[發明專利]基于KPCA-LA-RBM的輸變電工程造價預測方法

有效

• 申請號: 201810863513.3
• 申請日: 2018-08-01
• 公開（公告）號: CN109214503B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 牛東曉;浦迪;康輝;戴舒羽
• 申請（專利權）人: 華北電力大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/06;G06N3/08;G06K9/62;G06Q10/04;G06Q50/06
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 黃家俊

本發明公開了屬于電數字數據處理技術領域的一種基于KPCA?LA?RBM的輸變電工程造價預測方法。包括以下步驟：1對各樣本數據進行數據選擇與預處理，并獲得關鍵影響因素集；2將若干組預處理后的樣本數據組成訓練集，并使用訓練集訓練KPCA?LA?RBM組合模型；3將剩余的數據作為測試集，根據訓練好的組合模型，運用測試集對訓練好的模型進行預測，得到最終的預測結果。本發明根據主成分累計方差貢獻率選取前4個主成分作為組合模型的輸入向量，在保證預測精度的情況下，提高了模型的計算效率。本發明提出的組合模型能夠有效降低單一模型帶來的誤差，提高預測精度，使其提高泛化能力和魯棒性，適用于輸變電工程造價預測。

技術領域

本發明屬于電數字數據處理技術領域，具體為一種基于KPCA-LA-RBM的輸變電工程造價預測方法。

背景技術

電力建設屬于基礎建設，相對于其他的消費性需求，基礎設施建設的好壞對人們的生活水平和質量有很大的影響，可以說在一定的程度上電力建設也是一個城市發達水平的標志。近年來，隨著我國GDP的增長，電網行業發展迅速，輸變電工程建設規模不斷增大，電網投資也隨著變得越來越大。為了在電力實際建設過程中合理控制成本、優化資源配置并有效調整計劃安排，最終為企業決策提供依據，需要運用工程造價預測的方法對項目進行投資估計，為工程施工和項目評審提供參考依據和衡量尺度。因此，輸變電工程造價預測對于加強電力行業的建設、優化電力工程投資具有重要的意義。

目前，輸變電工程造價預測模型主要分為兩類：一類是傳統預測模型，另一類是人工智能預測模型。傳統的預測方法特點是原理簡單，但是周期較長、速度較慢、誤差較大，主要有：專家會議法、德爾菲法、移動平均法、指數平滑法等。建立在傳統預測方法的基礎上提出的智能算法，主要包括協整理論、灰色分析理論法、粒子群算法理論、模糊分析法和BP(Back Propagation)神經網絡法等，因其較為智能的算法與個性化，在電力建設工程方面有較為廣泛的應用。但是針對小樣本特征的工程造價預測問題方面，支持向量機(SVM)方法預測效果相對較好。

在人工智能預測模型這一類別中，BP神經網絡和支持向量機是兩種較為常見的算法。神經網絡在模式識別和數據擬合方面具有很大的優勢，也在相關變量的回歸與分類問題、函數擬合問題上達到有效的成果。

但是BP神經網絡算法收斂速度慢、容易陷入局部最優解，針對該算法存在的不足，許多學者使用因子分析、模糊算法等與神經網絡進行結合形成新的組合算法，或者使用遺傳算法、粒子群算法等對其進行改進。

雖然BP神經網絡算法在預測性能方面得到了較大的改善，并能取得較為精確的預測結果，但是BP神經網絡不適用于小樣本數據的預測。因此，支持向量機因其魯棒性強、預測精度較好，適用于小樣本數據得到許多學者的青睞。

除了以上算法，還有的學者使用了隨機森林等方法進行輸變電工程造價預測。

以上這些算法屬于淺層學習算法，針對復雜的函數問題處理能力有限，并且這些算法是以先驗知識為基礎的，不能完全反應信息的特征，受限玻爾茲曼機算法能夠將底層特征組合抽象為高層特征，從而更好的反應數據特征。目前，受限玻爾茲曼機在各個領域得到了廣泛的應用，尤其是預測領域。

輸變電工程周期長、工程量大，針對這樣的特點，如果能對輸變電工程造價進行預測，一定能夠提高輸變電工程建設效率。因此目前急需一種用于預測輸變電工程造價的方法針以對輸變電工程造價在預測過程中存在的問題。

發明內容

針對背景技術中所提到的問題，本發明公開了一種基于KPCA-LA-RBM的輸變電工程造價預測方法，其特征在于，包括：

步驟1、對各樣本數據進行數據選擇與預處理，并獲得關鍵影響因素集；

步驟2、將若干組預處理后的樣本數據組成訓練集，并使用訓練集訓練KPCA-LA-RBM組合模型；

步驟3、輸變電工程造價預測：