王林峰 张文静 刘云 陈志宾 王立功
摘要：针对大数据环境下电力工程造价在精准化、动态化等方面存在的不足，提出了一种基于BIM与CNN的电力工程造价优化算法。利用BIM技术的特点进行电力工程全生命周期的造价管理，实现了造价的动态化管控。并且采用Levenberg-Marquardt规则算法改进卷积神经网络，通过改进后的CNN网络对每个工程环节的造价完成预测，从而优化整个工程的施工方案。结合相关的电力工程造价数据，基于Matlab对所提算法进行实验测试。结果表明，当学习率为0．010时CNN网络的性能最佳，所提算法的预测准确率为94%，并且与造价的真实值最为接近。
关键词：电力工程造价；
BIM技术；
卷积神经网络；
大数据环境；
Levenberg-Marquardt规则算法；
全生命周期；
动态化管控；
预测准确性
中图分类号：TM73 文献标志码：A 文章编号：1000-1646（2024）01-0007-06
工程造价是工程设计的重要组成部分，有必要在电力工程造价过程中进行合理的优化，以保证电力工程建造秩序和工程质量，同时降低工程成本。近年来，BIM技术凭借全面化、精准化和动态化的特点，在现代建筑、工程设计、大型机械以及项目管理等领域得到了广泛应用。
结合BIM技术，工程造价管理能够全面提升项目开发及建设质量，有助于更好、更快地推进项目的实施与完善。付欢针对工程参与方的信息交互方式提出了完整的BIM属性信息检验方法，并构建工程成本预测模型用于指导工程决策，但模型未涉及工程的每一阶段成本。李琦基于BIM建模和Unity3D技术快速挖掘工程中海量价值数据，提高了工程决策效益，但研究侧重于数据可视化，在造价预测方面的应用效果有待论证。丁政中等利用Mann-Kendall趋势检验法和三次指数平滑法（MK-TESM）构建工程造價预测模型，模型可靠性较高，但对于工程全生命周期的造价管控力度有待提升。现有BIM技术在电力工程造价中应用较少，尤其在物联网大数据背景下，BIM技术结合各方数据挖掘结果进行综合分析的能力和预测准确性还略显不足，无法为工程实施提供精准的数据支撑。
为此，本文提出了一种大数据环境下基于BIM与卷积神经网络（CNN）的电力工程造价优化算法。该算法在利用BIM技术实现电力工程全生命周期管理的基础上，利用CNN网络预测每个环节的工程造价，为施工方案调整提供理论支撑，从而优化了工程造价，保证项目的质量和成本最优。
1 电力工程全生命周期造价管理
BIM是基于网络信息的建筑设计技术，用于建筑和基础设施的规划、设计、建造和管理，其组成元素包括业主、制造商、开发商、施工经理、承包商等。如果对其中某一设计对象进行更改，则会反映在使用该对象设计的每个元素中，因此用户就可以协作工作，不断地更新模型。这一特性为构建工程全生命周期管理模型提供了思路，通过BIM技术记录工程的全部数据，优化工程技术方案并及时调整参数，不仅能够提高工程质量，而且可以节约工程造价，实现相应的设计目标。
同时，随着电网智能化的深入发展，电力工程项目的难度也在不断上升，对于其项目成本管控也变得更为繁杂。电力工程造价管控中类型繁多且分工不清晰，加上工程规划准则难以把控、新技术建材的价格估算模糊，导致建材浪费和施工费用增加。此外，电力工程施工时工程变更的现象频发，导致制定的预算存有较大误差。因此，针对上述情况，利用BIM技术设计了适用于电力工程的全生命周期造价管理模型，其中电力工程全生命周期造价管理内容如图1所示。
由于BIM技术具有协调性、可视化、仿真性、支持图像输出和成本精度高等特点，因此在工程施工管控过程中，可凭借BIM的数据分层归类系统和自动累计系统保证数据的安全，便于数据的管理剖析。同时根据各个部门的需要，利用BIM技术的协调性完成数据剖析，以提升所有部门协作的效率。此外，BIM技术还可以详细展示工程每一个阶段的费用使用情况，并利用仿真性估计工程进度和造价，以有效控制施工进度和费用。基于BIM技术构建的电力工程全生命周期造价管理模型不仅提高了施工预算的准确性，而且支持预制加工，使施工管理水平大幅度提高。
2 电力工程造价优化算法
基于BIM技术平台，能够构建面向各种工程方案的可视化模型，且每种方案均有与之相对应的造价预估模型。因此将BIM模型和造价预估相联系，从而生成每种方案的预估造价，然后凭借BIM技术的工程实施模拟和方案改进等功能，全面对比剖析每个候选施工方案，从而能够加深工程项目前期的规划，进一步完善工程项目的可研性，为项目的施工决策提供有效支撑。
CNN作为深度神经网络模型之一，目前已广泛应用于数据剖析领域。其权值共享网络架构与生物神经网络相似，能够简化网络模型、缩减权值量。CNN网络大体包含了卷积层、子采样层和全连接层，每一层次均包含数个二维平面。同时每一平面均包含数个分开的神经元，其典型架构如图2所示。
在CNN模型架构中，最初的几个层次主要是由卷积层与子采样层交互连接组成的。然后经过卷积层、子采样层和全连接层的处理，将二维架构的信息转换为一维架构的量输出。其中在全连接层中将输入量与权重进行点积运算，并经过偏置运算把学习结果传至激活函数，以获取模块状态。
电力工程造价包括其整个生命周期中各个阶段产生的费用，本文借助BIM技术得到数据集，利用CNN进行造价预测，预测流程如图3所示。
首先将训练的电力工程数据进行简单的标准化处理，完成数据去噪、归一化等预处理操作。为了避免训练数据中可能存在的不良数据对网络训练造成的干扰，利用批处理模式进行网络训练，即随意选择一定数量的训练样本组成一个小样本作为输入。采用反向传播（BP）算法更新每一小样本的权重数值，直至满足迭代停止条件，网络训练完成。然后将电力工程造价的实验数据输入至训练完成的CNN网络，利用前向传播获得造价的预测优化值[18]。
传统BP算法存在一些弊端，例如收敛速度慢，新融入的样本会对已有样本产生干扰，网络神经元数量和权值初始值的选定均依赖经验等。针对上述问题，本文采用Levenberg-Marquardt训练前向网络，以此提高收敛速度和运算准确度。
6）如果误差e未达到期望值，则μ=μ-1，返回步骤2）；
如果误差e达到期望值，则CNN模型训练结束，得到最佳权重和阈值。
7）将c（j）输入训练好的CNN模型，得到输出的电力工程造价值为F（·）f*（fNK（fi（[c（1），c（2），…c（M）]））），其中，f*為最终模型输出和工程造价值的转换函数。
3 实验结果与分析
为了验证所提算法的可靠性和对工程项目的优化性能，对某省级电力公司相关工程造价数据进行收集，并选择其中400项作为样本数据，部分数据如表1所示。前326项数据作为训练集，后74项数据作为测试集。
同时，基于Pytorch深度学习框架搭建预测模型，用于分析选取的电力工程数据集。其中CNN模型的参数设置为：优化器为Adam，激活函数为ReLU，Dropout为0.4，迭代次数为1000。
此外，实验中采用造价水平预测准确率PL评估所提算法的优化性能，计算表达式为
3.1 参数分析
CNN网络的学习率θ对模型训练准确率有着较大干扰，为此选取不同的学习率进行实验，学习率对损失函数的影响如图4所示。
从图4中可以看出，随着学习率的增加，收敛速度在不断加快。即当学习率为0.010时，迭代仅20次便趋于稳定，此时损失函数约为0.02；
当学习率为0.015时，迭代约15次便实现收敛，收敛速度更快，但损失函数值接近0.15。因此，实验中优化CNN网络的学习率设为0.010。
在选定学习率为0.010基础上，研究不同卷积层和采样层数对准确率的影响。通过实验结果选择最优的CNN网络结构进行电力工程造价预测，以提高预测的准确性。实验中，将卷积层和采样层的总层数依次设成2、4、6、8，并采用两者交互连接的形式，实验次数设为400，将预测准确率均值作为实验评价结果，如图5所示。
从图5中可以看出，当卷积层和采样层共为4层时，CNN网络的预测准确率最高，因此，实验中优化CNN网络的卷积层和采样层共选为4层。
3.2 与其他算法的对比分析
为了进一步验证所提算法的性能，将本文算法与其他研究结果进行对比分析，综合造价水平预测准确率如图6所示。
从图6可以看出，当数据量增加时，各种算法的预测准确率均有所上升。但相比于其他算法，所提算法的预测准确率更高，接近94%。因为所提算法基于BIM技术考虑了电力工程的整个生命周期，同时利用CNN网络对每个时期的工程造价进行预测，因此整体的预测性能得到了大幅度提升。文献[4]和文献[5]均基于BIM技术进行工程造价管理，但未对每个时期的造价进行优化，因此预测性能较差。同样，文献[6]利用MK-TESM方法实现了工程造价估算，但缺乏对电力工程整个时期的全局管控，因此预测准确率低于90%。
为了论证所提算法对各个工程节点的造价优化效果，将其与文献[4]、文献[5]、文献[6]在各个工程等方面进行预测造价对比分析，结果如图7所示。
由图7可以看出，所提算法对大部分工程项目的造价预测结果与真实值最为接近，仅在基础工程项目中稍劣于文献[6]。由于所提算法结合BIM技术进行电力工程的全过程管控，其中运用CNN网络提供造价预测能够优化工程决策并及时调整施工方案，从而减少工程造价预测偏差。其他对比算法仅从工程或纯算法单一层面考虑，因此整体性能较差，无法很好地应用于电力工程造价的优化研究。
4 结束语
由于以往电力工程造价估算大多依靠经验丰富的人员进行手动分析与推测，错误率较高且无法实时动态快速调整。为此，提出了一种大数据环境下基于BIM与CNN的电力工程造价优化算法。利用BIM技术可以实现电力工程全生命周期造价的动态化管控，一旦出现调整，便能够快速更新施工方案。利用改进后的CNN网络对每个工程环节的造价进行预测，以优化整个电力工程的造价方案，确保了工程质量与经济性。基于Matlab平台对所提算法进行实验论证的结果表明，当学习率为0．010且卷积层和采样层共为4层时，CNN网络的性能最佳，具备较为理想的优化性能。
BIM技术在电力工程造价领域的研究仍处于起步阶段，所提算法也仅针对某一工程进行了论证。在接下来的工作中，考虑将所提算法中的CNN网络替换成更为主流的处理算法，以提高所提算法的泛化能力与造价优化能力。
（责任编辑：景勇 英文审校：尹淑英）
猜你喜欢 电力工程卷积工程造价 试论电力工程管理模式的创新与应用消费电子(2022年7期)2022-10-31基于3D-Winograd的快速卷积算法设计及FPGA实现北京航空航天大学学报(2021年9期)2021-11-02BIM系统在电力工程中的应用建材发展导向(2021年13期)2021-07-28电力工程中电气自动化技术的应用建材发展导向(2019年5期)2019-09-09如何加强工程造价管理有效的控制工程造价建材发展导向(2019年10期)2019-08-24从滤波器理解卷积电子制作(2019年11期)2019-07-04基于傅里叶域卷积表示的目标跟踪算法北京航空航天大学学报(2018年1期)2018-04-20浅析电力工程管理模式的创新与应用山东工业技术(2016年15期)2016-12-01工程造价之旅中国工程咨询(2016年12期)2016-01-29一种基于卷积神经网络的性别识别方法电视技术(2014年19期)2014-03-11