技术领域
[0001] 本
申请涉及电
力工程建设技术领域，具体涉及一种基于单基塔的输电线路工程造价智能预测方法。
背景技术
[0002] 近年来，随着我国
电网建设工程投资规模和建设规模的不断扩大，加强电网工程造价管理，实现电网投资精益化管理已成为电网企业发展过程中面临的重要研究课题。通过有效计算每基杆塔的价实际造价，构建单基塔模式计价的
框架体系与计价方法对于提高电网建设工程的可研估算、初设概算、施工图预算、竣工结算等造价管控
水平，提升电网建设全过程造价管理，提高电网建设投资精益化管理水平具有重要的意义。
[0003] 以输配电价改革为核心的新一轮电力体制改革彻底改变了国家电网公司的盈利模式，输配电价受政府监管更加严格和透明，公司盈利模式也受到重大的影响。因此，电网造价管理作为控制公司建设成本的核心工作，必须要遵循高
质量、高效率的发展原则。未来必须以电网投资造价管控为抓手，强化基建精准投资、精准控制。为了国家电网公司战略发展需求，必须创新工程建设、管理模式，必须探索新时代下电网工程造价管理新思路，以服务电网建设为出发点，全面提升工程造价管控能力和水平。
[0004] 架空线路工程作为公司重要的生产运维载体，造价的影响因素较多，地形、地质、气象、运输条件等因素差异都会造成较大的造价差异。长期以来，架空输电线路工程预算、竣工结算和财务决算均按整条线路计价，工程建设管理、资产归集尚未形成精细化的管理，没有根据不同杆塔的实际投资进行进行单独计价，无法体现每基杆塔的实际造价水平，造价精确度有待于进一步提升。因此必须创新计价模式，加强电网工程建设造价管理，合理控制工程投资，提高电网建设效益。
发明内容
[0005] 本申请提供了一种基于单基塔的输电线路工程造价智能预测方法，用以解决现有预测方法不科学、预测
精度不高的问题。
[0006] 本申请解决上述技术问题所采取的技术方案如下：
[0007] 一种基于单基塔的输电线路工程造价智能预测方法，所述方法包括以下步骤：
[0008] 结合最小二乘
支持向量机模型的经验参数，构建经验参数
预测模型；
[0009] 利用
粒子群优化算法对所述预测模型中的参数进行优化，得到粒子群优化最小二乘支持向量机预测模型；
[0010] 将原始数据作为输入变量，输入到所述优化后的向量机预测模型中，并对所述向量机预测模型进行训练，得到单基塔的造价预测值。
[0011] 可选的，所述原始数据作为输入变量输入至所述优化后的向量机预测模型之前，所述方法还包括：
[0012] 收集不同类型工程的单基塔造价历史数据，对所述单基塔造价历史数据进行标准化处理，得到所述原始数据。
[0013] 可选的，所述原始数据为不同类型输电线路工程造价相关历史
基础数据。
[0014] 可选的，所述收集不同类型工程的单基塔造价历史数据，对所述单基塔造价历史数据进行标准化处理，包括：
[0015] 利用主成分分析对历史数据
降维，输出新样本，包括：首先将所述历史数据标准化，得到标准化数据；然后根据所述标准化数据计算相关系数矩阵及其特征值和
特征向量；最后计算每个主成分的方差贡献率，选取累计所述方差贡献率达到预设值的前n个主成分作为新样本输出。
[0016] 可选的，所述结合最小二乘支持向量机模型的经验参数，构建经验参数预测模型，包括：
[0017] 给定最小二乘支持向量机模型的经验参数，构建经验参数预测模型。
[0018] 可选的，所述利用粒子群
优化算法对所述预测模型中的参数进行优化，得到粒子群优化最小二乘支持向量机预测模型，包括：
[0019] 首先获取初始化粒子速度和
位置，根据粒子的速度和位置计算当前粒子适应度，选取当前粒子适应度最小值对应的位置作为粒子个体极值，比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；然后更新粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当
迭代次数达到最大迭代次数或精度达到预设精度时，输出全局最优位置，即为优化的最小二乘支持向量机的参数；最后根据优化后的参数构建优化参数预测模型。
[0020] 可选的，所述将原始数据作为输入变量，输入到所述优化后的向量机预测模型中，并对所述向量机预测模型进行训练，得到单基塔的造价预测值，包括：
[0021] 建立标准LSSVM模型，将数据代入模型进行训练，LSSVM预测模型的基本参数惩罚系数和核函数参数选择经验参数C＝100，σ2＝0.4，核函数K(x,xi)选取径向基(RadialBasis)核函数：
[0022]
[0023] 可选的，机预测模型进行训练步骤，得到最后的预测结果。
[0024] 本申请提供的技术方案包括以下有益技术效果：
[0025] 本申请提供的一种基于单基塔的输电线路工程造价智能预测方法，所述方法包括以下步骤：结合最小二乘支持向量机模型的经验参数，构建经验参数预测模型；利用粒子群优化算法对所述预测模型中的参数进行优化，得到粒子群优化最小二乘支持向量机预测模型；将原始数据作为输入变量，输入到所述优化后的向量机预测模型中，并对所述向量机预测模型进行训练，得到单基塔的造价预测值。本申请中提供的方法利用主成分分析方法对指标进行降维处理，创新性地引入粒子群算法对最小二乘支持向量机模型进行参数寻优得到最优参数，将得到的主成分数据分别导入经验参数预测模型和优化参数预测模型中进行训练和预测，能够提升造价预测的精确性，提升造价管理的精细化水平，解决现有预测方法不科学、预测精度不高的问题。
附图说明
[0026] 为了更清楚地说明本申请的技术方案，下面将对
实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027] 图1为本申请实施例提供的基于单基塔的输电线路工程造价智能预测方法
流程图。
具体实施方式
[0028] 为了使本领域技术人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对申请实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0029] 请参考附图1，附图1为本申请实施例提供的基于单基塔的输电线路工程造价智能预测方法流程图，如图1所示，本申请实施例提供的基于单基塔的输电线路工程造价智能预测方法，所述方法包括以下步骤：
[0030] S1：结合最小二乘支持向量机模型的经验参数，构建经验参数预测模型。
[0031] 具体包括以下步骤：
[0032] (1)首先用一个非线性映射 把样本从原空间映射到高维特征空间，将非线性估计函数转化为高维特征空间的线性估计函数 用ω和b分别表示回归函数的权向量和偏移量，根据结构
风险最小化原则，寻找ω、b使其最小化，即有：
[0033]
[0034] 式中：||ω||2用来控
制模型的复杂度；c是正则化参数，控制对超出误差样本的惩罚程度；Remp为误差控制函数，也即ε不敏感损失函数。LSSVM在优化目标时选择误差ξi的平方作为损失函数，故优化问题为：
[0035]
[0036]
[0037] 式中ξi为松弛因子。建立相应的拉格朗日法求解该问题，有：
[0038]
[0039] 式中αi(i＝1,2,…,l)是拉格朗日乘子。根据KKT优化条件，即分别求L对ω,b,ξi,α的偏导数，并令其等于0，可以求得：
[0040]
[0041] (2)引入满足Mercer条件的任意对称函数作为核函数，核函数参数决定了样本在数据空间分布的复杂程度，对模型的性能有较大影响。通过最小二乘法求得α和b，最后得到应用LSSVM对非线性函数进行回归分析的决策函数为：
[0042]
[0043] S2：利用粒子群优化算法对所述预测模型中的参数进行优化，得到粒子群优化最小二乘支持向量机预测模型。
[0044] 具体包括以下步骤：
[0045] (1)在一个d维搜索空间中，由m个代表问题可能解的粒子构成X＝{X1,X2,L,Xm}，其中Xi＝{xi1,xi2,L,xid}表示第i个粒子的位置，d为LSSVM参数的个数，这里d＝2。计算每一个LSSVM在训练集上产生的均方误差，构造如下的适应度函数，用来计算个体的适应度：
[0046]
[0047] f(x)＝MSE(x)
[0048] (2)将此粒子在d维空间中的飞行速度定义为Vi＝{vi1,vi2,L,vid}，用Pi＝{Pi1,Pi2,L,Pid}表示该粒子自身搜索到的最好位置Pbest(相应的适应度最小)，用Pg＝{Pg1,Pg2,L,Pgd}表示整个种群的最好位置Gbest，则第i个粒子的速度和位置更新根据如下公式确定：
[0049]
[0050]
[0051] 式中ω为惯性权重因子；t为迭代次数；c1和c2为
加速因子，表示粒子飞向其最优位置和整体最优位置的步长；rand()为在区间[0,1]中均匀分布的随机数。
[0052] (3)迭代次数达到最大迭代次数或精度达到预设的精度，则退出迭代循环，返回全局最优参数。利用粒子群算法可以优化LSSVM模型中的核函数参数和惩罚系数，避免人为的穷举试凑，可以获得更好的拟合效果。
[0053] S3：将原始数据作为输入变量，输入到所述优化后的向量机预测模型中，并对所述向量机预测模型进行训练，得到单基塔的造价预测值。
[0054] 可选的，所述原始数据作为输入变量输入至所述优化后的向量机预测模型之前，所述方法还包括：
[0055] 收集不同类型工程的单基塔造价历史数据，对所述单基塔造价历史数据进行标准化处理，得到所述原始数据。
[0056] 所述单基塔的造价的历史数据为以2018年中国某地区实际结算的20组110kV输电线路工程历史数据为样本，对工程单基塔的造价数据进行
整理与分解。
[0057] 对收集的历史数据进行标准化处理，包括以下步骤：
[0058] (1)对历史数据进行标准化处理
[0059] 按照如下公式对历史数据进行标准化处理：
[0060]
[0061] 其中，
[0062] (2)计算样本相关系数矩阵
[0063] 假定历史数据标准化后仍用X表示，则经标准化处理后数据的相关系数为：
[0064]
[0065] 其中，
[0066] (3)计算相关系数矩阵R的特征值(λ1,λ2,L,λp)和相应的特征向量ai＝(ai1,ai2,L,aip),i＝1,2,L,p
[0067] (4)选择重要的主成分，并得到主成分表达式
[0068] 通过主成分分析可以获得p个主成分，但由于各个主成分的方差递减，其中所含的信息量相应递减，所以在实际分析中，一般根据各个主成分累积贡献率大小(即某个主成分的方差占全部方差的比重)，选取前k个主成分，一般要求前k个主成分累积贡献率达到85％以上。
[0069] 进一步的，所述原始数据为不同类型输电线路工程造价相关历史基础数据。
[0070] 进一步的，所述收集不同类型工程的单基塔造价历史数据，对所述单基塔造价历史数据进行标准化处理，包括：
[0071] 利用主成分分析对历史数据降维，输出新样本，包括：首先将所述历史数据标准化，得到标准化数据；然后根据所述标准化数据计算相关系数矩阵及其特征值和特征向量；最后计算每个主成分的方差贡献率，选取累计所述方差贡献率达到预设值的前n个主成分作为新样本输出。
[0072] 进一步的，所述结合最小二乘支持向量机模型的经验参数，构建经验参数预测模型，包括：
[0073] 给定最小二乘支持向量机模型的经验参数，构建经验参数预测模型。
[0074] 可选的，所述利用粒子群优化算法对所述预测模型中的参数进行优化，得到粒子群优化最小二乘支持向量机预测模型，包括：
[0075] 首先获取初始化粒子速度和位置，根据粒子的速度和位置计算当前粒子适应度，选取当前粒子适应度最小值对应的位置作为粒子个体极值，比较当前粒子个体极值的适应度和上一个粒子个体极值的适应度，选取适应度小的粒子对应的位置作为全局极值；然后更新粒子的速度和位置，重复执行根据所述粒子的速度和位置计算当前粒子适应度的步骤，直至当迭代次数达到最大迭代次数或精度达到预设精度时，输出全局最优位置，即为优化的最小二乘支持向量机的参数；最后根据优化后的参数构建优化参数预测模型。
[0076] 可选的，所述将原始数据作为输入变量，输入到所述优化后的向量机预测模型中，并对所述向量机预测模型进行训练，得到单基塔的造价预测值，包括：
[0077] 建立标准LSSVM模型，将数据代入模型进行训练，LSSVM预测模型的基本参数惩罚系数和核函数参数选择经验参数C＝100，σ2＝0.4，核函数K(x,xi)选取径向基(RadialBasis)核函数：
[0078]
[0079] 进一步的，机预测模型进行训练步骤，得到最后的预测结果。
[0080] 本申请中提供的方法利用主成分分析方法对指标进行降维处理，创新性地引入粒子群算法对最小二乘支持向量机模型进行参数寻优得到最优参数，将得到的主成分数据分别导入经验参数预测模型和优化参数预测模型中进行训练和预测，能够提升造价预测的精确性，提升造价管理的精细化水平，解决现有预测方法不科学、预测精度不高的问题。
[0081] 需要说明的是，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0082] 以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种
修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0083] 应当理解的是，本申请并不局限于上面已经描述并在附图中示出的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的
权利要求来限制。
