基于模糊神經網絡的成功度法在電廠建設項目經濟后評價中的應用

[摘 要]電廠建設項目經濟后評價對總結項目成敗具有重要意義。本文根據電力工程特點以及三門峽發電有限公司實際情況，給出了項目經濟后評價指標體系，并且確定了標準值；提出運用基于模糊神經網絡的成功度法進行電廠建設項目經濟后評價，采用相對隸屬度對成功度指標值及評價標準進行模糊處理，然后通過BP神經網絡對其進行評價，結果比較精確；最后對三門峽發電有限責任公司2600MW機組進行評價，結果合理準確。

[關鍵詞]模糊神經網絡；成功度法；經濟評價；后評價

[中圖分類號]F272.5；F224.0

[文獻標識碼]A

[文章編號]1673-0194(2009)05-0090-03

1 引 言

火力發電廠建設是一種技術、資金密集性項目，建設一個火力發電廠需要耗費大量的資金。近幾年由于受通貨膨脹和其他種種因素的影響，我國電力工程造價上漲幅度較大，如投建一個600MW機組的火力發電廠總投資達40億元。對于如此巨額資金的投入，國有資產監督管理委員會等相關部門要求必須進行項目后評價，對項目建設情況進行總結，同時根據項目目前財務效益，以及今后財務預測對項目前評估可行性進行驗證^[1-2]，為今后的投資、建設提供依據。

火電項目經濟效益后評價是項目后評價的一項重要內容，也是整個項目后評價的核心內容之一。本文利用基于模糊神經網絡的成功度法對項目財務效益進行后評價，該方法可以更加準確地對項目財務效益作出評價。本方法采取人工智能方法。最后通過實例驗證了本方法的實用性和準確性，為電廠財務評價提供了一種可行高效的方法。

2 模糊神經網絡成功度評價模型構建方法

通過采用相對隸屬度對成功度指標值及評價標準進行模糊處理，生成標準指標相對隸屬度矩陣和檢測樣本指標相對隸屬度矩陣，然后在此基礎上建立模糊神經網絡模型。

2.1 指標相對隸屬度矩陣的構建

構建指標相對隸屬矩陣的方法步驟如下：

(1)假設成功度評價分為n個級別，并且有m個評價因子，則這m個評價因子所對應的j級評價標準就構成了成功度后評價的標準值矩陣：

X=(x_ij)m×n。(1)

式中，x_ij是第i項評價因子所對應的第j級評價標準值(i=1，2，…，m；j=1，2，…，n)。

(2)再假設該項目成功度的成功度值已計算得到，這就構成了檢測樣本值矩陣Y：

Y=(y_i1)m×1。(2)

式中，y_i1表示該組數據的第i項成功度指標的值(i=1，2，…，m)。

(3)運用模糊數學中的相對隸屬度來描述項目的成功度指標的值，規定第i項成功度指標的第1級別的標準值對于模糊集“成功”的相對隸屬度為p_i1，而第n級標準值對應的相對隸屬度p_in=1。介于1級與n級之間的第i項指標的第j級標準值的相對隸屬度為p_ij，采用線性內插公式進行計算：

p_ij=y_ij-y_i1y_in-y_i1 。(3)

(4)同理把項目的各個成功度指標值轉化為相對于評價等級集合的相對隸屬度。在此，對于數值越大成功度越高的指標，當y_ij≤x_i1時，r_ij=0；當y_ij≥x_i1時，r_ij=1。對于數值越大，成功度越低的指標，當y_ij≥x_i1時，r_ij=0；當y_ij≤x_i1時，r_ij=1。當x_i1ijin時，計算方法為：

r_ij=y_ij-y_i1x_in-x_i1 。(4)

(5)應用公式(3)、(4)，可以分別構造出成功度評價指標標準值相對隸屬度矩陣R和實際項目檢測樣本指標相對隸屬度矩陣T：

R=(r_ij)m×n；(5)

T=(t_ij)m×1。(6)

2.2 BP神經網絡模型的構建

BP神經網絡具有很強的自適應、自學習功能，對輸入的數據和規則計算有很強的容錯性和穩健性，因此用來評價項目成功度是可行的。主要步驟如下：

設有k個樣本向量，網絡輸入層神經元個數為n，中間層神經元個數為p，輸出層神經元個數為m，網絡輸入向量Pk=(x₁，x₂，…，xn)，輸出向量Yk=(y₁，y₂，…，ym)，期望輸出向量Tk=(t₁，t₂，…，tm)，w_ji為輸入層到中間層的連接權，νsj為中間層到輸出層的連接權，θ_j為中間層單元的閾值，γs為輸出層單元的閾值，其中i=1，2…，n_i；j=1，2，…，p_j；s=1，2，…，m。

步驟1 對樣本向量進行歸一化處理，將數據處理為(0，1)之間的數據，給權值和閾值賦予(-1，1)之間的隨機初值，選取一組輸入和目標樣本提供給網絡。

步驟2 計算隱含層和輸出層各單元的輸入和相應的輸出。

步驟3 根據網絡輸出計算輸出層誤差和隱層誤差。

步驟4 利用誤差調整值對各層權值和閾值進行調整。

νsj=νsj+αδsh_j，w_ji=w_ji+αη_jx_i，γs=γs+αδs，θ_j=θ_j+αη_j。(7)

步驟5 選取下一個學習樣本向量提供給網絡，返回步驟2，直到全局誤差E小于預先設定值，則學習結束。

2.3 模糊神經網絡

依據構造出的成功度評價指標標準值相對隸屬度矩陣R和實際項目檢測樣本指標相對隸屬度矩陣T，對網絡進行訓練。為了提高訓練精度，需要對R進行有限次內插，要求內插樣本k的指標i對評價級別j的相對隸屬度均為r*kj，則內插樣本k隸屬于評價級別j的隸屬度為r*kj，并且其滿足ni=1r*kj=1。定義內插樣本k對應的標準級別值為Pk，則：

r*kj=r_ij+(r_i(j+1)-r_ij)q/c；(8)

Pk=j+q/c。(9)

式中，i=1，2，…，m；j=1，2，…，n；q=1，2，…，c-1；c值可以根據插值樣本的個數進行調整。從中選取部分樣本連同評價標準樣本作為學習樣本，對應的級別值作為輸出樣本，余下的作為網絡的檢驗樣本。

電廠建設項目可以根據上述方法確定學習樣本和目標輸出，調整隱層和輸入層個數，構建BP神經網絡。

3 基于模糊神經網絡的項目成功度評價體系

根據電廠建設項目經濟效益后評價要求及各種效益指標建立項目成功度后評價指標體系，見表1。

4 實證研究

本文對大唐三門峽發電有限公司2×600MW機組二期擴建工程項目進行成功度后評價，該項目于2004年4月25日工程全面開工，于2006年11月2日全部投入商業運行。

由于電廠建設項目的特殊性，不同地區以及不同機組具有不同的評價標準，因此根據三門峽電廠實際情況、可行性研究報告^[3]、后評價報告^[4]、以及國內各種標準^[5，6]，建立了針對三門峽電廠二期擴建工程的成功度后評價標準，并且根據其提供的監理資料^[7]、達標資料^[8]以及實際運行情況得出了實際值，見表2。在此需要說明的是，對于某些定性指標通過專家打分法確定其值。

運用公式(3)、(4)可以構造出項目成功度指標標準隸屬度矩陣R和實測樣本指標值隸屬度矩陣T。

在成功度標準指標相對隸屬度矩陣R中，各項指標的“非常成功”標準值相對隸屬度均為0，“失敗”標準值相對隸屬度為1。為了生成更多的訓練樣本，并且能反映項目成功度指標各級標準值的意義，采用公式(8)、(9)在標準指標相對隸屬度矩陣R中進行插值，生成更多樣本，取c=5，則共產生21個樣本，樣本8、14、17為檢驗樣本，其余為訓練樣本。

通過BP網絡運算，3個檢測樣本評價值分別為0.300 8，0.359 4，0.421 2，與實際值誤差分別為0.266 7%，-0.001 7%，0.285 7%，完全符合評價等級。

根據三門峽電廠實際情況，通過以上方法對其進行評價，通過程序運算，最后得到的結果為0.143 4。隸屬級別為1，表示項目非常成功。

5 結 論

根據三門峽電廠目前的實際情況，建設過程狀況以及去年盈利狀況，可以分析得知該項目的建設是非常成功的，與評價結果完全相符。

本文運用模糊神經網絡對項目進行成功度后評價，提供了一種更為可行與可靠的方法，在預測精度和速度方面比一般預測方法更優，為電廠建設項目后評價工作提供了一種新的方法，具有很強的實際意義。

主要參考文獻

[1]張三力.項目后評價[M].北京：清華大學出版社，1998.

[2]黃琦.火力發電廠建設項目后評價[M].成都：西南交通大學出版社，2004.

[3]河南省電力勘測設計院.三門峽火電廠二期工程可行性研究報告[R].2003.

[4]華北電力大學.大唐三門峽發電有限責任公司2×600MW機組后評價報告[R].2008.

[5]本書編委會.新電力建設標準化作業安全措施卡[M].北京：中國電力科技出版社，2006.

[6]張瑞清.2007最新電力建設施工、驗收及質量驗評標準與電力工程建設標準強制性條文[M].北京：中國電力知識出版社，2007.

[7]河南立新電力建設監理有限公司.大唐三門峽發電有限責任公司2×600MW工程監理總結[R].2006.

[8]大唐三門峽發電有限責任公司.大唐三門峽發電有限責任公司2×600MW機組工程總結報告[R].2007.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”