工程论文哪里有？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
1.3输变电工程成本预测文献综述
1.3.1输变电工程成本预测研究现状
国外的成本预测主要经历了以下阶段：
第一阶段：在20世纪50-60年代的英国成立的“工程成本预测信息服务部”（BCIS)为代表的成本预测模型[1]，基于历史数据人工手动的数据预测方法。其特点是利用已经完工的历史工程成本数据信息，依照分部分项工程项目对新建工程的成本进行预测。
该方法采用已有工程，乘以时间调整系数、质量调整系数、数量调整系数以及总面积来得到目标工程的成本预测值。对于系数的选择主观性较大，并不是所有工程都能选择到非常合适的参照已有工程。所以该模型局限性较大，且预测速度和精度都较一般。
第二阶段：在20世纪70年代主要采用回归分析方法。1974年英国的Kouskoulas和Koehn[2]提出了回归分析模型。利用历史成本数据导出了任意建筑物的设计前成本估算函数。假设函数是多线性的，其系数通过最小二乘估计技术确定。选择和测量成本函数的六个自变量，收集有限但适当的历史成本数据，以及使用数学工具，作为实现所需函数的手段，对导出的设计前成本估算函数进行了误差分析，并用样本数据中不包含的两栋实际建筑进行了测试。该预测方法对于精度有了大幅提升，达到了99%。但回归性分析外推性不够，一旦超出了样本案例预测效果就大打折扣。
第三阶段：在20世纪80年代出现的成本预测方法蒙特卡洛分析法。[3]施工专业人员对在施工成本分析中使用蒙特卡罗模拟，这种思想认为在成本预测中存在众多的变量，无法将成本预测到某一个精确的值，只能将成本预测到某一个范围之内。基于蒙特卡罗模拟的成本分析的介绍强调了选择用于表示输入变量的分布的重要性。蒙特卡罗模拟中必须包括相关性，否则分析会导致对风险的严重错误评估。模拟结果还表明，排除相关性的影响比选择对数正态分布和贝塔分布的影响更为深远。此方法在成本预测中能够达到良好的预测效果，但缺点是对模型要求较高，且计算较为麻烦。
3输变电工程成本与铜价格相关性分析
3.1输变电工程成本构成分析
项目成本预测贯彻项目成本管理的全过程，项目成本管理具体包括以下几个方面：项目资源计划，项目成本估算，项目成本预算，项目成本控制。项目成本估算，根据项目资源计划以及各种项目资源的市场价格信息，估计和确定项目各项活动的成本与整个项目全部成本的管理工作。项目成本预算，这项工作包括根据项目成本预测和项目成本风险大小确定出项目各项活动的预算水平，以及确定整个项目总预算的水平两项具体工作内容。
而项目成本的预测一直贯穿在项目资源计划、项目成本估算、项目成本预算、项目成本控制这几个方面中，也属于项目成本控制的组成部分，因为评估和预测项目成本发展与变化趋势都是为项目控制服务的。
输变电工程成本从项目开始的项目建议书可行性研究阶段的投资估算到最后竣工验收时候的工程实际结算工程成本，工程成本在不同阶段有不同的含义又相互联系。本文的研究主要从项目可行性研究阶段的投资估算的快速预测到招标阶段的加入时间变量的快速、精准的中标价格预测、以及对于项目的实施阶段的成本预测。
输变电工程成本费用基本构成要素包括:人工费、材料费、机械使用费、管理费。对于电力工程项目的成本预测首先分析电力工程成本的组成以及占比。为确保费用占比有一定的代表性，本数据选取国家电网输变电工程公司四川分公司的169个项目收集，并随机选择10KV电力工程项目10个，输变电工程项目名称和各个输变电工程项目的成本组成（未包含利润和税金和调试与附件费用明细）。
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：
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。
5.2铜价格时间序列预测实例分析
根据第3部分的LSTM长短期记忆人工神经网络对2021年2月到2022年1月的铜价格进行预测。基于以上问题，首先使用第四部分训练完成的基于LSTM的铜价格时间序列预测模型来对铜价进行预测，再将预测后的铜价格数据作为输变电工程预测模型的一个特征输入模型，进而帮助模型能够更准确地预测出工程成本。因此，在本案例中，统计2021年2月到2022年1月的中国PMI指数，GDP增速，伦交所LME铜期货价格，纽交所NYMEX铜期货价格，上交所SHFE铜期货价格，中国通胀消费者物价指数（CPI），人民币兑美元汇率，生产价格指数（PPI）数据作为模型的输入，从而获取不同时刻的铜价格的预测结果。预测结果如下表5-3所示:
6结论与展望
6.2展望
本文对输变电工程项目成本预测方面进行了相关研究，构建了基于铜价格波动下输变电工程成本预测模型。但由于本文所研究工作尚处于探索过程中，仍存在一些问题有待进一步进行解决研究。
首先，本文构建的预测模型，在铜价格的预测基础上预测的只是关于铜的变动带来的电力材料的变动。并且铜价格在时间序列上波动剧烈且频繁，其中对铜价格起影响作用的内在因素众多，包含有大量的信息。除开市场条件分析、供需关系、消费者心理等，铜价格的变化因素复杂，例如政策因素、不确定因素等对于铜价格的影响并未列入考虑，但是对铜价格的变动一定会有影响。所以未来希望运用更多更先进的数据挖掘方法对铜价格的影响因素进行深度的分析，并通过价格理论，不断的提高铜价格模型预测的精准度。
其次，本文虽然构建了铜价格波动下的输变电工程成本预测模型并实现了工程成本的动态预测，但是在对模型的构建上因为工作量较大，涉及的细节众多，模型相对来说仍然较为简单，需要进一步完成细节，更加详尽的建模达到更好的工程成本动态预测效果。在今后的研究中，可在输变电工程成本因子的选择上更加的精准详细，实现更精确的输变电工程成本费用预测。
最后，本文所做的大量研究都是理论方法上的初步研究，并未在实际的工程中得到大量各个相关方的应用，对于LSTM长短期记忆人工神经网络铜价格时间序列预测和BP神经网络技术相结合的研究也仍处于探索阶段，今后可选择更优的技术和方法。而随着计算机技术、人工智能技术的飞速发展和应用，人工智能和计算机技术提升下的铜价格波动下成本预测方法一定会为电力企业带来更多的利润，并促进输变电工程行业的飞速发展。
参考文献（略）
