CN117709908B - 一种电网工程人、材、机分配合理性智慧审计方法与*** - Google Patents
一种电网工程人、材、机分配合理性智慧审计方法与*** Download PDFInfo
- Publication number
- CN117709908B CN117709908B CN202410166030.3A CN202410166030A CN117709908B CN 117709908 B CN117709908 B CN 117709908B CN 202410166030 A CN202410166030 A CN 202410166030A CN 117709908 B CN117709908 B CN 117709908B
- Authority
- CN
- China
- Prior art keywords
- index
- price
- power grid
- input element
- cost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009826 distribution Methods 0.000 title claims description 18
- 238000012550 audit Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电网工程审计管理领域,提供了一种电网工程人、材、机分配合理性智慧审计方法与***,针对电网工程项目审计结算指数多、造价分配合理性评估难的问题,本发明构建多层树状结构的电网工程造价指数体系,通过逐步累计预估电网工程宏观动态造价分配合理性,提高面向不同环节的电网工程造价分配比例的精准分析、准确评估。针对采用深度学习构建投入要素单项造价指数评估模型,小规模训练样本量难以实现模型的充分训练的问题,本发明采用贝叶斯网络算法预先计算造价指数影响因素之间影响概率,此外,采用时间卷积网络实现对投入要素价格单项指数预估,单个模型造价指标影响因素少,进一步降低了模型的训练样本集规模需求。
Description
技术领域
本发明属于电网工程审计管理领域,尤其涉及一种电网工程人、材、机分配合理性智慧审计方法与***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电网工程项目建设过程中不可避免的融入了市场行业影响因素变化信息,且电网工程建设造价影响因素繁多且复杂,工程结算涉及数十乃至数百个指标,不同指标偏差对整个工程造价偏差定级的差异化影响不同。
传统根据历史项目数据对当前电网工程项目开展审计工作,往往存在电网工程项目中关键环节审计风险识别准确性低的问题,如统计模型虽然可以刻画价格趋势变化现象,但难以有效刻画造价波动的非线性特征,导致无法精准识别电网工程关键环节风险识别,不利于电网工程审计管理。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种电网工程人、材、机分配合理性智慧审计方法与***,其通过全面调取、统计、分析不同类型电网工程的审计数据,达到对电网工程关键造价指标数据精准分析、准确评估,进而识别电网工程项目建设过程中造价分配比例不合理的环节,来防范和识别电网工程项目中关键环节的审计风险。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一方面提供一种电网工程人、材、机分配合理性智慧审计方法,包括如下步骤:
从预设电网工程项目数据库中调取电网工程项目审计样本数据;
基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,将人、材、机投入要素价格单项指数数据及其造价影响因素的时间序列数据作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联矩阵;
结合造价指数影响因素关联矩阵和训练好的投入要素价格单项指数预测模型,得到人、材、机投入要素价格单项指数预估值;
基于人、材、机投入要素价格单项指数预估值设定阈值区间,基于该设定阈值区间对待评估电网工程项目审计数据识别得到电网工程项目中存在审计风险的关键环节。
本发明的第二方面提供一种电网工程人、材、机分配合理性智慧审计***,包括:
数据调取模块,配置为:从预设电网工程项目数据库中调取电网工程项目审计样本数据;
关联矩阵获取模块,配置为:基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,将人、材、机投入要素价格单项指数数据及其造价影响因素的时间序列数据作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联矩阵;
风险环节识别模块,配置为:结合造价指数影响因素关联矩阵和训练好的投入要素价格单项指数预测模型,得到人、材、机投入要素价格单项指数预估值;基于人、材、机投入要素价格单项指数预估值设定阈值区间,基于该设定阈值区间对待评估电网工程项目审计数据识别得到电网工程项目中存在审计风险的关键环节。
与现有技术相比,本发明的有益效果是:
1、针对采用深度学习构建投入要素单项造价指数评估模型,小规模训练样本量难以实现模型的充分训练的问题,本发明采用贝叶斯网络算法预先计算造价指数影响因素之间影响概率,并作为构建造价指数影响因素关联图的初始化参数值,以此初始化参数值开展投入要素单项造价指数评估模型的参数调整训练,降低了模型的训练样本集规模需求,此外,采用时间卷积网络实现对投入要素价格单项指数预估,单个模型造价指标影响因素少,故进一步降低了模型的训练样本集规模需求,保证小规模训练样本量可实现投入要素单项造价指数评估模型的充分训练,提高造价指数评估的准确性和稳定性。
2、针对电网工程项目审计结算指数多、造价分配合理性评估难的问题,本发明构建多层树状结构的电网工程造价指数体系,以投入要素单项造价影响因素为基础造价数据,预估上层投入要素价格综合指数和综合实体单位造价指数,通过对最低层单要素造价分配合理性评估,逐步累计预估电网工程宏观动态造价分配合理性,提高面向不同环节的电网工程造价分配比例的精准分析、准确评估。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例提供的一种电网工程人、材、机分配合理性智慧审计方法流程图;
图2是本发明实施例提供的基于多层树状结构的电网工程项目造价指数体系图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例提供了一种电网工程人、材、机分配合理性智慧审计方法,包括如下步骤:
S101:从预设电网工程项目数据库中调取电网工程项目审计样本数据;
基于获取的电网工程项目审计样本数据,根据工程项目建设类别进行分类,并进一步根据项目建设规模细化分类,形成不同典型工程项目建设类别的电网工程项目审计样本子集,分别按设定比例分为训练样本集和测试样本集;
S101中,基于ERP***、财务管控***、基建管控***、生产管理PMS等信息***,获取各类电网工程项目审计样本数据。
以配电网工程审计项目为例,采用2022年1月-2022年12月的审计数据,开展本实施例所述疑似造价分配不合理环节的构建及测试。覆盖29类核心业务79条业务链152个风险点,共计工程项目1.6万项,合同13.9万份等全量业务数据,选取其中2530个项目的审定结算数据构建审计数据样本集,数据时间间隔为月,然后按照70%和30%比例分为训练样本集和测试样本集。
S102:根据每类电网工程项目审计样本子集,得到投入要素价格单项指数造价基数;
本实施例中,基于不同典型工程项目建设类别的电网工程项目审计样本子集,每类电网工程项目审计样本子集根据专家经验选取一标杆配电网工程样本的各个指标值作为造价指标基数;
如下表1为某10KV充电桩电网基建配套工程项目的投入要素价格单项指数造价基数部分示例。
表1投入要素价格单项指数造价基数部分示例
S103:构建电网工程造价指数体系;
如图2所示,所述构建电网工程造价指数体系,具体包括:
S301:基于不同典型工程项目建设类别的电网工程项目审计样本子集,提取电网工程项目审计样本投入要素价格单项数据,与S102获取的同类别造价指标基数计算比值,生成投入要素价格单项指数作为最底层基础数据;
本实施例中,所述投入要素价格单项指数是指将配电网工程建设中的各要素价格报告期与基期的比值,主要要素包含人工成本指数、材料价格指数和机械台班费用指数等;
以材料价格单项指数为例,其计算公式如下:
(1),
其中,表示第/>项分项工程的第/>种材料第/>报告期的价格单项指数;/>表示第/>项分项工程的第/>种材料第/>报告期价格;/>表示第/>项分项工程的第/>种材料基期价格,/>,/>为投入要素总量,0表示基期。
人工和机械台班价格单项指数计算过程一致,此处不再赘述。
以某市业扩配套项目10kV第二批充电桩电网基建配套工程项目为样本示例,算例示例说明选定2022年9月200个项目的审定结算数据,采用投入要素价格单项指数计算公式计算表1中的各投入要素价格单项指数均值,如表2所示:
表2投入要素价格单项指数均值部分示例
S302:基于获取的各投入要素价格单项指数,采用派氏指数计算配电网工程建设过程中不同分项工程涉及的多项单类(人、料、机)投入要素的价格综合指数。
以材料价格综合指数为例,其计算公式如下:
(2),
其中,表示投入第/>项分项工程的第/>种材料的价格综合指数,z表示综合指数;/>表示第/>项分项工程的第/>种材料第/>报告期的价格单项指数;/>表示投入第/>项分项工程中投入第/>种材料的基期价格指数,设定为/>;/>表示第/>项分项工程中投入第种材料第/>报告期的耗用量,/>,m表示总分部分工程量。人工和机械台班价格综合指数计算过程一致,此处不再赘述。
S303:基于不同分项工程的单类投入要素的价格综合指数,采用权值求和方法计算获取分项工程单价指数,基于分项工程单价指数,采用权值求和方法计算获取单位工程单价指数,基于单位工程单价指数,采用权值求和方法计算获取建设工程单价指数;
综合实体单位造价指数主要包括分项工程单价指数、单位工程单价指数和建设工程单价指数。
综合实体单位造价指数以汇总计算的方式,对所涉及到的下一层级的各类价格综合指数及其权值占比相乘后累计求和,以分项工程单价指数为例,计算公式如下:
(3),
其中,表示第/>项分项工程报告期综合实体单价指数;/>表示在第/>项分项工程中的第/>种投入要素费用占该分项工程第/>报告期总费用的占比值。单位工程单价指数和建设工程单价指数计算过程一致。
S304:投入要素价格单项指数、单类投入要素的价格综合指数、分项工程单价指数、单位工程单价指数和建设工程单价指数,关联表现为多层树状结构,共同形成电网工程造价指数体系。
S104:将投入要素价格单项指数及其造价影响因素作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联矩阵;
基于电网工程项目审计样本投入要素价格单项数据,设定不同投入要素价格单项数据的造价影响因素,将各投入要素价格单项数据及其造价影响因素作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联图,输出造价指数影响因素关联矩阵,具体包括:
S401:基于电网工程项目审计样本投入要素价格单项数据,根据审计专家经验设定不同投入要素价格单项数据的造价影响因素;
以通用钢模板为例,其造价影响因素集包含GDP、国际大宗商品价格、通货膨胀、基础设施建设规模、项目质量要求、宏观调控政策、环保指标、区域限电管控、原材料资源开采政策、运输成本、原材料进出口量、钢模板进出口量、自然灾害、季节因素及其他不可控因素,共计包含15类影响因素,且各影响因素间往往存在复杂的关联性。
S402:将各投入要素价格单项数据及其造价影响因素作为节点数据,两两相连构建影响因素无向完全图;
S403:基于影响因素无向完全图,计算两两影响因素间的条件互信息,形成最大带权生成树的影响因素完全有向图;
其中,计算任意两个影响因素间的条件互信息:
(4),
其中,表示造价波动率的离散化处理分类空间,通过将造价波动率区间等距离分类获取,设定为6类;/>表示分类类别,/>;/>表示在分类类别一定的情况下,/>和/>的条件联合概率分布;/>表示在分类类别一定的情况下,/>的条件概率分布;/>表示在分类类别一定的情况下,/>的条件概率分布;/>、和/>均由训练样本集统计获取;/>表示影响因素/>和/>在分类类别已知下的相关性,任意两个节点间边的权重为/>,获取影响因素无向完全图。
S404:基于影响因素完全有向图,采用独立规则测试和条件独立规则测试进行节点间的独立性及条件独立性测试,从而获取影响因素超结构体;
独立规则测试是对任意两节点,判断其是否独立,若独立,则删除该两节点间的边,具体过程为:
(5),
若成立,则节点和节点/>独立,否则不独立;条件独立规则测试是对任意两节点,判断其是否对其父节点或子节点独立,若条件独立,则删除该两节点间的边,具体过程为:
计算自由度:
(6),
给定显著性水平,/>,其中,/>、/>和/>分别表示节点/>、/>和/>的取值个数,即给定/>的条件下,/>和/>相互依赖的概率为/>,此时/>和/>不条件独立;
此外,对于删除的边,判断其两端点间是否在剩余无向图中存在联通路径,若存在,则恢复删除的边,从而防止误删边。
S405:基于影响因素超结构体,采用BDeu函数作为局部评分,基于局部评分最大值确定影响因素超结构体中各个节点间的方向,生成造价指数因素关联图,并将关联节点间的条件互信息值作为有向边的权值,从而获取因素关联矩阵A。
对包含在影响因素超结构体中的任意三元组的以下4种结构进行局部评分,即计算子结构/>,/>,/>和/>的评分增益,即
(7),
其中,n表示父节点的取值数量;/>表示/>子节点的取值数量,/>表示Gamma函数;/>表示/>取第k个值,同时/>的父节点取第j个值的样本数目,/>。
最大化的评分增益,从而确定影响因素超结构体中各个节点间的方向,即获取因素关联图,并将关联节点间的条件互信息/>作为有向边的权值,从而获取因素关联矩阵A。
S105:结合造价指数影响因素关联矩阵构建投入要素单项造价指数评估模型;
基于S101电网工程项目审计样本子集获取投入要素单项造价及其影响因素的时间序列数据,结合S104获取的造价指数因素关联矩阵,采用时间卷积网络(TemporalConvolutional Network, TCN)构建投入要素单项造价指数评估模型,通过对单项造价指数因素关联图的输入的投入要素单项造价指数影响因素的时间序列数据进行卷积计算,输出投入要素价格单项指数预估值;具体包括:
S501:基于S101电网工程项目审计样本子集获取投入要素单项造价及其影响因素的时间序列数据作为输入数据,结合S104获取的造价指数因素关联矩阵,定义滤波器,并以滤波器对时间卷积网络层输入进行卷积计算,输出时间卷积层隐藏表示值;
定义滤波器,其中,/>表示滤波器的总数,/>;造价影响因素的时序矩阵为/>,其中,t表示某一时刻,每个矩阵X内含m个造价影响因素,表示为m维列向量矩阵形式,如/>,则在第t时刻的时间卷积可表示为:
(8),
基于上式,带入造价指数因素关联矩阵和投入要素单项造价指数影响因素时间序列矩阵/>,则有
(9),
其中,,/>表示单位矩阵,避免矩阵计算过程中节点自身特征关联信息缺失;/>代表时间卷积网络层间的权重参数矩阵;/>表示每一层的输入特征,对于隐藏层来说,就是上一层的输出值;/>表示/>的度矩阵,为对角阵的形式,表示各节点与其他节点的相关联的边的数量。
S502:为了扩大造价指数因素在时间维度的窗口,对时间卷积网络层引入空洞卷积,更新中间层的输出时间卷积表示及输出的时间卷积层隐藏表示值;
空洞卷积是在标准的卷积里注入空洞,即允许卷积时的输入存在间隔采样,以此来增加感受野。空洞卷积多了一个超参数膨胀率,指的是kernel的间隔数量。标准的CNN中膨胀率等于1,表示输入时每个点都采样,中间层,表示输入时每2个点采样一个作为输入,以此类推。一般来讲,越高的层级使用的/>的大小越大。所以,空洞卷积使得有效窗口的大小随着层数呈指数型增长。空洞的好处是不做池化损失信息的情况下,增加了感受野,让每个卷积输出都包含较大范围的信息。
基于原有预估模型加入空洞卷积进行预估,设定中间层的膨胀率,故中间层的时间卷积表示为:
(10)。
S503:为防止训练模型出现梯度消失或梯度***的问题,以及更好地进行模型优化,引入残差模块,将残差模块输出后的数据与时间卷积层隐藏表示值输入叠加,输入全卷积层,输出投入要素单项造价指数评估值;
残差模块在非线性层满足的基础上,从输入直接引入一个短连接到非线性层的输出上,使得整个映射变为:
,/>(11),
其中,表示投入要素单项造价指数预估值,/>表示全卷积层的卷积核参数矩阵。
S504:将计算投入要素单项造价指数评估值与该时刻的实际投入要素单项造价指数/>求交叉熵损失函数,并以梯度反馈的形式,对模型进行反馈调参,直至损失函数低于设定阈值,固定参数输出模型。
S106:基于电网工程造价指数体系,对电网工程造价分配的合理性进行评估;
结合S103所构建的电网工程造价指数体系,自底向上对投入要素价格综合指数、综合实体单位造价指数进行预估值,基于预估值设定造价指标分配合理阈值区间,通过与实际电网工程造价指数数据进行对比,将超出造价指标分配合理阈值区间的投入要素价格单项指数、投入要素价格综合指数、综合实体单位造价指数,识别为疑似造价分配不合理环节并推送该环节。
为评估本发明所提方法的性能,采用平均绝对误差(Mean Absolute Error,MAE)作为造价量算准确性评价指标,MAE是绝对误差的平均值,可以更好地反映造价评估误差的实际情况。其计算公式如下:
(12),
其中,表示投入要素单项造价指数真实值,/>表示投入要素单项造价指数评估值,/>表示测试样本集中的涉及该造价指标的审计事件总数量为200个。
采用MAE指标来衡量不同方法的预估表现,选取表2中C1、C5、J1、J2作为示例对比说明本发明所提方法与其他三种方法预估结果,如表3所示。
表3投入要素价格单项指数评估值对比
由表3可知,C1、C5、J1和J2基于2022年9月200个审计样本数据计算获取的真实的价格单项指数均值分别为109.95、115.99、106.00和108.29。由表3对比结果可以看到,采用PCA-BP神经网络方法计算获取C1、C5、J1、J2价格单项指数评估值,由于不能跟踪学***均绝对误差最大,根据专家经验设定的四类审计标准,存在不合格的评估值,该方法难以根据计算获取的评估值对待审计样本造价合理性进行准确评估。采用GRU+图卷积方法和注意力机制+图卷积方法计算获取C1、C5、J1、J2价格单项指数评估值,虽然可以纵向跟踪学习时序数据变化规律,但由于深度学习神经网络对训练样本集规模要求大,故千量级样本数据难以实现模型的充分训练,故预估效果并不理想。本发明方法计算获取C1、C5、J1、J2价格单项指数评估值,TCN可以纵向跟踪学习时序数据变化规律,同时采用贝叶斯网络计算图神经网络之间的关联度,并在此基础上作为模型初始化参数进行训练优化,减少了对训练样本量规模的要求,故基于现有样本量训练的模型预估效果较好,造价指数评估值准确性误差均在2%以内,可根据计算获取的评估值对待审计样本造价合理性进行准确评估。
实施例二
本实施例提供一种电网工程人、材、机分配合理性智慧审计***,包括:
数据调取模块,配置为:从预设电网工程项目数据库中调取电网工程项目审计样本数据;
关联矩阵获取模块,配置为:基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,将人、材、机投入要素价格单项指数数据及其造价影响因素的时间序列数据作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联矩阵;
风险环节识别模块,配置为:结合造价指数影响因素关联矩阵和训练好的投入要素价格单项指数预测模型,得到人、材、机投入要素价格单项指数预估值;基于人、材、机投入要素价格单项指数预估值设定阈值区间,基于该设定阈值区间对待评估电网工程项目审计数据识别得到电网工程项目中存在审计风险的关键环节。
关联矩阵获取模块中,所述基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,包括:
将获取的电网工程项目审计数据分类得到多类项目审计样本子集;
基于人、材、机每类项目审计样本子集选取指标值作为对应类别的造价指标基数;
基于多类项目审计样本子集提取电网工程项目审计样本投入要素价格单项数据,与同类别造价指标基数计算比值,生成投入要素价格单项指数数据。
风险环节识别模块中,基于该设定阈值区间对待评估电网工程项目审计数据识别得到电网工程项目中存在审计风险的关键环节,包括:
将超出设定造价指标分配阈值区间的投入要素价格单项指数、投入要素价格综合指数、综合实体单位造价指数,识别为疑似造价分配不合理环节作为风险环节,并推送该环节。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例一所述的一种电网工程人、材、机分配合理性智慧审计方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如实施例一所述的一种电网工程人、材、机分配合理性智慧审计方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种电网工程人、材、机分配合理性智慧审计方法,其特征在于,包括如下步骤:
从预设电网工程项目数据库中调取电网工程项目审计样本数据;
基于电网工程项目审计数据构建电网工程造价指数体系,具体包括:
基于人、材、机投入要素价格单项指数数据,计算配电网工程建设过程中不同分项工程涉及的多项单类投入要素的价格综合指数;
结合多项单类投入要素的价格综合指数,采用权值求和方法计算得到综合实体单位造价指数,所述综合实体单位造价指数包括分项工程单价指数、单位工程单价指数和建设工程单价指数;
将投入要素价格单项指数、单类投入要素的价格综合指数、分项工程单价指数、单位工程单价指数和建设工程单价指数,关联为多层树状结构,共同形成电网工程造价指数体系;
基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,将人、材、机投入要素价格单项指数数据及其造价影响因素的时间序列数据作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联矩阵;
结合造价指数影响因素关联矩阵和训练好的投入要素价格单项指数预测模型,得到人、材、机投入要素价格单项指数预估值;包括:采用时间卷积网络构建投入要素价格单项指数预测模型,通过对造价指数影响因素关联矩阵中的人、材、机投入要素价格单项指数数据及其造价影响因素的时间序列数据进行卷积计算,输出人、材、机投入要素价格单项指数预估值;
其中,所述投入要素价格单项指数预测模型的训练过程包括:
结合造价指数影响因素关联矩阵定义滤波器;
以滤波器对时间卷积网络层输入进行卷积计算,在时间卷积网络层引入空洞卷积,更新中间层的输出时间卷积表示及输出的时间卷积层隐藏表示值;
引入残差模块,将残差模块输出后的数据与时间卷积层隐藏表示值输入叠加,输入全卷积层,输出投入要素单项造价指数评估值;
将投入要素单项造价指数评估值与对应时刻的实际投入要素单项造价指数求交叉熵损失函数,并以梯度反馈的形式,对模型进行反馈调参,直至损失函数低于设定阈值,固定参数输出模型;
将超出设定阈值区间的人、材、机投入要素价格单项指数预估值对应的环节作为电网工程项目中存在审计风险的环节;具体为:基于电网工程造价指数体系,对电网工程造价分配的合理性进行评估;结合所构建的电网工程造价指数体系,自底向上对投入要素价格综合指数、综合实体单位造价指数进行预估值, 基于预估值设定造价指标分配合理阈值区间,通过与实际电网工程造价指数数据进行对比,将超出设定造价指标分配阈值区间的投入要素价格单项指数、投入要素价格综合指数、综合实体单位造价指数,识别为疑似造价分配不合理环节作为风险环节,并推送该环节;
所述人、材、机投入要素价格单项指数数据及其造价影响因素的时间序列数据作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联矩阵,包括:
将人、材、机投入要素价格单项指数及其造价影响因素作为节点数据,两两相连构建影响因素无向完全图;
基于影响因素无向完全图,计算两两影响因素间的条件互信息,形成最大带权生成树的影响因素完全有向图;
基于影响因素完全有向图,采用独立规则测试和条件独立规则测试进行节点间的独立性及条件独立性测试,从而获取影响因素超结构体;
其中,计算两两影响因素间的条件互信息:
,
其中,表示造价波动率的离散化处理分类空间;/>表示分类类别,/>;表示在分类类别一定的情况下,/>和/>的条件联合概率分布;/>表示在分类类别一定的情况下,/>的条件概率分布;/>表示在分类类别一定的情况下,的条件概率分布;/>、/>和/>均由训练样本集统计获取;表示影响因素/>和/>在分类类别已知下的相关性,任意两个节点间边的权重为/>,获取影响因素无向完全图;
独立规则测试是对任意两节点,判断其是否独立,若独立,则删除该两节点间的边,具体过程为:
,
若成立,则节点和节点/>独立,否则不独立;条件独立规则测试是对任意两节点,判断其是否对其父节点或子节点独立,若条件独立,则删除该两节点间的边,具体过程为:
计算自由度:
,
给定显著性水平,/>,其中,/>、/>和/>分别表示节点/>、/>和/>的取值个数,即给定/>的条件下,/>和/>相互依赖的概率为/>,此时/>和/>不条件独立;
对于删除的边,判断其两端点间是否在剩余无向图中存在联通路径,若存在,则恢复删除的边,从而防止误删边;
基于影响因素超结构体,采用BDeu函数作为局部评分,基于局部评分最大值确定影响因素超结构体中各个节点间的方向,生成造价指数因素关联图,并将关联节点间的条件互信息值作为有向边的权值,从而得到造价指数影响因素关联矩阵。
2.如权利要求1所述的一种电网工程人、材、机分配合理性智慧审计方法,其特征在于,所述基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,包括:
将获取的电网工程项目审计数据分类得到多类项目审计样本子集;
基于人、材、机每类项目审计样本子集选取指标值作为对应类别的造价指标基数;
基于多类项目审计样本子集提取电网工程项目审计样本投入要素价格单项数据,与同类别造价指标基数计算比值,生成投入要素价格单项指数数据。
3.一种电网工程人、材、机分配合理性智慧审计***,采用如权利要求1所述的一种电网工程人、材、机分配合理性智慧审计方法,其特征在于,包括:
数据调取模块,配置为:从预设电网工程项目数据库中调取电网工程项目审计样本数据;
关联矩阵获取模块,配置为:基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,将人、材、机投入要素价格单项指数数据及其造价影响因素的时间序列数据作为节点数据,采用贝叶斯网络算法构建造价指数影响因素关联矩阵;
风险环节识别模块,配置为:结合造价指数影响因素关联矩阵和训练好的投入要素价格单项指数预测模型,得到人、材、机投入要素价格单项指数预估值;将超出设定阈值区间的人、材、机投入要素价格单项指数预估值对应的环节作为电网工程项目中存在审计风险的环节。
4.如权利要求3所述的一种电网工程人、材、机分配合理性智慧审计***,其特征在于,关联矩阵获取模块中,所述基于电网工程项目审计数据生成人、材、机投入要素价格单项指数数据,包括:
将获取的电网工程项目审计数据分类得到多类项目审计样本子集;
基于人、材、机每类项目审计样本子集选取指标值作为对应类别的造价指标基数;
基于多类项目审计样本子集提取电网工程项目审计样本投入要素价格单项数据,与同类别造价指标基数计算比值,生成投入要素价格单项指数数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166030.3A CN117709908B (zh) | 2024-02-06 | 2024-02-06 | 一种电网工程人、材、机分配合理性智慧审计方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166030.3A CN117709908B (zh) | 2024-02-06 | 2024-02-06 | 一种电网工程人、材、机分配合理性智慧审计方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709908A CN117709908A (zh) | 2024-03-15 |
CN117709908B true CN117709908B (zh) | 2024-06-04 |
Family
ID=90148306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166030.3A Active CN117709908B (zh) | 2024-02-06 | 2024-02-06 | 一种电网工程人、材、机分配合理性智慧审计方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709908B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7707091B1 (en) * | 1998-12-22 | 2010-04-27 | Nutech Solutions, Inc. | System and method for the analysis and prediction of economic markets |
JP2014235654A (ja) * | 2013-06-04 | 2014-12-15 | 株式会社東芝 | リスク評価装置 |
CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
CN105825351A (zh) * | 2016-04-22 | 2016-08-03 | 国网浙江省电力公司经济技术研究院 | 一种输电工程造价的后评估和风险管控方法 |
CN105930931A (zh) * | 2016-04-22 | 2016-09-07 | 国网浙江省电力公司经济技术研究院 | 一种电力工程造价的管理方法 |
CN109523224A (zh) * | 2018-10-08 | 2019-03-26 | 重庆大学城市科技学院 | 一种建筑工程造价用的分析仪及控制方法 |
CN112862004A (zh) * | 2021-03-19 | 2021-05-28 | 三峡大学 | 基于变分贝叶斯深度学习的电网工程造价管控指标预测方法 |
CN114168716A (zh) * | 2022-02-11 | 2022-03-11 | 华南理工大学 | 基于深度学习的工程造价自动抽取和分析方法及装置 |
CN114662909A (zh) * | 2022-03-23 | 2022-06-24 | 江苏省农业农村厅 | 农村土地经营权流转交易价格指数计算*** |
CN116823172A (zh) * | 2023-07-07 | 2023-09-29 | 广东飞腾工程咨询有限公司 | 基于模型优化的工程造价评估方法及*** |
CN116977001A (zh) * | 2023-07-05 | 2023-10-31 | 江西省第九地质矿产集团有限公司 | 地质灾害防治工程造价管理***及其方法 |
CN117495422A (zh) * | 2023-11-13 | 2024-02-02 | 国家电网有限公司信息通信分公司 | 基于电力通信网建设的造价管理***及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160379306A1 (en) * | 2015-06-24 | 2016-12-29 | Christopher Sean Slotterback | Optimized resource allocation |
-
2024
- 2024-02-06 CN CN202410166030.3A patent/CN117709908B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7707091B1 (en) * | 1998-12-22 | 2010-04-27 | Nutech Solutions, Inc. | System and method for the analysis and prediction of economic markets |
JP2014235654A (ja) * | 2013-06-04 | 2014-12-15 | 株式会社東芝 | リスク評価装置 |
CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
CN105825351A (zh) * | 2016-04-22 | 2016-08-03 | 国网浙江省电力公司经济技术研究院 | 一种输电工程造价的后评估和风险管控方法 |
CN105930931A (zh) * | 2016-04-22 | 2016-09-07 | 国网浙江省电力公司经济技术研究院 | 一种电力工程造价的管理方法 |
CN109523224A (zh) * | 2018-10-08 | 2019-03-26 | 重庆大学城市科技学院 | 一种建筑工程造价用的分析仪及控制方法 |
CN112862004A (zh) * | 2021-03-19 | 2021-05-28 | 三峡大学 | 基于变分贝叶斯深度学习的电网工程造价管控指标预测方法 |
CN114168716A (zh) * | 2022-02-11 | 2022-03-11 | 华南理工大学 | 基于深度学习的工程造价自动抽取和分析方法及装置 |
CN114662909A (zh) * | 2022-03-23 | 2022-06-24 | 江苏省农业农村厅 | 农村土地经营权流转交易价格指数计算*** |
CN116977001A (zh) * | 2023-07-05 | 2023-10-31 | 江西省第九地质矿产集团有限公司 | 地质灾害防治工程造价管理***及其方法 |
CN116823172A (zh) * | 2023-07-07 | 2023-09-29 | 广东飞腾工程咨询有限公司 | 基于模型优化的工程造价评估方法及*** |
CN117495422A (zh) * | 2023-11-13 | 2024-02-02 | 国家电网有限公司信息通信分公司 | 基于电力通信网建设的造价管理***及其方法 |
Non-Patent Citations (4)
Title |
---|
周和生,尹贻林.建设项目全过程造价管理.天津:天津大学出版社,2008, * |
基于软计算的电力线路工程造价预测模型;王颖;俞集辉;王玉斌;;计算机仿真;20080815(08);全文 * |
王颖 ; 俞集辉 ; 王玉斌 ; .基于软计算的电力线路工程造价预测模型.计算机仿真.2008,(08),全文. * |
王颖 ; 俞集辉 ; 王玉斌 ; .基于软计算的电力线路工程造价预测模型.计算机仿真.2008,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117709908A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537600B (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
CN115276006A (zh) | 一种用于电力集成***的负荷预测的方法及*** | |
CN106897918A (zh) | 一种混合式机器学习信用评分模型构建方法 | |
CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
CN104572449A (zh) | 一种基于用例库的自动化测试方法 | |
CN116108758B (zh) | 滑坡易发性评价方法 | |
CN109214449A (zh) | 一种电网投资需求预测方法 | |
CN105894125A (zh) | 一种输变电工程造价预测方法 | |
CN114676822B (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN110610121B (zh) | 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法 | |
CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
CN108491991A (zh) | 基于工业大数据产品工期的约束条件分析***与方法 | |
CN115470962A (zh) | 一种基于LightGBM的企业失信风险预测模型构建方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及***、设备、介质 | |
CN113240527A (zh) | 基于可解释机器学习的债券市场违约风险预警方法 | |
CN109872252A (zh) | 一种基于matlab算法的电力供应商综合评价方法 | |
CN114219096A (zh) | 一种机器学习算法模型的训练方法、装置及存储介质 | |
CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
Chaudhary et al. | Comparative analysis of entropy weight method and c5 classifier for predicting employee churn | |
CN114298538A (zh) | 电网零购项目的投资方案评估方法、***及存储介质 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN114154716A (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN117669895A (zh) | 公路工程环境影响评估*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |