CN114971092B - 一种变电站主控楼混凝土用量预测方法和装置 - Google Patents
一种变电站主控楼混凝土用量预测方法和装置 Download PDFInfo
- Publication number
- CN114971092B CN114971092B CN202210902044.8A CN202210902044A CN114971092B CN 114971092 B CN114971092 B CN 114971092B CN 202210902044 A CN202210902044 A CN 202210902044A CN 114971092 B CN114971092 B CN 114971092B
- Authority
- CN
- China
- Prior art keywords
- concrete
- main control
- control building
- consumption
- historical
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
本发明涉及一种变电站主控楼混凝土用量预测方法和装置,属于数据预处理与识别技术领域,解决现有方法难以解释突变的负荷,而智能方法缺乏历史数据作为校验且未对不同模块进行针对性预测的问题。该方法包括收集历史工程数据以形成典型工程数据库;针对主控楼的不同模块识别出混凝土用量的影响因素;基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标;通过数据分析获得相同类型的历史工程的混凝土历史参考用量;以及根据混凝土用量参考目标与混凝土历史参考用量,确定混凝土用量预测目标。通过混凝土用量参考目标与混凝土历史参考用量,精准预测混凝土用量合理性,提高了混凝土用量设计优化,提升了精准程度。
Description
技术领域
本发明涉及数据预处理与识别技术领域,尤其涉及一种变电站主控楼混凝土用量预测方法和装置。
背景技术
电网工程设计评审通过对输变电工程建设方案的技术经济分析和评价,选择和推荐安全可靠、技术先进、造价合理的设计方案,是电网工程前期投资控制的有效手段,也是全寿命周期造价管理的关键所在,因此研宄变电站主控楼混凝土用量评估处置方法,为有效控制工程投资,合理评价工程技术经济指标水平,降低电网工程建设成本提供了参照,也为工程项目可行性研宄、工程初步设计等工作的开展提供了更科学的决策依据。
主变工程主要工程量区间,即针对分部分项工程,设立塔材量、线材量、基础混凝土量、土石方贵等主要工程量区间,一方面用于设计评审中对主要技术方案下的工程量进行核对,另一方面可用于建立针对性更强的分部分项工程造价区间,更好的服务于造价评审工作,提高评审的效率。
目前针对主控楼混凝土用量评估的方法不多,主要包括预测方法,以及实际经验判断为主,传统预测方法主要有时间序列、回归模型、趋势外推等方法;智能预测方法主要有神经网络、支持向量机等。传统预测方法模型较为简单、模型的参数固定,难以对突变的负荷进行解释,智能预测方法考虑的因素较多,但缺乏一定的历史数据作为校验参考,同时没有针对不同模块的实际特点进行有针对性的预测分析。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种变电站主控楼混凝土用量预测方法和装置,用以解决传统方法简单、模型参数固定,难以对突变的负荷进行解释,而智能方法缺乏历史数据作为校验参考,同时没有针对不同模块的实际特点进行针对性预测的问题。
一方面,本发明实施例提供了一种变电站主控楼混凝土用量预测方法和装置,包括:收集历史工程数据以形成典型工程数据库,其中,所述历史工程数据包括结算报告、主控楼照片以及相应的工程量数据;根据主控楼的建设特点,对所述主控楼进行模块划分,同时针对所述主控楼的不同模块识别出混凝土用量的影响因素;基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标;基于所述混凝土用量的影响因素设置相同类型方案的关键影响因素,基于所述关键影响因素识别相同类型的历史工程信息,然后通过数据分析获得所述相同类型的历史工程的混凝土历史参考用量;以及根据所述混凝土用量参考目标与所述混凝土历史参考用量,确定混凝土用量预测目标。
上述技术方案的有益效果如下:通过混凝土用量参考目标与混凝土历史参考用量,精准预测混凝土用量合理性,提高了混凝土用量设计优化,提升了精准程度。
基于上述方法的进一步改进,在确定混凝土用量预测目标之后进一步包括:结合模块分解,将不同模块的混凝土设计用量与所述混凝土用量预测目标进行比较,判断其偏差和影响比例,优先调整工程量弹性较大的模块,以将所述偏差控制在预先设定的误差范围内;以及利用所述变电站主控楼混凝土用量预测方法对不同类型的待建主控楼混凝土设计用量进行预测。
基于上述方法的进一步改进,根据主控楼的建设特点,对所述主控楼进行模块划分,同时针对所述主控楼的不同模块识别出混凝土用量的影响因素包括:根据所述主控楼照片确定所述主控楼的建设特点;根据所述主控楼的建设特点将所述主控楼的土建部分分解为主变室、配电室、二次及直流系统室、无功补偿室以及附加室;以及对所述主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室识别出所述混凝土用量的影响因素,所述混凝土用量的影响因素包括地理位置、地形、环境、风速、气温、地质、主变容量、电压等级、变压器尺寸、出线规模、出线柜宽度、母线形式、二次屏柜数量、出线保护装置数量、无功补偿功率和建筑体积。
基于上述方法的进一步改进,基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括:对所述主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室的混凝土用量进行分别预测,以获得不同模块的混凝土用量;以及对所述不同模块的混凝土用量进行叠加以获得所述主控楼的总混凝土用量作为所述混凝土用量参考目标。
基于上述方法的进一步改进,基于所述关键影响因素识别相同类型的历史工程信息包括:基于所述关键影响因素对所有样本数据进行搜索,应用粒子群改进算法,找到误差平方和J值最小的聚类数量以及对应的初始聚类中心;当初始聚类中心确定以后,根据改进模糊聚类算法最终确定样本数据的类别以及各类别中心,其中,所述主变室的关键影响因素包括主变容量、电压等级和变压器尺寸;所述配电室的关键影响因素包括出线规模、出线柜宽度和母线形式;所述二次及直流系统室的关键影响因素包括二次屏柜数量和出线保护装置数量;所述无功补偿室的关键影响因素包括主变容量、出线规模和无功补偿功率;以及所述附加室的关键影响因素包括主变容量和出线规模。
基于上述方法的进一步改进,根据改进模糊聚类算法最终确定样本数据的类别以及各类别中心进一步包括:所述改进模糊聚类算法的目标函数为:
max{J(U,V)}
s.t.J=J com -J sep
其中,c是聚类数量,V={v 1,v 2,…v c }是特征空间的矢量集合,v i 表示第i类的聚类原型矢量,i=1,2,…,c,μ ik ∈U,U是一个c×n的模糊矩阵,所述模糊矩阵满足以下条件:
在迭代过程中计算每类数据的紧密度J com 和类间分离度J sep ,并求得J=J com -J sep ,然后以取得最大值的J最终得到最佳聚类数量、聚类原型以及样本数据所属类型;给定聚类类别数c,2≤c≤n,n为数据个数,设定迭代停止阈值e以及模糊指数m,初始化聚类原型模式v(0),设定迭代计数器b=0,如果存在i,k使得d ik b >0,则有:
如果存在i,k使得d ik b =0,则有μ ik (b)=1,且对j≠i,μ ik (b)=0:
若,则算法停止,并且输出划分矩阵U和聚类原型V,否则令b=b+1,并转到上一步骤;确定最佳分类树C m ,计算J(C)的值,当满足条件:J(C m )=max{J(C)},则认为C m 为最佳分类数量,并得到所述输出划分矩阵U和所述聚类原型V。
基于上述方法的进一步改进,通过数据分析获得相同类型的历史工程的混凝土历史参考用量包括:计算样本数据的中位数、上四分位数、下四分位数、最大值、最小值、样本均值和样本方差;采用箱线图剔除异常值,以对所述样本数据进行一次异常值分析,其中,所述异常值为小于下四分位数Q L 减去1.5倍四分位距离Q IQR 、大于上四分位数Q U 加上1.5倍四分位距离Q IQR ;根据切比雪夫不等式原理,至少80%的统计数据落在区间Φ中;Φ={x|μ-kσ≤x≤μ+kσ},其中,μ为所述样本数据的平均值,σ为所述样本数据的标准差,k为区间系数;最终得到混凝土用量的合理区间为μ-k i+1 σ≤x≤μ+k i+1 σ;通过以下公式计算相同类型的历史工程的混凝土历史参考用量CK LS :
CK LS ={(μ-k i+1 σ)+(μ+k i+1 σ)}/2。
基于上述方法的进一步改进,根据所述混凝土用量参考目标与所述混凝土历史参考用量,确定混凝土用量预测目标包括:通过以下公式确定所述混凝土用量预测目标:
PG=(CK LS +CK YC )/2,
其中,PG为待建工程的预测目标、CK LS 为所述混凝土历史参考用量,CK YC 为结合影响因素构建的所述混凝土用量参考目标。
基于上述方法的进一步改进,基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括:基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括基于所述混凝土用量的影响因素采用基于遗传算法优化的支持向量机模型对所述主控楼混凝土用量进行预测,以得到混凝土用量参考目标,其中,所述支持向量机模型通过非线性映射将输入向量映射到一个高维特征空间,在所述高维特征空间中构造最优分类超平面,支持向量机的分类函数类似于神经网络,输出是中间节点的线性组合,每个中间节点对应一个支持向量。
另一方面,本发明实施例提供了一种变电站主控楼混凝土用量预测装置,包括:数据获取模块,用于收集历史工程数据以形成典型工程数据库,其中,所述历史工程数据包括结算报告、主控楼照片以及相应的工程量数据;影响因素识别模块,用于根据主控楼的建设特点,对所述主控楼进行模块划分,同时针对所述主控楼的不同模块识别出混凝土用量的影响因素;目标预测模块,基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标;历史用量获取模块,用于基于所述混凝土用量的影响因素设置相同类型变电站主控楼的关键影响因素,基于所述关键影响因素识别相同类型的历史工程信息,然后通过数据分析获得所述相同类型的历史工程的混凝土历史参考用量;以及预测目标获取模块,用于根据所述混凝土用量参考目标与所述混凝土历史参考用量,确定混凝土用量预测目标。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、通过混凝土用量参考目标与混凝土历史参考用量,精准预测混凝土用量合理性,提高了混凝土用量设计优化,提升了精准程度;
2、对主控楼工程进行模块划分,结合不同模块的建设特性,有针对性的识别影响因素,结合分解集成理念,实现工程量的科学预测;
3、针对相同方案的历史工程进行类型划分,进一步细化统计分析范围,进一步运用区间统计方法,实现基于历史数据的参考目标的统计分析。
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变电站主控楼混凝土用量预测方法的流程图;
图2为根据本发明实施例的主控楼的土建部分分解示图;
图3为由支持向量机获取的最优超平面的示图;
图4为根据本发明实施例的支持向量机的结构图;
图5为根据本发明实施例的变电站主控楼混凝土用量预测装置的框图。
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,公开了一种变电站主控楼混凝土用量预测方法,参考图1,变电站主控楼混凝土用量预测方法包括:在步骤S102中,收集历史工程数据以形成典型工程数据库,其中,历史工程数据包括结算报告、主控楼照片以及相应的工程量数据;在步骤S104中,根据主控楼的建设特点,对主控楼进行模块划分,同时针对主控楼的不同模块识别出混凝土用量的影响因素;在步骤S106中,基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标;在步骤S108中,基于混凝土用量的影响因素设置相同类型方案的关键影响因素,基于所述关键影响因素识别相同类型的历史工程信息,然后通过数据分析获得相同类型的历史工程的混凝土历史参考用量;以及在步骤S110中,根据混凝土用量参考目标与混凝土历史参考用量,确定混凝土用量预测目标。
与现有技术相比,本实施例提供的变电站主控楼混凝土用量预测方法中,通过混凝土用量参考目标与混凝土历史参考用量,精准预测混凝土用量合理性,提高了混凝土用量设计优化,提升了精准程度。
下文中,参考图1,对根据本发明实施例的变电站主控楼混凝土用量预测方法的各个步骤进行详细描述。
在步骤S102中,收集历史工程数据以形成典型工程数据库,其中,历史工程数据包括结算报告、主控楼照片以及相应的工程量数据。
在步骤S104中,根据主控楼的建设特点,对主控楼进行模块划分,同时针对主控楼的不同模块识别出混凝土用量的影响因素。具体地,根据主控楼的建设特点,对主控楼进行模块划分,同时针对主控楼的不同模块识别出混凝土用量的影响因素包括:根据主控楼照片确定主控楼的建设特点;根据主控楼的建设特点将主控楼的土建部分分解为主变室、配电室、二次及直流系统室、无功补偿室以及附加室;以及对主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室识别出混凝土用量的影响因素,混凝土用量的影响因素包括地理位置、地形、环境、风速、气温、地质、主变规模(又称主变容量)、电压等级、变压器尺寸、出线规模、出线柜宽度、母线形式、二次屏柜数量、出线保护装置数量、无功补偿功率和建筑体积。
在步骤S106中,基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标。具体地,基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括:对主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室的混凝土用量进行分别预测,以获得不同模块的混凝土用量;以及对不同模块的混凝土用量进行叠加以获得主控楼的总混凝土用量作为混凝土用量参考目标。
基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括:基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括基于混凝土用量的影响因素采用基于遗传算法优化的支持向量机模型对主控楼混凝土用量进行预测,以得到混凝土用量参考目标,其中,支持向量机模型通过非线性映射将输入向量映射到一个高维特征空间,在高维特征空间中构造最优分类超平面,SVM(支持向量机)的分类函数类似于神经网络,输出是中间节点的线性组合,每个中间节点对应一个支持向量。该支持向量机模型的输入向量为地理位置、地形、环境、风速、气温、地质、主变容量、电压等级、变压器尺寸、出线规模、出线柜宽度、母线形式、二次屏柜数量、出线保护装置数量、无功补偿功率和建筑体积,该支持向量机模型的输出向量为主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室的混凝土用量。
在步骤S108中,基于混凝土用量的影响因素设置相同类型方案的关键影响因素,通过相似工程搜索方法基于关键影响因素识别相同类型的历史工程信息,然后通过数据分析获得相同类型的历史工程的混凝土历史参考用量。基于混凝土用量的影响因素设置相同类型方案的关键影响因素包括设置主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室的关键影响因素。例如,主变室的关键影响因素包括主变容量、电压等级和变压器尺寸;配电室的关键影响因素包括出线规模、出线柜宽度和母线形式;二次及直流系统室的关键影响因素包括二次屏柜数量和出线保护装置数量;无功补偿室的关键影响因素包括主变容量、出线规模和无功补偿功率;附加室的关键影响因素包括主变容量和出线规模。
具体地,通过相似工程搜索方法基于关键影响因素识别相同类型的历史工程信息包括:针对所有样本数据搜索,应用粒子群改进算法,找到误差平方和J值最小的聚类数量以及对应的初始聚类中心;当初始聚类中心确定以后,根据改进模糊聚类算法最终确定样本数据的类别以及各类别中心。
根据改进模糊聚类算法最终确定样本数据的类别以及各类别中心进一步包括:改进模糊聚类算法的目标函数为:
max{J(U,V)}
s.t.J=J com -J sep
其中,c是聚类数量,V={v 1,v 2,…,v c }是特征空间的矢量集合,v i (i=1,2,…,c)表示第i类的聚类原型矢量,μ ik ∈U,U是一个c×n的模糊矩阵,模糊矩阵满足以下条件:
在迭代过程中计算每类数据的紧密度J com 和类间分离度J sep ,并求得J=J com -J sep ,然后以取得最大值的J最终得到最佳聚类数量、聚类原型以及样本数据所属类型;给定聚类类别数c,2≤c≤n,n为数据个数,设定迭代停止阈值e以及模糊指数m,初始化聚类原型模式v(0),设定迭代计数器b=0;如果存在i,k使得d ik b >0,则有
如果存在i,k使得d ik b =0,则有μ ik (b)=1,且对j≠i,μ ik (b)=0:
若,则算法停止,并且输出划分矩阵U和聚类原型V,否则令b=b+1,并转到上一步骤;确定最佳分类树C m ,计算J(C)的值,当满足条件:J(C m )=max{J(C)},则认为C m 为最佳分类数量,并得到输出划分矩阵U和聚类原型V,即最终聚类原型。
通过数据分析获得相同类型的历史工程的混凝土历史参考用量包括:基于切比雪夫不等式计算相同类型工程混凝土用量区间,并根据线性加权法得出最终的平均数值,作为相同类型工程混凝土历史参考用量。具体地,计算样本数据的中位数、上四分位数、下四分位数、最大值、最小值、样本均值和样本方差;采用箱线图剔除异常值,以对样本数据进行一次异常值分析,其中,异常值为小于下四分位数Q L 减去1.5倍四分位距离Q IQR 、大于上四分位数Q U 加上1.5倍四分位距离Q IQR ;根据切比雪夫不等式原理,至少80%的统计数据落在区间Φ中;
Φ={x|μ-kσ≤x≤μ+kσ},
其中,μ为样本数据的平均值,σ为样本数据的标准差,k为区间系数;
最终得到混凝土用量的合理区间为μ-k i+1 σ≤x≤μ+k i+1 σ;
通过以下公式计算相同类型的历史工程混凝土的历史参考用量CK LS :
CK LS ={(μ-k i+1 σ)+(μ+k i+1 σ)}/2。
在步骤S110中,根据混凝土用量参考目标与混凝土历史参考用量,确定混凝土用量预测目标。
具体地,根据混凝土用量参考目标与混凝土历史参考用量,确定混凝土用量预测目标包括:通过以下公式确定混凝土用量预测目标:
PG=(CK LS +CK YC )/2,
其中,PG为待建工程的预测目标、CK LS 为混凝土历史参考用量,CK YC 为结合影响因素构建的混凝土用量参考目标。
在确定(即,共同确定)混凝土用量预测目标之后,可以基于混凝土用量预测目标调整混凝土设计用量。具体地,结合模块分解,将不同模块的混凝土设计用量与混凝土用量预测目标进行比较,判断其偏差和影响比例,优先调整工程量弹性较大的模块,以将偏差控制在预先设定的误差范围内;以及利用变电站主控楼混凝土用量预测方法对不同类型待建主控楼混凝土设计用量进行预测。
本发明的一个具体实施例,公开了变电站主控楼混凝土用量预测装置,参考图5,该变电站主控楼混凝土用量预测装置包括:数据获取模块502,用于收集历史工程数据以形成典型工程数据库,其中,历史工程数据包括结算报告、主控楼照片以及相应的工程量数据;影响因素识别模块504,用于根据主控楼的建设特点,对主控楼进行模块划分,同时针对主控楼的不同模块识别出混凝土用量的影响因素;目标预测模块506,基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标;历史用量获取模块508,用于基于混凝土用量的影响因素设置相同类型变电站主控楼的关键影响因素,通过相似工程搜索方法识别相同类型的历史工程信息,通过数据分析获得相同类型的历史工程的混凝土历史参考用量;以及预测目标获取模块510,用于根据混凝土用量参考目标与混凝土历史参考用量,确定混凝土用量预测目标。
下文中,将参考图2至图4,以具体实例的方式对根据本发明实施例的变电站主控楼混凝土用量预测方法进行下详细描述。
根据本发明实施例的变电站主控楼混凝土用量预测方法包括:收集历史工程数据,包括结算报告、主控楼照片以及相应的工程量数据,形成基础数据库;结合主控楼建设特点,对主控楼进行模块划分,并针对不同模块的混凝土用量的影响因素进行识别分析,例如,根据照片将主控楼分为5个模块,混凝土用量是结合不同模块的特点分别进行识别;基于典型工程数据库对主控楼混凝土用量进行预测,得到混凝土用量参考目标;设置相同类型方案的关键影响因素,通过相似工程搜索方法识别该方案相同类型的历史工程信息,通过数据分析得出该类工程主控楼混凝土的历史参考用量;综合预测的混凝土用量参考目标与历史参考用量,共同确定混凝土用量目标;结合模块分解理念,将不同模块设计用量与目标进行对比分析,判断其偏差幅度以及影响比例,优先调整工程量弹性较大的模块,将偏差控制在预先设定的误差范围内。利用所述变电站主控楼混凝土用量评估处置方法对不同类型待建主控楼的混凝土设计用量进行评估与调整。
收集历史工程数据包括结算报告、主控楼照片以及相应的工程量数据,同时还需要结合不同工程的不同地理位置,收集相应的地形、环境、风速、气温数据。
基于典型工程数据库对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括:
参考图2,首先借助模块分解理念,将主控楼的土建部分进行分解,分为主变室、配电室、二次及直流系统室、无功补偿室、以及其他(又称附加室),共计5部分。
其次对混凝土量的影响因素进行识别分析,影响混凝土量的因素是地理位置、地形、环境、风速、气温、地质、主变容量、电压等级、变压器尺寸、出线规模、出线柜宽度、母线形式、二次屏柜数量、出线保护装置数量、无功补偿功率和建筑体积。
根据分解集成理念,通过将各个模块的混凝土用量进行分别预测,最优叠加得到主控楼的总混凝土用量。结合影响因素分析,采用基于遗传算法优化的支持向量机模型,能够对支持向量机模型的参数进行合理、高效的优化,使得预测模型灵活、智能,更加符合实际工程建模的需求,最终得出混凝土用量参考目标。
支持向量机最初用于解决分类问题,预测技术是在其基础上的发展,因此从分类理论出发,并扩展到预测技术的研究讨论中。设基于用于考虑训练样本集{(x i ,y i ),i=1,2,…,l},其中x i 是输入模式的第i个例子,y i ∈{+1,-1}是两类分类问题对应的目标输出。支持向量分类机的目标就是构造一个决策函数(分类超平面),将测试数据尽可能正确地分类,下面就对此进行讨论。
如果存在分类超平面:
<w,x>+b=0,
满足约束条件:
y ii (<w,x>+b)-1≥0,ii=1,2,…,l,
则称训练集是线性可分的,<•,•>表示向量的内积,w∈R n 为可调的权值向量,b∈R为偏置。
由统计学习理论可知,如果训练样本集没有被超平面错误分开,并且距超平面最近的样本数据与分类超平面之间的距离最大,则该超平面为最优超平面(OptimalHyperplane),如图3所示。由此得到的决策函数:f(x)=sgn(<w,x>+b),其推广能力最佳,其中sgn(·)为符号函数。
利用Lagrange优化方法及Wofle对偶理论,可以将上述问题转化为其对偶问题,即最大化泛函:
其中,α e 为样本e对应的Lagrange乘子。
上式是具有不等式约束的二次规划问题,存在唯一解,且解中只有少部分α e 不为零,其对应的样本就是支持向量,解上述问题得到最优分类函数为:
其中,nsv为支持向量个数,b是分类阈值,可用两类中任意一对支持向量取中值求得。
通过引入松弛项ξ e 实现广义分类面,解决训练样本线性不可分的情况,即折衷考虑最小错分样本和最大分类间隔。对于非线性问题,可通过非线性变换将其转化为某个高维空间中的线性问题,然后在这个高维空间中寻求最优分类面。仅有样本间的内积运算(x e •x f )被涉及,因此在高维空间中只需进行内积运算,而内积运算可通过原空间中的函数实现。根据Hilbert-schmidt原理,只要核函数K(x e •x f )满足Mercer条件,它就对应某一交换空间中的内积。
因此,用满足Mercer条件的核函数K(x e •x f )代替式中的内积,就可实现某种非线性变换后的线性分类,则最优分类函数变为:
总之,SVM就是通过某种事先选择的非线性映射,将输入向量映射到一个高维特征空间,在这个特征空问中构造最优分类超平面。在形式上,SVM分类函数类似于神经网络,输出是中间节点的线性组合,每个中间节点对应一个支持向量,如图4所示。神经网络的中间节点数要靠经验或对比实验进行选取,逸辑的不同会对网络性能产生很大影响;而SVM的中间节点数由计算自动确定。
Vapnik通过引入e不敏感损失函数,将SVM分类理论中得到的结果推广,使其可用于函数拟合有了这种推广,SVM方法成为高维空间中函数表达的一般方法,它可以用于各种函数估计问题,包括密度估计问题和求解线性算子方程问题。引入松弛变量ξ e 和ξ e *,构造如下优化问题:
其中,常数C是惩罚系数。
其对偶空间的优化问题为:
其中,α e ,α e *是Lagrange乘子。
求解此问题,得到最优的Lagrange乘子α e ,α e *,从而得到拟合函数:
考虑到在实际的混凝土用量信息维数高、干扰因素众多且相互关联,输入变量之间存在的非线性属性会影响支持向量机学习模型的预测精度和泛化能力,因此首先运用非线性核主元分析对输入变量进数据压缩和信息抽取,消除输入变量之间的相关性,提取主成分,为支持向量机进行训练奠定数据基础。
支持向量机的预测精度与参数惩罚因子C、损失函数参数e、选择的核函数以及核函数宽度系数δ之间存在着一定的关系。因此,应用遗传算法在一定的取值范围内找到支持向量机各参数的最优值,进而获得具有最佳预测性能。
确定参数C、ε和径向基核函数δ的取值范围,确定不敏感系数ε的取值范围为[0,0.08],惩罚因子C的取值范围为[0.0001,500],径向基核函数的宽度系数σ=[0.01,5]。
定义适应度函数,应用相对均方误差作为目标函数:
其中,α e 为实际值,s e 为测试值,N为训练集的样本数目。确定适当的实际值与预测值之间的误差要求。
在进行目标函数评价时,首先利用训练样本数据建立预报模型,对测试样本数据进行预测,利用目标函数来衡量学习算法优劣,误差越小的个体性能越优异。
对上述参数进行二进制编码,并随机产生初始群体;
对群体中的染色体解码,计算各个个体对应的目标函数;
判断群体性能是否满足优化准则,若满足优化准则就输出最优参数,否则按照遗传策略,再运用选择、交叉和变异算子作用于群体,产生下一代群体,并开始新一代的遗传。
检查学习得到的目标函数,若选取的参数值满足MAPE误差要求,则继续进行二进制编码。
最后将得到的最优参数值赋给预测学习算法,用训练样本集进行训练,然后对测试样本进行预测,得到对应的预测结果。
给出1组样本x 1,x 2,…,x n ∈R n ,x 1,x 2,…,x n 为混凝土量影响因素集合。其中由非线性映射Φ映射到空间F,原始数据x i 在映射空间F的像为Φ(x k ),假设其均值为0,即,则映射数据协方差矩阵可表示为:
对特征空间协方差矩阵C进行特征向量分析:
λv=Cv
其中特征值λ≥0,将投影向量与该式求内积,得:
λ<Φ(x k ),v≥Φ(x k ),
解方程可得与非零特征值对应的特征向量v。其解一定处于Φ(x 1),…,Φ(x n )空间中,所以v可表示为:
式中:k=1,…,n。
假设一个n×n矩阵K=[K ij ] n×n 其中,K ij =K(x i ,x j )=Φ(x i ) T Φ(x j )。
可化简为nλα=Kα
其中a=[a 1,a 2,…,a n ] T
求解方程可得矩阵K的第k个特征向量a k ,由特征向量a k 可确定特征空间的主元方向v k ,由矩阵K的特征向量a可求得C的特征向量v,即映射空间的主元方向:
其中k为主元个数。特征空间中的一点x向第k个核主元v k 的投影为:
在空间x表示为(β 1,β 2,…β m ),核函数形式的选取对于非线性系统的分析具有重要影响,核函数有不同的形式,本申请采用径向基核函数:
从保证提取主元特征完整性的前提下尽可能减少主元冗余度的角度出发,定义了如下的适应度函数:
其中为累计方差贡献率,表示m个主成分所提取的特征信息占原始变量信息量的比重。λ i 为第i个特征向量对应的特征值。从适应度的函数可以看到,当累计方差贡献率满足给定要求时,m越小CPV也越小。所以通过寻找一个最优核参数c,使适应度函数CPV最小,从而保证核主元分析得到最佳效果。
设置相同类型方案的关键影响因素,通过相似工程搜索方法识别该方案相同类型的历史工程信息,通过数据分析得出该类工程主控楼混凝土的历史用量参考。具体地,主变室的关键影响因素包括主变容量、电压等级和变压器尺寸;配电室的关键影响因素包括出线规模、出线柜宽度和母线形式;二次及直流系统室的关键影响因素包括二次屏柜数量和出线保护装置数量;无功补偿室的关键影响因素包括主变容量、出线规模和无功补偿功率;以及附加室的关键影响因素包括主变容量和出线规模。
首先根据历史工程信息,对相同类型历史工程进行分类处理。根据上述算法思想可以得到两阶段模糊聚类改进算法的数学模型以及基本流程。
在第一阶段针对所有样本数据搜索,应用粒子群改进算法,找到误差平方和J值最小的聚类数量以及对应的聚类中心。当初始聚类中心确定以后,在第二阶段根据改进模糊聚类算法最终确定样本数据的类别以及各类中心。
其中,c是聚类数量,V={v 1,v 2,…v c }是特征空间的矢量集合,v i (i=1,2,…,c)表示第i类的聚类原型矢量,μ ik ∈U,U是一个c×n的模糊矩阵。该矩阵满足以下条件:
定义改进模糊聚类算法的目标函数为:
max{J(U,V)}
s.t.J=J com -J sep
根据改进算法的目标函数确定方法,在迭代过程中计算每类数据的紧密度J com 和类间分离度J sep ,然后求得J=J com -J sep ,然后以取得最大值的J最终得到最佳聚类数量、聚类原型以及样本数据所属类型;
给定聚类类别数c,2≤c≤n,n为数据个数,设定迭代停止阈值e以及模糊指数m,初始化聚类原型模式v(0),设定迭代计数器b=0,
如果存在i,k使得d ik b >0,则有
如果存在i,k使得d ik b =0,则有μ ik (b)=1,且对j≠i,μ ik (b)=0:
确定最佳分类树C m ,计算J(C)的值,当满足条件:J(C m )=max{J(C)},则认为C m 为最佳分类数量,并得到输出划分矩阵U和聚类原型,即最终聚类原型V。
然后选取相同类型工程,针对不同模块的混凝土用量进行统计分析。基于切比雪夫不等式计算相同类型工程混凝土用量区间,并根据线性加权法得出最终的平均数值,作为该类工程的历史参考用量目标。
主要步骤如下所示:
(1)计算该样本数据的中位数、第一四分位数、计算该样本数据的中位数、第一四分位数、分析得到样本数据的最大值、最小值,计算样本数据的样本均值、样本方差。
(2)采用箱线图剔除异常值,对造价数据进行一次异常值分析,排除异常值以后,样本数据将减少,样本数据将更趋于合理,为下一步计算区间提供基础数据。
箱线图是由1组数据的最大值、最小值、中位数和2个四分位数这5个特征值绘制而成的、反应原始数据分布的图形。箱线图提供了识别异常值的标准:异常值被定义为小于下四分位数Q L 减去1.5倍四分位距离Q IQR 、大于上四分位数Q U 加上1.5倍四分位距离Q IQR ,即Q<Q BL 或者Q>Q BU ,其中,
箱线图判断异常值的标准以四分位数和四分位距离为基础,因为四分位数是一个固定位置的数据值,不容易受到数据异常变化的影响,异常值不能对这个标准施加较大影响。
(3)根据切比雪夫不等式原理,有至少80%的统计数据落在区间φ中。
φ={x|μ-kσ≤x≤μ+kσ},
μ为样本数据的平均值,σ为样本数据的标准差,k为区间系数。
对于任意分布形态的数据,根据切比雪夫不等式,至少有C组数据落在k个标准差之内。切比雪夫不等式不要求明确样本数据的分布情况,能够确定数据所占百分比例C的下限,样本数据落入均值周围k倍标准差,即区间的百分比例至少为:
以一维参数寻优方法中的进退法为基础,计算合理区间中的参数k,最终得到合理区间为:[μ-k i+1 σ≤x≤μ+k i+1 σ]。
基于历史数据的混凝土工程量参考目标为CK LS :
CK LS ={(μ-k i+1 σ)+(μ+k i+1 σ)}/2。
结合参数预测目标与历史工程参考目标,形成待建主控楼的混凝土用量评估目标包括通过以下公式确定所述待建主控楼的混凝土用量评估目标:
PG=(CK LS +CK YC )/2,
式中PG为待建工程的评估目标,CK LS 为基于历史数据的参考目标,CK YC 为结合影响因素构建的预测参考目标。
结合评估目标与当前设计目标的差异,进行调整。优先先去混凝土用量占比较大的模块进行优化调整。工程量控制目标的偏差分析及调整优化模块将控制目标与预先设定的标准工程量进行对比,判断其偏差幅度,优先调整工程量弹性较大的模块,对总量影响较大模块以及最不重要的模块,将偏差控制在预先设定的误差范围内。
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 (10)
1.一种变电站主控楼混凝土用量预测方法,其特征在于,包括:
收集历史工程数据以形成典型工程数据库,其中,所述历史工程数据包括结算报告、主控楼照片以及相应的工程量数据;
根据主控楼的建设特点,对所述主控楼进行模块划分,同时针对所述主控楼的不同模块识别出混凝土用量的影响因素;
基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标;
基于所述混凝土用量的影响因素设置相同类型方案的关键影响因素,基于所述关键影响因素识别相同类型的历史工程信息,然后通过数据分析获得相同类型的历史工程的混凝土历史参考用量;以及
根据所述混凝土用量参考目标与所述混凝土历史参考用量,确定混凝土用量预测目标。
2.根据权利要求1所述的变电站主控楼混凝土用量预测方法,其特征在于,在确定混凝土用量预测目标之后进一步包括:
结合模块分解,将不同模块的混凝土设计用量与所述混凝土用量预测目标进行比较,判断其偏差和影响比例,优先调整工程量弹性较大的模块,以将所述偏差控制在预先设定的误差范围内;以及
利用所述变电站主控楼混凝土用量预测方法对不同类型的待建主控楼混凝土设计用量进行预测。
3.根据权利要求1所述的变电站主控楼混凝土用量预测方法,其特征在于,根据主控楼的建设特点,对所述主控楼进行模块划分,同时针对所述主控楼的不同模块识别出混凝土用量的影响因素包括:
根据所述主控楼照片确定所述主控楼的建设特点;
根据所述主控楼的建设特点将所述主控楼的土建部分分解为主变室、配电室、二次及直流系统室、无功补偿室以及附加室;以及
对所述主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室识别出所述混凝土用量的影响因素,所述混凝土用量的影响因素包括地理位置、地形、环境、风速、气温、地质、主变容量、电压等级、变压器尺寸、出线规模、出线柜宽度、母线形式、二次屏柜数量、出线保护装置数量、无功补偿功率和建筑体积。
4.根据权利要求3所述的变电站主控楼混凝土用量预测方法,其特征在于,基于混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括:
对所述主控楼的主变室、配电室、二次及直流系统室、无功补偿室以及附加室的混凝土用量进行分别预测,以获得不同模块的混凝土用量;以及
对所述不同模块的混凝土用量进行叠加以获得所述主控楼的总混凝土用量作为所述混凝土用量参考目标。
5.根据权利要求3所述的变电站主控楼混凝土用量预测方法,其特征在于,基于所述关键影响因素识别相同类型的历史工程信息包括:
基于所述关键影响因素对所有样本数据进行搜索,应用粒子群改进算法,找到误差平方和J值最小的聚类数量以及对应的初始聚类中心;
当初始聚类中心确定以后,根据改进模糊聚类算法最终确定样本数据的类别以及各类别中心,其中,
所述主变室的关键影响因素包括主变容量、电压等级和变压器尺寸;
所述配电室的关键影响因素包括出线规模、出线柜宽度和母线形式;
所述二次及直流系统室的关键影响因素包括二次屏柜数量和出线保护装置数量;
所述无功补偿室的关键影响因素包括主变容量、出线规模和无功补偿功率;以及
所述附加室的关键影响因素包括主变容量和出线规模。
6.根据权利要求5所述的变电站主控楼混凝土用量预测方法,其特征在于,根据改进模糊聚类算法最终确定样本数据的类别以及各类别中心进一步包括:
所述改进模糊聚类算法的目标函数为:
max{J(U,V)},
s.t.J=J com -J sep ,
其中,c是聚类数量,V={v 1,v 2,…v c }是特征空间的矢量集合,v i 表示第i类的聚类原型矢量,i=1,2,…,c,μ ik ∈U,U是一个c×n的模糊矩阵,所述模糊矩阵满足以下条件:
给定聚类类别数c,2≤c≤n,n为数据个数,设定迭代停止阈值e以及模糊指数m,初始化聚类原型模式v(0),设定迭代计数器b=0,
如果存在i,k使得d ik b >0,则有
如果存在i,k使得d ik b =0,则有μ ik (b)=1,且对j≠i,μ ik (b)=0:
确定最佳分类树C m ,计算J(C)的值,当满足条件:J(C m )=max{J(C)},则认为C m 为最佳分类数量,并得到所述输出划分矩阵U和所述聚类原型V。
7.根据权利要求1所述的变电站主控楼混凝土用量预测方法,其特征在于,通过数据分析获得相同类型的历史工程的混凝土历史参考用量包括:
计算样本数据的中位数、上四分位数、下四分位数、最大值、最小值、样本均值和样本方差;
采用箱线图剔除异常值,以对所述样本数据进行一次异常值分析,其中,所述异常值为小于下四分位数Q L 减去1.5倍四分位距离Q IQR 、大于上四分位数Q U 加上1.5倍四分位距离Q IQR ;
根据切比雪夫不等式原理,至少80%的统计数据落在区间φ中;
φ={x|μ-kσ≤x≤μ+kσ},
其中,μ为所述样本数据的平均值,σ为所述样本数据的标准差,k为区间系数;
最终得到混凝土用量的合理区间为μ-k i+1 σ≤x≤μ+k i+1 σ,
通过以下公式计算相同类型的历史工程的混凝土历史参考用量CK LS :
CK LS ={(μ-k i+1 σ)+(μ+k i+1 σ)}/2。
8.根据权利要求7所述的变电站主控楼混凝土用量预测方法,其特征在于,根据所述混凝土用量参考目标与所述混凝土历史参考用量,确定混凝土用量预测目标包括:通过以下公式确定所述混凝土用量预测目标:
PG=(CK LS +CK YC )/2,
其中,PG为待建工程的预测目标、CK LS 为所述混凝土历史参考用量,CK YC 为结合影响因素构建的所述混凝土用量参考目标。
9.根据权利要求1所述的变电站主控楼混凝土用量预测方法,其特征在于,基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括:基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标包括基于所述混凝土用量的影响因素采用基于遗传算法优化的支持向量机模型对所述主控楼混凝土用量进行预测,以得到混凝土用量参考目标,其中,
所述支持向量机模型通过非线性映射将输入向量映射到一个高维特征空间,在所述高维特征空间中构造最优分类超平面,支持向量机的分类函数类似于神经网络,输出是中间节点的线性组合,其中,每个中间节点对应一个支持向量。
10.一种变电站主控楼混凝土用量预测装置,其特征在于,包括:
数据获取模块,用于收集历史工程数据以形成典型工程数据库,其中,所述历史工程数据包括结算报告、主控楼照片以及相应的工程量数据;
影响因素识别模块,用于根据主控楼的建设特点,对所述主控楼进行模块划分,同时针对所述主控楼的不同模块识别出混凝土用量的影响因素;
目标预测模块,基于所述混凝土用量的影响因素对主控楼混凝土用量进行预测,得到混凝土用量参考目标;
历史用量获取模块,用于基于所述混凝土用量的影响因素设置相同类型变电站主控楼的关键影响因素,基于所述关键影响因素识别相同类型的历史工程信息,然后通过数据分析获得所述相同类型的历史工程的混凝土历史参考用量;以及
预测目标获取模块,用于根据所述混凝土用量参考目标与所述混凝土历史参考用量,确定混凝土用量预测目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902044.8A CN114971092B (zh) | 2022-07-29 | 2022-07-29 | 一种变电站主控楼混凝土用量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902044.8A CN114971092B (zh) | 2022-07-29 | 2022-07-29 | 一种变电站主控楼混凝土用量预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114971092A CN114971092A (zh) | 2022-08-30 |
CN114971092B true CN114971092B (zh) | 2022-10-18 |
Family
ID=82969108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210902044.8A Active CN114971092B (zh) | 2022-07-29 | 2022-07-29 | 一种变电站主控楼混凝土用量预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971092B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226989B (zh) * | 2023-03-08 | 2024-01-30 | 北京城建集团有限责任公司 | Bim模型的混凝土工程量提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609794A (zh) * | 2012-03-23 | 2012-07-25 | 上海大学 | 高层剪力墙结构体系住宅混凝土用量预测方法 |
CN111985796A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于随机森林和智能算法预测混凝土结构耐久性的方法 |
CN114331221A (zh) * | 2022-03-02 | 2022-04-12 | 中核华纬工程设计研究有限公司 | 一种基于机器学习的混凝土工程量指标估算方法 |
CN114565561A (zh) * | 2022-01-26 | 2022-05-31 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019108779A1 (de) * | 2019-04-03 | 2020-10-08 | Peri Gmbh | Automatische Vorhersage der Verwendbarkeit von Beton für mindestens einen Verwendungszweck auf einer Baustelle |
-
2022
- 2022-07-29 CN CN202210902044.8A patent/CN114971092B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609794A (zh) * | 2012-03-23 | 2012-07-25 | 上海大学 | 高层剪力墙结构体系住宅混凝土用量预测方法 |
CN111985796A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于随机森林和智能算法预测混凝土结构耐久性的方法 |
CN114565561A (zh) * | 2022-01-26 | 2022-05-31 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
CN114331221A (zh) * | 2022-03-02 | 2022-04-12 | 中核华纬工程设计研究有限公司 | 一种基于机器学习的混凝土工程量指标估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114971092A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eseye et al. | Machine learning based integrated feature selection approach for improved electricity demand forecasting in decentralized energy systems | |
CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN111091143A (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
CN114971092B (zh) | 一种变电站主控楼混凝土用量预测方法和装置 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
Orouskhani et al. | Multi-objective evolutionary clustering with complex networks | |
Lu et al. | Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers | |
Lin et al. | Intelligent prediction of the construction cost of substation projects using support vector machine optimized by particle swarm optimization | |
CN111914900B (zh) | 一种用户用电模式分类方法 | |
CN113591322A (zh) | 一种基于极端梯度提升决策树的低压台区线损率预测方法 | |
Laith et al. | Salp swarm algorithm: a comprehensive survey | |
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 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
Liu et al. | A special point-based transfer component analysis for dynamic multi-objective optimization | |
CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
CN117034046A (zh) | 一种基于isodata聚类的柔性负荷可调潜力评估方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN114839586B (zh) | 基于em算法的低压台区计量装置失准计算方法 | |
CN114358474A (zh) | 一种典型多能用户模型建立方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |