CN114066250A - 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 PDFInfo
- Publication number
- CN114066250A CN114066250A CN202111363420.2A CN202111363420A CN114066250A CN 114066250 A CN114066250 A CN 114066250A CN 202111363420 A CN202111363420 A CN 202111363420A CN 114066250 A CN114066250 A CN 114066250A
- Authority
- CN
- China
- Prior art keywords
- population
- initial
- parameters
- maintenance
- measuring
- 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 49
- 230000005540 biological transmission Effects 0.000 title claims abstract description 47
- 230000008439 repair process Effects 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (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,其中,方法包括:采集预设输电项目的历史维修预算数据;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;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;基于特征向量生成训练样本,并基于训练样本构建初始测算模型;获取初始测算模型的初始参数,并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,得到优化测算模型;采用训练样本训练优化测算模型,得到已训练的测算模型;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测算模型,得到修理成本。提高了成本测算的精确性。
Description
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算模型收敛速度和泛化能力影响,主观性强、精确性低的技术问题。
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;
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;
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初始测算模型;
获取所述初始测算模型的初始参数,并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,得到优化测算模型;
采用所述训练样本训练所述优化测算模型,得到已训练的测算模型;
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测算模型,得到修理成本。
可选地,所述获取所述初始测算模型的初始参数,并对所述初始参数进行优化,得到优化参数的步骤,包括:
获取所述初始测算模型的初始参数,并以所述初始参数的平均绝对误差、均方误差以及平均绝对百分比误差的和最小为优化目标建立目标函数;
确定所述初始参数的上下限区间,并在所述上下限区间中获取初始种群;
对所述初始种群进行交叉运算,得到更新种群;
获取当前迭代次数,并判断所述当前迭代次数是否等于预设迭代次数;
若是,将所述更新种群对应的参数作为优化参数。
可选地,还包括:
若当前迭代次数不等于预设迭代次数,则采用所述更新种群作为初始种群,并返回对所述初始种群进行交叉运算,得到更新种群的步骤。
可选地,所述对所述初始种群进行交叉运算,得到更新种群的步骤,包括:
对所述初始种群进行横向交叉运算,得到横向子种群;
采用所述横向子种群更新所述初始种群,得到横向更新种群;
对所述横向更新种群进行纵向交叉运算,得到纵向子种群;
采用所述纵向子种群更新所述横向更新种群,得到更新种群。
本发明还提供了一种输电项目修理成本测算装置,包括:
历史维修预算数据采集模块,用于采集预设输电项目的历史维修预算数据;
预处理模块,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;
初始测算模型构建模块,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初始测算模型;
优化参数获取模块,用于获取所述初始测算模型的初始参数,并对所述初始参数进行优化,得到优化参数;
优化测算模型生成模块,用于采用所述优化参数替换所述初始参数,得到优化测算模型;
训练模块,用于采用所述训练样本训练所述优化测算模型,得到已训练的测算模型;
维修预算数据提取模块,用于从所述输电项目提取维修预算数据;
修理成本计算模块,用于将所述维修预算数据输入所述已训练的测算模型,得到修理成本。
可选地,所述优化参数获取模块,包括:
目标函数建立子模块,用于获取所述初始测算模型的初始参数,并以所述初始参数的平均绝对误差、均方误差以及平均绝对百分比误差的和最小为优化目标建立目标函数;
初始种群获取子模块,用于确定所述初始参数的上下限区间,并在所述上下限区间中获取初始种群;
交叉运算子模块,用于对所述初始种群进行交叉运算,得到更新种群;
判断子模块,用于获取当前迭代次数,并判断所述当前迭代次数是否等于预设迭代次数;
优化参数确定子模块,用于若是,将所述更新种群对应的参数作为优化参数。
可选地,还包括:
迭代子模块,用于若当前迭代次数不等于预设迭代次数,则采用所述更新种群作为初始种群,并返回对所述初始种群进行交叉运算,得到更新种群的步骤。
可选地,所述交叉运算子模块,包括:
横向交叉运算单元,用于对所述初始种群进行横向交叉运算,得到横向子种群;
更新更新种群生成单元,用于采用所述横向子种群更新所述初始种群,得到横向更新种群;
纵向交叉运算单元,用于对所述横向更新种群进行纵向交叉运算,得到纵向子种群;
更新种群生成单元,用于采用所述纵向子种群更新所述横向更新种群,得到更新种群。
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;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;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;基于特征向量生成训练样本,并基于训练样本构建初始测算模型;获取初始测算模型的初始参数,并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,得到优化测算模型;采用训练样本训练优化测算模型,得到已训练的测算模型;从输电项目提取当前特征向量;将当前特征向量输入已训练的测算模型,得到修理成本。本发明通过对测算模型的优化,提高了模型的收敛速度和泛化能力,从而提高了成本测算的精确性。
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算模型收敛速度和泛化能力影响,主观性强、精确性低的技术问题。
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,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;
在本发明实施例中,可以采集预设输电项目的历史维修预算数据,并对其进行预处理,以得到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。
步骤103,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;
在获取得到不同时间阶段线缆维修长度、线缆年限、维修结算金额以及不同位置线缆的环境数据后,可以对其进行拼接,以构造特征向量X=[x1,x2,…,xn]。
步骤104,基于特征向量生成训练样本,并基于训练样本构建初始测算模型;
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BP(backpropagation,反向传播)神经网络的初始测算模型。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力,可以解决简单感知器不能解决的异或问题。
在本发明实施例中,BP神经网络的初始测算模型可以有1个输入层,2个隐含层和1个输出层,每层神经元的数目可以分别设置为4、4、2、1。
步骤105,获取初始测算模型的初始参数,并对初始参数进行优化,得到优化参数;
在构建完成初始测算模型之后,可以对初始测算模型的初始参数进行优化。
在一个示例中,获取初始测算模型的初始参数,并对初始参数进行优化,得到优化参数的步骤,可以包括以下子步骤:
S51,获取初始测算模型的初始参数,并以初始参数的平均绝对误差、均方误差以及平均绝对百分比误差的和最小为优化目标建立目标函数;
在本发明实施例中,初始参数可以包括模型的初始权值和阈值,所述初始权值和阈值包括初始采集的线缆维修长度、线缆年限、维修结算金额以及环境数据等的权值和阈值。
在本发明实施例中,可以获取初始测算模型的初始参数,并以初始参数的平均绝对误差、均方误差以及平均绝对百分比误差的和最小为优化目标,建立目标函数,具体为:
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测算值;α、β和γ为指标融合系数,三者之和为1。
S52,确定初始参数的上下限区间,并在上下限区间中获取初始种群;
在建立目标函数后,可以确定初始参数的上下限区间,并在上下限区间中获取初始种群P=[P(1),P(2),…,P(N)],其中N为种群粒子数量。
在具体实现中,可以通过以下公式确定初始参数的上下限区间:
其中,l表示初始测算模型的的l层;Cl w和Cl b分别表示第l层的权值和阈值的上下限区间;vl in和vl out分别表示第l层的输入和输出神经元数量;ε为常数;θj指代模型的权值或阈值;D为BP神经网络初始测算模型所需训练的整体参数数量,也是种群粒子的维度大小。
初始种群P中的单个个体P(N)可以表示为:
P(N)={θj}j=1,2,...,D
S53,对初始种群进行交叉运算,得到更新种群;
接着可以对初始种群进行交叉运算,以更新初始种群,得到更新种群。
在一个示例中,所采用的交叉算法可以为纵横交叉算法(Crisscrossoptimization algorithm,CSO),CSO是一种基于种群的随机搜索算法,有两种不同的交叉方式,能较好地解决一般智能算法存在的局部最优问题。
在本发明实施例中,对初始种群进行交叉运算,得到更新种群的步骤,可以包括:
S531,对初始种群进行横向交叉运算,得到横向子种群;
S532,采用横向子种群更新初始种群,得到横向更新种群;
在本发明实施例中,可以根据当前种群做横向交叉运算,得到横向子种群,具体如下:
在横向交叉概率Qhc条件下,对初始种群P中每个粒子的不同维度作两两不重复交叉配对运算,共执行D/2次,具体运算过程如下:
其中,r1和r2是0到1之间的随机数;c1和c2是-1到1之间的随机数;Svc(i,d)和Svc(j,d)是粒子Svc(i)和Svc(j)的第d维;Shc(i,d)和Shc(j,d)是Svc(i,d)和Svc(j,d)在第d维作横向交叉运算的结果。
在得到横向子种群后,可以通过横向子种群对初始种群P进行更新,得到横向更新种群,具体可通过以下公式实现:
P1(i)=Lbest←min(fobj(P(i)),fobj(Shc(i))),i∈[1,N]
其中,P1(i)为横向更新种群,Lbest是粒子P(i)和Shc(i)根据式目标函数计算出最小目标值对应的粒子种群。
S533,对横向更新种群进行纵向交叉运算,得到纵向子种群;
S534,采用纵向子种群更新横向更新种群,得到更新种群。
在计算得到横向更新种群后,可以对其进行纵向交叉运算,以得到纵向子种群,具体过程如下:
在纵向交叉概率Qvc下,对横向更新种群中每个例子的不同维作两两不重复交叉配对运算,共执行D/2,具体运算过程如下:
Svc(i,d1)=r×Z(i,d1)+(1-r)×Z(i,d2),i∈[1,M],d1,d2∈[1,D]
其中,r为0到1之间的正态随机分布数,Svc(i,d1)是粒子Z(i)第d1维和第d2维纵向交叉得到的结果。
接着可以采用纵向子种群更新横向更新种群P1(i),得到更新种群,更新方式如下:
P2(i)=Lbest←min(fobj(P1(i)),fobj(Svc(i))),i∈[1,N]
其中,P2(i)为更新种群。
S54,获取当前迭代次数,并判断当前迭代次数是否等于预设迭代次数;
S55,若是,将更新种群对应的参数作为优化参数;
S56,若当前迭代次数不等于预设迭代次数,则采用更新种群作为初始种群,并返回对初始种群进行交叉运算,得到更新种群的步骤。
在通过纵横交叉运算完成一次种群更新操作后,可以重复种群更新操作,直至当前迭代次数等于预设迭代次数。当迭代更新完成后,可以采用此时的更新种群的参数作为优化参数,以优化初始测算模型。
步骤106,采用优化参数替换初始参数,得到优化测算模型;
步骤107,采用训练样本训练优化测算模型,得到已训练的测算模型;
在完成初始测算模型的优化后,可以通过训练样本对优化测算模型进行训练。具体训练方法本发明不作具体限制。
步骤108,从输电项目提取当前特征向量;
步骤109,将当前特征向量输入已训练的测算模型,得到修理成本。
在完成优化测算模型的训练后,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;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;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;基于特征向量生成训练样本,并基于训练样本构建初始测算模型;获取初始测算模型的初始参数,并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,得到优化测算模型;采用训练样本训练优化测算模型,得到已训练的测算模型;从输电项目提取当前特征向量;将当前特征向量输入已训练的测算模型,得到修理成本。本发明通过对测算模型的优化,提高了模型的收敛速度和泛化能力,从而提高了成本测算的精确性。
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:
历史维修预算数据采集模块201,用于采集预设输电项目的历史维修预算数据;
预处理模块202,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;
特征向量生成模块203,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;
初始测算模型构建模块204,用于基于特征向量生成训练样本,并基于训练样本构建初始测算模型;
优化参数获取模块205,用于获取初始测算模型的初始参数,并对初始参数进行优化,得到优化参数;
优化测算模型生成模块206,用于采用优化参数替换初始参数,得到优化测算模型;
训练模块207,用于采用训练样本训练优化测算模型,得到已训练的测算模型;
维修预算数据提取模块208,用于从输电项目提取维修预算数据;
修理成本计算模块209,用于将维修预算数据输入已训练的测算模型,得到修理成本。
在本发明实施例中,优化参数获取模块205,包括:
目标函数建立子模块,用于获取初始测算模型的初始参数,并以初始参数的平均绝对误差、均方误差以及平均绝对百分比误差的和最小为优化目标建立目标函数;
初始种群获取子模块,用于确定初始参数的上下限区间,并在上下限区间中获取初始种群;
交叉运算子模块,用于对初始种群进行交叉运算,得到更新种群;
判断子模块,用于获取当前迭代次数,并判断当前迭代次数是否等于预设迭代次数;
优化参数确定子模块,用于若是,将更新种群对应的参数作为优化参数。
在本发明实施例中,优化参数获取模块205,还包括:
迭代子模块,用于若当前迭代次数不等于预设迭代次数,则采用更新种群作为初始种群,并返回对初始种群进行交叉运算,得到更新种群的步骤。
在本发明实施例中,交叉运算子模块,包括:
横向交叉运算单元,用于对初始种群进行横向交叉运算,得到横向子种群;
更新更新种群生成单元,用于采用横向子种群更新初始种群,得到横向更新种群;
纵向交叉运算单元,用于对横向更新种群进行纵向交叉运算,得到纵向子种群;
更新种群生成单元,用于采用纵向子种群更新横向更新种群,得到更新种群。
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;
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;
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初始测算模型;
获取所述初始测算模型的初始参数,并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,得到优化测算模型;
采用所述训练样本训练所述优化测算模型,得到已训练的测算模型;
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测算模型,得到修理成本。
2.根据权利要求1所述的方法,其特征在于,所述获取所述初始测算模型的初始参数,并对所述初始参数进行优化,得到优化参数的步骤,包括:
获取所述初始测算模型的初始参数,并以所述初始参数的平均绝对误差、均方误差以及平均绝对百分比误差的和最小为优化目标建立目标函数;
确定所述初始参数的上下限区间,并在所述上下限区间中获取初始种群;
对所述初始种群进行交叉运算,得到更新种群;
获取当前迭代次数,并判断所述当前迭代次数是否等于预设迭代次数;
若是,将所述更新种群对应的参数作为优化参数。
3.根据权利要求2所述的方法,其特征在于,还包括:
若当前迭代次数不等于预设迭代次数,则采用所述更新种群作为初始种群,并返回对所述初始种群进行交叉运算,得到更新种群的步骤。
4.根据权利要求1所述的方法,其特征在于,所述对所述初始种群进行交叉运算,得到更新种群的步骤,包括:
对所述初始种群进行横向交叉运算,得到横向子种群;
采用所述横向子种群更新所述初始种群,得到横向更新种群;
对所述横向更新种群进行纵向交叉运算,得到纵向子种群;
采用所述纵向子种群更新所述横向更新种群,得到更新种群。
5.一种输电项目修理成本测算装置,其特征在于,包括:
历史维修预算数据采集模块,用于采集预设输电项目的历史维修预算数据;
预处理模块,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;
初始测算模型构建模块,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初始测算模型;
优化参数获取模块,用于获取所述初始测算模型的初始参数,并对所述初始参数进行优化,得到优化参数;
优化测算模型生成模块,用于采用所述优化参数替换所述初始参数,得到优化测算模型;
训练模块,用于采用所述训练样本训练所述优化测算模型,得到已训练的测算模型;
维修预算数据提取模块,用于从所述输电项目提取维修预算数据;
修理成本计算模块,用于将所述维修预算数据输入所述已训练的测算模型,得到修理成本。
6.根据权利要求5所述的装置,其特征在于,所述优化参数获取模块,包括:
目标函数建立子模块,用于获取所述初始测算模型的初始参数,并以所述初始参数的平均绝对误差、均方误差以及平均绝对百分比误差的和最小为优化目标建立目标函数;
初始种群获取子模块,用于确定所述初始参数的上下限区间,并在所述上下限区间中获取初始种群;
交叉运算子模块,用于对所述初始种群进行交叉运算,得到更新种群;
判断子模块,用于获取当前迭代次数,并判断所述当前迭代次数是否等于预设迭代次数;
优化参数确定子模块,用于若是,将所述更新种群对应的参数作为优化参数。
7.根据权利要求6所述的装置,其特征在于,还包括:
迭代子模块,用于若当前迭代次数不等于预设迭代次数,则采用所述更新种群作为初始种群,并返回对所述初始种群进行交叉运算,得到更新种群的步骤。
8.根据权利要求5所述的装置,其特征在于,所述交叉运算子模块,包括:
横向交叉运算单元,用于对所述初始种群进行横向交叉运算,得到横向子种群;
更新更新种群生成单元,用于采用所述横向子种群更新所述初始种群,得到横向更新种群;
纵向交叉运算单元,用于对所述横向更新种群进行纵向交叉运算,得到纵向子种群;
更新种群生成单元,用于采用所述纵向子种群更新所述横向更新种群,得到更新种群。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363420.2A CN114066250A (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 |
---|---|---|---|
CN202111363420.2A CN114066250A (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 |
---|---|
CN114066250A true CN114066250A (zh) | 2022-02-18 |
Family
ID=80277426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111363420.2A Pending CN114066250A (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) | CN114066250A (zh) |
Cited By (1)
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 |
-
2021
- 2021-11-17 CN CN202111363420.2A patent/CN114066250A/zh active Pending
Cited By (2)
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 |
---|---|---|
Ghods et al. | Methods for long-term electric load demand forecasting; a comprehensive investigation | |
CN110059887B (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
CN112383052A (zh) | 基于电力物联网的电网故障修复方法和装置 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
CN112598151A (zh) | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN113505458A (zh) | 连锁故障关键触发支路预测方法、系统、设备及存储介质 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN112862065A (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
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 | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN111222762A (zh) | 太阳能电池板镀膜工艺状态监控及质量控制系统 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
Ballı et al. | An application of artificial neural networks for prediction and comparison with statistical methods | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN116826733A (zh) | 一种光伏功率预测方法和系统 |
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 |