02-25 2019-06-14 东北农业大学 一种基于核极限学习机奶牛日粮消化能预测方法
WO2019218263A1 (zh) * 2018-05-16 2019-11-21 深圳大学 基于极限学习机的极限ts模糊推理方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
WO2019218263A1 (zh) * 2018-05-16 2019-11-21 深圳大学 基于极限学习机的极限ts模糊推理方法及系统
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及系统
CN109886350A (zh) * 2019-02-25 2019-06-14 东北农业大学 一种基于核极限学习机奶牛日粮消化能预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766140A (zh) * 2021-01-15 2021-05-07 云南电网有限责任公司电力科学研究院 一种基于核函数极限学习机的变压器故障辨识方法
CN113537614A (zh) * 2021-07-28 2021-10-22 广东电网有限责任公司 电网工程造价预测模型的构建方法、系统、设备及介质
CN114548549A (zh) * 2022-02-20 2022-05-27 国网河北省电力有限公司邢台供电分公司 基于Koalas的用电量预测方法及预测系统
CN116384257A (zh) * 2023-05-29 2023-07-04 浙江大学 一种空分整装冷箱装配误差预测与公差优化方法
CN116384257B (zh) * 2023-05-29 2023-09-29 浙江大学 一种空分整装冷箱装配误差预测与公差优化方法

Also Published As

Publication number Publication date
CN111784061B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN111784061A (zh) 一种电网工程造价预测模型的训练方法、装置和设备
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力系统风险评估方法
CN109784692B (zh) 一种基于深度学习的快速安全约束经济调度方法
CN108879732B (zh) 电力系统暂态稳定评估方法及装置
CN111950810B (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN111461445A (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN115277354A (zh) 一种面向指挥控制网络管理系统的故障检测方法
CN115618269A (zh) 基于工业传感器生产的大数据分析方法及系统
CN112766548A (zh) 基于gasa-bp神经网络的订单完工时间预测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
CN116992935A (zh) 基于改进随机配置算法的神经网络模型训练方法及系统
CN113609772B (zh) 基于卷积准循环神经网络的水泥成品比表面积预测方法
CN114298413B (zh) 一种水电机组振摆趋势预测方法
CN115935814A (zh) 一种基于arima-svm模型的变压器故障预测方法
CN115456168A (zh) 强化学习模型的训练方法、能耗确定方法和装置
CN112651168B (zh) 基于改进神经网络算法的建设用地面积预测方法
CN113570129A (zh) 带钢酸洗浓度的预测方法及计算机可读存储介质
Alrubaie Cascade-Forward neural network for volterra integral equation solution
CN113569324A (zh) 边坡形变监测异常数据分析与优化方法
CN111160419A (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置

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
GR01 Patent grant
GR01 Patent grant