基于多源數據融合的抽水蓄能項目投資估算方法

陳菲菲

(廣東省水利電力勘測設計研究院有限公司，廣東 廣州 510610)

抽水蓄能電站的總進度工期設計需要充分考慮電站的建設條件、工程規模、技術特點等因素，項目的建設工期是指預可研、電站設計期、籌建期、主體工程建設期、竣工決算期。其中工程籌建期之前受外部條件影響較大，時間成本相對不確定[1]。工程完建期主要進行項目竣工決算工作。主體工程建設周期一般為8年左右，當項目進入主體工程建設階段，抽水蓄能電站的設計圖已完成，概算總額已確定，建設任務基本確定。

國家能源局批準的選點規劃報告是開展項目前期工作及核準建設的基本依據。在可行性研究階段，要根據預可行性研究階段等相關材料進行抽水蓄能電站建設的設計工作；在電站設計期，設計院出具電站的設計圖和施工圖；在籌建期基建部與工作人員開展項目建設招標、設備采購計劃等工作；在主體工程建設期，項目的建設周期、工作計劃基本確定，開始進行水庫、洞室等主體工程的建設以及設備的采購；當所有機組達到可使用狀態后[3]，項目進入竣工決算期，在此期間，需要完成項目的決算工作并制定尾工建設計劃[4]。受地理位置、交通、氣候、地方政策的影響，不同的抽水蓄能電站在主體工程建設期前所需的時間不確定。在綜合考慮技術難度、工程建設環境、物資供應及移民征地等各方面因素，確定總工期。對此，本文提出基于多源數據融合的抽水蓄能項目投資估算方法。

1 抽水蓄能項目投資估算的影響因素

目前，在這樣的市場現狀下，影響抽水蓄能項目投資估算的因素種類繁多[5]，從整體上來說大致可分為兩類。

1.1 宏觀因素

宏觀因素主要是指由國家的整體經濟形勢和其它各方面所造成的，企業無法控制的影響投資估算的因素。

(1)國家物價消費指數以及各個時期的基準利率和還貸款利息，它們主要影響投資估算的貸款規模及壓力。

(2)項目造價指數，它是反映不同時期項目造價相對變化趨勢的一種指標，是項目動態結算的重要依據。

(3)國家關于項目投資管理相關法律法規的頒布及修改，如建設部標準定額司推行的工程量清單計價模式會極大地影響投資估算的風險考慮成度。

1.2 微觀因素

微觀因素主要指企業能夠控制的，并可以通過努力消除其對抽水蓄能項目投資估算影響的因素。

(1)抽水蓄能項目的設計深度。它是影響抽水蓄能項目投資估算的一項非常重要的內容。如果抽水蓄能項目只是以一種意向的狀態而存在，還沒有相應的初步規劃設計方案圖紙或草圖，那么編制投資估算就會變得很困難，所以，具有一定深度的規劃設計方案是保證投資估算準確度的可靠保障。

(2)從事編制抽水蓄能項目投資估算人員的自身業務素質和經驗。

2 抽水蓄能項目投資多源數據融合

數據融合算法是整個融合過程中的核心，無論是什么數據類型最終都是需要經過某種算法的融合處理[6]。由于數據融合是一門交叉學科，所涉及的研究領域廣泛，因此針對不同研究場景存在著不同的融合方法。實際應用中還不存在能夠解決所有場景問題的算法，必須針對不同應用場景選擇合適的方法[7]。本文采用長短時記憶神經網絡算法進行抽水蓄能項目投資多源數據融合，神經網絡結構圖如圖1所示。

圖1 LSTM神經網絡結構圖

由圖1可知，LSTM神經網絡結構共有遺忘門、輸入門、輸出門3種門控結構，其中h代表隱含層狀態，C為單元狀態，x為輸入的抽水蓄能項目投資數據。

用遺忘門的輸出值控制上時刻單元狀態被遺忘的程度。值為0表示完全遺忘，值為1表示完全保留。遺忘門的計算公式如下：

ft=sigmoid(Wf·[ht-1，xt]+bf)

(1)

式中，Wf、bf—遺忘門的權重和偏置。

it=sigmoid(Wi·[ht-1，xt]+bi)

(2)

(3)

(4)

式中，Wi、Wc和bi、bc—權重和偏置；Ct—更新后的當前單元狀態。

輸出庅主要控制當前單元狀態有多少會被保存到當前輸出中，即抽水蓄能項目投資數據融合存儲量的多少。結合輸出門的輸出ot和當前單元狀態Ct，確定最終輸入到下一個記憶單元的隱層輸出ht。輸出門及隱層輸出(即數據融合)計算公式如下：

ot=sigmoid(W0·[ht-1，xt]+b0)

(5)

ht=ot*tanh(Ct)

(6)

式中，W0、b0分—權重和偏置?；谏鲜鰯祿诤辖Y果進行抽水蓄能項目投資估算。

3 算法流程

通過將抽水蓄能項目投資有影響的宏觀因素和微觀因素作為多源數據融合信息輸入到模型作為變量，把要估算的抽水蓄能項目投資作為模型的輸出，通過平均影響值算法和粒子群算法確定最優的支持向量機模型來對抽水蓄能項目投資進行估算。該算法主要操作詳解如下：

(1)將搜集到的樣本數據集輸入至SVM網絡中進行訓練；

(2)將樣本中第i個敏感性特征指標數據分別加減10%，而其余的指標數據保持不變，構建的新樣本記為P和Q；

(3)根據步驟(2)，依次構建所有敏感性指標的新樣本；

(4)以P和Q為例，采用SVM模型對樣本進行模擬仿真，求得預測結果M和N；

(5)根據式(7)得到第i個敏感性特征指標對輸出結果的影響程度；

(7)

(6)根據各敏感性特征指標MIV值的絕對值大小進行排序；

(7)按照依次MIV絕對值最小的原則構建新的敏感性特征指標體系，并且引入平均相對誤差(MRE)，計算每次剔除敏感性特征指標后的額平均相對誤差；

(8)根據步驟(7)所得平均相對誤差最小時，所對應的敏感性特征指標體系即最優指標體系；

(9)將上一步所選擇的最優指標體系輸入LSTM-SVM模型中進行模擬仿真；

(10)初始化粒子參數，包含：種群規模N，粒子飛行范圍，確定慣性權重ω，選定終止條件和最大迭代數tmax，學習因子c1和c2，c和g的求值區間；

(11)按照f(x)計算每一代種群的誤差值；

(12)判斷誤差值是否滿足尋優終止條件或粒子更新是否達到參數設定的最大的迭代次數，如果達到，輸出最優c和g；如果沒有達到則繼續下一步；

(13)根據公式(8)和公式(9)更新xi和vi；vi(t)=w·vi(t+1)+c1r1(pi-xi(t))+

c2r2(pg-xi(t))

(8)

xi(t+1)=xi(t)+vi(t)

(9)

(15)得到最優的SVM參數，并應用到模型進行抽水蓄能項目投資估算。

4 實驗結果分析

4.1 數據收集與整理

通過廣聯達指標網收集了省內14個市抽水蓄能項目的投資數據，為了保證數據的時效性和真實性，本文剔除了2019年之前的投資數據，剩下近3年內50個抽水蓄能項目的投資數據。初步得到50組原始樣本。

由于模型只能識別離散化的輸入數據，所以需將部分原始數據樣本進行量化處理，根據第1節確定的抽水蓄能項目影響因素的特點，將字符型的數據按照量化方式進行相應的賦值，以便模型的訓練學習。

X1～X20作為輸入指標，分別是：

(1)定量指標：總面積、地上面積、地下面積、建筑高度、層數、抗震設防烈度、鋼筋市價、混凝土市價和人工市價共9個，分別記作：X1，X2，…，X9。

(2)定性指標：主體結構類型、基礎類型、砌體材質、屋面防水材料、外墻材料、內墻材料、樓地面材料、門窗類型、強電設備安裝水平、弱電及智能化設備安裝水平和給排水設備安裝水平共11個，分別記作X10，X11，…，X20。

4.2 結果分析

使用上述MATLAB訓練好的神經網絡進行預測，需要用到代碼：Y=sim(net，X)，將net視為映射關系，輸入變量X即可得到Y。X的維度是20為估算的20個影響因素，Y的維度為1，是抽水蓄能項目的單方造價。得到的估算結果如圖2和表1所示。

表1 投資估算精度分析

圖2 投資實際值與估算值對比圖

平均相對誤差就是相對誤差的平均值，而相對誤差就是預測值與實際值之間的差再比上實際值，由于其正負符號問題，一般用平均相對誤差的絕對值來表示，MRE的數學表達式如下：

(9)

得到投資估算精度及相對誤差結果見表1。

由圖2和表1可知：

(1)估算值和實際值的之間的關系，如圖2所示，根據曲線的整體趨勢可以看出，測試樣本的計算結果和真實值較為貼近，說明基于BP神經網絡模型進行投資估算的效果較好。

(2)估算值和實際值的對比差值用相對誤差表，見表1，各組測試樣本的估算值的相對誤差均控制在10%以內，相對誤差分布區間為[-9.37%，7.52%]之間，達到了抽水蓄能項目的投資初期對于估算的精度要求。

(3)從估算速度來看，從運行開始到繪圖結束，總共花了4.01s。

5 結語

針對傳統估算方法存在估算不準確、誤差大的問題，提出基于多源數據融合的抽水蓄能項目投資估算方法。將抽水蓄能項目投資有影響的宏觀因素和微觀因素作為多源數據融合信息輸入到模型作為變量，通過平均影響值算法和粒子群算法確定最優的支持向量機模型來對抽水蓄能項目投資進行估算。實驗結果表明，采用本文方法可有效提高估算準確度，降低平均相對誤差，具有一定的實用性。