CN115620334A - 一种输变电施工图预算校验方法 - Google Patents
一种输变电施工图预算校验方法 Download PDFInfo
- Publication number
- CN115620334A CN115620334A CN202211413755.5A CN202211413755A CN115620334A CN 115620334 A CN115620334 A CN 115620334A CN 202211413755 A CN202211413755 A CN 202211413755A CN 115620334 A CN115620334 A CN 115620334A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- data
- transformation
- module
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 206
- 238000010276 construction Methods 0.000 title claims abstract description 167
- 230000009466 transformation Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010586 diagram Methods 0.000 title description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 26
- 238000007405 data analysis Methods 0.000 claims description 15
- 238000000556 factor analysis Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q50/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Computational Linguistics (AREA)
- Architecture (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Civil Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
Abstract
本发明属于输变电施工技术领域,尤其为一种输变电施工图预算校验方法,包括获取输变电工程历史造价数据;将目标区域内的输变电施工二维图纸上传至云端服务器模块中;对影响目标区域内输变电施工预算的因素进行分析;对输变电工程历史造价数据进行分类;对核心影响因素数据进行分类;生成样本数据,构建BP神经网络模型;本发明的输变电施工图预算校验方法,根据目标区域内的历史造价数据和核心影响因素数据训练BP神经网络模型,降低了外在因素对输变电造价预算的影响,极大提高了输变电造价预测的精度,对后期的校验提供了极大的便利,大大降低了劳动强度;校验并建立输变电工程的BIM模型,能够更加直观的掌握预算信息和校验信息。
Description
技术领域
本发明属于输变电施工技术领域,具体涉及一种输变电施工图预算校验方法。
背景技术
电流的输送往往导致因线路发热造成损耗,所以在输送的时候都是通过变电升高电压,让电流变小以减少发热损耗,高压电具有很高的危险性,且目标电器也不需要如此高压,这就需要通过变电降低电压,由于在电流输送的过程中需要多次的变电,所以把电流的输送称为输变电。
目前,对于输变电施工图预算校验的方式还是依赖输变电施工二维图纸的方式,根据输变电施工二维图纸分别计算出各种工程物料,以手动输入为主,工作量较大,并且预算的校验依靠工人的工作经验及通过查阅相关资料进行,劳动强度十分巨大。
经检索,申请号为202010074128.8的中国发明专利公开了“一种基于矢量图形的电力主网工程施工图造价速算方法”,根据采集到的材料设备名称、规格型号以及所属的工程类型,进行规范化的处理与整理,匹配设备材料信息库的数据信息及与电力工程造价定额的对应关系,获取工程量内容,实现CAD图纸数据到工程量内容的转化,将转化得到的工程量数据对应到预算工程的项目,实现工程量的快速挂载,得到施工图预算工程的快速编制。本技术方案减少标准化施工图预算编制所需时间和人工消耗,快速计算工程量,降低施工图预算应用成本,为各电力工程造价设计人员提供统一的标准,推动施工图设计水平提高,避免人工失误,提升造价精度。
然而,由于影响输变电工程预算的外界因素较多,所以使得输变电工程造价会在一定的时间段内不断波动,因此传统的校验方法不适用于长期的施工需要,因此难以合理化控制成本,对后期的招标任务以及施工进程都将产生不利影响。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种输变电施工图预算校验方法,具有校验方便、精度高以及劳动强度低的特点。
为实现上述目的,本发明提供如下技术方案:一种输变电施工图预算校验方法,包括云端服务器模块、历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块、数据处理模块、数据分析模块、训练模型建立模块、BIM模块、输变电工程预算自动分析模块、校验模块以及报告模块,所述历史造价数据采集模块、所述输变电施工图上传模块、所述输变电造价核心影响因素分析模块均与所述云端服务器模块数据传输连接,所述数据处理模块与所述输变电造价核心影响因素分析模块数据传输连接,所述数据分析模块与所述数据处理模块数据传输连接,所述训练模型建立模块与所述数据分析模块数据传输连接,所述BIM模块与所述输变电施工图上传模块数据传输连接,所述输变电工程预算自动分析模块与所述BIM模块数据传输连接,所述校验模块与所述输变电工程预算自动分析模块数据传输连接,所述报告模块与所述校验模块数据传输连接,输变电施工图预算校验方法包括如下步骤:
步骤一:获取目标区域内已竣工投产的输变电工程历史造价数据,并将获取的输变电工程历史造价数据上传至云端服务器模块中;
步骤二:将目标区域内的输变电施工二维图纸上传至云端服务器模块中;
步骤三:对影响目标区域内输变电施工预算的因素进行分析,得到核心影响因素数据;
步骤四:对输变电工程历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据,并将生成的单位节点数据上传至云端服务器模块中;
步骤五:对核心影响因素数据进行分类,得到包含不同类型影响因素数据的数据列,并将数据列转化为包含不同类型影响因素数据的时间序列数据,并将时间序列数据上传至云端服务器模块中;
步骤六:对单位节点数据和时间序列数据进行分析,生成样本数据,构建BP神经网络模型,将步骤五生成的样本数据作为输入变量导入BP神经网络模型中进行训练,得到训练后的BP神经网络模型;
步骤七:利用训练后的BP神经网络模型对输变电施工造价进行预测;
步骤八:对预测值进行校验,得到最终价格区间;
步骤九:根据输变电施工二维图纸建立输变电工程的BIM模型,并将最终价格区间关联输变电工程的BIM模型;
步骤十:输出校验报告。
作为本发明的一种优选技术方案,所述步骤四具体包括:
a.按照特征指标对历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据;
b.将单位节点数据的一个最高值和一个最低值归类为异常值;
c.剔除异常值后将剩余的数据进行各自加权处理;
d.加权处理生成的单位节点数据上传至云端服务器模块中。
作为本发明的一种优选技术方案,历史造价数据为目标区域内已竣工投产的近五年内的历史造价数据。
作为本发明的一种优选技术方案,所述输变电施工二维图纸为CAD软件绘制的二维图纸。
作为本发明的一种优选技术方案,所述核心影响因素数据包括人力测算误差、市场波动、组织人员管理能力以及环境因素。
作为本发明的一种优选技术方案,人力测算误差包括工人工作经验以及测量仪精度;环境因素包括目标区域的海拔高度、温湿度、降水量、风力大小、地形地貌以及土壤质量状况。
作为本发明的一种优选技术方案,所述步骤六中,当达到预设条件时停止识别模型的训练,其中,预设条件为模型训练精度、模型训练时长和模型训练次数的至少一种。
作为本发明的一种优选技术方案,所述步骤七具体为,上传目前区域内的输变电施工信息,并利用训练后的BP神经网络模型对输变电施工造价进行预测。
作为本发明的一种优选技术方案,所述目前区域内的输变电施工信息包括物料参数信息、施工周期信息、物资信息以及人力成本。
作为本发明的一种优选技术方案,所述报告模块中,校验报告的输出格式为扇形图格式、鱼骨图格式或word文档格式。
与现有技术相比,本发明的有益效果是:本发明的输变电施工图预算校验方法,根据目标区域内的历史造价数据和核心影响因素数据训练BP神经网络模型,降低了外在因素对输变电造价预算的影响,极大提高了输变电造价预测的精度,对后期的校验提供了极大的便利,大大降低了劳动强度;校验并建立输变电工程的BIM模型,能够更加直观的掌握预算信息和校验信息。
本申请其他附加的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的方法流程示意图;
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
实施例一
请参阅图1,本发明提供以下技术方案:一种输变电施工图预算校验方法,包括云端服务器模块、历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块、数据处理模块、数据分析模块、训练模型建立模块、BIM模块、输变电工程预算自动分析模块、校验模块以及报告模块,历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块均与云端服务器模块数据传输连接,数据处理模块与输变电造价核心影响因素分析模块数据传输连接,数据分析模块与数据处理模块数据传输连接,训练模型建立模块与数据分析模块数据传输连接,BIM模块与输变电施工图上传模块数据传输连接,输变电工程预算自动分析模块与BIM模块数据传输连接,校验模块与输变电工程预算自动分析模块数据传输连接,报告模块与校验模块数据传输连接,输变电施工图预算校验方法包括如下步骤:
步骤一:获取目标区域内已竣工投产的输变电工程历史造价数据,并将获取的输变电工程历史造价数据上传至云端服务器模块中,其中,历史造价数据为目标区域内已竣工投产的近五年内的历史造价数据;
步骤二:将目标区域内的输变电施工二维图纸上传至云端服务器模块中,其中,输变电施工二维图纸为CAD软件绘制的二维图纸;
步骤三:对影响目标区域内输变电施工预算的因素进行分析,得到核心影响因素数据,其中,核心影响因素数据包括人力测算误差、市场波动、组织人员管理能力以及环境因素;
步骤四:对输变电工程历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据,并将生成的单位节点数据上传至云端服务器模块中;
步骤五:对核心影响因素数据进行分类,得到包含不同类型影响因素数据的数据列,并将数据列转化为包含不同类型影响因素数据的时间序列数据,并将时间序列数据上传至云端服务器模块中;
步骤六:对单位节点数据和时间序列数据进行分析,生成样本数据,构建BP神经网络模型,将步骤五生成的样本数据作为输入变量导入BP神经网络模型中进行训练,得到训练后的BP神经网络模型;
步骤七:利用训练后的BP神经网络模型对输变电施工造价进行预测,具体为,上传目前区域内的输变电施工信息,并利用训练后的BP神经网络模型对输变电施工造价进行预测,其中,目前区域内的输变电施工信息包括物料参数信息、施工周期信息、物资信息以及人力成本;
步骤八:对预测值进行校验,得到最终价格区间;
步骤九:根据输变电施工二维图纸建立输变电工程的BIM模型,并将最终价格区间关联输变电工程的BIM模型;
步骤十:输出校验报告。
具体的,本实施例中,步骤四具体包括:
a.按照特征指标对历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据;
b.将单位节点数据的一个最高值和一个最低值归类为异常值;
c.剔除异常值后将剩余的数据进行各自加权处理;
d.加权处理生成的单位节点数据上传至云端服务器模块中。
具体的,本实施例中,人力测算误差包括工人工作经验以及测量仪精度;环境因素包括目标区域的海拔高度、温湿度、降水量、风力大小、地形地貌以及土壤质量状况。
具体的,本实施例中,步骤六中,当达到预设条件时停止识别模型的训练,其中,预设条件为模型训练精度、模型训练时长和模型训练次数的至少一种。
具体的,本实施例中,报告模块中,校验报告的输出格式为扇形图格式。
实施例二
请参阅图1,本发明提供以下技术方案:一种输变电施工图预算校验方法,包括云端服务器模块、历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块、数据处理模块、数据分析模块、训练模型建立模块、BIM模块、输变电工程预算自动分析模块、校验模块以及报告模块,历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块均与云端服务器模块数据传输连接,数据处理模块与输变电造价核心影响因素分析模块数据传输连接,数据分析模块与数据处理模块数据传输连接,训练模型建立模块与数据分析模块数据传输连接,BIM模块与输变电施工图上传模块数据传输连接,输变电工程预算自动分析模块与BIM模块数据传输连接,校验模块与输变电工程预算自动分析模块数据传输连接,报告模块与校验模块数据传输连接,输变电施工图预算校验方法包括如下步骤:
步骤一:获取目标区域内已竣工投产的输变电工程历史造价数据,并将获取的输变电工程历史造价数据上传至云端服务器模块中,其中,历史造价数据为目标区域内已竣工投产的近五年内的历史造价数据;
步骤二:将目标区域内的输变电施工二维图纸上传至云端服务器模块中,其中,输变电施工二维图纸为CAD软件绘制的二维图纸;
步骤三:对影响目标区域内输变电施工预算的因素进行分析,得到核心影响因素数据,其中,核心影响因素数据包括人力测算误差、市场波动、组织人员管理能力以及环境因素;
步骤四:对输变电工程历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据,并将生成的单位节点数据上传至云端服务器模块中;
步骤五:对核心影响因素数据进行分类,得到包含不同类型影响因素数据的数据列,并将数据列转化为包含不同类型影响因素数据的时间序列数据,并将时间序列数据上传至云端服务器模块中;
步骤六:对单位节点数据和时间序列数据进行分析,生成样本数据,构建BP神经网络模型,将步骤五生成的样本数据作为输入变量导入BP神经网络模型中进行训练,得到训练后的BP神经网络模型;
步骤七:利用训练后的BP神经网络模型对输变电施工造价进行预测,具体为,上传目前区域内的输变电施工信息,并利用训练后的BP神经网络模型对输变电施工造价进行预测,其中,目前区域内的输变电施工信息包括物料参数信息、施工周期信息、物资信息以及人力成本;
步骤八:对预测值进行校验,得到最终价格区间;
步骤九:根据输变电施工二维图纸建立输变电工程的BIM模型,并将最终价格区间关联输变电工程的BIM模型;
步骤十:输出校验报告。
具体的,本实施例中,步骤四具体包括:
a.按照特征指标对历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据;
b.将单位节点数据的一个最高值和一个最低值归类为异常值;
c.剔除异常值后将剩余的数据进行各自加权处理;
d.加权处理生成的单位节点数据上传至云端服务器模块中。
具体的,本实施例中,人力测算误差包括工人工作经验以及测量仪精度;环境因素包括目标区域的海拔高度、温湿度、降水量、风力大小、地形地貌以及土壤质量状况。
具体的,本实施例中,步骤六中,当达到预设条件时停止识别模型的训练,其中,预设条件为模型训练精度、模型训练时长和模型训练次数的至少一种。
具体的,本实施例中,报告模块中,校验报告的输出格式为鱼骨图格式。
实施例三
请参阅图1,本发明提供以下技术方案:一种输变电施工图预算校验方法,包括云端服务器模块、历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块、数据处理模块、数据分析模块、训练模型建立模块、BIM模块、输变电工程预算自动分析模块、校验模块以及报告模块,历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块均与云端服务器模块数据传输连接,数据处理模块与输变电造价核心影响因素分析模块数据传输连接,数据分析模块与数据处理模块数据传输连接,训练模型建立模块与数据分析模块数据传输连接,BIM模块与输变电施工图上传模块数据传输连接,输变电工程预算自动分析模块与BIM模块数据传输连接,校验模块与输变电工程预算自动分析模块数据传输连接,报告模块与校验模块数据传输连接,输变电施工图预算校验方法包括如下步骤:
步骤一:获取目标区域内已竣工投产的输变电工程历史造价数据,并将获取的输变电工程历史造价数据上传至云端服务器模块中,其中,历史造价数据为目标区域内已竣工投产的近五年内的历史造价数据;
步骤二:将目标区域内的输变电施工二维图纸上传至云端服务器模块中,其中,输变电施工二维图纸为CAD软件绘制的二维图纸;
步骤三:对影响目标区域内输变电施工预算的因素进行分析,得到核心影响因素数据,其中,核心影响因素数据包括人力测算误差、市场波动、组织人员管理能力以及环境因素;
步骤四:对输变电工程历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据,并将生成的单位节点数据上传至云端服务器模块中;
步骤五:对核心影响因素数据进行分类,得到包含不同类型影响因素数据的数据列,并将数据列转化为包含不同类型影响因素数据的时间序列数据,并将时间序列数据上传至云端服务器模块中;
步骤六:对单位节点数据和时间序列数据进行分析,生成样本数据,构建BP神经网络模型,将步骤五生成的样本数据作为输入变量导入BP神经网络模型中进行训练,得到训练后的BP神经网络模型;
步骤七:利用训练后的BP神经网络模型对输变电施工造价进行预测,具体为,上传目前区域内的输变电施工信息,并利用训练后的BP神经网络模型对输变电施工造价进行预测,其中,目前区域内的输变电施工信息包括物料参数信息、施工周期信息、物资信息以及人力成本;
步骤八:对预测值进行校验,得到最终价格区间;
步骤九:根据输变电施工二维图纸建立输变电工程的BIM模型,并将最终价格区间关联输变电工程的BIM模型;
步骤十:输出校验报告。
具体的,本实施例中,步骤四具体包括:
a.按照特征指标对历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据;
b.将单位节点数据的一个最高值和一个最低值归类为异常值;
c.剔除异常值后将剩余的数据进行各自加权处理;
d.加权处理生成的单位节点数据上传至云端服务器模块中。
具体的,本实施例中,人力测算误差包括工人工作经验以及测量仪精度;环境因素包括目标区域的海拔高度、温湿度、降水量、风力大小、地形地貌以及土壤质量状况。
具体的,本实施例中,步骤六中,当达到预设条件时停止识别模型的训练,其中,预设条件为模型训练精度、模型训练时长和模型训练次数的至少一种。
具体的,本实施例中,报告模块中,校验报告的输出格式为word文档格式。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“设置”、“设有”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种输变电施工图预算校验方法,其特征在于:包括云端服务器模块、历史造价数据采集模块、输变电施工图上传模块、输变电造价核心影响因素分析模块、数据处理模块、数据分析模块、训练模型建立模块、BIM模块、输变电工程预算自动分析模块、校验模块以及报告模块,所述历史造价数据采集模块、所述输变电施工图上传模块、所述输变电造价核心影响因素分析模块均与所述云端服务器模块数据传输连接,所述数据处理模块与所述输变电造价核心影响因素分析模块数据传输连接,所述数据分析模块与所述数据处理模块数据传输连接,所述训练模型建立模块与所述数据分析模块数据传输连接,所述BIM模块与所述输变电施工图上传模块数据传输连接,所述输变电工程预算自动分析模块与所述BIM模块数据传输连接,所述校验模块与所述输变电工程预算自动分析模块数据传输连接,所述报告模块与所述校验模块数据传输连接,输变电施工图预算校验方法包括如下步骤:
步骤一:获取目标区域内已竣工投产的输变电工程历史造价数据,并将获取的输变电工程历史造价数据上传至云端服务器模块中;
步骤二:将目标区域内的输变电施工二维图纸上传至云端服务器模块中;
步骤三:对影响目标区域内输变电施工预算的因素进行分析,得到核心影响因素数据;
步骤四:对输变电工程历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据,并将生成的单位节点数据上传至云端服务器模块中;
步骤五:对核心影响因素数据进行分类,得到包含不同类型影响因素数据的数据列,并将数据列转化为包含不同类型影响因素数据的时间序列数据,并将时间序列数据上传至云端服务器模块中;
步骤六:对单位节点数据和时间序列数据进行分析,生成样本数据,构建BP神经网络模型,将步骤五生成的样本数据作为输入变量导入BP神经网络模型中进行训练,得到训练后的BP神经网络模型;
步骤七:利用训练后的BP神经网络模型对输变电施工造价进行预测;
步骤八:对预测值进行校验,得到最终价格区间;
步骤九:根据输变电施工二维图纸建立输变电工程的BIM模型,并将最终价格区间关联输变电工程的BIM模型;
步骤十:输出校验报告。
2.根据权利要求1所述的一种输变电施工图预算校验方法,其特征在于:所述步骤四具体包括:
a.按照特征指标对历史造价数据进行分类,得到包含输变电工程历史造价数据的单位节点数据;
b.将单位节点数据的一个最高值和一个最低值归类为异常值;
c.剔除异常值后将剩余的数据进行各自加权处理;
d.加权处理生成的单位节点数据上传至云端服务器模块中。
3.根据权利要求1所述的一种输变电施工图预算校验方法,其特征在于:历史造价数据为目标区域内已竣工投产的近五年内的历史造价数据。
4.根据权利要求1所述的一种输变电施工图预算校验方法,其特征在于:所述输变电施工二维图纸为CAD软件绘制的二维图纸。
5.根据权利要求1所述的一种输变电施工图预算校验方法,其特征在于:所述核心影响因素数据包括人力测算误差、市场波动、组织人员管理能力以及环境因素。
6.根据权利要求5所述的一种输变电施工图预算校验方法,其特征在于:人力测算误差包括工人工作经验以及测量仪精度;环境因素包括目标区域的海拔高度、温湿度、降水量、风力大小、地形地貌以及土壤质量状况。
7.根据权利要求1所述的一种输变电施工图预算校验方法,其特征在于:所述步骤六中,当达到预设条件时停止识别模型的训练,其中,预设条件为模型训练精度、模型训练时长和模型训练次数的至少一种。
8.根据权利要求1所述的一种输变电施工图预算校验方法,其特征在于:所述步骤七具体为,上传目前区域内的输变电施工信息,并利用训练后的BP神经网络模型对输变电施工造价进行预测。
9.根据权利要求8所述的一种输变电施工图预算校验方法,其特征在于:所述目前区域内的输变电施工信息包括物料参数信息、施工周期信息、物资信息以及人力成本。
10.根据权利要求1所述的一种输变电施工图预算校验方法,其特征在于:所述报告模块中,校验报告的输出格式为扇形图格式、鱼骨图格式或word文档格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211413755.5A CN115620334A (zh) | 2022-11-11 | 2022-11-11 | 一种输变电施工图预算校验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211413755.5A CN115620334A (zh) | 2022-11-11 | 2022-11-11 | 一种输变电施工图预算校验方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620334A true CN115620334A (zh) | 2023-01-17 |
Family
ID=84878455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211413755.5A Pending CN115620334A (zh) | 2022-11-11 | 2022-11-11 | 一种输变电施工图预算校验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620334A (zh) |
-
2022
- 2022-11-11 CN CN202211413755.5A patent/CN115620334A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN115187013B (zh) | 一种锂电池性能评分计算方法及系统 | |
CN105631539A (zh) | 基于支持向量机的智能楼宇能耗预测方法 | |
CN110031788A (zh) | 一种空心线圈电流互感器误差环境相关性分析方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
CN114862363A (zh) | 一种基于变电工程造价数据分析评审分析方法 | |
CN116756530B (zh) | 用于新能源接入配电网的电网线损评估方法及系统 | |
Arce et al. | Real-time power consumption monitoring and forecasting using regression techniques and machine learning algorithms | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN107146165B (zh) | 一种配网规划数据管理方法及系统 | |
CN118313281B (zh) | 一种自动化构建仿真模型的方法 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN117595225A (zh) | 一种多能互补新能源电站智慧运维方法、系统及设备 | |
CN114265001A (zh) | 一种智能电表计量误差评估方法 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN114139802A (zh) | 一种基于流域水情变化趋势分析模型的实时优化调度方法 | |
CN117421861A (zh) | 基于实时多源数据融合的输电线路多工况模拟分析方法 | |
CN115620334A (zh) | 一种输变电施工图预算校验方法 | |
CN104992281A (zh) | 一种实现电子产品可靠性评估的方法 | |
CN111932066A (zh) | 基于模糊层次分析法的智能家居产品智能化程度评价方法 | |
CN114139789B (zh) | 一种基于机器学习的飞机成本预测方法 |
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 |