基于BP神经网络的电力施工进度预警方法研究

张 颖,刘倩倩，成嘉楠，吴 越，蔡人立

(国网江苏省电力有限公司南通供电分公司,江苏 南通 226000)

0 引言

2020年，中国国家电网公司提出了建设具有中国特色国际领先的能源互联网企业目标[1]，与之配套的电力新基建工作逐渐增多[2]。为确保电力建设工程如期完成，电力施工进度管理显得尤为重要[3-4]。传统的电力施工管理主要依赖人工进行检查、对比和分析，从而发现施工过程中存在的偏差[5-6]。但电力监理人员的水平参差不齐，施工进度检查结果差异大，电力施工存在风险预警准确率低的问题[7]。

国内外许多学者对提高电力施工进度风险预警准确率作了大量研究。文献[8]提出了一种基于甘特图的电力施工进度风险预警方法，通过分解电力施工步骤，建立对应的建造增长甘特图，并按此进行检查和风险预警。文献[9]提出了一种基于工艺信息库的电力施工进度风险预警方法，通过建立电力施工各环节的工艺信息库，实现对电力施工进度风险的预警。文献[10]提出了一种基于自动化施工管理的电力施工进度风险预警方法，通过建立交叉施工、物料运输等自动流程，实现电力施工进度风险预警。文献[11]提出了一种基于信息系统的电力施工进度风险预警方法，通过管控施工过程中的建设和资金支付流程，实现对电力施工进度风险控制。文献[12]提出了一种基于变量管理的电力施工进度风险预警方法，通过控制施工过程中的时间和造价等变量，实现对电力施工进度风险的控制。由此可见，电力施工进度风险预警方法多样，且取得了一定的成绩。但上述研究中，各施工环节的关联信息不够，电力施工进度风险预警准确率低。

为解决电力施工进度中存在的风险预警准确率低的问题，本文提出了一种基于反向传播(back propagation,BP)神经网络的电力施工进度预警方法。该方法首先将电力施工的任务与电力施工三维模型进行绑定，并建立电力施工进度预警库；然后，采用BP神经网络对各施工任务进行关联分析，对存在问题的施工任务进行预警。

1 电力施工进度预警框架

本文所述的基于BP神经网络的电力施工进度预警方法主要包括4个部分，即电力施工三维模型构建、电力施工任务关联、电力施工预警库构建和电力施工进度预警。

电力施工进度预警框架如图1所示。

图1 电力施工进度预警框架图Fig.1 Frame diagram of early warning of power construction progress

在电力施工三维模型构建环节，通过对电力施工现场实物的数字化检测和传感器数据采集，实现电力施工物理世界向虚拟特征的映射。在对电力施工历史、当前、未来数据进行仿真的前提下，建立电力施工三维模型。电力施工任务关联环节是在电力施工三维模型的基础上，增加甘特图进度、成本等属性，直观地展示电力施工建设的进展情况。电力施工预警库构建环节是在电力施工三维模型构建的基础上，建立电力施工进度各关键环节的评价预警库，并采用熵权法对评价指标权重进行调整。在电力施工进度预警环节，采用BP神经网络，通过电力施工三维模型对施工历史、当前进度进行分析，并对未来的电力施工情况作出预测，从而在电力施工进度出现风险时进行预警。

2 电力施工预警建模

2.1 电力施工三维模型

三维模型是对电力施工各类物体的多边形展示，是电力施工各类实体设备在虚拟世界中的映射[13-14]。通过对当前、历史数据分析，可实现对电力施工未来信息的预测[15]。

①数字化检测。

首先，采用摄像头获取电力施工现场的视频数据。然后，提取电力施工现场图片数据的特征，对电力施工现场进行数字化检测。最后，结合电力施工现场数据的特点，开展电力施工现场数据的价值挖掘，并与相对应的电力施工现场实体对象的设计和施工情况表征相结合，使业务机理与数据特性深度融合。这可以实现电力施工现场物理世界与信息虚拟世界数据的实时交互与耦合，促进电力施工现场电网的智能化。

②传感器数据采集。

在电力施工现场，采用温度、湿度、风速等传感器对电力施工现场的特征数据进行采集[16]，以实现虚拟世界的测量数据更新。

③数据仿真。

数据仿真时，通过模拟施工进度的过程，展现施工现场的计划进度、实际进度，以及计划进度和实际进度偏差情况。以施工进度数据驱动模型变化，真实模拟施工现场从无至有的过程，从而实现施工进度可视化模拟，对电力施工进度予以管控。

在电力施工现场的生产过程数据中：首先，进行量测与数据融合监测；然后，将仿真分析模型的参数传递到电力施工现场定义的全三维几何模型，并在此基础上将数据传递到电力施工现场的物理设备，以实现数字化检测系统；最后，将数据反映到电力施工现场模型中，使电力施工现场生命周期各个环节的数字化模型保持一致。这可分析电力施工历史、当前的施工进度情况，并对电力施工进度的未来信息进行预测。

④建立三维模型。

通过对电力施工三维模型进行二次加工，向三维模型赋予更多的设计属性，包括模型基本属性信息、对应产品信息、物料信息、工艺信息、质量信息、设计信息以及对应的施工任务信息、状态属性等。通过对电力施工三维模型属性进行分析，再作三维展示。三维数据比二维数据更全面、客观。三维数字模型具备最基本的空间数据处理能力，如数据获取、数据清洗、数据组织、数据分析和数据表现等。

在数据仿真的基础上，采用尺度不变特征转换(scale-invariant feature transform，SIFT)[17-18]建立电力施工现场三维模型。

SIFT中，积分后集合可表示为：

(1)

从二维数据映射到三维后数据为：

(2)

式中：ya、yb为电力施工现场积分后的二维数据点；s为映射的时长；σ为转化函数。

在电力施工三维模型中叠加测量数据，可实现电力基建施工的全域监测。

2.2 施工任务关联

①电力施工任务关联。

关联规则算法是一种挖掘频繁项信息的算法，可有效地将电力施工进度信息与三维模型相结合。

本文在电力施工三维模型的基础上，增加甘特图进度、成本等属性，直观地展示电力施工建设的进展情况。

首先，利用三维模型模拟施工现场施工过程，将三维模型按照最小施工单元划分；然后，将电力施工三维模型与施工计划进行绑定，在模拟施工计划的过程中支持按照施工计划时间轴逐步加载三维模型，以实现施工过程和施工进度的动态模拟。挖掘频率结合为：

(3)

式中：G为单个数据项信息；Gall为所有的数据项信息。

提升度概率为：

(4)

式中：P为电力施工任务原始数据；Q为关联数据；U为置信度。

通过式(3)、式(4)，将电力施工进度信息与三维模型紧密关联。

②电力施工三维变更。

结合电力施工情况，进行施工变更。在项目设计阶段，利用三维模型的直观性，可以提前发现设计图纸中存在的问题，并在项目开工前规避这些问题。正式开工前，通过对场地布置的三维建模，分析项目材料的堆放、设备的进场情况，得出最佳场布方案。在施工准备阶段，通过碰撞检测及净高分析，提前发现设计不合理的地方及各专业之间的碰撞问题，并通过施工深化设计对施工方案进行优化，从而提前解决施工过程中会产生的问题。基于三维技术搭建协同管理平台，对模型与清单进行关联；基于三维数字化模型联动性的特点，在设计变更后，可通过修改模型快速统计出工程量的变化。设计开发的变更流程管理功能，通过平台管理变更流程，实时掌握变更的处理情况。

2.3 电力施工预警库

在电力施工三维模型的基础上，首先建立电力施工进度各关键环节的评价预警库。电力施工预警库如表1所示。

表1 电力施工预警库

然后，采用熵权法对评价指标权重进行调整。设贡献度φ为：

(5)

式中：w为电力施工预警库的初始权重，w=(w1,w2，...,wn)；n为施工预警库的指标总数；z为聚类中心数量；l为随机的聚类值；lce为中心值。

采用熵权法更新的权重wnew为：

(6)

2.4 施工进度分析

BP神经网络是一种全链接的神经网络[19-20]，可用于电力施工进度分析。

采用BP神经网络，通过电力施工三维模型对施工历史、当前进度进行分析，并对未来的电力施工情况作出预测。当电力施工进度出现风险时，进行预警。

电力施工进度预测数据Fout为：

Fout=θ[ws(Fin)×tanhFin]

(7)

式中：θ为电力施工的激活函数；tanh为存储函数；ws为电力施工的权重；Fin为输入的电力施工进度历史数据。

当施工进度预测数据出现风险时，模型进行预警。

3 电力施工进度预警仿真流程

基于BP神经网络的电力施工进度预警仿真流程如图2所示。

图2 电力施工进度预警仿真流程图Fig.2 Simulation flowchart of early warning of power construction progress

电力施工进度预警仿真流程如下。

①加载电力施工现场数据及施工进度数据。

②建立电力施工三维模型，并将模型与建设任务计划相关联。

③建立电力施工进度各关键环节的评价预警库，并调整评价指标权重。

④对施工历史、当前进度进行分析，并对未来的电力施工情况作出预测。当电力施工进度出现风险时，进行预警。

4 算例分析

为验证本文所提的基于BP神经网络的电力施工进度预警方法的有效性，在某省电力公司的电力施工现场进行验证。运行环境为：操作系统windows server，中央处理器，至强8核，内存32 GB。

以下从电力施工进度预警时长和准确率这2个维度进行分析。

①电力施工进度预警模型运行时长。

电力施工进度预警模型的运行时长是反映电力施工进度预警模块处理速度的关键指标。电力施工进度预警模型的预警时长越少，模型处理任务的能力也就越快。

选择电力施工进度预警数据为5条、10条、20条、30条、40条、50条、80条、100条，对比本文所提方法与动态模糊算法模型的处理时长。电力施工进度预警时长对比如表2所示。

表2 电力施工进度预警时长对比表

由表2可知，本文所提方法在电力施工进度预警时长方面短于动态模糊算法模型。

②电力施工进度预警准确率。

电力施工进度预警准确率是施工进度关联的关键指标。该指标为成功预警的数量与预警的总数的比值，取值范围在0～1之间。该值越大，准确率就越高。

选择电力施工进度预警数据为1 000条、2 000条、3 000条、5 000条、7 000条、8 000条以及10 000条，采用本文所提方法与动态模糊算法模型对比预警准确率。电力施工进度预警准确率对比如表3所示。

表3 电力施工进度预警准确率对比

由表3可知，本文方法和动态模糊算法的平均准确率分别为99.73%和92.22%。

5 结论

为解决电力施工进度中存在的风险预警准确率低的问题，本文提出了一种基于BP神经网络的电力施工进度预警方法。首先，将电力施工任务与施工现场模型绑定，提高预警分析的细粒度。然后，建立电力施工进度预警库，并通过熵权法调整指标权重、通过BP神经网络对电力施工进度进行评估，从而对存在的进度风险进行预警。最后，通过在某省的电力施工作业现场应用，验证了本文所提方法的有效性。