【目的】电力工程建设成本的准确预测对资源配置和决策优化至关重要。传统成本估算方法依赖于人工经验，容易受到工程项目复杂性和不确定性的影响，导致预测误差较大。近期广受关注的机器学习技术则为电力工程成本的预测提供了新的解决方案。但现有模型往往缺乏对预测结果不确定性的评估，且存在预测精度低、训练效率低、容易过拟合的缺点。本文提出了一种基于混合自然梯度与轻量梯度增加模型的电力工程成本预测方法，旨在提高预测精度，同时提供预测结果的不确定性估计。【方法】自然梯度增加模型能够估计预测值概率分布的特点，可应用于电力工程成本预测领域。然而，考虑到自然梯度增加模型在训练效率和过拟合问题中的不足，借鉴了轻量梯度增加模型的直方图优化算法，并将其融合到自然梯度增加模型中，形成了一种基于混合自然梯度与轻量梯度增加模型的电力工程成本预测方法，该模型不仅能够提高预测精度，还能够量化分析预测结果的不确定性。【结果】为验证所提模型的有效性，选用2002—2022年间发布的全真工程造价BIM数据库进行分析，该数据库包含2 000条电力工程数据。提出的混合模型在测试集上表现优异，相关系数、均方根误差和平均偏置误差等指标均优于其他模型，且测试集上预测结果处于置信度为95%预测区间的概率达到了94.3%。相较于自然梯度增加模型，混合模型不仅提高了预测精度，还有效避免了过拟合问题，并在训练效率方面表现较好。【结论】本文提出的混合自然梯度与轻量梯度增加模型能够在提高预测精度的同时进行预测结果的不确定性估计，满足电力工程成本预测的多样化需求。实验验证了该模型在预测精度、泛化能力和训练效率上的优势，特别适用于复杂电力工程项目的成本估算。研究的创新之处在于提出了一种新型混合模型，结合了轻量梯度增加模型训练效率高以及自然梯度增加模型可提供预测结果的不确定性估计的双重优势，解决了传统模型训练效率低、容易过拟合的问题，并且可以量化分析预测结果的不确定性，能够为优化资源配置与提高决策效率提供有力支持。