基于BP神經(jīng)網(wǎng)絡(luò)的輸電線路工程造價預(yù)測模型研究

孫安黎+向春+伍焓熙

摘 要： 針對輸電線路工程前期項目比選種類多，造價估算偏差大，如何利用少量信息得到較準確工程造價的問題，結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了輸電線工程造價預(yù)測模型。其以工程造價的影響因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入，通過3層網(wǎng)絡(luò)結(jié)構(gòu)，得到輸電線路工程造價估計值。最后采用實際工程數(shù)據(jù)對提出的輸電線工程造價預(yù)測模型進行實驗仿真，得到的實驗結(jié)果顯示，該模型能準確估計工程造價，從而適合于評估工程前期比選方案的優(yōu)劣。

關(guān)鍵詞： 輸電線路； 工程造價； BP神經(jīng)網(wǎng)絡(luò)； 造價估算； 預(yù)測模型； 實驗仿真

中圖分類號： TN711?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2018）02?0079?04

Abstract： In allusion to the problems of large deviation in cost estimation due to too many alternative schemes， and difficulty in obtaining more accurate project cost by using small amount of information in the early stage of power transmission line project， a cost prediction model for power transmission line project is constructed based on BP neural network. With the influence factors of project cost as the input of BP neural network， the estimated cost of the power transmission line project is obtained by using the three?layer network structure. The simulation experiment was carried out for the proposed cost prediction model of power transmission line project by using the actual project data. The experimental results show that the model can accurately estimate the project cost， which is suitable for evaluating the alternative schemes in the early stage of the project.

Keywords： power transmission line； project cost； BP neural network； cost estimation； prediction model； experimental simulation

輸電線路工程項目在建設(shè)前期需要工程管理人員，根據(jù)不同工程建設(shè)階段的目的要求來確定施工方案。同時，技術(shù)人員對不同方案提取工程量以估計工程造價[1?2]，但傳統(tǒng)方法計算過程復(fù)雜，無法適應(yīng)前期階段比選方案繁多，比選時間短暫的要求，從而使得估計誤差大。輸電線路工程造價估計影響因素多，且具有不確定性。目前國內(nèi)對其研究雖多，但都無法取得良好的效果，而BP神經(jīng)網(wǎng)絡(luò)具有較好的組織性和自適應(yīng)性，通過樣本自學(xué)習(xí)，可解決非線性問題[3?7]。因此，本文定義了BP神經(jīng)網(wǎng)絡(luò)算法模式的概念，構(gòu)建了最優(yōu)化工程造價預(yù)測問題的模式，分析了工程造價的影響因素，并以其作為BP神經(jīng)網(wǎng)絡(luò)的輸入，通過3層網(wǎng)絡(luò)結(jié)構(gòu)，得到輸電線路工程造價估計值。

1 輸電線路工程造價預(yù)測模型建立

1.1 預(yù)測數(shù)學(xué)模型

輸電線路工程造價預(yù)測的數(shù)學(xué)模型是根據(jù)總結(jié)歷史數(shù)據(jù)產(chǎn)生規(guī)律，找出其影響因素，以影響因素作為模型的輸入變量X，通過建立其與工程造價之間的非線性數(shù)學(xué)模型得到輸出變量工程造價Y，具體步驟為：

1） 根據(jù)歷史數(shù)據(jù)得到影響因素（輸入變量X）；

2） 建立BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型；

3） 對網(wǎng)絡(luò)進行訓(xùn)練；

4） 使用得到的網(wǎng)絡(luò)對工程造價進行預(yù)測。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)選擇

通過已有文獻可知，3層BP神經(jīng)網(wǎng)絡(luò)已被廣泛地應(yīng)用于多個復(fù)雜非線性問題[8?10]，故本文選擇3層BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型，并通過分析歷史數(shù)據(jù)得到影響輸電線工程建設(shè)造價的因素，進而對輸入層的節(jié)點數(shù)進行計算與確認。對輸電線工程造價造成影響的條件有地質(zhì)條件、導(dǎo)線型號、塔材重量和地形等9個因素，所以確定輸入層節(jié)點數(shù)為9，輸入變量分別為x1～x9，輸出是工程造價。因此，輸出節(jié)點數(shù)為1。在輸入節(jié)層與輸出節(jié)層之間是隱含層，一般設(shè)置10，15，20和25，其節(jié)點數(shù)是通過反復(fù)實驗得到的。為了得到較小的網(wǎng)絡(luò)誤差，本文選擇5作為隱含層節(jié)點數(shù)，所以最終建立的BP神經(jīng)網(wǎng)絡(luò)模型為9?15?1，如圖1所示。

1.3 數(shù)據(jù)預(yù)處理與轉(zhuǎn)換

工程造價影響因素中大多為文字表述，從而需要將其轉(zhuǎn)化為數(shù)字才可作為BP神經(jīng)網(wǎng)絡(luò)的輸入。數(shù)據(jù)預(yù)處理與轉(zhuǎn)換的規(guī)則為：

1） 數(shù)字1，2，3，4分別代表輸電線的回路數(shù)，對包含多種回路的線路則對其進行加權(quán)平均處理；

2） 數(shù)字1，2，3，4，5分別表示地形為平地、丘陵、泥沼、山地和高山，對包含多種地形的線路則對其進行加權(quán)平均處理；

3） 數(shù)字1，2，3，4，5，6，7分別表示地質(zhì)條件為普通土、堅土、松砂石、水、泥土、流沙和巖石，對包含多種地質(zhì)條件的線路則對其進行求均值處理；endprint

4） 導(dǎo)線的參數(shù)等于分裂數(shù)與導(dǎo)線標稱單重的乘積。

1.4 模型算法訓(xùn)練

神經(jīng)網(wǎng)絡(luò)算法主要歸類為正向傳播以及反向傳播兩種學(xué)習(xí)過程，正向傳播主要指輸入信息分別經(jīng)過輸入層、隱含層和輸出層，從而得到實際輸出；反向傳播過程表示輸出層的實際輸出與所希望達到的輸出之間存在誤差時，能夠根據(jù)誤差來逐層調(diào)節(jié)參數(shù)時誤差在可接受范圍內(nèi)。

1.4.1 正向傳播過程

輸入層、隱含層和輸出層的節(jié)點，即神經(jīng)元數(shù)分別為n，d，m個，分別用向量表示為。隱含層節(jié)點與輸出層節(jié)點的計算式如式（1）、式（2），式中的傳遞函數(shù)為式（3）。

輸出節(jié)點誤差的計算公式為：

式中，和分別為實際輸出和期望輸出值。

1.4.2 反向傳播過程

隱含層與輸出層之間的誤差計算公式為式（6），權(quán)值修正與閾值修正計算公式分別為式（7）、式（8），式中為迭代次數(shù)。

隱含層與輸入層之間的誤差計算公式為式（9），權(quán)值修正與閾值修正計算公式分別為式（10）、式（11）。

2 實驗驗證

2.1 數(shù)據(jù)樣本

以65組某地區(qū)的2014—2016年間的110 kV輸電線路工程實際數(shù)據(jù)作為樣本數(shù)值，如表1所示。在Matlab中對數(shù)據(jù)進行仿真，在網(wǎng)絡(luò)訓(xùn)練時只取前50組數(shù)據(jù)，后15組數(shù)據(jù)是對訓(xùn)練好的網(wǎng)絡(luò)得到的造價估計的驗證，通過預(yù)測結(jié)果與實際數(shù)值進行比較以驗證預(yù)測模型的效果。

2.2 模型的建立

由于表1數(shù)據(jù)均是在輸電線路導(dǎo)線為LGJ?240/30型的條件下得到的，所以本例輸入變量去掉導(dǎo)線信號的影響后，預(yù)測模型變?yōu)??15?1的3層BP網(wǎng)絡(luò)結(jié)構(gòu)，并采用tansig，traingdx函數(shù)分別作為傳輸函數(shù)與網(wǎng)絡(luò)訓(xùn)練函數(shù)，網(wǎng)絡(luò)的建立則采用newff函數(shù)。

2.3 數(shù)據(jù)預(yù)處理

表1中的數(shù)據(jù)輸入層變量與輸出層變量量綱不同，相差較大，直接應(yīng)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練會影響訓(xùn)練速度與精度。因而本文在Matlab中對數(shù)據(jù)進行歸一化處理，如表2所示，使其均在-1～1的范圍內(nèi)。

2.4 網(wǎng)絡(luò)訓(xùn)練與預(yù)測結(jié)果分析

對數(shù)據(jù)進行訓(xùn)練時的修正算法為動量梯度下降算法，其學(xué)習(xí)率可變。文中設(shè)置最大循環(huán)次數(shù)為30 000，學(xué)習(xí)速度初始值和誤差均為0.02，用表2中前50組數(shù)據(jù)進行訓(xùn)練，經(jīng)過16 304次得到最優(yōu)網(wǎng)絡(luò)，圖2為訓(xùn)練誤差曲線圖。

用表2中后15組數(shù)據(jù)對得到的最優(yōu)網(wǎng)絡(luò)進行驗證，由于預(yù)測結(jié)果要事先進行歸一化處理，所以預(yù)測出的數(shù)據(jù)要進行反歸一化，預(yù)測結(jié)果如表3所示。從表3可看出，預(yù)測的造價跟實際造價相差率小于10%，符合在決策階段比選過程中誤差要求。因而，基于BP神經(jīng)網(wǎng)絡(luò)的輸電線工程造價預(yù)測模型是可行的。

3 結(jié) 語

本文針對輸電線路工程前期如何利用少量信息得到較準確工程造價的問題，提出了基于BP神經(jīng)網(wǎng)絡(luò)的輸電線路工程造價預(yù)測模型，并在本文最后采用實際工程數(shù)據(jù)對所提的造價預(yù)測模型進行實驗仿真。得到的實驗結(jié)果顯示，該模型能夠準確估計工程造價，滿足在決策階段比選過程中誤差要求，從而適合于評估工程前期比選方案的優(yōu)劣。

參考文獻

[1] SIMON Haykin.神經(jīng)網(wǎng)絡(luò)原理[M].葉世偉，史忠植，譯.北京：機械工業(yè)出版社，2004.

Haykin S. Neural network principle [M]. YE Shiwei， SHI Zhongzhi， translation. Beijing： Mechanical Industry Press， 2004.

[2] 王洪元，史國棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].北京：中國石化出版社，2003.

WANG Hongyuan， SHI Guodong. Artificial neural network technology and its application [M]. Beijing： China Petrochemical Press， 2003.

[3] 黃宇峰.城市中壓配電網(wǎng)可靠性快速評估及預(yù)測方法的研究[D].北京：華北電力大學(xué)，2011.

HUANG Yufeng. Study on fast assessment and prediction method for reliability of urban medium voltage distribution network [D]. Beijing： North China Electric Power University， 2011.

[4] 于群，樸在林，胡博.基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的短期光伏功率預(yù)測模型[J].電網(wǎng)與清潔能源，2016，32（7）：132?137.

YU Qun， PIAO Zailin， HU Bo. A hybrid model for short?term photovoltaic power prediction based on EEMD?BP combined method [J]. Power system and clean energy， 2016， 32（7）： 132?137.

[5] 周英，尹邦德，任鈴，等.基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)短期負荷預(yù)測模型研究[J].電測與儀表，2011，48（2）：68?71.

ZHOU Ying， YIN Bangde， REN Ling， et al. Study of electricity short?term load forecast based on BP neural network [J]. Electrical measurement & instrumentation， 2011， 48（2）： 68?71.endprint

[6] 胡西民，支沛，姚李孝，等.基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)綜合評價研究[J].電網(wǎng)與清潔能源，2016，32（9）：77?82.

HU Ximin， ZHI Pei， YAO Lixiao， et al. Research on power grid comprehensive evaluation based on BP neural network [J]. Power system and clean energy， 2016， 32（9）： 77?82.

[7] 高麗媛，董甲.基于改進BP神經(jīng)網(wǎng)絡(luò)的洪峰預(yù)測模型[J].電子科技，2015，28（3）：41?43.

GAO Liyuan， DONG Jia. Flood prediction model based on improved BP neural network [J]. Electronic science and technology， 2015， 28（3）： 41?43.

[8] ADAMEC M， PAVLATKA P， STARY O. Costs and benefits of smart grids on liberalized markets [J]. Journal of electronic science and technology， 2012， 10（1）： 22?28.

[9] DUKIC D， MARIC T， BABIC D. Analysis of duration and cost estimate of construction projects through computer simulation [C]// Proceedings of International Conference on Information Technology Interfaces. Cavtat： IEEE， 2007： 25?28.

[10] CORNFORTH D. Role of microgrids in the smart grid [J]. Journal of electronic science technology， 2011， 9（1）： 9?16.endprint