一种电力造价的多价值链成本预测方法

本发明属于电力造价，具体来说，涉及一种一种电力造价的多价值链成本预测方法。

背景技术：

1、近年来随着我国电力行业的深入发展，电力装备制造业逐渐成为促进国家未来工业建设的重要环节。国家不仅加大对重大电力设备研发的政策扶持，同时加强相关研究机构对电力装备制造企业的技术合作，促进电力装备企业向着数字化、智能化的转型发展。然而，在当前电力装备制造企业改革转型的过程中，企业成本受供应链、生产链、营销链、服务链交叉形成的多价值链影响，导致企业经营管理成本更难控制。同时，电力装备生产制造技术不断改变，设备供应商也逐渐转变为系统集成服务商等。这些问题无疑增加了电力装备制造企业的生产经营成本，同时，也为我国未来电力装备行业的发展加大难度。

2、精准分析电力装备制造企业的多价值链与成本之间的内在联系，一方面可以提升电力设备制造企业的成本预测精度，从而更好地提高企业的成本管理水平，另一方面可以有效应对电力设备制造行业所面临的风险与挑战，推动电力行业高质量发展。

3、针对目前电力装备制造企业多价值链协同体系中影响因素多、预测难度大的问题，必须采用更加精确的研究方法进行预测分析。但现有的成本预测研究在方法上具有一定的局限性，缺乏全面、高效处理多价值链体系影响因素的基于数据挖掘和组合优化的多价值链协同下成本预测方法。

技术实现思路

1、针对现有电力装备制造企业多价值链协同体系中影响因素多、预测难度大的问题，本发明提供了一种电力造价的多价值链成本预测方法。

2、为实现上述技术目的，本发明采用的技术方案如下：

3、一种电力造价的多价值链成本预测方法，包括步骤：

4、s1、采用爬虫技术进行数据挖掘，筛选影响因素，构建影响因素库；

5、s2、将筛选出的关键影响因素后的数据作为样本数据集，划分训练集和测试集，并进行归一化处理；

6、s3、进行成本预测参数设置，获取神经网络的隐藏层节点数；

7、s4、采用bp神经网络算法，确定最佳隐藏节点；

8、s5、设置网络隐含层神经元个数；

9、s6、利用麻雀搜索算法对bp神经网络参数进行优化；

10、s7、计算种群中每个个体的适应度函数，对于个体进行排名，并得到当前的种群全局最优位置；

11、s8、按照适应度划分麻雀种群，并按照位置更新公式进行移动；

12、s9、采用萤火虫算法(fa)对于麻雀种群进行扰动，并更新麻雀位置；

13、s10、计算此时个体的适应度函数，得到电力装备制造企业成本预测效果，与步骤s7得到的电力装备制造企业成本的最优适应度值进行比较，重新确定预测效果最优的参数组作为种群的全局最优位置；

14、s11、计算当前种群的全局最优位置作为bp神经网络的参数值时，电力装备制造企业成本预测效果，观察是否达到最大迭代次数或是提前设置的收敛精度，如果满足退出条件，退出并输出最优的电力装备制造企业成本预测结果；否则重复步骤s7-s10，直到达到进化次数，将优化得到的权值和阈值带到bp网络中训练；

15、s12、输出电力装备制造企业成本的预测结果。

16、进一步地，步骤s1的详细步骤包括：

17、s101、通过通用资源定位符对电力装备制造企业数据页面进行爬取，并对爬取的信息进行结构分析并保存在原始数据库中，再插入队列中；

18、s102、基于数字化资源平台，对关键词进行进行检索，获取有效的信息位置，并在搜索页面上爬取相关数据条，根据网页检索词的结果，对链接地址进行了读取，检索txt文件，将所需信息保存为txt合并文件，构成了爬虫挖掘文本数据库；

19、s103、在文本数据库的基础上，对词库进行切分和词频统计，获取关键词语，对爬虫挖掘文本数据库中的词频进行统计，根据词频变化，识别出电力设备生产企业的成本热点和变化趋势；

20、s104、基于词频分析结果，选取出现频率较高的词语作为关键分词；

21、s105、以电力设备制造企业的供应链、生产链、销售链和服务链多价值链协同作为主体，基于爬取的电力设备制造企业成本预测高频热词与词频分析结果，形成多个因素的电力设备制造企业成本预测影响因素库；

22、s106、采用pearson相关系数法和灰色关联度分析法(gra)将影响因素库中的影响因素作为输入变量进行筛选；

23、s107、筛选出高于预设成本相关性的关键影响因素。

24、进一步地，步骤s2中原始各项指标数据归一化处理公式：

25、

26、将原始各项指标数据归一化至[a,b]区间上，本次采取[0,1]归一化；其中x'表示归一化处理后的各维数据，x表示原始各维数据，xmax和xmin表示各维数据的最大值与最小值。

27、进一步地，步骤s3中进行成本预测参数设置，经过初步筛选，输入层节点为步骤s107获取的关键影响因素个数，输出层节点数为1，输出层数值为电力装备制造企业的营业成本；

28、bp神经网络设置训练次数为1000，学习速率为0.01，目标最小误差为0.00001；麻雀搜索算法的初始种群规模为30，最大迭代次数为50，搜寻者和守卫者的麻雀占比分别为0.7和0.2，安全阈值为0.6；萤火虫扰动的种群规模为30，光吸收系数为1，最大吸引度为2，步长因子为1。

29、进一步地，获取神经网络的隐藏层节点数公式：

30、

31、其中s为隐藏层节点数，m为输入层节点数，n为输出层节点数，a为1～10的整数。

32、初始化权值、阈值；

33、输入一段数据(xk,bk)作为学习数据，其中k∈1,2,...,n，设定n为该样本的数量，则隐藏层第j个神经元的输出为yj，神经网络的输出为yk，理想的输出为yk，则有如下公式：

34、

35、

36、其中隐藏层的阈值为ηj，传递函数为f1；输出层的阈值为ηk，传递函数为f2；从输入层到隐藏层的权值为ωij，从隐藏层到输出层的权值为ωjk。

37、把预测输出与实际输出之间的均方误差作为个体适应度评估值，其中输出层节点误差为：

38、μk＝-(yk-yk)yk(1-yk)；

39、隐藏层节点误差为：

40、

41、神经网络输出误差：

42、

43、当输出值与期望值的误差未能达到期望的误差范围时，开始反向传播阶段，采用梯度下降法进行权值的更新修改，使输出值与期望值的误差达到期望的条件后结束学习过程，公式如下：

44、

45、其中θ为学习率，ω为权值。

46、通过尝试不同的隐藏层节点数，分别计算均方误差，通过最小均方误差，确定最佳隐藏层节点数为11，设置网络隐含层神经元个数为11个。

47、进一步地，步骤s6中其bp神经网络参数包含输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4项参数。

48、初始化麻雀搜索算法参数，包括种群规模n、目标函数的维度u、种群的最大迭代次数、发现者和警戒者比例、安全阈值sm以及初始值的取值范围限制；

49、假设在u维空间中有n只麻雀的种群，该种群的麻雀初始位置表示为下式：

50、

51、其中，n表示种群中麻雀数量，代表bp神经网络参数组的数量，u表示优化的种群变量维度，即bp神经网络的输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4项参数，表示第j维度的第i只麻雀的位置，麻雀的位置即代表不同参数组中bp神经网络的参数值。

52、进一步地，步骤s7中每个个体位置代表一组bp神经网络参数，计算不同参数下bp神经网络对于电力装备制造企业成本预测值与真实值之间的均方误差平均值，记为适应度函数，其中种群中所有麻雀的适应度可以由以下向量进行表示：

53、

54、其中，q表示个体适应度；

55、按照适应度大小对于参数组进行排序，选出预测效果最好的参数组，记为全局最优位置。

56、进一步地，步骤s8中按照设定数量选取位置最好部分的麻雀作为搜寻者，搜寻者的移动位置情况可以由以下函数表示：

57、

58、其中，表示迭代t次时在u维空间中第v只麻雀的位置，v∈[1,2,k,n]，t表示当前迭代次数，tmax为常数，表示最大迭代次数，α是在区间(0,1]内取值的任一随机数；rd是一个服从正态分布的随机数，k表示1×d的单位矩阵；sa表示搜寻者的警报值，是取值在(0,1)区间内的随机数；sm表示搜寻者的安全值，是取值在(0.5,1)区间内的随机数，他们决定了麻雀的移动范围；

59、剩余麻雀作为乞食者，其移动位置可以更新如下：

60、

61、其中，a表示元素为随机值1或-1的1×d矩阵，有a+＝at(aat)-1；pwst表示搜寻者所在的当前全局最差位置，pop表示其在当前全局占据的最优位置；

62、同时按照设定数量随机选取部分麻雀作为守卫者，其移动位置的数学表达式可以得到如下：

63、

64、pbest(t)表示当前全局最优值；表示任一服从限制步长标准正态分布的随机参数；θ表示取值范围在[-1,1]内的随机数；qv当前麻雀的适应度值；qb和qw分别表示当前麻雀的最优、最差适应度值；γ表示需保证分母不为零的较小常数；

65、得到移动后的麻雀种群位置即bp神经网络参数组，重新计算各个参数组下电力装备制造企业成本预测的预测效果，找出预测效果最好的参数组，记为全局最优位置。

66、进一步地，步骤s9中fa算法中萤火虫通过发光系统相互吸引，发光的强度成为吸引其他萤火虫的信号，使它们的发光弱点将向具有强发光的一侧移动，若没有出现比给定萤火虫更亮的另一只，它则会随机移动；

67、萤火虫会向发光能力更强的萤火虫移动，由此可知萤火虫的亮度公式如下：

68、

69、其中，g0表示萤火虫的最大光源亮度，与函数的目标值有关，函数目标值越好，萤火虫光的强度越大；α表示光吸收系数且α＝1，萤火虫的光度会随着距离和传播介质的变化而变化；λi,j表示i、j两个萤火虫个体之间的距离，用欧氏距离表示如下：

70、

71、其中，d表示需要优化的种群维度。

72、萤火虫的吸引力与其亮度成正比，对于任意两只萤火虫，其中一只会朝着光源更强的另一只移动，然而，随着距离的增加亮度会逐渐减弱，则萤火虫的吸引力可由如下公式表示：

73、

74、其中，γ0表示最大吸引强度。

75、同时，在萤火虫种群中，发光亮度较低的萤火虫i被发光亮度较高的萤火虫j吸引时，其位置更新公式为：

76、

77、其中，yj，yj分别是萤火虫i和j的空间位置；t表示当前迭代次数；ξ表示步长因子且是取值范围[0,1]中的随机数；μ表示服从均匀分布的随机向量数。

78、在萤火虫种群中，亮度高的萤火虫不受其他萤火虫的吸引进行随机移动，则种群中亮度最高的萤火虫的位置更新公式为：

79、

80、其中，yfb表示当前全局萤火虫个体的最优位置。

81、按照上述萤火虫算法的位置更新公式，进一步更新麻雀种群的位置，得到新的bp神经网络参数组。

82、本发明相比现有技术，具有如下有益效果：

83、本发明在电力装备制造业数据空间中通过数据挖掘的方法提取众多企业成本的相关影响因素，并构建出多价值链协同下的影响因素库，再通过采用pearson相关系数与灰色关联度相结合的方法对众多影响因素指标进一步筛选，找出成本预测模型的关键指标。

84、本预测模型打破传统成本预测中单一生产价值链的局限，从供应价值链、生产价值链、营销价值链、服务价值链等多链协同关系的方面出发进行预测分析，并研究各个价值链上的成本构成要素，使得电力制造业的成本预测更为全面。

85、本预测方法采用萤火虫扰动优化麻雀搜索算法的bp神经网络模型来进行模型预测优化，避免出现预测模型全局搜索能力较弱、模型过早陷入局部最优等问题，极大地提升了电力装备制造业成本预测模型的收敛精度和预测精度。