变电站检修造价数据的确定方法和确定装置与流程

本技术涉及变电站检修领域，具体而言，涉及一种变电站检修造价数据的确定方法、变电站检修造价数据的确定装置、计算机可读存储介质和计算机程序产品。

背景技术：

1、在电力工业中，变电检修是维护变电设备正常运行、保障用户用电安全稳定的重要环节，随着用电需求上升，变电工程运维费用也不断增加，所以，现有造价测算方法在精确性和可靠性方面存在缺陷和不足。

2、因此，亟需一种方法可以解决现有技术中确定造价数据的过程中可靠性不足的问题。

技术实现思路

1、本技术的主要目的在于提供一种变电站检修造价数据的确定方法、变电站检修造价数据的确定装置、计算机可读存储介质和计算机程序产品，以至少解决现有技术中确定造价数据的过程中可靠性不足的问题。

2、根据本技术的一方面，提供了一种变电站检修造价数据的确定方法，获取造价影响数据，其中，所述造价影响数据为对造价数据具有影响且影响程度位于前m位的影响数据，所述造价数据为变电站的一次设备的检修造价，所述造价影响数据包括所述变电站的工程参数、所述变电站的设备参数以及所述变电站的工序参数中的至少一种，m为大于0的正整数；构建预定模型，并采用所述预定模型对所述造价影响数据进行计算，得到多个计算结果，其中，所述预定模型包括目标深度置信网络、目标反向传播神经网络以及目标灰色预测模型，所述造价影响数据和所述预定模型一一对应，所述造价影响数据和所述计算结果一一对应；对多个所述计算结果进行融合处理，得到目标造价数据，其中，所述融合处理至少包括分位数回归平均处理。

3、可选地，构建所述目标深度置信网络，包括：获取初始深度置信网络，其中，所述初始深度置信网络包括多个受限玻尔兹曼机和反向传播神经网络，多个所述受限玻尔兹曼机用于逐层提取所述初始深度置信网络的输入数据的特征，所述反向传播神经网络用于回归预测；采用无监督学习算法逐层训练所述初始深度置信网络的权重和所述初始深度置信网络的偏置以对所述初始深度置信网络进行预训练；采用前向传播、反向传播以及有监督学习算法对所述初始深度置信网络进行处理以对所述初始深度置信网络进行训练；获取所述初始深度置信网络的平均绝对百分比误差和均方根误差，在所述平均绝对百分比误差小于第一误差阈值，并且所述均方根误差小于第二误差阈值的情况下，确定所述初始深度置信网络为所述目标深度置信网络。

4、可选地，构建所述目标反向传播神经网络，包括：获取初始反向传播神经网络，并采用遗传算法对所述反向传播神经网络的初始参数进行处理，得到目标参数，其中，所述初始参数包括初始阈值和初始权重；将所述目标参数带入所述初始反向传播神经网络，得到所述目标反向传播神经网络。

5、可选地，采用所述目标反向传播神经网络对所述造价影响数据进行计算，得到多个计算结果，包括：获取多个历史影响数据和多个历史造价数据，其中，所述历史影响数据为当前时刻之前获取得到的所述造价影响数据，所述历史造价数据为当前时刻之前获取得到的所述造价数据；将所述造价影响数据输入所述目标反向传播神经网络，得到所述造价影响数据对应的计算结果，其中，所述目标反向传播神经网络是使用多组训练数据训练得到的，所述多组训练数据中的每一组训练数据均包括所述历史影响数据和所述历史影响数据对应的所述历史造价数据。

6、可选地，构建所述目标灰色预测模型，包括：获取多个历史影响数据和多个历史造价数据，其中，所述历史影响数据为当前时刻之前获取得到的所述造价影响数据，所述历史造价数据为当前时刻之前获取得到的所述造价数据；根据公式构建所述目标灰色预测模型，μ为内生控制灰数，a为发展灰数，k为大于等于0的正整数，x(0)(1)为第一数据组x(0)的第1个值，为第二数据组x(1)的第k+1个值，所述第一数据组包括多个按照时间排列的所述历史影响数据，所述第二数据组为通过所述第一数据组累加生成得到的。

7、可选地，对多个所述计算结果进行融合处理，得到目标造价数据，包括：根据公式计算预备造价数据其中，为所述目标深度置信网络在第n个样本点的预测值，为所述目标反向传播神经网络在所述第n个样本点的预测值，为所述目标灰色预测模型在第n个样本点的预测值，所述样本点与所述造价影响数据一一对应；根据公式和计算损失函数l，其中，q为分位数，i为指标函数，yn为第n个样本点对应的真实造价数据，βq为分位数q的参数向量；确定所述损失函数的函数值最小的情况下对应的βq为目标参数向量βq′；根据公式和计算上限值un，其中，1-α为置信水平；根据公式和计算下限值ln；根据所述上限值和所述下限值，计算所述目标造价数据。

8、可选地，根据所述上限值和所述下限值，计算所述目标造价数据，包括：根据所述上限值和所述下限值，确定预备区间；根据公式计算所述预备区间的可信度picp，其中，所述第n个样本点对应的所述预备造价数据属于所述预备区间的情况下，cn为1，所述第n个样本点对应的所述预备造价数据不属于所述预备区间的情况下，cn为0，n为所述样本点的总数；根据公式：计算所述预备区间的平均带宽pinaw；在所述预备区间的可信度大于可信度阈值并且所述预备区间的平均带宽大于宽度阈值的情况下，确定所述预备区间为所述目标造价数据。

9、根据本技术的另一方面，提供了一种变电站检修造价数据的确定装置，包括：获取单元，用于获取造价影响数据，其中，所述造价影响数据为对造价数据具有影响且影响程度位于前m位的影响数据，所述造价数据为变电站的一次设备的检修造价，所述造价影响数据包括所述变电站的工程参数、所述变电站的设备参数以及所述变电站的工序参数中的至少一种，m为大于0的正整数；计算单元，用于构建预定模型，并采用所述预定模型对所述造价影响数据进行计算，得到多个计算结果，其中，所述预定模型包括目标深度置信网络、目标反向传播神经网络以及目标灰色预测模型，所述造价影响数据和所述预定模型一一对应，所述造价影响数据和所述计算结果一一对应；处理单元，用于对多个所述计算结果进行融合处理，得到目标造价数据，其中，所述融合处理至少包括分位数回归平均处理。

10、根据本技术的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。

11、根据本技术的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现任意一种所述的方法的步骤。

12、应用本技术的技术方案，提供了一种变电站检修造价数据的确定方法，首先，获取造价影响数据，造价影响数据为对造价数据具有影响且影响程度位于前m位的影响数据，造价数据为变电站的一次设备的检修造价，造价影响数据包括变电站的工程参数、变电站的设备参数以及变电站的工序参数中的至少一种；并采用预定模型对造价影响数据进行计算，得到多个计算结果，预定模型包括目标深度置信网络、目标反向传播神经网络以及目标灰色预测模型；对多个计算结果进行融合处理，得到目标造价数据，融合处理至少包括分位数回归平均处理。通过结合目标深度置信网络、目标反向传播神经网络以及目标灰色预测模型三种不同基模型的预测结果，并通过分位数回归平均对三种计算结果进行融合，实现对变电站一次设备检修费用的预测，以提高测算模型预测结果在工程实际中的可靠性，解决了现有技术中确定造价数据的过程中可靠性不足的问题。

技术特征：

1.一种变电站检修造价数据的确定方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，构建所述目标深度置信网络，包括：

3.根据权利要求1所述的方法，其特征在于，构建所述目标反向传播神经网络，包括：

4.根据权利要求1所述的方法，其特征在于，采用所述目标反向传播神经网络对所述造价影响数据进行计算，得到多个计算结果，包括：

5.根据权利要求1所述的方法，其特征在于，构建所述目标灰色预测模型，包括：

6.根据权利要求1所述的方法，其特征在于，对多个所述计算结果进行融合处理，得到目标造价数据，包括：

7.根据权利要求6所述的方法，其特征在于，根据所述上限值和所述下限值，计算所述目标造价数据，包括：

8.一种变电站检修造价数据的确定装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的方法的步骤。

技术总结
本申请提供了一种变电站检修造价数据的确定方法和确定装置，该方法包括：获取造价影响数据，造价影响数据为对造价数据具有影响且影响程度位于前m位的影响数据，造价数据为变电站的一次设备的检修造价，造价影响数据包括变电站的工程参数、变电站的设备参数以及变电站的工序参数中的至少一种；并采用预定模型对造价影响数据进行计算，得到多个计算结果，预定模型包括目标深度置信网络、目标反向传播神经网络以及目标灰色预测模型；对多个计算结果进行融合处理，得到目标造价数据，融合处理至少包括分位数回归平均处理。该方法解决了现有技术中确定造价数据的过程中可靠性不足的问题。

技术研发人员：张丽萍,孙晓敏,舒胜文,黎立,王年孝,张峰,蒙华伟,饶成成,喻凌立,李欣,吴莉琳,龙雄峰,庞圣养,符方炫,黄庆淡,李志翔,刘颖,李敏周,刘晓阳,丁鹏,许超尧,陈臻,廖颖欢
受保护的技术使用者：广东电网有限责任公司湛江供电局
技术研发日：
技术公布日：2024/12/5