CN112446534B - 一种输变电工程的建设工期预测方法和装置 - Google Patents
一种输变电工程的建设工期预测方法和装置 Download PDFInfo
- Publication number
- CN112446534B CN112446534B CN202011241750.XA CN202011241750A CN112446534B CN 112446534 B CN112446534 B CN 112446534B CN 202011241750 A CN202011241750 A CN 202011241750A CN 112446534 B CN112446534 B CN 112446534B
- Authority
- CN
- China
- Prior art keywords
- transformation
- construction period
- construction
- power transmission
- time
- 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.)
- Active
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
-
- 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
-
- 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
Abstract
本发明涉及一种输变电工程的建设工期预测方法和装置,属于输变电工程技术领域,解决了现有输变电工程具有进度历史数据应用水平和进度控制信息化水平不足的问题。方法包括:收集多个历史输变电工程的原始数据并对原始数据进行预处理,其中,原始数据包括建设规模参数和基本特征参数;基于原始数据和与原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少原始数据的数量并获取多个历史输变电工程的历史进度数据;以及利用原始数据和与原始数据相对应的建设工期获得神经网络预测模型,并通过神经网络预测模型获取待预测输变电工程的预测建设工期。能够预测输变电工程的建设工期。
Description
技术领域
本发明涉及输变电工程技术领域,尤其涉及一种输变电工程的建设工期预测方法和装置。
背景技术
电网建设作为公司的一项核心业务,是实现电网公司发展目标的重要基础。因此,加强电力基础设施投资保障,加快推进转型发展,对基建控制提出了更高要求。
现有输变电工程具有进度历史数据应用水平和进度控制信息化水平不足的实际问题。在输变电工程进度计划编制、实时跟踪和进度评价过程中,一般利用进度计划控制人员的专家经验进行。在每一项工程进度计划编制完成后需人工进行调节,编制效率较低;进度计划实施过程中控制力度较小,主要原因是信息化手段不足,人工实时跟踪所需要的人力较多,经济性较差;输变电工程实施完成后,进度计划评价工作仅限于计划和实际开工投产时间之间的对比,进度计划评价深度和广度不足。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种输变电工程的建设工期预测方法和装置,用以解决现有输变电工程具有进度历史数据应用水平和进度控制信息化水平不足的问题。
一方面,本发明实施例提供了一种输变电工程的建设工期预测方法,包括:收集多个历史输变电工程的原始数据并对所述原始数据进行预处理,其中,所述原始数据包括建设规模参数和基本特征参数;基于所述原始数据和与所述原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少所述原始数据的数量并获取所述多个历史输变电工程的历史进度数据,其中,所述历史进度数据包括减少的原始数据中的所述建设规模参数、建设工期和重点指标;构建进度统计分析展示平台以展示所述历史进度数据;以及利用所述原始数据和与所述原始数据相对应的建设工期获得神经网络预测模型,并通过所述神经网络预测模型获取待预测输变电工程的预测建设工期。
上述技术方案的有益效果如下:本申请能够解决当前输变电工程进度历史数据应用水平和进度控制信息化水平不足的实际问题。能够预测输变电工程的建设工期,对输变电工程进度计划的全过程高效控制,从而为输变电工程精益化控制提供支撑与参考。
基于上述方法的进一步改进,所述建设规模参数包括建设数量、项目可研估算、项目初设概算、项目竣工结算、线路长度和变电容量;所述基本特征参数包括电压等级、所在地区和是否为智能变电站;以及所述建设工期包括变电土建开始时间、变电土建完成时间、变电安装开始时间、变电安装完成时间、变电调试开始时间和变电调试完成时间。
基于上述方法的进一步改进,所述重点指标包括重点项目、超期项目、开工投产时间、进度控制情况和各节点施工时间占比,其中,所述重点项目包括:不同阶段重点项目数量和重点项目建设规模;所述超期项目包括:不同阶段超期项目数量、超期程度和超期项目建设规模;所述开工投产时间包括:不同地市、不同月份开工项目的数量;所述进度控制情况包括:数量年度计划规模、线路长度年度计划规模、变电容量年度计划规模、数量实时计划规模、线路长度实时计划规模、变电容量实时计划规模、数量实时实际规模、线路长度实时实际规模、变电容量实时实际规模、数量实时完成率、线路长度实时完成率、变电容量实时完成率、平均实时完成率、数量年度完成率、线路长度年度完成率、变电容量年度完成率和平均年度完成率;以及所述各节点施工时间占比包括土建阶段所用时间占比、安装阶段所用时间占比和调试阶段所用时间占比。
基于上述方法的进一步改进,对所述原始数据进行预处理进一步包括:剔除所述原始数据中的不完整数据;将所述原始数据中的定性指标进行量化;以及将所述原始数据进行规范化处理为[0,1]的数值。
基于上述方法的进一步改进,基于所述原始数据和与所述原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少所述原始数据的数量并获取所述多个历史输变电工程的历史进度数据进一步包括:变量x1,x2,…,xp对应于所述原始数据,变量y为所述建设工期,根据n个历史输变电工程的所述原始数据和所述建设工期获得以下n组数据:(yi,xi1,xi2,…,xip),i=1,2,…,n,变量y与x1,x2,…,xp之间的内在联系是线性的并利用以下n个线性方程表示:
y1=b0+b1x11+b2x12+…+bpx1p+ε1,
y2=b0+b1x21+b2x22+…+bpx2p+ε2,
……
yn=b0+b1xn1+b2xn2+…+bpxnp+εn,
其中,b0,b1,b2,…,bp是线性回归模型中的系数,εi表示第i个历史输变电工程的随机因素对yi的影响;将所述n个线性方程表示成以下矩阵形式:
Y=XB+ε,
其中,
Y=(y1,y2,…,yn)T,
B=(b0,b1,…,bp)T,
ε=(ε1,ε2,…,εn)T;
求解系数矩阵B,并将所述系数矩阵B中的系数代入所述n个线性方程以获取所述线性回归模型,其中,当所述系数小于预设阈值时,将与所述系数相对应的原始数据剔除掉,以减少影响所述建设工期的原始数据的数量;以及利用所述主成分分析与所述主因子分析方法再次减少影响所述建设工期的原始数据的数量,以获取减少的原始数据中的建设规模参数;以及基于所述建设工期计算所述重点指标,以获取所述多个历史输变电工程的历史进度数据。
基于上述方法的进一步改进,构建进度统计分析展示平台以展示所述历史进度数据进一步包括:通过复选框形式输入项目属性,其中,所述输入属性包括年份、开工月份、电压等级、建设类型、建设性质和统计类别;基于复选框选定的项目属性,调取所述项目属性对应的建设规模、建设工期和重点指标;其中,所述建设规模以数据表和柱形图形式展示;所述建设工期以圆饼图形式展示;以及所述重点指标以柱形图形式展示。
基于上述方法的进一步改进,利用所述原始数据获得神经网络预测模型进一步包括:构建神经网络,其中,所述神经网络的输入数量对应于所述多个历史输变电工程的原始数据的数量,以及所述神经网络的输出数量对应于所述多个历史输变电工程的建设工期数据的数量;以及基于预处理后的所述原始数据和与所述原始数据相对应的建设工期训练所述神经网络以获得所述神经网络预测模型。
基于上述方法的进一步改进,通过所述神经网络预测模型获取所述待预测输变电工程的预测建设工期进一步包括:将所述待预测输变电工程的建设规模和基本特征参数输入所述预测模型以输出所述待预测输变电工程的预测建设工期;基于专家经验调整所述预测建设工期;以及通过季度建设规模与全年建设规模的比率获得均衡率,所述均衡率作为所述预测建设工期的调整参量。
另一方面,本发明实施例提供了一种输变电工程的建设工期预测装置,包括:数据获取和预处理模块,用于收集多个历史输变电工程的原始数据并对所述原始数据进行预处理,其中,所述原始数据包括建设规模和基本特征参数;线性回归模型,用于利用多元统计回归方法基于所述原始数据和与所述原始数据相对应的建设工期分析计算所述输变电工程的历史进度数据,其中,所述历史进度数据包括所述建设规模、建设工期和重点指标;显示模块,用于构建进度统计分析展示平台以展示所述历史进度数据;以及预测模块,用于利用所述原始数据获得神经网络预测模型,并通过所述预测模型获取所述待预测输变电工程的预测建设工期。
基于上述装置的进一步改进,所述建设规模包括建设数量、项目可研估算、项目初设概算、项目竣工结算、线路长度和变电容量;所述基本特征参数包括电压等级、所在地区和是否智能变电站;所述建设工期包括变电土建开始时间、变电土建完成时间、变电安装开始时间、变电安装完成时间、变电调试开始时间和变电调试完成时间;以及所述重点指标包括重点项目、超期项目、开工投产时间、进度控制情况和各节点施工时间占比,其中,所述重点项目包括:不同阶段重点项目数量和重点项目建设规模;所述超期项目包括:不同阶段超期项目数量、超期程度和超期项目建设规模;所述开工投产时间包括:不同地市、不同月份开工项目的数量;所述进度控制情况包括:数量年度计划规模、线路长度年度计划规模、变电容量年度计划规模、数量实时计划规模、线路长度实时计划规模、变电容量实时计划规模、数量实时实际规模、线路长度实时实际规模、变电容量实时实际规模、数量实时完成率、线路长度实时完成率、变电容量实时完成率、平均实时完成率、数量年度完成率、线路长度年度完成率、变电容量年度完成率和平均年度完成率;以及所述各节点施工时间占比包括土建阶段所用时间占比、安装阶段所用时间占比和调试阶段所用时间占比。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、本申请能够解决当前输变电工程进度历史数据应用水平和进度控制信息化水平不足的实际问题。能够预测输变电工程的建设工期,对输变电工程进度计划的全过程高效控制,从而为输变电工程精益化控制提供支撑与参考;
2、本申请能够避免传统的人为编制输变电工程进度计划的主观性,提高了进度计划编制的效率,通过构建进度历史数据分析展示平台为进度计划控制人员提供决策参考;以及
3、本申请通过构建进度计划自动编制系统降低人工成本,提高工作效率,为进度计划调节提供参考依据。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为根据本发明实施例的输变电工程的建设工期预测方法的流程图。
图2为根据本发明实施例的进度统计分析展示平台的示意图。
图3为根据本发明实施例的神经网络预测模型的结构图。
图4为根据本发明实施例的输变电工程的建设工期预测方法的实现流程图
图5为根据本发明实施例的输变电工程的建设工期预测装置的结构图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种输变电工程的建设工期预测方法。如图1所示,输变电工程的建设工期预测方法包括步骤S102,收集多个历史输变电工程的原始数据并对原始数据进行预处理,其中,原始数据包括建设规模参数和基本特征参数;步骤S104,基于原始数据和与原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少原始数据的数量并获取多个历史输变电工程的历史进度数据,其中,历史进度数据包括建设规模参数、建设工期和重点指标;步骤S106,构建进度统计分析展示平台以展示历史进度数据;以及步骤S108,利用原始数据和与原始数据相对应的建设工期获得神经网络预测模型,并通过神经网络预测模型获取待预测输变电工程的预测建设工期。
与现有技术相比,本申请能够解决当前输变电工程进度历史数据应用水平和进度控制信息化水平不足的实际问题。能够预测输变电工程的建设工期,对输变电工程进度计划的全过程高效控制,从而为输变电工程精益化控制提供支撑与参考。
下文中,将参考图1至图3,对输变电工程的建设工期预测方法进行详细描述。
参考图1,步骤S102,收集多个历史输变电工程的原始数据并对原始数据进行预处理,其中,原始数据包括建设规模参数和基本特征参数。在实施例中,建设规模参数包括建设数量、项目可研估算、项目初设概算、项目竣工结算、线路长度和变电容量;基本特征参数包括电压等级、所在地区和是否为智能变电站。可研估算是指对拟建项目固定资产投资资金、流动资金和项目建设期贷款利息的估算总和。初设概算是指在初步设计阶段,在可研估算的控制下,由设计单位根据初步设计或扩大初步设计图纸及说明、概算定额或概算指标、综合预算定额、取费标准、设备材料预算价格等资料,编制确定的建设项目从筹建至竣工交付生产或使用所需的全部费用。竣工结算是建设单位与施工单位之间办理工程价款结算的一种方法,是指工程项目竣工以后甲乙双方对该工程发生的应付、应收款项作最后清理结算的总和。线路长度与建设工期成正比,例如,线路长度长会延长建设工期,而线路长度短会缩短建设工期。建设工期是以时间段表示的,单位是“天”。进行训练的建设工期是施工工期,是时间段,例如建设工期为300天时,直接表示为300。例如,所在地区的降雨量大会延长建设工期等。例如,是否是智能变电站对工作环境需求不同,对变电土建的要求不同进而会影响变电土建开始时间、变电土建完成时间;进而会影响变电安装开始时间、变电安装完成时间、变电调试开始时间和变电调试完成时间。建设工期包括变电土建开始时间、变电土建完成时间、变电安装开始时间、变电安装完成时间、变电调试开始时间和变电调试完成时间。对原始数据进行预处理进一步包括:剔除原始数据中的不完整数据;将原始数据中的定性指标进行量化;以及将原始数据进行规范化处理为[0,1]的数值。将是否是智能变电站根据专家经验进行量化,当智能变电站对建设工期影响程度,可以将该定性指标量化为0.6、0.8、0.9或1等。
在对原始数据进行预处理之后,进入步骤S104,基于原始数据和与原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少原始数据的数量并获取多个历史输变电工程的历史进度数据,其中,历史进度数据包括减少的原始数据中的建设规模参数、建设工期和重点指标。重点指标包括重点项目、超期项目、开工投产时间、进度控制情况和各节点施工时间占比,其中,重点项目包括:不同阶段重点项目数量和重点项目建设规模;超期项目包括:不同阶段超期项目数量、超期程度和超期项目建设规模;开工投产时间包括:不同地市、不同月份开工项目的数量;进度控制情况包括:数量年度计划规模、线路长度年度计划规模、变电容量年度计划规模、数量实时计划规模、线路长度实时计划规模、变电容量实时计划规模、数量实时实际规模、线路长度实时实际规模、变电容量实时实际规模、数量实时完成率、线路长度实时完成率、变电容量实时完成率、平均实时完成率、数量年度完成率、线路长度年度完成率、变电容量年度完成率和平均年度完成率;以及各节点施工时间占比包括土建阶段所用时间占比、安装阶段所用时间占比和调试阶段所用时间占比。
在实施例中,基于原始数据和与原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少原始数据的数量并获取多个历史输变电工程的历史进度数据进一步包括:变量x1,x2,…,xp对应于原始数据,变量y为建设工期,根据n个历史输变电工程的原始数据和建设工期获得以下n组数据:
(yi,xi1,xi2,…,xip),i=1,2,…,n,
变量y与x1,x2,…,xp之间的内在联系是线性的并利用以下n个线性方程表示:
y1=b0+b1x11+b2x12+…+bpx1p+ε1,
y2=b0+b1x21+b2x22+…+bpx2p+ε2,
……
yn=b0+b1xn1+b2xn2+…+bpxnp+εn,
其中,b0,b1,b2,…,bp是线性回归模型中的系数,εi表示第i个历史输变电工程的随机因素对yi的影响;将n个线性方程表示成以下矩阵形式:
Y=XB+ε,
其中,
Y=(y1,y2,…,yn)T,
B=(b0,b1,…,bp)T,
ε=(ε1,ε2,…,εn)T;
求解系数矩阵B,将系数矩阵B代入n个线性方程以获取线性回归模型,其中,当系数小于预设阈值时,将与系数相对应的原始数据剔除掉,以减少影响建设工期的原始数据的数量。具体地分析过程如下:当系数矩阵中的任一系数小于预先设定的系数阈值时,则表明与该系数相对应的原始数据对工程工期的影响小,可以将该原始数据剔除掉,其中,根据需求设置系数阈值为0.6、0.7或0.8。因此减少了影响建设工期的原始数据的数量(将p个原始数据减少至q个原始数据),即,将p维样本集降维至q维样本集。
利用主成分分析与主因子分析方法再次减少影响建设工期的原始数据的数量,以获取减少的原始数据中的建设规模参数。具体地,将q维样本集(即,原始数据)D=(x1,x2,…,xq)通过主成分分析降维到n'(即,进一步减少影响建设工期的原始数据的数量)的具体流程为:
2)计算样本的协方差矩阵XXT;
3)对矩阵XXT进行特征值分解;
4)取出最大的n'个特征值对应的特征向量(w1,w2,…,wn'),将所有的特征向量标准化后,组成特征向量矩阵W;
5)对样本集中的每一个样本xi转化为新的样本zi=WTxi;
6)得到输出样本集D'=(z1,z2,…,zn′)。
应用因子分析法的主要步骤如下:
1)对数据样本D'进行标准化处理;
2)计算样本的相关矩阵R;
3)求相关矩阵R的特征值和特征向量;
4)根据系统要求的累积贡献率确定主因子的个数;
5)计算因子载荷矩阵A;
6)确定因子模型;
7)根据上述计算结果,对减少的系统主因子(减少的原始数据,即,减少的建设规模和基本特征参数)进行分析,以确定影响建设工期的原始数据。
基于建设工期计算重点指标,以获取多个历史输变电工程的历史进度数据。具体地,历史建设工期是已知的,基于已知的建设工期计算重要指标。因此,历史进度数据包括:减少的原始数据中的建设规模参数(其中,减少的原始数据包括减少的建设规模参数和/或减少的基本特征参数)、已知的建设工期以及计算所获得的重点指标。
与现有技术相比,本申请通过多元统计回归方法以及主成分分析与主因子分析方法能够两次减少影响建设工期的原始数据的数量,以能够通过充分考虑到对建设工期影响大的原始数据,从而剔除对建设工期影响小的原始数据,进而降低了提高了工作效率,以在进度统计分析展示平台展示有效的历史进度数据。
在分析计算多个历史输变电工程的历史进度数据之后,进入步骤S106,构建进度统计分析展示平台以展示历史进度数据。构建进度统计分析展示平台以展示历史进度数据进一步包括:通过复选框形式输入项目属性,其中,输入属性包括年份、开工月份、电压等级、建设类型、建设性质和统计类别。基于复选框选定的项目属性,调取项目属性对应的建设规模、建设工期和重点指标。参考图2,建设规模以数据表和柱形图形式展示;建设工期以圆饼图形式展示;以及重点指标以柱形图形式展示。
在展示历史进度数据之后,进入步骤S108,利用原始数据和与原始数据相对应的建设工期获得神经网络预测模型,并通过神经网络预测模型获取待预测输变电工程的预测建设工期。利用原始数据获得神经网络预测模型进一步包括:构建神经网络,其中,参考图3,神经网络的输入数量对应于多个历史输变电工程的原始数据的数量,以及神经网络的输出数量对应于多个历史输变电工程的建设工期数据的数量;以及基于预处理后的原始数据和与原始数据相对应的建设工期训练神经网络以获得神经网络预测模型。通过神经网络预测模型获取待预测输变电工程的预测建设工期进一步包括:将待预测输变电工程的建设规模和基本特征参数输入预测模型以输出待预测输变电工程的预测建设工期;基于专家经验调整预测建设工期;以及通过季度建设规模与全年建设规模的比率获得均衡率,均衡率作为预测建设工期的调整参量。
下文中,参考图4,以具体实例的方式对输变电工程的建设工期预测方法进行详细描述。
参考图4,输变电工程进度计划预警监控方法包括以下步骤:步骤S1.对收集的输变电工程进度原始数据进行处理与完善,充分发挥输变电工程进度历史数据价值,加强数字资产控制。对收集的输变电工程进度原始数据进行处理与完善,充分发挥输变电工程进度历史数据价值,加强数字资产控制。遵循大数据原理收集整理海量输变电工程建设进度数据,以之作为进度计划控制系统开发的基础,数据量能够保证进度计划控制系统与实际情况的贴合度,从而更具有实际应用价值。
步骤S2.运用多元统计回归方法从建设规模、建设工期和重点指标三个维度分析计算输变电工程历史进度数据,针对不同分析维度构建分析指标体系。运用多元统计回归分析方法保证建设规模、建设工期和重点指标的科学性,从多维角度分析计算建设进度数据,作为统计分析平台构建的基础。运用多元统计回归方法从建设规模、建设工期和重点指标三个维度分析计算输变电工程历史进度数据,针对不同分析维度构建分析指标体系。运用多元统计回归分析方法保证建设规模、建设工期和重点指标的科学性,从多维角度分析计算建设进度数据,作为统计分析平台构建的基础。
例如,相关变量之间的关系可以是线性的,也可以是非线性的。在多元线性回归场景下,设x1,x2,…,xp(其对应于原始数据)是p个可以精确测量或可控制的变量,如果变量y(中间变量)与x1,x2,…,xp之间的内在联系是线性的,则n个历史输变电工程可得n组数据:
(yi,xi1,xi2,…,xip),i=1,2,…,n,
它们之间的关系可表示为:
y1=b0+b1x11+b2x12+…+bpx1p+ε1,
y1=b0+b1x21+b2x22+…+bpx2p+ε2,
……
yn=b0+b1xn1+b2xn2+…+bpxnp+εn,
其中,b0,b1,b2,…,bp是p+1个待估参数(b0,b1,b2,…,bp是线性回归模型中的系数),εi表示第i次试验中的随机因素对yi的影响(随机误差)。为简便起见,将此n个方程表示成矩阵形式:
Y=XB+ε,
其中,
Y=(y1,y2,…,yn)T,
B=(b0,b1,…,bp)T,
ε=(ε1,ε2,…,εn)T。
步骤S3.基于历史进度数据构建进度统计分析展示平台,采用数据表与图形结合的方式更加直观地展示历史进度数据,提供一种简洁的平台架构。基于历史进度数据构建进度统计分析展示平台,采用数据表与图形结合的方式更加直观地展示历史进度数据,提供一种简洁的平台架构。基于历史进度数据构建进度统计分析展示平台,在项目属性选择采用复选框形式,项目规模采用数据表和柱形图联合展示形式,项目属性包括年份、开工月份、电压等级、建设类型、建设性质、统计类别,项目规模包括建设数量、项目可研估算、项目初设概算、项目竣工结算、线路长度、变电容量,项目工期指标包括项目平均工期、项目前期平均工期、建设施工平均工期,重点指标统计分析包括重点项目、超期项目、开工投产时间、进度控制情况、各节点施工时间占比五个维度。
步骤S4.在历史进度经验数据基础上结合神经网络等智能预测算法实现进度计划自动编制,基于均衡率等重点指标提出合理的进度计划调节建议,能够为输变电工程进度计划编制、实施和调节提供一定的支撑和参考。在历史进度经验数据基础上结合神经网络等智能预测算法实现进度计划自动编制,基于均衡率等重点指标提出合理的进度计划调节建议,能够为输变电工程进度计划编制、实施和调节提供一定的支撑和参考。通过专家经验调查建立了输变电工程影响因子与工期之间的关联关系,通过神经网络、最小二乘支持向量机等预测方法实现输变电工程工期的智能预测,专家经验和智能预测算法结合实现输变电工程工期的自动编制。
本发明有益效果如下:
本发明实施例提供一种输变电工程的建设工期预测方法的实现方法。通过该方法的实现,能够解决当前输变电工程进度历史数据应用水平和进度控制信息化水平不足的实际问题,实现对输变电工程进度计划的全过程高效控制,从而为输变电工程精益化控制提供支撑与参考。本发明避免了传统的人为编制输变电工程进度计划的主观性,提高了进度计划编制的效率,通过构建进度历史数据分析展示平台为进度计划控制人员提供决策参考,通过构建进度计划自动编制系统降低人工成本,提高工作效率,为进度计划调节提供参考依据。
本发明的另一个具体实施例,公开了一种输变电工程的建设工期预测装置。如图5所示,输变电工程的建设工期预测装置包括:数据获取和预处理模块502,用于收集多个历史输变电工程的原始数据并对原始数据进行预处理,其中,原始数据包括建设规模和基本特征参数;线性回归模型504,用于利用多元统计回归方法基于原始数据和与原始数据相对应的建设工期分析计算输变电工程的历史进度数据,其中,历史进度数据包括建设规模、建设工期和重点指标;显示模块506,用于构建进度统计分析展示平台以展示历史进度数据;以及预测模块508,用于利用原始数据获得神经网络预测模型,并通过预测模型获取待预测输变电工程的预测建设工期。
在实施例中,建设规模包括建设数量、项目可研估算、项目初设概算、项目竣工结算、线路长度和变电容量。基本特征参数包括电压等级、所在地区和是否智能变电站。建设工期包括变电土建开始时间、变电土建完成时间、变电安装开始时间、变电安装完成时间、变电调试开始时间和变电调试完成时间。重点指标包括重点项目、超期项目、开工投产时间、进度控制情况和各节点施工时间占比,其中,重点项目包括:不同阶段重点项目数量和重点项目建设规模;超期项目包括:不同阶段超期项目数量、超期程度和超期项目建设规模;开工投产时间包括:不同地市、不同月份开工项目的数量;进度控制情况包括:数量年度计划规模、线路长度年度计划规模、变电容量年度计划规模、数量实时计划规模、线路长度实时计划规模、变电容量实时计划规模、数量实时实际规模、线路长度实时实际规模、变电容量实时实际规模、数量实时完成率、线路长度实时完成率、变电容量实时完成率、平均实时完成率、数量年度完成率、线路长度年度完成率、变电容量年度完成率和平均年度完成率;以及各节点施工时间占比包括土建阶段所用时间占比、安装阶段所用时间占比和调试阶段所用时间占比。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、本申请能够解决当前输变电工程进度历史数据应用水平和进度控制信息化水平不足的实际问题。能够预测输变电工程的建设工期,对输变电工程进度计划的全过程高效控制,从而为输变电工程精益化控制提供支撑与参考;
2、本申请能够避免传统的人为编制输变电工程进度计划的主观性,提高了进度计划编制的效率,通过构建进度历史数据分析展示平台为进度计划控制人员提供决策参考;以及
3、本申请通过构建进度计划自动编制系统降低人工成本,提高工作效率,为进度计划调节提供参考依据。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种输变电工程的建设工期预测方法,其特征在于,包括:
收集多个历史输变电工程的原始数据并对所述原始数据进行预处理,其中,所述原始数据包括建设规模参数和基本特征参数;
基于所述原始数据和与所述原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少所述原始数据的数量并获取多个历史输变电工程的历史进度数据,其中,所述历史进度数据包括所述减少的原始数据中的建设规模参数、建设工期和重点指标;
构建进度统计分析展示平台以展示所述历史进度数据;以及
利用所述原始数据和与所述原始数据相对应的建设工期获得神经网络预测模型,并通过所述神经网络预测模型获取待预测输变电工程的预测建设工期,其中,基于所述原始数据和与所述原始数据相对应的建设工期利用多元统计回归方法进行分析计算以及利用主成分分析与主因子分析方法,以减少所述原始数据的数量并获取多个历史输变电工程的历史进度数据进一步包括:
变量x1,x2,…,xp对应于所述原始数据,变量y为所述建设工期,根据n个历史输变电工程的所述原始数据和所述建设工期获得以下n组数据:
(yi,xi1,xi2,…,xip),i=1,2,…,n,
变量y与x1,x2,…,xp之间的内在联系是线性的并利用以下n个线性方程表示:
y1=b0+b1x11+b2x12+…+bpx1p+ε1,
y2=b0+b1x21+b2x22+…+bpx2p+ε2,
……
yn=b0+b1xn1+b2xn2+…+bpxnp+εn,
其中,b0,b1,b2,…,bp是线性回归模型中的系数,εi表示第i个历史输变电工程的随机因素对yi的影响;
将所述n个线性方程表示成以下矩阵形式:
Y=XB+ε,
其中,
Y=(y1,y2,…,yn)T,
B=(b0,b1,…,bp)T,
ε=(ε1,ε2,…,εn)T;
求解系数矩阵B,并将所述系数矩阵B中的系数代入所述n个线性方程以获取所述线性回归模型,其中,当所述系数小于预设阈值时,将与所述系数相对应的原始数据剔除掉,以减少影响所述建设工期的原始数据的数量;以及
基于所述建设工期计算所述重点指标,以获取所述多个历史输变电工程的历史进度数据;
其中,利用所述主成分分析与所述主因子分析方法再次减少影响所述建设工期的原始数据的数量,以获取减少的原始数据中的建设规模参数,其中,将q维样本集D=(x1,x2,…,xq)通过主成分分析降维到n'的具体流程为:
2)计算样本的协方差矩阵XXT;
3)对所述协方差矩阵XXT进行特征值分解;
4)取出最大的n'个特征值对应的特征向量(w1,w2,…,wn'),将所有的特征向量标准化后,组成特征向量矩阵W;
5)对样本集中的每一个样本xi转化为新的样本zi=WTxi;
6)得到输出样本集D'=(z1,z2,…,zn′);以及
应用所述主因子分析方法的主要步骤如下:
1)对所述输出样本集D'进行标准化处理;
2)计算样本的相关矩阵R;
3)求所述相关矩阵R的特征值和特征向量;
4)根据系统要求的累积贡献率确定主因子的个数;
5)计算因子载荷矩阵A;
6)确定因子模型;
7)根据计算结果,对减少的系统主因子进行分析,以确定影响建设工期的原始数据。
2.根据权利要求1所述的输变电工程的建设工期预测方法,其特征在于,
所述建设规模参数包括建设数量、项目可研估算、项目初设概算、项目竣工结算、线路长度和变电容量;
所述基本特征参数包括电压等级、所在地区和是否为智能变电站;以及
所述建设工期包括变电土建开始时间、变电土建完成时间、变电安装开始时间、变电安装完成时间、变电调试开始时间和变电调试完成时间。
3.根据权利要求2所述的输变电工程的建设工期预测方法,其特征在于,所述重点指标包括重点项目、超期项目、开工投产时间、进度控制情况和各节点施工时间占比,其中,
所述重点项目包括:不同阶段重点项目数量和重点项目建设规模;
所述超期项目包括:不同阶段超期项目数量、超期程度和超期项目建设规模;
所述开工投产时间包括:不同地市、不同月份开工项目的数量;
所述进度控制情况包括:数量年度计划规模、线路长度年度计划规模、变电容量年度计划规模、数量实时计划规模、线路长度实时计划规模、变电容量实时计划规模、数量实时实际规模、线路长度实时实际规模、变电容量实时实际规模、数量实时完成率、线路长度实时完成率、变电容量实时完成率、平均实时完成率、数量年度完成率、线路长度年度完成率、变电容量年度完成率和平均年度完成率;以及
所述各节点施工时间占比包括土建阶段所用时间占比、安装阶段所用时间占比和调试阶段所用时间占比。
4.根据权利要求2所述的输变电工程的建设工期预测方法,其特征在于,对所述原始数据进行预处理进一步包括:
剔除所述原始数据中的不完整数据;
将所述原始数据中的定性指标进行量化;以及
将所述原始数据进行规范化处理为[0,1]的数值。
5.根据权利要求3所述的输变电工程的建设工期预测方法,其特征在于,构建进度统计分析展示平台以展示所述历史进度数据进一步包括:
通过复选框形式输入项目属性,其中,所述项目属性包括年份、开工月份、电压等级、建设类型、建设性质和统计类别;
基于复选框选定的项目属性,调取所述项目属性对应的建设规模、建设工期和重点指标;其中,
所述建设规模以数据表和柱形图形式展示;
所述建设工期以圆饼图形式展示;以及
所述重点指标以柱形图形式展示。
6.根据权利要求3所述的输变电工程的建设工期预测方法,其特征在于,利用所述原始数据获得神经网络预测模型进一步包括:
构建神经网络,其中,所述神经网络的输入数量对应于所述多个历史输变电工程的原始数据的数量,以及所述神经网络的输出数量对应于所述多个历史输变电工程的建设工期数据的数量;以及
基于预处理后的所述原始数据和与所述原始数据相对应的建设工期训练所述神经网络以获得所述神经网络预测模型。
7.根据权利要求6所述的输变电工程的建设工期预测方法,其特征在于,通过所述神经网络预测模型获取待预测输变电工程的预测建设工期进一步包括:
将所述待预测输变电工程的建设规模参数和基本特征参数输入所述神经网络预测模型以输出所述待预测输变电工程的预测建设工期;
基于专家经验调整所述预测建设工期;以及
通过季度建设规模与全年建设规模的比率获得均衡率,所述均衡率作为所述预测建设工期的调整参量。
8.一种输变电工程的建设工期预测装置,其特征在于,包括:
数据获取和预处理模块,用于收集多个历史输变电工程的原始数据并对所述原始数据进行预处理,其中,所述原始数据包括建设规模和基本特征参数;
线性回归模型,用于利用多元统计回归方法基于所述原始数据和与所述原始数据相对应的建设工期进行分析计算以及利用主成分分析与主因子分析方法,以减少所述原始数据的数量并获取多个历史输变电工程的历史进度数据,其中,所述历史进度数据包括建设规模参数、建设工期和重点指标,其中,所述线性回归模型用于:
变量x1,x2,…,xp对应于所述原始数据,变量y为所述建设工期,根据n个历史输变电工程的所述原始数据和所述建设工期获得以下n组数据:
(yi,xi1,xi2,…,xip),i=1,2,…,n,
变量y与x1,x2,…,xp之间的内在联系是线性的并利用以下n个线性方程表示:
y1=b0+b1x11+b2x12+…+bpx1p+ε1,
y2=b0+b1x21+b2x22+…+bpx2p+ε2,
……
yn=b0+b1xn1+b2xn2+…+bpxnp+εn,
其中,b0,b1,b2,…,bp是线性回归模型中的系数,εi表示第i个历史输变电工程的随机因素对yi的影响;
将所述n个线性方程表示成以下矩阵形式:
Y=XB+ε,
其中,
Y=(y1,y2,…,yn)T,
B=(b0,b1,…,bp)T,
ε=(ε1,ε2,…,εn)T;
求解系数矩阵B,并将所述系数矩阵B中的系数代入所述n个线性方程以获取所述线性回归模型,其中,当所述系数小于预设阈值时,将与所述系数相对应的原始数据剔除掉,以减少影响所述建设工期的原始数据的数量;以及
基于所述建设工期计算所述重点指标,以获取所述多个历史输变电工程的历史进度数据;
其中,利用所述主成分分析与所述主因子分析方法再次减少影响所述建设工期的原始数据的数量,以获取减少的原始数据中的建设规模参数,其中,将q维样本集D=(x1,x2,…,xq)通过主成分分析降维到n'的具体流程为:
2)计算样本的协方差矩阵XXT;
3)对所述协方差矩阵XXT进行特征值分解;
4)取出最大的n'个特征值对应的特征向量(w1,w2,…,wn'),将所有的特征向量标准化后,组成特征向量矩阵W;
5)对样本集中的每一个样本xi转化为新的样本zi=WTxi;
6)得到输出样本集D'=(z1,z2,…,zn′);以及
应用所述主因子分析方法的主要步骤如下:
1)对所述输出样本集D'进行标准化处理;
2)计算样本的相关矩阵R;
3)求所述相关矩阵R的特征值和特征向量;
4)根据系统要求的累积贡献率确定主因子的个数;
5)计算因子载荷矩阵A;
6)确定因子模型;
7)根据计算结果,对减少的系统主因子进行分析,以确定影响建设工期的原始数据;
显示模块,用于构建进度统计分析展示平台以展示所述历史进度数据;以及
预测模块,用于利用所述原始数据获得神经网络预测模型,并通过所述预测模型获取待预测输变电工程的预测建设工期。
9.根据权利要求8所述的输变电工程的建设工期预测装置,其特征在于,
所述建设规模包括建设数量、项目可研估算、项目初设概算、项目竣工结算、线路长度和变电容量;
所述基本特征参数包括电压等级、所在地区和是否智能变电站;
所述建设工期包括变电土建开始时间、变电土建完成时间、变电安装开始时间、变电安装完成时间、变电调试开始时间和变电调试完成时间;以及
所述重点指标包括重点项目、超期项目、开工投产时间、进度控制情况和各节点施工时间占比,其中,
所述重点项目包括:不同阶段重点项目数量和重点项目建设规模;
所述超期项目包括:不同阶段超期项目数量、超期程度和超期项目建设规模;
所述开工投产时间包括:不同地市、不同月份开工项目的数量;
所述进度控制情况包括:数量年度计划规模、线路长度年度计划规模、变电容量年度计划规模、数量实时计划规模、线路长度实时计划规模、变电容量实时计划规模、数量实时实际规模、线路长度实时实际规模、变电容量实时实际规模、数量实时完成率、线路长度实时完成率、变电容量实时完成率、平均实时完成率、数量年度完成率、线路长度年度完成率、变电容量年度完成率和平均年度完成率;以及
所述各节点施工时间占比包括土建阶段所用时间占比、安装阶段所用时间占比和调试阶段所用时间占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241750.XA CN112446534B (zh) | 2020-11-09 | 2020-11-09 | 一种输变电工程的建设工期预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241750.XA CN112446534B (zh) | 2020-11-09 | 2020-11-09 | 一种输变电工程的建设工期预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446534A CN112446534A (zh) | 2021-03-05 |
CN112446534B true CN112446534B (zh) | 2022-06-17 |
Family
ID=74736754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011241750.XA Active CN112446534B (zh) | 2020-11-09 | 2020-11-09 | 一种输变电工程的建设工期预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446534B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128125B (zh) * | 2021-04-23 | 2023-04-07 | 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 |
CN113762589A (zh) * | 2021-07-16 | 2021-12-07 | 国家电网有限公司 | 一种输变电工程变更预测系统及方法 |
CN113807613A (zh) * | 2021-10-13 | 2021-12-17 | 国网安徽省电力有限公司 | 一种电网工程全周期预算优化配置工具 |
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 |
CN116703657B (zh) * | 2023-08-08 | 2023-11-03 | 克拉玛依市鼎泰建设(集团)有限公司 | 一种基于bim模型的房建工程施工管理系统 |
CN116934274A (zh) * | 2023-09-14 | 2023-10-24 | 济南科金信息技术有限公司 | 一种基于人工智能的工程进度管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105987966A (zh) * | 2015-02-12 | 2016-10-05 | 江苏康缘药业股份有限公司 | 基于谱效关系的广东紫珠质量控制方法及其模型建立方法 |
CN108491991A (zh) * | 2018-01-30 | 2018-09-04 | 西安电子科技大学 | 基于工业大数据产品工期的约束条件分析系统与方法 |
CN110992113A (zh) * | 2019-12-23 | 2020-04-10 | 国网湖北省电力有限公司 | 基于神经网络智能算法的基建变电站项目造价预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930931A (zh) * | 2016-04-22 | 2016-09-07 | 国网浙江省电力公司经济技术研究院 | 一种电力工程造价的管理方法 |
-
2020
- 2020-11-09 CN CN202011241750.XA patent/CN112446534B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105987966A (zh) * | 2015-02-12 | 2016-10-05 | 江苏康缘药业股份有限公司 | 基于谱效关系的广东紫珠质量控制方法及其模型建立方法 |
CN108491991A (zh) * | 2018-01-30 | 2018-09-04 | 西安电子科技大学 | 基于工业大数据产品工期的约束条件分析系统与方法 |
CN110992113A (zh) * | 2019-12-23 | 2020-04-10 | 国网湖北省电力有限公司 | 基于神经网络智能算法的基建变电站项目造价预测方法 |
Non-Patent Citations (4)
Title |
---|
Making Each Workhour Count: Improving the Prediction of Construction Durations and Resource Allocations;Martin Fischer et al;《Springer Link》;20180519;第273-295页 * |
基于DBN-DNN的离散制造车间订单完工期预测方法;刘道元 等;《计算机集成制造系统》;20200930;第26卷(第9期);第2245-2451页 * |
基于PCA-GA-BP的工程项目工期风险预测研究;周方明 等;《工程管理学报》;20111015;第25卷(第5期);第534-538页 * |
基于主成分分析的抽蓄电站引水斜洞开挖工期预测模型;杨建州 等;《水电与新能源》;20170630(第6期);第3-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112446534A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446534B (zh) | 一种输变电工程的建设工期预测方法和装置 | |
KR100913125B1 (ko) | 패턴분석을 이용한 전력 수요정보분석 시스템 및 그 방법 | |
CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
Berg et al. | Point and density forecasts for the euro area using Bayesian VARs | |
CN112085256B (zh) | 考虑负荷跃变的全周期负荷预测方法 | |
CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
CN111126696A (zh) | 一种计及多影响因素的电量预测方法 | |
CN110807490A (zh) | 一种基于单基塔的输电线路工程造价智能预测方法 | |
CN112712240A (zh) | 一种台区线损成因分析方法及装置 | |
Davison et al. | Tail risk inference via expectiles in heavy-tailed time series | |
Ravanshad et al. | Application of the two-stage DEA model for evaluating the efficiency and investigating the relationship between managerial ability and firm performance | |
CN111460378A (zh) | 一种考虑风险测度的配电网精准投资项目优选方法 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN114298538A (zh) | 电网零购项目的投资方案评估方法、系统及存储介质 | |
CN111612356A (zh) | 一种工程质量保险风险管理效果和方案分析方法及系统 | |
CN114004530B (zh) | 基于排序支撑向量机的企业电力信用分建模方法及系统 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
Li | Prediction of house price index based on machine learning methods | |
Foroni et al. | Forecasting daily electricity prices with monthly macroeconomic variables | |
Christoffel et al. | Conditional versus unconditional forecasting with the new area-wide model of the euro area | |
CN111797924B (zh) | 一种基于聚类算法的三维度园区画像方法及系统 | |
CN114647947A (zh) | 单位造价预测方法、装置、电子设备及计算机可读存储介质 | |
CN114066004A (zh) | 一种基于电力大数据的gdp现时预测方法 | |
CN106651462A (zh) | 一种二手设备的估价方法 | |
CN113011779A (zh) | 一种基于模糊综合评价的能源消费价格补偿方法及装置 |
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 |