[目的]电力工程造价预测在电网企业资源优化、财务稳定、风险管理、效率提升、项目决策、政策制定、市场秩序维护和投资者决策等方面具有重要意义。针对传统预测方法综合性能较差的问题，并考虑电力工程造价数据的小样本特性，提出了一种基于梯度提升决策树(gradient boosting decision tree, GBDT)的预测模型，通过优化训练过程中的残差，显著提升预测精度。[方法]从自然环境和技术因素出发，深入分析了电力工程造价的影响因子，筛选出11个影响电力工程造价的关键变量。通过数据清洗、特征编码和对数变换，构建适配GBDT模型的特征工程。采用Optuna框架进行超参数调优，并利用5折交叉验证法评估模型性能。模型优化以拟合优度作为评价指标，迭代寻找最优超参数，直至满足预测精度要求或达到最大迭代次数，最终建立结合Optuna框架的梯度提升决策树预测模型。以某地区变电工程造价数据为例，90%的数据样本作为训练集和验证集，10%的数据样本作为测试集，对比分析随机森林、神经网络、GBDT和结合Optuna的GBDT模型的预测效果，通过拟合优度与均方根误差进行性能评估。[结果]实验结果显示，结合Optuna的GBDT模型预测效果优于随机森林、神经网络及GBDT算法，预测值在真实值的±10元/kVA区间浮动。在验证集上，拟合优度为0.892 3,均方根误差为8.01;在测试集上，拟合优度为0.886 6,均方根误差为8.09。[结论]基于GBDT的电力工程造价预测模型能够精准预测电力工程造价，相较传统方法具有更高预测精度，尤其适用于电力工程造价类的小样本数据集。结合Optuna框架进行超参数调优，进一步提升了预测效果。未来研究将引入更多样本数据，并结合神经网络算法，探索更优的预测方案，助力电网企业实现高效运营与良性发展。