| 成果简介： |
输变电工程造价的预测主要靠实践经验完成，但是电网工程的造价是一个多变量、高度非线性的问题，特别是当情况复杂多变时，很难通过经验估计得到单项工程可靠的结果用以指导工程造价控制。为解决输变电工程造价预测准确性的问题，该课题作为公司科技项目揭榜挂帅课题，公司技术经济中心于2021年9月开展对近5年输变电项目造价数据统计、数据处理及预测模型建立等工作，为解决输变电工程造价预测准确性问题提供科学的解决方案。该成果分析BP神经网络预测模型与支持向量机(SVM)预测模型、KNN(K-Nearest Neighbors)预测模型及决策树预测模型相比优势明显。为进一步提升BP神经网络预测模型效率和精度，该研究收集近5年各电压等级的输变电项目已结算数据，剔除特殊工程及误差因素，使用Origin2022进行归一化分析处理。分析结果显示BP神经网络预测模型的存在误差沿负梯度方向传递的特性，因此导致了在模型建立中存在训练效率低、网络推广能力差及难以保证网络全局最优等不足。
针对以上问题，研究成果提出如下改进措施：1.改进负梯度下降算法，应用自适应学习速率动量梯度下降反向传播算法。自适应学习速率动量梯度下降反向传播算法是动量梯度下降算法和自适应学习速率梯度下降算法的结合。动量梯度下降算法采用动量梯度下降方法进行调整，它在对网络权值和阈值进行时不仅考虑当前的梯度方向，而且还考虑前一时刻的梯度方向，利用设置的动量因子来降低网络性能对参数调整的敏感性，有效地抵制了局部极小现象，具有较好的稳定性。2.由于“过度训练”易导致网络推广能力差，所以在训练时增加验证集。验证集用于在神经网络训练的同时监控网络训练进程；当网络开始“过度训练”时，与训练误差同步变化的验证误差会速度增大，达到设定值则控制训练结束。研究结果改进的BP神经网络使用两层网络，在隐藏层中和输出层分别使用tansig和purelin作为传递函数。
该成果应用于包头青山区应益(公益店)220kV输变电工程、呼得木林(阿友)220kV输变电工程、乌兰察布商都县长盛(禄安)220kV输变电工程等项目的前期投资估算，与实际可研投资相比，预测误差分别约为1%、0.47%、0.12%，预测结果准确，得到了项目建设单位的高度评价。通过应用该成果，可以对输变电工程造价进行准确的预测与估算，为业主和投资方提供参考依据。对于电网企业，研究成果可为其编制年度投资计划提供重要的数据支撑，提高项目前期的投资精准度，有效控制结余率，提高投资计划阶段资金利用效率，有效提升公司电网资产转资率。研究成果适应性广，具有广阔的应用前景。 |
