四川北部山區輸電線路工程可研投資估算模型研究

李麗 王國珍 黃善領

摘要：四川北部山區輸電線路工程具有獨特性。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，非常適合建立輸電線路工程的投資估算模型。模型選取電壓等級、線路長度、導線截面等8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：輸電線路工程；投資估算；神經網絡；可研；預測

一、引言

投資估算是投資決策過程中確定融資方案、籌措資金的重要依據，對項目決策、項目管理、質量控制意義重大。

山區電網建設對當地經濟和社會發展十分重要，線路工程是電網建設工程中的重要組成部分。四川北部山區，主要為山地，并向盆地過渡，氣候復雜多變，秋冬季線路多覆冰，風速較大。特殊的地形和氣候使得輸電線路的建設難度和工程造價增加。一種科學的、合理的輸電工程投資估算方法，對電網工程有益。

對于工程投資的快速估算，國內外都有一些相應的研究。國外有人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；也有人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，減少了計算周期；還有人采用相似工程法來估算投資，但其主觀性強。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，多側重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，在收集對應的輸電線路工程估算的歷史數據基礎上，采用神經網絡模型和方法，建立四川北部山區輸電線路工程投資估算模型，能簡便準確地進行可研投資估算，效果很好。

二、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、容易理解的估算模型，進行輸電線路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、自學習的特點，非常適合輸電線路工程的投資估算的預測。

模型確立后，重要的是影響因素即輸入變量的選擇以及輸入數據的處理。

三、因素選擇和數據預處理

影響線路工程投資估算的因素很多。選擇時既考慮其影響性質和程度，又考慮數據的可取得性，并要結合模型而取舍。下面是選定的影響因素。

電壓等級、線路長度、導線截面、環境因素、PPI、CPI、G市就業人員年均工資。

其中電壓等級、線路長度、導線截面直接從項目可研批復獲得。

選擇工程所在年份的年平均工資、PPI、CPI，是作為投資的動態影響因素，其中G市就業人員年均工資 來源于四川統計局數據，PPI、CPI來源于國家統計局數據。

環境因素是影響因素中最復雜多變的，它包含了氣候水文地質地形等，由于其復雜多變，致使其影響程度不易簡單測算獲得。又由于環境因素對線路工程影響顯著不可忽略，模型又提供給投資發展部門（不關注更多技術細節）獨立給出電力工程投資估算。論文中為解決這一問題，采用多人評分法。由多名國網G市公司熟悉G市環境和線路工程的人員，比如投資發展部負責前期可研的人員，對各輸電線路工程的環境影響投資的程度進行綜合打分，取其平均值。從而解決此問題。

具體是由評分人員依據自己的了解和經驗，假定其他因素固定，對地質地形氣候等環境因素導致輸電線路工程費用增大的程度，給所有線路工程項目逐一進行打分，打分標準如下表1所示。

通過對G市供電公司所收集的所有可研批復進行逐一梳理，對線路工程投資估算模型輸入變量進行選定和預處理如下表2所示。

輸出變量1個，為上級可研批復中批復的工程投資值，單位萬元。

收集到的所有有效樣本為76個。將所有樣本分為訓練樣本集和測試樣本集，從35kv、110kv、220kv線路工程中各選2個共6個樣本為測試樣本集，其余70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。

四、 神經網絡模型結構

選用 MATLAB 7.1為研究工具。

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。

輸入層節點I=（I1，I2，......，I9），共9個，其中8個節點（I1，I2，......，I8）對應表2中8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{I}、min{I}是第j項變量I在76個樣本中的最大值、最小值。

中間一層隱單元層，隱單元層中的節點個數選擇4個，其中3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，對應輸出變量。

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

五、模型訓練

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

用預處理并規一化了的70條訓練樣本進行批處理訓練，結果顯示，在20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。

六、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）見表3所示。6個樣本的誤差百分比的均值為4.21%。模型預測效果良好。

七、結論及展望

神經網絡的非線性、自學習的特點，適合輸電線路工程的投資估算預測。用此建立的這個模型，無需掌握過多技術細節、無需技經和造價人員支持，適合于國網供電公司投資發展部（或投資決策部）在編制可行性研究報告時獨立地較準確給出輸電線路工程投資估算。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輸電線路工程。

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）.

[2] 彭光金，俞集輝，崔榮，韋俊濤，司海濤，朱輝.基于數據挖掘技術的輸電工程造價估算[J].工業工程與管理， 2009（03）.

[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（02）.

[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）.

[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（02）.

[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）.