基于梯度提升决策树算法的电力工程造价预测模型
邵帅1
赵祥2
敖慧凝2
柳禾丰2
王冬2
1.东北电力大学电气工程学院,吉林吉林 132012;国网吉林省电力有限公司经济技术研究院,吉林长春 1300212.国网吉林省电力有限公司经济技术研究院,吉林长春 130021
摘要：[目的]电力工程造价预测在电网企业资源优化、财务稳定、风险管理、效率提升、项目决策、政策制定、市场秩序维护和投资者决策等方面具有重要意义.针对传统预测方法综合性能较差的问题,并考虑电力工程造价数据的小样本特性,提出了一种基于梯度提升决策树(gradient boosting decision tree,GBDT)的预测模型,通过优化训练过程中的残差,显著提升预测精度.[方法]从自然环境和技术因素出发,深入分析了电力工程造价的影响因子,筛选出 11个影响电力工程造价的关键变量.通过数据清洗、特征编码和对数变换,构建适配GBDT模型的特征工程.采用Optuna框架进行超参数调优,并利用5折交叉验证法评估模型性能.模型优化以拟合优度作为评价指标,迭代寻找最优超参数,直至满足预测精度要求或达到最大迭代次数,最终建立结合Optuna框架的梯度提升决策树预测模型.以某地区变电工程造价数据为例,90％的数据样本作为训练集和验证集,10％的数据样本作为测试集,对比分析随机森林、神经网络、GBDT和结合Optuna的GBDT模型的预测效果,通过拟合优度与均方根误差进行性能评估.[结果]实验结果显示,结合Optuna的GBDT模型预测效果优于随机森林、神经网络及GBDT算法,预测值在真实值的±10元/kVA区间浮动.在验证集上,拟合优度为0.892 3,均方根误差为8.01;在测试集上,拟合优度为0.886 6,均方根误差为8.09.[结论]基于GBDT的电力工程造价预测模型能够精准预测电力工程造价,相较传统方法具有更高预测精度,尤其适用于电力工程造价类的小样本数据集.结合Optuna框架进行超参数调优,进一步提升了预测效果.未来研究将引入更多样本数据,并结合神经网络算法,探索更优的预测方案,助力电网企业实现高效运营与良性发展.
关键词：电力工程造价预测梯度提升决策树残差优化对数变换影响因子特征工程Optuna框架
分类号：TM72(输配电工程、电力网及电力系统)TP311.13(计算技术、计算机技术)
资助基金：吉林省科技计划项目(J2020RCDT2B0485)国网吉林省电力有限公司专项(SGJLJY00JJJS2000060)
论文发表日期：2025-05-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 302-308 )
英文信息