基于虛擬模型重建與智能校核的電力工程數(shù)據(jù)處理技術研究

彭露葦，李壽山，張四江，岳鐵軍，王亞麗

（國網甘肅省電力公司建設分公司，甘肅蘭州 730050）

推進電力工程建設是國民經濟發(fā)展的重要保障，但該工程具有實施周期長、投資成本大及建設環(huán)境復雜等特點。因此，如何通過有效的管控手段保證電力工程造價的科學性與合理性，進而實現(xiàn)投資資金與電力資源的優(yōu)化配置，是一個值得研究的關鍵問題[1-3]。

目前，電力工程造價的預測方法可分為兩類：1）統(tǒng)計學、模糊理論（Fuzzy Theory）等數(shù)學分析方法；2）支持向量機（Support Vector Machine，SVM）[4]、神經網絡（Artificial Neural Network，ANN）[5]等人工智能算法。上述方法雖在電力工程造價預測方面獲得了諸多應用效果，但單一的預測模型仍具有一定的局限性，故無法適應日益復雜的電力工程技術需求[6-8]。而融合多種算法的組合預測模型，能夠有效結合不同算法的優(yōu)勢，并充分利用各個系統(tǒng)的信息，從而進一步提高預測結果的準確性。

文中通過研究融合多類型智能算法的電力工程數(shù)據(jù)處理技術，并運用大數(shù)據(jù)分析算法來實現(xiàn)相關工程造價的精準預測，進而為電力工程的科學管控提供技術支撐。

1 基于虛擬模型重建的數(shù)據(jù)處理系統(tǒng)

電力工程數(shù)據(jù)處理系統(tǒng)如圖1 所示，其包括用戶層、展示層、業(yè)務層、數(shù)據(jù)層與數(shù)據(jù)庫。

圖1 電力工程數(shù)據(jù)處理系統(tǒng)

建筑信息模型（Building Information Molding，BIM）技術在電力工程項目的管理過程中被廣泛應用。通過其所構建的虛擬模型，可實現(xiàn)工程建筑全生命周期的信息共享，進而提升電力工程規(guī)劃設計、施工運維等環(huán)節(jié)的效率與智能化水平?；谔摂M建模的電力工程項目信息處理流程如圖2 所示。設計單位利用電力工程CAD 平臺及BIM 模型族庫來完成圖紙設計與電力工程的虛擬模型重建，并利用該模型的關聯(lián)數(shù)據(jù)實現(xiàn)工程量與工程造價的自動計算，從而為施工過程的項目管控提供輔助服務。

圖2 電力工程項目信息處理流程

2 電力工程數(shù)據(jù)處理技術

針對電力工程數(shù)據(jù)處理分析，文中提出了基于虛擬模型重建與智能校核的PCA-PSO-SVR 算法，其框架如圖3 所示。首先，利用虛擬模型重建技術獲取電力工程數(shù)據(jù)；然后采用格拉布斯法（Grubbs）對其進行智能校核，并剔除異常數(shù)據(jù)，提升數(shù)據(jù)的質量；接著使用主成分分析算法（Principal Components Analysis，PCA）進行數(shù)據(jù)降維，從而提高數(shù)據(jù)處理及分析的速度；同時利用粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）對支持向量回歸（Support Vector Regression，SVR）的懲罰系數(shù)C與核參數(shù)σ進行優(yōu)化，以提高其性能；最終即可實現(xiàn)電力工程造價評估。

圖3 智能校核與PCA-PSO-SVM融合算法框架

2.1 基于Grubbs法的智能校核模型

將新獲取的數(shù)據(jù)與已有的合理數(shù)據(jù)按照增序排列，則形成的數(shù)據(jù)序列{x}如下：

若新獲取的數(shù)據(jù)xi位于序列{x}的中間，判定其為合理數(shù)據(jù)；若位于首尾段，則應利用Grubbs 法加以判斷。

Grubbs 法需首先設置一個異常數(shù)據(jù)識別閾值，該值為較小的概率值。其物理意義為：利用Grubbs法進行數(shù)據(jù)校核出現(xiàn)誤判的可能性[9]。數(shù)據(jù)xi校核結果的置信概率為：

式中，α為異常數(shù)據(jù)識別閾值，且其通常設置為0.010、0.025 和0.050 等。

進一步計算數(shù)據(jù)xi的判定值κ，具體計算公式如下：

式中，與s分別為數(shù)據(jù)序列{x}的平均值和標準偏差，則二者的計算可表征為：

式中，n為數(shù)據(jù)序列{x}的樣本總數(shù)。然后根據(jù)數(shù)據(jù)樣本總數(shù)n及置信概率P通過查詢經驗表來獲取λ(P,n)值。最后根據(jù)κ與λ(P,n)的大小進行判定：

若κ＞λ(P,n)，xi為異常數(shù)據(jù)；否則，xi為合理數(shù)據(jù)。

2.2 PCA-PSO-SVR算法

1）PCA[10-11]是一種多維數(shù)據(jù)處理技術，其通過投影映射方式實現(xiàn)數(shù)據(jù)空間的降維與特征提取。

對于包含N個數(shù)據(jù)樣本，且每個樣本均具有M維特征的數(shù)據(jù)集，所構建的原始數(shù)據(jù)矩陣為：

其中，xnm為第n個數(shù)據(jù)樣本第m維的特征值。

為避免不同特征量綱對計算結果的干擾，需對原始數(shù)據(jù)進行標準化處理：

式中，為標準化后的數(shù)據(jù)值，和σm為所有數(shù)據(jù)樣本在m維特征值的平均值與標準偏差。

計算相關系數(shù)矩陣R=[rij]m×m：

計算相關系數(shù)矩陣R的特征值及特征向量：

式中，假設相關系數(shù)矩陣R共有P個特征值，則第p個特征值為λp，其所對應的單位特征向量為：

計算各個影響因素的貢獻度可得：

按照貢獻度大小進行降序排列，則有：

計算前h個影響因素的累計貢獻率，直至大于設置閾值εp，由此得到h個主要影響因素。前h個特征值對應的特征向量為：

則通過PCA 算法進行映射降維后，得到的數(shù)據(jù)樣本矩陣XPCA為：

2）支持向量回歸[12-13]通過非線性函數(shù)φ(x)將數(shù)據(jù)x映射至高維度空間，從而完成原求解問題的線性轉換。對于已知的數(shù)據(jù)集A={(xi,yi)|i=1,2,…n}，可采用以下方法進行回歸擬合：

式中，w為權重矩陣，b為截距。

SVR 分析的關鍵在于求取w的值，通常利用最小化風險函數(shù)來求取：

式中，C為懲罰系數(shù)；L為損失函數(shù)，其計算方式如下：

其中，ξ為誤差均值。

通過求解式（16）的對偶問題可得到解ai和，則w表示為：

將式（18）代入式（15）可得：

式中，K(xi,x) 為核函數(shù)，通常取為徑向基核函數(shù)，則有：

式中，σ為核函數(shù)參數(shù)。

3）PSO[14-16]是常用的一種仿生智能算法，對于D維空間的尋優(yōu)問題，粒子i具有位置及速度兩個特征，可表示為：

二者的更新機制如下：

綜上所述，文中所提PCA-PSO-SVR 算法流程如圖4 所示。

3 算例分析

以某電網公司輸電工程相關數(shù)據(jù)作為訓練集，驗證所提算法的正確性及有效性。

3.1 Grubbs數(shù)據(jù)校核結果分析

基于Grubbs 的智能數(shù)據(jù)校核過程分析如下：已存在一組合理的工程基礎土石方數(shù)據(jù)，且對于A 工程，其基礎土石方為920.3 m3/km。將其按照從小到大排列，具體如表1 所示。該組數(shù)據(jù)平均值為581.45，標準偏差為161.92，利用式（3）計算得到κ值為2.09。根據(jù)經驗數(shù)值表可知，在95%的置信度下，λ(0.95,8)=2.03，即κ＞λ(0.95,8)，因此該數(shù)據(jù)為異常數(shù)據(jù)，需要剔除。

表1 電力工程基礎土石方數(shù)據(jù)

采用相同訓練集進行模型訓練，并對比分析基于Grubbs 的智能數(shù)據(jù)校核對電力工程造價預測結果的影響，具體如表2 所示。Grubbs-PCA-PSOSVR 算法的平均相對誤差為3.69%，而PCA-PSOSVR 算法誤差則為4.54%。由此可見，Grubbs 模型能夠有效降低異常數(shù)據(jù)對工程造價預測結果的影響。

表2 智能校核模型對預測結果的影響

3.2 算法準確性對比

利用Grubbs 模型對訓練集進行數(shù)據(jù)校核、剔除異常數(shù)據(jù)等操作，并將其作為后續(xù)預測算法模型的輸入。對比文中所提組合模型與BP 神經網絡、SVR及PCA-SVR 等算法模型的預測準確性。所得結果如表3 所示，由數(shù)據(jù)可知，單一模型（BP、SVR）的平均相對誤差均大于10%；相比于單一模型，PCASVR 則經過數(shù)據(jù)降維處理，使得算法的平均相對誤差降低至8.07%；而文中算法在PCA-SVR 算法的基礎上，利用PSO 對SVR 模型的參數(shù)加以優(yōu)化，進而得到具有最優(yōu)性能的SVR 模型，故其平均相對誤差僅為3.73%。

表3 不同模型的預測結果對比

4 結束語

文中分析了電力工程數(shù)據(jù)處理系統(tǒng)架構及虛擬模型重建流程，提出了一種融合智能數(shù)據(jù)校核及組合預測模型的電力工程造價預測算法。仿真算例表明，Grubbs 校核方法能夠準確識別異常數(shù)據(jù)，PCAPSO-SVR 組合模型則能夠有效提高電力工程造價預測的準確性。但該算法并未考慮市場、政策等因素的影響，故僅適用于電力工程的靜態(tài)造價預測。因此，這將在后續(xù)研究中進行改進。