基于BP神經網絡的配電網工程造價預測模型建立與應用

郭新菊，邵永剛，李旭陽，李大鵬

（國網河南省電力公司經濟技術研究院，河南鄭州450000）

基于BP神經網絡的配電網工程造價預測模型建立與應用

郭新菊，邵永剛，李旭陽，李大鵬

（國網河南省電力公司經濟技術研究院，河南鄭州450000）

針對規模不斷增長的配電網工程所出現的造價管理問題，文中以現行配電網工程項目線路劃分為基礎，分析造價的主要影響因素，提出一種基于BP神經網絡的配電網工程造價預測模型，可以用較少的信息快速準確的對配電網工程造價進行預測。該模型首先對造價的影響因素使用因子分析法進行度量，并將主要因子作為輸入，通過3層結構的神經網絡得到工程造價輸出。文中最后通過運用國內已有的配電網工程中的75段輸電線路工程數據對所提出的BP神經網絡預測模型進行驗證，實驗結果表明所提出的預測模型準確性高，具有很好的實用性與可行性，并為日益嚴峻的配電網工程造價預測問題提供了新的可行的解決方案。

BP神經網絡；配電網工程；造價預測；因子分析

配電網工程建設過程包括項目的決策、設計、招標、施工和竣工5個階段[1-2]，各個階段工程人員需要根據設計要求提取工程量并按計算標準對工程造價進行預測。實際工作中，方案數量較多，決策時間短，工作人員獲取不到準確的工程量，導致工程造價估計誤差大，效率低[3-5]。目前，國內對配電網工程造價預測的研究相對較少，配電網絡受周圍環境如地形、天氣、路徑等因素影響大，表現出極不確定的特性[6]。BP神經網絡能夠通過樣本學習掌握各因素之間的關系從而能夠很好的描述復雜非線性問題，具有自組織、自學習、自容錯與非線性映射等特性[7-10]。針對規模不斷增長的配電網工程所出現的造價管理問題，本文以現行配電網工程項目線路劃分為基礎，分析造價的主要影響因素，提出一種基于BP神經網絡的配電網工程造價預測模型，可以用較少的信息快速準確的針對配電網工程造價進行預測。該模型首先對造價的影響因素使用因子分析法進行度量，并將主要因子作為輸入，通過3層結構的神經網絡得到工程造價輸出，并通過實驗驗證具有很好的實用性與可行性，準確性高，為日益嚴峻的配電網工程造價預測問題提供了新的可行的解決方案。

1 工程造價影響因素分析

1.1 基礎工程

基礎工程是結合工程所在地地形與工程設計等因素并根據基桿塔的高度與重量確立基礎形狀、尺寸與混凝土重量、擋風墻質地、砌筑量與方式、根據基礎型式確定混凝土的澆制、制備方式等[11]。

1.2 桿塔工程

桿塔的材質與材量影響桿塔的造價，其中桿塔重量決定著材量，影響因素主要包括桿塔高度、材質、風速與覆冰、地形、電壓等級等；桿塔的材質則與輸電線路中的輸送量與電壓等級有關[12]。

1.3 接地工程

接地工程對工程造價產生影響主要是由于土地價格，運輸以及接地安裝等費用，其中接地體的數量與規格主要受土壤電阻率所影響的接地電阻影響。地形所影響的接地體連接類型也對工程造價有影響。

1.4 架線工程

架線對工程造價影響主要體現在導線鋪設，設備工具，材料，以及場地費用等，導線架設費用由地形、電壓等級、回路與路徑長度所決定，導線的材料費用由導線型號、單價、用材等因素決定。

1.5 附件工程

附件包括絕緣子串與其他金具等，其材料費用與安裝費影響著工程造價，其中安裝費用主要由絕緣子類型與等級、導線輸送能量與材質決定的導線分裂數等決定。地形、電壓等級、導線截面積等確定絕緣子等級與類型，塔基數、路徑長度與回路數則影響著附件數量[13]。

1.6 其他費用

配電網工程造價其他費用主要包括征用建設場地、補償塔基、清理余物的場地征用與清理費、工程管理費用、科研設計費用與工程預備啟動費用等。征地面積受工程塔基數量、輸電容量的影響。工程建設地區政策與經濟水平影響著其他費用。

2 工程造價影響因素度量

2.1 數據收集與處理

本文所采用的數據為我國沿海地區現有在建與已建成的75段配電網線路工程，并從中對配電網工程單位造價、地形與地質、導線截面與長度、導線單價、回路數、塔材量、基礎建設用量、覆冰、風速等19個指標數據[14]進行收集，并設配電網工程單位造價為因變量，其他因素為自變量。其中，自變量的18個因素中，描述性因素有地質和地形、回路數，需要對其進行量化處理，具體為:

1）用 1，2，3，4表示單回路、雙回路、三回路、與四回路數，針對包含多種回路數的一段線路，可用不同回路數所占比例加權平均來得到其回路。

2）將輸電線路所會經過的地形分為5個等級，第一等級到第五等級依次為平地、丘陵、河網泥沼與沙漠、山地、高山。針對包含多種地形的一段線路，可用不同地形所占比例加權平均來得到其地形等級。

3）配電網工程所包括的地質可用7個等級進行表示，第一等級到第七等級依次為普通土坑、堅土坑、松砂石與干砂、水坑、泥水坑、流砂、泥水坑，如果有包含多種地質的一段線路，可用不同地質所占比例加權平均來得到其地質等級。

另外，本文使用公式“導線截面=導線芯數*單根導線面積”來計算導線截面。配電網工程造價樣本部分數據如表1所示。

2.2 因子分析

本文對18個自變量使用SPSS軟件進行因子分析，具體步驟如下:

首先，對數據的相關性進行校驗，KMO=0.769表示指標之間具有較強的相關性[15]。沒有假設，Sig.=0.00表明可對樣本數據進行主成分分析，樣本數據不存在過小情況。兩個指標說明配電網工程造價各影響因素之間有關聯性。數據相關性檢驗結果輸出圖如圖1所示。

圖1 數據相關性檢驗結果輸出圖

然后，利用主成分分析分離共同因子，因子數目通過碎石圖與特征因子相結合進行確定，并經過因子旋轉得到總方差解釋表進行輸出，表2為其輸出表。

表1 配電網線路工程造價數據樣本（一）

表2 因子分析解釋總方差結果輸出圖

由表2可得，特征值大于1的前5個因子累計貢獻率大于了81.985%，可以解釋方差的大多內容，因此可以提取前5個因子作為主因子，圖2亦可證明。

由表2可以得到主因子與因變量之間的函數關系，表3、4表示由矩陣正交法轉軸后得到的主因子載荷矩陣與得分系數矩陣，從表3中可得到各個主因子主要解釋的因素，主因子1主要解釋導線單價與截面、基礎材質與數量、絕緣子用量等，主因子2解釋地形與地質、回路數等因素，主因子3、4、5分別解釋風速、塔材單價、合成絕緣子等因素。

最后，由公式Y=XB'計算因子得分，用于配電工程造價預測模型的訓練與檢驗數據。

圖2 碎石圖

表3 因子載荷矩陣

3 配電工程造價預測模型

3.1 BP神經網絡

大量實驗證明3層BP神經網絡（含隱含層）能夠準確地描述非線性函數，因此本文提出一種基于3層BP神經網絡的配電網工程造價預測模型。由于主因子有5個，其作為自變量輸入3層BP神經網絡，而因變量工程造價為BP神經網絡的輸出，從而得到神經網絡為5個輸入節點，一個輸出節點。BP神經網絡隱含層節點數的確定相對復雜，可由公式（1）、（2）、（3）三種經驗方法進行確定，式中，n、m分別為輸入、輸出層節點數，ni為隱含層節點數。

根據以上3種經驗公式確定模型為所含隱含節點數為3或者4，對節點數3和4分別樣本數據訓練并將結果進行對比，得出當BP神經網絡具有3個隱含節點數時具有較高的預測準確性，因而設定BP神經網絡有3個隱含節點。綜上，本文采用5-3-1的節點模式來建立BP神經網絡工程造價預測模型。

表4 因子得分系數矩陣

3.2 BP神經網絡訓練

收集75組單位造價作為樣本數據來對本模型進行訓練與驗證。首先通過前60組樣本數據對構造的BP神經網絡預測模型進行樣本數據，并利用后15組數據對模型進行驗證，模型輸出的造價與實際造價進行比較，得到預測模型效果的校驗指標—偏差率。

4 試驗驗證與準確性分析

4.1 造價預測

在對BP神經網絡訓練之前需要對樣本數據進行歸一化。對收集到的數據樣本歸一化后使用premnmx函數處理后的結果如表5所示。

文中3層網絡模型的建立采用newff函數，傳輸函數和訓練函數分別為tansig函數和traingdm函數，采用反向傳播學習過程，其中的閾值和權值的修正采用動量梯度下降算法，其中學習率可變，初始學習率為0.02。設定最大迭代次數為10 000，期望誤差為小于4×10-3。

使用表5中的數據對建立的BP神經網絡模型進行訓練，5 680次迭代之后達到期望訓練誤差，訓練停止，圖3為訓練誤差圖。

表5 原始樣本歸一化后數據表

圖3 BP神經網絡訓練誤差圖

使用表5中的最后15組數據的主因子對訓練好的工程造價預測模型進行造價的預測驗證，并將模型輸出進行反歸一化得到預測結果如表6所示。

表6 配電網工程造價預測結果表

4.2 準確性分析

對模型預測結果的準確性使用相對平均絕對誤差AARE進行衡量，式（4）中，yt為實際造價，為預測造價。

由預測結果表8可得到所設計的配電網工程造價預測模型預測結果與真實值平均偏差小于5%，在工程概算與預算所允許偏差范圍內，從而表明本文所設計的基于BP神經網絡的配電網工程造價預測模型具有較高的準確性。

5 結束語

針對規模不斷增長的配電網工程所出現的造價管理問題，本文以現行配電網工程項目線路劃分為基礎，分析造價的主要影響因素，提出一種基于BP神經網絡的配電網工程造價預測模型，可以用較少的信息快速準確的對配電網工程造價進行預測。本文最后通過運用國內已有的配電網工程中的75段輸電線路工程數據對所提出的BP神經網絡預測模型進行驗證，實驗結果表明本文所提出的預測模型準確性高，具有很好的實用性與可行性，為日益嚴峻的配電網工程造價預測問題提供了新的可行的解決方案。

[1]張慶.特高壓輸電線路工程造價管理措施分析[J].中國外資，2012（19）：228.

[2]劉慧敏.影響特高壓輸電線路工程造價問題的探討[J].山西建筑，2013（27）：221-222.

[3]國維，王靜.特高壓與常規輸電線路工程成本費用與造價管理對比分析[J].價值工程，2014（22）：94-95.

[4]李園園，張平朗.±800kV特高壓直流輸電線路工程造價結構及投資水平分析[C]//電網工程造價管理優秀論文，2011.

[5]秦博，張平朗.1000kV特高壓交流輸電線路工程投資研究[C].電網工程造價管理優秀論文，2011.

[6]邵亞南，戴博.±800kV特高壓直流線路造價水平研究[J].中國電業（技術版），2016（1）：59-63.

[7]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．

[8]TANG Tian-yi，LI Yan．Discussion on analysis of construction cost of 500 kV line[J]．East China Electric Power．2010，38(7)：l 022-l 025．

[9]CHEN Gang．ZHOU Jie，ZHANG Xue-jun，et al．A daily load forecasting method based on cascaded back propagation and radial basis function neural networks[J]．Power System Technology，2009．33(12)：101—105．

[10]黃湘君.基于主成分分析的BP神經網絡在電力系統負荷預測中的應用[J].科技信息，2008，29(16)：313-314．

[11]GAO Shan．SHAN Yuan-da．A new short-term load forecasting algorithm based on radial basis function network[J]．Automation of Electric Power Systems，2008，29（16）：313-314．

[12]周佃民，管曉宏，孫婕，等.基于神經網絡的電力系統短期負荷預測研究[J].電網技術，2002，26（2）：10-13．

[13]張雙萍.淺談電網企業如何加強工程造價管理[J]電力技術經濟，2006，18（6）：40-42．

[14]宋云亭，吳俊玲，彭冬，等．基于BP神經網絡的城網供電可靠性預測方法[J]．電網技術，2008，32（20）：56-59．

[15]黃勇.設計優化是降低工程造價的重要途徑[J].寧夏電力，2005，6（1）：50-52．

Establishment and application of cost prediction model for distribution network project based on BP neural network

GUO Xin-ju，SHAO Yong-gang，LI Xu-yang，LI Da-peng
（Economic Technology Research Institute，State Grid Henan Electric Power Company，Zhengzhou450000，China）

In view of the cost management problem of the growing distribution network project,this paper is based on the existing line division of the distribution network project，analyzes the main influencing factors of cost,and proposes a cost forecasting model of distribution network project based on BP neural network，which can be used to predict the cost of distribution network quickly and accurately with less information.The model first uses the factor analysis method to measure the influence factors of the cost,and takes the main factors as input，and obtains the engineering cost output through the neural network of the 3 layer structure.Finally，the proposed BP neural network prediction model is verified by using the existing 75 section transmission line engineering data of the existing distribution network project in China.The experimental results show that the prediction model proposed in this paper has high accuracy,good practicability and feasibility，and provides a new and feasible solution for the increasingly serious cost prediction of distribution network project.

BP neural network；distribution network engineering；cost prediction；factor analysis

TP393

A

1674-6236（2017）23-0063-06

2016-09-02稿件編號：201609020

郭新菊（1970—），女，河南鄭州人，碩士研究生，高工。研究方向：工程造價、技術經濟。