基于模糊神經網絡的燃氣發電風險評價研究

摘 要：燃氣發電具有環保、發電效率高、運行靈活等優勢，不僅有利于優化和調整電源結構，而且促進節能減排和能源供應可持續發展。基于目前我國燃氣發電現狀，構建了燃氣發電風險的評價指標體系，建立了基于模糊神經網絡的燃氣發電風險評價模型，并采用算例進行分析。結果表明，該模型應用于燃氣發電風險評價是可行的，并且具有高效率。

關鍵詞：燃氣發電；風險評價；模糊神經網絡；節能減排

引言

隨著環境污染日益嚴重、能源供給壓力不斷增大等問題的凸顯，轉變經濟增長方式，走低碳化發展道路，已經成為世界各國的普遍共識。燃氣發電廠由于使用天然氣等清潔能源，各項排放指標優于燃煤電廠[1，2]，使得燃氣發電不僅可以有效減少碳排放，而且可以緩解煤炭等傳統能源的供需壓力。

隨著燃氣發電越來越受到重視，很多學者對燃氣發電進行了實證分析和研究。如文獻[1]分析了我國燃氣發電現狀及規劃，并對行業前景從天然氣開采、發電量等方面進行預測；文獻[3]在隨機生產模擬的基礎上，對天然氣發電效益進行分析；文獻[4-5]從風險評價方面對天然氣市場或發電方面進行研究。本文在已有研究的基礎上，從燃氣發電現狀入手，建立我國燃氣發電行業的風險評價指標體系，結合模糊神經網絡方法，對我國燃氣發電進行風險評價。

1 燃氣發電風險評價指標體系

基于風險評價指標體系的構建原則，本文將我國燃氣發電的風險分為以下五類并進行評價。

（1）資源風險：對于燃氣電廠來說，資源的可采儲量、采選方式可能與計劃結果存在偏差，導致燃氣發電成本增加或發電量乃至電網收到影響。（2）生產風險：燃氣電廠對天然氣供應的要求很高，而其在與天然氣供應商簽訂“照付不議”合同、與電網公司的協調方面，都存在一定程度的不確定性，并會對發電產生影響。（3）技術風險：隨著燃氣發電的應用擴大化和機組大型化趨勢日益明顯，技術和工作原理也更加復雜，因此存在一定的技術風險。（4）市場風險：燃氣發電的市場風險主要包括市場競爭、市場供求和發電效益三個方面[6，7]。（5）環境風險：國內外天然氣、電力市場的變動以及國際經濟形勢也會對燃氣發電的發展起重要作用，因此存在一定的環境風險。

根據上述對燃氣發電風險的分析，構建我國燃氣發電風險評價指標體系，如表1所示。

2 模糊神經網絡模型的構建

2.1 模糊神經網絡結構

模糊神經網絡將模糊理論和神經網絡理論結合起來，本文構建的模糊神經網絡模型采用模糊系統和神經網絡串聯連接方式，即輸入經過隸屬函數轉化為模糊量后，再進入神經網絡系統進行處理[8-10]。模型結構的第1層為輸入層，第2層為模糊化層，第3層為模糊推理層，第4層為輸出層。本文模糊神經網絡結構如圖1所示。

2.2 模糊化處理步驟

根據已建立的燃氣發電風險評價指標體系，采用模糊綜合評價法對燃氣發電風險因素的指標量化處理，使得模糊處理系統的輸出作為神經網絡系統的輸入，具體步驟如下。

（1）確定因素集。根據風險指標體系構造因素集X={x1，x2，…，xk}和每個二級指標的因素集Xi={Xi1，Xi2，...Xin}，i=1，2，…k。

（2）確定評語集。對于因素Xi來說，專家對各風險因素逐個給出風險程度評語，將各指標的評語分為m個等級，評語集為Y={y1，y2，…ym}。

（3）做單因素評價，得評價矩陣R。構造模糊映射f，X→F（Y），F（Y）是Y上的模糊集，映射f為風險因素xi對評語集Y的隸屬向量Ri={ri1，ri2，…rim}，i=1，2…n。由此得到評價矩陣R=（rij）n×m∈F（X×F）。

（4）做綜合評價。對評語集中每個評價指標賦予權重A=（a1，a2，…，an）， ai=1，ai？叟0由模糊運算得到一級評價結果B=A·R，并以類似方法求出二級評價結果C=（c1，c2，…，cn），該向量作為神經網絡的輸入。

2.3 神經網絡模型

設輸入層節點數為m，隱含層節點數為e，輸出層節點數為n，其中隱含層節點數通常采用Kol-mogorov定理的經驗處理公式e= +c，式中，c為介于1～10的常數。對任一神經元i，其輸入、輸出關系可表述為Oi=f（ ？棕ijhj+？茲i），式中，hj為神經元的第j個輸入，Oi為神經元的第i個輸出；？棕ij是所有與第i個神經元相連的權值；？茲i是神經元第i節點的閾值。f（x）為傳遞函數，一般采用sigmoid型：f（x）=（1+exp（-x））-1。

設有p組訓練樣本，用其中的第k組的樣本的輸入、輸出模式對網絡進行訓練。設定收斂誤差界值為？著min，最大學習次數為N，經過反復迭代運算，根據誤差函數，得出樣本誤差Ek= （hoi（k）-yoi（k）），訓練集誤差E= Ek。若網絡輸出值與期望輸出值之間的誤差不滿足誤差精度要求，則將誤差反向傳播，誤差傳播過程中，要不斷地反復修正網絡中連接權值和閾值，直至滿足誤差精度要求。連接權值和閾值修正公式為？駐k？棕（t+1）=？濁？啄jkoik+？琢？駐k？棕ij（t），？茲j（t+1）=？茲j+ ？駐k？茲j。式中，？濁學習率，？琢為動力因子，二者均介于0到1之間；？琢？駐k？棕ij（t）為動力項，？啄jk為輸出節點計算誤差，t為訓練次數。

3 算例分析

以我國燃氣發電為例，用模糊神經網絡風險評價法對其風險進行評。

（1）確定因素集和評語集，根據評價矩陣得出模糊評價結果。

本文的評價對象為我國燃氣發電風險，由評價體系可知，一級指標因素集為X={x1，x2，x3，x4，x5}={資源風，生產風險，技術風險，市場風險，環境風險}，二級指標因素集分別為X1={x11，x12，x13}={儲量風險，開采風險，地理地質條件風險}，X2={x21，x22，x23}={天然氣供應風險，燃氣設備選擇風險，技術選擇風險}，X3={x31，x32，x33}={技術研發風險，技術成熟度風險，技術應用性風險}，X4={x41，x42，x43}={市場競爭風險，市場供求風險，發電效益風險}，X5={x51，x52，x53}={國家政策法律風險，國際政治和經濟環境風險，自然環境風險}。評語集為Y={y1，y2，y3，y4，y5}={大，較大，中等，較小，小}，相對應的分值為1.0，0.7，0.5，0.3，0.1。由15個專家組成評分小組，得到一級評價矩陣和二級評價矩陣，以及由評價矩陣求得的最大特征向量得到的權重向量得出15個樣本的綜合評價得分矩陣為？滋=（？滋1，？滋2，…，？滋15）=（0.669，0.623，0.691，

0.691，0.611，0.637，0.668，0.582，0.604，0.548，0.612，0.621，0.607，0.641，0.625，0.632）。模糊化后15個樣本各列得分和綜合得分結果如表2所示。

（2）神經網絡訓練和測試階段

設置訓練參數時，在BP神經網絡的訓練選擇22×13×1的網絡結構，訓練最大次N=1000，學習率？濁=0.01，動量因子？琢=0.5，最收斂誤差界？著min=10-4，傳遞函數選擇對數S函數logsig，訓練函數為traingdx，學習函數為learndm，權值矩陣初值由系統隨機給定。BP網絡模型的仿真結果均由Matlab軟件給出。選取表1的前10組數據作為訓練樣本，后5組數據作為測試集，模擬待評估對象。經過BP神經網絡訓練后的前10組樣本輸出結果如下圖2所示。

利用訓練好的BP神經網絡模型對表2中的第11到15組數據進行測試，測試結果如下圖3所示。

將測試結果與專家評價結果進行對比分析，如下表3所示。

表3 BP神經網絡測試結果

由上表看出，5個測試集仿真評價的結果與專家評價結果非常接近，平均相對誤差為2.90%，除了測試樣本13的訓練相對誤差相比于其它測試樣本稍微偏大為8.89%，但是仍保持在較低的誤差水平。因此可以認為所建立的模糊神經網絡模型訓練精度較高，模擬測試結果較好。測試結果顯示，當前我國燃氣發電風險得分值在0.5與0.7之間，根據劃定的評價集，可判斷出當前我國燃氣發電風險為較大和中等之間。

4 結束語

本文運用模糊神經網絡對目前我國燃氣發電風險進行了評價研究，可以得到以下主要結論：

（1）該模糊神經網絡模型能夠充分避免主觀、人為因素的影響，具有自學習、自組織適應能力強等優點，算例分析結果也顯示出該模型訓練精度高，預測結果好，評價結果較為客觀；

（2）建立模糊神經網絡模型應合理確定網絡層數及隱含層的神經元數，設置不合理會影響網絡的學習能力和效率；

（3）基于模糊神經網絡對我國燃氣發電進行評價，有利于業內人士更加客觀、清楚地了解當前我國燃氣發電現狀和問題，從而有利于促進該行業的發展。

參考文獻

[1]張斌.我國天然氣發電現狀及前景分析[J].中國能源，2012，34（11）：12-16.

[2]李強.燃氣發電企業的市場營銷戰略[J].現代商業，2007，（36）：163.

[3]董軍，陰少華，王江波等.基于隨機生產模擬的天然氣發電環境效益與可靠性效益分析[J].陜西電力，2010，38（7）：6-9.

[4]劉毅軍，李松玲，徐小輝等.天然氣產業鏈下游市場風險評價模型探討[J].天然氣工業，2006，26（7）：136-138.

[5]熊焰，周偉國，嚴銘卿等.模糊神經網絡在燃氣風險評價的應用[J].煤氣與熱力，2006，26（6）：6-9.

[6]唐永偉. 燃氣電廠風險分析[J].中國電力，2002，35（4）：1-4.

[7]劉毅軍，夏新生，宋建新.天然氣產業鏈下游市場風險評價指標體系探討[J].天然氣工業，2006，26（增刊）：172-174.

[8]魏陽，李凌云，馬明娟等.基于模糊綜合評價法的聚光型太陽能光熱發電風險評價研究[J].陜西電力，2012，40（3）：1-5.

[9]M. Mosleha， M. Otadia， S. Abbasbandyb. Evaluation of fuzzy regression models by fuzzy neural network[J]. Journal of Computational and Applied Mathematics， 2011， 234（3）：825-834.

[10]陳建宏，胡敏，肖誠等.基于模糊人工神經網絡的金屬礦山投資風險評價[J].廣西大學學報（自然科學版），2011，36（6）：1030-1035.

作者簡介：謝傳勝，華北電力大學經濟與管理學院，教授，碩士研究生導師。研究方向為電力經濟與管理。

趙晨晨，華北電力大學經濟與管理學院，在讀研究生，研究方向為電力經濟與管理。