基于ANN的电力工程造价预测模型的建立与实现
王绵斌+耿鹏云+安磊
摘 要： 传统概预算定额电力工程造价方法在没有工程细节时，存在估计偏差大且无法利用历史数据的问题。文中根据人工神经网络（ANN）的机器学习机制提出一种基于ANN的电力工程造价预测模型，将历史数据样本归一化作为输入，通过ANN算法对网络进行训练，采用训练后的网络来对工程造价进行估算。文中进行了多个电力工程造价的预测，得到的预测结果与实际造价相差小于5%，满足经验误差要求。
关键词： 电力工程； 预测模型； 人工神经网络； 机器学习
中图分类号： TN915?34； TP393 文献标识码： A 文章编号： 1004?373X（2017）24?0166?03
Abstract： The traditional electric power engineering method for preliminary budget and ration has big estimation error in the absence of engineering details， and can′t make use of the historical data， so an ANN?based cost forecasting model of electric power engineering is proposed according to the machine learning mechanism of artificial neural network （ANN）. The historical data samples are normalized， and taken as the input of the model. The network is trained with ANN algorithm to estimate the engineering cost. A number of electric power engineering costs are predicted in this paper. The difference of the predicted result and actual cost is less than 5%， which can meet the requirement of empirical error.
Keywords： electric power engineering； prediction model； artificial neural network； machine learning
电力工程造价近年来不断上升，其与资金筹措难度形成一对矛盾，迫切需要一种合理有效的造价管理措施。传统的电力工程造价主要是概预算定额的方法，但其主要缺点是在没有工程细节时估计偏差大且无法利用历史数据，造成大量有用信息的浪费。如何利用历史数据找寻其中的规律以指导工程造价管理是一个新问题[1]。本文根据人工神经网络（ANN）的机器学习机制提出一种基于ANN的电力工程造价预测模型，利用历史数据对网络进行训练得到最优网络从而实现电力工程造价的预测。
1 基于机器学习的预测模型
工程投资预算是电力工程造价管理中备受关注的，其可通过分析工程的技术指标与经济指标来推测。通常只能观察到输入和输出，而其内部的具体运行机制未知的复杂系统称为“黑盒”。对于“黑盒”系统，需要利用已有的输入/输出数据，来寻找其间的规律以预测系统内部的运行机制，从而预测新输入的数据对应的输出，“黑盒”系统的估计过程即为机器学习[2]，预测出的关系称为预测函数[3]。预测函数模型的三部分为学习环境、学习机和教师，学习环境为随机量发生器，学习机为由输入到输出之间的学习算法，教师[4]则为从学习环境中产生的随机量X给出期望响应Y。所以，机器学习模型就是在给定的学习环境条件下，通过找寻输入/输出之间的学习规律，以尽可能精确地预测新输入的输出。
2 电力工程造价预测模型建立
人工神经网络算法是机器学习预测函数模型中学习机最具代表性的[5]，因此本文提出一種基于ANN的电力工程造价预测模型，其流程如图1所示。
电力工程造价分析中输入数据为输电工程和变电工程的造价数据，输电线工程主要有工地运输、架线工程、土石方和基础工程等，变电工程则分为建筑工程、安装工程等[6?8]。
2.1 数据预处理
实际电力工程造价中各个不同指标的数据在数量级上不一致，则需要在学习与预测之前进行数据预处理[9]。本文在进行ANN算法之前对数据进行归一化处理，即将各指标数据归一化到[0，1]之间。假设P个指标数据为X1，X2，…，XP，则归一化公式如下：
2.2 基于人工神经网络预测模型
人工神经网络算法是一种模拟动物神经网络而进行的信息分布式处理的算法[10]，其主要思想是复杂系统内部形成网络，通过不断调节网络内部节点的连接关系而达到信息处理的目的。ANN算法的优点是自学习和自适应，能够根据之前的输入/输出数据找到其间的规律，从而可以预测出新输入数据对应的输出数据，这种自学习的过程被称为“训练”。ANN算法现在广泛地应用于电力系统的电价和负荷预测等方面。
电力工程造价预测是一个多因素影响的复杂系统，各因素之间呈非线性网络关系，网络之间通过自学习训练来达到输入/输出关系的最近似，即相当于函数模拟器。基于ANN的电力工程造价预测模型是通过分析得到各影响因素与造价之间的关系，得出各个影响因素的权重，从而构造影响因素与造价之间的映射以达到通过映射进行造价预测的目的，其网络模型如图2所示。
假设电力工程造价预测模型中有n个影响因素，文中使用的建模算法为基于BP的前向ANN算法，包含输入层、隐含层和输出层3个部分。其中，输入层为归一化处理后的影响因素数据，多个历史数据作为ANN训练样本，为图2中的in（i），输出层为预测的工程造价。在图2所示的ANN神经网络模型中加入了反馈结构，通过反馈结果信息以不断调整网络结构，提高预测的精度，加快收敛速度。
3 计算机仿真及模型测试
本例中采用的训练样本为某地区电力公司实际电力工程造价历史数据，其原始资料为Excel表。
3.1 数据定义
历史数据统计时具有不确定性以及遗漏现象导致数据的残缺，且其从属关系严重。因此，本文针对实际情况对原始数据进行整理，得到89个历史工程造价的相对应输入输出数据。输电工程造价的原始输入指标集如表1所示。输出集为本体静态，单位为万元/km。
从表1可看出，输入指标有20个，构成了20×89的矩阵，输出指标有1个。
对变电工程造价进行整理得到54个历史输出数据与相对应的输入指标，其工程造价的原始输入指标集如表2所示。输出集单位为万元，是静态总投资。从表2可看出，输入指标有4个，构成了4×54的矩阵，输出指标有1个。
3.2 结果分析
基于ANN的电力工程造价预测模型的建立主要步骤如下：
（1） 数据归一化之后形成8个工程的训练样本集和测试集；
（2） 添加ANN软件工具包在Matlab中，并编写训练程序；
（3） 分别对50个和70个训练集进行训练得到训练良好的网络，接着将测试数据输入训练好的网络中进行测试，对得到的结果与实际值进行比较以得到训练良好的网络，即估算模型的精度；
（4） 选择70个样本集作为测试集，输入基于ANN的电力工程造价预测模型中得到输出，不断比较输出结果，以得到最后输出。
表3为50个和70个历史工程造价学习样本的预测结果和对应的误差。从表3可看出，ANN预测模型的误差率均在5%以内。根据历史经验，其满足电力工程造价的实际要求，即本文所提出的基于ANN的电力工程造价预测模型符合实际工作需要，对今后的电力工程造价预测具有指导意义。
4 结 语
本文针对传统的概预算定额电力工程造价方法存在的在没有工程细节时估计偏差大且无法利用历史数据的问题，并根据人工神经网络ANN的机器学习机制提出一种基于ANN的电力工程造价预测模型，将历史数据样本归一化作为输入，通过ANN算法对网络进行训练，采用训练后的网络来对工程造价进行估算。本文最后进行多个电力工程造价的预测，得到的预测结果与实际造价相差小于5%，满足经验误差要求，说明文中所提出的基于ANN的电力工程造价预测模型符合实际工作需要，且对之后的电力工程造价具有一定的指导意义。
参考文献
[1] VAPNIK V N. Statisticallearning theory [M]. New York： John Wiley， 1998.
[2] 吴德，刘三阳，梁锦锦.多类文本分类算法GS?SVDD[J].计算机科学，2016，43（8）：190?193.
[3] 王越，衛志农，吴佳佳.人工神经网络预测技术在微网运行中的应用[J].电力系统及其自动化学报，2012，24（2）：83?89.
[4] 蒋继楠.基于小波去噪和人工神经网络的短期电力负荷预测[D].南宁：广西大学，2013.
[5] 杨莹.信息熵在工程多目标风险管理中应用的研究[D].赣州：江西理工大学，2012.
[6] ADAMEC Marek， PAVLATKA Pavel， STARY Oldrich. Costs and benefits of smart grids on liberalized markets [J]. Journal of electronic science and technology， 2012， 10（1）： 22?28.
[7] 刘婷婷.基于多策略改进遗传算法的微电网优化配置研究[D].太原：太原理工大学，2015.
[8] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.
[9] 何谊君.基于神经网络电力系统短期负荷预测的Matlab实现[J].湖南水利水电，2015（2）：41?44.
[10] 王洪元，史国栋.人工神经网络技术及其应用[M].北京：中国石化出版社，2003.
摘 要： 传统概预算定额电力工程造价方法在没有工程细节时，存在估计偏差大且无法利用历史数据的问题。文中根据人工神经网络（ANN）的机器学习机制提出一种基于ANN的电力工程造价预测模型，将历史数据样本归一化作为输入，通过ANN算法对网络进行训练，采用训练后的网络来对工程造价进行估算。文中进行了多个电力工程造价的预测，得到的预测结果与实际造价相差小于5%，满足经验误差要求。
关键词： 电力工程； 预测模型； 人工神经网络； 机器学习
中图分类号： TN915?34； TP393 文献标识码： A 文章编号： 1004?373X（2017）24?0166?03
Abstract： The traditional electric power engineering method for preliminary budget and ration has big estimation error in the absence of engineering details， and can′t make use of the historical data， so an ANN?based cost forecasting model of electric power engineering is proposed according to the machine learning mechanism of artificial neural network （ANN）. The historical data samples are normalized， and taken as the input of the model. The network is trained with ANN algorithm to estimate the engineering cost. A number of electric power engineering costs are predicted in this paper. The difference of the predicted result and actual cost is less than 5%， which can meet the requirement of empirical error.
Keywords： electric power engineering； prediction model； artificial neural network； machine learning
电力工程造价近年来不断上升，其与资金筹措难度形成一对矛盾，迫切需要一种合理有效的造价管理措施。传统的电力工程造价主要是概预算定额的方法，但其主要缺点是在没有工程细节时估计偏差大且无法利用历史数据，造成大量有用信息的浪费。如何利用历史数据找寻其中的规律以指导工程造价管理是一个新问题[1]。本文根据人工神经网络（ANN）的机器学习机制提出一种基于ANN的电力工程造价预测模型，利用历史数据对网络进行训练得到最优网络从而实现电力工程造价的预测。
1 基于机器学习的预测模型
工程投资预算是电力工程造价管理中备受关注的，其可通过分析工程的技术指标与经济指标来推测。通常只能观察到输入和输出，而其内部的具体运行机制未知的复杂系统称为“黑盒”。对于“黑盒”系统，需要利用已有的输入/输出数据，来寻找其间的规律以预测系统内部的运行机制，从而预测新输入的数据对应的输出，“黑盒”系统的估计过程即为机器学习[2]，预测出的关系称为预测函数[3]。预测函数模型的三部分为学习环境、学习机和教师，学习环境为随机量发生器，学习机为由输入到输出之间的学习算法，教师[4]则为从学习环境中产生的随机量X给出期望响应Y。所以，机器学习模型就是在给定的学习环境条件下，通过找寻输入/输出之间的学习规律，以尽可能精确地预测新输入的输出。
2 电力工程造价预测模型建立
人工神经网络算法是机器学习预测函数模型中学习机最具代表性的[5]，因此本文提出一種基于ANN的电力工程造价预测模型，其流程如图1所示。
电力工程造价分析中输入数据为输电工程和变电工程的造价数据，输电线工程主要有工地运输、架线工程、土石方和基础工程等，变电工程则分为建筑工程、安装工程等[6?8]。
2.1 数据预处理
实际电力工程造价中各个不同指标的数据在数量级上不一致，则需要在学习与预测之前进行数据预处理[9]。本文在进行ANN算法之前对数据进行归一化处理，即将各指标数据归一化到[0，1]之间。假设P个指标数据为X1，X2，…，XP，则归一化公式如下：
2.2 基于人工神经网络预测模型
人工神经网络算法是一种模拟动物神经网络而进行的信息分布式处理的算法[10]，其主要思想是复杂系统内部形成网络，通过不断调节网络内部节点的连接关系而达到信息处理的目的。ANN算法的优点是自学习和自适应，能够根据之前的输入/输出数据找到其间的规律，从而可以预测出新输入数据对应的输出数据，这种自学习的过程被称为“训练”。ANN算法现在广泛地应用于电力系统的电价和负荷预测等方面。
电力工程造价预测是一个多因素影响的复杂系统，各因素之间呈非线性网络关系，网络之间通过自学习训练来达到输入/输出关系的最近似，即相当于函数模拟器。基于ANN的电力工程造价预测模型是通过分析得到各影响因素与造价之间的关系，得出各个影响因素的权重，从而构造影响因素与造价之间的映射以达到通过映射进行造价预测的目的，其网络模型如图2所示。
假设电力工程造价预测模型中有n个影响因素，文中使用的建模算法为基于BP的前向ANN算法，包含输入层、隐含层和输出层3个部分。其中，输入层为归一化处理后的影响因素数据，多个历史数据作为ANN训练样本，为图2中的in（i），输出层为预测的工程造价。在图2所示的ANN神经网络模型中加入了反馈结构，通过反馈结果信息以不断调整网络结构，提高预测的精度，加快收敛速度。
3 计算机仿真及模型测试
本例中采用的训练样本为某地区电力公司实际电力工程造价历史数据，其原始资料为Excel表。
3.1 数据定义
历史数据统计时具有不确定性以及遗漏现象导致数据的残缺，且其从属关系严重。因此，本文针对实际情况对原始数据进行整理，得到89个历史工程造价的相对应输入输出数据。输电工程造价的原始输入指标集如表1所示。输出集为本体静态，单位为万元/km。
从表1可看出，输入指标有20个，构成了20×89的矩阵，输出指标有1个。
对变电工程造价进行整理得到54个历史输出数据与相对应的输入指标，其工程造价的原始输入指标集如表2所示。输出集单位为万元，是静态总投资。从表2可看出，输入指标有4个，构成了4×54的矩阵，输出指标有1个。
3.2 结果分析
基于ANN的电力工程造价预测模型的建立主要步骤如下：
（1） 数据归一化之后形成8个工程的训练样本集和测试集；
（2） 添加ANN软件工具包在Matlab中，并编写训练程序；
（3） 分别对50个和70个训练集进行训练得到训练良好的网络，接着将测试数据输入训练好的网络中进行测试，对得到的结果与实际值进行比较以得到训练良好的网络，即估算模型的精度；
（4） 选择70个样本集作为测试集，输入基于ANN的电力工程造价预测模型中得到输出，不断比较输出结果，以得到最后输出。
表3为50个和70个历史工程造价学习样本的预测结果和对应的误差。从表3可看出，ANN预测模型的误差率均在5%以内。根据历史经验，其满足电力工程造价的实际要求，即本文所提出的基于ANN的电力工程造价预测模型符合实际工作需要，对今后的电力工程造价预测具有指导意义。
4 结 语
本文针对传统的概预算定额电力工程造价方法存在的在没有工程细节时估计偏差大且无法利用历史数据的问题，并根据人工神经网络ANN的机器学习机制提出一种基于ANN的电力工程造价预测模型，将历史数据样本归一化作为输入，通过ANN算法对网络进行训练，采用训练后的网络来对工程造价进行估算。本文最后进行多个电力工程造价的预测，得到的预测结果与实际造价相差小于5%，满足经验误差要求，说明文中所提出的基于ANN的电力工程造价预测模型符合实际工作需要，且对之后的电力工程造价具有一定的指导意义。
参考文献
[1] VAPNIK V N. Statisticallearning theory [M]. New York： John Wiley， 1998.
[2] 吴德，刘三阳，梁锦锦.多类文本分类算法GS?SVDD[J].计算机科学，2016，43（8）：190?193.
[3] 王越，衛志农，吴佳佳.人工神经网络预测技术在微网运行中的应用[J].电力系统及其自动化学报，2012，24（2）：83?89.
[4] 蒋继楠.基于小波去噪和人工神经网络的短期电力负荷预测[D].南宁：广西大学，2013.
[5] 杨莹.信息熵在工程多目标风险管理中应用的研究[D].赣州：江西理工大学，2012.
[6] ADAMEC Marek， PAVLATKA Pavel， STARY Oldrich. Costs and benefits of smart grids on liberalized markets [J]. Journal of electronic science and technology， 2012， 10（1）： 22?28.
[7] 刘婷婷.基于多策略改进遗传算法的微电网优化配置研究[D].太原：太原理工大学，2015.
[8] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.
[9] 何谊君.基于神经网络电力系统短期负荷预测的Matlab实现[J].湖南水利水电，2015（2）：41?44.
[10] 王洪元，史国栋.人工神经网络技术及其应用[M].北京：中国石化出版社，2003.
