基于自适应粒子群的新能源发电项目工程造价动态化估算方法

摘要：由于现有的工程造价估算方法对造价数据分类准确率低、工程造价估算误差较大，影响发电工程项目的开展，因此文章设计了基于自适应粒子群的新能源发电项目工程造价动态化估算方法。提取发电项目工程造价动态增益特征，确定造价动态变量的贡献价值，再利用自适应粒子群算法，调整发电项目造价惯性权重，构建出工程造价动态估算模型，实现了发电工程造价动态化估算。采用对比实验的方式，验证了该估算方法的估算误差较小，能够应用于实際生活中。

关键词：自适应粒子群；新能源；发电项目；工程造价；动态化；估算方法

中图法分类号：TU723文献标识码：A

Dynamic estimation method of engineering cost of new energy powergeneration project based on adaptive particle swarm

HE Qiyao

（China Power Construction New Energy Group Co.，Ltd.，QinghaiBranch，Xining 810000，China）

Abstract：Due to the low classification accuracy of cost data in the existing project cost estimation methods，the project cost estimation error is large， which affects the development of power generation projects.Therefore，this paper designs a new energy power generation project cost dynamic estimation method based on adaptive particle swarm optimization. We extract the dynamic gain characteristics of the power generation project cost，determine the contribution value of the dynamic cost variable，and then adjust the inertia weight of the power generation project cost by using the adaptive particle swarm optimization algorithm， establish the dynamic estimation model of the power generation project cost，and realize the dynamic estimation of the power generation project cost.Through comparative experiments，it is proved that the estimation error of this method is small，and it can be used in real life.

Key words： adaptive particle swarm， new energy， power generation projects， project cost， dynamic estimation method

1 引言

新能源发电是人们获得电能的重要方式，在电能市场定价的过程中，工程造价估算扮演着重要的角色，对于工程后续决策至关重要。为了解决发电工程造价估算的问题，避免项目工程受到定额价格决策的影响，有研究人员针对项目工程的造价估算方法进行了研究。有研究人员利用 BIM 三维模型设计了一种工程造价的快速估算方法—利用 BIM 模型，构建出发电项目工程等效线性模型，通过分析模型，找出造价信息的属性特征，进而合理分配数据并估算出合理的工程造价[1]。还有研究人员通过灰色系统法估算工程造价—通过灰色系统理论，建立工程造价估算模型，使估算过程更加简单，进而提高工程造价的估算精准度[2]。但是，两种方法在实际估算的过程中，目的性较强，忽略了工程造价中可能出现的动态变化，对造价数据分类准确率较低，增加了估算误差，影响工程后续施工与决策[3]。自适应粒子群算法是在追寻最优解的过程中，找到全局最优，省略了大部分的计算步骤，能够快速得到想要的数据[4]。因此，本文利用自适应粒子群算法，设计了新能源发电项目工程造价动态化估算方法。

2 基于自适应粒子群的发电工程造价动态估算方法设计

2.1 提取发电项目工程造价动态增益特征

信息增益是常用的信息度量，是特征选择的评价函数。本文主要对工程造价的动态增益特征进行提取，找出工程中出现的随机变量，并减少不确定度对估算结果的影响[5]。本文假设发电项目工程相关数据的随机变量为 S，S 的取值包括（S1，S2，…，Sn ），则 S 的信息熵定义为：

V（S）＝－∑ki logkm              （1）

式（1）中，V（ S）为变量 S 的信息熵定义式；ki 为变量出现的概率；km 为随机变量分布范围。V（S）值越小，变量 S 分布范围越不均匀，变量存在的不确定性越小，工程造价动态估算误差越大。动态增益特征的好坏，主要与工程数据的冗余度有关，如果 S1与 S2是相互独立的，则增益特征为0[6]。本文利用信息熵，确定变量增益特征的冗余度，公式如下：

式（2）中，V（S1，S2）为变量 S 1与 S2的冗余度。V（S1， S2）的值越大，则增益特征代表的 S 1与 S2变量对动态估算的贡献越大，估算精准度随之提升。

2.2 基于自适应粒子群算法构建工程造价动态估算模型

惯性权重的选取对粒子群算法的影响较大，本文在提取出动态增益特征的基础上，调整了发电项目造价惯性权重，有效地平衡粒子群算法局部最优与全局最优的关系[7]。本文选定一个进化状态因子，得出的惯性权重如下：

式（3）和式（4）中，ε为进化状态因子；x 为当前迭代次数；X 为进化状态因子能够承受的最大迭代次数；f（ε）为进化状态因子经过调整之后的惯性权重；f（ k i ）为第i个粒子所对应的适应度函数值；N为粒子群规模。经过调整之后的惯性权重有效地避免了粒子的早熟，使工程造价估算过程更加便捷。本文将进化状态因子、数据迭代次数、调整后的惯性权重作为估算模型参数，由此构建的估算模型表达式如下：

式（5）、式（6）、式（7）中，Xn＋1为工程造价数据经过的第 n＋1次迭代；Xn－1为工程造价数据经过的第 n ?1次迭代；m、n、a 均为常数；f（ S）为模型的适应度函数；I 为发电电流数据的适应度值；V （ S 1，I），V （ S2，I）， V（Sn ，I）为变量 S 1，S2，Sn 的适应度值；ιk 为估算模型表达式；b 1为最佳适应度；b2为平均适应度；P 为粒子最优位置。ιk 与实际造价越相近，估算误差越小，工程后续决策越精准。

3 实验

为了验证本文设计的估算方法是否具有实用价值，本文对上述方法进行了实验。实验结果以文献[1]估算方法、文献[2]估算方法，与本文设计的基于自适应粒子群的新能源发电项目工程造价动态化估算方法进行对比的形式呈现。

3.1 实验过程

本文在进行实验之前，利用自适应粒子群算法的优势，在数据集 Vowel 中，选取多个发电项目工程造价数据，将数据分门别类，使数据适应性更强。工程造价动态估算优势如图1所示。

如图1所示，文献[1]估算方法，工程造价的动态特征分类准确率在0～88％范围内，准确率可以满足动态分类的基本需求。在迭代次数为75次之后，准确率稳定在88％左右。因此，文献[1]估算方法仍存在一定的不确定性因素，影响估算结果。在文献[2]估算方法中，工程造价的动态特征分类准确率在0～90％范围内，准确率相比于文献[1]稍高，在迭代次数为70次之后，稳定在90％左右。因此，文献[2]估算方法同样存在较多的不确定性因素。而在本文设计的估算方法中，通过自适应粒子群算法，使估算数据提前适应，进而减少迭代次数，在60次迭代之后趋于穩定，动态特征分类准确率无限趋近于100％，准确率相较于文献[1]与文献[2]更高，可以为工程后续施工设计提供参考。

3.2 实验结果

在上述实验条件下，本文选取了太阳能、风能、水能、地热能、波浪能、洋流能、潮汐能、核能等新能源发电项目，其实际造价不同。本文在工程实际造价一致的条件下，将文献[1]估算方法得出的发电项目工程造价、文献[2]估算方法得出的发电项目工程造价，与本文设计的基于自适应粒子群的新能源发电项目工程造价动态化估算方法得出的发电项目工程造价进行对比。实验结果如表1所列。

如表1所列，本文选取的新能源发电项目中，实际造价均不相同。本文主要将造价估算结果与实际造价进行对比，估算值与实际值相差越小，估算效果越佳。

在工程造价一致的条件下，文献[1]估算方法得出的发电项目工程造价与实际造价之间相差±0.10万元，估算误差相对较大，影响新能源发电工程的后续施工方案设计。文献[2]估算方法得出的发电项目工程造价与实际造价之间相差±0.08万元，相比于文献[1]估算方法，估算水平得到了提升，但仍存在0.08万元及以上估算误差，对新能源发电工程的后续施工方案设计仍有一定影响。而使用本文设计的基于自适应粒子群的新能源发电项目工程造价动态化估算方法得出的发电项目工程造价与实际造价之间仅相差±0.01万元，相比于文献[1]估算方法与文献[2]估算方法的估算结果有了很大程度的提升，此误差对新能源发电工程的后续施工方案设计的影响较小，甚至可以忽略不计，符合本文的研究目的。

4 结束语

近年来，电能应用较为广泛，为人们创造了便捷的用电环境。新能源发电项目是电价下调过程中的重要工程，其造价估算结果与工程决策有关。因此，本文利用自适应粒子群算法，设计了新能源发电项目工程造价动态化估算方法。从特征、权重、模型等方面，全面缩小估算误差，以期为发电项目工程的施工决策提供保障。

参考文献：

[1] 王林峰，徐楠，韩念遐.基于 BIM 三维模型的输变电工程建设造价快速估算方法[J].工业建筑，2021，51（9）：252.

[2]王建.基于灰色系统法对水利工程造价估算的研究分析[J].水利科技与经济，2020，26（10）：79?84.

[3] 牛衍亮，高立扬，段晓晨，等.基于余弦相似度?神经网络模型的高铁土建工程造价估算[ J].土木工程与管理学报，2020，37（5）：82?87＋94.

[4]汤青慧，李盼盼，隋玉正.基于 MLP 模型的高标准基本农田工程造价估算方法研究—以浙江省为例[ J].青岛理工大学学报，2020，41（3）：1?8＋22.

[5] 李海燕，任长江.基于 BIM 技术的绿色建筑工程造价快速估算模型[J].山东农业大学学报（自然科学版），2020，51（5）：962?966.

[6]潘攀，石力，石惠敏.“双碳”背景下电力企业新能源发电项目的融资障碍及破解路径研究—以宿迁运河港配售电公司为例[J].中国总会计师，2022（1）：64?67.

[7] 温怀钰，李振坡，宋胜利，等.视频监控管理系统在新能源发电工程中的应用分析[J].中国设备工程，2022（1）：224?225.

作者简介：

贺绮瑶（1989—），硕士，工程师，研究方向：新能源资源获取及全过程建设管理。