CN113987904A - 一种输电项目修理成本测算方法、装置、设备及存储介质 - Google Patents

一种输电项目修理成本测算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113987904A
CN113987904A CN202111364995.6A CN202111364995A CN113987904A CN 113987904 A CN113987904 A CN 113987904A CN 202111364995 A CN202111364995 A CN 202111364995A CN 113987904 A CN113987904 A CN 113987904A
Authority
CN
China
Prior art keywords
prediction model
particle
neural network
optimal position
network prediction
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
CN202111364995.6A
Other languages
English (en)
Inventor
陈永淑
李果
尚明远
徐策
李品磊
胡邵超
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111364995.6A priority Critical patent/CN113987904A/zh
Publication of CN113987904A publication Critical patent/CN113987904A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种输电项目修理成本测算方法、装置、设备及存储介质，用于解决现有的成本测算方法精确性不高的技术问题。本发明包括：采集预设输电项目的历史维修预算数据；根据历史维修预算数据生成特征向量；基于特征向量生成训练样本，并基于训练样本构建极限学习机ELM神经网络预测模型；获取ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对初始参数进行优化，得到优化参数；采用优化参数替换初始参数，得到优化ELM神经网络预测模型；采用训练样本训练优化ELM神经网络预测模型，得到已训练的预测模型；从输电项目提取维修预算数据；将维修预算数据输入已训练的预测模型，得到修理成本。

Description

一种输电项目修理成本测算方法、装置、设备及存储介质
技术领域
本发明涉及成本测算技术领域，尤其涉及一种输电项目修理成本测算方法、装置、设备及存储介质。
背景技术
对于电网公司而言，从经济运行角度来说，公司需要科学的管理，整合资源，有效利用，以低成本创造最大的项目收益，杜绝低效率经营；从安全稳定角度来说，公司需要科学管理，保障生产项目中的设备安全，支撑公司稳步经营。
现有的输电生产日常修理标准成本测算主观性强、精准性低，采用的测算方法有简单移动平均法、加权移动平均法和改进加权移动平均法。但以上方法建模较为复杂且计算成本大，容易受到实际工程环境的影响。为了解决这个问题，可以采用人工智能算法来反映输电生产日常修理标准成本与项目间的复杂的非线性关系。然而人工智能算法会受到数据的影响，模型收敛速度和泛化能力有待加强。
发明内容
本发明提供了一种输电项目修理成本测算方法、装置、设备及存储介质，用于解决现有的成本测算方法精确性不高的技术问题。
本发明提供了一种输电项目修理成本测算方法，包括：
采集预设输电项目的历史维修预算数据；
根据所述历史维修预算数据生成特征向量；
基于所述特征向量生成训练样本，并基于所述训练样本构建极限学习机ELM神经网络预测模型；
获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数；
采用所述优化参数替换所述初始参数，得到优化ELM神经网络预测模型；
采用所述训练样本训练所述优化ELM神经网络预测模型，得到已训练的预测模型；
从所述输电项目提取维修预算数据；
将所述维修预算数据输入所述已训练的预测模型，得到修理成本。
可选地，所述根据所述历史维修预算数据生成特征向量的步骤，包括：
对所述历史维修预算数据进行预处理，得到线缆维修长度、线缆年限、维修结算金额以及环境数据；
采用所述线缆维修长度、所述线缆年限、所述维修结算金额以及所述环境数据生成特征向量。
可选地，所述ELM神经网络预测模型具有输入层、隐含层和输出层，所述初始参数包括所述输入层到所述隐含层的输入权值、所述隐含层到所述输出层的输出权值、所述隐含层的阈值。
可选地，所述获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数的步骤，包括：
以所述初始参数的平均绝对误差、均方根误差以及平均绝对百分比误差的和最小为目标建立目标函数；
确定所述初始参数的上下限区间，并基于所述上下限区间生成初始种群；其中，所述初始种群中具有多个粒子；
获取每个粒子的速度和位置；
计算每个粒子的适应度值；
计算每个个体的个体最优位置和整个种群的全局最优位置；
判断所述适应度值是否大于所述个体最优位置，若是，则采用所述适应度值更新所述个体最优位置；
判断所述适应度值是否大于所述全局最优位置，若是，则采用所述适应度值更新所述全局最优位置；
根据所述个体最优位置、所述全局最优位置和每个粒子的速度，计算每个粒子的更新速度；
根据每个粒子的更新速度，计算每个粒子的更新位置；
判断当前迭代次数是否小于预设迭代次数；
若否，返回获取每个粒子的适应度值的步骤；
若是，根据每个粒子的更新位置和更新速度确定目标种群，并将所述目标种群的参数作为优化参数。
本发明还提供了一种输电项目修理成本测算装置，包括：
历史维修预设数据采集模块，用于采集预设输电项目的历史维修预算数据；
特征向量生成模块，用于根据所述历史维修预算数据生成特征向量；
ELM神经网络预测模型构建模块，用于基于所述特征向量生成训练样本，并基于所述训练样本构建极限学习机ELM神经网络预测模型；
优化参数获取模块，用于获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数；
优化ELM神经网络预测模型获取模块，用于采用所述优化参数替换所述初始参数，得到优化ELM神经网络预测模型；
训练模块，用于采用所述训练样本训练所述优化ELM神经网络预测模型，得到已训练的预测模型；
提取模块，用于从所述输电项目提取维修预算数据；
修理成本获取模块，用于将所述维修预算数据输入所述已训练的预测模型，得到修理成本。
可选地，所述特征向量生成模块，包括：
预处理子模块，用于对所述历史维修预算数据进行预处理，得到线缆维修长度、线缆年限、维修结算金额以及环境数据；
特征向量生成子模块，用于采用所述线缆维修长度、所述线缆年限、所述维修结算金额以及所述环境数据生成特征向量。
可选地，所述ELM神经网络预测模型具有输入层、隐含层和输出层，所述初始参数包括所述输入层到所述隐含层的输入权值、所述隐含层到所述输出层的输出权值、所述隐含层的阈值。
可选地，所述优化参数获取模块，包括：
目标函数建立子模块，用于以所述初始参数的平均绝对误差、均方根误差以及平均绝对百分比误差的和最小为目标建立目标函数；
初始种群生成子模块，用于确定所述初始参数的上下限区间，并基于所述上下限区间生成初始种群；其中，所述初始种群中具有多个粒子；
速度和位置获取子模块，用于获取每个粒子的速度和位置；
适应度值计算子模块，用于计算每个粒子的适应度值；
最优位置计算子模块，用于计算每个个体的个体最优位置和整个种群的全局最优位置；
个体最优位置更新子模块，用于判断所述适应度值是否大于所述个体最优位置，若是，则采用所述适应度值更新所述个体最优位置；
全局最优位置更新子模块，用于判断所述适应度值是否大于所述全局最优位置，若是，则采用所述适应度值更新所述全局最优位置；
更新速度计算子模块，用于根据所述个体最优位置、所述全局最优位置和每个粒子的速度，计算每个粒子的更新速度；
更新位置计算子模块，用于根据每个粒子的更新速度，计算每个粒子的更新位置；
判断子模块，用于判断当前迭代次数是否小于预设迭代次数；
返回子模块，用于若否，返回获取每个粒子的适应度值的步骤；
优化参数获取子模块，用于若是，根据每个粒子的更新位置和更新速度确定目标种群，并将所述目标种群的参数作为优化参数。
本发明还提供了一种电子设备，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如上任一项所述的输电项目修理成本测算方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的输电项目修理成本测算方法。
从以上技术方案可以看出，本发明具有以下优点：本发明提供了一种输电项目修理成本测算方法，并具体公开了：采集预设输电项目的历史维修预算数据；根据历史维修预算数据生成特征向量；基于特征向量生成训练样本，并基于训练样本构建极限学习机ELM神经网络预测模型；获取ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对初始参数进行优化，得到优化参数；采用优化参数替换初始参数，得到优化ELM神经网络预测模型；采用训练样本训练优化ELM神经网络预测模型，得到已训练的预测模型；从输电项目提取维修预算数据；将维修预算数据输入已训练的预测模型，得到修理成本。从而提高了输电项目修理成本测算的精确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种输电项目修理成本测算方法的步骤流程图；
图2为本发明实施例提供的一种输电项目修理成本测算装置的结构框图。
具体实施方式
本发明实施例提供了一种输电项目修理成本测算方法、装置、设备及存储介质，用于解决现有的成本测算方法精确性不高的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种输电项目修理成本测算方法的步骤流程图。
本发明提供的一种输电项目修理成本测算方法，具体可以包括以下步骤：
步骤101，采集预设输电项目的历史维修预算数据；
步骤102，根据历史维修预算数据生成特征向量；
在本发明实施例中，可以采集预设输电项目的历史维修预设数据，来得到训练模型的特征向量。
在一个示例中，根据历史维修预算数据生成特征向量的步骤，可以包括：
S21，对历史维修预算数据进行预处理，得到线缆维修长度、线缆年限、维修结算金额以及环境数据；
S22，采用线缆维修长度、线缆年限、维修结算金额以及环境数据生成特征向量。
在本发明实施例中，可以从历史维修预算数据中提取输电生产日常修理的线缆维修长度、线缆使用年限、维修结算金额以及不同位置线缆的环境数据，并将所得到的数据进行拼接，构造特征向量X＝[x1,x2,…,xn]。
步骤103，基于特征向量生成训练样本，并基于训练样本构建极限学习机ELM神经网络预测模型；
ELM(Extreme Learning Machine，极限学习机)神经网络是一类基于前馈神经网络构建的机器学习系统或方法，适用于监督学习和非监督学习问题。本发明实施例的ELM神经网络预测模型可以由1个输入层、1个输出层和一个隐含层组成。
在本发明实施例中，在生成特征向量后，可以基于特征向量生成训练样本，并建立ELM神经网络预测模型，用于分析维修预算数据与成本之间的关系。其中，ELM神经网络预测模型的函数表达如下所示：
Figure BDA0003360304020000061
其中，βi为第i个隐含层节点到输出神经元的输出权值；h(·)为激活函数；
Wi＝[ωi1,ωi2,…,ωin,]T为输入神经元到第i个隐含层节点的输入权值；bi是第i个隐含层单元的偏置。
步骤104，获取ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对初始参数进行优化，得到优化参数；
在构建完成ELM神经网络预测模型后，可以对其初始参数进行优化，得到优化参数，其中，初始参数可以包括输入层到隐含层的输入权值、隐含层到输出层的输出权值、隐含层的阈值。
在本发明实施例中，优化算法可以选择粒子群算法PSO。粒子群算法(ParticleSwarm Optimization，PSO)是一种基于种群的随机优化技术。采用种群的方式进行搜索，从而可以同时搜索待优化目标函数解空间中的较多区域。在具体实现中，粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，按照一种合作的方式来寻找“食物”，群体中的每个成员通过学习其自身的经验以及其他成员的经验来不断改变其搜索模型，从而通过迭代找到最优解。
在一个示例中，获取ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对初始参数进行优化，得到优化参数的步骤，可以包括：
S401，以初始参数的平均绝对误差、均方根误差以及平均绝对百分比误差的和最小为目标建立目标函数；
在本发明实施例中，目标函数的表达式可以为：
Figure BDA0003360304020000071
其中，fobj为优化目标；n为训练样本数量；y为训练样本对应的实际测量值；y*为根据算法寻优后的模型的预测值；α、β和γ为指标融合系数，三者之和为1。
S402，确定初始参数的上下限区间，并基于上下限区间生成初始种群；其中，初始种群中具有多个粒子；
S403，获取每个粒子的速度和位置；
S404，计算每个粒子的适应度值；
S405，计算每个个体的个体最优位置和整个种群的全局最优位置；
S406，判断适应度值是否大于个体最优位置，若是，则采用适应度值更新个体最优位置；
S407，判断适应度值是否大于全局最优位置，若是，则采用适应度值更新全局最优位置；
S408，根据个体最优位置、全局最优位置和每个粒子的速度，计算每个粒子的更新速度；
S409，根据每个粒子的更新速度，计算每个粒子的更新位置；
在本发明实施例中，粒子的更新速度和更新位置可以分别根据以下公式计算得到：
Figure BDA0003360304020000072
Figure BDA0003360304020000081
其中，
Figure BDA0003360304020000082
为粒子的更新速度，
Figure BDA0003360304020000083
为粒子的更新位置，xi、vi分别为粒子的位置和速度；c1和c2是0到1之间的随机数；c1和c2为学习因子；ω为惯性因子；
Figure BDA0003360304020000084
为个体最优位置；
Figure BDA0003360304020000085
为全局最优位置。
S410，判断当前迭代次数是否小于预设迭代次数；
S411，若否，返回获取每个粒子的适应度值的步骤；
S412，若是，根据每个粒子的更新位置和更新速度确定目标种群，并将目标种群的参数作为优化参数。
在完成迭代之后，当前的种群中每个粒子的对应的参数便可以最为ELM神经网络预测模型的优化参数。
步骤105，采用优化参数替换初始参数，得到优化ELM神经网络预测模型；
步骤106，采用训练样本训练优化ELM神经网络预测模型，得到已训练的预测模型；
在完成ELM神经网络预测模型的优化后，可以通过训练样本对优化ELM神经网络预测模型进行训练。具体训练方法本发明不作具体限制。
步骤107，从输电项目提取维修预算数据；
步骤108，将维修预算数据输入已训练的预测模型，得到修理成本。
在完成优化ELM神经网络预测模型的训练后，可以通过输入输电项目当前的维修预算数据，来得到修理成本。
本发明提供了一种输电项目修理成本测算方法，并具体公开了：采集预设输电项目的历史维修预算数据；根据历史维修预算数据生成特征向量；基于特征向量生成训练样本，并基于训练样本构建极限学习机ELM神经网络预测模型；获取ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对初始参数进行优化，得到优化参数；采用优化参数替换初始参数，得到优化ELM神经网络预测模型；采用训练样本训练优化ELM神经网络预测模型，得到已训练的预测模型；从输电项目提取维修预算数据；将维修预算数据输入已训练的预测模型，得到修理成本。从而提高了输电项目修理成本测算的精确性。
请参阅图2，图2为本发明实施例提供的一种输电项目修理成本测算装置的结构框图。
本发明实施例提供了一种输电项目修理成本测算装置，包括：
历史维修预设数据采集模块201，用于采集预设输电项目的历史维修预算数据；
特征向量生成模块202，用于根据历史维修预算数据生成特征向量；
ELM神经网络预测模型构建模块203，用于基于特征向量生成训练样本，并基于训练样本构建极限学习机ELM神经网络预测模型；
优化参数获取模块204，用于获取ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对初始参数进行优化，得到优化参数；
优化ELM神经网络预测模型获取模块205，用于采用优化参数替换初始参数，得到优化ELM神经网络预测模型；
训练模块206，用于采用训练样本训练优化ELM神经网络预测模型，得到已训练的预测模型；
提取模块207，用于从输电项目提取维修预算数据；
修理成本获取模块208，用于将维修预算数据输入已训练的预测模型，得到修理成本。
在本发明实施例中，特征向量生成模块202，包括：
预处理子模块，用于对历史维修预算数据进行预处理，得到线缆维修长度、线缆年限、维修结算金额以及环境数据；
特征向量生成子模块，用于采用线缆维修长度、线缆年限、维修结算金额以及环境数据生成特征向量。
在本发明实施例中，ELM神经网络预测模型具有输入层、隐含层和输出层，初始参数包括输入层到隐含层的输入权值、隐含层到输出层的输出权值、隐含层的阈值。
在本发明实施例中，优化参数获取模块204，包括：
目标函数建立子模块，用于以初始参数的平均绝对误差、均方根误差以及平均绝对百分比误差的和最小为目标建立目标函数；
初始种群生成子模块，用于确定初始参数的上下限区间，并基于上下限区间生成初始种群；其中，初始种群中具有多个粒子；
速度和位置获取子模块，用于获取每个粒子的速度和位置；
适应度值计算子模块，用于计算每个粒子的适应度值；
最优位置计算子模块，用于计算每个个体的个体最优位置和整个种群的全局最优位置；
个体最优位置更新子模块，用于判断适应度值是否大于个体最优位置，若是，则采用适应度值更新个体最优位置；
全局最优位置更新子模块，用于判断适应度值是否大于全局最优位置，若是，则采用适应度值更新全局最优位置；
更新速度计算子模块，用于根据个体最优位置、全局最优位置和每个粒子的速度，计算每个粒子的更新速度；
更新位置计算子模块，用于根据每个粒子的更新速度，计算每个粒子的更新位置；
判断子模块，用于判断当前迭代次数是否小于预设迭代次数；
返回子模块，用于若否，返回获取每个粒子的适应度值的步骤；
优化参数获取子模块，用于若是，根据每个粒子的更新位置和更新速度确定目标种群，并将目标种群的参数作为优化参数。
本发明实施例还提供了一种电子设备，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本发明实施例的输电项目修理成本测算方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的输电项目修理成本测算方法。
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。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种输电项目修理成本测算方法，其特征在于，包括：
采集预设输电项目的历史维修预算数据；
根据所述历史维修预算数据生成特征向量；
基于所述特征向量生成训练样本，并基于所述训练样本构建极限学习机ELM神经网络预测模型；
获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数；
采用所述优化参数替换所述初始参数，得到优化ELM神经网络预测模型；
采用所述训练样本训练所述优化ELM神经网络预测模型，得到已训练的预测模型；
从所述输电项目提取维修预算数据；
将所述维修预算数据输入所述已训练的预测模型，得到修理成本。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史维修预算数据生成特征向量的步骤，包括：
对所述历史维修预算数据进行预处理，得到线缆维修长度、线缆年限、维修结算金额以及环境数据；
采用所述线缆维修长度、所述线缆年限、所述维修结算金额以及所述环境数据生成特征向量。
3.根据权利要求1所述的方法，其特征在于，所述ELM神经网络预测模型具有输入层、隐含层和输出层，所述初始参数包括所述输入层到所述隐含层的输入权值、所述隐含层到所述输出层的输出权值、所述隐含层的阈值。
4.根据权利要求1所述的方法，其特征在于，所述获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数的步骤，包括：
以所述初始参数的平均绝对误差、均方根误差以及平均绝对百分比误差的和最小为目标建立目标函数；
确定所述初始参数的上下限区间，并基于所述上下限区间生成初始种群；其中，所述初始种群中具有多个粒子；
获取每个粒子的速度和位置；
计算每个粒子的适应度值；
计算每个个体的个体最优位置和整个种群的全局最优位置；
判断所述适应度值是否大于所述个体最优位置，若是，则采用所述适应度值更新所述个体最优位置；
判断所述适应度值是否大于所述全局最优位置，若是，则采用所述适应度值更新所述全局最优位置；
根据所述个体最优位置、所述全局最优位置和每个粒子的速度，计算每个粒子的更新速度；
根据每个粒子的更新速度，计算每个粒子的更新位置；
判断当前迭代次数是否小于预设迭代次数；
若否，返回获取每个粒子的适应度值的步骤；
若是，根据每个粒子的更新位置和更新速度确定目标种群，并将所述目标种群的参数作为优化参数。
5.一种输电项目修理成本测算装置，其特征在于，包括：
历史维修预设数据采集模块，用于采集预设输电项目的历史维修预算数据；
特征向量生成模块，用于根据所述历史维修预算数据生成特征向量；
ELM神经网络预测模型构建模块，用于基于所述特征向量生成训练样本，并基于所述训练样本构建极限学习机ELM神经网络预测模型；
优化参数获取模块，用于获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数；
优化ELM神经网络预测模型获取模块，用于采用所述优化参数替换所述初始参数，得到优化ELM神经网络预测模型；
训练模块，用于采用所述训练样本训练所述优化ELM神经网络预测模型，得到已训练的预测模型；
提取模块，用于从所述输电项目提取维修预算数据；
修理成本获取模块，用于将所述维修预算数据输入所述已训练的预测模型，得到修理成本。
6.根据权利要求5所述的装置，其特征在于，所述特征向量生成模块，包括：
预处理子模块，用于对所述历史维修预算数据进行预处理，得到线缆维修长度、线缆年限、维修结算金额以及环境数据；
特征向量生成子模块，用于采用所述线缆维修长度、所述线缆年限、所述维修结算金额以及所述环境数据生成特征向量。
7.根据权利要求5所述的装置，其特征在于，所述ELM神经网络预测模型具有输入层、隐含层和输出层，所述初始参数包括所述输入层到所述隐含层的输入权值、所述隐含层到所述输出层的输出权值、所述隐含层的阈值。
8.根据权利要求5所述的装置，其特征在于，所述优化参数获取模块，包括：
目标函数建立子模块，用于以所述初始参数的平均绝对误差、均方根误差以及平均绝对百分比误差的和最小为目标建立目标函数；
初始种群生成子模块，用于确定所述初始参数的上下限区间，并基于所述上下限区间生成初始种群；其中，所述初始种群中具有多个粒子；
速度和位置获取子模块，用于获取每个粒子的速度和位置；
适应度值计算子模块，用于计算每个粒子的适应度值；
最优位置计算子模块，用于计算每个个体的个体最优位置和整个种群的全局最优位置；
个体最优位置更新子模块，用于判断所述适应度值是否大于所述个体最优位置，若是，则采用所述适应度值更新所述个体最优位置；
全局最优位置更新子模块，用于判断所述适应度值是否大于所述全局最优位置，若是，则采用所述适应度值更新所述全局最优位置；
更新速度计算子模块，用于根据所述个体最优位置、所述全局最优位置和每个粒子的速度，计算每个粒子的更新速度；
更新位置计算子模块，用于根据每个粒子的更新速度，计算每个粒子的更新位置；
判断子模块，用于判断当前迭代次数是否小于预设迭代次数；
返回子模块，用于若否，返回获取每个粒子的适应度值的步骤；
优化参数获取子模块，用于若是，根据每个粒子的更新位置和更新速度确定目标种群，并将所述目标种群的参数作为优化参数。
9.一种电子设备，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1-4任一项所述的输电项目修理成本测算方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的输电项目修理成本测算方法。
CN202111364995.6A 2021-11-17 2021-11-17 一种输电项目修理成本测算方法、装置、设备及存储介质 Pending CN113987904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111364995.6A CN113987904A (zh) 2021-11-17 2021-11-17 一种输电项目修理成本测算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111364995.6A CN113987904A (zh) 2021-11-17 2021-11-17 一种输电项目修理成本测算方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113987904A true CN113987904A (zh) 2022-01-28

Family

ID=79749184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111364995.6A Pending CN113987904A (zh) 2021-11-17 2021-11-17 一种输电项目修理成本测算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113987904A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187588A (zh) * 2023-04-24 2023-05-30 成都思威服供应链管理有限公司 项目任务信息提取及造价优化方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187588A (zh) * 2023-04-24 2023-05-30 成都思威服供应链管理有限公司 项目任务信息提取及造价优化方法、装置及电子设备
CN116187588B (zh) * 2023-04-24 2023-06-27 成都思威服供应链管理有限公司 项目任务信息提取及造价优化方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Ak et al. An interval-valued neural network approach for uncertainty quantification in short-term wind speed prediction
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
Khajavi et al. Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms
Pourdaryaei et al. Hybrid ANN and artificial cooperative search algorithm to forecast short-term electricity price in de-regulated electricity market
CN113468803B (zh) 一种基于改进的woa-gru洪水流量预测方法及系统
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN111160626B (zh) 一种基于分解融合的电力负荷时间序列控制方法
CN116562514B (zh) 基于神经网络的企业生产状况即时分析方法及系统
CN114492922A (zh) 一种中长期发电量预测方法
Nannan et al. Adaptive online time series prediction based on a novel dynamic fuzzy cognitive map
CN112329997A (zh) 电力需求负荷预测方法及系统、电子设备和存储介质
CN114169434A (zh) 一种负荷预测方法
CN116861694A (zh) 一种基于人工智能的电缆温度预测方法
Khan et al. Electrical load forecasting using fast learning recurrent neural networks
Cruz et al. Neural network prediction interval based on joint supervision
CN117170980B (zh) 一种服务器硬件异常预警方法、装置、设备及存储介质
Yang et al. Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM
CN113987904A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
Aziz et al. Assessment of evolutionary programming models for single-objective optimization
CN112508177A (zh) 一种网络结构搜索方法、装置、电子设备及存储介质
Yaseen et al. Hybrid data intelligent models and applications for water level prediction
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
Guan et al. Bounded error modeling using interval neural networks with parameter optimization
CN114066250A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
CN113537607B (zh) 停电预测方法

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