基于SVM输电线路造价指标因素分析及预测.docVIP

基于SVM输电线路造价指标因素分析及预测 　　[摘 要]本文应用支持向量机算法，基于以往输电线路典型工程量和造价之间的映射样本数据，利用SVM自动选择最优复杂度模型的能力，建立起分析影响输电线路造价指标体系的模型。 　　[关键词] SVM；输电线路；造价指标 　　doi：10.3969/j.issn.1673 - 0194.2015.10.103 　　[中图分类号]TM752；F426.61 [文献标识码]A [文章编号]1673-0194（2015）10-0-03 　　本文利用数据挖掘中的支持向量机算法，完全排除人为的干预因素，通过机器学习在高维空间中找到一个最优分类面，生成一个最优复杂度模型，得到影响输电线路造价的主要指标因素并通过以往的经验数据对模型进行自主学习和训练，模型为今后电网建设全寿命造价管理和控制以及辅助决策提供一个理论指导和依据。 　　1 数据挖掘机器学习――支持向量机算法 　　支持向量机（Support Vector Machine，SVM）是Vapnik等人根据统计学习理论提出的一种针对小样本的机器学习理论。与传统的以神经网络为代表的机器学习方法相比，通过实践证明如果过于追求训练误差最小，会导致模型的泛化能力下降出现过拟合问题。Vapnik等人通过研究指出，需要同时控制经验风险和学习机容量，才能使模型获得良好的泛化能力，该理论的核心思想是通过引入结构风险最小化准则来控制学习机的容量。 　　SVM的算法很好的实践了上述思想，通过引入核函数，甚至不需要知道非线性变换的具体形式，只需将核函数引入计算即可实现某种非线性变换，将低维空间映射到高维特征空间，再在高维特征空间中构造线性判别函数来实现原空间中的非线性判别函数。问题就转化为如何在新的映射高维空间中求取最优分类面。最优分类面就是存在这样的分类超平面，它不但能够将所有训练样本正确分类，而且使训练样本中离分类面最近的点到分类面的距离（定义为间隔）最大。通过使间隔最大化来控制分类器的复杂度，实现较好的推广能力，摆脱高维数的冗余，使其算法复杂度与样本维数无关，这正是SVM的优势所在。 　　支持向量机最关键的步骤是核函数的选取，也是影响模型拟合最重要的部分，常用的核函数有。 　　在实际应用中，关于核函数参数选择的问题还没有很好的解决，如多项式学习机器的阶数问题，径向基学习机器中的函数宽度问题，以及Sigmoid机器中函数的宽度和偏移问题等，统计学理论目前对这些问题只是给出了一些建议和解释。 　　目前，SVM方法被越来越多地用于包括模式识别、回归估计和密度估计等多个研究领域中。本文创造性的将该方法引入输电线路工程造价指标影响因素的分析和输电线路工程项目造价预测的研究中，由于其所具有的推广能力强、解的唯一性与全局最优性等优点，使得以此方法为基础的输电线路造价模型具有较好的应用效果。针对本文所涉及的应用，其算法流程如图1所示。 　　2 输电线路工程造价指标的建立 　　2.1 110kV输电线路造价指标体系 　　利用原始的国家电网公司110kV输电线路典型方案工程量指标和造价的关联建立造价指标体系。 　　图2 输电线路工程造价指标体系 　　其共有19个影响输电线路工程项目造价的因素，其中地线型号基本一致，对于110 kV电压等级的常规线路来说，基面开方、护坡、保坎产生的工程量很少，也很少用到间隔棒，除非大容量多分裂导线，从技术经济的角度分析与其如此，不如新建更高一级电压等级的线路，导、地线可归一为线材，塔材、基础钢、接地钢可归一为钢材，基坑、接地开方也可以合并，塔基数属于后评价指标，对造价形成没有影响。特别地，回路数、气象条件、导线型号共有2×4×2=16种情况，可以将其三者合并用1～16的数据表示。 　　2.2 输电线路工程造价的主成分分析和工程特性的选取 　　电网工程特性是决定工程造价的决定性因素，因此所选的工程因素首先要全面，如若考虑不全面，造价的特殊性和差异性就体现不出来。实践证明，工程的任何一个特征都会影响到总的工程造价，如果将所有的因素都考虑进去，所建模型就没有实际意义。因此，只能挑选那些对工程造价有较大影响的工程特性。因此，工程特性只有结合工程实际的客观规律来挑选，它的选取要“全”而“精”，尽量选取独立的因素，因素之间没有任何相关度。本论文采用主成分分析法筛选决定电网工程造价的工程特性。 　　主成分分析（Principal Component Analysis，PCA）是一种数据压缩和特征提取的多变量统计分析技术，能够有效去除数据间的相关性。它的基本思路是降维，即保证数据损失尽可能最小的前提下，经过线性变换和舍弃一小部分信息，以少数新的综合变量（称为主成分）取代原始采用的多维变量，即对原来提出的p个指标综合成尽可能少的m个