基于FA-ELM深度挖掘模型的電力工程預(yù)算控制技術(shù)

徐 寧, 張文靜, 周 波, 董振亮, 陳志賓

(1. 華北電力大學(xué) a. 電氣與電子工程學(xué)院, b. 能源動(dòng)力與機(jī)械工程學(xué)院, 北京 102206; 2. 河北省電力有限公司 a. 經(jīng)濟(jì)技術(shù)研究院, b. 互聯(lián)網(wǎng)部, 河北 石家莊 050001; 3. 河北省教育考試院 信息處, 河北 石家莊 050091; 4. 河北賽克普泰計(jì)算機(jī)咨詢(xún)服務(wù)有限公司 軟件造價(jià)部, 河北 石家莊 050081)

隨著我國(guó)經(jīng)濟(jì)與能源結(jié)構(gòu)的逐步轉(zhuǎn)型,電力企業(yè)也隨之開(kāi)始謀求新的發(fā)展模式,包括發(fā)、輸、變、配、用的全部環(huán)節(jié)。對(duì)于電網(wǎng)企業(yè)而言,合理利用現(xiàn)有資源,發(fā)揮出最大價(jià)值并服務(wù)于社會(huì)是主要目的[1-2]。為了順應(yīng)社會(huì)發(fā)展趨勢(shì),電網(wǎng)企業(yè)大力推行“提質(zhì)增效”新模式,尤其針對(duì)電力工程預(yù)算問(wèn)題,企業(yè)正積極探索新的控制方案,以最低的成本投入建設(shè)高質(zhì)量的電力工程,更好地滿足市場(chǎng)需求,適應(yīng)社會(huì)發(fā)展。

目前,關(guān)于電力工程建設(shè)預(yù)算成本的控制方法國(guó)內(nèi)外已有較多的研究成果。杜志達(dá)等[3]利用成本估算的模式構(gòu)建工程成本數(shù)據(jù)庫(kù),結(jié)合工程歷史數(shù)據(jù),使用類(lèi)比等方式規(guī)劃工程費(fèi)用。但此方法不夠客觀,成本估算準(zhǔn)確率較低[4-5]。陳樂(lè)[6]利用模糊數(shù)學(xué)法實(shí)現(xiàn)工程造價(jià)的高效率預(yù)估。楊智慧[7]利用模糊數(shù)學(xué)理論與指數(shù)平滑法構(gòu)建了水利工程項(xiàng)目投資估算模型,并對(duì)工程造價(jià)進(jìn)行了估算,但考慮的因素不夠全面,影響了管控措施的制定[8]。謝艷麗等[9]針對(duì)凍土環(huán)境的不確定性與復(fù)雜性問(wèn)題,利用模糊數(shù)學(xué)綜合評(píng)價(jià)法對(duì)該區(qū)域的桿塔建設(shè)進(jìn)行了穩(wěn)定性和成本評(píng)估。但其不具有普適性,工程造價(jià)估算的準(zhǔn)確性有待提高。綜合來(lái)看,目前的控制方法普遍存在考慮因素不全面、計(jì)算效率較低、管控方案不合理等問(wèn)題。

為此,本文提出一種基于FA-ELM深度挖掘模型的電力工程預(yù)算控制方案。在綜合考慮各方面影響因素的基礎(chǔ)上,使用螢火蟲(chóng)算法(firefly algorithm,FA)改進(jìn)后的極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)數(shù)據(jù)挖掘方式估計(jì)工程費(fèi)用,并采取相應(yīng)的管控措施,保證電力工程預(yù)算控制的準(zhǔn)確性和時(shí)效性。

1 電力工程預(yù)算及控制

1.1 預(yù)算費(fèi)用構(gòu)成

電力工程的預(yù)算費(fèi)用由建筑工程費(fèi)、裝置采購(gòu)費(fèi)和其他費(fèi)用3部分組成,費(fèi)用結(jié)構(gòu)如圖1所示。其中,間接費(fèi)用包括稅金與公司管理費(fèi)。稅金為政府相關(guān)機(jī)構(gòu)規(guī)定一定要繳的費(fèi)用;公司管理費(fèi)用為施工單位組織工程建設(shè)與經(jīng)營(yíng)管理時(shí)需要的費(fèi)用。

圖1 電力工程預(yù)算費(fèi)用結(jié)構(gòu)Fig.1 Structure of power project budget costs

由于電力工程預(yù)算容易受到多個(gè)因素的干擾,如電壓等級(jí)、地勢(shì)、桿塔、運(yùn)輸距離等,這些因素稍有變化,便會(huì)直接影響電力工程的預(yù)算。電力工程預(yù)算影響因素的層次數(shù)據(jù)庫(kù)如圖2所示。

圖2 電力工程預(yù)算影響因素Fig.2 Influencing factors of power engineering budget

1.2 工程預(yù)算控制

現(xiàn)有的預(yù)算控制技術(shù)大多分離了工程各個(gè)管控目標(biāo)間的關(guān)聯(lián),因此在控制目標(biāo)的實(shí)施階段會(huì)存在較多問(wèn)題。如當(dāng)項(xiàng)目實(shí)施至一定階段時(shí),真實(shí)的費(fèi)用與工程預(yù)算一致,但完成的工程進(jìn)度未達(dá)預(yù)期,最終較大概率會(huì)導(dǎo)致真實(shí)費(fèi)用超出預(yù)算。此外,在施工現(xiàn)場(chǎng)存在較多無(wú)法預(yù)估的因素,通常的控制方案無(wú)法完全呈現(xiàn)預(yù)算管控的狀況。為此,本文提出了利用工程進(jìn)度與預(yù)算共同管控的方式實(shí)施項(xiàng)目的全程監(jiān)督和預(yù)警,控制方式如圖3所示。

圖3 工程進(jìn)度與預(yù)算聯(lián)合控制方式Fig.3 Project control method combining schedule and budget

通過(guò)對(duì)公司項(xiàng)目進(jìn)度的控制,可以對(duì)項(xiàng)目各時(shí)期的資源使用與工程完工狀況進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。該方法計(jì)算量少且數(shù)據(jù)清晰,側(cè)重于對(duì)各個(gè)控制目標(biāo)的全局管控,并能夠輔助工程管理人員對(duì)工程預(yù)算的變化趨勢(shì)進(jìn)行實(shí)時(shí)估計(jì)與判定。同時(shí)制定合理高效的應(yīng)對(duì)措施,將不利因素的影響力降至最低,從而保證在不超過(guò)工程預(yù)算的前提下,按時(shí)完成工程建設(shè)。

2 FA-ELM模型及控制技術(shù)

神經(jīng)網(wǎng)絡(luò)具有從復(fù)雜且不精確的數(shù)據(jù)中提取關(guān)鍵信息的能力,能夠用來(lái)檢測(cè)人類(lèi)無(wú)法識(shí)別且過(guò)于復(fù)雜的數(shù)據(jù),因此所提技術(shù)基于ELM預(yù)測(cè)工程預(yù)算的變化趨勢(shì),以便及時(shí)采取措施控制成本。

2.1 FA-ELM網(wǎng)絡(luò)模型

ELM是HUANG等在2004年提出的一種性能優(yōu)良的新型單隱層前向神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比,具有學(xué)習(xí)速度快、泛化能力好等優(yōu)點(diǎn),解決了傳統(tǒng)梯度算法的局部極小、過(guò)擬合和學(xué)習(xí)率選擇不合適等問(wèn)題[10-11]。ELM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 ELM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.4 Structure of ELM neural network

取N個(gè)任意不同的樣本(xi,yi),xi、yi分別為輸入變量和輸出變量,則隱含層節(jié)點(diǎn)數(shù)為K的前向神經(jīng)網(wǎng)絡(luò)輸出為

(1)

式中:αi、bi分別為輸入層到第i個(gè)隱含層節(jié)點(diǎn)的輸入權(quán)值和偏差;βi為連接第i個(gè)隱含層節(jié)點(diǎn)的輸出權(quán)值;σ(x)為sigmoid激勵(lì)函數(shù)。

在模型訓(xùn)練中以最小誤差逼近N個(gè)樣本,期望輸出值和真實(shí)輸出值φj差的絕對(duì)值接近0,達(dá)到最小誤差函數(shù)E,即

(2)

如輸入權(quán)值αi與隱含層偏差bi的數(shù)值隨機(jī)分配,則ELM分析的穩(wěn)定性和快速性將受到影響,故采用仿生算法確定兩參數(shù),其效率更高且不易陷入局部僵局。確定αi與bi,可提升ELM的工程預(yù)算和工期的預(yù)測(cè)精度、收斂速度及魯棒性。

在FA優(yōu)化算法中,利用吸引度和亮度兩個(gè)參數(shù)的不斷迭代實(shí)現(xiàn)目標(biāo)函數(shù)最優(yōu)解的優(yōu)化求解。其中FA算法的吸引度τ和相對(duì)亮度I計(jì)算表達(dá)式為

(3)

式中:I0、γ、dmn分別為螢火蟲(chóng)的最大亮度、光強(qiáng)度的吸收系數(shù)以及m與n的空間距離;τ0為光源初始位置的吸引度。

當(dāng)螢火蟲(chóng)m被吸引而向螢火蟲(chóng)n移動(dòng)時(shí),位置更新表達(dá)式為

(4)

2.2 基于FA-ELM模型的預(yù)算控制技術(shù)

由于電力數(shù)據(jù)規(guī)模的快速增長(zhǎng),數(shù)據(jù)挖掘成為了數(shù)據(jù)轉(zhuǎn)化為信息的一個(gè)重要工具[12]。主要應(yīng)用數(shù)據(jù)清洗、數(shù)據(jù)集成等數(shù)據(jù)挖掘技術(shù)對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,以提高FA-ELM網(wǎng)絡(luò)模型的訓(xùn)練精度和分析性能。同時(shí),將FA優(yōu)化后的ELM模型用于預(yù)測(cè)電力工程的預(yù)算和工期,整體控制流程如圖5所示。

圖5 電力工程預(yù)算控制流程Fig.5 Power engineering budget control process

電力工程預(yù)算控制技術(shù)的具體流程如下:

1) 獲取電力工程中各個(gè)環(huán)節(jié)的電力數(shù)據(jù),包括工期和預(yù)算等數(shù)據(jù),并對(duì)其進(jìn)行預(yù)處理,包括數(shù)據(jù)清理和數(shù)據(jù)集成。數(shù)據(jù)清理是從數(shù)據(jù)庫(kù)中檢測(cè)和糾正損壞或不準(zhǔn)確記錄的行為[13],清理后的數(shù)據(jù)集將與系統(tǒng)中其他類(lèi)似的數(shù)據(jù)集保持一致。數(shù)據(jù)集成是將不同來(lái)源的數(shù)據(jù)進(jìn)行組合,并為用戶提供這些數(shù)據(jù)統(tǒng)一視圖的行為[14]。隨著數(shù)據(jù)量與共享現(xiàn)有數(shù)據(jù)的需求激增,數(shù)據(jù)集成成為了研究的焦點(diǎn)[15]。

2) 采用k折交叉驗(yàn)證方法將數(shù)據(jù)分類(lèi)為訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)。

3) 訓(xùn)練FA-ELM模型。首先初始化FA算法的參數(shù),設(shè)定螢火蟲(chóng)的初始位置,并計(jì)算目標(biāo)函數(shù)值;再計(jì)算運(yùn)算螢火蟲(chóng)個(gè)體的I和τ,根據(jù)I的大小來(lái)判定其位移,并獲得當(dāng)前空間位置;最后對(duì)最優(yōu)空間位置的螢火蟲(chóng)個(gè)體施加擾動(dòng),根據(jù)擾動(dòng)后的位置計(jì)算其亮度,通過(guò)迭代計(jì)算直至滿足終止條件,輸出最優(yōu)值,得到ELM的誤差函數(shù)值滿足E

4) 將電力工程數(shù)據(jù)輸入最優(yōu)FA-ELM模型,得到工期與預(yù)算的整體預(yù)測(cè)結(jié)果,從而輔助管理人員采取措施,控制工程實(shí)施的進(jìn)度與預(yù)算。

3 實(shí)驗(yàn)結(jié)果與分析

以2010～2020年某地區(qū)實(shí)際結(jié)算的108組電力工程原始數(shù)據(jù)為樣本,在MATLAB仿真平臺(tái)上對(duì)所提技術(shù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)電腦的硬件配置如下:CPU為Intel Core i5,主頻為3.1 GHz,內(nèi)存為8 GB。利用前80組樣本數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘模型,并用優(yōu)化后的模型對(duì)后28組樣本數(shù)據(jù)進(jìn)行預(yù)算估計(jì)。FA-ELM網(wǎng)絡(luò)模型的參數(shù)設(shè)置如表1所示。

表1 FA-ELM網(wǎng)絡(luò)模型的參數(shù)設(shè)置Tab.1 Parameter settings of FA-ELM network model

3.1 工程費(fèi)用預(yù)測(cè)結(jié)果分析

針對(duì)電力工程中存在的各種費(fèi)用,利用FA-ELM網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)分析,預(yù)測(cè)分析結(jié)果如表2所示。

表2 電力工程各類(lèi)型費(fèi)用的預(yù)測(cè)結(jié)果Tab.2 Prediction results of various types of costs in power engineering

由表2可以看出,利用所提技術(shù)預(yù)測(cè)各種費(fèi)用的效果顯著,預(yù)測(cè)誤差均控制在6%以?xún)?nèi)。尤其在裝置采購(gòu)方面,預(yù)測(cè)誤差僅為2.59%。對(duì)于類(lèi)型復(fù)雜的其他工程,運(yùn)用該技術(shù)可將其預(yù)測(cè)誤差控制為4.75%。綜合來(lái)看,FA-ELM技術(shù)能夠?qū)崿F(xiàn)較理想的電力工程費(fèi)用預(yù)測(cè)。

同時(shí),將FA-ELM網(wǎng)絡(luò)模型與ELM神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)在工程預(yù)測(cè)誤差方面進(jìn)行對(duì)比分析,結(jié)果如圖6所示。

圖6 不同模型的預(yù)測(cè)結(jié)果對(duì)比Fig.6 Comparison of prediction results for different models

由圖6可以看出,FA-ELM模型的預(yù)測(cè)誤差最小,以其他工程為例,FA-ELM的預(yù)測(cè)誤差較ELM模型減少了約1.13%。由于FA-ELM模型通過(guò)FA算法不斷尋優(yōu)獲取最佳網(wǎng)絡(luò)參數(shù),因此預(yù)測(cè)性能得到了很大的提升。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)易出現(xiàn)過(guò)擬合問(wèn)題,因此整體預(yù)測(cè)效果不佳,算法的其他工程預(yù)測(cè)誤差達(dá)到了9.87%。

3.2 控制結(jié)果對(duì)比分析

為了驗(yàn)證所提技術(shù)的控制性能,將其與文獻(xiàn)[3]、[7]、[9]方案在預(yù)算生成時(shí)間、預(yù)算管控性?xún)蓚€(gè)方面進(jìn)行對(duì)比分析,其中每種控制技術(shù)均對(duì)45周的工程量約3 GB數(shù)據(jù)各執(zhí)行100次預(yù)測(cè),并取均值作為結(jié)果,預(yù)算生成時(shí)間對(duì)比如表3所示。

表3 預(yù)算生成時(shí)間對(duì)比結(jié)果Tab.3 Comparison results of budget generation time s

由表3可以看出,所提技術(shù)的預(yù)算生成時(shí)間為24.6 s,并不是最短的,長(zhǎng)于文獻(xiàn)[3]的17.2 s。這是因?yàn)樗峒夹g(shù)結(jié)合了BP神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)挖掘技術(shù),導(dǎo)致計(jì)算量增加,但其確保了預(yù)測(cè)的準(zhǔn)確度;而文獻(xiàn)[3]的控制思路較為傳統(tǒng),運(yùn)算規(guī)模較小,因此執(zhí)行時(shí)間較短;文獻(xiàn)[7]和文獻(xiàn)[9]采用相近的模糊數(shù)學(xué)理論,因此執(zhí)行時(shí)間相近,但模糊數(shù)學(xué)理論計(jì)算量大,較FA-ELM網(wǎng)絡(luò)數(shù)據(jù)挖掘方法耗時(shí)稍長(zhǎng)。

同樣,采用工程完工后的總費(fèi)用作為評(píng)價(jià)標(biāo)準(zhǔn),對(duì)比4種方法的預(yù)算控制結(jié)果如圖7所示。

圖7 電力工程總費(fèi)用控制結(jié)果對(duì)比Fig.7 Comparison of total cost of power projects

由圖7可以看出,相比于其他技術(shù),所提技術(shù)的控制效果最為明顯,項(xiàng)目總費(fèi)用接近為2 200萬(wàn)元,較工程實(shí)際費(fèi)用減少了14.09%。由于其采用FA-ELM網(wǎng)絡(luò)完成工程費(fèi)用和工期的預(yù)測(cè),通過(guò)掌握費(fèi)用和工期的變化情況,能夠?yàn)榭刂品桨傅闹贫ㄌ峁?qiáng)有力的數(shù)據(jù)支撐,因此整體的工程預(yù)算較少,具有更好的經(jīng)濟(jì)性。文獻(xiàn)[3]僅從各個(gè)環(huán)節(jié)提出管理方法,缺乏學(xué)習(xí)算法的分析且控制效果不理想。文獻(xiàn)[7]利用模糊數(shù)學(xué)理論實(shí)現(xiàn)預(yù)算控制,但其模型單一無(wú)法達(dá)到最佳的控制效果,工程費(fèi)用達(dá)到了2 850萬(wàn)元。文獻(xiàn)[9]在模糊數(shù)學(xué)理論的基礎(chǔ)上,利用綜合評(píng)價(jià)法對(duì)影響因素進(jìn)行分析,從而完成預(yù)算控制,但不適用于整個(gè)電力工程的預(yù)算處理。

綜上所述,所提技術(shù)能夠以較短的時(shí)間生成預(yù)算估計(jì)值,并且通過(guò)工期和費(fèi)用的預(yù)測(cè)掌握工程進(jìn)度,完成預(yù)算管控,最大程度地減少電力工程的總費(fèi)用,具備良好的工程預(yù)算控制能力。

4 結(jié)束語(yǔ)

電力市場(chǎng)競(jìng)爭(zhēng)日趨激烈,為了改善工程質(zhì)量與運(yùn)營(yíng)狀況,高效的預(yù)算控制措施必不可少。為此,本文提出了一種基于FA-ELM深度挖掘模型的電力工程預(yù)算控制技術(shù)。將各種電力工程數(shù)據(jù)經(jīng)預(yù)處理后,輸入FA-ELM模型估計(jì)各個(gè)階段的工程費(fèi)用和進(jìn)度,管理人員可以根據(jù)實(shí)時(shí)財(cái)務(wù)和工期狀況采取相應(yīng)的控制措施。MATLAB仿真結(jié)果表明,經(jīng)過(guò)FA-ELM技術(shù)控制后的工程總費(fèi)用大約為2 200萬(wàn)元,節(jié)約了14.09%,綜合性能優(yōu)于其他對(duì)比技術(shù)。但所提技術(shù)僅考慮了工期與預(yù)算兩個(gè)目標(biāo),在接下來(lái)的研究中將充分考慮影響預(yù)算控制的各個(gè)方面,以實(shí)現(xiàn)實(shí)時(shí)工程預(yù)算的動(dòng)態(tài)管理,進(jìn)而提高工程建設(shè)的經(jīng)濟(jì)性。