一种改进的变电站工程造价预测方法技术

本发明专利技术公开了属于变电站工程造价预测技术领域的一种改进的变电站工程造价预测方法。包括：步骤1、变电站工程造价预测输入指标选择及数据预处理；步骤2、建立基于烟花算法优化LSSVM的预测模型；步骤3、将步骤1得出的输入指标数据集输入步骤2得出的预测模型中，得到预测结果。本发明专利技术通过烟花算法对LSSVM模型系数进行优化，取得的预测结果相比于基本LSSVM模型和支持向量机模型，其预测精度更高，鲁棒性更强。本发明专利技术所提模型可以对不同地区、不同电压等级、不同规模的变电站工程项目造价水平进行，并可以取得较为理想的预测效果，本发明专利技术所构建的模型适应性和稳定性较强。

【技术实现步骤摘要】
一种改进的变电站工程造价预测方法
本专利技术属于变电站工程造价预测领域，具体涉及一种改进的变电站工程造价预测方法。
技术介绍
变电站工程造价管控不力容易导致其造价偏高，会严重影响电力工程项目的经济性和可持续性。造价水平预测是变电站工程造价管控工作的重要组成部分，对变电站工程建设成本节约有重要的指导意义。但由于实际电力工程造价过程受到电网整体规划、总容量、地形特征、设计施工水平以及建设地域的综合经济水平等因素影响，使得历史资料属性指标繁多，同时期建设项目又十分有限，无法在短期内收集到较多可类比的工程项目，样本数据较少，增加了变电站工程造价预测难度。因此，研究构建变电站工程造价预测模型，准确预测变电站工程造价，对电力工程投资的可持续性有着重要意义。目前变电站工程造价预测方法较少，但是已有许多学者对其它工程项目成本的预测进行了研究，其中的预测方法主要分为两类，一类是传统预测方法，另一类则是现代智能预测方法。传统预测方法主要包含时间序列预测，回归分析，贝叶斯模型，模糊预测等。这类方法的理论较为成熟，验证的方法较为完善，计算过程简便，但是适用对象往往比较单一，预测精度不太理想。因此，在人工智能技术快速发展的时代背景下，运用智能预测方法来进行变电站工程造价预测便具有了更加重要的意义。智能预测方法主要包含人工神经网络模型和支持向量机模型。其中，人工神经网络普遍存在收敛速度慢、易陷入局部最优等问题，从而使得预测的精确性大大的降低，而支持向量机模型虽然可以避免神经网络结构选择和局部极小点问题，但是传统的支持向量机应用于造价预测时，需要经过核函数的转换，将求解过程转换成一个二次规划过程，这种方法降低了效率，而且收敛精度不高。为了提升变电站工程造价预测的准确性和稳定性，本专利技术研究构建科学有效的变电站工程造价预测方法。鉴于最小二乘支持向量机(LSSVM)的方法利用最小二乘线性系统作为损失函数，避免了二次规划的过程，同时，利用核函数将预测问题转化为方程组的求解，将不等式约束转化为等式约束，增加了预测的准确度和速度，本专利技术选取支持向量机模型的改进方法——LSSVM模型进行预测。但是LSSVM模型仍然存在惩罚系数和核系数选择盲目的问题，因此需要选用合适的智能算法对其进行优化。考虑到烟花算法在求解复杂优化问题中表现出了非常优良的性能和很高的效率，需要一种新的使用烟花算法对LSSVM的系数进行寻优的预测方法。
技术实现思路
针对
技术介绍
中所提到的问题，本专利技术公开了一种改进的变电站工程造价预测方法，其特征在于，包括：步骤1、变电站工程造价预测输入指标选择及数据预处理；步骤2、建立基于烟花算法优化LSSVM的预测模型；步骤3、将步骤1得出的输入指标数据集输入步骤2得出的预测模型中，得到预测结果。所述步骤1中的输入指标都需要进行归一化处理：其中，xi是实际值，xmin和xmax分别是样本数据的最小值和最大值，yi为归一化后的数值，n为输入指标，i＝1,2,3,...,n。所述步骤2分为以下步骤：步骤21、假设候选K个个体，候选种群的数量为Z，基于烟花算法候选集合中适应度值最优的个体会被确定成为下一代的烟花；对于剩下的N-1个烟花则利用概率的方式进行选择；并设置迭代次数；步骤22、确认LSSVM中的核函数系数σ2和惩罚系数γ；步骤23、建立基于烟花算法优化LSSVM的预测模型。所述步骤21中的烟花算法分为以下步骤：步骤211、系数初始化，在样本总数N中随机选择K个烟花，并初始化其坐标；步骤212、计算每个烟花的适应度值f(xi)，随机取一个随机数U(-1,1)并设置产生火花数目Si后，分别计算每个烟花的爆炸半径Ri：其中，i＝1,2,…,N，N为样本总数，ymax,ymin分别代表当前群体中适应度值最大和最小值；f(xi)为烟花xi的适应度值；M为常数，被用于调整产生爆炸火花数目大小；为常数，用来调整烟花爆炸半径的大小；ε为机器最小量，用于避免零操作；随机选取K维中的z维坐标更新坐标，坐标更新公式如下：步骤213、产生个高斯变异火花；随机选取烟花的实际值xi后，根据高斯变异公式计算出个高斯变异火花并将其保存到高斯变异火花种群中；高斯变异公式为：式中，xUB,k、xLB,k分别为解空间在维度k上的上边界和下边界，表示k维变异烟花；步骤214、从烟花、爆炸火花、高斯变异火花种群中利用概率选择公式p(xi)选择出K个个体作为下一代迭代计算的烟花；对于烟花的实际值xi，其被选中的概率计算公式为：上式中，R(xi)为当前个体候选集合所有个体之间距离之和；d(xi-xj)和||xi-xj||均代表第i个个体和第j个个体间的距离。步骤215、判断停止条件若满足停止条件，则跳出程序并输出最优结果；若不满足，则返回Step211继续循环；停止条件为达到迭代次数。所述步骤22分为以下步骤：步骤221、设给定样本集N为样本总数；则样本的回归模型为：其中是训练样本投射到一个高维空间，w是加权向量，b是偏置；步骤222、将LSSVM的优化问题变为：s·tyi＝wTf(xi)+b+xi(10)其中，γ为惩罚系数，ξi为估算误差，i＝1,2,3,…N；yi为归一化后的数值；步骤223、建立拉格朗日函数得：其中，αi为拉格朗日乘子；步骤224、对函数的各个变量进行求导，并令其为零得：步骤225、消去w和ξi后转化为：a为一个随机数，y为预测结果值；其中，Ω＝φT(xi)φ(xi)(14)en＝[1,1,...,1]T(15)α＝[α1,α2,...,αn](16)y＝[y1,y2,...,yn]T(17)α为由拉格朗日乘子组成的矩阵；步骤226、求解步骤225中的线性方程(14)～(17)得到：其中K(xi，x)为满足Mercer条件的核函数；K(xi，x)为最小二乘支持向量机的核函数，表达式如下：K(xi,x)＝exp{-||x-xi||2/2σ2}(19)σ2为核宽度系数。本专利技术的有益效果为：(1)通过烟花算法对LSSVM模型系数进行优化，取得的预测结果相比于基本LSSVM模型和支持向量机模型，其预测精度更高，鲁棒性更强。(2)本专利技术所提模型可以对不同地区、不同电压等级、不同规模的变电站工程项目造价水平进行，并可以取得较为理想的预测效果，本专利技术所构建的模型适应性和稳定性较强。附图说明图1为本专利技术一种改进的变电站工程造价预测方法实施例的预测流程图。具体实施方式下面结合附图对本专利技术的实施例进行进一步阐述，如图1所示，本实施例的具体步骤如下：步骤1、变电站工程造价预测输入指标选择及数据预处理：本实施例中选取电站工程建设性质、变电站型式、地形地貌、施工区域的经济发展水平、设计人员技术水平、施工进度水平、占地面积、变电站电压等级、主变压器容量、高压侧出线回数、低压侧出线回数、工期、变压器台数、通货膨胀率、主变压器单台价格、高压侧断路器单价、高压侧断路器台数、低压电容器数量、高压熔断器价格、电流互感器价格、电力电容器价格、电抗器价格、电力母线价格、避雷器价格、测量仪表价格、继电保护装置价格、信号系统价格、自动装置价格、场地平整费用、地基处理费用、事故发生数、工程量偏差率和雨雪天气日数等作为变电站工程造价预测的影响因素集合。其中，需要对以下输入指标的处理进行说明；电站工程建设性本文档来自技高网...

【技术保护点】
1.一种改进的变电站工程造价预测方法，其特征在于，包括：步骤1、变电站工程造价预测输入指标选择及数据预处理；步骤2、建立基于烟花算法优化LSSVM的预测模型；步骤3、将步骤1得出的输入指标数据集输入步骤2得出的预测模型中，得到预测结果。

【技术特征摘要】
1.一种改进的变电站工程造价预测方法，其特征在于，包括：步骤1、变电站工程造价预测输入指标选择及数据预处理；步骤2、建立基于烟花算法优化LSSVM的预测模型；步骤3、将步骤1得出的输入指标数据集输入步骤2得出的预测模型中，得到预测结果。2.根据权利要求1所述的一种改进的变电站工程造价预测方法，其特征在于，所述步骤1中的输入指标都需要进行归一化处理：其中，xi是实际值，xmin和xmax分别是样本数据的最小值和最大值，yi为归一化后的数值，n为输入指标，i＝1,2,3,...,n。3.根据权利要求1所述的一种改进的变电站工程造价预测方法，其特征在于，所述步骤2分为以下步骤：步骤21、假设候选K个个体，候选种群的数量为Z，基于烟花算法候选集合中适应度值最优的个体会被确定成为下一代的烟花；对于剩下的N-1个烟花则利用概率的方式进行选择；并设置迭代次数；步骤22、确认LSSVM中的核函数系数σ2和惩罚系数γ；步骤23、建立基于烟花算法优化LSSVM的预测模型。4.根据权利要求3所述的一种改进的变电站工程造价预测方法，其特征在于，所述步骤21中的烟花算法分为以下步骤：步骤211、系数初始化，在样本总数N中随机选择K个烟花，并初始化其坐标；步骤212、计算每个烟花的适应度值f(xi)，随机取一个随机数U(-1,1)并设置产生火花数目Si后，分别计算每个烟花的爆炸半径Ri：其中，i＝1,2,…,N，N为样本总数，ymax,ymin分别代表当前群体中适应度值最大和最小值；f(xi)为烟花xi的适应度值；M为常数，被用于调整产生爆炸火花数目大小；为常数，用来调整烟花爆炸半径的大小；ε为机器最小量，用于避免零操作；随机选取K维中的z维坐标更新坐标，坐标更新公式如下：步骤213、产生个高斯变异火花；随机选取烟花的实际值xi后，根据高斯变异公式计算出个高...

【专利技术属性】
技术研发人员：牛东晓，王海潮，李偲，陈寒钰，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11