基于投票集成学习的输变电工程造价预测模型

刘云; 张文静; 王冬超; 周波; 韩进棚

沈阳工业大学学报 ›› 2026, Vol. 48 ›› Issue (4) : 43 -50.

刘云, 张文静, 王冬超, 周波, 韩进棚

作者信息 +

Author information +

文章历史 +

摘要

【目的】随着数据技术的发展，输变电工程领域积累了大量多源异构数据，同时电网工程造价的影响因素具有多样性和非线性特征，这两大问题导致传统造价预测模型准确率普遍偏低。针对这一痛点，本文旨在提升输变电工程造价预测的准确率，为工程成本管理提供可靠的决策依据。【方法】本文提出一种融合强关联性样本平衡算法与投票集成学习算法的造价预测方法。首先，利用Pearson相关系数筛选影响输变电工程成本的关键因素，并对数据进行归一化处理；其次，运用样本平衡算法随机生成多个不同规模的训练子数据集，基于各子数据集分别构建卷积神经网络(CNN)子模型；最后，依据各子模型在验证阶段的表现，计算不同类别预测结果的权重，通过加权投票集成策略得到最终预测结果。该方法设计原理为：Pearson相关系数可精准锁定关键影响因素，有效削减冗余信息；样本平衡算法能够解决数据分布不平衡问题，确保模型对各类样本具备均衡的识别能力；投票集成学习可融合多个CNN子模型的优势，显著增强模型的泛化能力。【结果】以某地区电力企业220 kV变电站的30组项目成本样本数据为实验对象，选取前20组作为训练集，后10组作为测试集开展验证。在参数条件一致的前提下，基于Pearson相关性分析的CNN投票集成模型，其训练与测试阶段的性能均优于Pearson-CNN算法及单一CNN模型。实验结果显示，该模型的训练准确率与测试准确率分别达到97%和96.7%,训练集与测试集的损失函数分别为0.35和0.45,平均预测精度高达97.2%,整体表现出优异的预测性能。【结论】本文模型可有效融合多源异构的不平衡数据。该模型通过将Pearson相关性分析、样本平衡算法与投票集成学习相结合，显著提升了预测性能，解决了输变电工程领域因数据不平衡导致的预测精度不足难题，有助于优化工程成本管理流程，为工程决策提供更为精确、可靠的数据支撑。