基于BP神經網絡的輸電線路工程造價預測模型研究

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，結合BP神經網絡算法構建了輸電線工程造價預測模型。其以工程造價的影響因素作為BP神經網絡的輸入，通過3層網絡結構，得到輸電線路工程造價估計值。最后采用實際工程數據對提出的輸電線工程造價預測模型進行實驗仿真，得到的實驗結果顯示，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劣。

關鍵詞： 輸電線路； 工程造價； BP神經網絡； 造價估算； 預測模型； 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前期需要工程管理人員，根據不同工程建設階段的目的要求來確定施工方案。同時，技術人員對不同方案提取工程量以估計工程造價[1?2]，但傳統方法計算過程復雜，無法適應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。目前國內對其研究雖多，但都無法取得良好的效果，而BP神經網絡具有較好的組織性和自適應性，通過樣本自學習，可解決非線性問題[3?7]。因此，本文定義了BP神經網絡算法模式的概念，構建了最優化工程造價預測問題的模式，分析了工程造價的影響因素，并以其作為BP神經網絡的輸入，通過3層網絡結構，得到輸電線路工程造價估計值。

1 輸電線路工程造價預測模型建立

1.1 預測數學模型

輸電線路工程造價預測的數學模型是根據總結歷史數據產生規律，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學模型得到輸出變量工程造價Y，具體步驟為：

1） 根據歷史數據得到影響因素（輸入變量X）；

2） 建立BP神經網絡的數學模型；

3） 對網絡進行訓練；

4） 使用得到的網絡對工程造價進行預測。

1.2 網絡結構選擇

通過已有文獻可知，3層BP神經網絡已被廣泛地應用于多個復雜非線性問題[8?10]，故本文選擇3層BP神經網絡作為預測模型，并通過分析歷史數據得到影響輸電線工程建設造價的因素，進而對輸入層的節點數進行計算與確認。對輸電線工程造價造成影響的條件有地質條件、導線型號、塔材重量和地形等9個因素，所以確定輸入層節點數為9，輸入變量分別為x1～x9，輸出是工程造價。因此，輸出節點數為1。在輸入節層與輸出節層之間是隱含層，一般設置10，15，20和25，其節點數是通過反復實驗得到的。為了得到較小的網絡誤差，本文選擇5作為隱含層節點數，所以最終建立的BP神經網絡模型為9?15?1，如圖1所示。

1.3 數據預處理與轉換

工程造價影響因素中大多為文字表述，從而需要將其轉化為數字才可作為BP神經網絡的輸入。數據預處理與轉換的規則為：

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

2） 數字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平均處理；

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

4） 導線的參數等于分裂數與導線標稱單重的乘積。

1.4 模型算法訓練

神經網絡算法主要歸類為正向傳播以及反向傳播兩種學習過程，正向傳播主要指輸入信息分別經過輸入層、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，能夠根據誤差來逐層調節參數時誤差在可接受范圍內。

1.4.1 正向傳播過程

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

輸出節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。

隱含層與輸入層之間的誤差計算公式為式（9），權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 數據樣本

以65組某地區的2014—2016年間的110 kV輸電線路工程實際數據作為樣本數值，如表1所示。在Matlab中對數據進行仿真，在網絡訓練時只取前50組數據，后15組數據是對訓練好的網絡得到的造價估計的驗證，通過預測結果與實際數值進行比較以驗證預測模型的效果。

2.2 模型的建立

由于表1數據均是在輸電線路導線為LGJ?240/30型的條件下得到的，所以本例輸入變量去掉導線信號的影響后，預測模型變為8?15?1的3層BP網絡結構，并采用tansig，traingdx函數分別作為傳輸函數與網絡訓練函數，網絡的建立則采用newff函數。

2.3 數據預處理

表1中的數據輸入層變量與輸出層變量量綱不同，相差較大，直接應用于神經網絡訓練會影響訓練速度與精度。因而本文在Matlab中對數據進行歸一化處理，如表2所示，使其均在-1～1的范圍內。

2.4 網絡訓練與預測結果分析

對數據進行訓練時的修正算法為動量梯度下降算法，其學習率可變。文中設置最大循環次數為30 000，學習速度初始值和誤差均為0.02，用表2中前50組數據進行訓練，經過16 304次得到最優網絡，圖2為訓練誤差曲線圖。

用表2中后15組數據對得到的最優網絡進行驗證，由于預測結果要事先進行歸一化處理，所以預測出的數據要進行反歸一化，預測結果如表3所示。從表3可看出，預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神經網絡的輸電線工程造價預測模型是可行的。

3 結 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神經網絡的輸電線路工程造價預測模型，并在本文最后采用實際工程數據對所提的造價預測模型進行實驗仿真。得到的實驗結果顯示，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劣。

參考文獻

[1] SIMON Haykin.神經網絡原理[M].葉世偉，史忠植，譯.北京：機械工業出版社，2004.

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

[2] 王洪元，史國棟.人工神經網絡技術及其應用[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.城市中壓配電網可靠性快速評估及預測方法的研究[D].北京：華北電力大學，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神經網絡的短期光伏功率預測模型[J].電網與清潔能源，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神經網絡的電網短期負荷預測模型研究[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神經網絡的電網綜合評價研究[J].電網與清潔能源，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神經網絡的洪峰預測模型[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