CN112541631A - 变电站工程的费用预测方法 - Google Patents
变电站工程的费用预测方法 Download PDFInfo
- Publication number
- CN112541631A CN112541631A CN202011458398.5A CN202011458398A CN112541631A CN 112541631 A CN112541631 A CN 112541631A CN 202011458398 A CN202011458398 A CN 202011458398A CN 112541631 A CN112541631 A CN 112541631A
- Authority
- CN
- China
- Prior art keywords
- cost
- engineering
- project
- layer
- construction
- 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 32
- 238000010276 construction Methods 0.000 claims abstract description 77
- 238000009434 installation Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 18
- 238000009826 distribution Methods 0.000 description 17
- 238000000556 factor analysis Methods 0.000 description 15
- 238000012216 screening Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000007728 cost analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000009467 reduction 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
- 238000007418 data mining Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变电站工程的费用预测方法，其特征在于：包括以下步骤：识别影响各个变电站工程项目费用的主要因素，得到建筑工程费用细分项目、安装工程费用细分项目和设备工程费用细分项目与影响因素的对应关系；收集变电站工程信息并进行预处理；分别识别建筑工程费用、安装工程费用、设备工程费用的影响因素，建立各影响因素变量同建筑工程费之间的线性回归关系；然后根据软件筛选出来的分析结果对输入的影响因素变量进行精简，并最终确定不可替代的影响因素变量输入值；将最终确定的不可替代的影响因素变量输入值带入神经网络预测模型，得到预测结果。
Description
技术领域
本发明属于变电站施工技术领域，具体涉及一种变电站工程的费用预测方法。
背景技术
输变电工程项目建设中，工程造价的管理和控制的对整个工程管理的影响举足轻重。分析造价的水平、结构变动、影响因素和发展趋势，实现对造价的有效控制，对合理核定输电成本、提高电网投资效益、加强项目投资管理意义十分重大。然而，由于输变电工程造价的影响因素多，工程施工环境复杂，线路工程施工水平参差不齐等因素导致可类比的相同电压等级下的输变电工程造价经常存在较大的差异，致使对于某一工程而言，可参考的可类比输变电工程造价样本量较少，造价工程的相关审核人员很难根据经验和常规统计估算模型对工程造价进行审核估算。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种变电站工程的费用预测方法。
本发明采用的技术方案是：一种变电站工程的费用预测方法，其特征在于：包括以下步骤：
A.识别影响各个变电站工程项目费用的主要因素，得到建筑工程费用细分项目、安装工程费用细分项目和设备工程费用细分项目与影响因素的对应关系；
B.收集变电站工程信息并进行预处理；
C.分别识别建筑工程费用、安装工程费用、设备工程费用的影响因素，建立各影响因素变量同建筑工程费之间的线性回归关系；然后根据软件筛选出来的分析结果对输入的影响因素变量进行精简，并最终确定不可替代的影响因素变量输入值；
D.将最终确定的建筑工程费用的不可替代的影响因素变量输入值带入建筑工程费用的神经网络预测模型，得到建筑工程费的预测结果；
将最终确定的安装工程费用的不可替代的影响因素变量输入值带入安装工程费用的神经网络预测模型，得到安装工程费的预测结果；
将最终确定的设备工程费用的不可替代的影响因素变量输入值带入设备工程费用的神经网络预测模型，得到设备工程费的预测结果；
E.通过建筑工程费、安装工程费和设备工程费的预测结果生成本体费用，结合本体费用预测其他费用；人工输入建场费；将本体费用、其他费用和建场费相加获得静态投资预测费用。
其中，其他费用包括施工相关的措施费以及税费，通过人工经验赋予一个系数，由本体费用乘以系数获得其他费用的预测值。
上述技术方案中，所述步骤B具体包括以下步骤：剔除重复信息，保留全站征地面积与全站及主控楼建筑面积，删除远期台数；电缆又分为控制电缆、1kV及以下电力电缆、光缆，分别以电力电缆和控制电缆总量作为因素，而不再细分；统一量纲；对定性指标进行量化处理，所述定性指标包括“所属地区”“地形地貌”、“变电站型式”。
上述技术方案中，所述步骤C具体包括以下步骤：将各工程费用的影响因素变量分别导入多元线性回归模型，挑选出所有可能的相关性因素；依据“调整后R方”与“KMO”数值进行优劣评估，通过不断删去“显著性”数值最大的影响因素变量来提高“调整后R方”与“KMO”数值，直至这两个数值不再明显变化；找出遗漏的关键性影响因素变量，逐个添加未加入的影响因素变量，保留其中增加或不影响“调整后R方”与“KMO”数值的影响因素变量。
上述技术方案中，所述神经网络预测模型的构建步骤如下：收集历史工程数据并进行预处理；设计网络结构并设定超参数和权重系数；利用历史工程数据进行网络训练获得神经网络预测模型。
上述技术方案中，通过建筑工程费用的影响因素变量作为输入量，构建建筑工程费用的神经网络预测模型，其中模型搭建含1层输入层、1层输出层、9层隐含层的神经网络，隐藏层每层神经元个数分别为16、8、4、8、4、8、4、8、4；采用RELU函数；训练轮数10000轮，学习率使用0.01。
上述技术方案中，通过安装工程费用的影响因素变量作为输入量，构建安装工程费用的神经网络预测模型，其中模型搭建含1层输入层、1层输出层、9层隐含层的神经网络，隐藏层每层神经元个数分别为16、8、4、8、4、8、4、8、4；采用RELU函数；训练轮数10000轮，学习率使用0.01。
上述技术方案中，通过设备工程费用的影响因素变量作为输入量，构建设备工程费用的神经网络预测模型；其中模型搭建含1层输入层、1层输出层、9层隐含层的神经网络，隐藏层每层神经元个数分别为16、8、4、8、4、8、4、8、4；采用RELU函数；训练轮数10000轮，学习率使用0.01
本发明的有益效果是：本发明用线性回归模型和因子分析理论对分项费用预测模型的因素进行了筛选，筛除影响因子较小、权重系数不显著的因素。对于新建变电站而言，构建了影响建筑工程费、安装工程费、设备购置费、其他费用四项分项费用的关键影响因素。本发明运用优化后的神经网络智能预测模型，将变电工程投资预测模型由对静态费用预测分成对建筑工程费、安装工程费、设备费和其他费用进行预测模型构建。汇总对分项费用的预测模型，最终建立起对变电工程的静态投资预测模型，满足造价预测维度细化的需求。本发明对优化后的神经网络智能预测模型进行模型的验证，对于新建变电的各分项费用的预测模型具有一定的预测能力，预测的结果较为准确。可实现辅助在项目前端投资计划编制中的投资预测工作。
附图说明
图1为本发明的流程示意图；
图2为变电站建筑工程费用划分示意图；
图3为变电站安装工程费及设备工程费划分示意图；
图4为建筑工程作为因变量的正态P-P图；
图5为设备价值作为因变量的正态P-P图；
图6为安装工程作为因变量的正态P-P图。
图7为安装工程预测神经网络拓扑结构；
图8为设备价值预测神经网络拓扑结构；
图9为建筑工程预测神经网络拓扑结构；
图10为装工程损失值及趋势图
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
如图1所示，本发明针对变电工程的优化在于将造价中的各分项费用单独建模分开预测，并最终进行汇总。
本发明提供了一种变电站工程的费用预测方法，具体包括以下步骤：
A.识别影响各个变电站工程项目费用的主要因素，得到建筑工程费用细分项目、安装工程费用细分项目和设备工程费用细分项目与影响因素的对应关系；
B.收集变电站工程信息并进行预处理；
C.分别识别建筑工程费用、安装工程费用、设备工程费用的影响因素，建立各影响因素变量同建筑工程费之间的线性回归关系；然后根据软件筛选出来的分析结果对输入的影响因素变量进行精简，并最终确定不可替代的影响因素变量输入值；
D.将最终确定的建筑工程费用的不可替代的影响因素变量输入值带入建筑工程费用的神经网络预测模型，得到建筑工程费的预测结果；
将最终确定的安装工程费用的不可替代的影响因素变量输入值带入安装工程费用的神经网络预测模型，得到安装工程费的预测结果；
将最终确定的设备工程费用的不可替代的影响因素变量输入值带入设备工程费用的神经网络预测模型，得到设备工程费的预测结果；
E.通过建筑工程费、安装工程费和设备工程费的预测结果生成本体费用，结合本体费用预测其他费用，人工输入建场费；将本体费用、其他费用和建场费相加获得静态投资预测费用。
变电工程主要影响因素根据工程分解思想，以变电工程的费用类别划分即建筑工程费、安装工程费、设备购置费和其他费用四项费用为主线，挖掘影响四项费用开支的主要因素。以下主要对变电站建筑和安装工程的主要影响因素进行分析。
(1)变电站建筑工程
变电站建筑工程可分主要生产建筑工程、辅助生产工程及与站址相关的单项工程三个方面。通过进一步细分，主要生产建筑工程一般包括主要生产建筑、配电装置、供水系统；辅助生产工程一般包括辅助生产建筑、站区性建筑、消防系统、特殊构筑物和站区绿化；与站址相关的单项工程主要是地基处理等项目，如图2所示。
通过建筑工程项目的细分，挖掘建筑工程费用的主要影响因素，得到建筑工程费用细分项目与影响因素的对应关系。比如：对于配电装置的项目而言，通过进一步细分为主变压器系统构支架、主变压器系统设备基础、高抗构支架、高抗设备基础、高压配电构架、高压配电设备支架及基础、中压配电构架等分项，并识别出与之相对应的主要影响因素。如：主变压器系统设备基础与主变规模容量与地理位置相关性较大；高抗构支架与高抗组数及容量,地理位置相关性较大；高压配电构架与高压出线回数，设备型式，地理位置相关性较大等。如下表所示。
表1建筑工程费主要影响因素识别
(2)变电站安装及设备工程
变电站安装工程可以分为主要生产工程、辅助生产工程两方面。通过进一步细分，主要生产工程一般包括主变压器系统、配电装置、无功补偿、控制及直流系统、站用电系统、全站电缆及接地；辅助生产工程一般包括修配检修系统、实验室设备、油及SF6处理设备等项目，如图3所示。
通过安装工程项目的细分，挖掘安装工程费用的主要影响因素，得到安装工程费用细分项目与影响因素的对应关系。比如：对于配电装置的项目而言，通过进一步细分为高压配电、中压配电、低压配电装置等分项，并识别出与之相对应的主要影响因素。如：高压配电装置与高压出线规模，设备型式相关性较大；中压配电装置与中压出线规模，设备型式相关性较大；低压配电装置与低压出线规模，设备型式相关性较大等。如表2所示。
表2安装工程费及设备工程费主要影响因素识别表
具体实施例中，神经网络模型建模训练样本选用的典型工程是2016年至2018年湖北省110kV-500kV的真实输变电工程数据，其工程范围涵盖湖北公司资产管辖区域的14家地市单位。经统计，训练使用的样本共计421项，包括500kV、220kV、110kV三个电压等级工程的投资估算、初设概算、工程结算及竣工决算数据，其中：500kV样本工程9项，220kV样本工程101项，110kV样本工程311项。由于建模处于验证及测试阶段，本阶段仅针对影响输变电工程造价比重较大的变电站工程及架空线路工程的样本进行数据预处理。训练样本中共有变电站工程样本158项，架空线路工程共计263项。
本次收集的变电工程158项样本中，500kV变电站工程4项、220kV变电站工程35项、110kV变电站工程119项。
本次收集的架空线路工程263项样本中，500kV架空线路工程5项、220kV架空线路工程66项、110kV架空线路工程192项。
在统计整理输变电工程造价历史数据的过程中，并不是所有的造价数据都是直接导入可计算的，大部分数据存在着参差不齐、概念层次不清、数量级不同等问题，无法为下一阶段的数据分析和数据挖掘所用。因此开展数据预处理工作思得尤为重要，本发明采用数据清理、集成、变换和规约等四种手段进行数据预处理，以确保输入模型的训练样本数据的真实性、准确性。
数据清理：对数据遗漏进行填充或者忽略，对杂质数据进行除噪，对不一致数据进行核对校正。
数据集成：把多个原数据集成结合到一个数据存储中，进行数据冗余和数据冲突值的检查与处理。
数据变换：数据变换主要有平滑、聚集、数据泛化、规范化及属性构造等手段。其中规范化的方式有最大最小规范化、0-1值规范化和小数定标规范化等方式。
数据归约：数据归约技术主要用于将数据集归约化，减少分析所需时间的同时又不失数据的完整性，保证归约前后结果的一致性。
数据预处理阶段，考虑到影响变电工程造价的因素繁多且存在差异性，因此工程的对样本集进行了数据预处理。主要预处理事例内容如下：
①“征地面积”的指标分为全站与围墙内，“建筑面积”指标分为了全站与主控楼，剔除重复信息，保留全站征地面积与全站及主控楼建筑面积。
②“主变压器本期台数”与“远期台数”相较而言，对造价初期投产具有直接的较大影响的是本期台数，因而删除远期台数。
③电缆又分为控制电缆、1kV及以下电力电缆、光缆，分别以电力电缆和控制电缆总量作为因素，而不再细分。
④统一量纲。
⑤定性指标的处理。在因素库当中，“所属地区”“地形地貌”、“变电站型式”等都属于定性指标，无法与定量指标之间进行精确计算，因而需要对这些指标进行量化处理。
如：对所属地区及区域进行升级编码，以宜昌市为例。如表3所示：
表3所属地区量化编码表
由于收集的全部因素并非对造价结果都是有显著影响的，有些因素在一定程度范围内不会对整体造价水平造成较大影响，如果将变量全部计入模型中，将会影响到模型的精度。因此可以通过线性回归模型和因素分析方法从收集到的因素做进一步关键影响因素分析。
将原始数据导入SPSS(Statistical Product and Service Solutions)软件中，使用SPSS进行各种因子分别与建筑、设备、安装的费用相关性分析。最初用多元线性回归模型分析时导入了全部工程变量，挑选出所有可能的相关性因素，但是“调整后R方”结果在0.5左右，说明其中一部分因子与建筑、设备、安装的费用相关性不显著，不能作为建神经网络时的输入属性。也有少量因子在初步筛选时未考虑到加入到模型的输入变量，应该设法加入最终建神经网络的输入属性之中。
利用逐个“对比实验”方法分别对主要因素筛选。第一：重点依据“调整后R方”与“KMO”数值进行优劣评估。通过不断删去“显著性”数值最大的因子来提高“调整后R方”与“KMO”数值，直至这两个数值不再明显变化。第二：找出遗漏的关键性因子，逐个添加未加入的因子，保留其中增加或不影响“调整后R方”与“KMO”数值的因子。因为建立神经网络输入属性越多，训练出的模型就越精准，所以尽量保留更多相关性好的因子。
建筑工程的不可替代的影响因素选择过程如下：
研究工作首先将根据专家经验筛选出来的变量输入模型，初步建立各各变量同建筑工程费之间的线性回归关系。然后根据软件筛选出来的分析结果对输入变量进行精简，并最终确定不可替代的因变量输入值。
根据专家经验初步筛选筛选出的因子有：勘察设计费(元),全站(m2)建筑面积,主变设备单价,征地面积(亩),场地平整费用,高压侧断路器单价(万元/台),控制电缆工程量,挡土墙及护坡费用,中压侧出线回数,主控楼(m2)建筑面积,电力电缆工程量,高压侧断路器台数,主变本期台数,高压侧出线回数,地基处理费用,低压侧断路器单价,中压侧断路器台数,低压侧断路器台数,中压侧断路器单价,低压侧出线回数。
表4建筑工程费因子分析初筛结果
表5建筑工程费因子分析显著性系数初筛结果
最终筛选出来的主要因子有：控制电缆工程量,中压侧断路器单价,主控楼建筑面积,低压侧断路器单价,场地平整费用,主变本期台数,全站建筑面积,高压侧断路器台数,地基处理费用,低压侧断路器台数,中压侧断路器台数。
表6建筑工程费因子分析终筛结果
表7建筑工程费因子分析显著性系数终筛结果
| 因子 | 标准化系数 | t | 显著性 |
| 主变本期台数 | -.338 | -2.657 | .014 |
| 全站(m2)建筑面积 | .358 | 5.553 | .000 |
| 场地平整费用 | .114 | 1.887 | .072 |
| 中压侧断路器台数 | .433 | 2.792 | .011 |
| 高压侧断路器台数 | .181 | 2.285 | .032 |
| 主控楼(m2)建筑面积 | .448 | 5.340 | .000 |
| 地基处理费用 | .354 | 4.424 | .000 |
| 低压侧断路器台数 | .379 | 2.554 | .018 |
| 低压侧断路器单价 | -.104 | -1.773 | .090 |
| 中压侧断路器单价 | -.227 | -1.319 | .201 |
| 控制电缆工程量 | -.106 | -1.397 | .176 |
设备费因素筛选的过程和建筑工程费用同理，
最初筛选出的因子有：动态投资(元),低压侧断路器单价,中压侧断路器台数,电力电缆工程量,控制电缆工程量,场地平整费用,挡土墙及护坡费用,征地面积(亩),全站(m2)建筑面积,高压侧出线回数,地基处理费用,高压侧断路器单价(万元/台),主控楼(m2)建筑面积,主变设备单价,高压侧断路器台数,低压侧断路器台数,中压侧出线回数,中压侧断路器单价,低压侧出线回数。
表8设备工程费因子分析初筛结果
表9设备工程费因子分析显著性系数初筛结果
最终筛选出来的主要因子有：高压侧出线回数、中压侧出线回数、低压侧出线回数、高压侧断路器台数、中压侧断路器台数、低压侧断路器台数、主变本期台数、高压侧断路器单价、中压侧断路器单价、低压侧断路器单价。
表10设备工程费因子分析终筛结果
表11设备工程费因子分析显著性系数终筛结果
安装工程费因素筛选过程和建筑工程费用同理，
最初筛选出的因子有：低压侧断路器单价,中压侧断路器台数,电力电缆工程量,控制电缆工程量,场地平整费用,挡土墙及护坡费用,征地面积(亩),全站(m2)建筑面积,高压侧出线回数,地基处理费用,高压侧断路器单价(万元/台),主控楼(m2)建筑面积,主变设备单价,高压侧断路器台数,低压侧断路器台数,中压侧出线回数,中压侧断路器单价,低压侧出线回数。
表12安装工程费因子分析初筛结果
表13安装工程费因子分析显著性系数初筛结果
| 因子 | 标准化系数 | t | 显著性 |
| 高压侧出线回数 | .084 | 1.282 | .221 |
| 中压侧出线回数 | .017 | .127 | .901 |
| 低压侧出线回数 | .820 | 3.910 | .002 |
| 征地面积(亩) | .064 | 1.127 | .279 |
| 全站(m2)建筑面积 | -.097 | -1.797 | .094 |
| 主控楼(m2)建筑面积 | .008 | .097 | .924 |
| 高压侧断路器台数 | .100 | 1.193 | .253 |
| 高压侧断路器单价(万元/台) | .323 | 4.588 | .000 |
| 中压侧断路器台数 | .532 | 2.968 | .010 |
| 中压侧断路器单价 | -.050 | -.297 | .771 |
| 低压侧断路器台数 | -.111 | -.746 | .468 |
| 低压侧断路器单价 | .201 | 2.719 | .017 |
| 场地平整费用 | -.024 | -.415 | .685 |
| 挡土墙及护坡费用 | -.163 | -2.722 | .017 |
| 电力电缆工程量 | -.041 | -.821 | .425 |
| 控制电缆工程量 | .078 | 1.328 | .205 |
| 主变设备单价 | .015 | .205 | .840 |
最终筛选出来的主要因子有：高压侧断路器台数,中压侧断路器台数,全站(m2)建筑面积,主变设备单价,场地平整费用,征地面积(亩),控制电缆工程量,主变本期台数,高压侧出线回数,中压侧出线回数。
表14安装工程费因子分析终筛结果
表15安装工程费因子分析显著性系数终筛结果
| 因子 | 标准化系数 | t | 显著性 |
| 主变本期台数 | .545 | 5.930 | .000 |
| 高压侧出线回数 | .231 | 2.163 | .041 |
| 中压侧出线回数 | -.407 | -3.003 | .006 |
| 征地面积(亩) | -.381 | -5.043 | .000 |
| 全站(m2)建筑面积 | .396 | 5.710 | .000 |
| 场地平整费用 | .262 | 3.509 | .002 |
| 控制电缆工程量 | .381 | 4.711 | .000 |
| 中压侧断路器台数 | .584 | 4.315 | .000 |
| 主变设备单价 | -.184 | -2.250 | .034 |
| 高压侧断路器台数 | -.118 | -1.022 | .317 |
变电站工程的神经网络预测的优化模型采用110kV新建变电数据样本总计37条(将扩建、改造类剔除)，随机选取5条作为验证样本集，剩下32条作为训练样本集。模型搭建含1层输入层、1层输出层、9层隐含层的神经网络，隐藏层每层神经元个数分别为16、8、4、8、4、8、4、8、4。
采用RELU函数，RELU函数是目前业界训练模型最好的参数，改用后误差降低到了25％左右。神经单元个数去年用的是64个与32个，但是今年输入参数个数太少，所以神经元个数太多并不利于训练出更好的模型，于是将神经元个数降到16、8和4，最终将模型误差控制在10％左右，大部分都在10％以下。
训练轮数10000轮，学习率使用0.01，单位容量造价预测神经网络拓扑结构见图7-9，训练过程中损失值和迭代轮次的关系如图10所示。
使用训练好的模型对5条验证集数据进行验证，分别将需预测的安装、土建、设备费用，技术参数输入模型，输出的验证结果如下表16。
表16安装工程预测结果表
表17设备价值预测结果表
表18建筑工程预测结果表
通过造价自动分析模型的构建，通过大数据挖掘算手段，选择合适的造价分析数据对应业务平台进行数据计算训练，形成造价自动分析功能，可自动完成样本分类及对比分析、投资结余率的测算及偏差分析、造价合理区间的设置及分析；可针对某个输变电工程项目自动生成投资后评价分析及结论，深度挖掘对投资影响较大的因素，形成各阶段不同投资管控的措施。
项目投资管理单位应做好事前控制、过程管理和事后闭环。严控项目周期内每一个可能影响工程造价的风险点，增强防范意识，在造价发生改变时，及时采取应对措施，将工程费用控制在合理范围内，从而提升配电网工程造价精益化管理，推进配电网建设转型升级，以满足电力企业现代化建设发展进程，更好地服务社会民生。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (7)
1.一种变电站工程的费用预测方法，其特征在于：包括以下步骤：
A.识别影响各个变电站工程项目费用的主要因素，得到建筑工程费用细分项目、安装工程费用细分项目和设备工程费用细分项目与影响因素的对应关系；
B.收集变电站工程信息并进行预处理；
C.分别识别建筑工程费用、安装工程费用、设备工程费用的影响因素，建立各影响因素变量同建筑工程费之间的线性回归关系；然后根据软件筛选出来的分析结果对输入的影响因素变量进行精简，并最终确定不可替代的影响因素变量输入值；
D.将最终确定的建筑工程费用的不可替代的影响因素变量输入值带入建筑工程费用的神经网络预测模型，得到建筑工程费的预测结果；
将最终确定的安装工程费用的不可替代的影响因素变量输入值带入安装工程费用的神经网络预测模型，得到安装工程费的预测结果；
将最终确定的设备工程费用的不可替代的影响因素变量输入值带入设备工程费用的神经网络预测模型，得到设备工程费的预测结果；
E.通过建筑工程费、安装工程费和设备工程费的预测结果生成本体费用，结合本体费用预测其他费用；人工输入建场费；将本体费用、其他费用和建场费相加获得静态投资预测费用。
2.根据权利要求1所述的一种变电站工程的费用预测方法，其特征在于：所述步骤B具体包括以下步骤：
剔除重复信息，保留全站征地面积与全站及主控楼建筑面积，删除远期台数；电缆又分为控制电缆、1kV及以下电力电缆、光缆，分别以电力电缆和控制电缆总量作为因素，而不再细分；统一量纲；对定性指标进行量化处理，所述定性指标包括“所属地区”“地形地貌”、“变电站型式”。
3.根据权利要求1所述的一种变电站工程的费用预测方法，其特征在于：所述步骤C具体包括以下步骤：将各工程费用的影响因素变量分别导入多元线性回归模型，挑选出所有可能的相关性因素；依据“调整后R方”与“KMO”数值进行优劣评估，通过不断删去“显著性”数值最大的影响因素变量来提高“调整后R方”与“KMO”数值，直至这两个数值不再明显变化；找出遗漏的关键性影响因素变量，逐个添加未加入的影响因素变量，保留其中增加或不影响“调整后R方”与“KMO”数值的影响因素变量。
4.根据权利要求1所述的一种变电站工程的费用预测方法，其特征在于所述神经网络预测模型的构建步骤如下：收集历史工程数据并进行预处理；设计网络结构并设定超参数和权重系数；利用历史工程数据进行网络训练获得神经网络预测模型。
5.根据权利要求4所述的一种变电站工程的费用预测方法，其特征在于：通过建筑工程费用的影响因素变量作为输入量，构建建筑工程费用的神经网络预测模型，其中模型搭建含1层输入层、1层输出层、9层隐含层的神经网络，隐藏层每层神经元个数分别为16、8、4、8、4、8、4、8、4；采用RELU函数；训练轮数10000轮，学习率使用0.01。
6.根据权利要求4所述的一种变电站工程的费用预测方法，其特征在于：通过安装工程费用的影响因素变量作为输入量，构建安装工程费用的神经网络预测模型，其中模型搭建含1层输入层、1层输出层、9层隐含层的神经网络，隐藏层每层神经元个数分别为16、8、4、8、4、8、4、8、4；采用RELU函数；训练轮数10000轮，学习率使用0.01。
7.根据权利要求4所述的一种变电站工程的费用预测方法，其特征在于：通过设备工程费用的影响因素变量作为输入量，构建设备工程费用的神经网络预测模型；其中模型搭建含1层输入层、1层输出层、9层隐含层的神经网络，隐藏层每层神经元个数分别为16、8、4、8、4、8、4、8、4；采用RELU函数；训练轮数10000轮，学习率使用0.01。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011458398.5A CN112541631A (zh) | 2020-12-10 | 2020-12-10 | 变电站工程的费用预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011458398.5A CN112541631A (zh) | 2020-12-10 | 2020-12-10 | 变电站工程的费用预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541631A true CN112541631A (zh) | 2021-03-23 |
Family
ID=75018437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011458398.5A Pending CN112541631A (zh) | 2020-12-10 | 2020-12-10 | 变电站工程的费用预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541631A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344292A (zh) * | 2021-06-29 | 2021-09-03 | 中国电建集团华东勘测设计研究院有限公司 | 利用神经网络算法预测抽水蓄能电站建筑工程投资的方法 |
| CN113761739A (zh) * | 2021-09-03 | 2021-12-07 | 江苏杰瑞信息科技有限公司 | 一种基于装备特征的标准化费用分解结构构建方法 |
| CN114819417A (zh) * | 2022-06-28 | 2022-07-29 | 北京航空航天大学 | 基于费用间相关性的航空发动机大修费用预测方法及系统 |
| CN115526393A (zh) * | 2022-09-23 | 2022-12-27 | 国网冀北电力有限公司经济技术研究院 | 一种基于变电工程关键影响因素筛选的造价预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5189606A (en) * | 1989-08-30 | 1993-02-23 | The United States Of America As Represented By The Secretary Of The Air Force | Totally integrated construction cost estimating, analysis, and reporting system |
| JPH08123861A (ja) * | 1994-10-24 | 1996-05-17 | Akane Kenchiku Consultant:Kk | 建築費用算出支援装置 |
| 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 |
| CN106780041A (zh) * | 2017-02-10 | 2017-05-31 | 国网安徽省电力公司经济技术研究院 | 基于粒子群算法的电网输变电工程投资预测方法 |
| 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 |
| CN111127246A (zh) * | 2019-11-21 | 2020-05-08 | 国网福建省电力有限公司经济技术研究院 | 一种输电线路工程造价的智能预测方法 |
| KR102166490B1 (ko) * | 2020-05-12 | 2020-10-15 | 현동명 | 건축 및 건설 공사비 견적 시스템 및 장치 |
-
2020
- 2020-12-10 CN CN202011458398.5A patent/CN112541631A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5189606A (en) * | 1989-08-30 | 1993-02-23 | The United States Of America As Represented By The Secretary Of The Air Force | Totally integrated construction cost estimating, analysis, and reporting system |
| JPH08123861A (ja) * | 1994-10-24 | 1996-05-17 | Akane Kenchiku Consultant:Kk | 建築費用算出支援装置 |
| 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 |
| CN106780041A (zh) * | 2017-02-10 | 2017-05-31 | 国网安徽省电力公司经济技术研究院 | 基于粒子群算法的电网输变电工程投资预测方法 |
| CN111127246A (zh) * | 2019-11-21 | 2020-05-08 | 国网福建省电力有限公司经济技术研究院 | 一种输电线路工程造价的智能预测方法 |
| 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 |
| KR102166490B1 (ko) * | 2020-05-12 | 2020-10-15 | 현동명 | 건축 및 건설 공사비 견적 시스템 및 장치 |
Non-Patent Citations (3)
| Title |
|---|
| 妙旭娟 等: "基于主成分分析法和神经网络的技改工程造价预测模型", 《内蒙古科技与经济》, no. 19, pages 27 - 40 * |
| 季立伟 等: "基于结构方程模型的新建变电工程造价影响因素研究", 《中国电力企业管理》, no. 06, pages 66 - 68 * |
| 郭新菊 等: "基于BP神经网络的配电网工程造价预测模型建立与应用", 《电子设计工程》, no. 23, pages 68 - 73 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344292A (zh) * | 2021-06-29 | 2021-09-03 | 中国电建集团华东勘测设计研究院有限公司 | 利用神经网络算法预测抽水蓄能电站建筑工程投资的方法 |
| CN113761739A (zh) * | 2021-09-03 | 2021-12-07 | 江苏杰瑞信息科技有限公司 | 一种基于装备特征的标准化费用分解结构构建方法 |
| CN113761739B (zh) * | 2021-09-03 | 2023-07-25 | 江苏杰瑞信息科技有限公司 | 一种基于装备特征的标准化费用分解结构构建方法 |
| CN114819417A (zh) * | 2022-06-28 | 2022-07-29 | 北京航空航天大学 | 基于费用间相关性的航空发动机大修费用预测方法及系统 |
| CN114819417B (zh) * | 2022-06-28 | 2022-09-16 | 北京航空航天大学 | 基于费用间相关性的航空发动机大修费用预测方法及系统 |
| CN115526393A (zh) * | 2022-09-23 | 2022-12-27 | 国网冀北电力有限公司经济技术研究院 | 一种基于变电工程关键影响因素筛选的造价预测方法 |
| CN115526393B (zh) * | 2022-09-23 | 2023-09-29 | 国网冀北电力有限公司经济技术研究院 | 一种基于变电工程关键影响因素筛选的造价预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541631A (zh) | 变电站工程的费用预测方法 | |
| CN112801687A (zh) | 基于架空线路工程的费用预测模型的构建方法 | |
| CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
| CN107123982B (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
| CN110992113A (zh) | 基于神经网络智能算法的基建变电站项目造价预测方法 | |
| CN105389636A (zh) | 一种低压台区kfcm-svr合理线损预测方法 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
| CN115062864A (zh) | 一种配电网中期负荷分解-集合预测方法及系统 | |
| CN106682843A (zh) | 一种配电网滚动规划后评价模型建模方法 | |
| CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
| CN115187134A (zh) | 基于网格的配电网规划方法、装置及终端设备 | |
| CN106953319A (zh) | 配电网线路最优分段方法和装置 | |
| CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
| CN107292480A (zh) | 一种县域电网长期负荷特性预测方法 | |
| CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质 | |
| CN112712271A (zh) | 一种电网网格划分评价方法、系统、介质及电子设备 | |
| CN112653194A (zh) | 一种新能源极限消纳能力评估方法 | |
| CN115511543A (zh) | 一种输变电工程造价测算方法 | |
| CN111275292A (zh) | 一种基于模糊层次分析法的接地网状态评估方法 | |
| CN114037538B (zh) | 一种电网基建项目投资结余控制方法及系统 | |
| CN113919162B (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
| CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
| Knight et al. | Computers in power system planning | |
| Ma et al. | Research on substation project prediction method in power transmission and transformation by improved neural network intelligent model |
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 |