CN105335818A - 基于bp神经算法的输变电工程造价风险评估预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经算法的输变电工程造价风险评估预测方法，包括步骤有：运用BP神经算法对影响造价的风险指标进行指标分析，形成造价风险指标体系；收集已产生的造价样本数据，根据造价风险指标体系对造价样本数据进行归类汇总；运用数据归一化函数进行归一化处理，获得分组样本数据，并计算期望值；创建BP神经网络函数，将每组样本数据和期望值进行数据训练，得到输变电工程造价风险评估预测模型，预测出新的输变电工程造价风险；模型训练结束后，采用专家预测法对新的输变电工程进行造价数据预测，用于评价新的输变电工程造价风险。能准确可靠评估新的输变电工程的造价风险，给工程投资建设方提供积极的指导意义。

Description

基于BP神经算法的输变电工程造价风险评估预测方法

技术领域

本发明涉及一种造价风险评估预测方法，特别是涉及一种基于BP神经算法的输变电工程造价风险评估预测方法，属于动态预测工程造价领域。

背景技术

近年来，我国经济快速发展，导致用电需求迅猛增长，只有大力开展输变电工程建设，才能缓解电力供应紧张的状况。但是，伴随电网建设的突飞猛进发展，在其建设过程中，也凸显了当前输变电工程建设中存在一些问题，如投资大、效益低、造价管理存在漏洞等问题。

其中，造价管理面临复杂多变的环境和各种各样的不确定因素，这些不确定因素往往会造成输变电工程投资目标失控、“三超”现象的发生、降低输变电工程建设效果和制约电网企业的效益提升。

发明内容

本发明的主要目的在于，克服现有技术中的不足，提供一种基于BP神经算法的输变电工程造价风险评估预测方法，可以准确、可靠地评估新的输变电工程的造价风险，给工程投资建设方提供积极的指导意义。

为了达到上述目的，本发明所采用的技术方案是：

一种基于BP神经算法的输变电工程造价风险评估预测方法，包括以下步骤：

1)收集已完成的输变电工程中目标工程的风险指标，运用BP神经算法，对影响造价的风险指标进行指标分析，确定造价风险指标后，形成造价风险指标体系；

2)收集已完成的输变电工程中目标工程已产生的造价样本数据，根据造价风险指标体系对造价样本数据进行归类汇总；

3)运用MATLAB处理数据归一化函数对归类汇总后的造价样本数据进行归一化处理，将造价样本数据映射到[0，1]之间，获得分组样本数据，并计算每组样本数据的期望值；

4)运用MATLAB软件，创建BP神经网络函数，将每组样本数据和期望值进行数据训练，得到输变电工程造价风险评估预测模型，用以预测出新的输变电工程造价风险；

5)模型训练结束后，采用专家预测法，邀请专家对新的输变电工程按照造价风险指标体系进行造价数据预测，用于评价步骤4)预测的新的输变电工程造价风险。

本发明进一步设置为：所述目标工程为变电站工程项目。

本发明进一步设置为：所述MATLAB处理数据归一化函数为，

[Pn，meanp，stdp，Tn，meant，stdt]＝prestd(P，T)

$Pn=\frac{p-\min p}{\max p-\min p}$

其中，p是所收集的一组数据，minp，maxp分别是该组数据的最小值和最大值，Pn是映射后的数据。

本发明进一步设置为，所述数据训练包括以下步骤：

(1)用随机数对每一层的权值w和阀值b初始化，并进行参数初始化；

参数初始化包括设定期望误差最小值err_goal，设定最大循环次数max_epoch，设定修正权值的学习速率lr＝0.01-0.7，设定从1开始循环训练forepoch＝1:max_epoch；

(2)按照以下公式计算网络各层输出矢量A1和A2，以及网络误差E、与其对应的输出样本T；

A1＝tansig(w1*p，b1)

A2＝purelin(w2*A1，b2)

E＝T-A2

其中，w1表示隐含层权值、w2表示输出层权值、b1表示隐含层阀值、b2表示输出层阀值；

(3)按照以下公式计算各层方向传播的误差变化D2和D1，计算各层权值的修正值以及新的权值；

D2＝deltalin(A2，E)

D1＝deltalin(A1，D2w2)

[dw1，db1]＝learnbp(p，D1，Ir)

[dw2，db2]＝learnbp(A1，D2，Ir)

w1＝w1+dw1；b1＝b1+db1

w2＝w2+dw2；b2＝b2+db2

其中，dw1表示隐含层权值的修正值、dw2表示输出层权值的修正值、db1表示隐含层阀值的修正值、db2表示输出层阀值的修正值、Ir表示学习速率；

(4)按照以下公式计算修正后的误差平方和；

SSE＝sumsqr(T-purelin(w2*tansig(wl*p，bl)，b2))

(5)检查修正后的误差平方和SSE是否小于设定期望误差最小值err_goal，若是，训练结束，否则继续；

(6)循环步骤(1)至步骤(5)，进行下一组样本数据的训练，直至所有样本数据将模型训练完为止。

与现有技术相比，本发明具有的有益效果是：

提供一种基于BP神经算法的输变电工程造价风险评估预测方法，简单易行，应用范围广泛，能准确可靠地评估新的输变电工程的造价风险，可以动态预测输变电工程的造价风险，给工程投资建设方提供积极的指导意义。

上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。

附图说明

图1为本发明实施例中数据训练的训练误差曲线图。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

本发明提供一种基于BP神经算法的输变电工程造价风险评估预测方法，包括以下步骤：

1)收集已完成的输变电工程中目标工程的风险指标，运用BP神经算法，对影响造价的风险指标进行指标分析，确定造价风险指标后，形成造价风险指标体系。

本实施例的目标工程为变电站工程项目，如从某电力企业得到已经完工220KV变电站工程的造价风险指标体系，如表1所示。

表1

2)收集已完成的输变电工程中目标工程已产生的造价样本数据，根据造价风险指标体系对造价样本数据进行归类汇总。

从已经完工的220KV变电站工程获得其造价样本数据的相关来源统计表，如表2所示。

样本序号	样本名称
		1	220KV艾山变电站工程(x1)

2	张家港晨港220kV变电站工程(x2)
		3	宝应220kv黄腾变电站工程(x3)
4	泰州建安220kV变电站工程(x4)
		5	220kV剑门输变电工程(x5)
6	江都220kv锦西变电站工程(x6)
		7	江阴220kV景阳(祝塘)变电站工程(x7)
8	泰州六助(马桥)220kV变电站工程(x8)
		9	南京牧龙220kV变电站工程(x9)
10	220kV南蔡变电站工程(x10)
		11	220kV旗杰～涟水单线开断环入牌坊变送电线路工程(x11)
12	宿迁七雄220kV变电站工程(x12)
		13	高邮220kv勤王变电站工程(x13)
14	220kv双泗-泗阳开环泗阳南线路工程(x14)
		15	泰州泰常220kV变电站工程(x15)
16	220kv新丰输变电工程(x16)
		17	220kv新街变电站工程(x17)
18	连云港洋桥220kV变电站工程(x18)
		19	220kv药城(界牌)变电站工程(x19)

表2

3)运用MATLAB处理数据归一化函数对归类汇总后的造价样本数据进行归一化处理，将造价样本数据映射到[0，1]之间，获得分组样本数据，并计算每组样本数据的期望值。

针对表2中19个220KV变电站工程的造价样本数据运用MATLAB处理数据归一化函数

[Pn，meanp，stdp，Tn，meant，stdt]＝prestd(P，T)

$Pn=\frac{p-\min p}{\max p-\min p}$

获得如表3所示的造价样本数据归一化处理后的结果统计表；其中，p是所收集的一组数据，minp，maxp分别是该组数据的最小值和最大值，Pn是映射后的数据。

表3

4)运用MATLAB软件，创建BP神经网络函数，将每组样本数据和期望值进行数据训练，直至得到满足如图1所示的训练误差要求，从而得到训练后的输变电工程造价风险评估预测模型，用以预测出新的输变电工程造价风险。

5)模型训练结束后，采用专家预测法，邀请专家对新的输变电工程按照造价风险指标体系并可参考如表4所示的风险损失影响程度评分表进行造价数据预测，用于评价步骤4)预测的新的输变电工程造价风险。

表4

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于，包括以下步骤：

1)收集已完成的输变电工程中目标工程的风险指标，运用BP神经算法，对影响造价的风险指标进行指标分析，确定造价风险指标后，形成造价风险指标体系；

2)收集已完成的输变电工程中目标工程已产生的造价样本数据，根据造价风险指标体系对造价样本数据进行归类汇总；

3)运用MATLAB处理数据归一化函数对归类汇总后的造价样本数据进行归一化处理，将造价样本数据映射到[0，1]之间，获得分组样本数据，并计算每组样本数据的期望值；

4)运用MATLAB软件，创建BP神经网络函数，将每组样本数据和期望值进行数据训练，得到输变电工程造价风险评估预测模型，用以预测出新的输变电工程造价风险；

5)模型训练结束后，采用专家预测法，邀请专家对新的输变电工程按照造价风险指标体系进行造价数据预测，用于评价步骤4)预测的新的输变电工程造价风险。

2.根据权利要求1所述的基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于：所述目标工程为变电站工程项目。

3.根据权利要求1所述的基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于：所述MATLAB处理数据归一化函数为，

[Pn，meanp，stdp，Tn，meant，stdt]＝prestd(P，T)

$Pn=\frac{p-\min p}{\max p-\min p}$

其中，p是所收集的一组数据，minp，maxp分别是该组数据的最小值和最大值，Pn是映射后的数据。

4.根据权利要求1或2所述的基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于，所述数据训练包括以下步骤：

(1)用随机数对每一层的权值w和阀值b初始化，并进行参数初始化；

参数初始化包括设定期望误差最小值err_goal，设定最大循环次数max_epoch，设定修正权值的学习速率lr＝0.01-0.7，设定从1开始循环训练forepoch＝1:max_epoch；

(2)按照以下公式计算网络各层输出矢量A1和A2，以及网络误差E、与其对应的输出样本T；A1＝tansig(wl*p，b1)

A2＝purelin(w2*A1，b2)

E＝T-A2

其中，w1表示隐含层权值、w2表示输出层权值、b1表示隐含层阀值、b2表示输出层阀值；

(3)按照以下公式计算各层方向传播的误差变化D2和D1，计算各层权值的修正值以及新的权值；

D2＝deltalin(A2，E)

D1＝deltalin(A1，D2，w2)

[dw1，dbl]＝learnbp(p，D1，Ir)

[dw2，db2]＝learnbp(A1，D2，Ir)

w1＝w1+dw1；b1＝b1+db1

w2＝w2+dw2；b2＝b2+db2

其中，dw1表示隐含层权值的修正值、dw2表示输出层权值的修正值、db1表示隐含层阀值的修正值、db2表示输出层阀值的修正值、Ir表示学习速率；

(4)按照以下公式计算修正后的误差平方和；

SSE＝sumsqr(T-purelin(w2*tansig(wl*p，bl)，b2))

(5)检查修正后的误差平方和SSE是否小于设定期望误差最小值err_goal，若是，训练结束，否则继续；

(6)循环步骤(1)至步骤(5)，进行下一组样本数据的训练，直至所有样本数据将模型训练完为止。