四川北部山區變電工程可研投資估算模型研究

甘靜 簡遜 張蘇華

摘 要：四川北部山區的變電工程具有獨特性。一種簡潔有效的可研投資估算方法和模型在理論上和實際工作中都意義重大。神經網絡的非線性、自學習的特點，非常適合建立變電工程的投資估算模型。模型選取電壓等級、本期變電容量、電壓器臺數、終期變電容量等12個輸入變量，建立三層神經網絡結構，用收集的訓練樣本訓練神經網絡模型，測試樣本測試模型。測試結果表明模型效果良好。模型使用者無需掌握過多技術細節，適合于投資發展部門估算，前景良好。

關鍵詞：變電工程；投資估算；神經網絡；可研；預測

變電工程投資金額龐大、建設周期長，變電工程投資估算出現失誤，后果嚴重。投資估算是變電工程項目投資、概算、預算、結算、決算的基礎，投資估算的準確性將直接影響到項目建設和投資經濟效果。四川北部山區特殊的地形使得變電站的建設難度和工程造價大大增加，而山區電網建設對當地經濟和社會發展具有現實的重要性和必要性，因此，四川北部山區變電站工程進行可研投資估算模型研究，意義重大。國內外對投資估算已有一些相應的研究，比如采用成本估算的方法，建立工程成本的數據庫，根據歷史工程、類似工程的歷史資料，結合相應的參考指標手冊，用類比、回歸的方法確定擬建工程的投資情況；有利用典型工程建設經驗，將模糊數學引入工程造價進行投資估計，提高計算速度，減少計算周期，但研究主觀性強，準確性不夠高。這些方法都要求估算者對工程本身和相應技術有較高的了解，但實際各地市電力公司的投資決策部門，多為經濟和管理專業背景，因此，如果有一種簡潔有效的方法和模型幫助進行變電站工程可研投資估算，將對投資決策和規劃有很大幫助。

此篇論文，在收集對應的變電工程估算的歷史數據基礎上，采用神經網絡模型和方法，建立四川山區變電站工程可研投資估算模型，能簡便地進行可研投資估算，結果準確有效。

1 問題提出和解決思路

位于四川北部山區的G地級市，市國網供電公司從實際工作需要和上級要求出發，希望其投資發展部門在無技經和造價人員支持情況下，在編制可行性研究報告時能夠由投資發展部門獨立給出電力工程投資估算。為此，需要建立一無需掌握過多技術細節、輸入輸出變量易理解的估算模型，進行變電工程的可研投資估算研究。

問題的解決，關鍵是投資估算方法和模型的選取建立。

神經網絡是一種大規模并行的非線性動力學系統。BP（Back Propagation，后向）神經網絡其層與層之間權重可自修正，并已經證明在閉區間內任何一個N維到M維的連續函數都可以用含有一個隱層的神經網絡來實現任意精度的逼近。這種非線性、自學習自我更正的特點，非常適合變電工程的投資估算的科學預測。

2 變量選擇和輸入數據預處理

模型輸入因素的選擇，既要考慮其影響性質和程度，又要考慮數據的可取得性，并要結合模型而取舍。具體選取的變量如表1所示。其中工程建設所在年的PPI、CPI、G市就業人員平均工資等動態因素，體現變電工程建設投資額的動態性。在進行實驗前，要對數據進行數值化等預處理，使之能夠被神經網絡模型處理，具體如表1。

輸出變量1個，為可研批復中的工程投資值，單位萬元。

收集到的所有有效樣本為81個。

將所有樣本分為訓練樣本集和測試樣本集，從35kV、110kV、220kV變電工程中各選新建、擴建1個共6個樣本為測試樣本集，其余75個樣本為訓練樣本集。

訓練樣本集用于訓練神經網絡，測試樣本集用于模擬實際情況測試模型。

3 神經網絡模型結構

選用 MATLAB 7.1為開發工具。

神經網絡如圖1所示，選擇三層BP網絡，分別為輸入層、隱單元層、輸出層。

隱單元層采用logsig函數，輸出層用purelin函數。網絡初始權值在權值范圍[-1，1]內隨機產生網絡初始權值。

輸入層節點I=（I1，I2，I3... ...，I13），共13個，其中12個節點（I1，I2，I3... ...，I12）對應表2中12個變量，另外一個節點對應閾值。輸入變量值在作為網絡輸入時進行規一化處理成[0，1]范圍內值。

規一化公式為，max{Ij}、min{Ij}是第j項變量Ij在81個樣本中的最大值、最小值。

隱單元層中的節點個數選擇5個，其中4個節點接受輸入層的結果，另外一個節點對應隱單元的閾值。

輸出層節點數為1，對應唯一的輸出變量——工程投資。

4 模型訓練

為提高訓練效率，選用批處理訓練，訓練算法選用Matlab里的trainlm方法（即Levenberg - Marquardt方法），性能函數選用MSE（mean squared error，均方誤差）。

用預處理并規范化了的75條訓練樣本進行批處理訓練，結果顯示，在90周期后基本收斂穩定，性能函數MSE已經非常小。如圖2所示。

至此，模型訓練完成。

5 模型測試

以此訓練后的神經網絡模型對測試樣本集的6條數據進行檢驗。測試得到每條樣本數據預測投資值和批復投資值（皆為規一化的數據）見下表2。6個樣本誤差百分比的平均值為2.89%。可見預測效果很好。

6 結論及展望

神經網絡的非線性、自學習的特點，適合變電工程的投資估算預測。用此建立的這個模型，適合于國網供電公司投資發展部（或有些地方叫投資決策部）在編制可行性研究報告時獨立地較準確給出變電工程投資估算，而無需掌握過多技術細節、無需技經和造價人員支持。由于模型采用G地級市電網數據訓練，論文所建立的模型適合于G地級市以及四川北部山區的國網變電工程。這種方法可以推廣應用到其他地區和其他工程的投資估算。

參考文獻：

[1] 徐武明，徐玖平.大型工程建設項目組織綜合集成模式[J].管理學報，2012，01：132-138.

[2] 銀濤，俞集輝.基于人工神經網絡送電線路工程造價的快速估算[J].重慶大學學報（自然科學版），2007，30（1）：36-41.

[3] 謝偉群.關于送電線路設計和工程造價的探討[J].廣東輸電與變電技術，2005，10（2）：64-66.

[4] 徐武明，徐玖平.大型工程項目勘察承包商選擇體系的構建[J].軟科學，2011，12：63-67.

[5] 胡志根.基于模糊預測的工程造價估算模型研究[J].系統工程理論與實踐，1997，21（2）：50-55.

[6] 徐武明，徐玖平.大型工程項目監理承包商的選擇方法研究[J].統計與決策，2011，19：183-185.

本文系2015年國網廣元供電公司科技項目“四川北部山區輸變電工程可研投資概算模型研究 ”的研究成果之一。

作者簡介：

甘靜（1986-），四川眉山人，工程師，研究方向：電力系統；簡遜（1984-），四川廣元人，工程師，研究方向：電力系統；張蘇華（1984-），四川綿陽人，統計師，研究方向：電力系統。