基于神经网络的电网工程投资结余率预测研究

张俊健

中国电力工程顾问集团中南电力设计院有限公司

由于电网基建项目具有投资大、建设周期长等特点，变电站和电力线路在建设过程中的投资控制不够理想，项目投资超过前期估算和概算的情况时有发生［1］。项目投资控制情况差导致项目的资金不能及时到位，影响了项目的建设进度和电网发展。

目前在电网项目投资的研究主要集中于对项目单一投资的预测。张旺等采用XGBoost 算法实现变电站工程投资的预测［2］。朱茳等建立了电网静态投资与单位工程造价间的关联分析模型，实现了变电站技改项目的投资管控［3］。

神经网络以其较高的稳定性、灵活性和高可靠性，逐渐在预测领域得到应用。Wang 等提出应用径向基核函数在神经网络上映射碳交易价格在时间尺度上的演变规律［4］。神经网络在滑坡变形研究和洪灾期间的应急物资管理中也得到了应用［5］，结果表明神经网络在工程实践和应急管理中具有现实意义［6］。

随着智慧工地和电网项目信息化管理建设的加快，构建科学的电网基建项目结余控制模型符合当前电网发展的现实需要［7］。PSO以其较高的稳定性在智能预测领域被实践［8］。因此，本文探索了基于PSO和BP神经网络结构上的PSO-BP电网基建项目投资预测模型，并以此实现电网基建项目的投资结余水平预测和控制。

电网基建项目众多，不同类型不同电压等级的项目造价千差万别，实现电网基建项目的有效投资结余控制，能够节省电网投资，提高资金效率，促进电网高质量发展。研究了一种神经网络架构下的电网基建投资结余预测模型（PSO-BP）。

影响因素的输入模块即BP神经网络的输入层包括：

1）电压等级

不同电压等级的项目造价差异较大，投资结余控制的重点和难点也不尽相同。

2）变电容量/线路长度

变电项目的变电容量和线路工程的线路长度是影响项目造价的两个重要指标，不同的容量和长度影响投资的大小。

3）地形

地形影响项目施工的难易程度，山地地形往往需要更复杂的设计方案和水土保持措施。同时，地形影响到项目的征地费用的投资，征地费往往对项目的投资影响较大。

4）通用设计

通过分析项目的通用设计方案的应用情况，能够对电网基建项目的通用设计部分的造价进行估算，从而降低项目造价和结余水平预测的误差。

5）建设性质

新建、改扩建还是增容改造，影响电网基建项目的规模，同时不同性质的电网基建项目的投资关键指标也不尽相同，将建设性质纳入PSO-BP模型的输入层是必要的。

构建PSO-BP 投资结余模型的关键是搭建BP神经网络架构。建立由5 个输入节点、6 个隐藏节点和1 个投资结余输入节点构成的BP 神经网络结构（见图1）。

在图1 中，投资结余率是由“五算”数据，即估、概、预、结、决算“五算”数据计算得出的，因此只需要对“五算”数据进行预测即可，以下所述模型结果不包括投资结余预测值节点。

图1 电网基建项目投资结余率预测神经网络拓扑结构

设第L 层的前一层节点为L-1 层，定义k 个训练样本的误差函数为：

以S 函数（sigmod）为电网基建项目PSO-BP模型的激活函数：

在得到k 个样本的误差E 后，BP 神经网络将E返回各级神经元并更新权值P和阈值Q：

其中，δ是学习速率，在0到1范围内取值。

由于BP神经网络在特征提取和优化上的局限性，单一BP 难以实现五种电网基建因素与投资结余水平间的模型构建。电压等级、容量和性质等项目因素，地形等环境因素和设计方案等人为因素对电网基建项目影响的路径和方式不尽相同。要实现三类五种因素与电网基建项目的关联模型构建，并实现对项目结余水平的预测和控制，需要构建稳定且高效的理论模型。

为实现对项目特征的进一步提取，并且更加客观地描述因素与电网基建项目投资结余之间地客观关系，提高预测模型的鲁棒性，保证电网投资结余预测模型能够扩展到其他类似项目的投资结余预测和管控中，提高模型的可扩展性。提出应用PSO 实现BP 模型输入层与隐藏层连接参数的优选，并构建了PSO-BP电网基建项目投资结余预测模型。

如表1 所示，5 个输入节点、6 个隐藏节点和1个输出节点构成的结构是PSO-BP 模型的基础。其中，输入层与隐藏层之间的参数由PSO 算法获得，将模型的训练误差赋值给PSO算法的适应度函数，并让PSO利用自身的优化机制对模型的对应参数进行更新优化。而隐藏层阈值、隐藏层与输出层间的连接权值由BP神经网络自身的负反馈优化机制得出，从而结合了PSO 与BP 两个的优化方法，PSO的应用保证了BP神经网络的过度拟合并提高了全局优化能力，而BP 的应用客观上又提高了PSO 的优化速率，能够将训练误差及时反馈到PSO-BP模型并及时对模型的参数进行调整，从而建立了更高效的PSO-BP 电网基建项目投资结余预测模型。

表1 PSO-BP投资结余预测模型主要参数

表2 基于PSO-BP模型的投资预测结果

在表1 中，BP 的学习速率为0.76，一方面是考虑到BP 与PSO 优化的结合，PSO 的学习因子被设置为1.52，为避免PSO-BP的学习速度过快而丢失部分最优解，搜索深度不够等问题，将BP的学习速率调低至0.76，既提高了PSO-BP模型的优化效率，又保证了PSO-BP投资结余模型有足够搜索密度和深度，从而为PSO-BP模型匹配更优的模型参数。

PSO 学习因子和惯性权重是PSO 算法的两个重要参数，将PSO学习因子设置为1.52以保持算法在不同方向上有较为稳定的优化速率，而惯性权重设置为2.55，是考虑到惯性因子过大会削弱局部寻优能力，而过小又会降低全局寻优能力。

以五个变电和五个线路工程，对PSO-BP模型的投资结余预测效果进行验证。变电的电压等级包括550 kV，220 kV 两种，而线路工程的电压等级包括220 kV和110 kV两种。基于PSO-BP模型的投资预测结果见表2。由预测结果看，首先利用PSO-BP预测工程的概算和决算值，从而计算得出项目的投资结余水平。从表2中的概预算的预测效果对比可见，PSO-BP对变电和线路工程的样本数据的预测效果较好。综合分析概预算预测误差可以得出，变电最大误差为4.94%，线路最大误差为6.48%，概算最大误差为6.48%，决算最大误差为6.27%，预测误差均小于7%，表明PSO-BP 对概预算的预测结果可以支撑对项目投资结余水平的预测。考虑到线路工程5 穿越山区，冬季受到线路覆冰问题的影响较大，因此造价的水平控制难度大，造成了PSO-BP 对线路工程5 的预测误差较大。而除线路工程5的其他9项电网基建项目的预测误差均控制再5%以下，表明PSO对BP的优化效果明显，PSO-BP模型对变电和线路工程的预测精度达到了实际工程管理和质量控制的需要。

分析单个变电工程，变电项目2 在4 个500 kV电压等级项目中的预测误差较大，概算误差4.94%，决算误差4.19%。深入分析可知，变电项目2 的周边电网结构较为复杂，同时该项目配套建设的科学试验基地，导致变电项目2 的造价高于常规同类项目造价，给预测工作带来了一定的挑战。在线路工程中，线路工程2的概算误差控制在0.23%，决算误差控制在0.90%，两项造价的预测偏差均小于1%，能够有效支撑该项目的投资结余预测工作。一方面由于220 kV常规项目的数据来源充足，能够对PSO-BP进行反复训练和迭代优化，提高模型对220 kV 线路工程特征学习的能力，构建了220 kV 项目特征与造价以及投资结余水平之间的有效关联模型。

从投资结余率整体预测结果来看，项目的投资结余率明显偏大，其中以变电项目的投资结余问题更为突出。变电项目4 的预测投资结余率超过了30%，达到了31.91%。而变电项目1 和变电项目2的投资结余也超过了27%，分别为27.87%和27.75%。相比线路工程，变电项目的设备种类多，单体设备投资大，不同型号不同品牌的设备的价格也千差万别，导致对变电工程实际的投资控制较为困难，投资结余水平也始终偏高。变压器厂家、母线型号、断路器材质等都会对变电项目的造价产生较大的影响，因此，为了进一步提高变电项目投资的精准性和合规性，必须有效降低变电项目的投资结余率，将有限的投资投到急需建设的重点项目上，推进电网结构的优化和转型升级。当某一变电项目的投资结余水平过高，就会占有其他项目的投资计划额度，影响其他变电和线路工程的规划和建设，从而造成资金利用效率的低下，浪费投资额度。因此首先要对项目的概算和决算两个关键性的造价指标进行精准预测和控制，对可能预测到的投资结余较高的项目及时进行项目设计方案核实和完善，并对部分深度不够的内容进行细化，从而将概算做细做深，确保能够用概算指标对变电项目的投资进行精准控制。相比之下，线路工程的投资结余水平控制较好，其中线路工程3 的投资结余率为17.22%，这是由于线路工程3 包含两个单体项目，两个项目的预测误差在空间被叠加，从而造成PSO-BP 模型对线路工程3 的整体预测误差偏大，同时由于PSO-BP 同时对两个单体项目进行特征学习，并对两个项目整体的概算和决算进行了预测，造成了两个项目特征映射过程中的干扰，另一个项目干扰了当前项目的特征学习过程和造价结余预测，因此造成最终线路工程3 的结余水平偏大。相比变电工程，线路工程使用的通用设备更多，杆塔的材质相差不大，线路的整体造价也更容易控制，不同线路工程的造价水平能够相互参考，技术经济指标变化平稳。因此，线路工程的投资结余控制难度比变电工程要小。为建立电网基建PSO-BP统一投资结余预测方法，需要同时对变电和线路两类不同特征的投资项目进行模型训练，实现PSO-BP 模型能够同时对变电项目结余和线路工程投资结余的精准预测，最大程度降低预测结余率与项目实际结余率的最终偏差，为变电项目和线路工程的投资控制提供支撑。

变电工程的最大结余误差出现在变电项目5中（10.50%），线路工程的最大结余误差出现在线路工程2中（-13.13%）。表明虽然变电工程的投资结余水平较高，但结余水平的预测误差较小，因此PSO-BP 在对变电项目的投资结余管理方面也具有现实意义。铜鼓PSO-BP 模型实现变电项目投资结余率的精准预测，从而能够在项目的前期以及执行过程中对资金计划进行调整并对项目的设计方案和设备选型等进行优化，从而极大地提高电网基建资金的使用效率，严控变电工程各部分和各重点单项工程的投资水平，从而为变电项目的投资结余管理提供新的思路和方法。

整体来看投资结余的预测误差相对较大，明显高于概算和决算的误差指标。但由于投资结余率是一个相对性指标，而变电和线路工程的五算数据是绝对指标，单纯对预测误差进行对比并不能反映PSO-BP 模型的有效性和科学性。由于投资结余率指标的特殊性，我们计算PSO-BP模型可能造成的最大预测偏差，即采用最大预测结余率31.91%与最大预测结余误差13.01%的乘积代表。因此，基于现有的变电和电网工程项目信息样本数据，PSO-BP 模型可能带来的电网基建结余率的最大预测误差为4.15%，该数据比13.01%更具有代表性。同时，4.15%只是基于现有的结余数据计算的最大可能预测误差，实际上由于31.91%和13.01%分别是变电项目4 和线路工程2 的项目特征，PSO-BP 模型的实际可能造成的投资结余率预测误差低于4.15%，因此现有的精度水平证明PSO-BP投资结余预测模型是有效且合理的。

在图2中，决算预测误差、预测结余率和预测结余误差分别被绘制在同一张图上。根据预测结余误差的线性拟合曲线，可以发现PSO-BP模型的预测结余误差大致分布在10%的条形区域内，证明该模型的投资结余预测误差是可控的。同时，决算预测误差大致分布在该拟合曲线的两侧，且分布范围比预测结余误差的分布范围更窄。由于决算过程的项目的大部分信息已经被确定，因此投资的预测结果更精确，投资控制效果更好。变电项目和线路工程的预算与结算的相关性也为更好地预测项目的投资结余率建立了基础，通过PSO 对BP 的前置参数进行优化，不断对项目的特征与投资之间的相关性进行挖掘，从而实现对PSO-BP电网基建项目投资结余预测模型的构建和迭代优化。可以看到，投资结余预测误差较大的点对应更小的概算和预算，因此较大的结余预测误差并不代表模型的效果较差，相反较大的结余预测误差对应了一个很小的结余预测绝对偏差值。综上，PSO-BP能够有效实现变电工程和线路工程投资结余率的精准预测。

图2 PSO-BP模型预测结果分布

本文基于对电网工程的特征，分变电工程和线路工程两类对电网工程项目的特征进行研究，并基于PSO优化的BP神经网络架构建立了电网工程特征与投资结余率之间的关联关系，通过PSO-BP模型和项目的特征信息输入，对项目未来可能达到的投资结余率和结余水平进行预测，取得了理想的预测精度并证明了PSO 电网基建项目投资结余预测模型的有效性和科学性，为电网工程的投资管理提供了参考，为电网基建项目投资结余控制和资金优化配置建立了可行的模型。基于完备的项目信息库，通过对PSO-BP模型的不断优化，基于大数据实现PSO-BP模型结构的调整和参数优选，从而能不断提高PSO-BP模型对电网基建项目投资结余预测的精确度，有效支撑电网的精准投资建设。

猜你喜欢结余变电电网穿越电网数学大王·趣味逻辑(2021年11期)2021-12-03变电运行技术在电力工程中的应用通信电源技术(2018年5期)2018-08-23变电设备差异化巡视优化黑龙江电力(2017年1期)2017-05-17医保基金结余和亏空并存中国卫生(2016年11期)2016-11-12政府储备结余中国财政年鉴(2016年0期)2016-06-05对变电运行防误闭锁装置的分析电子制作(2016年21期)2016-05-17电网也有春天河南电力(2016年5期)2016-02-06一个电网人的环保路河南电力(2015年5期)2015-06-08电网环保知多少河南电力(2015年5期)2015-06-08降低医保基金结余刻不容缓中国卫生(2014年1期)2014-11-12

推荐访问:结余 神经网络 电网