本申请公开了输变电工程材料量预测方法和装置，其中，输变电工程材料量预测方法，包括：对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标；结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型；利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型；根据目标材料量预测模型预测输变电工程材料量。本申请依托大数据技术，对大量的输变电工程数据分析，建立数据分析模型，通过大量数据的训练、测试、调优，形成了基于电力大数据的输变电工程材料预测模型，实现对输变电工程不同设计条件下的材料量预测，为输变电工程的材料量测算提供重要依据。
1.一种输变电工程材料量预测方法，其特征在于，包括：对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标，包括：通过历史输变电工程数据和国家限额文献，得到工程量指标；
式中，GiA为实际项目数据的各个工程量指标，xiA为工程量指标i的实际项目数据， 为各个工程量指标对应的限额指标，xi0为xiA的限额数据，其中i代表第i种指标，ΔGi为需要解耦的工程量指标关联函数，Δxi为工程量指标i的相关系数；
通过所述解耦计算，得到所述工程量指标的相关系数，并将所述相关系数大于1％的所述工程量指标作为影响工程材料量的限额指标；
结合所述影响工程材料量的限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型，包括：对所述指标影响参数进行分类和聚类找出共同特征，包括：用D＝{o1，o2，…，on}表示n个对象的集合，oi表示第i个对象，Cx表示第x个簇；其中，i＝1，2，…，n；x＝1，2，…，k；n为对象的数目，k为簇的数目；
用sim(oi，oj)表示对象oi与对象oj之间的相似度；
若各簇Cx是刚性聚类结果，借助神经网络进行非线性映射，结合大数据技术，构建所述材料预测模型；
利用所述输变电工程数据对模型训练，并利用实际项目数据对所述材料预测模型进行验证，获得目标材料量预测模型；
2.根据权利要求1所述的输变电工程材料量预测方法，其特征在于，所述根据所述目标材料量预测模型预测输变电工程材料量，包括：将所述材料预测模型集成到B/S架构应用系统中，以实现可视化；
通过业务系统限额指标的录入一键操作完成所述输变电工程材料量的预测。
3.根据权利要求1所述的输变电工程材料量预测方法，其特征在于，所述利用所述输变电工程数据对模型训练，并利用实际项目数据对所述材料预测模型进行验证，获得目标材料量预测模型，包括：定义一个包含多个能够更新参数的神经网络，其中所述参数包括权重值；对输入数据进行迭代计算；通过多层网络结构来处理所述输入数据；计算损失值，其中所述损失值为输出值与目标值的差值；反向传播梯度到所述神经网络的参数中，根据更新规则更新所述神经网络中的权重值，最后获得所述目标材料量预测模型。
4.一种输变电工程材料量预测装置，其特征在于，包括：限额指标获取模块，用于对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标；包括：通过历史输变电工程数据和国家限额文献，得到工程量指标；
式中，GiA为实际项目数据的各个工程量指标，xiA为工程量指标i的实际项目数据， 为各个工程量指标对应的限额指标，xi0为xiA的限额数据，其中i代表第i种指标，ΔGi为需要解耦的工程量指标关联函数，Δxi为对工程量指标i的相关系数；
通过所述解耦计算，得到所述工程量指标的相关系数，并将所述相关系数大于1％的所述工程量指标作为影响工程材料量的限额指标；
构建材料预测模型模块，用于结合所述影响工程材料量的限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型；
对所述指标影响参数进行分类和聚类找出共同特征，包括：用D＝{o1，o2，…，on}表示n个对象的集合，oi表示第i个对象，Cx表示第x个簇；其中，i＝1，2，…，n；x＝1，2，…，k；n为对象的数目，k为簇的数目；
用sim(oi，oi)表示对象oi与对象oi之间的相似度；
若各簇Cx是刚性聚类结果，借助神经网络进行非线性映射，结合大数据技术，构建所述材料预测模型；
模型训练模块，用于利用所述输变电工程数据对模型训练，并利用实际项目数据对所述材料预测模型进行验证，获得目标材料量预测模型；
预测模块，用于根据所述目标材料量预测模型预测输变电工程材料量。
5.根据权利要求4所述的输变电工程材料量预测装置，其特征在于，所述预测模块还用于：将所述材料预测模型集成到B/S架构应用系统中，以实现可视化；
通过业务系统限额指标的录入一键操作完成所述输变电工程材料量的预测。
6.根据权利要求4所述的输变电工程材料量预测装置，其特征在于，所述模型训练模块还用于：定义一个包含多个能够更新参数的神经网络，其中所述参数包括权重值；对输入数据进行迭代计算；通过多层网络结构来处理所述输入数据；计算损失值，其中所述损失值为输出值与目标值的差值；反向传播梯度到所述神经网络的参数中，根据更新规则更新所述神经网络中的权重值，最后获得所述目标材料量预测模型。
输变电工程材料量预测方法和装置
技术领域
[0001] 本申请涉及输变电工程技术领域，尤其涉及输变电工程材料量预测方法和装置。
背景技术
[0002] 对于输变电工程材料量的预估，在整个工程评估中占相当大的比重。当前对于输变电工程材料量的测算，通过大量的人力收集工程相关资料、研究工程方案、选型、选材，同时投入大量的时间进行测算。专家经验不同在选型、选材过程中存在一定的主观差异，同时人工计算存在一定的计算错误风险，且工作效率低下。
发明内容
[0003] 本申请提供输变电工程材料量预测方法和装置，以解决现有技术中输变电工程材料量的预估存在主观性且预估效率低下的问题。
[0004] 为解决上述技术问题，本申请提出一种输变电工程材料量预测方法，包括：对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标；结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型；利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型；根据目标材料量预测模型预测输变电工程材料量。
[0005] 可选地，根据目标材料量预测模型预测输变电工程材料量，包括：将材料预测模型集成到B/S架构应用系统中，以实现可视化；通过业务系统限额指标的录入一键操作完成输变电工程材料量的预测。
[0006] 可选地，利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型，包括：定义一个包含多个能够更新参数的神经网络，其中参数包括权重值；对输入数据进行迭代计算；通过多层网络结构来处理输入数据；计算损失值，其中损失值为输出值与目标值的差值；反向传播梯度到神经网络的参数中，根据更新规则更新神经网络中的权重值，最后获得目标材料量预测模型。
[0007] 可选地，对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标，包括：构建如下目标函数进行解耦计算：式中，GiA为
实际项目数据的各个工程量指标、 为对应的限额指标，其中i代表第i种指标，ΔGi为需要解耦的工程量指标关联函数，x1,x2,…,xn为对工程量指标产生影响的指标影响参数。
[0008] 可选地，对指标影响参数进行分类和聚类找出共同特征，包括：用D＝{o1，o2，…，on}表示n个对象的集合，oi表示第i个对象，Cx表示第x个簇；其中，i＝1，2，…，n；x＝1，2，…，k；n为对象的数目，k为簇的数目；用sim(oi，oj)表示对象oi与对象oj之间的相似度；
若各簇Cx是刚性聚类结果，借助神经网络进行非线性映射，结合大数据技术，构建材料预测模型。
[0009] 为解决上述技术问题，本申请提出一种输变电工程材料量预测装置，包括：限额指标获取模块，用于对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标；构建材料预测模型模块，用于结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型；模型训练模块，用于利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型；预测模块，用于根据目标材料量预测模型预测输变电工程材料量。
[0010] 可选地，预测模块还用于：将材料预测模型集成到B/S架构应用系统中，以实现可视化；通过业务系统限额指标的录入一键操作完成输变电工程材料量的预测。
[0011] 可选地，模型训练模块还用于：定义一个包含多个能够更新参数的神经网络，其中参数包括权重值；对输入数据进行迭代计算；通过多层网络结构来处理输入数据；计算损失值，其中损失值为输出值与目标值的差值；反向传播梯度到神经网络的参数中，根据更新规则更新神经网络中的权重值，最后获得目标材料量预测模型。
[0012] 可选地，限额指标获取模块还用于：
[0013] 构建如下目标函数进行解耦计算：
[0014] 式中，GiA为实际项目数据的各个工程量指标、 为对应的限额指标，其中i代表第i种指标，ΔGi为需要解耦的工程量指标关联函数，x1,x2,…,xn为对工程量指标产生影响的指标影响参数。
[0015] 可选地，构建材料预测模型模块还用于：对指标影响参数进行分类和聚类找出共同特征，包括：用D＝{o1，o2，…，on}表示n个对象的集合，oi表示第i个对象，Cx表示第x个簇；其中，i＝1，2，…，n；x＝1，2，…，k；n为对象的数目，k为簇的数目；用sim(oi，oj)表示对象oi与对象oj之间的相似度；若各簇Cx是刚性聚类结果，借助神经网络进行非线性映射，结合大数据技术，构建材料预测模型。
[0016] 本申请提出输变电工程材料量预测方法和装置，其中，输变电工程材料量预测方法，包括：对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标；结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型；利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型；根据目标材料量预测模型预测输变电工程材料量。本申请依托大数据技术，对大量的输变电工程数据分析，建立数据分析模型，通过大量数据的训练、测试、调优，形成了基于电力大数据的输变电工程材料预测模型，实现对输变电工程不同设计条件下的材料量预测，为输变电工程的材料量测算提供重要依据。
附图说明
[0017] 为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018] 图1是本申请输变电工程材料量预测方法一实施例的流程示意图；
[0019] 图2是借助神经网络进行非线性映射的示意图；
[0020] 图3是本申请输变电工程材料量预测装置一实施例的结构示意图；
[0021] 图4是本申请输变电工程材料量预测方法另一实施例的流程示意图。
具体实施方式
[0022] 为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供输变电工程材料量预测方法和装置进一步详细描述。
[0023] 目前对于输变电工程材料量的测算需要通过人工：熟悉工程资料、确定所需材料种类和规格、汇总合计一步步来，需要投入多位专家经过大量分析核算，投入了大量的人力成本,整体测算效率比较低。
[0024] 本申请可以通过大数据找到材料量的关键影响指标，基于大数据技术构建模型，结合历史工程数据对模型进行训练得到一个稳定的预测模型，通过输变电工程关键指标的输入能够完成所需材料量的快速预测。具体如下：
[0025] 本申请提出一种输变电工程材料量预测方法，请参阅图1，图1是本申请输变电工程材料量预测方法一实施例的流程示意图。在本实施例，具体可以包括以下步骤：
[0026] S110：对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标。
[0027] 通过分析国家限额文献(国网、南网)和实际项目工程的计算指标包括但不限于：线路长度、全线曲折系数、回路数、风速、覆冰、海拔高度、导线型号、地线型号、平地、丘陵、山地、高山、峻岭、泥沼、河网、沙漠、耐张塔比例、杆塔数量、单公里杆塔数量、直线塔平均呼高、耐张塔平均呼高、人力运距、汽车运距、导线、地线、挂线金具、接地钢材、导线间隔棒、防振锤、盘式绝缘子、复合绝缘子、杆塔钢材、基础钢材、地脚螺栓(插入角钢)、现浇混凝土、灌注桩混凝土、垫层、土石方、塔基征地、房屋拆迁、成片林区长度、本体工程、装置性材料费、基础工程、杆塔工程、接地工程、架线工程、附件工程、辅助工程。
[0028] 结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型，包括：构建如下目标函数进行解耦计算：式中，GiA为实际项目数据的各个工程
量指标、 为对应的限额指标，其中i代表第i种指标，ΔGi为需要解耦的工程量指标关联函数，x1,x2,…,xn为对工程量指标产生影响的指标影响参数。
[0029] 计算得出全线曲折系数相关系数为10％、回路数相关性系数为8％、单公里塔基相关系数为7％、耐张塔比例相关性系数为5％、平均呼高相关性系数为2％，都是相关性系数大于1％的主要影响因素指标，将相关性系数大于1％的主要影响因素指标作为影响工程材料量的限额指标。
[0030] 即，依据国家限额文献(国网、南网)工程量指标和实际项目工程量指标作为因变量。
[0031] S120：结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型。
[0032] 对指标影响参数进行分类和聚类找出共同特征，包括：用D＝{o1，o2，…，on}表示n个对象的集合，oi表示第i个对象，Cx表示第x个簇；其中，i＝1，2，…，n；x＝1，2，…，k；n为对象的数目，k为簇的数目；用sim(oi，oj)表示对象oi与对象oj之间的相似度；若各簇Cx是刚性聚类结果，借助神经网络进行非线性映射，结合大数据技术，构建材料预测模型。如图2所示，图2是借助神经网络进行非线性映射的示意图。
[0033] S130：利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型。
[0034] 利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型，包括：定义一个包含多个能够更新参数的神经网络，其中参数包括权重值；对输入数据进行迭代计算；通过多层网络结构来处理输入数据；计算损失值，其中损失值为输出值与目标值的差值；反向传播梯度到神经网络的参数中，根据更新规则更新神经网络中的权重值，最后获得目标材料量预测模型。
[0035] S140：根据目标材料量预测模型预测输变电工程材料量。
[0036] 根据目标材料量预测模型预测输变电工程材料量，包括：将材料预测模型集成到B/S架构应用系统中，以实现可视化；通过业务系统限额指标的录入一键操作完成输变电工程材料量的预测。
[0037] 本实施例提出一种输变电工程材料量预测方法包括：对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标；结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型；利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型；根据目标材料量预测模型预测输变电工程材料量。本申请依托大数据技术，对大量的输变电工程数据分析，建立数据分析模型，通过大量数据的训练、测试、调优，形成了基于电力大数据的输变电工程材料预测模型，实现对输变电工程不同设计条件下的材料量预测，为输变电工程的材料量测算提供重要依据。
[0038] 基于上述的输变电工程材料量预测方法，本申请提出一种输变电工程材料量预测装置，请参阅图3，图3是本申请输变电工程材料量预测装置一实施例的结构示意图。输变电工程材料量预测装置300可以包括限额指标获取模块310、构建材料预测模型模块320、模型训练模块330和预测模块340。
[0039] 限额指标获取模块310，用于对历史输变电工程数据和国家限额文献进行分析，确定影响工程材料量的限额指标；构建材料预测模型模块320，用于结合限额指标和大数据技术，对输变电工程数据进行分析，构建材料预测模型；模型训练模块330，用于利用输变电工程数据对模型训练，并利用实际项目数据对材料预测模型进行验证，获得目标材料量预测模型；预测模块340，用于根据目标材料量预测模型预测输变电工程材料量。
[0040] 可选地，预测模块340还用于：将材料预测模型集成到B/S架构应用系统中，以实现可视化；通过业务系统限额指标的录入一键操作完成输变电工程材料量的预测。
[0041] 可选地，模型训练模块330还用于：定义一个包含多个能够更新参数的神经网络，其中参数包括权重值；对输入数据进行迭代计算；通过多层网络结构来处理输入数据；计算损失值，其中损失值为输出值与目标值的差值；反向传播梯度到神经网络的参数中，根据更新规则更新神经网络中的权重值，最后获得目标材料量预测模型。
[0042] 可选地，限额指标获取模块310还用于：
[0043] 构建如下目标函数进行解耦计算：
[0044]
[0045] 式中，GiA为实际项目数据的各个工程量指标、 为对应的限额指标，其中i代表第i种指标，ΔGi为需要解耦的工程量指标关联函数，x1,x2,…,xn为对工程量指标产生影响的指标影响参数。其中，将相关性系数大于1％的主要影响因素指标作为影响工程材料量的限额指标。
[0046] 可选地，构建材料预测模型模块320还用于：
[0047] 对指标影响参数进行分类和聚类找出共同特征，包括：
[0048] 用D＝{o1，o2，…，on}表示n个对象的集合，oi表示第i个对象，Cx表示第x个簇；其中，i＝1，2，…，n；x＝1，2，…，k；n为对象的数目，k为簇的数目；
[0049] 用sim(oi，oj)表示对象oi与对象oj之间的相似度；
[0050] 若各簇Cx是刚性聚类结果，借助神经网络进行非线性映射，结合大数据技术，构建材料预测模型。
[0051] 最后，举例说明，请参阅图4，图4是本申请输变电工程材料量预测方法另一实施例的流程示意图。
[0052] 在本实施例中，根据输变电工程历史数据和国家限额文献构建目标函数，并对目标函数，并进行分析解耦，得到相关性系数大于1％的指标作为限额指标。
[0053] 应用大数据技术和非线性映射技术构建材料量预测模型，其中非线性映射技术包括分类、聚类和神经网络。
[0054] 对模型进行训练，训练内容可以包括神经网络、迭代计算、多层网络结构和反向传播梯度。当模型的拟合效果达到99.9％时进行模型输出，否则继续进行模型优化。
[0055] 输出的模型结合B/S可视化系统，即可输出模型预测材料量。
[0056] 可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0057] 本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0058] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0059] 以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
