[發明專利]基于變分貝葉斯深度學習的電網工程造價管控指標預測方法

有效

• 申請號: 202110297761.8
• 申請日: 2021-03-19
• 公開（公告）號: CN112862004B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 張磊;胡仕林;葉婧;熊致知;黃悅華;薛田良;李振華;楊楠;劉頌凱;張赟寧;張濤
• 申請（專利權）人: 三峽大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06Q10/04;G06Q50/06
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 吳思高

基于變分貝葉斯深度學習的電網工程造價管控指標預測方法，基于工程造價數據庫，選取概算前造價數據x與結算造價指標y，形成新的訓練樣本數據庫，當給定新的造價數據x_n+1時，目標得到結算造價管控指標p(y_n+1|x_n+1；D)。采用基于LSTM深度學習網絡的造價指標預測模型，以非線性方式處理造價管控指標數據。采用隨機梯度哈密爾頓蒙特卡洛概率預測方法進行采樣，用期望值作為概率的預測值。采用造價管控指標預測模型隱含概率分布的近似推斷，最小化隱變量概率分布與真實分布的差異。本發明方法在預測技巧和預測可靠性方面均明顯優于其它模型，能夠提供有效的不確定度估計預測結果。

技術領域

本發明屬于電網工程造價預測技術領域，具體涉及一種基于變分貝葉斯深度學習的電網工程造價管控指標預測方法。

背景技術

電網工程造價是一個多變量、高度非線性的問題，隨著投資規模的不斷擴大，影響工程造價的因素呈現復雜化、多樣化、波動性等特點。當前主流的分析方法集中關注參數不確定性，包括基于確定性模型的靈敏度分析和多場景分析；以及隨機規劃、模糊規劃、區間規劃等不確定性優化模型。電網工程造價影響因素錯綜復雜，當工程情況復雜多變時，很難再通過技術人員的經驗估計得到單項工程可靠的預測結果。因此需要建立適當的模型對造價影響因素進行綜合分析。然而，目前國內外針對造價影響因素的分析僅停留在單一管控階段，沒有構建科學完整的因素庫，尚未實現因素影響機理和影響程度的定量分析。針對不同類型的電網工程的特點，考慮其不確定性因素影響的電網造價預測研究則更為鮮見。

基于人工神經網絡學習挖掘出工程造價的潛在影響因子，其具有一定的自學習、自適應能力。單一預測模型往往考慮的不夠全面，為了進一步提高造價預測的精度，建立一個精度高、適用性廣的電網工程造價組合預測模型，對工程造價的確定技術進行科學、系統地研究具有較高的價值。

計及認知不確定性的深度學習是一類概率預測方法，該方法既能利用深度神經網絡的學習能力挖掘多變量間的復雜非線性關系，還能捕捉認知不確定性對模型結構和潛在參數的影響從而估計模型輸出的不確定性。

發明內容

本發明提供一種基于變分貝葉斯深度學習的電網工程造價管控指標預測方法，考慮電網工程造價管控指標預測這一高維多變量、非線性的復雜不確定性；利用深度神經網絡的學習能力挖掘多變量間的復雜非線性關系，還能捕捉認知不確定性對模型結構和潛在參數的影響從而估計模型輸出的不確定性；最后對預測模型效果進行綜合評價。該方法在預測技巧和預測可靠性方面均明顯優于其它模型，能夠提供有效的不確定度估計預測結果。

本發明采取的技術方案為：

基于變分貝葉斯深度學習的電網工程造價管控指標預測方法，包括以下步驟：

S1：基于工程造價數據庫，選取概算前造價數據x與結算造價指標y，形成新的訓練樣本數據庫，表示為：D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中造價數據隨時間不斷更新，當給定新的造價數據x_n+1時，目標得到結算造價管控指標p(y_n+1|x_n+1；D)。

x₁,y₁、x₂,y₂、x_n,y_n分別表示訓練樣本數據中的輸入(概算前造價數據)和輸出(結算造價指標)。y_n+1表示給定新的造價數據x_n+1時，對應的輸出結算造價指標。

S2：采用基于LSTM深度學習網絡的造價指標預測模型，以非線性方式處理造價管控指標數據；

S3：采用隨機梯度哈密爾頓蒙特卡洛概率預測方法進行采樣，用期望值作為概率的預測值；