基于BP神经网络的配电网工程造价预测模型建立与应用

郭新菊，邵永刚，李旭阳，李大鹏

（国网河南省电力公司经济技术研究院，河南郑州450000）

基于BP神经网络的配电网工程造价预测模型建立与应用

郭新菊，邵永刚，李旭阳，李大鹏

（国网河南省电力公司经济技术研究院，河南郑州450000）

针对规模不断增长的配电网工程所出现的造价管理问题，文中以现行配电网工程项目线路划分为基础，分析造价的主要影响因素，提出一种基于BP神经网络的配电网工程造价预测模型，可以用较少的信息快速准确的对配电网工程造价进行预测。该模型首先对造价的影响因素使用因子分析法进行度量，并将主要因子作为输入，通过3层结构的神经网络得到工程造价输出。文中最后通过运用国内已有的配电网工程中的75段输电线路工程数据对所提出的BP神经网络预测模型进行验证，实验结果表明所提出的预测模型准确性高，具有很好的实用性与可行性，并为日益严峻的配电网工程造价预测问题提供了新的可行的解决方案。

BP神经网络；配电网工程；造价预测；因子分析

配电网工程建设过程包括项目的决策、设计、招标、施工和竣工5个阶段[1-2]，各个阶段工程人员需要根据设计要求提取工程量并按计算标准对工程造价进行预测。实际工作中，方案数量较多，决策时间短，工作人员获取不到准确的工程量，导致工程造价估计误差大，效率低[3-5]。目前，国内对配电网工程造价预测的研究相对较少，配电网络受周围环境如地形、天气、路径等因素影响大，表现出极不确定的特性[6]。BP神经网络能够通过样本学习掌握各因素之间的关系从而能够很好的描述复杂非线性问题，具有自组织、自学习、自容错与非线性映射等特性[7-10]。针对规模不断增长的配电网工程所出现的造价管理问题，本文以现行配电网工程项目线路划分为基础，分析造价的主要影响因素，提出一种基于BP神经网络的配电网工程造价预测模型，可以用较少的信息快速准确的针对配电网工程造价进行预测。该模型首先对造价的影响因素使用因子分析法进行度量，并将主要因子作为输入，通过3层结构的神经网络得到工程造价输出，并通过实验验证具有很好的实用性与可行性，准确性高，为日益严峻的配电网工程造价预测问题提供了新的可行的解决方案。

1 工程造价影响因素分析

1.1 基础工程

基础工程是结合工程所在地地形与工程设计等因素并根据基杆塔的高度与重量确立基础形状、尺寸与混凝土重量、挡风墙质地、砌筑量与方式、根据基础型式确定混凝土的浇制、制备方式等[11]。

1.2 杆塔工程

杆塔的材质与材量影响杆塔的造价，其中杆塔重量决定着材量，影响因素主要包括杆塔高度、材质、风速与覆冰、地形、电压等级等；杆塔的材质则与输电线路中的输送量与电压等级有关[12]。

1.3 接地工程

接地工程对工程造价产生影响主要是由于土地价格，运输以及接地安装等费用，其中接地体的数量与规格主要受土壤电阻率所影响的接地电阻影响。地形所影响的接地体连接类型也对工程造价有影响。

1.4 架线工程

架线对工程造价影响主要体现在导线铺设，设备工具，材料，以及场地费用等，导线架设费用由地形、电压等级、回路与路径长度所决定，导线的材料费用由导线型号、单价、用材等因素决定。

1.5 附件工程

附件包括绝缘子串与其他金具等，其材料费用与安装费影响着工程造价，其中安装费用主要由绝缘子类型与等级、导线输送能量与材质决定的导线分裂数等决定。地形、电压等级、导线截面积等确定绝缘子等级与类型，塔基数、路径长度与回路数则影响着附件数量[13]。

1.6 其他费用

配电网工程造价其他费用主要包括征用建设场地、补偿塔基、清理余物的场地征用与清理费、工程管理费用、科研设计费用与工程预备启动费用等。征地面积受工程塔基数量、输电容量的影响。工程建设地区政策与经济水平影响着其他费用。

2 工程造价影响因素度量

2.1 数据收集与处理

本文所采用的数据为我国沿海地区现有在建与已建成的75段配电网线路工程，并从中对配电网工程单位造价、地形与地质、导线截面与长度、导线单价、回路数、塔材量、基础建设用量、覆冰、风速等19个指标数据[14]进行收集，并设配电网工程单位造价为因变量，其他因素为自变量。其中，自变量的18个因素中，描述性因素有地质和地形、回路数，需要对其进行量化处理，具体为:

1）用 1，2，3，4表示单回路、双回路、三回路、与四回路数，针对包含多种回路数的一段线路，可用不同回路数所占比例加权平均来得到其回路。

2）将输电线路所会经过的地形分为5个等级，第一等级到第五等级依次为平地、丘陵、河网泥沼与沙漠、山地、高山。针对包含多种地形的一段线路，可用不同地形所占比例加权平均来得到其地形等级。

3）配电网工程所包括的地质可用7个等级进行表示，第一等级到第七等级依次为普通土坑、坚土坑、松砂石与干砂、水坑、泥水坑、流砂、泥水坑，如果有包含多种地质的一段线路，可用不同地质所占比例加权平均来得到其地质等级。

另外，本文使用公式“导线截面=导线芯数*单根导线面积”来计算导线截面。配电网工程造价样本部分数据如表1所示。

2.2 因子分析

本文对18个自变量使用SPSS软件进行因子分析，具体步骤如下:

首先，对数据的相关性进行校验，KMO=0.769表示指标之间具有较强的相关性[15]。没有假设，Sig.=0.00表明可对样本数据进行主成分分析，样本数据不存在过小情况。两个指标说明配电网工程造价各影响因素之间有关联性。数据相关性检验结果输出图如图1所示。

图1 数据相关性检验结果输出图

然后，利用主成分分析分离共同因子，因子数目通过碎石图与特征因子相结合进行确定，并经过因子旋转得到总方差解释表进行输出，表2为其输出表。

表1 配电网线路工程造价数据样本（一）

表2 因子分析解释总方差结果输出图

由表2可得，特征值大于1的前5个因子累计贡献率大于了81.985%，可以解释方差的大多内容，因此可以提取前5个因子作为主因子，图2亦可证明。

由表2可以得到主因子与因变量之间的函数关系，表3、4表示由矩阵正交法转轴后得到的主因子载荷矩阵与得分系数矩阵，从表3中可得到各个主因子主要解释的因素，主因子1主要解释导线单价与截面、基础材质与数量、绝缘子用量等，主因子2解释地形与地质、回路数等因素，主因子3、4、5分别解释风速、塔材单价、合成绝缘子等因素。

最后，由公式Y=XB'计算因子得分，用于配电工程造价预测模型的训练与检验数据。

图2 碎石图

表3 因子载荷矩阵

3 配电工程造价预测模型

3.1 BP神经网络

大量实验证明3层BP神经网络（含隐含层）能够准确地描述非线性函数，因此本文提出一种基于3层BP神经网络的配电网工程造价预测模型。由于主因子有5个，其作为自变量输入3层BP神经网络，而因变量工程造价为BP神经网络的输出，从而得到神经网络为5个输入节点，一个输出节点。BP神经网络隐含层节点数的确定相对复杂，可由公式（1）、（2）、（3）三种经验方法进行确定，式中，n、m分别为输入、输出层节点数，ni为隐含层节点数。

根据以上3种经验公式确定模型为所含隐含节点数为3或者4，对节点数3和4分别样本数据训练并将结果进行对比，得出当BP神经网络具有3个隐含节点数时具有较高的预测准确性，因而设定BP神经网络有3个隐含节点。综上，本文采用5-3-1的节点模式来建立BP神经网络工程造价预测模型。

表4 因子得分系数矩阵

3.2 BP神经网络训练

收集75组单位造价作为样本数据来对本模型进行训练与验证。首先通过前60组样本数据对构造的BP神经网络预测模型进行样本数据，并利用后15组数据对模型进行验证，模型输出的造价与实际造价进行比较，得到预测模型效果的校验指标—偏差率。

4 试验验证与准确性分析

4.1 造价预测

在对BP神经网络训练之前需要对样本数据进行归一化。对收集到的数据样本归一化后使用premnmx函数处理后的结果如表5所示。

文中3层网络模型的建立采用newff函数，传输函数和训练函数分别为tansig函数和traingdm函数，采用反向传播学习过程，其中的阈值和权值的修正采用动量梯度下降算法，其中学习率可变，初始学习率为0.02。设定最大迭代次数为10 000，期望误差为小于4×10-3。

使用表5中的数据对建立的BP神经网络模型进行训练，5 680次迭代之后达到期望训练误差，训练停止，图3为训练误差图。

表5 原始样本归一化后数据表

图3 BP神经网络训练误差图

使用表5中的最后15组数据的主因子对训练好的工程造价预测模型进行造价的预测验证，并将模型输出进行反归一化得到预测结果如表6所示。

表6 配电网工程造价预测结果表

4.2 准确性分析

对模型预测结果的准确性使用相对平均绝对误差AARE进行衡量，式（4）中，yt为实际造价，为预测造价。

由预测结果表8可得到所设计的配电网工程造价预测模型预测结果与真实值平均偏差小于5%，在工程概算与预算所允许偏差范围内，从而表明本文所设计的基于BP神经网络的配电网工程造价预测模型具有较高的准确性。

5 结束语

针对规模不断增长的配电网工程所出现的造价管理问题，本文以现行配电网工程项目线路划分为基础，分析造价的主要影响因素，提出一种基于BP神经网络的配电网工程造价预测模型，可以用较少的信息快速准确的对配电网工程造价进行预测。本文最后通过运用国内已有的配电网工程中的75段输电线路工程数据对所提出的BP神经网络预测模型进行验证，实验结果表明本文所提出的预测模型准确性高，具有很好的实用性与可行性，为日益严峻的配电网工程造价预测问题提供了新的可行的解决方案。

[1]张庆.特高压输电线路工程造价管理措施分析[J].中国外资，2012（19）：228.

[2]刘慧敏.影响特高压输电线路工程造价问题的探讨[J].山西建筑，2013（27）：221-222.

[3]国维，王静.特高压与常规输电线路工程成本费用与造价管理对比分析[J].价值工程，2014（22）：94-95.

[4]李园园，张平朗.±800kV特高压直流输电线路工程造价结构及投资水平分析[C]//电网工程造价管理优秀论文，2011.

[5]秦博，张平朗.1000kV特高压交流输电线路工程投资研究[C].电网工程造价管理优秀论文，2011.

[6]邵亚南，戴博.±800kV特高压直流线路造价水平研究[J].中国电业（技术版），2016（1）：59-63.

[7]SIMON Haykin.神经网络原理[M].叶世伟，史忠植，译.北京：机械工业出版社，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]黄湘君.基于主成分分析的BP神经网络在电力系统负荷预测中的应用[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，管晓宏，孙婕，等.基于神经网络的电力系统短期负荷预测研究[J].电网技术，2002，26（2）：10-13．

[13]张双萍.浅谈电网企业如何加强工程造价管理[J]电力技术经济，2006，18（6）：40-42．

[14]宋云亭，吴俊玲，彭冬，等．基于BP神经网络的城网供电可靠性预测方法[J]．电网技术，2008，32（20）：56-59．

[15]黄勇.设计优化是降低工程造价的重要途径[J].宁夏电力，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稿件编号：201609020

郭新菊（1970—），女，河南郑州人，硕士研究生，高工。研究方向：工程造价、技术经济。