基于径向基函数神经网络和显著性成本理论的输变电工程造价估算技术

摘要

【目的】随着输变电工程在配电网中地位的日益提升，传统造价估算方法因误差较大、耗时较长等问题，难以满足现代工程管理的需求。为提高输变电工程的执行效率和估算精度，设计提出了一种基于径向基函数神经网络(RBFNN)和显著性成本理论的造价估算技术。该技术旨在通过优化神经网络结构和特征筛选，打破传统方法在复杂工程造价估算中的局限性，同时提升模型的鲁棒性和适应性。【方法】基于显著性成本理论对历史工程数据进行特征筛选，确定影响输变电工程造价的关键因素，并将其作为神经网络的输入特征。通过引入径向基函数(RBF)对传统人工神经网络(ANN)结构进行深度改造，设计适用于输变电工程的造价估算模型。该模型采用高斯函数处理输入层数据，结合K-means聚类算法初始化隐含层中心值，并利用最小二乘法和梯度下降法分别完成输出层和隐含层的训练。此外，为验证模型的有效性，通过100组输变电工程项目的仿真数据，对比传统造价估算方法(单位造价法和指标估算法)与本文模型的累计绝对误差率和平均执行时间，并采用SHAP值分析法量化关键因子对估算误差率的影响。【结果】仿真结果表明，基于径向基函数神经网络的造价估算方法在累计绝对误差率和平均执行时间上均优于传统方法。当测试样本量增至20组时，单位造价法的累计误差率达440%，指标估算法为180%，而本文模型的累计误差率稳定在110%以内。在执行时间方面，传统方法平均耗时5 s，而本文模型仅需0.5 s。此外，对SHAP值分析显示，电线截面积、钢管杆和回路数量等显著性因子对造价估算误差率的影响最为显著，其SHAP值远高于其他因子。这一发现为模型优化和成本控制提供了重要依据。【结论】本文提出的基于径向基函数神经网络和显著性成本理论的造价估算技术，能够有效提升输变电工程造价估算的精确度和运行效率。尽管该方法在复杂施工环境下仍存在一定的误差，但其整体性能优于传统方法，具有较强的实用性和推广价值。未来研究将进一步结合回归分析、支持向量机等机器学习算法，优化模型的精确度，以更好地适应输变电工程的复杂性和多样性。

关键词

径向基函数神经网络 / 输变电工程 / 造价估算 / 显著性成本理论 / 鲁棒性 / 特征筛选 / 自适应性 / 误差率