基于FA-ELM深度挖掘模型的電力工程預算控制技術

徐 寧, 張文靜, 周 波, 董振亮, 陳志賓

(1. 華北電力大學 a. 電氣與電子工程學院, b. 能源動力與機械工程學院, 北京 102206; 2. 河北省電力有限公司 a. 經濟技術研究院, b. 互聯網部, 河北 石家莊 050001; 3. 河北省教育考試院 信息處, 河北 石家莊 050091; 4. 河北賽克普泰計算機咨詢服務有限公司 軟件造價部, 河北 石家莊 050081)

隨著我國經濟與能源結構的逐步轉型,電力企業也隨之開始謀求新的發展模式,包括發、輸、變、配、用的全部環節。對于電網企業而言,合理利用現有資源,發揮出最大價值并服務于社會是主要目的[1-2]。為了順應社會發展趨勢,電網企業大力推行“提質增效”新模式,尤其針對電力工程預算問題,企業正積極探索新的控制方案,以最低的成本投入建設高質量的電力工程,更好地滿足市場需求,適應社會發展。

目前,關于電力工程建設預算成本的控制方法國內外已有較多的研究成果。杜志達等[3]利用成本估算的模式構建工程成本數據庫,結合工程歷史數據,使用類比等方式規劃工程費用。但此方法不夠客觀,成本估算準確率較低[4-5]。陳樂[6]利用模糊數學法實現工程造價的高效率預估。楊智慧[7]利用模糊數學理論與指數平滑法構建了水利工程項目投資估算模型,并對工程造價進行了估算,但考慮的因素不夠全面,影響了管控措施的制定[8]。謝艷麗等[9]針對凍土環境的不確定性與復雜性問題,利用模糊數學綜合評價法對該區域的桿塔建設進行了穩定性和成本評估。但其不具有普適性,工程造價估算的準確性有待提高。綜合來看,目前的控制方法普遍存在考慮因素不全面、計算效率較低、管控方案不合理等問題。

為此,本文提出一種基于FA-ELM深度挖掘模型的電力工程預算控制方案。在綜合考慮各方面影響因素的基礎上,使用螢火蟲算法(firefly algorithm,FA)改進后的極限學習機(extreme learning machine,ELM)數據挖掘方式估計工程費用,并采取相應的管控措施,保證電力工程預算控制的準確性和時效性。

1 電力工程預算及控制

1.1 預算費用構成

電力工程的預算費用由建筑工程費、裝置采購費和其他費用3部分組成,費用結構如圖1所示。其中,間接費用包括稅金與公司管理費。稅金為政府相關機構規定一定要繳的費用;公司管理費用為施工單位組織工程建設與經營管理時需要的費用。

圖1 電力工程預算費用結構Fig.1 Structure of power project budget costs

由于電力工程預算容易受到多個因素的干擾,如電壓等級、地勢、桿塔、運輸距離等,這些因素稍有變化,便會直接影響電力工程的預算。電力工程預算影響因素的層次數據庫如圖2所示。

圖2 電力工程預算影響因素Fig.2 Influencing factors of power engineering budget

1.2 工程預算控制

現有的預算控制技術大多分離了工程各個管控目標間的關聯,因此在控制目標的實施階段會存在較多問題。如當項目實施至一定階段時,真實的費用與工程預算一致,但完成的工程進度未達預期,最終較大概率會導致真實費用超出預算。此外,在施工現場存在較多無法預估的因素,通常的控制方案無法完全呈現預算管控的狀況。為此,本文提出了利用工程進度與預算共同管控的方式實施項目的全程監督和預警,控制方式如圖3所示。

圖3 工程進度與預算聯合控制方式Fig.3 Project control method combining schedule and budget

通過對公司項目進度的控制,可以對項目各時期的資源使用與工程完工狀況進行實時動態監測。該方法計算量少且數據清晰,側重于對各個控制目標的全局管控,并能夠輔助工程管理人員對工程預算的變化趨勢進行實時估計與判定。同時制定合理高效的應對措施,將不利因素的影響力降至最低,從而保證在不超過工程預算的前提下,按時完成工程建設。

2 FA-ELM模型及控制技術

神經網絡具有從復雜且不精確的數據中提取關鍵信息的能力,能夠用來檢測人類無法識別且過于復雜的數據,因此所提技術基于ELM預測工程預算的變化趨勢,以便及時采取措施控制成本。

2.1 FA-ELM網絡模型

ELM是HUANG等在2004年提出的一種性能優良的新型單隱層前向神經網絡。與傳統神經網絡相比,具有學習速度快、泛化能力好等優點,解決了傳統梯度算法的局部極小、過擬合和學習率選擇不合適等問題[10-11]。ELM神經網絡結構如圖4所示。

圖4 ELM神經網絡的結構Fig.4 Structure of ELM neural network

取N個任意不同的樣本(xi,yi),xi、yi分別為輸入變量和輸出變量,則隱含層節點數為K的前向神經網絡輸出為

(1)

式中:αi、bi分別為輸入層到第i個隱含層節點的輸入權值和偏差;βi為連接第i個隱含層節點的輸出權值;σ(x)為sigmoid激勵函數。

在模型訓練中以最小誤差逼近N個樣本,期望輸出值和真實輸出值φj差的絕對值接近0,達到最小誤差函數E,即

(2)

如輸入權值αi與隱含層偏差bi的數值隨機分配,則ELM分析的穩定性和快速性將受到影響,故采用仿生算法確定兩參數,其效率更高且不易陷入局部僵局。確定αi與bi,可提升ELM的工程預算和工期的預測精度、收斂速度及魯棒性。

在FA優化算法中,利用吸引度和亮度兩個參數的不斷迭代實現目標函數最優解的優化求解。其中FA算法的吸引度τ和相對亮度I計算表達式為

(3)

式中:I0、γ、dmn分別為螢火蟲的最大亮度、光強度的吸收系數以及m與n的空間距離;τ0為光源初始位置的吸引度。

當螢火蟲m被吸引而向螢火蟲n移動時,位置更新表達式為

(4)

2.2 基于FA-ELM模型的預算控制技術

由于電力數據規模的快速增長,數據挖掘成為了數據轉化為信息的一個重要工具[12]。主要應用數據清洗、數據集成等數據挖掘技術對原始數據進行預處理,以提高FA-ELM網絡模型的訓練精度和分析性能。同時,將FA優化后的ELM模型用于預測電力工程的預算和工期,整體控制流程如圖5所示。

圖5 電力工程預算控制流程Fig.5 Power engineering budget control process

電力工程預算控制技術的具體流程如下:

1) 獲取電力工程中各個環節的電力數據,包括工期和預算等數據,并對其進行預處理,包括數據清理和數據集成。數據清理是從數據庫中檢測和糾正損壞或不準確記錄的行為[13],清理后的數據集將與系統中其他類似的數據集保持一致。數據集成是將不同來源的數據進行組合,并為用戶提供這些數據統一視圖的行為[14]。隨著數據量與共享現有數據的需求激增,數據集成成為了研究的焦點[15]。

2) 采用k折交叉驗證方法將數據分類為訓練數據與測試數據。

3) 訓練FA-ELM模型。首先初始化FA算法的參數,設定螢火蟲的初始位置,并計算目標函數值;再計算運算螢火蟲個體的I和τ,根據I的大小來判定其位移,并獲得當前空間位置;最后對最優空間位置的螢火蟲個體施加擾動,根據擾動后的位置計算其亮度,通過迭代計算直至滿足終止條件,輸出最優值,得到ELM的誤差函數值滿足E

4) 將電力工程數據輸入最優FA-ELM模型,得到工期與預算的整體預測結果,從而輔助管理人員采取措施,控制工程實施的進度與預算。

3 實驗結果與分析

以2010～2020年某地區實際結算的108組電力工程原始數據為樣本,在MATLAB仿真平臺上對所提技術進行實驗驗證。實驗電腦的硬件配置如下:CPU為Intel Core i5,主頻為3.1 GHz,內存為8 GB。利用前80組樣本數據訓練BP神經網絡數據挖掘模型,并用優化后的模型對后28組樣本數據進行預算估計。FA-ELM網絡模型的參數設置如表1所示。

表1 FA-ELM網絡模型的參數設置Tab.1 Parameter settings of FA-ELM network model

3.1 工程費用預測結果分析

針對電力工程中存在的各種費用,利用FA-ELM網絡模型進行預測分析,預測分析結果如表2所示。

表2 電力工程各類型費用的預測結果Tab.2 Prediction results of various types of costs in power engineering

由表2可以看出,利用所提技術預測各種費用的效果顯著,預測誤差均控制在6%以內。尤其在裝置采購方面,預測誤差僅為2.59%。對于類型復雜的其他工程,運用該技術可將其預測誤差控制為4.75%。綜合來看,FA-ELM技術能夠實現較理想的電力工程費用預測。

同時,將FA-ELM網絡模型與ELM神經網絡、BP神經網絡在工程預測誤差方面進行對比分析,結果如圖6所示。

圖6 不同模型的預測結果對比Fig.6 Comparison of prediction results for different models

由圖6可以看出,FA-ELM模型的預測誤差最小,以其他工程為例,FA-ELM的預測誤差較ELM模型減少了約1.13%。由于FA-ELM模型通過FA算法不斷尋優獲取最佳網絡參數,因此預測性能得到了很大的提升。而BP神經網絡易出現過擬合問題,因此整體預測效果不佳,算法的其他工程預測誤差達到了9.87%。

3.2 控制結果對比分析

為了驗證所提技術的控制性能,將其與文獻[3]、[7]、[9]方案在預算生成時間、預算管控性兩個方面進行對比分析,其中每種控制技術均對45周的工程量約3 GB數據各執行100次預測,并取均值作為結果,預算生成時間對比如表3所示。

表3 預算生成時間對比結果Tab.3 Comparison results of budget generation time s

由表3可以看出,所提技術的預算生成時間為24.6 s,并不是最短的,長于文獻[3]的17.2 s。這是因為所提技術結合了BP神經網絡與數據挖掘技術,導致計算量增加,但其確保了預測的準確度;而文獻[3]的控制思路較為傳統,運算規模較小,因此執行時間較短;文獻[7]和文獻[9]采用相近的模糊數學理論,因此執行時間相近,但模糊數學理論計算量大,較FA-ELM網絡數據挖掘方法耗時稍長。

同樣,采用工程完工后的總費用作為評價標準,對比4種方法的預算控制結果如圖7所示。

圖7 電力工程總費用控制結果對比Fig.7 Comparison of total cost of power projects

由圖7可以看出,相比于其他技術,所提技術的控制效果最為明顯,項目總費用接近為2 200萬元,較工程實際費用減少了14.09%。由于其采用FA-ELM網絡完成工程費用和工期的預測,通過掌握費用和工期的變化情況,能夠為控制方案的制定提供強有力的數據支撐,因此整體的工程預算較少,具有更好的經濟性。文獻[3]僅從各個環節提出管理方法,缺乏學習算法的分析且控制效果不理想。文獻[7]利用模糊數學理論實現預算控制,但其模型單一無法達到最佳的控制效果,工程費用達到了2 850萬元。文獻[9]在模糊數學理論的基礎上,利用綜合評價法對影響因素進行分析,從而完成預算控制,但不適用于整個電力工程的預算處理。

綜上所述,所提技術能夠以較短的時間生成預算估計值,并且通過工期和費用的預測掌握工程進度,完成預算管控,最大程度地減少電力工程的總費用,具備良好的工程預算控制能力。

4 結束語

電力市場競爭日趨激烈,為了改善工程質量與運營狀況,高效的預算控制措施必不可少。為此,本文提出了一種基于FA-ELM深度挖掘模型的電力工程預算控制技術。將各種電力工程數據經預處理后,輸入FA-ELM模型估計各個階段的工程費用和進度,管理人員可以根據實時財務和工期狀況采取相應的控制措施。MATLAB仿真結果表明,經過FA-ELM技術控制后的工程總費用大約為2 200萬元,節約了14.09%,綜合性能優于其他對比技術。但所提技術僅考慮了工期與預算兩個目標,在接下來的研究中將充分考慮影響預算控制的各個方面,以實現實時工程預算的動態管理,進而提高工程建設的經濟性。