一种水电工程投资估算方法及装置

摘要

本发明涉及一种水电工程投资估算方法及装置，包括：根据水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度确定水电工程项目的关键特征量；利用水电工程项目的关键特征量确定水电工程项目的投资估算值。本发明提供的技术方案，借助智能算法，在项目规划选址阶段只能初步确定水电项目主要工程特征的情况下，实现大中型水电项目准确、快速、有效的投资估算，为项目立项决策提供重要参考，为项目招投标制定标底提供依据，同时也有利于投资者合理安排融资和进行项目管理。

说明书

技术领域

本发明涉及水电项目投资估算领域，具体涉及一种水电工程投资估算方法及装置。

背景技术

近年来，水电项目投资规模日益扩大，同时工程建设周期不断缩减，对水电项目进行准确快速的投资估算也愈加重要。在项目管理中，投资估算既是工程项目可行性研究的基础，也是招投标制定标底的依据，其准确与否直接影响项目的决策。

目前国内外学者对投资估算方法的研究已经取得了丰硕的成果，主要可以分为传统估算方法、经典统计学模型、模糊类比快速估算法和神经网络模型等。传统估算方法，例如简单估算法、投资分类估算法等，计算公式比较简单，适用于粗略快速的估算，这种方法估算的准确程度虽然较高，但是需要大量的工程数据资料，而且计算工作量较大，不适宜用于项目的前期规划选址阶段的快速投资估算。经典统计学模型的可靠性比较高，适用范围也比较广泛，例如：多元线性回归模型、时间序列模型等。但回归模型的精确性与回归方程的自变量选取密切相关，选择不同的工程特征参数会构成不同的回归方程式，会对投资估算结果产生很大的影响，同时线性回归模型对非线性关系的拟合效果较差，不适用于大型复杂工程项目的投资估算。模糊类比快速估算法基于模糊数学和类比思想，根据项目的工程特征，选取与待估算项目类似的工程，然后利用相似工程的造价作为原始资料，基于模糊数学原理估算得到待估工程的造价。但是由于评价标准的模糊性，估算结果不够客观准确，并且，经典统计学模型和模糊类比估算法等缺乏自学习的能力。

发明内容

针对现有技术的不足，本发明的目的是借助智能算法，在项目规划选址阶段只能初步确定水电项目主要工程特征的情况下，实现大中型水电项目准确、快速、有效的投资估算，为项目立项决策提供重要参考，为项目招投标制定标底提供依据，同时也有利于投资者合理安排融资和进行项目管理。

本发明的目的是采用下述技术方案实现的：

一种水电工程智能投资估算方法，其改进之处在于，所述方法包括：

根据水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度确定水电工程项目的关键特征量；

利用水电工程项目的关键特征量确定水电工程项目的投资估算值。

优选的，所述根据水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度确定水电工程项目的关键特征量，包括：

获取各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数；

根据各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数确定水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度；

基于水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度选择水电工程项目的关键特征量。

进一步的，所述获取各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数，包括：

按下式确定第j个历史水电工程项目的单位千瓦投资量与第j个历史水电工程项目中第i个特征量间的灰色关联系数γ

上式中，m

其中，按下式确定为第j个历史水电工程项目的单位千瓦投资量归一化值与第j个历史水电工程项目中第i个特征量归一化值之差的绝对值Δ

Δ

上式中，x

按下式确定第j个历史水电工程项目中第i个特征量归一化值x

上式中，x

进一步的，所述根据各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数确定水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度，包括：

按下式确定水电工程项目中第i个特征量与水电工程项目的单位千瓦投资量间的相关度γ

上式中，γ

进一步的，所述基于水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度选择水电工程项目的关键特征量，包括：

将大于预设阈值的水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度对应的特征量作为水电工程项目的关键特征量。

进一步的，所述关键特征量包括：装机容量、坝型、坝高、坝长、额定水头、水库总库容、厂房形式、机组台数、建设地区和/或抗震设防烈度。

优选的，所述利用水电工程项目的关键特征量确定水电工程项目的投资估算值，包括：

将水电工程项目的关键特征量作为预先建立的BP神经网络模型的输入，获取预先建立的BP神经网络模型的输出，并将该输出作为水电工程项目的投资估算值。

进一步的，所述预先建立的BP神经网络模型的获取过程包括：

利用粒子群优化初始BP神经网络模型的参数；

将所述初始BP神经网络模型的参数更新为优化后的参数；

以历史水电工程项目的关键特征量为所述初始BP神经网络模型的输入，以历史水电工程项目的投资估算值为所述初始BP神经网络模型的输出训练所述初始BP神经网络模型，获取所述预先建立的BP神经网络模型。

进一步的，所述初始BP神经网络模型的参数包括：初始BP神经网络模型的输入层到隐含层的连接权值、隐含层阈值、隐含层到输出层的连接权值以及输出层阈值。

进一步的，所述粒子群中的适应度函数为：

上式中，f

本发明还提供了一种水电工程智能投资估算装置，其改进之处在于，所述装置包括：

第一确定模块，用于根据水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度确定水电工程项目的关键特征量；

第二确定模块，用于利用水电工程项目的关键特征量确定水电工程项目的投资估算值。

与最接近的现有技术相比，本发明具有的有益效果：

本发明提供的技术方案，根据水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度确定水电工程项目的关键特征量，进而利用水电工程项目的关键特征量确定水电工程项目的投资估算值，该方案可以在项目规划选址阶段只能初步确定水电项目主要工程特征的情况下，实现大中型水电项目准确、快速、有效的投资估算，为项目立项决策提供重要参考，为项目招投标制定标底提供依据，同时也有利于投资者合理安排融资和进行项目管理。

附图说明

图1是本发明提供的一种水电工程投资估算方法的流程图；

图2是本发明提供的一种水电工程投资估算装置的结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

水电工程是指将水能转化为电能的综合工程设施，具有工程量大、建设周期较长、投资规模大、单件性强、易受自然条件影响等特点。为克服现有投资估算方法和技术的不足，本发明提供了一种水电工程投资估算方法，实现输入水电工程特征值就可以得出项目投资估算值，如图1所示，包括：

101根据水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度确定水电工程项目的关键特征量；

102利用水电工程项目的关键特征量确定水电工程项目的投资估算值。

本发明首先进行工程特征初选，然后利用灰色关联分析筛选关键工程特征再进行投资估算，以精简模型的输入变量，提高模型预测精度，将灰色关联分析方法应用于筛选水电项目工程投资估算关键指标，基本原理是根据各水电工程特征数据序列曲线与单位千瓦投资序列曲线相贴近的程度来判断水电工程该特征与投资的关联程度。曲线越相似，说明水电工程特征序列与单位千瓦投资序列间的关联度越大，具体的，所述步骤101，包括：

获取各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数；

根据各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数确定水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度；

基于水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度选择水电工程项目的关键特征量。

进一步的，所述获取各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数，包括：

按下式确定第j个历史水电工程项目的单位千瓦投资量与第j个历史水电工程项目中第i个特征量间的灰色关联系数γ

上式中，m

其中，按下式确定为第j个历史水电工程项目的单位千瓦投资量归一化值与第j个历史水电工程项目中第i个特征量归一化值之差的绝对值Δ

Δ

上式中，x

按下式确定第j个历史水电工程项目中第i个特征量归一化值x

上式中，x

所述根据各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数确定水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度，包括：

按下式确定水电工程项目中第i个特征量与水电工程项目的单位千瓦投资量间的相关度γ

上式中，γ

所述基于水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度选择水电工程项目的关键特征量，包括：

将大于预设阈值的水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度对应的特征量作为水电工程项目的关键特征量。

其中，所述关键特征量包括：装机容量、坝型、坝高、坝长、额定水头、水库总库容、厂房形式、机组台数、建设地区和/或抗震设防烈度。

接着，本发明在水电工程特征初选的基础上，利用预先建立的BP神经网络模型确定了准确的水电工程项目的投资估算值，所述102，包括：

将水电工程项目的关键特征量作为预先建立的BP神经网络模型的输入，获取预先建立的BP神经网络模型的输出，并将该输出作为水电工程项目的投资估算值。

神经网络模型可以不受复杂非线性关系的限制，便于给出工程上易于实现的学习算法，但当数据不够完整或者不够充分时，神经网络的工作效果会受到一定的影响。BP神经网络的优点是可以模仿人脑的智能化处理方式，具有非线性映射能力，擅长于从输入和输出信号中寻找规律，不需要精确的数学模型，并行计算能力强等。但在实际应用中，BP算法的缺陷也存在一定的缺陷，例如：网络参数的选择缺乏统一原则，主要依靠经验；学习时间过长，误差收敛速度慢；学习过程易陷入局部极小值；网络泛化能力较差等。

由于基本粒子群算法运行过程中粒子都向自身历史最佳位置和邻域或者群体历史最佳位置靠近，造成粒子种群的快速趋同效应，即粒子种群失去了多样性，这使得算法后期收敛速度明显变慢，容易出现陷入局部极值、早熟收敛或停滞现象。为了克服以上现象，本发明借鉴遗传算法中的变异思想，在粒子群算法中引入自适应变异算子改进惯性权重ω，实现权重的自适应修改，提出了改进的粒子群算法，通过设计合理的惯性权重，可以在全局搜索和局部搜索之间取得更好的平衡，避免算法陷入局部最优，并提高搜索效率。

因此本发明采用改进的粒子群算法对BP神经网络进行优化，使BP神经网络在收敛速度和预测精度方面得到进一步改进，本发明实施例中所述预先建立的BP神经网络模型的获取过程包括：

利用粒子群优化初始BP神经网络模型的参数；

将所述初始BP神经网络模型的参数更新为优化后的参数；

以历史水电工程项目的关键特征量为所述初始BP神经网络模型的输入，以历史水电工程项目的投资估算值为所述初始BP神经网络模型的输出训练所述初始BP神经网络模型，获取所述预先建立的BP神经网络模型。

其中，所述初始BP神经网络模型的参数包括：初始BP神经网络模型的输入层到隐含层的连接权值、隐含层阈值、隐含层到输出层的连接权值以及输出层阈值。

所述粒子群中的适应度函数为：

上式中，f

本发明提供的最优实施例中，所述利用粒子群优化初始BP神经网络模型的参数的具体过程可以包括：

Step 1：初始化参数。

对神经网络的拓扑结构、误差目标、种群大小、最大迭代次数、学习因子以及粒子位置和速度的取值区间等进行初始化参数设置。其中，对于初始粒子的速度和位置赋予随机值；

当处理具有N

Step 2：随机初始化种群。

利用初始BP神经网络模型的输入层到隐含层的连接权值、隐含层阈值、隐含层到输出层的连接权值以及输出层阈值构建粒子群的种群粒子；

其中，按下式确定粒子群算法搜索空间的维数D：

D＝N

上式中，N

Step 3：确定粒子的适应度函数。

根据种群粒子的初始值，对BPNN的权值和阈值进行赋值，输入训练样本对神经网络进行训练，可以得到网络训练输出值，以网络的训练输出和期望输出之间误差平方和的倒数定义为适应度函数：

上式中，f

Step 4：粒子群算法寻优。

根据训练样本计算每个粒子位置Z

在每一次迭代过程中，根据公式，

f(P

其中P

通过个体极值和全局极值更新粒子自身的速度和位置，引入自适应变异算子改进惯性权重ω，平衡算法的局部搜索能力和全局搜索能力。

Step 5：优化的BPNN输出投资估算结果。

达到最大迭代次数后，将得到的最优粒子对BP神经网络模型的连接权值和阈值进行赋值，对于模型进行训练后，可以得到水电工程投资估算的最优解。

本发明还提供了一种水电工程智能投资估算装置，如图2所示，所述装置包括：

第一确定模块，用于根据水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度确定水电工程项目的关键特征量；

第二确定模块，用于利用水电工程项目的关键特征量确定水电工程项目的投资估算值。

优选的，所述第一确定模块，包括：

获取单元，用于获取各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数；

确定单元，用于根据各历史水电工程项目的单位千瓦投资量与各历史水电工程项目中各特征量间的灰色关联系数确定水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度；

选择单元，用于基于水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度选择水电工程项目的关键特征量。

进一步的，所述获取单元具体用于：

按下式确定第j个历史水电工程项目的单位千瓦投资量与第j个历史水电工程项目中第i个特征量间的灰色关联系数γ

上式中，m

其中，按下式确定为第j个历史水电工程项目的单位千瓦投资量归一化值与第j个历史水电工程项目中第i个特征量归一化值之差的绝对值Δ

Δ

上式中，x

按下式确定第j个历史水电工程项目中第i个特征量归一化值x

上式中，x

进一步的，所述确定单元具体用于：

按下式确定水电工程项目中第i个特征量与水电工程项目的单位千瓦投资量间的相关度γ

上式中，γ

进一步的，所述选择单元具体用于：

将大于预设阈值的水电工程项目中各特征量与水电工程项目的单位千瓦投资量间的相关度对应的特征量作为水电工程项目的关键特征量。

进一步的，所述关键特征量包括：装机容量、坝型、坝高、坝长、额定水头、水库总库容、厂房形式、机组台数、建设地区和/或抗震设防烈度。

优选的，所述第二确定模块具体用于：

将水电工程项目的关键特征量作为预先建立的BP神经网络模型的输入，获取预先建立的BP神经网络模型的输出，并将该输出作为水电工程项目的投资估算值。

进一步的，所述预先建立的BP神经网络模型的获取过程包括：

利用粒子群优化初始BP神经网络模型的参数；

将所述初始BP神经网络模型的参数更新为优化后的参数；

以历史水电工程项目的关键特征量为所述初始BP神经网络模型的输入，以历史水电工程项目的投资估算值为所述初始BP神经网络模型的输出训练所述初始BP神经网络模型，获取所述预先建立的BP神经网络模型。

进一步的，所述初始BP神经网络模型的参数包括：初始BP神经网络模型的输入层到隐含层的连接权值、隐含层阈值、隐含层到输出层的连接权值以及输出层阈值。

进一步的，所述粒子群中的适应度函数为：

上式中，f

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。