基于自適應粒子群的新能源發電項目工程造價動態化估算方法

摘要：由于現有的工程造價估算方法對造價數據分類準確率低、工程造價估算誤差較大，影響發電工程項目的開展，因此文章設計了基于自適應粒子群的新能源發電項目工程造價動態化估算方法。提取發電項目工程造價動態增益特征，確定造價動態變量的貢獻價值，再利用自適應粒子群算法，調整發電項目造價慣性權重，構建出工程造價動態估算模型，實現了發電工程造價動態化估算。采用對比實驗的方式，驗證了該估算方法的估算誤差較小，能夠應用于實際生活中。

關鍵詞：自適應粒子群；新能源；發電項目；工程造價；動態化；估算方法

中圖法分類號：TU723文獻標識碼：A

Dynamic estimation method of engineering cost of new energy powergeneration project based on adaptive particle swarm

HE Qiyao

（China Power Construction New Energy Group Co.，Ltd.，QinghaiBranch，Xining 810000，China）

Abstract：Due to the low classification accuracy of cost data in the existing project cost estimation methods，the project cost estimation error is large， which affects the development of power generation projects.Therefore，this paper designs a new energy power generation project cost dynamic estimation method based on adaptive particle swarm optimization. We extract the dynamic gain characteristics of the power generation project cost，determine the contribution value of the dynamic cost variable，and then adjust the inertia weight of the power generation project cost by using the adaptive particle swarm optimization algorithm， establish the dynamic estimation model of the power generation project cost，and realize the dynamic estimation of the power generation project cost.Through comparative experiments，it is proved that the estimation error of this method is small，and it can be used in real life.

Key words： adaptive particle swarm， new energy， power generation projects， project cost， dynamic estimation method

1 引言

新能源發電是人們獲得電能的重要方式，在電能市場定價的過程中，工程造價估算扮演著重要的角色，對于工程后續決策至關重要。為了解決發電工程造價估算的問題，避免項目工程受到定額價格決策的影響，有研究人員針對項目工程的造價估算方法進行了研究。有研究人員利用 BIM 三維模型設計了一種工程造價的快速估算方法—利用 BIM 模型，構建出發電項目工程等效線性模型，通過分析模型，找出造價信息的屬性特征，進而合理分配數據并估算出合理的工程造價[1]。還有研究人員通過灰色系統法估算工程造價—通過灰色系統理論，建立工程造價估算模型，使估算過程更加簡單，進而提高工程造價的估算精準度[2]。但是，兩種方法在實際估算的過程中，目的性較強，忽略了工程造價中可能出現的動態變化，對造價數據分類準確率較低，增加了估算誤差，影響工程后續施工與決策[3]。自適應粒子群算法是在追尋最優解的過程中，找到全局最優，省略了大部分的計算步驟，能夠快速得到想要的數據[4]。因此，本文利用自適應粒子群算法，設計了新能源發電項目工程造價動態化估算方法。

2 基于自適應粒子群的發電工程造價動態估算方法設計

2.1 提取發電項目工程造價動態增益特征

信息增益是常用的信息度量，是特征選擇的評價函數。本文主要對工程造價的動態增益特征進行提取，找出工程中出現的隨機變量，并減少不確定度對估算結果的影響[5]。本文假設發電項目工程相關數據的隨機變量為 S，S 的取值包括（S1，S2，…，Sn ），則 S 的信息熵定義為：

V（S）＝－∑ki logkm????????????? （1）

式（1）中，V（ S）為變量 S 的信息熵定義式；ki 為變量出現的概率；km 為隨機變量分布范圍。V（S）值越小，變量 S 分布范圍越不均勻，變量存在的不確定性越小，工程造價動態估算誤差越大。動態增益特征的好壞，主要與工程數據的冗余度有關，如果 S1與 S2是相互獨立的，則增益特征為0[6]。本文利用信息熵，確定變量增益特征的冗余度，公式如下：

式（2）中，V（S1，S2）為變量 S 1與 S2的冗余度。V（S1， S2）的值越大，則增益特征代表的 S 1與 S2變量對動態估算的貢獻越大，估算精準度隨之提升。

2.2 基于自適應粒子群算法構建工程造價動態估算模型

慣性權重的選取對粒子群算法的影響較大，本文在提取出動態增益特征的基礎上，調整了發電項目造價慣性權重，有效地平衡粒子群算法局部最優與全局最優的關系[7]。本文選定一個進化狀態因子，得出的慣性權重如下：

式（3）和式（4）中，ε為進化狀態因子；x 為當前迭代次數；X 為進化狀態因子能夠承受的最大迭代次數；f（ε）為進化狀態因子經過調整之后的慣性權重；f（ k i ）為第i個粒子所對應的適應度函數值；N為粒子群規模。經過調整之后的慣性權重有效地避免了粒子的早熟，使工程造價估算過程更加便捷。本文將進化狀態因子、數據迭代次數、調整后的慣性權重作為估算模型參數，由此構建的估算模型表達式如下：

式（5）、式（6）、式（7）中，Xn＋1為工程造價數據經過的第 n＋1次迭代；Xn－1為工程造價數據經過的第 n ?1次迭代；m、n、a 均為常數；f（ S）為模型的適應度函數；I 為發電電流數據的適應度值；V （ S 1，I），V （ S2，I）， V（Sn ，I）為變量 S 1，S2，Sn 的適應度值；ιk 為估算模型表達式；b 1為最佳適應度；b2為平均適應度；P 為粒子最優位置。ιk 與實際造價越相近，估算誤差越小，工程后續決策越精準。

3 實驗

為了驗證本文設計的估算方法是否具有實用價值，本文對上述方法進行了實驗。實驗結果以文獻[1]估算方法、文獻[2]估算方法，與本文設計的基于自適應粒子群的新能源發電項目工程造價動態化估算方法進行對比的形式呈現。

3.1 實驗過程

本文在進行實驗之前，利用自適應粒子群算法的優勢，在數據集 Vowel 中，選取多個發電項目工程造價數據，將數據分門別類，使數據適應性更強。工程造價動態估算優勢如圖1所示。

如圖1所示，文獻[1]估算方法，工程造價的動態特征分類準確率在0～88％范圍內，準確率可以滿足動態分類的基本需求。在迭代次數為75次之后，準確率穩定在88％左右。因此，文獻[1]估算方法仍存在一定的不確定性因素，影響估算結果。在文獻[2]估算方法中，工程造價的動態特征分類準確率在0～90％范圍內，準確率相比于文獻[1]稍高，在迭代次數為70次之后，穩定在90％左右。因此，文獻[2]估算方法同樣存在較多的不確定性因素。而在本文設計的估算方法中，通過自適應粒子群算法，使估算數據提前適應，進而減少迭代次數，在60次迭代之后趨于穩定，動態特征分類準確率無限趨近于100％，準確率相較于文獻[1]與文獻[2]更高，可以為工程后續施工設計提供參考。

3.2 實驗結果

在上述實驗條件下，本文選取了太陽能、風能、水能、地熱能、波浪能、洋流能、潮汐能、核能等新能源發電項目，其實際造價不同。本文在工程實際造價一致的條件下，將文獻[1]估算方法得出的發電項目工程造價、文獻[2]估算方法得出的發電項目工程造價，與本文設計的基于自適應粒子群的新能源發電項目工程造價動態化估算方法得出的發電項目工程造價進行對比。實驗結果如表1所列。

如表1所列，本文選取的新能源發電項目中，實際造價均不相同。本文主要將造價估算結果與實際造價進行對比，估算值與實際值相差越小，估算效果越佳。

在工程造價一致的條件下，文獻[1]估算方法得出的發電項目工程造價與實際造價之間相差±0.10萬元，估算誤差相對較大，影響新能源發電工程的后續施工方案設計。文獻[2]估算方法得出的發電項目工程造價與實際造價之間相差±0.08萬元，相比于文獻[1]估算方法，估算水平得到了提升，但仍存在0.08萬元及以上估算誤差，對新能源發電工程的后續施工方案設計仍有一定影響。而使用本文設計的基于自適應粒子群的新能源發電項目工程造價動態化估算方法得出的發電項目工程造價與實際造價之間僅相差±0.01萬元，相比于文獻[1]估算方法與文獻[2]估算方法的估算結果有了很大程度的提升，此誤差對新能源發電工程的后續施工方案設計的影響較小，甚至可以忽略不計，符合本文的研究目的。

4 結束語

近年來，電能應用較為廣泛，為人們創造了便捷的用電環境。新能源發電項目是電價下調過程中的重要工程，其造價估算結果與工程決策有關。因此，本文利用自適應粒子群算法，設計了新能源發電項目工程造價動態化估算方法。從特征、權重、模型等方面，全面縮小估算誤差，以期為發電項目工程的施工決策提供保障。

參考文獻：

[1] 王林峰，徐楠，韓念遐.基于 BIM 三維模型的輸變電工程建設造價快速估算方法[J].工業建筑，2021，51（9）：252.

[2]王建.基于灰色系統法對水利工程造價估算的研究分析[J].水利科技與經濟，2020，26（10）：79?84.

[3] 牛衍亮，高立揚，段曉晨，等.基于余弦相似度?神經網絡模型的高鐵土建工程造價估算[ J].土木工程與管理學報，2020，37（5）：82?87＋94.

[4]湯青慧，李盼盼，隋玉正.基于 MLP 模型的高標準基本農田工程造價估算方法研究—以浙江省為例[ J].青島理工大學學報，2020，41（3）：1?8＋22.

[5] 李海燕，任長江.基于 BIM 技術的綠色建筑工程造價快速估算模型[J].山東農業大學學報（自然科學版），2020，51（5）：962?966.

[6]潘攀，石力，石惠敏.“雙碳”背景下電力企業新能源發電項目的融資障礙及破解路徑研究—以宿遷運河港配售電公司為例[J].中國總會計師，2022（1）：64?67.

[7] 溫懷鈺，李振坡，宋勝利，等.視頻監控管理系統在新能源發電工程中的應用分析[J].中國設備工程，2022（1）：224?225.

作者簡介：

賀綺瑤（1989—），碩士，工程師，研究方向：新能源資源獲取及全過程建設管理。