输变电工程造价智能评估研究

吕素萌

（河南送变电建设有限公司）

0 引言

随着我国经济和社会的不断深入，智能化技术的大力推广，输变电的建设也在迅速发展，各种输变电工程正在全面展开，输变电工程建设周期长，资源消耗大，成本控制不仅受到外部环境和技术条件的影响，而且受到工程施工过程中各个环节的影响［1-2］。最具影响力的项目投资是可行性研究阶段，受影响的概率为75% 至95%。在项目建设的每个阶段，可行性研究阶段对输变电的成本影响最大。可以说，可行性研究阶段的成本控制是确定输变电成本的基础。可行性研究阶段的投资估算决定了项目总投资的上限，其准确性直接影响到项目的投资决策、建设规模、规划以及后续项目开展。投资估算要实时反应工程所需，满足有限的设计和控制预算要求，决策阶段应确保投资估计的准确性在规定范围内。

1 输变电工程项目的预测理论

1.1 造价预测理论

造价预测理论是指通过系统科学的方法，结合统计学、经济学以及工程管理等理论，预测工程建设项目的造价。它可以为项目决策提供参考，帮助项目方进行预算编制、招标定价、合同谈判等工作，从而提高项目的管理水平和经济效益。造价预测理论主要包括以下几个方面：

首先是项目特征分析。通过对项目的规模、性质、地理位置、建设条件等因素进行分析，确定项目的复杂程度和影响因素。这对于后续的成本分析和造价预测非常重要。其次是成本估算方法。成本估算是造价预测的核心环节，常用的成本估算方法有指标估算法、参数估算法、比例估算法、单位面积法、单位产能法等。根据不同的项目特点和数据情况，选择合适的估算方法进行成本估算。再次是成本控制和变动因素分析。在造价预测的过程中，需要对成本进行控制和变动因素进行分析。通过对成本的划分和控制，确定项目的投资规模和成本要素。最后是造价预测模型的建立。造价预测模型是通过建立数学模型来预测工程项目的造价。常用的模型有线性回归模型、多元回归模型、人工神经网络模型等。通过收集历史数据、分析统计关系和建立模型，可以进行较为准确的造价预测。

1.2 预测工程效益

预测工程效益是指通过系统性的方法，依据项目的投资和预期收益，进行合理的分析和预测，从而帮助项目方做出决策，评估项目的可行性和经济效益。预测工程效益的主要目的是为项目方提供决策依据和参考，帮助其做出明智的投资决策。具体而言，预测工程效益的方法包括以下几个方面：

首先是市场需求分析。通过对市场需求的调研和分析，确定项目的市场前景和潜在利润空间。这包括对市场规模、增长趋势、竞争格局等方面的研究，以帮助项目方了解项目所处的市场环境，从而预测项目的销售收益。其次是成本效益分析。通过对项目的成本和预期收益进行比较，确定项目的盈利能力和投资回报率。成本效益分析涉及到项目的运营成本、管理费用、税收等方面的考虑，以及项目的价格、销售额和利润等因素的预测。再次是风险评估和收益概率分析。项目的经济效益受到众多因素的影响，包括市场变动、政策风险、项目管理和执行风险等。通过对这些风险进行评估和分析，可以预测项目的利润概率和收益波动情况，从而帮助项目方做出风险可控的决策。

最后是模型建立和数据分析。预测工程效益通常采用经济学的方法和模型进行分析，如投资回报率模型、财务评估模型等。通过建立合理的模型，收集和分析项目的关键数据，可以进行工程效益的预测和评估。

2 基于人工神经网络的工程造价智能模型

2.1 预筛选影响工程造价的主要因素

根据输电工程的需求，需要对各项工程进行征收和组织工作。其中包括架空线路工程、电缆工程、塔式工程征收以及线路工程征收等。此外，还需要考虑附属工程征收、基础工程征收、土方工程征收以及其他费用的征收。在塔工程组方面，需要考虑地形因素，并确定合适的单位塔和单位铁塔。此外，还需要考虑塔钢的使用、布线工程组的安排以及电压、截面、单回路长度和双回路长度等因素。同时，我们还需考虑地线和相关电线的安装，并计算线费。

影响基础工程设置的因素有：浇筑基础、单位水泥、普通钢筋、混凝土、接地钢筋等；混凝土、地形因素等。输变电工程造价主要由几大部分组成，在进行电力工程设计时，需要考虑多个关键因素。首先，电压水平是一个重要的考虑因素，不同的压水平会对电力传输和设备选型产生影响。其次，智能化程度是指电力系统的自动化程度，包括自动监测、故障诊断、远程操作等功能。其不仅提高了电力系统的运行效率，还提高了电力系统的可靠性。海拔高度也是一个关键因素，因为海拔高度会对电力设备的工作性能产生影响，需要对设备进行适应性设计。

在建模过程中需要对主要因素进行筛选。因此，通过回归分析，建立了因变量Y的成本与独立变量X的每个影响因素之间的函数关系：

式中，Xi表示各个影响因素，αi表示影响因素个数的相关强度系数，i=1，2，.，n。将实际工程数据代入公式（1）中，根据最小偏差η的原则，用最小二乘法求出各相关强度系数αi，选择αi较大的输电项目的主要输入影响指标，该指标与成本强相关，如表1 所示。同样，也得到了与成本密切相关的输变电项目的主要投入影响指标，如表2 所示。在实际成本指导中，运用下表中强相关性指标来分析输变电工程取得预期效果。

表1 输电项目总价评估的输入指标

表2 项目成本评估投入指标

2.2 基于人工免疫优化神经网络造价智能模型

人工神经网络优势明显，BP神经网络结构如图1所示，其中XPi(i= 1，...，n)是输入样本。输电项目总价及成本评估分别如表1和表2所示。

图1 神经网络工程预算总价智能模型

神经网络信息前向计算，首先计算中间层，如图1所示，公式如下。

式中，net为第j个神经元的样本p的合成；w为第j个神经元的输入权重；xpi为样本p的第i个输入。样本输出为p；f的输出是隐藏层中第j个神经元的激活函数。计算输出层如下。

式中，tpk是输出层激发函数的第k个神经元。

神经网络用于成本建模。以实际输变电项目投入的主要影响因素作为研究，以成本作为预期值，形成一个学习样本。目标函数是神经网络输出与实际动力传输和改造项目成本之间的均方误差，如图2所示。

图2 预算造价模型分析

BP 神经网络是一种常用的人工智能算法，其核心是利用误差反向播的方式进行权值学习。通过不断根据公式（3）中的计算值最小化来调整权值，以使得网络的输出层和隐藏层的权值逐渐趋向于最优值。在这个过程中，L 的下降方向指示了权值的校正方向。然而，由于计算量的增加和可能发生的发散现象，网络有可能陷入局部极小值。为了克服这些问题，运用了人工免疫算法，它利用自然防御机制来实现并行计算、自由学习和噪声容忍等特性，以寻找权值更新的全局最低点。同时，自组织学习也是另一个重要的研究领域，它通过网络的自适应能力来实现动态调整和优化。总的来说，BP 神经网络及其相关算法在人工智能领域具有重要的研究和应用价值。

2.3 预测智能模型的合理性验证

以置换塔工程和塔基础工程为样本数据。数据预处理模块。从表3 可以看出，诸如电压水平、总基数、地形和其他因素等因素与项目的实际投资成本高度相关。

表3 主成分特征值与贡献率

根据铁塔更换工程的各项因素与投资成本及其特征值之间的相关性，电压水平、总基数、铁塔价格、高度、地形和铁塔材料数量等7个变量如表4。

表4 影响塔基工程造价因素的分析

利用SPSS 软件对影响更换塔工程的主要因素与技术改造项目固定投资费用的相关性进行分析，从表四可以看出：电压等级、地形、塔基数、土方量、混凝土类型、基本钢材量、钢材价格、地形等因素与固定投资高度相关。由于人工建筑等因素对塔基工程的影响，个别预测误差大于15%。预测结果一般在合理的投资波动范围内，预测智能模型能够为项目投资提供更合理的估算，预测结果具有特殊的参考价值。

3 结束语

研究结果表明，成本之间的偏差率在可接受的范围内，达到了预测效果。然而，由于国内输变电项目仍处于新兴阶段，输电线路项目的数据相对较少，因此本文的数据来自不同项目的不同阶段。尽管构成因素可以解释80%以上的变量，但从分析结果来看，这五个主要构成因素只是统计指标，不能赋予其实际意义。某些类型的因素对项目成本的影响无法进一步分析。它还与原始数据样本的数量和质量有关。