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