本文是一篇工程管理论文，本文以此为切入点，阐述了LSTM长短期记忆人工神经网络和BP神经网络技术在成本预测中的优势和应用。并结合对铜价格的的动态预测和BP神经网络对输变电工程成本预测，将时间序列预测和神经网络的优势相结合，提出了电力工程成本动态预测的新思路。
1绪论
1.1研究背景与意义
1.1.1研究背景
电力行业是我国经济的重要支柱。根据十四五规划，预计到2035年，我国将达到“碳中和，碳达峰”的目标，新能源转型所带来的电力行业投资将达到5000亿元。输变电工程企业作为电力行业的直接参与者，需要完成输变电工程的质量管理、进度管理、成本管理等项目管理目标，既要按进度按质量完成工程目标，又要保证企业利润，这是维持企业的生产发展的根本。所以成本是输变电工程企业最为关心的核心部分之一。在项目开始阶段，企业需要快速准确的了解项目的成本投入，从而做出合理的决策。所以成本预测是输变电工程成本管理初期一项重要的参考依据。
以往的成本预测方法主要利用以往类似工程的数据通过传统的统计分析和一定的数据模型来实现。通过大量的科学研究，我们发现传统的成本预测方法主要存在花费时间过多和精度不高的缺陷。另一方面，在输变电工程成本中，设备购置费往往占比最高，超过一半，是输变电工程成本中的核心费用，主要受大宗商品铜价格波动的影响。而输变电工程通常工期相对漫长，从成本预测到真正开始购置设备、开始施工，这中间往往有相对较长的时间差。传统的成本预测都是基于当下，没有对铜价格引起的价格变动对成本的动态影响进行考虑。
....................
1.2论文研究目的与内容
1.2.1研究目的
1、在输变电工程项目招投标、项目决策等前期阶段，对成本进行动态预测，为输变电工程企业在项目决策时提供帮助。
2、引入时间序列预测的动态预测概念，通过对铜价格的时间序列数据进行LSTM长短期记忆神经网络建模，对未来的实际开工时的铜价格进行预测，做到输变电工程动态成本预测。减小招投标编制阶段和实际施工阶段直接的时间差导致的主要材料铜的价格变化带来成本预测不准的风险。对于研究的输变电工程项目的概念进行界定，明确对于哪些输变电工程项目适用此次成本预测方法。
3、引入BP神经网络输变电工程成本预测模型，利用数据挖掘的手段构建对于输变电工程成本预测的体系，探索更加完整、快捷的动态成本预测体系，减少传统的时间因素带来的风险费用的占比，将时间序列概念对成本的影响纳入输变电工程项目成本预测的成本预测指标体系，并争取量化各个模块的重要性，提升输变电工程项目成本预测的精准度。
1.2.2研究内容
本文选择35kv及以下输变电工程为主要预测对象，针对35kv及以下电压等级的满足国家电网的标准要求的基础品牌档位的输变电工程成本构成进行分析研究，分析35kv输变电工程在成本预测的当前存在的问题和现状，深入解析这类输变电工程成本的组成，明确输变电工程成本预测的具体的研究范围，对国内和国外现阶段所做的关于各行业成本预测的方法和思路进行学习和总结之后，提出用LSTM长短期记忆人工神经网络和BP神经网络的组合模型预测对电力工程项目的成本进行快速的基于时间序列分析的动态的预测，对J公司近近年来的输变电工程成本数据进行提取，确定相关影响因子做出分析，分析各自的权重，构建输变电工程的指标体系，对输变电工程做出基于时间序列的动态成本预测，并以J公司的输变电工程为案例，用本文提出的方法作成本预测，与传统预测方法做比较，得出相应的结论。最后将模型预测结果和实际的验证集做对比，以验证本研究所构建的动态电力工程项目成本预测的精准度和预测速度。
...........................
2理论基础
2.1输变电工程
输变电工程是整个电网运行的重要一部分，它具体分为输电工程和变电工程两部分。输电工程承担着电能再被变压器升压后的输送和分配任务，因此它被称为整个电力系统的大动脉[19]。输变电工程中的输电工程根据线路施工类型分为架空线路和埋地线路。顾名思义，架空线路是输电工程的地上部分，而埋地线路则是地下部分。两者材料、施工方法、造价成本完全不同。变电工程指用电单位的新建变电工程系统，变电工程主要分为三个部分的分部分项工程分别为电力设备购置、电力设备安装和其他部分。其中设备购置费是输变电工程成本费用比重最大的部分。具体由以下部分构成：
导线：导线是输变电工程的主要组成，如同电网的“血管”，起运输电能的作用。导线的运输电力能力大小不同，则导线的材质、性能、截面积不同。而且直接关系线路的电能输送能力和成本的大小。
电杆：电杆是用于支承电线电缆及其它附属设备。在导线与导线之间、导线与地面之间应留出一个适当的安全间距，以防止人身伤害，并确保导线越过地面、地面等障碍时有适当的安全间距。
杆上设备：主要包括金具、绝缘子、真空开关、电流互感器等一系列附件设备。主要是起电路开闭、电能计量等功能。
变压器：作为电力系统的重要部件，变压器就像是电力系统的“心脏”，它能把某一频率的高压变换为其他的、同一频率的相同或者不同的电压。通常在运输电力的过程中，会在输送过程中通过变压器变换电压，而变压器主要起变换电压的作用。在构成上，由两个线圈绕组组成，通常放置在高低压配电房的电缆沟预留位置上，下面由电缆和高压柜相连接，上面由母线槽和低压进线配电柜相连接[20]。
高低压配电柜:高低压配电柜是存在于配电间，如同输变电工程中的“大脑”，起分配电能、开断电路、保护电路的功能的输变电设备。它的主要构成部分有外壳、铜排、框架或者塑壳断路器、电流互感器、电压互感器、二次线路智能设备、按钮等。通过将这些配件排线、走线组合在配电柜内并达到设计功能要求成为输变电工程的主要电气设备。配电柜通常在变压器的后端，通过封闭母线与变压器相连接，配电柜与配电柜之间则通过穿过配电柜顶端的铜排相连，通常若干个配电柜串联组成配电系统。
..........................
2.2 BP神经网络理论
BP神经网络（back propagation neural network，BPNN）是一种基于错误逆向传递的神经网络，它是一种具有较好的分类和回归问题的神经网络。其主要特征是将信号向前传递，而错误向后传递。BP神经网络是许多彼此相连的，也就是所谓的「神经元」。
BP网络在其体系中分为输入层、隐藏层和输入层；该系统的数据通过输入级传入神经网络，并在该网络中进行数据的传递和计算，并将其传递至输出级，从而获得最终的数据。BP方法实质上是将目标函数为目标函数，采用梯度下降方法求出目标函数的最小。每次神经元受到上一层次的神经细胞的讯息的作用，每次有数个结点。BP神经网络基本结构，如下图2-1：
工程管理论文怎么写
由上可知，BP神经网络分为输入层、隐含层和输出层三层。输入层中包含q个输入值，记为x1、x2…xq。输出层包含m个输出值，记为a1、a2…am。层与层之间的节点相互联系，但是每一层内部的节点之间相互独立，不相互联系。其中的每一条边都有一个权值。BP神经网络中所使用的传输函数为Sigmoid（Sigmoid）的非线性转换函数。在此基础上，函数的输入和输出两个层次可以被视为函数的自变量和因变量。因此，x1至xq可以视为该函数的n个自变量，从a1至am的m的输出可以视为m个因变量。从整体上看，BP神经网络表示的是一个由q到m的非线性函数关系。
..................................
3输变电工程成本与铜价格相关性分析....................20
3.1输变电工程成本构成分析.............................20
3.2输变电工程材料费用的主要组成...................24
4基于铜价格时间序列的输变电工程成本预测模型...............................32
4.1铜价格波动影响因素分析..................................32
4.1.1铜市场条件分析........................................34
4.1.2铜供需分析........................................35
5案例分析...................................52
5.1输变电工程成本预测实例分析.....................................52
5.2铜价格时间序列预测实例分析...................................54
5案例分析
5.1输变电工程成本预测实例分析
通过第4部分的输变电工程成本预测模型可知，BP神经网络输变电工程成本预测在静态预测上已经能达到比较好的准确度。选取案例A来验证铜价格时间序列下的输变电成本预测值。某地区输变电工程项目概况如表5-1所示：
工程管理论文参考
由上表可知，从2020年4月13日编制成本预测，到2021年5月21日实际采购进场之间存在1年1个月时间差。在这一年时间里，平均选取8个时间点的成本实际值作为验证集。分别是2020年05月20日、2020年7月1日、2020年05月15日、2020年10月1日、2020年11月15日、2021年1月1日、2020年03月01日、2021年5月21日的成本实际值。采用传统输变电BP神经网络成本预测模型在2020年4月13日对成本进行预测，预测值在工程时间维度上与实际成本验证集对比如下表5-2所示。
..............................
6结论与展望
6.1研究结论
在输变电工程行业竞争日益激烈的今天，对成本预测的要求越来越高。对于电力工程企业想要发展和生产，就必须提高对于成本预测的水平，传统的成本预测方式存在效率低、精度粗糙的缺点。另一方面，原材料铜的价格变化得也越来越频繁而剧烈，如何把握价格的波动，解决静态的成本价格变成动态的成本预测，抵消掉时间对于成本的影响。本文以此为切入点，阐述了LSTM长短期记忆人工神经网络和BP神经网络技术在成本预测中的优势和应用。并结合对铜价格的的动态预测和BP神经网络对输变电工程成本预测，将时间序列预测和神经网络的优势相结合，提出了电力工程成本动态预测的新思路。本文的主要研究结果如下：
首先，分析了人工智能技术在电力工程行业成本预测中的优势。本文通过分析传统电力工程行业成本预测的方法，指出其中的不足之处，并由此引入了人工智能技术，根据其特点并结合案例阐述了人工智能技术动态预测上的应用以及在输变电工程成本预测上的优势，为后续成本预测提供了基础。
其次，提出了基于铜价格时间序列的成本预测模型。本文研究了输变电工程行业成本预测的研究现状，分析了传统电力工程成本预测的局限与不足，在动态预测上、精确度、预测速度上的缺点，并以此为切入点，将铜价格时间序列预测引入，并通过分析LSTM神经网络的技术原理、特性和建模方法，提出了基于LSTM神经网络模型的铜价格时间序列动态预测方法。相对于传统的铜价格获取方法，这一方法快速、直观，而且可以应对不同的时间节点需求，为后续的成本预测模型提供铜价格时间序列下的数据基础。
参考文献（略）