基于FA-ELM深度挖掘模型的电力工程预算控制技术

徐 宁, 张文静, 周 波, 董振亮, 陈志宾

(1. 华北电力大学 a. 电气与电子工程学院, b. 能源动力与机械工程学院, 北京 102206; 2. 河北省电力有限公司 a. 经济技术研究院, b. 互联网部, 河北 石家庄 050001; 3. 河北省教育考试院 信息处, 河北 石家庄 050091; 4. 河北赛克普泰计算机咨询服务有限公司 软件造价部, 河北 石家庄 050081)

随着我国经济与能源结构的逐步转型,电力企业也随之开始谋求新的发展模式,包括发、输、变、配、用的全部环节。对于电网企业而言,合理利用现有资源,发挥出最大价值并服务于社会是主要目的[1-2]。为了顺应社会发展趋势,电网企业大力推行“提质增效”新模式,尤其针对电力工程预算问题,企业正积极探索新的控制方案,以最低的成本投入建设高质量的电力工程,更好地满足市场需求,适应社会发展。

目前,关于电力工程建设预算成本的控制方法国内外已有较多的研究成果。杜志达等[3]利用成本估算的模式构建工程成本数据库,结合工程历史数据,使用类比等方式规划工程费用。但此方法不够客观,成本估算准确率较低[4-5]。陈乐[6]利用模糊数学法实现工程造价的高效率预估。杨智慧[7]利用模糊数学理论与指数平滑法构建了水利工程项目投资估算模型,并对工程造价进行了估算,但考虑的因素不够全面,影响了管控措施的制定[8]。谢艳丽等[9]针对冻土环境的不确定性与复杂性问题,利用模糊数学综合评价法对该区域的杆塔建设进行了稳定性和成本评估。但其不具有普适性,工程造价估算的准确性有待提高。综合来看,目前的控制方法普遍存在考虑因素不全面、计算效率较低、管控方案不合理等问题。

为此,本文提出一种基于FA-ELM深度挖掘模型的电力工程预算控制方案。在综合考虑各方面影响因素的基础上,使用萤火虫算法(firefly algorithm,FA)改进后的极限学习机(extreme learning machine,ELM)数据挖掘方式估计工程费用,并采取相应的管控措施,保证电力工程预算控制的准确性和时效性。

1 电力工程预算及控制

1.1 预算费用构成

电力工程的预算费用由建筑工程费、装置采购费和其他费用3部分组成,费用结构如图1所示。其中,间接费用包括税金与公司管理费。税金为政府相关机构规定一定要缴的费用;公司管理费用为施工单位组织工程建设与经营管理时需要的费用。

图1 电力工程预算费用结构Fig.1 Structure of power project budget costs

由于电力工程预算容易受到多个因素的干扰,如电压等级、地势、杆塔、运输距离等,这些因素稍有变化,便会直接影响电力工程的预算。电力工程预算影响因素的层次数据库如图2所示。

图2 电力工程预算影响因素Fig.2 Influencing factors of power engineering budget

1.2 工程预算控制

现有的预算控制技术大多分离了工程各个管控目标间的关联,因此在控制目标的实施阶段会存在较多问题。如当项目实施至一定阶段时,真实的费用与工程预算一致,但完成的工程进度未达预期,最终较大概率会导致真实费用超出预算。此外,在施工现场存在较多无法预估的因素,通常的控制方案无法完全呈现预算管控的状况。为此,本文提出了利用工程进度与预算共同管控的方式实施项目的全程监督和预警,控制方式如图3所示。

图3 工程进度与预算联合控制方式Fig.3 Project control method combining schedule and budget

通过对公司项目进度的控制,可以对项目各时期的资源使用与工程完工状况进行实时动态监测。该方法计算量少且数据清晰,侧重于对各个控制目标的全局管控,并能够辅助工程管理人员对工程预算的变化趋势进行实时估计与判定。同时制定合理高效的应对措施,将不利因素的影响力降至最低,从而保证在不超过工程预算的前提下,按时完成工程建设。

2 FA-ELM模型及控制技术

神经网络具有从复杂且不精确的数据中提取关键信息的能力,能够用来检测人类无法识别且过于复杂的数据,因此所提技术基于ELM预测工程预算的变化趋势,以便及时采取措施控制成本。

2.1 FA-ELM网络模型

ELM是HUANG等在2004年提出的一种性能优良的新型单隐层前向神经网络。与传统神经网络相比,具有学习速度快、泛化能力好等优点,解决了传统梯度算法的局部极小、过拟合和学习率选择不合适等问题[10-11]。ELM神经网络结构如图4所示。

图4 ELM神经网络的结构Fig.4 Structure of ELM neural network

取N个任意不同的样本(xi,yi),xi、yi分别为输入变量和输出变量,则隐含层节点数为K的前向神经网络输出为

(1)

式中:αi、bi分别为输入层到第i个隐含层节点的输入权值和偏差;βi为连接第i个隐含层节点的输出权值;σ(x)为sigmoid激励函数。

在模型训练中以最小误差逼近N个样本,期望输出值和真实输出值φj差的绝对值接近0,达到最小误差函数E,即

(2)

如输入权值αi与隐含层偏差bi的数值随机分配,则ELM分析的稳定性和快速性将受到影响,故采用仿生算法确定两参数,其效率更高且不易陷入局部僵局。确定αi与bi,可提升ELM的工程预算和工期的预测精度、收敛速度及鲁棒性。

在FA优化算法中,利用吸引度和亮度两个参数的不断迭代实现目标函数最优解的优化求解。其中FA算法的吸引度τ和相对亮度I计算表达式为

(3)

式中:I0、γ、dmn分别为萤火虫的最大亮度、光强度的吸收系数以及m与n的空间距离;τ0为光源初始位置的吸引度。

当萤火虫m被吸引而向萤火虫n移动时,位置更新表达式为

(4)

2.2 基于FA-ELM模型的预算控制技术

由于电力数据规模的快速增长,数据挖掘成为了数据转化为信息的一个重要工具[12]。主要应用数据清洗、数据集成等数据挖掘技术对原始数据进行预处理,以提高FA-ELM网络模型的训练精度和分析性能。同时,将FA优化后的ELM模型用于预测电力工程的预算和工期,整体控制流程如图5所示。

图5 电力工程预算控制流程Fig.5 Power engineering budget control process

电力工程预算控制技术的具体流程如下:

1) 获取电力工程中各个环节的电力数据,包括工期和预算等数据,并对其进行预处理,包括数据清理和数据集成。数据清理是从数据库中检测和纠正损坏或不准确记录的行为[13],清理后的数据集将与系统中其他类似的数据集保持一致。数据集成是将不同来源的数据进行组合,并为用户提供这些数据统一视图的行为[14]。随着数据量与共享现有数据的需求激增,数据集成成为了研究的焦点[15]。

2) 采用k折交叉验证方法将数据分类为训练数据与测试数据。

3) 训练FA-ELM模型。首先初始化FA算法的参数,设定萤火虫的初始位置,并计算目标函数值;再计算运算萤火虫个体的I和τ,根据I的大小来判定其位移,并获得当前空间位置;最后对最优空间位置的萤火虫个体施加扰动,根据扰动后的位置计算其亮度,通过迭代计算直至满足终止条件,输出最优值,得到ELM的误差函数值满足E

4) 将电力工程数据输入最优FA-ELM模型,得到工期与预算的整体预测结果,从而辅助管理人员采取措施,控制工程实施的进度与预算。

3 实验结果与分析

以2010～2020年某地区实际结算的108组电力工程原始数据为样本,在MATLAB仿真平台上对所提技术进行实验验证。实验电脑的硬件配置如下:CPU为Intel Core i5,主频为3.1 GHz,内存为8 GB。利用前80组样本数据训练BP神经网络数据挖掘模型,并用优化后的模型对后28组样本数据进行预算估计。FA-ELM网络模型的参数设置如表1所示。

表1 FA-ELM网络模型的参数设置Tab.1 Parameter settings of FA-ELM network model

3.1 工程费用预测结果分析

针对电力工程中存在的各种费用,利用FA-ELM网络模型进行预测分析,预测分析结果如表2所示。

表2 电力工程各类型费用的预测结果Tab.2 Prediction results of various types of costs in power engineering

由表2可以看出,利用所提技术预测各种费用的效果显著,预测误差均控制在6%以内。尤其在装置采购方面,预测误差仅为2.59%。对于类型复杂的其他工程,运用该技术可将其预测误差控制为4.75%。综合来看,FA-ELM技术能够实现较理想的电力工程费用预测。

同时,将FA-ELM网络模型与ELM神经网络、BP神经网络在工程预测误差方面进行对比分析,结果如图6所示。

图6 不同模型的预测结果对比Fig.6 Comparison of prediction results for different models

由图6可以看出,FA-ELM模型的预测误差最小,以其他工程为例,FA-ELM的预测误差较ELM模型减少了约1.13%。由于FA-ELM模型通过FA算法不断寻优获取最佳网络参数,因此预测性能得到了很大的提升。而BP神经网络易出现过拟合问题,因此整体预测效果不佳,算法的其他工程预测误差达到了9.87%。

3.2 控制结果对比分析

为了验证所提技术的控制性能,将其与文献[3]、[7]、[9]方案在预算生成时间、预算管控性两个方面进行对比分析,其中每种控制技术均对45周的工程量约3 GB数据各执行100次预测,并取均值作为结果,预算生成时间对比如表3所示。

表3 预算生成时间对比结果Tab.3 Comparison results of budget generation time s

由表3可以看出,所提技术的预算生成时间为24.6 s,并不是最短的,长于文献[3]的17.2 s。这是因为所提技术结合了BP神经网络与数据挖掘技术,导致计算量增加,但其确保了预测的准确度;而文献[3]的控制思路较为传统,运算规模较小,因此执行时间较短;文献[7]和文献[9]采用相近的模糊数学理论,因此执行时间相近,但模糊数学理论计算量大,较FA-ELM网络数据挖掘方法耗时稍长。

同样,采用工程完工后的总费用作为评价标准,对比4种方法的预算控制结果如图7所示。

图7 电力工程总费用控制结果对比Fig.7 Comparison of total cost of power projects

由图7可以看出,相比于其他技术,所提技术的控制效果最为明显,项目总费用接近为2 200万元,较工程实际费用减少了14.09%。由于其采用FA-ELM网络完成工程费用和工期的预测,通过掌握费用和工期的变化情况,能够为控制方案的制定提供强有力的数据支撑,因此整体的工程预算较少,具有更好的经济性。文献[3]仅从各个环节提出管理方法,缺乏学习算法的分析且控制效果不理想。文献[7]利用模糊数学理论实现预算控制,但其模型单一无法达到最佳的控制效果,工程费用达到了2 850万元。文献[9]在模糊数学理论的基础上,利用综合评价法对影响因素进行分析,从而完成预算控制,但不适用于整个电力工程的预算处理。

综上所述,所提技术能够以较短的时间生成预算估计值,并且通过工期和费用的预测掌握工程进度,完成预算管控,最大程度地减少电力工程的总费用,具备良好的工程预算控制能力。

4 结束语

电力市场竞争日趋激烈,为了改善工程质量与运营状况,高效的预算控制措施必不可少。为此,本文提出了一种基于FA-ELM深度挖掘模型的电力工程预算控制技术。将各种电力工程数据经预处理后,输入FA-ELM模型估计各个阶段的工程费用和进度,管理人员可以根据实时财务和工期状况采取相应的控制措施。MATLAB仿真结果表明,经过FA-ELM技术控制后的工程总费用大约为2 200万元,节约了14.09%,综合性能优于其他对比技术。但所提技术仅考虑了工期与预算两个目标,在接下来的研究中将充分考虑影响预算控制的各个方面,以实现实时工程预算的动态管理,进而提高工程建设的经济性。