﻿ 基于组合预测模型的特高压工程造价预测 Cost Forecasting of UHV Project Based on Combination Forecasting Model

Smart Grid
Vol.06 No.06(2016), Article ID:19179,11 pages
10.12677/SG.2016.66043

Cost Forecasting of UHV Project Based on Combination Forecasting Model

Weining Wen1, Yan Zheng1, Yuxuan Zhao2, Yanchao Lu1, Xuelin Wei3

1State Power Economic Research Institute, Beijing

2College of Electrical Engineering, Zhejiang University, Hangzhou Zhejiang

3Jiangxi Bowei New Technology Co., Ltd., Nanchang Jiangxi

Received: Nov. 24th, 2016; accepted: Dec. 9th, 2016; published: Dec. 12th, 2016

ABSTRACT

UHV project is with high investment and large scale. The prediction of UHV project cost is of great significance to improve the economic benefits of UHV construction and to guide the decision and management of the actual project. Firstly, according to the characteristics of UHV project, this paper analyzes the cost forecasting method of UHV project, and puts forward a multi-cost-forecasting method to construct the forecasting models. Then, according to the results of each forecasting model, the Entropy Method is utilized to compute the prediction weight of each model. Due to the limitations of each method and the characteristics of historical data of UHV projects, the combination prediction weights of all used methods are modified to get the final cost combination forecasting model. Finally, the effectiveness of the combined forecasting model is illustrated by a DC Conversion Station Project and a DC Transmission Line Project.

Keywords:UHV, Decision, Project Cost, Forecasting Model

1国网北京经济技术研究院，北京

2浙江大学电气工程学院，浙江 杭州

3江西博微新技术有限公司，江西 南昌

1. 引言

2. 特高压工程造价预测思路

2.1. 特高压工程造价特点

2.2. 特高压工程造价预测层级

2.3. 特高压工程造价预测样本处理

2.4. 特高压工程造价预测思路

Figure 1. Decomposition level of converter station project

Figure 2. Cost forecasting process of UHV project

3. 工程造价预测方法选取

3.1. 多元回归预测模型

3.2. 人工神经网络预测模型

ANN是基于生物学中神经网络的基本原理所抽象出来的模拟人脑的神经系统对复杂信息处理机制的一种数学模型。ANN按功能可分为三层：输入层、隐层和输出层。ANN具有自适应、自组织等机器学习的特点，对于小样本数据具有一定的学习能力。特高压工程子模块造价与其关键影响因素可能呈现出非线性特性，神经网络通过小样本训练和学习来逼近此非线性系统。ANN的具体理论分析和数学特征已有较多文献进行论证，此处将其应用到特高压工程造价预测中，相关理论不再赘述。

3.3. 支持向量机预测模型

SVM是由Vapnik基于统计理论建立的一种小样本分类和预测方法 [8] 。SVM在解决非线性、小样本的分类和预测中表现出很多特有的优点，其目标是得到现有数据下的最优解。特高压工程具有工程样本少，工程造价高，造价数据不规范等特点，各关键影响因素与子模块造价可能呈现出高度非线性的复杂关系，用传统的建模方法较难处理，SVM方法很好地处理子模块造价与关键影响因素的关系；因此可用SVM对特高压工程造价预测进行研究。SVM的应用核心在于选取适当的参数，如不敏感损失函数，复杂度和样本拟合精度的折衷系数，核函数参数。支持向量机的理论和应用步骤详见文献 [2] 。

3.4. 遗传算法改进的支持向量机预测模型

SVM模型对于参数的选择比较敏感，参数 的选择对精度影响很大，不合适的参数将会导致结果出现很大偏差。目前对SVM参数优化的方法和研究较少，还没有严格的数学计算标准，这三个参数的确定本质上是一种复杂的组合优化问题。遗传算法(Genetic Algorithm, GA)具有隐含的并行性和强大全局搜索能力，通过代表可行解的染色体之间的交叉、变异可以在很短的时间内搜索到该优化问题的全局最优点，确定合适的。因此本文将遗传算法与SVM结合，即将GASVM预测模型应用于参数的优化中，以改善SVM的性能，降低特高压工程造价预测的误差和不确定性。

3.5. 粒子群算法改进的支持向量机预测模型

4. 组合预测模型构建

4.1. 预测模型权重确定准则

(1) 误差分析准则。误差是反映预测结果好坏、预测模型精度的重要指标。上述五种预测模型所得的验证样本结果各不相同，因而可基于验证样本的误差分析、构建多种误差指标，再依据熵权法构建组合预测模型权重体系。本文选用验证样本的预测值与真实值得均方误差(Mean Squared Error, MSE)、平均绝对误差(Mean Absolute Error, MAE)和平均绝对百分比误差(Mean Absolute Percent Error, MAPE)进行预测模型权重确定。各误差指标的计算分别如下，设有n个验证样本，yi为造价真实值，Δi ()为验证样本的预测值与真实值的绝对误差。

(1)

(2)

(3)

(2) 非负准则。实际工程造价总是大于0，若某预测模型所得验证样本预测结果或待预测工程预测结果为负时，则可认为该模型不适用于此组数据，如让其参与组合预测，会降低预测精度。因此将其预测模型权重赋以0值。

(3)准则。整理历史样本数据发现，靠近子模块造价众数的样本较多，达历史样本的一半之多；并且，所有子模块历史样本造价的最大值与众数之比不超过五倍，最小值与众数相比不低于1/5。据此本文认为特高压工程子模块的造价值波动一般在均值的倍范围内。当有部分预测值与众数之比超过此范围则认为该预测方法所得预测值不准确。具体地，若某预测方法所得验证样本预测结果或待预测工程造价预测结果与其他预测方法相应结果相差较多(大于5倍或小于1/5倍)时，则可认为该模型不适用于此组数据，如让其参与组合预测，会降低预测精度。因此将该种预测模型权重赋以0值，即不考虑该模型。

4.2. 预测方法权重确定

(1) 对每个子模块构建预测误差矩阵M(i×j)，()。元素mij表示第i种预测方法得到的验证样本预测值与真实值的第j类误差。其中j = 1, 2, 3分别表示误差类别为MSE，MAE，MAPE。若验证样本有多个值，则mij为多个预测值与真实值误差的平均值。

(2) 数据标准化处理，消去误差量纲。计算标准化误差

(4)

(3) 计算第j类误差的不同预测模型的占比

(5)

(4) 计算各预测模型的熵值

(6)

(5) 计算第j类误差指标的权重，亦即差异系数

(7)

(6) 计算各预测模型的初步权重。定义各预测模型权重

(8)

(7) 根据3.1的预测模型权重确定准则(2)和(3)修正初步权重，确定最终的组合预测模型权重。

(8) 计算组合预测子模块造价值，并集成得到工程造价预测值。

5. 算例分析

5.1. 换流站工程算例

Table 1. Forecast cost of converter station project (unit: RMB)

Table 2. Weight of each forecasting model of converter station project

5.2. 直流线路工程算例

Table 3. Forecast cost of DC transmission line project and weight of each forecasting model (unit: RMB/km)

Table 4. Forecast errors of DC transmission line project

6. 结语

Cost Forecasting of UHV Project Based on Combination Forecasting Model[J]. 智能电网, 2016, 06(06): 394-404. http://dx.doi.org/10.12677/SG.2016.66043

1. 1. 凌云鹏, 阎鹏飞, 韩长占, 杨晨光. 基于BP神经网络的输电线路工程造价预测模型[J]. 中国电力, 2012, 45(10): 95-99.

2. 2. 王宁宁, 王飞, 尹彦涛, 李红, 侯郁. 基于支持向量机的换流站工程造价预测研究[J]. 建筑经济, 2016, 37(5): 48- 52.

3. 3. 李旺, 王绵斌, 饶娆, 颜艳, 谭忠富. 220 kV换流站工程结算阶段造价预测指标体系及模型研究[J]. 电力学报, 2014, 29(2): 145-148.

4. 4. 应强, 谭颖, 赤鹏军. 基于ANN的电力工程造价预测[J]. 江西电力职业技术学院学报, 2011, 24(4): 21-23.

5. 5. 冯瀚, 刘冰旖, 张玉鸿, 邱金鹏, 杨海燕, 周萍. 基于FCM和PSO-SVM的电力工程造价预测模型研究[J]. 华东电力, 2014, 42(12): 2713-2716.

6. 6. 张协奎, 舒会江. 用主成份分析法选取影响地价的主要因素[J]. 基建优化, 2000, 21(1): 25-27.

7. 7. Fu, J., Tong, J., Wang, Q., et al. (2010) A Data Prediction Method under Small Sample Condition by Combining Neural Network and Grey System Methods. Proceedings of SPIE—The International Society for Optical Engineering, 7997, 79971E. https://doi.org/10.1117/12.887370

8. 8. Vapnik, W.N. 统计学习理论的本质[M]. 张学工, 译. 北京: 清华大学出版社, 2000.

9. 9. 聂宏展, 吕盼, 乔怡, 姚秀萍. 基于熵权法的输电网规划方案模糊综合评价[J]. 电网技术, 2009, 33(11): 60-64.