本技術(shù)涉及變電站檢修領(lǐng)域，具體而言，涉及一種變電站檢修造價(jià)數(shù)據(jù)的確定方法、變電站檢修造價(jià)數(shù)據(jù)的確定裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、在電力工業(yè)中，變電檢修是維護(hù)變電設(shè)備正常運(yùn)行、保障用戶用電安全穩(wěn)定的重要環(huán)節(jié)，隨著用電需求上升，變電工程運(yùn)維費(fèi)用也不斷增加，所以，現(xiàn)有造價(jià)測算方法在精確性和可靠性方面存在缺陷和不足。

2、因此，亟需一種方法可以解決現(xiàn)有技術(shù)中確定造價(jià)數(shù)據(jù)的過程中可靠性不足的問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種變電站檢修造價(jià)數(shù)據(jù)的確定方法、變電站檢修造價(jià)數(shù)據(jù)的確定裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品，以至少解決現(xiàn)有技術(shù)中確定造價(jià)數(shù)據(jù)的過程中可靠性不足的問題。

2、根據(jù)本技術(shù)的一方面，提供了一種變電站檢修造價(jià)數(shù)據(jù)的確定方法，獲取造價(jià)影響數(shù)據(jù)，其中，所述造價(jià)影響數(shù)據(jù)為對造價(jià)數(shù)據(jù)具有影響且影響程度位于前m位的影響數(shù)據(jù)，所述造價(jià)數(shù)據(jù)為變電站的一次設(shè)備的檢修造價(jià)，所述造價(jià)影響數(shù)據(jù)包括所述變電站的工程參數(shù)、所述變電站的設(shè)備參數(shù)以及所述變電站的工序參數(shù)中的至少一種，m為大于0的正整數(shù)；構(gòu)建預(yù)定模型，并采用所述預(yù)定模型對所述造價(jià)影響數(shù)據(jù)進(jìn)行計(jì)算，得到多個(gè)計(jì)算結(jié)果，其中，所述預(yù)定模型包括目標(biāo)深度置信網(wǎng)絡(luò)、目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)以及目標(biāo)灰色預(yù)測模型，所述造價(jià)影響數(shù)據(jù)和所述預(yù)定模型一一對應(yīng)，所述造價(jià)影響數(shù)據(jù)和所述計(jì)算結(jié)果一一對應(yīng)；對多個(gè)所述計(jì)算結(jié)果進(jìn)行融合處理，得到目標(biāo)造價(jià)數(shù)據(jù)，其中，所述融合處理至少包括分位數(shù)回歸平均處理。

3、可選地，構(gòu)建所述目標(biāo)深度置信網(wǎng)絡(luò)，包括：獲取初始深度置信網(wǎng)絡(luò)，其中，所述初始深度置信網(wǎng)絡(luò)包括多個(gè)受限玻爾茲曼機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)，多個(gè)所述受限玻爾茲曼機(jī)用于逐層提取所述初始深度置信網(wǎng)絡(luò)的輸入數(shù)據(jù)的特征，所述反向傳播神經(jīng)網(wǎng)絡(luò)用于回歸預(yù)測；采用無監(jiān)督學(xué)習(xí)算法逐層訓(xùn)練所述初始深度置信網(wǎng)絡(luò)的權(quán)重和所述初始深度置信網(wǎng)絡(luò)的偏置以對所述初始深度置信網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練；采用前向傳播、反向傳播以及有監(jiān)督學(xué)習(xí)算法對所述初始深度置信網(wǎng)絡(luò)進(jìn)行處理以對所述初始深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練；獲取所述初始深度置信網(wǎng)絡(luò)的平均絕對百分比誤差和均方根誤差，在所述平均絕對百分比誤差小于第一誤差閾值，并且所述均方根誤差小于第二誤差閾值的情況下，確定所述初始深度置信網(wǎng)絡(luò)為所述目標(biāo)深度置信網(wǎng)絡(luò)。

4、可選地，構(gòu)建所述目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)，包括：獲取初始反向傳播神經(jīng)網(wǎng)絡(luò)，并采用遺傳算法對所述反向傳播神經(jīng)網(wǎng)絡(luò)的初始參數(shù)進(jìn)行處理，得到目標(biāo)參數(shù)，其中，所述初始參數(shù)包括初始閾值和初始權(quán)重；將所述目標(biāo)參數(shù)帶入所述初始反向傳播神經(jīng)網(wǎng)絡(luò)，得到所述目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)。

5、可選地，采用所述目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)對所述造價(jià)影響數(shù)據(jù)進(jìn)行計(jì)算，得到多個(gè)計(jì)算結(jié)果，包括：獲取多個(gè)歷史影響數(shù)據(jù)和多個(gè)歷史造價(jià)數(shù)據(jù)，其中，所述歷史影響數(shù)據(jù)為當(dāng)前時(shí)刻之前獲取得到的所述造價(jià)影響數(shù)據(jù)，所述歷史造價(jià)數(shù)據(jù)為當(dāng)前時(shí)刻之前獲取得到的所述造價(jià)數(shù)據(jù)；將所述造價(jià)影響數(shù)據(jù)輸入所述目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)，得到所述造價(jià)影響數(shù)據(jù)對應(yīng)的計(jì)算結(jié)果，其中，所述目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)是使用多組訓(xùn)練數(shù)據(jù)訓(xùn)練得到的，所述多組訓(xùn)練數(shù)據(jù)中的每一組訓(xùn)練數(shù)據(jù)均包括所述歷史影響數(shù)據(jù)和所述歷史影響數(shù)據(jù)對應(yīng)的所述歷史造價(jià)數(shù)據(jù)。

6、可選地，構(gòu)建所述目標(biāo)灰色預(yù)測模型，包括：獲取多個(gè)歷史影響數(shù)據(jù)和多個(gè)歷史造價(jià)數(shù)據(jù)，其中，所述歷史影響數(shù)據(jù)為當(dāng)前時(shí)刻之前獲取得到的所述造價(jià)影響數(shù)據(jù)，所述歷史造價(jià)數(shù)據(jù)為當(dāng)前時(shí)刻之前獲取得到的所述造價(jià)數(shù)據(jù)；根據(jù)公式構(gòu)建所述目標(biāo)灰色預(yù)測模型，μ為內(nèi)生控制灰數(shù)，a為發(fā)展灰數(shù)，k為大于等于0的正整數(shù)，x(0)(1)為第一數(shù)據(jù)組x(0)的第1個(gè)值，為第二數(shù)據(jù)組x(1)的第k+1個(gè)值，所述第一數(shù)據(jù)組包括多個(gè)按照時(shí)間排列的所述歷史影響數(shù)據(jù)，所述第二數(shù)據(jù)組為通過所述第一數(shù)據(jù)組累加生成得到的。

7、可選地，對多個(gè)所述計(jì)算結(jié)果進(jìn)行融合處理，得到目標(biāo)造價(jià)數(shù)據(jù)，包括：根據(jù)公式計(jì)算預(yù)備造價(jià)數(shù)據(jù)其中，為所述目標(biāo)深度置信網(wǎng)絡(luò)在第n個(gè)樣本點(diǎn)的預(yù)測值，為所述目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)在所述第n個(gè)樣本點(diǎn)的預(yù)測值，為所述目標(biāo)灰色預(yù)測模型在第n個(gè)樣本點(diǎn)的預(yù)測值，所述樣本點(diǎn)與所述造價(jià)影響數(shù)據(jù)一一對應(yīng)；根據(jù)公式和計(jì)算損失函數(shù)l，其中，q為分位數(shù)，i為指標(biāo)函數(shù)，yn為第n個(gè)樣本點(diǎn)對應(yīng)的真實(shí)造價(jià)數(shù)據(jù)，βq為分位數(shù)q的參數(shù)向量；確定所述損失函數(shù)的函數(shù)值最小的情況下對應(yīng)的βq為目標(biāo)參數(shù)向量βq′；根據(jù)公式和計(jì)算上限值un，其中，1-α為置信水平；根據(jù)公式和計(jì)算下限值ln；根據(jù)所述上限值和所述下限值，計(jì)算所述目標(biāo)造價(jià)數(shù)據(jù)。

8、可選地，根據(jù)所述上限值和所述下限值，計(jì)算所述目標(biāo)造價(jià)數(shù)據(jù)，包括：根據(jù)所述上限值和所述下限值，確定預(yù)備區(qū)間；根據(jù)公式計(jì)算所述預(yù)備區(qū)間的可信度picp，其中，所述第n個(gè)樣本點(diǎn)對應(yīng)的所述預(yù)備造價(jià)數(shù)據(jù)屬于所述預(yù)備區(qū)間的情況下，cn為1，所述第n個(gè)樣本點(diǎn)對應(yīng)的所述預(yù)備造價(jià)數(shù)據(jù)不屬于所述預(yù)備區(qū)間的情況下，cn為0，n為所述樣本點(diǎn)的總數(shù)；根據(jù)公式：計(jì)算所述預(yù)備區(qū)間的平均帶寬pinaw；在所述預(yù)備區(qū)間的可信度大于可信度閾值并且所述預(yù)備區(qū)間的平均帶寬大于寬度閾值的情況下，確定所述預(yù)備區(qū)間為所述目標(biāo)造價(jià)數(shù)據(jù)。

9、根據(jù)本技術(shù)的另一方面，提供了一種變電站檢修造價(jià)數(shù)據(jù)的確定裝置，包括：獲取單元，用于獲取造價(jià)影響數(shù)據(jù)，其中，所述造價(jià)影響數(shù)據(jù)為對造價(jià)數(shù)據(jù)具有影響且影響程度位于前m位的影響數(shù)據(jù)，所述造價(jià)數(shù)據(jù)為變電站的一次設(shè)備的檢修造價(jià)，所述造價(jià)影響數(shù)據(jù)包括所述變電站的工程參數(shù)、所述變電站的設(shè)備參數(shù)以及所述變電站的工序參數(shù)中的至少一種，m為大于0的正整數(shù)；計(jì)算單元，用于構(gòu)建預(yù)定模型，并采用所述預(yù)定模型對所述造價(jià)影響數(shù)據(jù)進(jìn)行計(jì)算，得到多個(gè)計(jì)算結(jié)果，其中，所述預(yù)定模型包括目標(biāo)深度置信網(wǎng)絡(luò)、目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)以及目標(biāo)灰色預(yù)測模型，所述造價(jià)影響數(shù)據(jù)和所述預(yù)定模型一一對應(yīng)，所述造價(jià)影響數(shù)據(jù)和所述計(jì)算結(jié)果一一對應(yīng)；處理單元，用于對多個(gè)所述計(jì)算結(jié)果進(jìn)行融合處理，得到目標(biāo)造價(jià)數(shù)據(jù)，其中，所述融合處理至少包括分位數(shù)回歸平均處理。

10、根據(jù)本技術(shù)的再一方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在所述程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行任意一種所述的方法。

11、根據(jù)本技術(shù)的又一方面，提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)任意一種所述的方法的步驟。

12、應(yīng)用本技術(shù)的技術(shù)方案，提供了一種變電站檢修造價(jià)數(shù)據(jù)的確定方法，首先，獲取造價(jià)影響數(shù)據(jù)，造價(jià)影響數(shù)據(jù)為對造價(jià)數(shù)據(jù)具有影響且影響程度位于前m位的影響數(shù)據(jù)，造價(jià)數(shù)據(jù)為變電站的一次設(shè)備的檢修造價(jià)，造價(jià)影響數(shù)據(jù)包括變電站的工程參數(shù)、變電站的設(shè)備參數(shù)以及變電站的工序參數(shù)中的至少一種；并采用預(yù)定模型對造價(jià)影響數(shù)據(jù)進(jìn)行計(jì)算，得到多個(gè)計(jì)算結(jié)果，預(yù)定模型包括目標(biāo)深度置信網(wǎng)絡(luò)、目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)以及目標(biāo)灰色預(yù)測模型；對多個(gè)計(jì)算結(jié)果進(jìn)行融合處理，得到目標(biāo)造價(jià)數(shù)據(jù)，融合處理至少包括分位數(shù)回歸平均處理。通過結(jié)合目標(biāo)深度置信網(wǎng)絡(luò)、目標(biāo)反向傳播神經(jīng)網(wǎng)絡(luò)以及目標(biāo)灰色預(yù)測模型三種不同基模型的預(yù)測結(jié)果，并通過分位數(shù)回歸平均對三種計(jì)算結(jié)果進(jìn)行融合，實(shí)現(xiàn)對變電站一次設(shè)備檢修費(fèi)用的預(yù)測，以提高測算模型預(yù)測結(jié)果在工程實(shí)際中的可靠性，解決了現(xiàn)有技術(shù)中確定造價(jià)數(shù)據(jù)的過程中可靠性不足的問題。