一种输电线路组塔施工费用预测方法、系统、设备及介质与流程

1.本发明涉及输电线路施工费用预测技术领域，特别是涉及一种输电线路组塔施工费用预测方法、系统、设备及介质。


背景技术：

2.输电线路建设项目在地域上范围较广、在设计条件上差异较大、存在的不确定因素较多,这些特点对输电线路的设计、施工、运行都带来了较大的困难，对输电线路工程成本管理提出了较高的要求，而成本预测是成本管理中关键的一环。尤其以输电线路施工费用数据作为主要预测数据之一，如何建立一种有效且高效的预测输电线路施工费用的方法，为电力企业的成本预测提供了思路与建议是一大难点。


技术实现要素：

3.本发明的目的在于，提出一种输电线路组塔施工费用预测方法、系统、设备及介质，实现有效且高效的预测输电线路施工费用的方法，为电力企业的成本预测提供了思路与建议。
4.一方面，提供一种输电线路组塔施工费用预测方法，包括：
5.获取待预测输电线路组塔工程的施工数据，并识别施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；
6.将获取的所述施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路工程的施工费用预测值，实现施工费用预测。
7.优选地，所述施工费用预测模型具体包括：
8.yi＝β0+β1x
i1
+β2x
i2
+
…
+βkx
ik
+εi9.(x
i1
,x
i2
,
…
,x
ik
；yi),i＝1,2,
…
,n
10.其中，yi表示施工费用预测值，x表示施工费用影响因素，k表示施工费用影响因素个数，β是系数，ε表示误差，i表示第几组样本，n是样本数量。
11.优选地，所述施工费用预测模型还包括：
[0012][0013]
其中，ε表示随机误差，i、j表示第几组样本，n表示样本数量，σ2表示方差，i是矩阵。
[0014]
优选地，通过以下公式限制随机误差服从正态分布：
[0015]
εi～n(0,σ2),i＝1,2,
…
,n
[0016]
ε～n(0,σ2in)
[0017]
其中，ε表示随机误差，n表示n维正态分布，σ2表示方差，i是矩阵，in是第n个样本的
矩阵，i表示第几组样本，n是样本数量。
[0018]
另一方面，还提供一种输电线路组塔施工费用预测系统，用以实现所述的输电线路组塔施工费用预测方法，包括：
[0019]
数据获取模块，用以获取待预测输电线路组塔工程的施工数据，并识别施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；
[0020]
预测模块，用以将获取的所述施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路工程的施工费用预测值，实现施工费用预测。
[0021]
优选地，所述预测模块还用于根据以下施工费用预测模型进行预测：
[0022]
yi＝β0+β1x
i1
+β2x
i2
+
…
+βkx
ik
+εi[0023]
(x
i1
,x
i2
,
…
,x
ik
；yi),i＝1,2,
…
,n
[0024]
其中，yi表示施工费用预测值，x表示施工费用影响因素，k表示施工费用影响因素个数，β是系数，ε表示误差，i表示第几组样本，n是样本数量。
[0025]
优选地，所述预测模块还用于根据以下公式计算随机误差：
[0026][0027]
其中，ε表示随机误差，i、j表示第几组样本，n表示样本数量，σ2表示方差，i是矩阵。
[0028]
优选地，所述预测模块还用于通过以下公式限制随机误差服从正态分布：
[0029]
εi～n(0,σ2),i＝1,2,
…
,n
[0030]
ε～n(0,σ2in)
[0031]
其中，ε表示随机误差，n表示n维正态分布，σ2表示方差，i是矩阵，in是第n个样本的矩阵，i表示第几组样本，n是样本数量。
[0032]
另一方面，还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述方法的步骤：
[0033]
获取待预测输电线路组塔工程的施工数据，并识别施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；
[0034]
将获取的所述组塔施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路组塔工程的施工费用预测值，实现施工费用预测。
[0035]
另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的方法的步骤：
[0036]
获取待预测输电线路组塔工程的施工数据，并识别输电线路组塔施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；
[0037]
将获取的所述施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路工程的施工费用预测值，实现施工费用预测。
[0038]
综上，实施本发明的实施例，具有如下的有益效果：
[0039]
本发明提供的输电线路组塔施工费用预测方法、系统、设备及介质，以输电线路组塔施工费用数据为影响因素，应用多元回归分析理论对其进行分析，通过选取研究指标建立合理的多元线性回归方程，并对其进行了统计性检验，结果表明方程符合实际，可以用来预测输电线路组塔工程施工费用，为电力企业的成本预测提供了思路与建议。
附图说明
[0040]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0041]
图1为本发明实施例中一种输电线路组塔施工费用预测方法的主流程示意图。
[0042]
图2为本发明实施例中一种输电线路组塔施工费用预测系统的示意图。
具体实施方式
[0043]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
[0044]
如图1所示，为本发明提供的一种输电线路组塔施工费用预测方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
[0045]
获取待预测输电线路组塔工程的施工数据，并识别输电线路组塔施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；也就是，输电线路组塔实际施工时，将产生大量的费用基础数据。费用的变化受多种因素影响，综合现有的研究成果，归并其中一些具有相关信息的影响因素，选用组塔类型、塔高和塔重三个影响因素进行回归分析，分别记为x1，x2，x3作为多元回归模型的解释变量，施工费用记作y。
[0046]
进一步的，将获取的所述施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路工程的施工费用预测值，实现施工费用预测。
[0047]
具体实施例中，所述施工费用预测模型具体包括：
[0048]
yi＝β0+β1x
i1
+β2x
i2
+
…
+βkx
ik
+εi[0049]
(x
i1
,x
i2
,
…
,x
ik
；yi),i＝1,2,
…
,n
[0050]
其中，yi表示施工费用预测值，x表示施工费用影响因素，k表示施工费用影响因素个数，β是系数，ε表示误差，i表示第几组样本，n是样本数量。多元线性回归是研究两个或两个以上的自变量与一个因变量的是否存在相互依存关系(线性关系)。通常可以用多元回归方程刻来表达这种关系，多元方程刻画的是一个因变量与多个自变量之间的关系。方程式中有两个或两个以上自变量的线性回归模型称为多元线性回归模型。在该模型中，因变量y是多个自变量x1,x2,
…
,xk和误差项的线性函数。表达式如下：
[0051]
y＝β0+β1x1+β2x2+
…
+βkxk[0052]
对随机误差项ε常假定e(ε)＝0,var(ε)＝σ2，并且称：
[0053]
e(y)＝β0+β1x1+β2x2+
…
+βkxk[0054]
为理论回归方程，在实际应用中，如果获得n组观测数据(x
i1
,x
i2
,
…
,x
ik
；yi),i＝1,2,
…
,n，则：
[0055]
yi＝β0+β1x
i1
+β2x
i2
+
…
+βkx
ik
+εi[0056]
其相应的矩阵表达式为y＝xβ+ε
[0057]
为了便于模型的参数估计，对上述方程式有如下一些基本假定：解释变量x1,x2,
…
,xk是确定性变量，x是一满秩矩阵；
[0058]
随便误差项具有零均值和等方差，即满足gauss
‑‑
markov条件：
[0059][0060]
其中，ε表示随机误差，i、j表示第几组样本，n表示样本数量，σ2表示方差，i是矩阵。
[0061]
通过以下公式限制随机误差服从正态分布：
[0062]
εi～n(0,σ2),i＝1,2,
…
,n
[0063]
对于多元线性回归的矩阵形式，这个条件为
[0064]
ε～n(0,σ2in)
[0065]
其中，ε表示随机误差，n表示n维正态分布，σ2表示方差，i是矩阵，in是第n个样本的矩阵，i表示第几组样本，n是样本数量。由以上假设和多元正态分布的性质知，y服从n维正态分布：
[0066]
y～n(xβ,σ2in)
[0067]
如图2所示，为本发明提供的一种输电线路组塔施工费用预测系统的一个实施例的示意图。在该实施例中包括：
[0068]
数据获取模块，用以获取待预测输电线路组塔工程的施工数据，并识别输电线路组塔施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；
[0069]
预测模块，用以将获取的所述施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路组塔工程的施工费用预测值，实现施工费用预测。具体地，所述预测模块还用于根据以下施工费用预测模型进行预测：
[0070]
yi＝β0+β1x
i1
+β2x
i2
+
…
+βkx
ik
+εi[0071]
(x
i1
,x
i2
,
…
,x
ik
；yi),i＝1,2,
…
,n
[0072]
其中，yi表示施工费用预测值，x表示施工费用影响因素，k表示施工费用影响因素个数，β是系数，ε表示误差，i表示第几组样本，n是样本数量。
[0073]
所述预测模块还用于根据以下公式计算随机误差：
[0074]
[0075]
其中，ε表示随机误差，i、j表示第几组样本，n表示样本数量，σ2表示方差，i是矩阵。
[0076]
所述预测模块还用于通过以下公式限制随机误差服从正态分布：
[0077]
εi～n(0,σ2),i＝1,2,
…
,n
[0078]
ε～n(0,σ2in)
[0079]
其中，ε表示随机误差，n表示n维正态分布，σ2表示方差，i是矩阵，in是第n个样本的矩阵，i表示第几组样本，n是样本数量。
[0080]
关于所述输电线路组塔施工费用预测系统的具体实现过程可参考输电线路组塔施工费用预测方法的具体过程，在此不再赘述。
[0081]
本实施例中，取某电网公司2020年的实际费用数据，这些数据已经去除各种非相关且容易影响预测结果的信息，对输电线路组塔施工费用对应以上三个影响因素进行研究。实际数据如下表所示：
[0082]
[0083][0084]
采用统计分析工具eviews对自变量和因变量的回归关系进行拟合，并根据所得结果评价模型的拟合和结果的合理可靠性。
[0085]
为了保证线性模型的合理性，首先对获得的资料数据进行各因素之间的相关性分析，所得结果如下表所示。根据分析结果数据判断，可知组塔类型、塔全高和塔重与成本之间具有较强的相关性，通过了置信水平α＝0.01的显著性检验，表明永恒线性模型类似解释它们的关系是比较合适的。
[0086][0087]
为了消除自变量之间的多重共线性的影响而使模型估计失真，对数据进行多重共线检验，结果如下表所示。表中所得出的方差比例不存在接近1的数，数据之间不存在多重共线性。
[0088][0089]
自变量和因变量之前存在着较强的线性关系，运行eviews10软件得到输电线路组塔施工费用预测模型为：y＝66350.05x1+8217.803x2+1555.010x3-969057.7
[0090]
在应用多元线性回归模型预测输电线路组塔施工费用时需要检验回归方程的拟合度和显著性，需要研究模型是否有使用价值。模型的统计检验的步骤如下：
[0091]
(1)拟合优度的检验。拟合度是用于检验回归方程对自变量值的拟合程度。一般判定系数r在0.8-1范围内，r2越接近1，回归平面拟合程度越高，可判定自变量与因变量具有较强的相关性，它表示的是样本数据与预测数据间的相关程度，该模型r＝0.985，相关系数接近1，说明该输电线路组塔施工费用的实际值和预测值拟合度较强。
[0092]
(2)f检验。对多元线性回归方程的显著性检验是要看自变量从整体上对因变量是否有明显的影响。在给定显著性水平为0.01的情况下，f值检验sig＝0.00值远小于0.01，即回归方程的总体效果是显著的，最终模型的整体线性关系是显著成立，回归模型具有显著的意义。
[0093]
(3)dw检验。统计分析中常用的一种检验序列自相关的方法，解释变量与随机项不相关，即不存在异方差。输出检验异方差的dw值d＝0.97。
[0094]
(4)模型的预测结果与真实值的比较。为了检验模型的有效性，下表给出了代入38个数据样本得出的预测值与真实值以及差额的关系。从近38个样本来分析，组塔的成本总额呈上升趋势，真实值与预测值的相对误差0.082左右变化。进一步分析可知，这与实际状况相符合，符合经济意义检验。综上所述，多元线性回归模型在预测输电线路组塔施工费用时效果良好。
[0095][0096]
通过利用多元线性回归分析理论与eviews统计分析工具，对影响输电线路组塔施工费用的相关指标进行了分析，同时舍弃了部分对模型计算精度无实际贡献意义的理论参数，结果得到了良好的预测模型。其中，塔全高与总成本呈现极显著相关性，在很大程度上是预测输电线路施工费用的重要指标。作为众多预测输电线路组塔施工费用方法的一种，基于多元线性回归数学模型成本预测法的特点明显，该方法理论清晰、结构简单、计算简便，具有较强的实用性和较好的拟合性。在一定程度上可以说，得出的输电线路组塔施工费用能够帮助企业制定有效的措施控制成本，以减少成本决策过程的主观性和盲目性，具有一定的现实意义。
[0097]
相应地，本发明的又一方面还提供一种计算机设备，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路施工费用预测方法。
[0098]
本领域技术人员可以理解的是，上述计算机设备的结构，仅仅是与本技术方案相
关的部分结构，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比上述情况中更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0099]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下的步骤：
[0100]
获取待预测输电线路组塔工程的输电线路施工数据，并识别输电线路组塔施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；
[0101]
将获取的所述施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路组塔工程的施工费用预测值，实现施工费用预测。
[0102]
相应地，本发明的又一方面还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下的步骤；
[0103]
获取待预测输电线路组塔工程的输电线路施工数据，并识别输电线路组塔施工数据中的施工费用影响因素，其中，所述施工费用影响因素至少包括组塔类型数据、塔高数据及塔重数据；
[0104]
将获取的所述施工费用影响因素作为输入项输入预设的施工费用预测模型，得到待预测输电线路组塔工程的施工费用预测值，实现施工费用预测。
[0105]
可以理解的是，上述计算机设备以及计算机可读存储介质中涉及的各步骤的更多细节可以参考前述对于输电线路组塔施工费用预测方法的限定，在此不再赘述。
[0106]
其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0107]
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0108]
需说明的是，上述实施例所述系统与上述实施例所述方法对应，因此，上述实施例所述系统未详述部分可以参阅上述实施例所述方法的内容得到，此处不再赘述。
[0109]
并且，上述实施例所述输电线路组塔施工费用预测系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0110]
综上，实施本发明的实施例，具有如下的有益效果：
[0111]
本发明提供的输电线路组塔施工费用预测方法、系统、设备及介质，以输电线路组塔施工费用数据为影响因素，应用多元回归分析理论对其进行分析，通过选取研究指标建立合理的多元线性回归方程，并对其进行了统计性检验，结果表明方程符合实际，可以用来
预测输电线路组塔工程施工费用，为电力企业的成本预测提供了思路与建议。
[0112]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。