大數據環境下基于BIM與CNN的電力工程造價優化算法

王林峰　張文靜　劉云　陳志賓　王立功

摘要：針對大數據環境下電力工程造價在精準化、動態化等方面存在的不足，提出了一種基于BIM與CNN的電力工程造價優化算法。利用BIM技術的特點進行電力工程全生命周期的造價管理，實現了造價的動態化管控。并且采用Levenberg-Marquardt規則算法改進卷積神經網絡，通過改進后的CNN網絡對每個工程環節的造價完成預測，從而優化整個工程的施工方案。結合相關的電力工程造價數據，基于Matlab對所提算法進行實驗測試。結果表明，當學習率為0．010時CNN網絡的性能最佳，所提算法的預測準確率為94%，并且與造價的真實值最為接近。

關鍵詞：電力工程造價；BIM技術；卷積神經網絡；大數據環境；Levenberg-Marquardt規則算法；全生命周期；動態化管控；預測準確性

中圖分類號：TM73 文獻標志碼：A 文章編號：1000-1646（2024）01-0007-06

工程造價是工程設計的重要組成部分，有必要在電力工程造價過程中進行合理的優化，以保證電力工程建造秩序和工程質量，同時降低工程成本。近年來，BIM技術憑借全面化、精準化和動態化的特點，在現代建筑、工程設計、大型機械以及項目管理等領域得到了廣泛應用。

結合BIM技術，工程造價管理能夠全面提升項目開發及建設質量，有助于更好、更快地推進項目的實施與完善。付歡針對工程參與方的信息交互方式提出了完整的BIM屬性信息檢驗方法，并構建工程成本預測模型用于指導工程決策，但模型未涉及工程的每一階段成本。李琦基于BIM建模和Unity3D技術快速挖掘工程中海量價值數據，提高了工程決策效益，但研究側重于數據可視化，在造價預測方面的應用效果有待論證。丁政中等利用Mann-Kendall趨勢檢驗法和三次指數平滑法（MK-TESM）構建工程造價預測模型，模型可靠性較高，但對于工程全生命周期的造價管控力度有待提升?，F有BIM技術在電力工程造價中應用較少，尤其在物聯網大數據背景下，BIM技術結合各方數據挖掘結果進行綜合分析的能力和預測準確性還略顯不足，無法為工程實施提供精準的數據支撐。

為此，本文提出了一種大數據環境下基于BIM與卷積神經網絡（CNN）的電力工程造價優化算法。該算法在利用BIM技術實現電力工程全生命周期管理的基礎上，利用CNN網絡預測每個環節的工程造價，為施工方案調整提供理論支撐，從而優化了工程造價，保證項目的質量和成本最優。

1 電力工程全生命周期造價管理

BIM是基于網絡信息的建筑設計技術，用于建筑和基礎設施的規劃、設計、建造和管理，其組成元素包括業主、制造商、開發商、施工經理、承包商等。如果對其中某一設計對象進行更改，則會反映在使用該對象設計的每個元素中，因此用戶就可以協作工作，不斷地更新模型。這一特性為構建工程全生命周期管理模型提供了思路，通過BIM技術記錄工程的全部數據，優化工程技術方案并及時調整參數，不僅能夠提高工程質量，而且可以節約工程造價，實現相應的設計目標。

同時，隨著電網智能化的深入發展，電力工程項目的難度也在不斷上升，對于其項目成本管控也變得更為繁雜。電力工程造價管控中類型繁多且分工不清晰，加上工程規劃準則難以把控、新技術建材的價格估算模糊，導致建材浪費和施工費用增加。此外，電力工程施工時工程變更的現象頻發，導致制定的預算存有較大誤差。因此，針對上述情況，利用BIM技術設計了適用于電力工程的全生命周期造價管理模型，其中電力工程全生命周期造價管理內容如圖1所示。

由于BIM技術具有協調性、可視化、仿真性、支持圖像輸出和成本精度高等特點，因此在工程施工管控過程中，可憑借BIM的數據分層歸類系統和自動累計系統保證數據的安全，便于數據的管理剖析。同時根據各個部門的需要，利用BIM技術的協調性完成數據剖析，以提升所有部門協作的效率。此外，BIM技術還可以詳細展示工程每一個階段的費用使用情況，并利用仿真性估計工程進度和造價，以有效控制施工進度和費用?；贐IM技術構建的電力工程全生命周期造價管理模型不僅提高了施工預算的準確性，而且支持預制加工，使施工管理水平大幅度提高。

2 電力工程造價優化算法

基于BIM技術平臺，能夠構建面向各種工程方案的可視化模型，且每種方案均有與之相對應的造價預估模型。因此將BIM模型和造價預估相聯系，從而生成每種方案的預估造價，然后憑借BIM技術的工程實施模擬和方案改進等功能，全面對比剖析每個候選施工方案，從而能夠加深工程項目前期的規劃，進一步完善工程項目的可研性，為項目的施工決策提供有效支撐。

CNN作為深度神經網絡模型之一，目前已廣泛應用于數據剖析領域。其權值共享網絡架構與生物神經網絡相似，能夠簡化網絡模型、縮減權值量。CNN網絡大體包含了卷積層、子采樣層和全連接層，每一層次均包含數個二維平面。同時每一平面均包含數個分開的神經元，其典型架構如圖2所示。

在CNN模型架構中，最初的幾個層次主要是由卷積層與子采樣層交互連接組成的。然后經過卷積層、子采樣層和全連接層的處理，將二維架構的信息轉換為一維架構的量輸出。其中在全連接層中將輸入量與權重進行點積運算，并經過偏置運算把學習結果傳至激活函數，以獲取模塊狀態。

電力工程造價包括其整個生命周期中各個階段產生的費用，本文借助BIM技術得到數據集，利用CNN進行造價預測，預測流程如圖3所示。

首先將訓練的電力工程數據進行簡單的標準化處理，完成數據去噪、歸一化等預處理操作。為了避免訓練數據中可能存在的不良數據對網絡訓練造成的干擾，利用批處理模式進行網絡訓練，即隨意選擇一定數量的訓練樣本組成一個小樣本作為輸入。采用反向傳播（BP）算法更新每一小樣本的權重數值，直至滿足迭代停止條件，網絡訓練完成。然后將電力工程造價的實驗數據輸入至訓練完成的CNN網絡，利用前向傳播獲得造價的預測優化值[18]。

傳統BP算法存在一些弊端，例如收斂速度慢，新融入的樣本會對已有樣本產生干擾，網絡神經元數量和權值初始值的選定均依賴經驗等。針對上述問題，本文采用Levenberg-Marquardt訓練前向網絡，以此提高收斂速度和運算準確度。

6）如果誤差e未達到期望值，則μ=μ-1，返回步驟2）；如果誤差e達到期望值，則CNN模型訓練結束，得到最佳權重和閾值。

7）將c（j）輸入訓練好的CNN模型，得到輸出的電力工程造價值為F（·）f*（fNK（fi（[c（1），c（2），…c（M）]））），其中，f*為最終模型輸出和工程造價值的轉換函數。

3 實驗結果與分析

為了驗證所提算法的可靠性和對工程項目的優化性能，對某省級電力公司相關工程造價數據進行收集，并選擇其中400項作為樣本數據，部分數據如表1所示。前326項數據作為訓練集，后74項數據作為測試集。

同時，基于Pytorch深度學習框架搭建預測模型，用于分析選取的電力工程數據集。其中CNN模型的參數設置為：優化器為Adam，激活函數為ReLU，Dropout為0.4，迭代次數為1000。

此外，實驗中采用造價水平預測準確率PL評估所提算法的優化性能，計算表達式為

3.1 參數分析

CNN網絡的學習率θ對模型訓練準確率有著較大干擾，為此選取不同的學習率進行實驗，學習率對損失函數的影響如圖4所示。

從圖4中可以看出，隨著學習率的增加，收斂速度在不斷加快。即當學習率為0.010時，迭代僅20次便趨于穩定，此時損失函數約為0.02；當學習率為0.015時，迭代約15次便實現收斂，收斂速度更快，但損失函數值接近0.15。因此，實驗中優化CNN網絡的學習率設為0.010。

在選定學習率為0.010基礎上，研究不同卷積層和采樣層數對準確率的影響。通過實驗結果選擇最優的CNN網絡結構進行電力工程造價預測，以提高預測的準確性。實驗中，將卷積層和采樣層的總層數依次設成2、4、6、8，并采用兩者交互連接的形式，實驗次數設為400，將預測準確率均值作為實驗評價結果，如圖5所示。

從圖5中可以看出，當卷積層和采樣層共為4層時，CNN網絡的預測準確率最高，因此，實驗中優化CNN網絡的卷積層和采樣層共選為4層。

3.2 與其他算法的對比分析

為了進一步驗證所提算法的性能，將本文算法與其他研究結果進行對比分析，綜合造價水平預測準確率如圖6所示。

從圖6可以看出，當數據量增加時，各種算法的預測準確率均有所上升。但相比于其他算法，所提算法的預測準確率更高，接近94%。因為所提算法基于BIM技術考慮了電力工程的整個生命周期，同時利用CNN網絡對每個時期的工程造價進行預測，因此整體的預測性能得到了大幅度提升。文獻[4]和文獻[5]均基于BIM技術進行工程造價管理，但未對每個時期的造價進行優化，因此預測性能較差。同樣，文獻[6]利用MK-TESM方法實現了工程造價估算，但缺乏對電力工程整個時期的全局管控，因此預測準確率低于90%。

為了論證所提算法對各個工程節點的造價優化效果，將其與文獻[4]、文獻[5]、文獻[6]在各個工程等方面進行預測造價對比分析，結果如圖7所示。

由圖7可以看出，所提算法對大部分工程項目的造價預測結果與真實值最為接近，僅在基礎工程項目中稍劣于文獻[6]。由于所提算法結合BIM技術進行電力工程的全過程管控，其中運用CNN網絡提供造價預測能夠優化工程決策并及時調整施工方案，從而減少工程造價預測偏差。其他對比算法僅從工程或純算法單一層面考慮，因此整體性能較差，無法很好地應用于電力工程造價的優化研究。

4 結束語

由于以往電力工程造價估算大多依靠經驗豐富的人員進行手動分析與推測，錯誤率較高且無法實時動態快速調整。為此，提出了一種大數據環境下基于BIM與CNN的電力工程造價優化算法。利用BIM技術可以實現電力工程全生命周期造價的動態化管控，一旦出現調整，便能夠快速更新施工方案。利用改進后的CNN網絡對每個工程環節的造價進行預測，以優化整個電力工程的造價方案，確保了工程質量與經濟性?；贛atlab平臺對所提算法進行實驗論證的結果表明，當學習率為0．010且卷積層和采樣層共為4層時，CNN網絡的性能最佳，具備較為理想的優化性能。

BIM技術在電力工程造價領域的研究仍處于起步階段，所提算法也僅針對某一工程進行了論證。在接下來的工作中，考慮將所提算法中的CNN網絡替換成更為主流的處理算法，以提高所提算法的泛化能力與造價優化能力。

（責任編輯：景勇 英文審校：尹淑英）