[发明专利]一种输电项目修理成本测算方法、装置、设备及存储介质

说明书

本发明公开了一种输电项目修理成本测算方法、装置、设备及存储介质，用于解决现有的成本测算方法精确性不高的技术问题。本发明包括：采集预设输电项目的历史维修预算数据；根据历史维修预算数据生成特征向量；基于特征向量生成训练样本，并基于训练样本构建极限学习机ELM神经网络预测模型；获取ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对初始参数进行优化，得到优化参数；采用优化参数替换初始参数，得到优化ELM神经网络预测模型；采用训练样本训练优化ELM神经网络预测模型，得到已训练的预测模型；从输电项目提取维修预算数据；将维修预算数据输入已训练的预测模型，得到修理成本。

技术领域

本发明涉及成本测算技术领域，尤其涉及一种输电项目修理成本测算方法、装置、设备及存储介质。

背景技术

对于电网公司而言，从经济运行角度来说，公司需要科学的管理，整合资源，有效利用，以低成本创造最大的项目收益，杜绝低效率经营；从安全稳定角度来说，公司需要科学管理，保障生产项目中的设备安全，支撑公司稳步经营。

现有的输电生产日常修理标准成本测算主观性强、精准性低，采用的测算方法有简单移动平均法、加权移动平均法和改进加权移动平均法。但以上方法建模较为复杂且计算成本大，容易受到实际工程环境的影响。为了解决这个问题，可以采用人工智能算法来反映输电生产日常修理标准成本与项目间的复杂的非线性关系。然而人工智能算法会受到数据的影响，模型收敛速度和泛化能力有待加强。

发明内容

本发明提供了一种输电项目修理成本测算方法、装置、设备及存储介质，用于解决现有的成本测算方法精确性不高的技术问题。

本发明提供了一种输电项目修理成本测算方法，包括：

采集预设输电项目的历史维修预算数据；

根据所述历史维修预算数据生成特征向量；

基于所述特征向量生成训练样本，并基于所述训练样本构建极限学习机ELM神经网络预测模型；

获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数；

采用所述优化参数替换所述初始参数，得到优化ELM神经网络预测模型；

采用所述训练样本训练所述优化ELM神经网络预测模型，得到已训练的预测模型；

从所述输电项目提取维修预算数据；

将所述维修预算数据输入所述已训练的预测模型，得到修理成本。

可选地，所述根据所述历史维修预算数据生成特征向量的步骤，包括：

对所述历史维修预算数据进行预处理，得到线缆维修长度、线缆年限、维修结算金额以及环境数据；

采用所述线缆维修长度、所述线缆年限、所述维修结算金额以及所述环境数据生成特征向量。

可选地，所述ELM神经网络预测模型具有输入层、隐含层和输出层，所述初始参数包括所述输入层到所述隐含层的输入权值、所述隐含层到所述输出层的输出权值、所述隐含层的阈值。

可选地，所述获取所述ELM神经网络预测模型的初始参数，并采用粒子群算法PSO对所述初始参数进行优化，得到优化参数的步骤，包括：

以所述初始参数的平均绝对误差、均方根误差以及平均绝对百分比误差的和最小为目标建立目标函数；

确定所述初始参数的上下限区间，并基于所述上下限区间生成初始种群；其中，所述初始种群中具有多个粒子；

获取每个粒子的速度和位置；

计算每个粒子的适应度值；