预测分析算法的设计与实现_【造价】基于 PSO-ELM 算法的输变电工程造价预测分析...

近年来，随着我国经济和电力系统的发展，输变电工程建设不断增加［1 － 5］。输变电工程建设是一项非常复杂的工程，它具有建设周期长、投资大和受到外界环境因素等特性，导致对输变电工程造价预测偏差比较大［6 － 8］。对输变电工程造价的准确预测可以避免过多或过少的工程预算，大大提高电网企业的效益。为此，构建一种预测精度高的输变电工程造价预测模型显得尤为重要［9 － 12］。本文以宁夏某电力公司数据为例，构建出一种 PSO-ELM(MIV) 的输变电工程造价预测模型，先通过 MIV 算法选出影响工造造价的主要因素，即达到一种数据降维的目的，然后将筛选出来的主要因素作为 ELM 模型的输入层的输入变量，为了提高 ELM 模型的预测精度，使用 PSO 算法来优化 ELM 模型中的权值和阈值。

1 输变电工程造价数据

本文选取宁夏某电力公司 2012 － 2013 年间建好的 220kV 变电站中的 97 组工程造价样本数据 ( 如表 1 所示) 用于模型的训练和验证。把单位容量的工程造价作为 ELM 模型中输出层的输出变量，把主控面积、主变器容量、高压断路器台数、高压回数、电缆材料造价、高压断路器单价、主变压器单价、保护测控等二次设备、项目建设技术服务费、征地补偿等 10 项因素作为模型中输入层的输入自变量。

表 1 输变电工程样本集

2 输变电工程造价预测模型

2.1 ELM 算法

假设一个含有 l 个神经元的隐含层激活函数为g( wi ·xi + bi ) ，则网络输出可以用式( 1) 表示［13 － 15］:

式中，βi = ［βi1，βi2，…，βin］为隐含层中第 i 个神经元到输出层的输出权值; wi = ［wi1，wi2，…，win］为输入层中第 i 个神经元到隐含层的输出权值; bi 为隐含层的偏置值。

对于任意的 N 个样本 ( xi，oi ) ，其中，输入为