0前言

電力工程造價是一項非線性的多變量工作，僅僅依賴工作人員基于經驗之上的臆斷是不可行的，難以保證電力工程造價預測的準確性。數據挖掘技術在現有的海量數據當中將具有利用價值的數據提取出來并加以計算，神經網絡技術則是在海量神經元的基礎上構建自適應非線性動態系統，具有理想的非線性映射能力。如何在電力工程造價當中應用上述的兩項新型技術，是相關從業人員需要重點思考的問題之一。

1數據預處理

數據挖掘當中的核心技術為數據預處理技術，其與數據挖掘過程的可操作性、最終結果的可信度有著直接的關系。針對電力工程造價而言，關于其歷史數據的預處理技術主要可分為三種，分別為：數據集壓縮技術、噪聲數據平滑技術、空缺值填補技術。同時電力工程造價的影響因素較多，包括檔距、絕緣子等、電壓等級、運距等，其對電力工程造價的影響是不容忽視的，并且各個影響因素均下轄著子因素，層次數據倉庫比較規范而有序。電力工程造價層次數據倉庫示意圖如圖1所示。鑒于上述的各項因素屬性基本上都跟數據挖掘的工作任務有關，因此在進行數據挖掘的過程當中，一則所花費的時間比較長，二則各個因素屬性之間的重復性無法消除，造成最終的計算結果失真，可信度不高。所以，筆者認為：數據挖掘結果的可信度以及數據存取時間的長短，直接取決于用來創建模型的因素屬性集的選擇是否合理。可將因素屬性的選擇過程劃分為如下兩個步驟實施：

(1)基于屬性轉換與屬性歸約的原始數據集壓縮操作電力工程造價的屬性數量非常多，僅僅是針對地形過狀況的描述就涉及到丘陵、平原、山地、盆地等方面，并且其各自所占的比例均存在著較大的差異。因此，建議采用加權平均的方式把表一當中所列舉的因素屬性轉換為單一而具體的地形系數屬性，具體的計算公式為：W1×丘陵比例+W2×平原比例+W3×山地比例+W4×盆地比例式中：W1、W2、W3、W4均為與之相對應的地形的權系數，其來源為電力工程造價領域權威專家的設定，不存在固定的標準。

(2)基于過濾算法與包裝算法的深層次屬性優選過濾算法與包裝算法均屬于啟發式搜索算法的范疇，電力造價數據的特點多種多樣，利用過濾算法與包裝算法可確保計算結果的準確性，實現對因素屬性的深層次優選目的。筆者認為，對電力領域的單位工程造價的影響最為突出的是截面與電壓兩項，其余還包括檔距、運距、桿塔數、絕緣子等，將上述的全部因素屬性全部加以離散化處理，重新構造類別屬性，通過多次的試驗，優選最終的子集，提高數據預處理的可操作性。電力工程造價因素輸出屬性關系圖如圖2所示。

2數據挖掘和神經網絡技術之下的電力工程造價預測

2.1基于K-means聚類法的模糊規則選取。針對不同的數據結構以及數據類型而言，可通過K-means聚類法完成距離函數的選取，并將其作為對象相似性度量的可信標準，其與歐幾里得度量的原理基本一致。在K-means聚類法之下，可生成電力工程造價的模糊規則，把具備相似性的全部工程子項目歸納到同一組當中去，需要注意的是，該處所指的相似性為屬性之間的相對大小，而非絕對數值的相對大小。鑒于此，將余弦距離當做電力工程造價對象相似度的具體度量標準，能夠較為準確地展示出不同向量的相似關系、向量元素的的變化特征等。選擇聚類數目同樣是聚類分析當中的關鍵性問題，系統的復雜度以及精度是其中需要重點考慮的兩個問題。在試驗的基礎上，對聚類的數目實現逐步的改變，同時留意平方誤差和的變化情況，聚類數目的選擇需要依據此指標的變化程度來完成。基于保證系統簡潔性以及精準性的重要目的，筆者建議選擇2作為聚類數目，在此基礎上所得到的模糊規則可切實提高所創建的模型的精度。此外，基于K-means聚類法的模糊規則選取還可減少迭代計算的次數，提高能量函數值，無論是連接權初值抑或是神經網絡隱層元數目的選取方面均具有高度的可信性，不需要再依靠工作人員基于經驗層面的臆斷。

2.2確定模糊系統的隸屬度函數。數據挖掘和神經網絡的模型可切實提高電力工程各項造指標估算的精確度，尤其是單位靜態投資形態，其最大誤差值不會理論上超過3.45%，具有高度的可信性。由此可見，數據挖掘和神經網絡技術的泛化能力均比較強，在該模型之下，針對電力工程造價估算所需的時間較短，并且精確度較高，具有理想的實際應用價值。除此之外，通過數據挖掘和神經網絡技術而創建的專業模型在電力工程造價預算的審查方面同樣具有高度的實際應用價值。電力工程造價預算審查的基準值即為神經網絡系統的快速造價估算值，與設計預算書進行全面的對比，在此基礎上就電力工程分項目造價預算的準確性實現深層次的判斷。電力工程線路數據的預算審查對象主要包括工地運輸、基礎工程、土石方工程、附件工程、桿塔工程等。通過審查可知，工地運輸、基礎工程、土石方工程、附件工程、桿塔工程等的準確度均非常高，尤其是基礎工程與桿塔工程兩個方面，造價預算的預測值與實際值之間的絕對誤差小于1.03%，證明數據挖掘和神經網絡技術可在電力工程造價領域大理推廣應用。

4結語

綜上所述，在電力工程造價預測與審查當中，數據挖掘以及神經網絡技術均可起到預期當中的作用，具有高度的實際應用價值。通過數據挖掘技術針對海量的原始數據實現預處理，在此基礎上可得到理想的數據規模以及數據格式。隨后通過神經網絡技術對所創建的專業模型的優點進行詳細的描述，可以起到克服人工預測與審查的主觀性與片面性的弊端，降低人為因素對電力工程造價預算與審查工作的負面影響，保證評價結果的客觀性以及有效性。筆者在測試實際數據的基礎上，對數據挖掘和神經網絡技術在電力工程造價應用價值與特征進行了深入的論證與分析，得出了此方法在電力工程造價預測與審查當中具備預測精確性、審查收斂性的重要作用，可大力推廣應用。

作者：趙紫玲 單位：廣東電網有限責任公司佛山供電局