劉乃新

（天津送變電工程有限公司）

0 引言

電力工程數(shù)據(jù)有著較高的復雜性，且數(shù)據(jù)量普遍較大，想要在前期實現(xiàn)更為精準的造價預測，以此為工程造價管理工作的高質(zhì)量展開提供參考與指導，就需要形成一種能夠在海量復雜數(shù)據(jù)中提煉、分析與處理有價值數(shù)據(jù)的方法，而應用數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡技術就能夠達到上述目標。

1 數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡技術在電力工程造價領域的具體應用思路

1.1 使用數(shù)據(jù)挖掘算法收集與整理歷史數(shù)據(jù)

應用數(shù)據(jù)挖掘方法，在海量電力工程數(shù)據(jù)內(nèi)提煉出有價值數(shù)據(jù)信息，為提升整個數(shù)據(jù)提取的效率以及實效性，需要保證數(shù)據(jù)挖掘過程的完整性，如圖1 所示。

圖1 數(shù)據(jù)挖掘流程安排

在當前的實踐中，更常使用如下幾種方法完成數(shù)據(jù)挖掘與處理，包括決策樹法、統(tǒng)計分析法、神經(jīng)網(wǎng)絡法、遺傳算法、模糊邏輯法等等［1］。相比較而言，由于模糊神經(jīng)網(wǎng)絡算法兼顧神經(jīng)網(wǎng)絡法以及模糊邏輯法的優(yōu)勢性，所以更適合在電力工程數(shù)據(jù)處理、工程造價預測方面應用。在此過程中，需要重點完成對模糊系統(tǒng)參數(shù)的獲取以及模糊規(guī)則參數(shù)的識別。實踐中，依托聚類法的利用，將數(shù)據(jù)空間劃分為多個模糊數(shù)據(jù)集，并進一步結合訓練得展開，形成隸屬度函數(shù)，在此基礎上獲得所需要的輸出數(shù)據(jù)。簡單的模糊神經(jīng)網(wǎng)絡模型如圖2 所示。

圖2 簡單的模糊神經(jīng)網(wǎng)絡模型圖

在該模型圖內(nèi)，N1，N2... 代表著不同數(shù)據(jù)集的神經(jīng)網(wǎng)絡系統(tǒng)，其中，神經(jīng)網(wǎng)絡的主要功能在于，針對各個子網(wǎng)絡的隸屬參數(shù)進行精準辨識。各個子網(wǎng)絡所代表著的模糊規(guī)則有所不同，在完成所有的子網(wǎng)絡訓練后，可以結合對應的權重，實現(xiàn)對網(wǎng)絡最終輸出的確定與形成［2］。

1.2 實施數(shù)據(jù)預處理

分析與處理電力工程造價數(shù)據(jù)期間，需要在較短時間內(nèi)完成大量數(shù)據(jù)的有目的篩選，并在盡可能保持原始數(shù)據(jù)信息的基礎上，確定出可以代表電力工程數(shù)據(jù)屬性的數(shù)據(jù)集合［3］。一般而言，電力工程造價數(shù)據(jù)主要以數(shù)值的形式保存，所以可以應用貝葉斯分類器作為評價函數(shù)，假設S 為數(shù)據(jù)集，樣本屬性設定為X1，X2... ；使用C1，C2...表示現(xiàn)有數(shù)據(jù)種類；對于一個新的樣本數(shù)據(jù)而言，其屬于某一類C 的概率可以用下式確定：

式中，帶寬使用h 表示；樣本數(shù)使用nCj表示。

使用高斯分布函數(shù)對貝葉斯分類算法進行改進，得到的后驗算概率計算公式如下所示。

式中，數(shù)據(jù)分布概率的高斯密度函數(shù)使用g 表示，均值為0，方差為1。以某電力工程造價數(shù)據(jù)為例，展開對100 個數(shù)據(jù)節(jié)點的評估，并在此基礎上針對節(jié)點所對應著的數(shù)據(jù)屬性進行規(guī)律匯總，所得到的電力工程輸入數(shù)據(jù)集與輸出數(shù)據(jù)集屬性如下所示。

在輸入集內(nèi)，包含的屬性有電力工程的電壓屬性、線路回路、地形系數(shù)、運輸距離以及線路長度。在輸出集內(nèi)，包含的屬性有運輸工程造價、基礎工程造價、架線工程造價、附件工程造價。

1.3 依托神經(jīng)網(wǎng)絡算法建立預測模型

結合前期對電力工程數(shù)據(jù)的分析能夠了解到，受到輸入與輸出工程數(shù)據(jù)多元的影響，數(shù)據(jù)分析的本質(zhì)可以理解為非線性映射問題?；诖?，在選定分析與處理算法時，可以將電力工程造價數(shù)據(jù)處理的核心算法設定為模糊神經(jīng)網(wǎng)絡算法，并以此為基礎落實對電力工行造價估算模型的構建［4］。

綜合使用常規(guī)神經(jīng)網(wǎng)絡算法與模糊神經(jīng)網(wǎng)絡算法，兼顧模糊系統(tǒng)的推理功能以及數(shù)據(jù)學習功能，不僅可以獲取到數(shù)據(jù)規(guī)則，還能夠顯現(xiàn)出更為強大的網(wǎng)絡容錯能力，在復雜性相對較強的非線性數(shù)據(jù)處理與分析方面可以發(fā)揮出更為理想的作用與優(yōu)勢。使用神經(jīng)網(wǎng)絡算法建立預測模型的主要流程安排如圖3 所示。

圖3 使用神經(jīng)網(wǎng)絡算法建立預測模型的流程圖

2 數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡技術在電力工程造價領域的應用實例分析

2.1 樣本與案例的選擇

選定經(jīng)過數(shù)據(jù)預處理后的200 條歷史數(shù)據(jù)作為電力工程數(shù)據(jù)的處理原始數(shù)據(jù)，輸入數(shù)據(jù)內(nèi)含5 種屬性、輸出數(shù)據(jù)內(nèi)含4 種屬性，主要如下所示（節(jié)選）：

樣本1，輸入屬性集內(nèi)含：電壓等級為110kV，線路回數(shù)為1，運輸距離為20km，地形系數(shù)為1，線路長度為200km；輸出屬性集內(nèi)含：運輸工程5.89 萬元/km，基礎工程2.36 萬元/km，架線工程14.2 萬元/km，附件工程0.89 萬元/km。

樣本2，輸入屬性集內(nèi)含：電壓等級為110kV，線路回數(shù)為2，運輸距離為10km，地形系數(shù)為1.2，線路長度為250km；輸出屬性集內(nèi)含：運輸工程4.33 萬元/km，基礎工程3.56 萬元/km，架線工程9.11 萬元/km，附件工程0.15 萬元/km。

樣本3，輸入屬性集內(nèi)含：電壓等級為220kV，線路回數(shù)為2，運輸距離為15km，地形系數(shù)為2.2，線路長度為300km；輸出屬性集內(nèi)含：運輸工程4.52 萬元/km，基礎工程8.98 萬元/km，架線工程9.36 萬元/km，附件工程0.47 萬元/km。

樣本4，輸入屬性集內(nèi)含：電壓等級為220kV，線路回數(shù)為2，運輸距離為16km，地形系數(shù)為2.2，線路長度為300km；輸出屬性集內(nèi)含：運輸工程4.55 萬元/km，基礎工程8.78 萬元/km，架線工程22.3 萬元/km，附件工程5.66 萬元/km。

樣本5，輸入屬性集內(nèi)含：電壓等級為220kV，線路回數(shù)為2，運輸距離為24km，地形系數(shù)為1，線路長度為300km；輸出屬性集內(nèi)含：運輸工程5.66 萬元/km，基礎工程7.41 萬元/km，架線工程30.8 萬元/km，附件工程1.23 萬元/km。

2.2 實例分析方案與過程

針對上述電力工程數(shù)據(jù)，應用K-means聚類法展開進一步聚類處理，得到的分類結果如下所示：

在聚類1內(nèi)，對象數(shù)目為30，輸入屬性聚類中心值內(nèi)含：X1為199.7，X2為130.1，X3為14.26，X4為0.9，X5為0.61；輸出屬性聚類中心值內(nèi)含：Y1為2.22，Y2為1.95，Y3為1.887，Y4為7.84。

在聚類2內(nèi)，對象數(shù)目為30，輸入屬性聚類中心值內(nèi)含：X1為265.7，X2為133.5，X3為0.68，X4為2.5，X5為0.13；輸出屬性聚類中心值內(nèi)含：Y1為4.53，Y2為2.25，Y3為12.5，Y4為4.12。

在聚類3內(nèi)，對象數(shù)目為30，輸入屬性聚類中心值內(nèi)含：X1為304.2，X2為156.5，X3為12.1，X4為2.4，X5為0.33；輸出屬性聚類中心值內(nèi)含：Y1為2.14，Y3為12.5，Y3為2.68，Y4為21.3。

在聚類4內(nèi)，對象數(shù)目為30，輸入屬性聚類中心值內(nèi)含：X1為203.1，X2為145.2，X3為11.5，X4為1.3，X5為0.22；輸出屬性聚類中心值內(nèi)含：Y1為1.24，Y2為3.25，Y3為1.24，Y4為2.25。

在完成電力工程數(shù)據(jù)的分類后，使用模糊神經(jīng)網(wǎng)絡調(diào)整隸屬度函數(shù)，在整個計算過程中，主要將選定的樣本劃分為3 部分，其中，訓練集內(nèi)包含的樣本數(shù)量為120個；測試集內(nèi)包含的樣本數(shù)量為40個；驗證集內(nèi)包含的樣本數(shù)量為4 個。進行500 次迭代后即可停止運算，以此獲取到規(guī)則隸屬度。進一步針對結果的相關性展開驗證，確定出基于神經(jīng)網(wǎng)絡算法的輸出結果以及實際網(wǎng)絡輸出結果之間存在著的相關性，如下表所示：

表1 網(wǎng)絡N的回歸分析結果匯總

2.3 分析的結果與結論

結合上述分析能夠了解到的是，通過綜合使用數(shù)據(jù)挖掘技術與神經(jīng)網(wǎng)絡技術，能夠完成對電力工程造價數(shù)據(jù)的處理與分析，并在一定程度上，可以結合對模糊神經(jīng)網(wǎng)絡的使用獲取到數(shù)據(jù)規(guī)則，以此為基礎預測電力工程造價水平。使用模糊神經(jīng)網(wǎng)絡，針對選定的200 組歷史數(shù)據(jù)展開數(shù)據(jù)規(guī)則的提取，并針對特定電力工程實施造價預測，所得到的仿真模擬分析結果如下所示：

模型1，得到的實際值包括：運輸工程4.44 萬元/km，基礎工程5.54 萬元/km，架線工程25.5 萬元/km，附件工程0.57 萬元/km；模糊神經(jīng)網(wǎng)絡預測值包括：運輸工程4.25 萬元/km，基礎工程5.41萬元/km，架線工程24.6 萬元/km，附件工程0.46萬元/km。

模型2，得到的實際值包括：運輸工程4.53 萬元/km，基礎工程4.87 萬元/km，架線工程15.2 萬元/km，附件工程0.14 萬元/km；模糊神經(jīng)網(wǎng)絡預測值包括：運輸工程3.56 萬元/km，基礎工程4.25萬元/km，架線工程14.2 萬元/km，附件工程0.13萬元/km。

模型3，得到的實際值包括：運輸工程2.53 萬元/km，基礎工程1.65 萬元/km，架線工程22.2 萬元/km，附件工程0.15 萬元/km；模糊神經(jīng)網(wǎng)絡預測值包括：運輸工程2.45 萬元/km，基礎工程1.56萬元/km，架線工程19.6 萬元/km，附件工程0.15萬元/km。

模型4，得到的實際值包括：運輸工程5.65 萬元/km，基礎工程5.25 萬元/km，架線工程14.2 萬元/km，附件工程0.26 萬元/km；模糊神經(jīng)網(wǎng)絡預測值包括：運輸工程5.46 萬元/km，基礎工程5.33萬元/km，架線工程15.2 萬元/km，附件工程0.27萬元/km。

模型5，得到的實際值包括：運輸工程4.57 萬元/km，基礎工程4.25 萬元/km，架線工程12.5 萬元/km，附件工程0.24 萬元/km；模糊神經(jīng)網(wǎng)絡預測值包括：運輸工程4.33 萬元/km，基礎工程4.25萬元/km，架線工程13.2 萬元/km，附件工程0.28萬元/km。

實際值與模糊神經(jīng)網(wǎng)絡預測值的平均相對誤差為：運輸工程0.074 萬元/km，基礎工程0.044 萬元/km，架線工程0.0689 萬元/km，附件工程0.094萬元/km。

綜合仿真模擬分析結果可以明確的是，基于上述方法所得到的預測值以及實際值的平均相對誤差均保持在低于0.1 的水平，滿足電力工程實際應用需要。這表明，綜合使用數(shù)據(jù)挖掘與神經(jīng)網(wǎng)絡這種算法對于不同的電力工程造價數(shù)據(jù)均具備一定的分析應用能力，能夠達到分析、預測電力工程造價數(shù)據(jù)的效果，并結合對歷史數(shù)據(jù)的應用，向相關人員提供更具合理性的參考值，為電力工程造價數(shù)據(jù)處理以及工程實際應用提供有效指導與有價值參考。

3 結束語

綜上所述，結合仿真模擬分析結果能夠明確的是，通過使用數(shù)據(jù)挖掘算法收集與整理歷史數(shù)據(jù)、實施數(shù)據(jù)預處理、依托神經(jīng)網(wǎng)絡算法建立預測模型，能夠實現(xiàn)對復雜電力工程數(shù)據(jù)的分析與處理，所得到的預測值以及實際值的平均相對誤差均保持在低于0.1的水平，滿足電力工程實際應用需要；綜合使用數(shù)據(jù)挖掘與神經(jīng)網(wǎng)絡這種算法對于不同的電力工程造價數(shù)據(jù)均具備一定的分析應用能力，能夠達到分析、預測電力工程造價數(shù)據(jù)的效果。