摘要：技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切。针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting,XGBoost)算法的输电线路工程投资预测方法。通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine,SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高。

摘要：低压直流配网在负荷侧对保障负荷需求具有重要意义,但是直流配网线路一旦发生故障则对系统构成严重威胁,直流配网故障定位和检测显得尤为重要。本文提出了一种在线快速检测和定位的方法。首先对直流配网分类进行说明,从逆变器种类、电压等级、接地方式和网络拓扑说明了其特点。接着提出了本文的保护机制,抽取不同类型故障特点之后,提出了零阶方根、二阶方根和四阶方根联合故障检测方法,并分析了故障阈值以及故障定位原理,给出判断故障极的方法。最后本文在IEEE13节点系统进行仿真,分析了不同故障阻抗、故障距离以及故障极下本文方法的适用性。

摘要：为解决既有变电站快速化改造的建设需要,结合老旧基础混凝土强度的调研和实测,提出了适用于老旧混凝土基础二次利用的型钢托换和新型锚固构造方案。结合工程案例的数值分析和实际应用,验证了型钢托换方案的可行性和便捷性。设计了化学植筋与新型锚固构造的对比试验,对用于低强度混凝土基础上的新型锚固构造承载力进行了实测,验证了新型锚固构造的可行性与适用性。

摘要：近年来,随着国家对工业电价的大幅度下调,不少电网企业的经济收益受到了很大的影响。在这种情况下,电力企业必须采取合理的投资决策,控制好投资的节奏、把握重点项目的落实才能实现盈利目标。企业在项目初步设计阶段,必须做好技术和经济方面的评审工作,但在实际评审中也有一些需要注意的风险点。因此,文章在分析输变电工程技术经济评价现状和存在问题的基础上,对项目初步设计阶段技术经济评价的风险点管理进行探讨,提出了一种更有效率的综合评价方法。

摘要：基于江苏沿海深厚软土工程特性,选取技术可行性、设计安全性、施工工期、施工质量管控、环境影响、工程造价和后期运维这7个影响地基处理方案的评价指标,将层次分析法(analytic hierarchy process,AHP)与模糊综合评价法(fuzzy comprehensive evaluation method,FCE)相结合,建立地基处理方案选型的多层次分析综合模糊评判模型。与传统的选型方法相比,该方法考虑因素更全面,精细化计算过程更合理。该模型在连云港地区某变电站地基处理选型中取得了良好的应用效果,直接降低了地基处理造价。

摘要：本文研究了输变电工程初步设计阶段造价智能预测的指标体系。针对当前输变电工程初步设计阶段造价预测智能化不足的现状,提出流程优化思路,根据实地调研、文献分析等方式构造初步的造价智能预测指标体系,并运用SPSS 数据分析与专家访谈,修正得到优化后的指标体系。

摘要：随着电网建设难度、竞争激烈程度的增加,迫切要求采用更先进的技术来解决好电网工程中涉及的相关问题,提高电网工程设计的水平和服务质量。三维设计是新一代数字智能设计平台的基础,电网三维设计有利于提高设计质量和效率。但三维设计的评审具有更多的机械性重复工作,专家的评审效率低下且存在评审尺度不一的问题。为此,文章设计了电网三维设计辅助评审系统,可以帮助专家更好地完成评审工作,提高评审效率和质量。

摘要：作为一种新型的升压站建设模式,预制舱升压站实现"标准化设计、工厂化加工、装配式建设"的设计、加工、配送的全流程建设新方法。通过110 k V预制舱式升压站在内蒙古高寒地区光伏项目的应用,分析了预制舱式升压站在严寒地区应用的优缺点,总结了预制舱式升压站在技术方面的特点,指出了预制舱式升压站的应用是新能源项目尤其是光伏项目的发展方向。

摘要：实现基础设施项目投资额的准确预测,对于在有限资金约束下实现基础设施高效益投资意义重大。为实现基础设施项目投资的精准预测,本文构建了基于XGBoost算法的基础设施项目投资预测模型。在确定基础设施项目投资预测指标体系的基础上,构建基础设施项目投资数据训练集和测试集,基于XGBoost算法和训练集建立投资预测模型,并采用交叉验证对模型参数进行优化。最后用训练好的模型对测试集进行投资预测。为验证模型的有效性,以国网某省公司的变电站工程数据为样本,对本文模型进行验证,并将模型预测结果与传统线性回归模型和神经网络模型进行对比,预测结果表明,基于XGBoost算法的基础设施项目投资预测模型能够有效地对基础设施项目的投资进行预测,且预测精度明显高于线性回归模型和神经网络模型,预测效果更佳。