本發(fā)明涉及項(xiàng)目數(shù)據(jù)統(tǒng)計(jì)分析，更具體地說，本發(fā)明涉及一種基于多屬性聚類的輸變電工程專項(xiàng)費(fèi)用標(biāo)準(zhǔn)確定方法。

背景技術(shù)：

1、在輸變電工程領(lǐng)域，專項(xiàng)費(fèi)用的標(biāo)準(zhǔn)化是確保項(xiàng)目經(jīng)濟(jì)性和可控性的關(guān)鍵環(huán)節(jié)。隨著成本監(jiān)審趨嚴(yán)趨緊，對造價(jià)管控提出更高要求，專項(xiàng)費(fèi)用作為造價(jià)中的重要組成部分，其精準(zhǔn)性對于投資核價(jià)具有重要影響。隨著電力需求的不斷增長和技術(shù)的快速發(fā)展，傳統(tǒng)的費(fèi)用標(biāo)準(zhǔn)制定方法已難以適應(yīng)復(fù)雜多變的市場環(huán)境。這些傳統(tǒng)方法往往依賴經(jīng)驗(yàn)或簡單的統(tǒng)計(jì)模型，難以全面考慮項(xiàng)目特性、環(huán)境影響及其他多種變量的綜合作用，導(dǎo)致費(fèi)用預(yù)測準(zhǔn)確性不足，進(jìn)而影響項(xiàng)目決策和資源配置。

2、當(dāng)前，輸變電工程的費(fèi)用構(gòu)成主要包括直接費(fèi)、人工費(fèi)、材料費(fèi)、業(yè)務(wù)費(fèi)及間接費(fèi)等，這些費(fèi)用受到多種因素的影響，如市場波動、季節(jié)性變化、項(xiàng)目規(guī)模及施工地點(diǎn)等。這些因素的相互作用形成了復(fù)雜的費(fèi)用結(jié)構(gòu)，使得費(fèi)用標(biāo)準(zhǔn)的科學(xué)確定變得尤為重要。由于不同類型工程的特性各異，采用統(tǒng)一的費(fèi)用標(biāo)準(zhǔn)往往無法有效反映實(shí)際成本，進(jìn)而導(dǎo)致預(yù)算超支和資源浪費(fèi)。

3、為了提高費(fèi)用預(yù)測的準(zhǔn)確性，現(xiàn)代數(shù)據(jù)分析技術(shù)逐漸被引入。多屬性聚類分析作為一種數(shù)據(jù)挖掘技術(shù)，可以根據(jù)多個(gè)特征對數(shù)據(jù)進(jìn)行分類，從而揭示不同項(xiàng)目類型的費(fèi)用特點(diǎn)和影響因素。然而，傳統(tǒng)聚類方法在處理高維數(shù)據(jù)時(shí)可能面臨維度災(zāi)難和信息丟失的問題，難以有效提取有用的信息。此外，費(fèi)用的動態(tài)性也要求費(fèi)用標(biāo)準(zhǔn)具備實(shí)時(shí)更新的能力，以適應(yīng)市場環(huán)境的變化。

4、在此背景下，基于多屬性聚類的輸變電工程專項(xiàng)費(fèi)用標(biāo)準(zhǔn)確定技術(shù)應(yīng)運(yùn)而生。該技術(shù)通過對工程類型進(jìn)行分類，結(jié)合歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)的分析，能夠全面評估各類費(fèi)用的波動趨勢與影響因素，為費(fèi)用標(biāo)準(zhǔn)的科學(xué)確定提供有力支持。同時(shí)，通過構(gòu)建動態(tài)更新機(jī)制，可以確保費(fèi)用標(biāo)準(zhǔn)的時(shí)效性和適應(yīng)性。

5、此外，近年來，人工智能技術(shù)的快速發(fā)展也為費(fèi)用預(yù)測提供了新的思路。神經(jīng)網(wǎng)絡(luò)作為一種強(qiáng)大的非線性模型，能夠處理復(fù)雜的輸入輸出關(guān)系，通過學(xué)習(xí)大量數(shù)據(jù)中的潛在模式，進(jìn)而實(shí)現(xiàn)高效的費(fèi)用預(yù)測。結(jié)合遺傳算法對神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化，可以在參數(shù)配置上找到最優(yōu)解，提高模型的預(yù)測準(zhǔn)確性和穩(wěn)定性。在間接費(fèi)用的預(yù)測中，arima模型因其強(qiáng)大的時(shí)間序列分析能力，能夠有效捕捉數(shù)據(jù)中的趨勢與季節(jié)性變化，已成為一種流行的分析工具。這種模型通過將歷史數(shù)據(jù)中的模式提取出來，為未來的預(yù)算編制和成本控制提供科學(xué)依據(jù)。

6、綜上所述，當(dāng)前輸變電工程費(fèi)用標(biāo)準(zhǔn)的制定亟需采用多元化、系統(tǒng)化的方法，結(jié)合數(shù)據(jù)分析與人工智能技術(shù)，以應(yīng)對復(fù)雜的項(xiàng)目特點(diǎn)和市場需求?；诙鄬傩跃垲惖膶ｍ?xiàng)費(fèi)用標(biāo)準(zhǔn)確定技術(shù)，正是對傳統(tǒng)方法的有益補(bǔ)充，旨在提升費(fèi)用標(biāo)準(zhǔn)制定的科學(xué)性和準(zhǔn)確性，從而為輸變電工程的可持續(xù)發(fā)展提供支撐。

7、上述公開的技術(shù)方案中，至少存在如下技術(shù)問題：傳統(tǒng)聚類方法在處理高維數(shù)據(jù)時(shí)可能面臨維度災(zāi)難和信息丟失的問題，難以有效提取有用的信息，同時(shí)費(fèi)用標(biāo)準(zhǔn)不具備實(shí)時(shí)更新的能力，不能適應(yīng)市場環(huán)境的變化。針對上述問題，本發(fā)明提出一種解決方案。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實(shí)施例提供一種基于多屬性聚類的輸變電工程專項(xiàng)費(fèi)用標(biāo)準(zhǔn)確定方法，通過arima模型，以解決傳統(tǒng)聚類方法在處理高維數(shù)據(jù)時(shí)可能面臨維度災(zāi)難和信息丟失的問題，難以有效提取有用的信息的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于多屬性聚類的輸變電工程專項(xiàng)費(fèi)用標(biāo)準(zhǔn)確定方法，包括以下步驟：對輸變電工程進(jìn)行分類，并對不同類別的輸變電工程專項(xiàng)費(fèi)用類別進(jìn)行劃分；獲取輸變電工程歷史數(shù)據(jù)，根據(jù)歷史數(shù)據(jù)進(jìn)行缺失值和異常值處理；識別不同類型輸變電工程專項(xiàng)費(fèi)用的影響因素，結(jié)合歷史數(shù)據(jù)的統(tǒng)計(jì)分析，分別判斷不同費(fèi)用類型的波動變化趨勢與影響因素的關(guān)聯(lián)程度；根據(jù)波動變化趨勢與輸變電工程專項(xiàng)費(fèi)用影響因素的關(guān)聯(lián)程度，制定專項(xiàng)費(fèi)用標(biāo)準(zhǔn)；構(gòu)建費(fèi)用動態(tài)更新機(jī)制，結(jié)合實(shí)際項(xiàng)目與標(biāo)準(zhǔn)差異，動態(tài)更新與修訂費(fèi)用標(biāo)準(zhǔn)。

4、在一個(gè)優(yōu)選的實(shí)施方式中，所述根據(jù)歷史數(shù)據(jù)進(jìn)行缺失值和異常值處理，具體為：獲取輸變電工程歷史數(shù)據(jù)及輸變電工程專項(xiàng)費(fèi)用的影響因素，通過統(tǒng)計(jì)方法檢測出歷史數(shù)據(jù)及影響因素中的異常值；設(shè)計(jì)和構(gòu)建適合輸變電工程歷史數(shù)據(jù)及影響因素的特點(diǎn)生成對抗網(wǎng)絡(luò)，包括生成器和判別器的結(jié)構(gòu)和參數(shù)設(shè)置；使用正常的數(shù)據(jù)對對抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將檢測到的異常值輸入到訓(xùn)練好的生成器中，并用生成得新數(shù)據(jù)替換異常值。

5、在一個(gè)優(yōu)選的實(shí)施方式中，所述將檢測到的異常值輸入到訓(xùn)練好的生成器中，并用生成得新數(shù)據(jù)替換異常值，具體為：通過生成器生成用于對抗的重構(gòu)樣本；通過判別器區(qū)分對抗樣本與原始樣本之間的距離，所述原始樣本為歷史成本數(shù)據(jù)和影響因素?cái)?shù)據(jù)中任一樣本數(shù)據(jù)；利用重構(gòu)損失函數(shù)縮小重構(gòu)樣本與原始樣本之間的距離，通過判別損失函數(shù)使判別器的輸出概率最大化；根據(jù)重構(gòu)損失函數(shù)和判別損失函數(shù)生成填充損失函數(shù)，以及基于重構(gòu)樣本和原始樣本最小化填充損失函數(shù)以生成用于插補(bǔ)的缺失值。

6、在一個(gè)優(yōu)選的實(shí)施方式中，所述判斷不同費(fèi)用類型的波動變化趨勢與影響因素的關(guān)聯(lián)程度采用改進(jìn)反熵-灰色關(guān)聯(lián)分析法判斷，具體為：對所述多個(gè)關(guān)鍵影響因素中的每個(gè)關(guān)鍵影響因素計(jì)算熵值；通過反熵公式將所述每個(gè)關(guān)鍵影響因素的熵值轉(zhuǎn)換為反熵值；基于所述反熵值生成客觀權(quán)重，基于所述客觀權(quán)重和主觀權(quán)重計(jì)算組合權(quán)重；基于所述組合權(quán)重計(jì)算每個(gè)比較序列與參考序列之間的關(guān)聯(lián)系數(shù)，選取專項(xiàng)費(fèi)用數(shù)據(jù)作為所述參考序列，將多個(gè)關(guān)鍵影響因素作為多個(gè)比較序列；基于所述關(guān)聯(lián)系數(shù)計(jì)算參考序列與每個(gè)比較序列之間的關(guān)聯(lián)度作為費(fèi)用投入與所述每個(gè)關(guān)鍵影響因素之間的關(guān)聯(lián)度。

7、在一個(gè)優(yōu)選的實(shí)施方式中，所述根據(jù)波動變化趨勢與輸變電工程專項(xiàng)費(fèi)用影響因素的關(guān)聯(lián)程度，制定專項(xiàng)費(fèi)用標(biāo)準(zhǔn)，所述輸變電工程專項(xiàng)費(fèi)用包括人工費(fèi)、材料費(fèi)、業(yè)務(wù)費(fèi)、間接費(fèi)及直接費(fèi)；其中，制定人工費(fèi)、材料費(fèi)、業(yè)務(wù)費(fèi)的費(fèi)用標(biāo)準(zhǔn)，具體為：通過神經(jīng)網(wǎng)絡(luò)模型對各項(xiàng)費(fèi)用標(biāo)準(zhǔn)進(jìn)行確認(rèn)，

8、采用遺傳算法對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，得到人工費(fèi)、材料費(fèi)、業(yè)務(wù)費(fèi)的費(fèi)用標(biāo)準(zhǔn)；間接費(fèi)的標(biāo)準(zhǔn)，具體為：采用時(shí)間序列分析與自回歸綜合滑動平均（arima）模型來分析得到；間接費(fèi)的標(biāo)準(zhǔn)，具體為：采用多元線性回歸方法進(jìn)行費(fèi)用標(biāo)準(zhǔn)確定。

9、在一個(gè)優(yōu)選的實(shí)施方式中，所述制定人工費(fèi)、材料費(fèi)、業(yè)務(wù)費(fèi)的費(fèi)用標(biāo)準(zhǔn)，具體為：根據(jù)bp神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)特性，不考慮各因素之間的相互影響關(guān)系，在費(fèi)用投入中選取主要影響因素作為輸入層；采用水平垂直方向處理數(shù)據(jù)的方法選取目標(biāo)值，作為輸出的目標(biāo)值；基于遺傳算法建立模型并對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化；基于matlab軟件，將變電站設(shè)備檢修運(yùn)維成本已有數(shù)據(jù)作為樣本，采用ga-bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；對訓(xùn)練數(shù)據(jù)結(jié)果進(jìn)行驗(yàn)證，采取k-fold交叉驗(yàn)證方法，判定模型精準(zhǔn)度，其中，對模型的結(jié)果進(jìn)行檢驗(yàn)時(shí)，考慮模型的信度和效度，所述信度是指模型的可靠程度，所述效度是指模型的有效程度。

10、在一個(gè)優(yōu)選的實(shí)施方式中，所述基于遺傳算法建立模型并對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，具體為：利用ｇａ對種群進(jìn)行初始化，得到ｂｐ神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值；將種群初始化后個(gè)體代入ｂｐ神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代尋最優(yōu)初始權(quán)重和閾值。

11、在一個(gè)優(yōu)選的實(shí)施方式中，所述將檢測到的異常值輸入到訓(xùn)練好的生成器中，并用生成得新數(shù)據(jù)替換異常值，具體步驟為：根據(jù)重構(gòu)損失函數(shù)和判別損失函數(shù)生成填充損失函數(shù)；基于重構(gòu)樣本和原始樣本最小化填充損失函數(shù)以生成用于插補(bǔ)的缺失值。

12、本發(fā)明一種基于多屬性聚類的輸變電工程專項(xiàng)費(fèi)用標(biāo)準(zhǔn)確定方法的技術(shù)效果和優(yōu)點(diǎn)：

13、1.本發(fā)明通過基于多屬性聚類的費(fèi)用標(biāo)準(zhǔn)確定技術(shù)，實(shí)現(xiàn)了輸變電工程預(yù)算的精準(zhǔn)化管理。首先，該方法能夠根據(jù)工程類型進(jìn)行分類，有效識別不同類型工程的特殊需求，避免了一刀切的費(fèi)用標(biāo)準(zhǔn)。其次，通過對歷史數(shù)據(jù)的深入分析，采用對抗網(wǎng)絡(luò)技術(shù)進(jìn)行異常值插補(bǔ)，提高了數(shù)據(jù)的質(zhì)量和完整性，確保了費(fèi)用測算的科學(xué)性。

14、2.本發(fā)明通過采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，在人工費(fèi)、材料費(fèi)和業(yè)務(wù)費(fèi)的預(yù)測中捕捉到影響這些費(fèi)用的復(fù)雜非線性關(guān)系，提供更加精準(zhǔn)的預(yù)測結(jié)果，從而為項(xiàng)目決策提供實(shí)時(shí)支持。此外，利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的過程，能夠在多維參數(shù)空間中探索最優(yōu)解，進(jìn)一步提升了預(yù)測的準(zhǔn)確性和泛化能力。對于間接費(fèi)的測算，通過arima模型分析時(shí)間序列數(shù)據(jù)，能夠有效識別出間接費(fèi)用的波動模式，確保預(yù)算的動態(tài)適應(yīng)性。通過多元線性回歸方法，能夠同時(shí)考慮多個(gè)影響因素，如材料成本、人工成本和設(shè)備使用等，從而建立精準(zhǔn)的預(yù)測模型。這種方法能夠深入分析各因素之間的線性關(guān)系，識別出關(guān)鍵成本驅(qū)動因素，為項(xiàng)目管理提供科學(xué)依據(jù)。