基于支持向量機(jī)的變電站工程數(shù)據(jù)預(yù)測方法研究

薛禮月，劉鑫，黃亦章，闞竟生

（國網(wǎng)上海市電力公司經(jīng)濟(jì)技術(shù)研究院，上海 200002）

隨著電網(wǎng)輸變電工程尤其是變電工程的建設(shè)標(biāo)準(zhǔn)和數(shù)量不斷提升，對其建設(shè)過程數(shù)字化程度的要求也越來越高[1-3]。基于人工智能算法的變電站工程造價計算，已經(jīng)成為電網(wǎng)工程技術(shù)經(jīng)濟(jì)測算的輔助手段之一[4-6]。傳統(tǒng)的計算造價方式為：電氣專業(yè)向技經(jīng)專業(yè)人員提供材料清冊，技經(jīng)人員手動錄入物資并套取相應(yīng)定額，工作量較大。通過利用電氣三維設(shè)計模型，結(jié)合人工智能數(shù)據(jù)挖掘算法，能夠有效減少識別錄入資源的工作量。并將設(shè)備及材料實(shí)體清楚地展現(xiàn)、量化，能夠有效提升三維設(shè)計造價的工作效率和準(zhǔn)確性[7-10]。

基于統(tǒng)計學(xué)的變電站工程數(shù)據(jù)預(yù)測方法通常需要大量的歷史數(shù)據(jù)用來訓(xùn)練，才可以得出相對準(zhǔn)確的結(jié)果[11]。但考慮到不同電網(wǎng)工程項(xiàng)目存在不確定性，其所處位置、施工條件、設(shè)計技術(shù)要求等差異較大。單純根據(jù)歷史造價數(shù)據(jù)進(jìn)行預(yù)測的準(zhǔn)確度較低，易受高海拔、極端氣候條件或其他因素的影響造成變電站工程造價較高[12]。

文中基于三維Revit 軟件平臺的變電站工程相關(guān)數(shù)據(jù)，以電壓等級為分界，通過粒子群算法優(yōu)化支持向量機(jī)（Support Vector Machine，SVM）的輸入權(quán)重和隱層閾值[13]，對變電站工程造價數(shù)據(jù)進(jìn)行分析并產(chǎn)生結(jié)果。最終通過將預(yù)測結(jié)果與變電站工程概算對比，驗(yàn)證了文中方法在輔助變電站工程造價測算方面的有效性。

1 變電站三維算量

1.1 三維造價

三維造價是提升變電站工程技經(jīng)工作質(zhì)量的重要舉措。其能夠?qū)崿F(xiàn)自動化的造價編制，有助于提升工程造價中工程量計算的準(zhǔn)確性以及工程計價的統(tǒng)一正確性。三維造價編制過程中能夠形成結(jié)構(gòu)化的工程造價數(shù)據(jù)，可以進(jìn)一步輔助造價評審工作。同時基于Revit的變電站工程三維造價研究是建設(shè)“數(shù)字上海”的環(huán)節(jié)之一，是構(gòu)建全業(yè)務(wù)數(shù)據(jù)鏈的重要環(huán)節(jié)，符合工程設(shè)計數(shù)據(jù)信息“一次錄入、共享共用”思路。依托Revit 實(shí)現(xiàn)設(shè)計、技經(jīng)階段數(shù)據(jù)協(xié)同共享，有助于提高公司信息化水平[14]。

1.2 三維造價輔助測算

變電站工程的造價計算通常需要在前期洽談階段為業(yè)主提供一個初步的估算，且單一的造價計算手段較為繁瑣，可能會出現(xiàn)較大的差異或錯誤。三維造價輔助測算可作為傳統(tǒng)三維造價算量的參考和校對，避免由于軟件BUG 或人為疏忽造成的缺量、材料冗余等問題[15-16]。

2 粒子群算法

2.1 數(shù)據(jù)預(yù)處理

變電站工程數(shù)據(jù)由于所處環(huán)境不同，造價差異較大，有時甚至不在一個數(shù)量級，可能存在或大或小的誤差。因此，對變電站工程數(shù)據(jù)的預(yù)處理尤為重要[17]。

假設(shè){Xt}是變電站工程各項(xiàng)設(shè)備數(shù)據(jù)異常的時間序列，則{Xt}利用ARIMA 模型的表示如下：

式中，α(B)是光滑算子，β(B)是可逆算子，?是α1,α2,…,αq的縮寫，B為延遲算子，α1,α2,…,αq代表α(B)的相應(yīng)參數(shù)，β1,β2,…,βq代表β(B)的相應(yīng)參數(shù)，是滿足正態(tài)分布的噪音序列。變電站工程數(shù)據(jù)的異常類型通常為獨(dú)立異常值模型。

2.2 算法改進(jìn)

粒子群算法是一種仿生優(yōu)化算法，其主要原理可用鳥群覓食行為闡述，對應(yīng)關(guān)系如圖1 所示。

圖1 粒子群算法與鳥群覓食行為對應(yīng)關(guān)系

粒子用i表示，其速度和位置更新方程如下：

其中，ω為慣性權(quán)重，c1、c2為加速系數(shù)，其取值區(qū)間為[0，2]。random為隨機(jī)數(shù)，取值區(qū)間為[0，1]。

為避免最優(yōu)解的出現(xiàn)，各粒子的權(quán)重系數(shù)用αi表示，i=1,2,3,…,m，j=1,2,…,n，則：

文中通過計算各個粒子的適應(yīng)值和權(quán)重系數(shù)，使全局粒子均能得到兼顧，保證全局尋優(yōu)的能力。

3 SVM及其改進(jìn)措施

3.1 支持向量機(jī)

支持向量機(jī)以風(fēng)險最小化為目標(biāo)和原則，對樣本數(shù)量要求較低，可在小樣本情況下得到相對較準(zhǔn)確的結(jié)果。

文中利用支持向量機(jī)算法進(jìn)行預(yù)測，以變電站工程的歷史需求數(shù)據(jù)作為輸入；以各項(xiàng)子工程數(shù)據(jù)為輸出結(jié)果。

3.2 隱藏層激活函數(shù)的選擇

支持向量機(jī)的分類精準(zhǔn)度仍受隱藏層激活函數(shù)g(x)的影響，激活函數(shù)主要包括二值激活函數(shù)、線性激活函數(shù)、Sigmoid 函數(shù)（也稱為S 型激活函數(shù)）及徑向基函數(shù)，常用的激活函數(shù)如下：

1）二值激活函數(shù)。其是指通過某種變化將樣本數(shù)據(jù)二值化的一種函數(shù)，其表達(dá)式如下：

其中，U(xi)為階躍函數(shù)。

2）線性激活函數(shù)：

3）Sigmoid 函數(shù)：

4）徑向基函數(shù)：

3.3 基于PSO優(yōu)化的支持向量機(jī)

結(jié)合粒子群智能優(yōu)化算法，對極限學(xué)習(xí)機(jī)的兩個參數(shù)進(jìn)行最優(yōu)選擇。

支持向量機(jī)輸入層的功能是將接收到的模型之外的傳入變量轉(zhuǎn)到隱含層中；隱含層作為輸入層與輸出層之間的橋梁，不直接承擔(dān)輸入與輸出的任務(wù)，其作用是對輸入的數(shù)據(jù)進(jìn)行計算、分類、識別等；輸出層則是用于輸出結(jié)果的一個工作階段。總體算法原理如圖2 所示。

圖2 支持向量機(jī)算法原理

假設(shè)輸入層與隱含層之間的連接權(quán)值矩陣為w，則w如下式：

w的含義是輸入層與隱含層之間的連接函數(shù)，通常稱為輸入權(quán)值函數(shù)。

初始化單個個體初始值如下式：

其中，r為一組測量值與期望值間的偏差，每次迭代中首先比較測量值Fi與期望值pbest的數(shù)值。若Fi＜pbest，則由Fi代替pbest成為最新的pbest；否則，維持現(xiàn)狀。然后比較Fi與gbest的數(shù)值，若Fi＜gbest，則Fi取代gbest作為當(dāng)次的最優(yōu)解；否則，維持gbest取值不變。

4 主要流程

以變電站工程歷史數(shù)據(jù)為基礎(chǔ)樣本，按變電站的電壓等級進(jìn)行區(qū)分。為保持輔助預(yù)測的統(tǒng)一性，樣本均采用雙主變且容量相等的工程，流程如圖3所示。

圖3 基于SVM的變電站工程預(yù)測主要流程

具體步驟如下：

1）收集提取35 kV、110 kV 及220 kV 變電站工程的歷史數(shù)據(jù)，主要是變電站的各分項(xiàng)工程造價；

2）根據(jù)2.1 節(jié)所述內(nèi)容進(jìn)行數(shù)據(jù)預(yù)處理，剔除掉異常數(shù)據(jù)或錯誤數(shù)據(jù)；

3）選擇合適的核函數(shù)，文中所述方法采用混合核函數(shù)；

4）基于粒子群算法對支持向量機(jī)的輸出權(quán)值和隱層閾值等相關(guān)參數(shù)進(jìn)行優(yōu)化；

5）根據(jù)步驟4）所得結(jié)果，訓(xùn)練生成SVM 預(yù)測函數(shù)，并輸入樣本進(jìn)行測試。然后判斷所得結(jié)果的精度是否滿足要求：若滿足，則輸出該預(yù)測函數(shù)；若不滿足，則再次選擇核函數(shù)，重復(fù)步驟1）～4）；

6）輸出預(yù)測結(jié)果。

5 算例分析

文中通過收集各個電壓等級的數(shù)據(jù)樣本，以變電站工程項(xiàng)目所在的電壓等級、海拔高度、地質(zhì)條件（A、B、C）等作為輸入。結(jié)合第4 節(jié)的步驟產(chǎn)生預(yù)測函數(shù)，并將輸出結(jié)果與各個電壓等級工程的數(shù)據(jù)信息平均值進(jìn)行對比，以此凸顯文中通過改進(jìn)支持向量機(jī)的預(yù)測模型的有效性。

5.1 激活函數(shù)選擇

為了選出最合適的隱藏層激活函數(shù)，實(shí)現(xiàn)最高的診斷準(zhǔn)確率，文中采取試探對比的方法進(jìn)行。選取233 組樣本進(jìn)行對比，其中150 組作為訓(xùn)練樣本，另外73 組作為測試樣本。保持隱藏層神經(jīng)元個數(shù)相同，均為32 個。對激活函數(shù)進(jìn)行性能對比，仿真結(jié)果如表1 所示。

表1 激活函數(shù)性能對比

文中選擇Sigmoid 函數(shù)和徑向基函數(shù)的混合作為激活函數(shù)。

5.2 隱藏層節(jié)點(diǎn)

圖4 神經(jīng)元個數(shù)與分類精度的關(guān)系曲線

5.3 結(jié)果對比

為了驗(yàn)證文中所提方法的有效性和正確性，將SVM 預(yù)測方法與各個電壓等級平均值比較，結(jié)果對比如表2 所示。在35 kV 電壓等級，由于變電站工程數(shù)據(jù)相對較小、各種費(fèi)用相對較低，其平均值和文中SVM 預(yù)測值準(zhǔn)確度差異較小。但隨著電壓等級的提升，110 kV 和220 kV 電壓等級的準(zhǔn)確度差別逐漸增大，表明了文中算法的有效性，能夠在變電站工程開展的前期階段預(yù)測各項(xiàng)工程數(shù)據(jù)，為變電站工程項(xiàng)目的決策提供參考。

表2 計算結(jié)果對比

6 結(jié)束語

文中將變電站工程中的歷史數(shù)據(jù)作為數(shù)據(jù)來源，基于數(shù)據(jù)挖掘技術(shù)，采用粒子群算法設(shè)計改進(jìn)的支持向量機(jī)，優(yōu)化支持向量機(jī)算法的拓?fù)浣Y(jié)構(gòu)、激活函數(shù)、隱層閾值和輸出權(quán)值，并取得了較好的效果，能夠在變電站工程開始的前期準(zhǔn)備階段迅速得出相對準(zhǔn)確的變電站工程數(shù)據(jù)預(yù)測結(jié)果，模型計算結(jié)果驗(yàn)證了文中方法的有效性。但考慮到變電站工程所處環(huán)境的復(fù)雜性，同時隨著數(shù)據(jù)挖掘計算的不斷進(jìn)步，這類預(yù)測算法仍有進(jìn)一步優(yōu)化的潛力，例如：1）根據(jù)變電站所處地理環(huán)境進(jìn)一步增加輸入歷史數(shù)據(jù)的維度，將能夠更加準(zhǔn)確地預(yù)估變電站的各項(xiàng)數(shù)據(jù)；2）時刻跟蹤新型人工智能數(shù)據(jù)挖掘算法，提升變電站工程數(shù)據(jù)預(yù)測的準(zhǔn)確性與效率。