基于ANN的電力工程造價(jià)預(yù)測(cè)模型的建立與實(shí)現(xiàn)

王綿斌+耿鵬云+安磊

摘 要： 傳統(tǒng)概預(yù)算定額電力工程造價(jià)方法在沒有工程細(xì)節(jié)時(shí)，存在估計(jì)偏差大且無法利用歷史數(shù)據(jù)的問題。文中根據(jù)人工神經(jīng)網(wǎng)絡(luò)（ANN）的機(jī)器學(xué)習(xí)機(jī)制提出一種基于ANN的電力工程造價(jià)預(yù)測(cè)模型，將歷史數(shù)據(jù)樣本歸一化作為輸入，通過ANN算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用訓(xùn)練后的網(wǎng)絡(luò)來對(duì)工程造價(jià)進(jìn)行估算。文中進(jìn)行了多個(gè)電力工程造價(jià)的預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果與實(shí)際造價(jià)相差小于5%，滿足經(jīng)驗(yàn)誤差要求。

關(guān)鍵詞： 電力工程； 預(yù)測(cè)模型； 人工神經(jīng)網(wǎng)絡(luò)； 機(jī)器學(xué)習(xí)

中圖分類號(hào)： TN915?34； TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）24?0166?03

Abstract： The traditional electric power engineering method for preliminary budget and ration has big estimation error in the absence of engineering details， and can′t make use of the historical data， so an ANN?based cost forecasting model of electric power engineering is proposed according to the machine learning mechanism of artificial neural network （ANN）. The historical data samples are normalized， and taken as the input of the model. The network is trained with ANN algorithm to estimate the engineering cost. A number of electric power engineering costs are predicted in this paper. The difference of the predicted result and actual cost is less than 5%， which can meet the requirement of empirical error.

Keywords： electric power engineering； prediction model； artificial neural network； machine learning

電力工程造價(jià)近年來不斷上升，其與資金籌措難度形成一對(duì)矛盾，迫切需要一種合理有效的造價(jià)管理措施。傳統(tǒng)的電力工程造價(jià)主要是概預(yù)算定額的方法，但其主要缺點(diǎn)是在沒有工程細(xì)節(jié)時(shí)估計(jì)偏差大且無法利用歷史數(shù)據(jù)，造成大量有用信息的浪費(fèi)。如何利用歷史數(shù)據(jù)找尋其中的規(guī)律以指導(dǎo)工程造價(jià)管理是一個(gè)新問題[1]。本文根據(jù)人工神經(jīng)網(wǎng)絡(luò)（ANN）的機(jī)器學(xué)習(xí)機(jī)制提出一種基于ANN的電力工程造價(jià)預(yù)測(cè)模型，利用歷史數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到最優(yōu)網(wǎng)絡(luò)從而實(shí)現(xiàn)電力工程造價(jià)的預(yù)測(cè)。

1 基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型

工程投資預(yù)算是電力工程造價(jià)管理中備受關(guān)注的，其可通過分析工程的技術(shù)指標(biāo)與經(jīng)濟(jì)指標(biāo)來推測(cè)。通常只能觀察到輸入和輸出，而其內(nèi)部的具體運(yùn)行機(jī)制未知的復(fù)雜系統(tǒng)稱為“黑盒”。對(duì)于“黑盒”系統(tǒng)，需要利用已有的輸入/輸出數(shù)據(jù)，來尋找其間的規(guī)律以預(yù)測(cè)系統(tǒng)內(nèi)部的運(yùn)行機(jī)制，從而預(yù)測(cè)新輸入的數(shù)據(jù)對(duì)應(yīng)的輸出，“黑盒”系統(tǒng)的估計(jì)過程即為機(jī)器學(xué)習(xí)[2]，預(yù)測(cè)出的關(guān)系稱為預(yù)測(cè)函數(shù)[3]。預(yù)測(cè)函數(shù)模型的三部分為學(xué)習(xí)環(huán)境、學(xué)習(xí)機(jī)和教師，學(xué)習(xí)環(huán)境為隨機(jī)量發(fā)生器，學(xué)習(xí)機(jī)為由輸入到輸出之間的學(xué)習(xí)算法，教師[4]則為從學(xué)習(xí)環(huán)境中產(chǎn)生的隨機(jī)量X給出期望響應(yīng)Y。所以，機(jī)器學(xué)習(xí)模型就是在給定的學(xué)習(xí)環(huán)境條件下，通過找尋輸入/輸出之間的學(xué)習(xí)規(guī)律，以盡可能精確地預(yù)測(cè)新輸入的輸出。

2 電力工程造價(jià)預(yù)測(cè)模型建立

人工神經(jīng)網(wǎng)絡(luò)算法是機(jī)器學(xué)習(xí)預(yù)測(cè)函數(shù)模型中學(xué)習(xí)機(jī)最具代表性的[5]，因此本文提出一種基于ANN的電力工程造價(jià)預(yù)測(cè)模型，其流程如圖1所示。

電力工程造價(jià)分析中輸入數(shù)據(jù)為輸電工程和變電工程的造價(jià)數(shù)據(jù)，輸電線工程主要有工地運(yùn)輸、架線工程、土石方和基礎(chǔ)工程等，變電工程則分為建筑工程、安裝工程等[6?8]。

2.1 數(shù)據(jù)預(yù)處理

實(shí)際電力工程造價(jià)中各個(gè)不同指標(biāo)的數(shù)據(jù)在數(shù)量級(jí)上不一致，則需要在學(xué)習(xí)與預(yù)測(cè)之前進(jìn)行數(shù)據(jù)預(yù)處理[9]。本文在進(jìn)行ANN算法之前對(duì)數(shù)據(jù)進(jìn)行歸一化處理，即將各指標(biāo)數(shù)據(jù)歸一化到[0，1]之間。假設(shè)P個(gè)指標(biāo)數(shù)據(jù)為X1，X2，…，XP，則歸一化公式如下：

2.2 基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

人工神經(jīng)網(wǎng)絡(luò)算法是一種模擬動(dòng)物神經(jīng)網(wǎng)絡(luò)而進(jìn)行的信息分布式處理的算法[10]，其主要思想是復(fù)雜系統(tǒng)內(nèi)部形成網(wǎng)絡(luò)，通過不斷調(diào)節(jié)網(wǎng)絡(luò)內(nèi)部節(jié)點(diǎn)的連接關(guān)系而達(dá)到信息處理的目的。ANN算法的優(yōu)點(diǎn)是自學(xué)習(xí)和自適應(yīng)，能夠根據(jù)之前的輸入/輸出數(shù)據(jù)找到其間的規(guī)律，從而可以預(yù)測(cè)出新輸入數(shù)據(jù)對(duì)應(yīng)的輸出數(shù)據(jù)，這種自學(xué)習(xí)的過程被稱為“訓(xùn)練”。ANN算法現(xiàn)在廣泛地應(yīng)用于電力系統(tǒng)的電價(jià)和負(fù)荷預(yù)測(cè)等方面。

電力工程造價(jià)預(yù)測(cè)是一個(gè)多因素影響的復(fù)雜系統(tǒng)，各因素之間呈非線性網(wǎng)絡(luò)關(guān)系，網(wǎng)絡(luò)之間通過自學(xué)習(xí)訓(xùn)練來達(dá)到輸入/輸出關(guān)系的最近似，即相當(dāng)于函數(shù)模擬器。基于ANN的電力工程造價(jià)預(yù)測(cè)模型是通過分析得到各影響因素與造價(jià)之間的關(guān)系，得出各個(gè)影響因素的權(quán)重，從而構(gòu)造影響因素與造價(jià)之間的映射以達(dá)到通過映射進(jìn)行造價(jià)預(yù)測(cè)的目的，其網(wǎng)絡(luò)模型如圖2所示。

假設(shè)電力工程造價(jià)預(yù)測(cè)模型中有n個(gè)影響因素，文中使用的建模算法為基于BP的前向ANN算法，包含輸入層、隱含層和輸出層3個(gè)部分。其中，輸入層為歸一化處理后的影響因素?cái)?shù)據(jù)，多個(gè)歷史數(shù)據(jù)作為ANN訓(xùn)練樣本，為圖2中的in（i），輸出層為預(yù)測(cè)的工程造價(jià)。在圖2所示的ANN神經(jīng)網(wǎng)絡(luò)模型中加入了反饋結(jié)構(gòu)，通過反饋結(jié)果信息以不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，提高預(yù)測(cè)的精度，加快收斂速度。

3 計(jì)算機(jī)仿真及模型測(cè)試

本例中采用的訓(xùn)練樣本為某地區(qū)電力公司實(shí)際電力工程造價(jià)歷史數(shù)據(jù)，其原始資料為Excel表。

3.1 數(shù)據(jù)定義

歷史數(shù)據(jù)統(tǒng)計(jì)時(shí)具有不確定性以及遺漏現(xiàn)象導(dǎo)致數(shù)據(jù)的殘缺，且其從屬關(guān)系嚴(yán)重。因此，本文針對(duì)實(shí)際情況對(duì)原始數(shù)據(jù)進(jìn)行整理，得到89個(gè)歷史工程造價(jià)的相對(duì)應(yīng)輸入輸出數(shù)據(jù)。輸電工程造價(jià)的原始輸入指標(biāo)集如表1所示。輸出集為本體靜態(tài)，單位為萬元/km。

從表1可看出，輸入指標(biāo)有20個(gè)，構(gòu)成了20×89的矩陣，輸出指標(biāo)有1個(gè)。

對(duì)變電工程造價(jià)進(jìn)行整理得到54個(gè)歷史輸出數(shù)據(jù)與相對(duì)應(yīng)的輸入指標(biāo)，其工程造價(jià)的原始輸入指標(biāo)集如表2所示。輸出集單位為萬元，是靜態(tài)總投資。從表2可看出，輸入指標(biāo)有4個(gè)，構(gòu)成了4×54的矩陣，輸出指標(biāo)有1個(gè)。

3.2 結(jié)果分析

基于ANN的電力工程造價(jià)預(yù)測(cè)模型的建立主要步驟如下：

（1） 數(shù)據(jù)歸一化之后形成8個(gè)工程的訓(xùn)練樣本集和測(cè)試集；

（2） 添加ANN軟件工具包在Matlab中，并編寫訓(xùn)練程序；

（3） 分別對(duì)50個(gè)和70個(gè)訓(xùn)練集進(jìn)行訓(xùn)練得到訓(xùn)練良好的網(wǎng)絡(luò)，接著將測(cè)試數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行測(cè)試，對(duì)得到的結(jié)果與實(shí)際值進(jìn)行比較以得到訓(xùn)練良好的網(wǎng)絡(luò)，即估算模型的精度；

（4） 選擇70個(gè)樣本集作為測(cè)試集，輸入基于ANN的電力工程造價(jià)預(yù)測(cè)模型中得到輸出，不斷比較輸出結(jié)果，以得到最后輸出。

表3為50個(gè)和70個(gè)歷史工程造價(jià)學(xué)習(xí)樣本的預(yù)測(cè)結(jié)果和對(duì)應(yīng)的誤差。從表3可看出，ANN預(yù)測(cè)模型的誤差率均在5%以內(nèi)。根據(jù)歷史經(jīng)驗(yàn)，其滿足電力工程造價(jià)的實(shí)際要求，即本文所提出的基于ANN的電力工程造價(jià)預(yù)測(cè)模型符合實(shí)際工作需要，對(duì)今后的電力工程造價(jià)預(yù)測(cè)具有指導(dǎo)意義。

4 結(jié) 語

本文針對(duì)傳統(tǒng)的概預(yù)算定額電力工程造價(jià)方法存在的在沒有工程細(xì)節(jié)時(shí)估計(jì)偏差大且無法利用歷史數(shù)據(jù)的問題，并根據(jù)人工神經(jīng)網(wǎng)絡(luò)ANN的機(jī)器學(xué)習(xí)機(jī)制提出一種基于ANN的電力工程造價(jià)預(yù)測(cè)模型，將歷史數(shù)據(jù)樣本歸一化作為輸入，通過ANN算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用訓(xùn)練后的網(wǎng)絡(luò)來對(duì)工程造價(jià)進(jìn)行估算。本文最后進(jìn)行多個(gè)電力工程造價(jià)的預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果與實(shí)際造價(jià)相差小于5%，滿足經(jīng)驗(yàn)誤差要求，說明文中所提出的基于ANN的電力工程造價(jià)預(yù)測(cè)模型符合實(shí)際工作需要，且對(duì)之后的電力工程造價(jià)具有一定的指導(dǎo)意義。

參考文獻(xiàn)

[1] VAPNIK V N. Statisticallearning theory [M]. New York： John Wiley， 1998.

[2] 吳德，劉三陽，梁錦錦.多類文本分類算法GS?SVDD[J].計(jì)算機(jī)科學(xué)，2016，43（8）：190?193.

[3] 王越，衛(wèi)志農(nóng)，吳佳佳.人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)在微網(wǎng)運(yùn)行中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2012，24（2）：83?89.

[4] 蔣繼楠.基于小波去噪和人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[D].南寧：廣西大學(xué)，2013.

[5] 楊瑩.信息熵在工程多目標(biāo)風(fēng)險(xiǎn)管理中應(yīng)用的研究[D].贛州：江西理工大學(xué)，2012.

[6] ADAMEC Marek， PAVLATKA Pavel， STARY Oldrich. Costs and benefits of smart grids on liberalized markets [J]. Journal of electronic science and technology， 2012， 10（1）： 22?28.

[7] 劉婷婷.基于多策略改進(jìn)遺傳算法的微電網(wǎng)優(yōu)化配置研究[D].太原：太原理工大學(xué)，2015.

[8] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003.

[9] 何誼君.基于神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的Matlab實(shí)現(xiàn)[J].湖南水利水電，2015（2）：41?44.

[10] 王洪元，史國棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].北京：中國石化出版社，2003.