一种输变电工程造价评估方法及装置制造方法

一种输变电工程造价评估方法及装置制造方法
【专利摘要】本发明提供了一种输变电工程造价评估方法及装置，方法包括：接收输入的输变电工程的历史样本数据；初始化混沌粒子群的迭代次数、惯性权值、学习因子、粒子速度、粒子群的种群规模建立混沌粒子群模型；根据混沌粒子群优化算法对所述的混沌粒子群模型参数进行优化；根据所述的历史样本数据和优化后的混沌粒子群模型确定混沌粒子群模型的迭代次数、惯性权值、学习因子的最优值；根据确定的迭代次数、惯性权值、学习因子的最优值分别确定最小二乘支持向量机模型的惩罚系数、不敏感系数及核函数参数建立最小二乘支持向量机模型；接收输入的输变电工程的实际样本数据；根据输变电工程的实际样本数据和建立的最小二乘支持向量机模型生成输变电工程造价评估结果。
【专利说明】一种输变电工程造价评估方法及装置
【技术领域】
[0001]本发明涉及输变电工程【技术领域】，具体的讲是一种输变电工程造价评估方法及装置。
【背景技术】
[0002]输变电工程建设一般具有项目投资额巨大、涉及领域多以及影响因素复杂等特点，因此控制输变电工程建设的造价历来都是一个难题。而输变电工程造价的控制是按照计算和确定的工程造价和投资费用这个既定的造价目标，对造价形成过程的一切费用进行严格的计算、调节和监督，揭示偏差，及时纠正，保证造价目标的实现。所以，要想提高资源的利用效率，优化资源配置就必须从控制的目标一评估工程造价开始。
[0003]随着科学技术的发展，国内工程造价领域曾经出现了许多造价估算方法，包括:估算指标法、概算定额法、指数平滑法、特定权重法、模糊数学计算法、灰色关联度计算法、神经网络模型法、经验估计法等。这些方法在一些特定的历史时期内和工程项目进展过程中可以解决工程造价的快速估算，但是他们普遍存在的缺点是把属于竞争中最活跃的因素固定化，难以适应适应市场经济体制的要求，忽略了资金的时间价值，缺乏动态性，造成技术和经济的分离，导致估算造价误差太大，仍然很难满足市场经济发展中工程建设的实际需要。
[0004]20世纪90年代，小样本数据的机器学习理论研究逐渐成熟，形成了一个较完善的理论体系一统计学习理论，在此基础上，1995年Vapnik提出了一种新的机器学习方法——支持向量机技术。支持向量机技术的出现为小样本数据的学习提供了有效的理论分析基础，在很多领域取得了成功的应用，已经成为小样本学习的研究新热点。然而，在实际研究中发现，单纯依赖支持向量机技术进行小样本数据学习仍然很难取得稳定良好的学习效果，因此本技术拟从人工智能技术入手，寻找合适的理论技术算法，对基于支持向量机技术的小样本数据学习方法进行改进，设计一种科学合理的小样本数据智能学习改进算法，并把该改进算法应用于输变电工程造价快速估算当中，满足输变电工程项目建设过程中造价控制和招投标活动实施的需要。
[0005]目前，关于工程造价估算方法的研究较少，除常用的定额概预算造价估算和清单计价方法外，主要利用了模糊数学、灰色关联度和人工神经网络、支持向量机等方法对工程造价估算方法进行了研究。
[0006]( I)基于模糊数学的造价估算
[0007]王祯显教授在全国首先提出建筑工程造价本身就是一个不确切的数字，带有模糊性的思想，并结合实际将模糊数学的方法应用到工程实践中，提出了快速估算工程造价的新方法，该方法利用隶属度反映工程项目之间的亲疏关系，挑选出与预估工程最贴近的一组典型工程项目作为相似工程，再由这组相似工程的实际值推算出预估工程的造价估算值。唐晓阳等提出根据概率论和模糊数学原理，确立随机-模糊数学特征统计方法，应用模糊数学贴近度概念估算出子工程费用，子工程费用叠加构成总体工程费用的可能造价值。随后，宋红宾、姜德华、黎诚、毕星等分别对模糊数学在造价估算中的应用研究又做了进一步的研究。
[0008](2)基于灰色关联度的造价估算
[0009]钱永峰首次提出用灰色系统的生成函数方法，弥补模糊数学造价估算模型中调整系数不确定性的不足。张协奎、钱永峰利用灰色系统理论估算了建筑费用，但只粗略考虑了工程特征，没有考虑分部工程的权重，由此估算出的造价准确度低，难以推广应用。但荀志远、于彩华把预估工程项目和类似工程项目进行分解，以分部工程为计算起点，把分部工程特征和造价结合起来计算关联度，弥补了张协奎、钱永峰建立模型中的不足，提高了估算结果的准确度。之后，张传友、黄宝珍、廖启祥等分别将模糊贴近度与灰色关联度结合起来，改进了之前的估算模型，进一步提高了估算的准确性。
[0010](3)基于人工神经网络的造价估算
[0011]邵良彬、高树林通过对神经网络基本原理的研究，介绍了工程造价人工神经网络估算模型和人工智能估算系统软件，并结合矿井项目建设中的井巷工程的实例进行了分析。随后，更多的专家学者应用神经网络对不同的建筑工程造价估算进行了研究，强茂山等对水电工程造价的估算进行了研究，开辟了神经网络的在水电工程中的应用。申金山、赵欣、杨毅、傅鸿等分别利用BP神经网络建立了工程造价估算模型。银涛等研究了神经网络在电力输电工程的造价估算方法中的应用。近年来，出现了神经网络与聚类技术、遗传算法等理论结合提高网络学习能力的研究。邓焕彬、李驰宇等分别结合模糊数学与BP神经网络设计了工程造价快速估算模型。王颖等结合软计算方法、聚类技术和模糊神经网络理论设计了电力线路工程造价预测模型。熊燕利用遗传算法结合BP神经网络理论设计了建筑工程造价估算模型。
[0012](4)基于支持向量机的造价估算
[0013]韦俊涛研究了支持向量机在电力输电工程的造价估算方法中的应用。蒋丽娜采用粗糙集和支持向量机方法构成智能预测系统，研究解决了建筑工程造价预测效率不高这一难题。郝宽胜等提出基于模糊最小二乘支持向量机的建设工程造价预测方法。武晓娟运用支持向量机的系统预测方法，结合火电工程项目造价的趋势和特点，建立火电厂工程造价预测模型。王金祥、谢颖等分别利用支持向量机对公路工程造价进行评估。彭光金提出一种基于参数优化回归支持向量机的小样本数据智能学习改进算法，同时把该算法应用于工程造价快速估算。
[0014]模糊数学的缺点是对工程造价估算的复杂问题描述过于简单，因此估算结果自然比较粗糙。灰色关联理论的缺点是过高估计了不同工程的造价相似度，计算误差较大，很难满足目前工程造价估算10%以内的精度要求。神经网络的缺点是学习要求训练样本规模较大才能保证算法的鲁棒性和收敛性。支持向量机的缺点是收敛速度慢，运行时间较长，另外，参数对外界变化很敏感较依赖于经验。
[0015]纵观上述造价估算方法，大部分还停留在浅层次的探讨上，要么是算法在单一方面的应用，要么缺乏系统性，要么只适用于历史工程数据规模大的工程领域，对小样本工程数据的造价估算方法基本没有深入探讨。

【发明内容】
[0016]本发明实施例提供了一种输变电工程造价评估方法，所述的方法包括:
[0017]接收输入的输变电工程的历史样本数据；
[0018]初始化混沌粒子群的迭代次数、惯性权值、学习因子、粒子速度、粒子群的种群规模建立混沌粒子群模型；
[0019]根据混沌粒子群优化算法优化对所述的混沌粒子群模型参数进行优化；
[0020]根据所述的历史样本数据和优化后的混沌粒子群模型确定混沌粒子群模型的迭代次数、惯性权值、学习因子的最优值；
[0021]根据确定的迭代次数、惯性权值、学习因子的最优值分别确定最小二乘支持向量机模型的惩罚系数、不敏感系数及核函数参数建立最小二乘支持向量机模型；
[0022]接收输入的输变电工程的实际样本数据；
[0023]根据输变电工程的实际样本数据和建立的最小二乘支持向量机模型生成输变电工程造价评估结果。
[0024]本发明还提供了一种输变电工程造价评估装置，装置包括:
[0025]数据输入模块,用于接收输入的输变电工程的历史样本数据和实际样本数据；
[0026]混沌粒子群模型初始化模块，用于初始化混沌粒子群的迭代次数、惯性权值、学习因子、粒子速度、粒子群的种群规模建立混沌粒子群模型；
[0027]优化模块，用于根据混沌粒子群优化算法优化对所述的混沌粒子群模型参数进行优化；
[0028]最优值确定模块，用于根据所述的历史样本数据和优化后的混沌粒子群模型确定混沌粒子群模型的迭代次数、惯性权值、学习因子的最优值；
[0029]最小二乘支持向量机模块，用于根据确定的迭代次数、惯性权值、学习因子的最优值分别确定最小二乘支持向量机模型的惩罚系数、不敏感系数及核函数参数建立最小二乘支持向量机模型；
[0030]评估模块，用于根据输变电工程的实际样本数据和建立的最小二乘支持向量机模型生成输变电工程造价评估结果。
[0031]本发明不仅可以使投资方在项目建设前期可行性研究阶段能够准确估算新建工程的造价，同时可以在初步设计阶段辅助概算审查人员进行合理的、快速的造价审查，达到为投资决策提供依据的目标，而且可以帮助项目施工单位在招投标活动中快速确定企业报价范围，在保证企业效益的前提下优化报价策略，最大限度提高中标成功率。
[0032]为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
【专利附图】

【附图说明】
[0033]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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。
[0034]图1为本发明实施例提供了一种输变电工程造价评估方法流程图；
[0035]图2为本发明还提供了一种输变电工程造价评估装置结构框图；[0036]图3为本发明实施例中混沌粒子群最小二乘支持向量机评估模型构建流程图【具体实施方式】
[0037]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0038]如图1所示，本发明实施例提供了一种输变电工程造价评估方法，所述的方法包括:
[0039]步骤S101，接收输入的输变电工程的历史样本数据和实际样本数据；
[0040]步骤S102，初始化混沌粒子群的迭代次数、惯性权值、学习因子、粒子速度、粒子群的种群规模建立混沌粒子群模型；
[0041]步骤S103，根据混沌粒子群优化算法对所述的混沌粒子群模型参数进行优化；
[0042]步骤S104，根据所述的历史样本数据和优化后的混沌粒子群模型确定混沌粒子群模型的迭代次数、惯性权值、学习因子的最优值；
[0043]步骤S105，将确定的迭代次数、惯性权值、学习因子的最优值代入相应公式，可确定最小二乘支持向量机模型的惩罚系数、不敏感系数及核函数参数，最后建立最小二乘支持向量机模型；
[0044]步骤S106，根据输变电工程的实际样本数据和建立的最小二乘支持向量机模型生成输变电工程造价评估结果。
[0045]优选的，本发明实施例中根据历史样本数据的样本容量设置混沌粒子群的种群规模。
[0046]优选的，本发明实施例中初始化粒子速度时根据迭代次数、惯性权值、学习因子的量级乘以相应系数。
[0047]优选的，本发明实施例中对样本数据进行主成分分析确定影响因素。
[0048]此外，如图2所示，本发明还提供了一种输变电工程造价评估装置，装置包括:
[0049]数据输入模块201，用于接收输入的输变电工程的历史样本数据和实际样本数据；
[0050]混沌粒子群模型初始化模块202，用于初始化混沌粒子群的迭代次数、惯性权值、学习因子、粒子速度、粒子群的种群规模建立混沌粒子群模型；
[0051]优化模块203，用于根据混沌粒子群优化算法优化对所述的混沌粒子群模型参数进行优化；
[0052]最优值确定模块204，用于根据所述的历史样本数据和优化后的混沌粒子群模型确定混沌粒子群模型的迭代次数、惯性权值、学习因子的最优值；
[0053]最小二乘支持向量机模块205，用于根据确定的迭代次数、惯性权值、学习因子的最优值分别确定最小二乘支持向量机模型的惩罚系数、不敏感系数及核函数参数建立最小二乘支持向量机模型；
[0054]评估模块206，用于根据输变电工程的实际样本数据和建立的最小二乘支持向量机模型生成输变电工程造价评估结果。[0055]本发明实施例中混沌粒子群最小二乘支持向量机评估模型提出背景:
[0056]支持向量机在解决小样本、非线性和高维的机器学习问题中表现出了许多特有的优势，然而，单纯依赖支持向量机技术进行小样本数据学习仍然很难取得稳定良好的学习效果。为此，本技术在原支持向量机理论的基础上应用了一种新型的改进算法一最小二乘支持向量机，改进算法与支持向量机算法之间最大的区别在于:改进算法引入了最小二乘线性系统到支持向量机中，代替了传统的支持向量机采用二次规划方法解决函数估计问题。从而降低了模型的复杂度，简化了模型的构建过程，提高了学习结果的精度。
[0057]随着最小二乘支持向量机评估模型在工程应用的不断深入，其自身也暴露出一些不可避免的缺陷，最为突出的是模型参数的选取和优化问题，以往在参数选取方面，一般依靠专家系统或者设定初始值盲目搜寻等等，在实际应用必然会影响模型的精准度，造成一定影响。其不足具体表现如下:
[0058]①惩罚系数C根据样本数据的特性，决定模型的复杂度和对大于ε的拟合偏差的惩罚程度。C值过大(>100)或过小(〈10)都会因过学习或欠学习使系统的泛化性能变差。
[0059]②不敏感系数ε表明了系统对估计函数在样本数据上误差的期望，ε值越大，支持向量数目越少，解的表达越稀疏，但过大的ε也能降低回归估计的精度。
[0060]③核函数参数σ精确定义了高维特性空间Φ (x)的结构，因而控制了最终解的复杂性，σ值过大或过小都会是系统的泛化性能变差。
[0061]如何选取合理的参数成为支持向量机算法应用过程中的问题，同时也是目前应用研究的重点。而常用的交叉验证试算的方法，不仅耗时，且搜索目的不清，使得资源浪费，耗时耗力，不能有效的对参数进行优化。因此需要找到一种的新的方法，能够对最小二乘支持向量机模型的参数进行合理、高效的优化，使得估算模型灵活、智能，更加符合实际输变电工程建模的需求。
[0062]粒子群优化算法实现简单，但是其具有局部搜索能力弱，易陷入局部最优点，进化后期收敛速度慢等缺限。由于混沌运动具有遍历性、随机性、对初始条件的敏感性等特点，因此本技术在基本粒子群优化算法中引入混沌思想，提高种群的多样性和粒子搜索的遍历性，提高了粒子群优化算法摆脱局部极值点的能力，提高了基本粒子群优化算法的收敛速度和精度。基于此，本技术考虑使用混沌粒子群优化算法对模型中的参数设置进行优化。混沌粒子群优化算法的基本思想:1)采用混沌序列初始化粒子的位置和速度，既不改变粒子群优化算法初始化时所具有的随机性本质，同时又能够很好的利用混沌特性提高了种群的多样性和粒子搜索的遍历性，在产生大量初始群体的基础上，择优选出初始群体。2)以当前整个粒子群搜索到的最优位置为基础产生新的混沌序列，用混沌序列中的最优位置粒子替代当前粒子群中的一个粒子的位置。引入混沌序列的搜索算法，在迭代中产生局部最优的许多邻域点，以此帮助惰性粒子逃离局部极小点，从而快速搜寻到最优解。
[0063]本发明实施例中的混沌粒子群最小二乘支持向量机评估模型构建，如图3所示为本发明实施例中混沌粒子群最小二乘支持向量机评估模型构建流程图:
[0064]①初始化设置粒子群的规模Μ、最大允许迭代次数L、惯性权值W、学习因子D、初始化各粒子的速度。需注意的是，由于同时优化L、W和D，3个参数的值一般不在同一数量级上，在初始化粒子速度时应乘上相应的系数。
[0065]②混沌初始化粒子位置。随机产生一个3维每个分量数值在0-1之间的向量，得到N个向量即为初始群体，然后将各个分量分别载波到L、W、D参数的取值范围之内，最后计算粒子群的适应值，并从N个初始群体中选择性能较好的M个解作为初始解，随机产生N个初始速度。
[0066]③如果粒子适应度优于个体极值，将粒子群的适应值设置为新位置。
[0067]④粒子适应度优于全局极值，将全局极值设置为新位置。
[0068]⑤更新粒子的速度和位置。
[0069]⑥对最优位置进行混沌优化。将全局极值映射到Logistic方程的定义域，然后用Logistic方程进行迭代产生混沌变量序列，再把生产的混沌变量序列通过逆映射返回到原解空间。在原解空间对混沌变量经历的每一个可行解计算其适应值，得到性能最好的可行解。
[0070]⑦用最好的可行解取代当前群体中任意一个粒子的位置。
[0071]⑧若满足最大迭代次数，则停止搜索，全局最优位置即为参数向量(L、W、D);否贝IJ，返回第三步。
[0072]⑨针对需要优化的参数C、ε和σ构建样本均方差eKMS“t为最小二乘支持向量机的适应度函数，同时将它作为混沌优化后的粒子群算法的目标函数，当最小二乘支持向量机的样本均方根误差最小时，对应的C、ε和σ即为最优参数，最后建立混沌粒子群优化的最小二乘支持向量机评估模型。
[0073]下面结合具体是实施例对本发明做进一步详细说明:
[0074]本项目对冀北电力公司500kv变电工程造价阶段建立评估模型，需要分别对主要生产工程电气部分安装工程费、电气部分设备购置费、主要生产工程建筑工程费、辅助生产工程设备购置费、辅助生产工程建筑工程费、与站址有关单项工程建筑工程费、其他费用和静态投资共8项费用建立评估模型，这里以静态投资费用为例，建立评估模型。输入样本为X1:中压侧额定电压，X2:低压侧额定电压，X3:变电站型式，X4:地震烈度，X5:是否采暖区，X6:站区占地，X7:主控楼面积，X8:支架量，X9:基础量，X10:挖方量，X11:主变压器有无载调压，X12:主变压器台数，X13:本期容量，X14:高压侧出线数，X15:中压侧出线数，X16:低压侧出线数，X17:高压侧接线型式，X18:中压侧接线型式，X19:低压侧接线型式，X2tl:电抗器数量，X21:电容器数量，X22:隔离开关数量，X23:互感器数量，X24:避雷器数量，X25:开关柜数量，X26:高压侧配电装置型式，X27:中压侧配电装置型式，X28:低压侧配电装置型式，X29:电力电缆，X30:控制电缆，这30个影响因子所构成的9个主成分新指标。由于变电工程历史样本容量为29，这里将粒子群的种群规模设定为29，最大迭代次数L为1000，对W和D两个参数采用二进制编码，其中W的搜索范围设置为[O，100]，D的搜索范围设置为[0.1，100]。粒子的初始速度均为2。最小二乘支持向量机常用的核函数有径向基函数、多项式函数、线性函数等，研究表明径向基函数具有较强的泛化能力，因此本项目选用径向基核函数为了获得最佳的评估模型。同时，根据输入的历史样本，来寻找最优的参数C、ε和σ。通过计算得到的最优参数分别为:C=23，ε =520，σ =1.24，对应的评估结果如表I所示:
[0075]表I不同参数预测结果比较
[0076]
【权利要求】
1.一种输变电工程造价评估方法，其特征在于，所述的方法包括:接收输入的输变电工程的历史样本数据；初始化混沌粒子群的迭代次数、惯性权值、学习因子、粒子速度、粒子群的种群规模建立混沌粒子群模型；根据混沌粒子群优化算法对所述的混沌粒子群模型参数进行优化；根据所述的历史样本数据和优化后的混沌粒子群模型确定混沌粒子群模型的迭代次数、惯性权值、学习因子的最优值；根据确定的迭代次数、惯性权值、学习因子的最优值分别确定最小二乘支持向量机模型的惩罚系数、不敏感系数及核函数参数建立最小二乘支持向量机模型；接收输入的输变电工程的实际样本数据；根据输变电工程的实际样本数据和建立的最小二乘支持向量机模型生成输变电工程造价评估结果。
2.如权利要求1所述的输变电工程造价评估方法，其特征在于，所述的初始化混沌粒子群的种群规模包括:根据所述的历史样本数据的样本容量设置混沌粒子群的种群规模。
3.如权利要求1所述的输变电工程造价评估方法，其特征在于，所述的初始化混沌粒子群的粒子速度包括:初始化粒子速度时根据迭代次数、惯性权值、学习因子的量级乘以相应系数。
4.如权利要求1所述的输变电工程造价评估方法，其特征在于，所述的方法还包括:对所述的样本数据进行主成分分析确定影响因素。
5.一种输变电工程造价评估装置，其特征在于，所述的方法包括:数据输入模块，用于接收输入的输变电工程的历史样本数据和实际样本数据；混沌粒子群模型初始化模块，用于初始化混沌粒子群的迭代次数、惯性权值、学习因子、粒子速度、粒子群的种群规模建立混沌粒子群模型；优化模块，用于根据混沌粒子群优化算法优化对所述的混沌粒子群模型参数进行优化；最优值确定模块，用于根据所述的历史样本数据和优化后的混沌粒子群模型确定混沌粒子群模型的迭代次数、惯性权值、学习因子的最优值；最小二乘支持向量机模块，用于根据确定的迭代次数、惯性权值、学习因子的最优值分别确定最小二乘支持向量机模型的惩罚系数、不敏感系数及核函数参数建立最小二乘支持向量机模型；评估模块，用于根据输变电工程的实际样本数据和建立的最小二乘支持向量机模型生成输变电工程造价评估结果。
6.如权利要求5所述的输变电工程造价评估装置，其特征在于，所述的初始化混沌粒子群的种群规模包括:根据所述的历史样本数据的样本容量设置混沌粒子群的种群规模。
7.如权利要求5所述的输变电工程造价评估装置，其特征在于，所述的初始化混沌粒子群的粒子速度包括:初始化粒子速度时根据迭代次数、惯性权值、学习因子的量级乘以相应系数。
8.如权利要求5所述的输变电工程造价评估装置，其特征在于，所述的装置还包括:主成分分析模块，用于对所述的样本数据进行主成分分析确定影响因素。
【文档编号】G06Q50/06GK103440370SQ201310367491
【公开日】2013年12月11日 申请日期:2013年8月21日 优先权日:2013年8月21日
【发明者】王绵斌, 韩锐 申请人:国家电网公司, 冀北电力有限公司电力经济技术研究院