一种基于MLP的输变电工程量合理性分析方法与流程

一种基于mlp的输变电工程量合理性分析方法
技术领域
1.本发明属于电网工程技术领域，涉及电网工程项目中各工程量合理性的评估，尤其涉及一种用于输变电工程项目的基于mlp(多层感知器)模型的工程量合理性评估方法。


背景技术：

2.输变电工程具有施工难度高、投资规模大、工程量价费构成复杂等特点，工程量作为输变电工程设计方案的核心要素，其精准性对工程建设的安全质量、工程建设进度、工程投资等方面皆有显著影响。对于工程量准确性的评估，目前主要依靠专家经验，但是不同专家的评定标准各异，存在一定的主观性。也因此，实现工程量的智能、自动化评估对电网企业合理控制投资、保障投资的合理性都具有相当积极的意义。
3.电网输变电工程工程量主要基于设计方案、设计图纸进行统计分析，是一个多变量、高度非线性的问题，过去国内主要依靠拥有多年实践经验的技术人员对输变电工程量的评估进行人工分析。该领域长期以来未能有智能化技术评估工程量合理性主要体现在以下几个方面，首先对于数据方面，技术方案的工程量涵盖在各类设计文档、设计图纸、概预算书等非格式化文件中，不同文件对工程量规格型号的描述有所差异，难以统一。其次，国网定期会更新通用设计方案、通用造价、限额设计等相关标准，因此存在同一方案中不同标准的工程量并存的情况，当技术方案有偏差的时候标准的工程量难以参照，也即标准的设计方案无法满足所有的工程。第三，同类历史工程结算数据在设计方案的编制过程中未被一同考虑，常见的设计变更对工程量的结余率影响难以分析。
4.当前对于输变电工程历史数据尚未引入各类机器学习或深度学习算法，尚有大量数据价值待被挖掘，缺少有效的智能化工具集来辅助支撑工程量合理性的评估。


技术实现要素：

5.本发明的目的是提供一种利用基于mlp(多层感知器)的模型分析输变电工程中工程量之间关系与合理性的方法，以辅助对新的工程数据各工程量的合理性进行判断。本方法的引进，促进了电网基建数字化转型，解决电网领域核心技术难题，丰富科技创新能力。
6.本发明采用的技术方案具体如下：
7.一种基于mlp的输变电工程量合理性分析方法，该方法具体为：选取并获取待评估工程量的相关数据，并预处理获得待评估工程量的输入特征；将输入特征输入至一基于mlp的工程量预测模型，获得工程量的预测值，根据预测值与待评估工程量实际值进行对比，对工程量合理性进行评估；其中，所述基于mlp的工程量预测模型通过如下步骤训练获得：
8.步骤一，获取合理的输变电工程的历史数据，对历史数据进行类别筛选，针对每一类工程量分别对数据进行清洗和预处理，其中，非数值型特征数据采用独热编码进行预处理；针对每一类工程量，对其中的数值型特征数据基于相关性分析进行筛选，对每一样本中筛选获得的数值型特征数据与非数值型特征数据进行拼接得到对应的最终输入特征；
9.步骤二，构建基于mlp的工程量预测模型结构，将每一样本的输入特征作为基于
mlp的工程量预测模型的输入，以最小化工程量的预测值与对应的实际值的误差进行训练，直至收敛或达到训练次数，获得训练好的基于mlp的工程量预测模型。
10.进一步地，所述根据预测值与待评估工程量实际值进行对比，对工程量合理性进行评估，具体为：
11.计算预测值与待评估工程量实际值的对数相对误差，结合设定的阈值，判断工程量是否合理：若对数相对误差小于阈值，则工程量合理。
12.进一步地，所述针对每一类工程量，对其中的数值型特征数据基于相关性分析进行筛选，具体为：
13.将所有的数值型特征数据对工程量进行皮尔逊(pearson)相关性分析：
[0014][0015]
其中，为目标工程量平均值，为某数值型特征数据的均值，xi和yi分别为第i个样本的数值型数据特征值和目标工程量值，n为样本数量；
[0016]
保留相关性强的前k个数值型特征。
[0017]
进一步地，所述待评估工程量的相关数据包括工程的基本属性信息数据、技术条件信息数据。
[0018]
进一步地，所述步骤一中还包括采用隔离森林算法对数据整体进行离群点检测，筛选掉历史数据噪声点数据。
[0019]
本发明的有益效果是：
[0020]
1)填补了深度学习方法在电网工程量合理性探究方面的应用空缺，充分利用了历史数据，挖掘隐藏的数据价值。
[0021]
2)对各工程的工程量之间复杂的耦合关系进行了梳理，通过特征筛选得到潜在的影响因子集，并通过mlp网络学习出工程量之间的函数关系，得到可以预测工程量的模型。并通过lrmse评估新工程量数据合理性。
[0022]
3)辅助人工分析工程量，实现了自动化评估工程量合理性，解决了以往工程量标准不同，专家经验各异导致的评价标准不一的问题。
附图说明
[0023]
图1，基于mlp模型的输变电工程量合理性评估方法流程图。
[0024]
图2，数据预处理及特征筛选流程图。
[0025]
图3，mlp模型结构图。
具体实施方式
[0026]
下面结合附图对本发明进行进一步的说明。
[0027]
本发明涉及的一种基于mlp(多层感知器)的输变电工程量合理性分析方法，其整体的思路步骤如附图1所示。具体的步骤方法如下：
[0028]
步骤一，由专业人士对各子工程的工程量进行专业性梳理，这里可以依据《输变电工程工程量清单计价规范》(qgdw 11337-2014)等相关文件，梳理并构建变电、线路工程工
程量评估对象以及对象型号规格属性。假设共有m个子工程，得到对于工程k(k＝1,
…
m)需要探究的目标工程量共nk个，制定目标工程量清单，记工程k对应的目标工程量为个，制定目标工程量清单，记工程k对应的目标工程量为
[0029]
步骤二，获取历史数据表格。从历史数据中根据工程属性筛选出同类的工程数据，例如对于架空线路工程对“架空线路型式”字段进行筛选得到常规型架空线路工程数据，并只保留各技术条件对应的数据项。
[0030]
本发明主要利用输变电工程的历史数据，应用于电网输变电工程各子工程及其工程量。历史数据包括工程的基本属性信息诸如项目时间、公司名称、使用版本等，还包括工程的技术条件信息如海拔、不同设计覆冰线路长度、地形条件、地形分布等数据。
[0031]
所要评判的各类目标工程量数据属于技术条件大类中的子项，例如钢塔塔基数、钢管塔塔基数、直线塔塔基数、基抗土石方量等。对技术条件中的各因素进行分析，以挖掘出对于特定的工程量潜在的影响因子集，进而根据影响因子对工程量进行预测并评估。
[0032]
由于对于同一份数据有多个待探究的目标工程量，接下来针对每个目标工程量应重复步骤三到步骤五，以得到每个工程量适合的模型参数和对应的合理阈值函数，并嵌入到对应的软件中以实现自动化评估。
[0033]
步骤三，对数据进行预处理与特征筛选，得到最终输入特征。数据以数值型特征数据和非数值特征数据分开进行处理，参见附图2，具体包括以下子步骤：
[0034]
3.1数据清洗。数值型特征数据和非数值型特征数据皆要进行数据清洗，首先应删除目标工程量数据项缺失的数据行，对于其余技术条件的数值型数据空缺值填零处理，非数值型数据空缺值统一置为nan。
[0035]
3.2对数值型特征数据进行归一化。对于所有数值型特征数据按如下公式进行归一化：
[0036][0037]
其中为特征x的平均值，xi为该特征下第i个样本的具体数据值，σ
x
为特征x的标准差。
[0038]
3.3对原技术条件中非数值型特征数据进行独热编码(one-hot vector)，使离散型数据映射到欧式空间从而具有了显式的数值表现形态，并将编码后的数据进行归一化。
[0039]
3.4对数值型特征进行筛选。将所有的数值型特征数据的每一特征对工程量进行相关性分析，相关性分析可以采用皮尔逊(pearson)相关性分析、肯德尔(kendall)相关性分析等，以筛选得到目标工程量的影响因子集。本实施中采用皮尔逊(pearson)相关性分析，这里为目标工程量平均值，为某特征均值，xi和yi分别为该特征第i样本的具体数据值和目标工程量值，则特征与目标工程量之间的计算方法如下：
[0040][0041]
根据实际特征数量，保留相关性强的前k个特征对应的数据，n表示样本数量。
[0042]
3.5将筛选处理过的数值型特征和非数值型特征拼接，得到可以输入mlp网络的输入特征。并以4：1的比例随机划分数据为训练集与测试集，用于模型训练验证。
[0043]
步骤四，构建基于mlp的工程量预测模型结构，如mlp网络，参见附图3。将数据统一输入基于mlp的工程量预测模型，调整网络的层数、隐藏元个数、学习率等参数，以最小化工程量的预测值与对应的实际值的误差进行训练。采用adam优化器，可采用k折交叉验证方式，使网络可以较好地训练出收敛的模型。可使用mae(mean square error)、r2、lrmse(log relative mean square error)等方法对模型进行评估，各评估方法计算公式如下。
[0044][0045][0046][0047]
式中，表示工程量的预测值，yi表示工程量的实际值，n表示样本数量。
[0048]
本实施例中通过实验，对于大多数工程量，采用relu函数为激活函数、设置隐藏层为两层，隐藏单元个数均设置为1024时，能得到较好的效果。
[0049]
作为一种优选实施方式，基于mlp的工程量预测模型结构还可以根据具体的工程量进行变更，例如采用隔离森林算法对数据整体进行离群点检测，筛选掉历史数据噪声点数据。为了使mlp网络模型预测结果更精准，可以采用受限玻尔兹曼机(restricted boltzmann machine，rbm)对历史数据进行特征提取，抽象得到新特征代替原特征数据作为网络输入。
[0050]
步骤五，将步骤四训练好的模型嵌入设计好的软件模块。
[0051]
步骤六，对于待评估的工程量数据，对缺失的非数值型特征统一填充nan，然后对各特征项进行如步骤三、步骤四的归一化以输入前面训练好的基于mlp的工程量预测模型。根据网络预测出的值与新数据实际值进行对比，采用对数相对误差(lrmse)对工程量合理性进行评估，这样可以解决不同工程量数量级不同导致难以评估阈值合理性的问题。例如，当二者的lrmse的值在0.3以内为合理工程量，在0.3-0.4之间为预警工程量，大于0.5时，评估得到该工程量数据不合理。
[0052]
通过对电网2016-2021年的输变电架空线路工程和变电工程数据进行实验，该方法可以较为良好地应用，辅助工程量合理性分析，进一步实现工程量评估的智能化、自动化。通过构建基于多层感知回归(mlp)的输变电工程量精准评估体系，从而量化工程量评估对象参数，统一工程量评估标准依据，识别工程量异动影响因素，实现输变电工程设计方案的合理评估和工程全过程投资的精益管控，助推电网工程数字化转型。
[0053]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。