基于層次分析法和BP神經網絡的電力通信ADSS光纜架設工程估算模型研究

于培勇 錢 峰

1.東南大學；2.江蘇永源電力安裝有限公司

0 引言

隨著我國電網工程規模的不斷擴大，電力行業對工程造價的重視度也越來越高。造價工作貫穿于一個建設工程從投資估算到竣工決算的全過程，在整個全壽命周期中扮演著舉足輕重的地位。而工程估算作為項目造價工作的起點，幾乎與項目立項和可行性研究工作同時進行，不僅對投資決策有著重大影響，對后續工作也有著非常重要的指導意義。所以如何得到合理、準確的工程造價估算是關鍵。

電力通信網是電力行業的專用通信網絡，是電力系統的第二張實體網絡，承載了大量涉及電力生產、運行與安全的重要業務，是電網調度、運營、管理信息化的基礎。目前電力通信網的主要傳輸介質就是光纜。其中ADSS光纜屬于全介質自承式光纜，是電力通信網絡的“靜脈血管”，與OPGW光纜相比，其施工難度更低，光纜線路檢修、改造更為容易和方便。與GYTS等普通光纜相比，ADSS光纜施工為一次施工，免去鋼絞線的安裝步驟，節約施工成本，維護簡單且壽命較長，其非金屬的結構特點使得光纜幾乎不遭受感應電隱患困擾。因此在220kV及以下輸電線路中，ADSS光纜得到了廣泛的應用。近年來，每年ADSS光纜架設工程數量呈爆發和遞增趨勢。但是經常在這些項目決策的前期，因為工程量無法準確得知、估算時間不充?；蛘叽嬖谳^多工程需要在短期內計算造價，此時往往得不到與實際造價偏差較低的估算價。于是根據有限的已知參數使用科學的估算模型來得到一個相對準確的電力通信ADSS光纜架設工程估算價格顯得十分必要。

本文通過對電力通信ADSS光纜架設工程特點分析，利用層次分析法確定影響工程估算的關鍵指標，建立基于層次分析法和BP神經網絡的估算預測模型，找出工程估算價與這些指標之間的復雜非線性關系，并通過MATLAB軟件及其神經網絡工具箱進行了網絡訓練和測試檢驗，為電力通信線路工程的造價估算提供了新思路。

1 原理與方法

1.1 層次分析法

層次分析法，簡稱AHP，由美國運籌學家T.L.Saaty于20世紀70年代首先提出，是指將與決策有關的元素分解成目標、準則、方案等層次，并在此基礎之上進行定性和定量分析的決策方法。其分析步驟一般分為三步。

步驟1：建立層次結構模型。AHP結構模型通常分為三層：頂層為目標層，標明所要決策問題的總目標；中間層為準則層，標明判斷標準；底層為方案層，包含比方案列表。

步驟2：構造比較判斷矩陣。對同一層次的各個因素之間的重要性進行兩兩比較，建立兩兩比較的判斷矩陣。參考Saaty等人給出的比例標度表，用1至9之間的具體整數數值來量化因素i與因素j之間的重要性差異程度，可以得到由因素間重要性比較的量化值aij構成的數值矩陣，該矩陣具有如下特征：aij=1/aji。

步驟3：層次單排序和一致性檢驗。對以上判斷矩陣的最大特征根λmax的特征向量歸一化之后得到各因素的權重指標值wi。能否確認這一層次的單排序，則需要通過對一致性指標的計算，進行結果的一致性檢驗。

一致性指標CI：CI =λ-n/n-1（λ為特征值，n為矩陣階數）

計算檢驗系數CR：CR = CI/RI

平均隨機一致性指標RI的值可由查表獲得，若計算結果CR的值小于0.1，則可以認為一致性檢驗符合要求。否則該矩陣就沒有滿意的一致性，需要重新修正。

1.2 BP神經網絡

人工神經網絡是模仿人類神經活動而建立的數學模型，如今正被廣泛的運用在工程技術領域。在人工神經網絡中，最典型最常見的神經網絡模型就是BP神經網絡，占整個神經網絡應用的80%左右。BP（Back Propagation）神經網絡是在1986年最先提出的，是一種典型的有導師的多層前饋神經網絡，其特點是：各層神經元之間無反饋連接，各層內神經元之間無任何連接，僅相鄰層神經元之間有連接。典型的三層網絡結構模型由輸入層、隱含層、輸出層構成，隱含層與外界無直接聯系，每一層均有若干個節點。

對于單個存在R個輸入的BP神經元節點j，它的結構模型如圖1所示。

圖1 神經元結構模型

[p1，p2，...，pR]是來自神經元1、2、...、R的輸入，[w1，w2，...，wR]為各輸入量的權值，b為偏置值，f為傳遞函數，將所有輸入的加權累加值與偏置值求和，經傳遞函數作用后則可得到該神經元j的輸出A。在神經網絡中，作用函數是反映下層輸入對上層節點刺激脈沖強度的函數，一般取（0，1）連續取值的sigmoid函數：

sigmoid函數基本模型：f（x）=1/1+e-x

BP神經網絡的基本原理是誤差逆向傳播算法訓練，即信息輸入之后正向傳播，計算的誤差反向傳播。誤差的傳遞過程與輸入信息的傳遞過程相反，并按照誤差梯度下降的方式和鏈式求導法則修正各層之間的連接權值，以此使得網絡輸出值和目標值之間的誤差的平方達到最小值。其誤差計算模型如下：

誤差計算模型：Eq=1/2*Σ(tk-ok)2

在BP網絡訓練和學習的過程中，如果使用的算法不一樣，則網絡的性質也不盡相同。在MATLAB神經網絡工具箱中，使用最多最廣泛的是L-M（Levenberg-Marquardt）算法。這種算法是一種非線性最小二乘算法。它使用模型函數對待估參數做線性近似，再利用泰勒展開并忽略二階以上的導數項，進而轉化為線性最小二乘估計問題。此種算法集合了梯度下降法和高斯牛頓法的優點。BP神經網絡算法的工作過程如圖2所示。

圖2 BP神經網絡算法流程圖

2 估算模型的建立和應用

2.1 工程估算價格的影響因素分析

在工程建設過程中，影響工程造價的因素有很多，所以在項目前期對項目開展投資分析和造價估算時，所考慮的影響因素需要全面而又重點分明。在電力通信ADSS光纜架設工程中，影響工程造價估算的因素有如下幾種：

（1）光纜長度：ADSS光纜長度對光纜施工造價影響較大。通常光纜越短，每公里光纜的施工成本就越高。因為隨著光纜長度的增加，施工項目經理可以更科學地完成施工部署，更合理地分攤每公里光纜施工所產生的的人工費、材料費和機械費。

（2）光纜材料單價：材料價格在工程造價中占比較高。ADSS光纜工程各個材料之間價格差別較大，其中最主要的是光纜材料。同一供應商的不同型號規格、不同材質屬性的光纜單價不一樣。不同供應商對于同樣規格型號和材質屬性的光纜由于廠家各自生產水平、工藝方法和成本控制的能力不一，造成光纜單價也不一樣。

（3）工程類型：在電力通信工程中，一般將工程分為新建工程、技術改造工程、檢修工程等類型。新建工程是指新建光纜路由通道，一般其中一端或兩端變電站為新建變電站，有時也存在原相鄰變電站之間無光纜通道，需要新架光纜構建通信網絡的情況；技改工程即原先存在光纜路由，但是因為光纜老舊或損傷，整條光纜需要改造的工程；檢修一般是在光纜線路存在故障或突發情況下進行的修理工程。新建工程一般具有詳細的設計圖紙和充分的準備時間；技術改造工程需要對現有路由進行分析并考慮對現有網絡結構和通信業務的影響；修理項目因為其突發性和及時性要求高，施工成本也相對較高。

（4）地形地貌：平原郊區、市區和山地丘陵地帶的施工費用均不同。市區下跨線路復雜，道路、10kV桿線和弱電線路錯綜分布。郊區的施工條件相對穩定。山地條件下施工難度大、作業進度慢，施工成本也相對較高。

（5）光纜接頭數量：光纜中間接頭的數量也對光纜線路施工的造價有較大影響。光纜接頭越多，光纜的熔接費用也就越高。

（6）光纜芯數：不同芯數的光纜的熔接、架線施工費、測試費用對整體造價均有不同程度的影響。

（7）測試環境：測試要求、測試人員及裝備對工程造價也存在一定的影響。

（8）氣候條件：在寒冷的冬季及雨水天氣施工時，工程的造價會相對較高。

（9）進站方式：光纜進入變電站時，有些是通過站外的管道進變電站通信機房，有些是從變電站構架引下進入機房，二者的施工費用存在差別。

（10）耐張段比例：一般情況下，耐張段施工的工藝較直線段施工相對復雜，所需的造價也更高。

（11）塔基數量：不同線路的桿塔類型和桿塔數量不一致，一般35kV線路為鋼管塔或鐵塔，110kV及以上線路主要是鐵塔。塔基數量越多，需要的金具和緊固件也越多，造價也就越高。

2.2 指標體系的建立

在以上影響造價的眾多因素中需要找到最能影響工程造價的關鍵因素。可以先對這些因素分類整理，確定量化因素和質化因素，利用層次分析法建立指標的分析模型，由此確定那些關鍵指標。層次分析模型如圖3所示。

圖3 ADSS光纜架設工程層次分析模型

然后利用saaty標度法構建各級判斷矩陣，由此得到各級矩陣的權重指標如表1、表2、表3所示。

表1 第一層—第二層

表2 量化指標層—量化因素層

表3 質化指標層&質化因素層

對各層級的判斷矩陣單排序進行一致性檢驗，得到各層級的CR的值均小于0.1，即滿足一致性檢驗要求。進而可以計算第三層所有指標的復合權重，如表4所示。

表4 復合權重表

根據復合權重值的計算結果，可以得出影響ADSS光纜架設工程估價的最重要的5個關鍵因素是光纜長度、光纜單價、工程類型、接頭數量和地形地貌。

2.3 數據樣本的處理

以專門從事電力通信施工的某施工單位為參考案例，選取了該公司2020年ADSS光纜架設的部分項目的工程造價，得到了28個單條ADSS線路的的造價數據和工程信息。其中25組數據作為訓練樣本，3組數據為檢測樣本。對于工程類型和地形地貌2個質化指標，使用數字1、2、3進行這些指標的定量化。如工程類型指標中，1表示新建工程，2表示技改工程，3表示檢修工程；在地形地貌指標中，1表示平原郊區，2表示市區，3表示山地丘陵地區。具體數據如表5所示。

表5 ADSS光纜架設工程造價樣本量化結果

?

2.4 參數選擇和網絡訓練

本文使用MATLAB軟件中的神經網絡工具箱進行BP神經網絡的構建、訓練和檢測。根據柯爾莫哥洛夫定理選擇隱含層節點個數為2m+1，m為輸入層節點數，在本案例中m為5，即隱含層節點選擇11。輸出層節點數量為1。在MATLAB中完成對樣本數據的歸一化和反歸一化處理。隱含層的轉換函數選擇tan-sigmiod函數，訓練函數選擇L-M算法，完成前20組的樣本訓練之后，得到了相對應的的收斂示意圖，如圖4所示。由圖像顯示訓練效果良好。

圖4 網絡驗證收斂曲線圖

2.5 預測結果分析

在MATLAB命令窗口輸入檢測樣本的三組數據，并調用神經網絡函數，即可得到對應的預測造價，將預測造價和實際造價對比可計算出預測的偏差率。如表6所示。

通過對比檢測樣本的預測值和實際值可以發現，偏差率都能控制在11%以內，大部分偏差率能控制在5%以內，說明本模型能滿足ADSS光纜架設工程造價估算的要求。部分樣本的偏差率高于10%，后續可以通過增加訓練樣本數量來繼續優化神經網絡函數，完全有能力使得預測值繼續逼近真實值。結果值得注意的是，本模型針對的是單條ADSS光纜線路架設的預測情景，如果項目涉及多條線路的架設工作，則需根據模型將每條線路的估算值累加求和。

3 結束語

本文運用層次分析法確定影響單條ADSS光纜架設工程造價的關鍵指標，通過BP神經網絡構建估算模型。結果表明，本模型可以在前期工程信息不多的情況下準確、快速地完成ADSS光纜架設工程造價的估算，有非常良好的應用前景。