基于小样本机器学习的电站工程造价分析方法及装置与流程

1.本技术涉及电站工程建设技术领域，尤其涉及一种基于小样本机器学习的电站工程造价分析方法及装置。

背景技术：

2.抽水蓄能是有效解决电力系统调峰问题、确保电力系统安全可靠运行的有效手段。与火电站相比，抽水蓄能电站更加环保，实现了发电领域的节能减排，所以抽水蓄能电站工程也将日益增设。
3.目前，传统工程造价分析主要基于人为计算，但是抽水蓄能电站是一项复杂的系统工程，影响抽水蓄能电站工程造价的影响变量多种多样，而人为计算存在计算速度低和计算结果精确度低的缺陷，导致人为计算难以面对多变量和多数据量的工程造价优化问题，从而难以得到满足工程造价要求的分析结果。

技术实现要素：

4.本技术提供了一种基于小样本机器学习的电站工程造价分析方法及装置，以解决传统工程造价分析方法难以面对多变量和多数据量的工程造价优化的技术问题。
5.为了解决上述技术问题，第一方面，本技术提供了一种基于小样本机器学习的电站工程造价分析方法，应用于电站工程造价分析装置，电站工程造价分析装置包括影响因素分析模块、造价仿真测算模块，机器学习修正模块和造价综合分析模块，包括：
6.利用影响因素分析模块，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，历史电站造价数据包括历史造价基础数据和历史造价结果数据；
7.利用造价仿真测算模块，根据历史造价基础数据和影响权重，测算抽水蓄能电站的造价测算结果数据；
8.利用机器学习修正模块，根据小样本机器学习算法，对历史造价结果数据和造价测算结果数据进行训练，生成抽水蓄能电站的工程造价修正模型；
9.利用造价综合分析模块，根据工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到目标抽水蓄能电站的目标造价结果数据。
10.在一些实现方式中，利用影响因素分析模块，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，包括：
11.利用影响因素分析模块，将历史电站造价数据导入到云端服务器，以根据灰关联分析法或响应面分析法，对历史电站造价数据进行分析，确定造价影响因素的影响权重。
12.在一些实现方式中，利用造价仿真测算模块，根据历史造价基础数据和影响权重，测算抽水蓄能电站的造价测算结果数据，包括：
13.利用造价仿真测算模块，根据预设仿真测算模型，对历史造价基础数据和影响权重进行测算，得到抽水蓄能电站的造价测算结果数据，预设仿真测算模型为：
14.gc＝∑f(ωiii)；
15.其中，gc为造价测算结果数据，ii为第i个造价影响因素对应的历史造价基础数据，ωi表示第i个造价影响因素的影响权重。
16.在一些实现方式中，利用机器学习修正模块，根据小样本机器学习算法，对历史造价结果数据和造价测算结果数据进行训练，生成抽水蓄能电站的工程造价修正模型，包括：
17.利用机器学习修正模块，将历史造价结果数据和造价测算结果数据输入到预设神经网络；
18.基于小样本机器学习算法，对预设神经网络进行训练，直至预设神经网络达到预设收敛条件，得到修正参数；
19.基于修正参数结合预设仿真测算模型，生成工程造价修正模型。
20.在一些实现方式中，预设神经网络的模型函数为：
[0021][0022]
其中，g
si
为第i个造价测算结果数据，g
ci
为第i个历史造价结果数据，g()表示激活函数，k表示隐含层，j表示输出层，g()、β
kj
、φ
mj
和bk均表示待调整的修正参数。
[0023]
在一些实现方式中，预设收敛条件包括预设神经网络对应的均方根误差、平均绝对误差和平均绝对百分比误差在预设值范围内。
[0024]
在一些实现方式中，工程造价修正模型为：
[0025]gzc
＝β
×
g(φ
×
∑f(ωiii))+b)；
[0026]
其中，g
zc
表示目标造价结果数据，g()表示激活函数，ii为第i个造价影响因素对应的历史造价基础数据，ωi表示第i个造价影响因素的影响权重，g()、β、φ和b表示修正参数。
[0027]
第二方面，本技术还提供一种基于小样本机器学习的电站工程造价分析装置，包括：
[0028]
影响因素分析模块，用于，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，历史电站造价数据包括历史造价基础数据和历史造价结果数据；
[0029]
造价仿真测算模块，用于根据历史造价基础数据和影响权重，测算抽水蓄能电站的造价测算结果数据；
[0030]
机器学习修正模块，用于根据小样本机器学习算法，对历史造价结果数据和造价测算结果数据进行训练，生成抽水蓄能电站的工程造价修正模型；
[0031]
造价综合分析模块，用于根据工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到目标抽水蓄能电站的目标造价结果数据。
[0032]
第三方面，本技术还提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的电站工程造价分析方法。
[0033]
第四方面，本技术还提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的电站工程造价分析方法。
[0034]
与现有技术相比，本技术至少存在以下有益效果：
[0035]
通过利用影响因素分析模块，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，历史电站造价数据包括历史造价基础数据和历史造价结果数据；利用造价仿真测算模块，根据历史造价基础数据和影响权重，测算抽水蓄能电站的造价测算
结果数据；利用机器学习修正模块，根据小样本机器学习算法，对历史造价结果数据和造价测算结果数据进行训练，生成抽水蓄能电站的工程造价修正模型；利用造价综合分析模块，根据工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到目标抽水蓄能电站的目标造价结果数据。实现了基于小样本机器学习算法对工程造价数据进行修正，提高分析结果的精确度，以及利用多个计算机模块配合，提高了测算分析效率。
附图说明
[0036]
图1为本技术实施例示出的基于小样本机器学习的电站工程造价分析方法的流程示意图；
[0037]
图2为本技术实施例示出的基于小样本机器学习的电站工程造价分析装置的结构示意图；
[0038]
图3为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
[0039]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0040]
请参照图1，图1为本技术实施例提供的一种基于小样本机器学习的电站工程造价分析方法的流程示意图。本技术实施例的电站工程造价分析方法可应用于电站工程造价分析装置，该装置包括影响因素分析模块、造价仿真测算模块，机器学习修正模块和造价综合分析模块，该装置可集成于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的电站工程造价分析方法包括步骤s101至步骤s104，详述如下：
[0041]
步骤s101，利用所述影响因素分析模块，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，所述历史电站造价数据包括历史造价基础数据和历史造价结果数据。
[0042]
在本步骤中，造价影响因素包括但不限于安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站址稀缺程度、全社会用电量和平均社会工资水平，以全面考虑工程造价影响因素，使得分析结果更加有说服力。
[0043]
可选地，对抽水蓄能电站工程的造价影响因素进行收集，并将与造价影响因素相关的历史电站造价数据导入到云端服务器，将以往历史数据输入云端服务器，结合灰关联分析法与响应面分析法，得到各个造价影响因素的影响权重ωi。
[0044]
在一些实施例中，所述步骤s101，包括：
[0045]
利用所述影响因素分析模块，将所述历史电站造价数据导入到云端服务器，以根据灰关联分析法或响应面分析法，对所述历史电站造价数据进行分析，确定所述造价影响因素的影响权重。
[0046]
在本步骤中，灰关联分析法包括：1.确定反映系统行为特征的参考数列和影响系统行为的比较数列，即安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站
址稀缺程度、全社会用电量、平均社会工资水平对应的数值；2.由于系统中各因素列中的数据量纲不同，不便于比较或在比较时难以得到正确的结论。因此在使用初值化处理和均值化处理，实现无纲量化；3.对处理后的历史造价数据进行分析计算，得到安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站址稀缺程度、全社会用电量、平均社会工资水平对应的影响权重分别为ωa、ωj、ωc、ωs、ω
l
、ωz、ωq、ω
p
。
[0047]
响应面法分析包括：1.响应面法的核心是多元线性回归方法，对于安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站址稀缺程度、全社会用电量和平均社会工资水平的指标取值(工程造价)，应用均匀设计方法将影响因素之间的关系写成线性模型的矩阵式，以表示第k次试验中第i个影响因素的水平值；2.应用最小二乘法求出模型参数矩阵，将矩阵代入线性模型，得到响应关于各因素水平的数学模型，进而可以图形方式绘出响应与因素的关系图；3.从数学模型和响应与因素的关系图中得到安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站址稀缺程度、全社会用电量、平均社会工资水平对应的影响权重分别为ωa、ωj、ωc、ωs、ω
l
、ωz、ωq、ω
p
。
[0048]
步骤s102，利用所述造价仿真测算模块，根据所述历史造价基础数据和所述影响权重，测算所述抽水蓄能电站的造价测算结果数据。
[0049]
在本步骤中，利用所述造价仿真测算模块，根据预设仿真测算模型，对所述历史造价基础数据和所述影响权重进行测算，得到所述抽水蓄能电站的造价测算结果数据，所述预设仿真测算模型为：
[0050]
gc＝∑f(ωiii)；
[0051]
其中，gc为造价测算结果数据，ii为第i个造价影响因素对应的历史造价基础数据，ωi表示第i个造价影响因素的影响权重。
[0052]
在本实施例中，示例性地，利用以往优秀工程造价案例，导入该工程造价案例对应的安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站址稀缺程度、全社会用电量、平均社会工资水平，即a、j、c、s、l、z、q、p的具体数值；根据数学函数关系，建立仿真测算模型，定义测算工程造价为gc，gc的测算值与安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站址稀缺程度、全社会用电量、平均社会工资水平，即a、j、c、s、l、z、q、p具体数值以及对应的权重具体值ωa、ωj、ωc、ωs、ω
l
、ωz、ωq、ω
p
相关，仿真测算模型具体表示为：
[0053]
gc＝f(a，j，c，s，l，z，q，p)＝∑f(ωiii)＝f(ωaa)+f(ωjj)+f(ωjc)+f(ωss)+f(ω
l
l)+f(ωzz)+f(ωqq)+f(ω
p
p)；
[0054]
将历史造价数据以及在影响因素数据收集分析模块得到的权重系数，带入上述仿真测算模型测算造价测算结果数据gc。
[0055]
步骤s103，利用所述机器学习修正模块，根据小样本机器学习算法，对所述历史造价结果数据和所述造价测算结果数据进行训练，生成所述抽水蓄能电站的工程造价修正模型。
[0056]
在本步骤中，小样本机器学习算法通过随机地设定输入层权值矩阵和阈值，并且在训练过程中保持不变，通过优化隐含层神经元节点数来提高预测精度，具有结构简单、计算参数少、训练速度快、泛化性能好等特点。
[0057]
在一些实施例中，所述步骤s103，包括：
[0058]
利用所述机器学习修正模块，将所述历史造价结果数据和所述造价测算结果数据输入到预设神经网络；
[0059]
基于所述小样本机器学习算法，对所述预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到修正参数；
[0060]
基于所述修正参数结合预设仿真测算模型，生成所述工程造价修正模型。
[0061]
在本实施例中，可选地，所述预设神经网络的模型函数为：
[0062][0063]
其中，g
si
为第i个造价测算结果数据，g
ci
为第i个历史造价结果数据，g()表示激活函数，k表示隐含层，j表示输出层，g()、β
kj
、φ
mj
和bk均表示待调整的修正参数。
[0064]
可选地，所述预设收敛条件包括所述预设神经网络对应的均方根误差、平均绝对误差和平均绝对百分比误差在预设值范围内。
[0065]
可选地，所述工程造价修正模型为：
[0066]gzc
＝β
×
g(φ
×
∑f(ωiii))+b)；
[0067]
其中，g
zc
表示目标造价结果数据，g()表示激活函数，ii为第i个造价影响因素对应的历史造价基础数据，ωi表示第i个造价影响因素的影响权重，g()、β、φ和b表示g()、β
kj
、φ
mj
和bk调整后的修正参数。
[0068]
示例性地，历史工程造价案例为n个，即有n个计算样本，定义为(g
ci
，g
si
)，输入造价测算结果数据g
ci
＝[g
c1
，g
c2
，...g
cn
]
t
，以及实际的历史造价结果数据g
si
＝[g
s1
，g
s2
，...g
sn
]
t
，即输入层与输出层均有n个神经元节点，设隐含层有l个节点，φ
mj
表示输入层节点m与输出层节点j的权值，bk表示隐含层节点l的阈值，φ
mj
和bk通过随机生成，取β
kj
为隐含层k与输出层j之间的连接权值，g()为激活函数，β
kj
和g()为可调整对象，则预设神经网络的模型函数表示为：
[0069][0070]
计算预设神经网络预测评价指标rmse，mape，mae。其中，rmse为均方根误差：
[0071][0072]
mape为平均绝对百分比误差：
[0073][0074]
mae为平均绝对误差：
[0075][0076]
其中，为预设神经网络的输出值，yi为实际值，即实际的历史造价结果数据g
si
。三个评价指标的范围均为[0，+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，评价指标值越大。
[0077]
步骤s104，利用所述造价综合分析模块，根据所述工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到所述目标抽水蓄能电站的目标造价结果数据。
[0078]
在本步骤中，将目标抽水蓄能电站的造价影响因素相关的造价基础数据，如安装工程量、建筑工程量、材料使用量、设备购置量、劳动生产率、站址稀缺程度、全社会用电量和平均社会工资水平等具体数据输入到上述工程造价修正模型，输出目标造价结果数据。
[0079]
为了执行上述方法实施例对应的基于小样本机器学习的电站工程造价分析方法，以实现相应的功能和技术效果。参见图2，图2示出了本技术实施例提供的一种基于小样本机器学习的电站工程造价分析装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的电站工程造价分析装置，包括：
[0080]
影响因素分析模块201，用于根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，所述历史电站造价数据包括历史造价基础数据和历史造价结果数据；
[0081]
造价仿真测算模块202，用于根据所述历史造价基础数据和所述影响权重，测算所述抽水蓄能电站的造价测算结果数据；
[0082]
机器学习修正模块203，用于根据小样本机器学习算法，对所述历史造价结果数据和所述造价测算结果数据进行训练，生成所述抽水蓄能电站的工程造价修正模型；
[0083]
造价综合分析模块204，用于根据所述工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到所述目标抽水蓄能电站的目标造价结果数据。
[0084]
在一些实施例中，所述影响因素分析模块201，具体用于：
[0085]
将所述历史电站造价数据导入到云端服务器，以根据灰关联分析法或响应面分析法，对所述历史电站造价数据进行分析，确定所述造价影响因素的影响权重。
[0086]
在一些实施例中，所述造价仿真测算模块202，具体用于：
[0087]
根据预设仿真测算模型，对所述历史造价基础数据和所述影响权重进行测算，得到所述抽水蓄能电站的造价测算结果数据，所述预设仿真测算模型为：
[0088]
gc＝∑f(ωiii)；
[0089]
其中，gc为造价测算结果数据，ii为第i个造价影响因素对应的历史造价基础数据，ωi表示第i个造价影响因素的影响权重。
[0090]
在一些实施例中，所述机器学习修正模块203，具体用于：
[0091]
将所述历史造价结果数据和所述造价测算结果数据输入到预设神经网络；
[0092]
基于所述小样本机器学习算法，对所述预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到修正参数；
[0093]
基于所述修正参数结合预设仿真测算模型，生成所述工程造价修正模型。
[0094]
在一些实施例中，所述预设神经网络的模型函数为：
[0095][0096]
其中，g
si
为第i个造价测算结果数据，g
ci
为第i个历史造价结果数据，g()表示激活函数，k表示隐含层，j表示输出层，g()、β
kj、
φ
mj
和bk均表示待调整的修正参数。
[0097]
在一些实施例中，所述预设收敛条件包括所述预设神经网络对应的均方根误差、平均绝对误差和平均绝对百分比误差在预设值范围内。
[0098]
在一些实施例中，所述工程造价修正模型为：
[0099]gzc
＝β
×
g(φ
×
∑f(ωiii))+b)；
[0100]
其中，g
zc
表示目标造价结果数据，g()表示激活函数，ii为第i个造价影响因素对应
的历史造价基础数据，ωi表示第i个造价影响因素的影响权重，g()、β、φ和b表示修正参数。
[0101]
上述的电站工程造价分析装置可实施上述方法实施例的电站工程造价分析方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0102]
图3为本技术一实施例提供的计算机设备的结构示意图。如图3所示，该实施例的计算机设备3包括：至少一个处理器30(图3中仅示出一个)处理器、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
[0103]
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0104]
所称处理器30可以是中央处理单元(central processing unit，cpu)，该处理器30还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0105]
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0106]
另外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
[0107]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
[0108]
在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0109]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说
对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0110]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：

1.一种基于小样本机器学习的电站工程造价分析方法，其特征在于，应用于电站工程造价分析装置，所述电站工程造价分析装置包括影响因素分析模块、造价仿真测算模块，机器学习修正模块和造价综合分析模块，包括：利用所述影响因素分析模块，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，所述历史电站造价数据包括历史造价基础数据和历史造价结果数据；利用所述造价仿真测算模块，根据所述历史造价基础数据和所述影响权重，测算所述抽水蓄能电站的造价测算结果数据；利用所述机器学习修正模块，根据小样本机器学习算法，对所述历史造价结果数据和所述造价测算结果数据进行训练，生成所述抽水蓄能电站的工程造价修正模型；利用所述造价综合分析模块，根据所述工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到所述目标抽水蓄能电站的目标造价结果数据。2.如权利要求1所述的基于小样本机器学习的电站工程造价分析方法，其特征在于，所述利用所述影响因素分析模块，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，包括：利用所述影响因素分析模块，将所述历史电站造价数据导入到云端服务器，以根据灰关联分析法或响应面分析法，对所述历史电站造价数据进行分析，确定所述造价影响因素的影响权重。3.如权利要求1所述的基于小样本机器学习的电站工程造价分析方法，其特征在于，所述利用所述造价仿真测算模块，根据所述历史造价基础数据和所述影响权重，测算所述抽水蓄能电站的造价测算结果数据，包括：利用所述造价仿真测算模块，根据预设仿真测算模型，对所述历史造价基础数据和所述影响权重进行测算，得到所述抽水蓄能电站的造价测算结果数据，所述预设仿真测算模型为：g
c
＝∑f(ω
i
i
i
)；其中，g
c
为造价测算结果数据，i
i
为第i个造价影响因素对应的历史造价基础数据，ω
i
表示第i个造价影响因素的影响权重。4.如权利要求1所述的基于小样本机器学习的电站工程造价分析方法，其特征在于，所述利用所述机器学习修正模块，根据小样本机器学习算法，对所述历史造价结果数据和所述造价测算结果数据进行训练，生成所述抽水蓄能电站的工程造价修正模型，包括：利用所述机器学习修正模块，将所述历史造价结果数据和所述造价测算结果数据输入到预设神经网络；基于所述小样本机器学习算法，对所述预设神经网络进行训练，直至所述预设神经网络达到预设收敛条件，得到修正参数；基于所述修正参数结合预设仿真测算模型，生成所述工程造价修正模型。5.如权利要求4所述的基于小样本机器学习的电站工程造价分析方法，其特征在于，所述预设神经网络的模型函数为：其中，g
si
为第i个造价测算结果数据，g
ci
为第i个历史造价结果数据，g()表示激活函
数，k表示隐含层，j表示输出层，g()、β
kj
、φ
mj
和b
k
均表示待调整的修正参数。6.如权利要求4所述的基于小样本机器学习的电站工程造价分析方法，其特征在于，所述预设收敛条件包括所述预设神经网络对应的均方根误差、平均绝对误差和平均绝对百分比误差在预设值范围内。7.如权利要求4所述的基于小样本机器学习的电站工程造价分析方法，其特征在于，所述工程造价修正模型为：g
zc
＝β
×
g(φ
×
∑f(ω
i
i
i
))+b)；其中，g
zc
表示目标造价结果数据，g()表示激活函数，i
i
为第i个造价影响因素对应的历史造价基础数据，ω
i
表示第i个造价影响因素的影响权重，g()、β、φ和b表示修正参数。8.一种基于小样本机器学习的电站工程造价分析装置，其特征在于，包括：影响因素分析模块，用于根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重，所述历史电站造价数据包括历史造价基础数据和历史造价结果数据；造价仿真测算模块，用于根据所述历史造价基础数据和所述影响权重，测算所述抽水蓄能电站的造价测算结果数据；机器学习修正模块，用于根据小样本机器学习算法，对所述历史造价结果数据和所述造价测算结果数据进行训练，生成所述抽水蓄能电站的工程造价修正模型；造价综合分析模块，用于根据所述工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到所述目标抽水蓄能电站的目标造价结果数据。9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的电站工程造价分析方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电站工程造价分析方法。

技术总结

本申请公开了一种基于小样本机器学习的电站工程造价分析方法及装置，通过利用影响因素分析模块，根据历史电站造价数据，分析抽水蓄能电站的造价影响因素的影响权重；利用造价仿真测算模块，根据历史造价基础数据和影响权重，测算抽水蓄能电站的造价测算结果数据；利用机器学习修正模块，根据小样本机器学习算法，对历史造价结果数据和造价测算结果数据进行训练，生成抽水蓄能电站的工程造价修正模型；利用造价综合分析模块，根据工程造价修正模型，对待建设的目标抽水蓄能电站进行造价分析，得到目标抽水蓄能电站的目标造价结果数据。实现了基于小样本机器学习算法对工程造价数据进行修正，提高分析效率合分析结果的精确度。度。度。