(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111364995.6 (22)申请日 2021.11.17 (71)申请人 广东电网有限责任公司广州供电局 地址 510630 广东省广州市天河区天河南 二路2号 (72)发明人 陈永淑　李果　尚明远　徐策　 李品磊　胡邵超　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 贾小慧 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01) G06Q 30/02(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种输电项目修理成本测算方法、 装置、 设 备及存储介质 (57)摘要 本发明公开了一种输电项目修理成本测算 方法、 装置、 设备及存储介质， 用于解决现有的成 本测算方法精确性不高的技术问题。 本发明包 括： 采集预设输电项目的历史维修预算数据； 根 据历史维修预算数据生成特征向量； 基于特征向 量生成训练样本， 并基于训练样 本构建极限学习 机ELM神经网络预测模型； 获取ELM神经网络预测 模型的初始参数， 并采用粒子群算法PSO对初始 参数进行优化， 得到优化参数； 采用优化参数替 换初始参数， 得到优化ELM神经网络 预测模型； 采 用训练样本训练优化ELM神经网络预测模型， 得 到已训练的预测模型； 从输电项目提取维修预算 数据； 将维修预算数据输入已训练的预测模型， 得到修理成本 。 权利要求书3页 说明书8页 附图2页 CN 113987904 A 2022.01.28 CN 113987904 A 1.一种输电项目修理成本测算方法， 其特 征在于， 包括： 采集预设输电项目的历史维修预算数据； 根据所述历史维修预算数据生成特 征向量； 基于所述特征向量生成训练样本， 并基于所述训练样本构建极限学习机ELM神经网络 预测模型； 获取所述ELM神经网络预测模型的初始参数， 并采用粒子群算法PSO对所述初始参数进 行优化， 得到优化 参数； 采用所述优化 参数替换 所述初始参数， 得到优化ELM神经网络预测模型； 采用所述训练样本训练所述优化ELM神经网络预测模型， 得到已训练的预测模型； 从所述输电项目提取维修预算数据； 将所述维修预算数据输入所述已训练的预测模型， 得到修理成本 。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述历史维修预算数据生成特征 向量的步骤， 包括： 对所述历史维修预算数据进行预处理， 得到线缆维修长度、 线缆年限、 维修结算金额以 及环境数据； 采用所述线缆维修长度、 所述线缆年 限、 所述维修结算金额以及所述环境数据生成特 征向量。 3.根据权利要求1所述的方法， 其特征在于， 所述ELM神经网络预测模型具有输入层、 隐 含层和输出层， 所述初始参数包括所述输入层到所述隐含层的输入权值、 所述隐含层到所 述输出层的输出权值、 所述隐含层的阈值。 4.根据权利要求1所述的方法， 其特征在于， 所述获取所述ELM神经网络预测模型的初 始参数， 并采用粒子群算法P SO对所述初始参数进行优化， 得到优化 参数的步骤， 包括： 以所述初始参数的平均绝对误差、 均 方根误差以及平均绝对百分比误差的和最小为目 标建立目标函数； 确定所述初始参数的上下限区间， 并基于所述上下限区间生成初始种群； 其中， 所述初 始种群中具有 多个粒子； 获取每个粒子的速度和位置； 计算每个粒子的适应度值； 计算每个个体的个体最优位置和整个种群的全局最优位置； 判断所述适应度值是否大于所述个体最优位置， 若是， 则采用所述适应度值更新所述 个体最优位置； 判断所述适应度值是否大于所述全局最优位置， 若是， 则采用所述适应度值更新所述 全局最优位置； 根据所述个体最优位置、 所述全局最优位置和每个粒子的速度， 计算每个粒子的更新 速度； 根据每个粒子的更新速度， 计算每 个粒子的更新 位置； 判断当前迭代次数 是否小于预设迭代次数； 若否， 返回获取每 个粒子的适应度值的步骤； 若是， 根据每个粒子的更新位置和更新速度确定目标种群， 并将所述目标种群的参数权　利　要　求　书 1/3 页 2 CN 113987904 A 2作为优化 参数。 5.一种输电项目修理成本测算装置， 其特 征在于， 包括： 历史维修预设数据采集模块， 用于采集预设输电项目的历史维修预算数据； 特征向量生成模块， 用于根据所述历史维修预算数据生成特 征向量； ELM神经网络预测模型构建模块， 用于基于所述特征向量生成训练样本， 并基于所述训 练样本构建 极限学习机 ELM神经网络预测模型； 优化参数获取模块， 用于获取所述ELM神经网络预测模型的初始参数， 并采用粒子群算 法PSO对所述初始参数进行优化， 得到优化 参数； 优化ELM神经网络预测模型获取模块， 用于采用所述优化参数替换所述初始参数， 得到 优化ELM神经网络预测模型； 训练模块， 用于采用所述训练样本训练所述优化ELM神经网络预测模型， 得到已训练的 预测模型； 提取模块， 用于从所述输电项目提取维修预算数据； 修理成本获取模块， 用于将所述维修预算数据输入所述已训练的预测模型， 得到修理 成本。 6.根据权利要求5所述的装置， 其特 征在于， 所述特 征向量生成模块， 包括： 预处理子模块， 用于对所述历史维修预算数据进行预处理， 得到线缆维修长度、 线缆年 限、 维修结算金额以及环境数据； 特征向量生成子模块， 用于采用所述线缆维修长度、 所述线缆年限、 所述维修结算金额 以及所述环境数据生成特 征向量。 7.根据权利要求5所述的装置， 其特征在于， 所述ELM神经网络预测模型具有输入层、 隐 含层和输出层， 所述初始参数包括所述输入层到所述隐含层的输入权值、 所述隐含层到所 述输出层的输出权值、 所述隐含层的阈值。 8.根据权利要求5所述的装置， 其特 征在于， 所述优化 参数获取模块， 包括： 目标函数建立子模块， 用于以所述初始参数的平均绝对误差、 均方根误差以及平均绝 对百分比误差的和最小为目标建立目标函数； 初始种群生成子模块， 用于确定所述初始参数的上下限区间， 并基于所述上下限区间 生成初始种群； 其中， 所述初始种群中具有 多个粒子； 速度和位置获取子模块， 用于获取每 个粒子的速度和位置； 适应度值计算子模块， 用于计算每 个粒子的适应度值； 最优位置计算子模块， 用于计算每个个体的个体最优位置和整个种群的全局最优位 置； 个体最优位置更新子模块， 用于判断所述适应度值是否大于所述个体最优位置， 若是， 则采用所述 适应度值更新所述个 体最优位置； 全局最优位置更新子模块， 用于判断所述适应度值是否大于所述全局最优位置， 若是， 则采用所述 适应度值更新所述全局最优位置； 更新速度计算子模块， 用于根据所述个体最优位置、 所述全局最优位置和每个粒子的 速度， 计算每 个粒子的更新速度； 更新位置计算子模块， 用于根据每 个粒子的更新速度， 计算每 个粒子的更新 位置；权　利　要　求　书 2/3 页 3 CN 113987904 A 3