基于bp神經(jīng)算法的輸變電工程造價風險評估預測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種造價風險評估預測方法，特別是涉及一種基于BP神經(jīng)算法的輸 變電工程造價風險評估預測方法，屬于動態(tài)預測工程造價領(lǐng)域。
【背景技術(shù)】
[0002] 近年來，我國經(jīng)濟快速發(fā)展，導致用電需求迅猛增長，只有大力開展輸變電工程建 設，才能緩解電力供應緊張的狀況。但是，伴隨電網(wǎng)建設的突飛猛進發(fā)展，在其建設過程中， 也凸顯了當前輸變電工程建設中存在一些問題，如投資大、效益低、造價管理存在漏洞等問 題。
[0003] 其中，造價管理面臨復雜多變的環(huán)境和各種各樣的不確定因素，這些不確定因素 往往會造成輸變電工程投資目標失控、"三超"現(xiàn)象的發(fā)生、降低輸變電工程建設效果和制 約電網(wǎng)企業(yè)的效益提升。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于，克服現(xiàn)有技術(shù)中的不足，提供一種基于BP神經(jīng)算法的輸 變電工程造價風險評估預測方法，可以準確、可靠地評估新的輸變電工程的造價風險，給工 程投資建設方提供積極的指導意義。
[0005] 為了達到上述目的，本發(fā)明所采用的技術(shù)方案是：
[0006] 一種基于BP神經(jīng)算法的輸變電工程造價風險評估預測方法，包括以下步驟：
[0007] 1)收集已完成的輸變電工程中目標工程的風險指標，運用BP神經(jīng)算法，對影響造 價的風險指標進行指標分析，確定造價風險指標后，形成造價風險指標體系；
[0008] 2)收集已完成的輸變電工程中目標工程已產(chǎn)生的造價樣本數(shù)據(jù)，根據(jù)造價風險指 標體系對造價樣本數(shù)據(jù)進行歸類匯總；
[0009] 3)運用MATLAB處理數(shù)據(jù)歸一化函數(shù)對歸類匯總后的造價樣本數(shù)據(jù)進行歸一化 處理，將造價樣本數(shù)據(jù)映射到[0，1]之間，獲得分組樣本數(shù)據(jù)，并計算每組樣本數(shù)據(jù)的期望 值；
[0010] 4)運用MATLAB軟件，創(chuàng)建BP神經(jīng)網(wǎng)絡函數(shù)，將每組樣本數(shù)據(jù)和期望值進行數(shù)據(jù)訓 練，得到輸變電工程造價風險評估預測模型，用以預測出新的輸變電工程造價風險；
[0011] 5)模型訓練結(jié)束后，采用專家預測法，邀請專家對新的輸變電工程按照造價風險 指標體系進行造價數(shù)據(jù)預測，用于評價步驟4)預測的新的輸變電工程造價風險。
[0012] 本發(fā)明進一步設置為：所述目標工程為變電站工程項目。
[0013] 本發(fā)明進一步設置為：所述MATLAB處理數(shù)據(jù)歸一化函數(shù)為，
[0014] [Pn,meanp,stdp,Τη,meant,stdt] =prestd(P,T)
[0015]
[0016] 其中，p是所收集的一組數(shù)據(jù)，minp，maxp分別是該組數(shù)據(jù)的最小值和最大值，Pn 是映射后的數(shù)據(jù)。
[0017] 本發(fā)明進一步設置為，所述數(shù)據(jù)訓練包括以下步驟：
[0018] (1)用隨機數(shù)對每一層的權(quán)值w和閥值b初始化，并進行參數(shù)初始化；
[0019] 參數(shù)初始化包括設定期望誤差最小值err_goal，設定最大循環(huán)次數(shù)max_epoch， 設定修正權(quán)值的學習速率lr= 0. 01-0. 7,設定從1開始循環(huán)訓練forepoch=l:max_ epoch；
[0020] ⑵按照以下公式計算網(wǎng)絡各層輸出矢量A1和A2,以及網(wǎng)絡誤差E、與其對應的輸 出樣本T;
[0021] A1 = tansig(wl*p，bl)
[0022] A2 = purelin(w2*Al，b2)
[0023]E=T-A2
[0024] 其中，wl表不隱含層權(quán)值、w2表不輸出層權(quán)值、bl表不隱含層閥值、b2表不輸出 層閥值；
[0025] (3)按照以下公式計算各層方向傳播的誤差變化D2和D1，計算各層權(quán)值的修正值 以及新的權(quán)值；
[0026]D2 = deltalin(A2,E)
[0027]D1 = deltalin(Al,D2w2)
[0028] [dwl,dbl] =learnbp(p,Dl,Ir)
[0029] [dw2,db2] =learnbp(Al，D2,Ir)
[0030]wl=wl+dwl；bl=bl+dbl
[0031]w2 =w2+dw2 ；b2 =b2+db2
[0032] 其中，dwl表不隱含層權(quán)值的修正值、dw2表不輸出層權(quán)值的修正值、dbl表不隱含 層閥值的修正值、db2表示輸出層閥值的修正值、Ir表示學習速率；
[0033] (4)按照以下公式計算修正后的誤差平方和；
[0034]SSE=sumsqr(T-purelin(w2*tansig(wl*p，bl)，b2))
[0035] (5)檢查修正后的誤差平方和SSE是否小于設定期望誤差最小值err_goal，若是， 訓練結(jié)束，否則繼續(xù)；
[0036] (6)循環(huán)步驟（1)至步驟（5)，進行下一組樣本數(shù)據(jù)的訓練，直至所有樣本數(shù)據(jù)將 豐旲型訓練完為止。
[0037] 與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果是：
[0038] 提供一種基于BP神經(jīng)算法的輸變電工程造價風險評估預測方法，簡單易行，應用 范圍廣泛，能準確可靠地評估新的輸變電工程的造價風險，可以動態(tài)預測輸變電工程的造 價風險，給工程投資建設方提供積極的指導意義。
[0039] 上述內(nèi)容僅是本發(fā)明技術(shù)方案的概述，為了更清楚的了解本發(fā)明的技術(shù)手段，下 面結(jié)合附圖對本發(fā)明作進一步的描述。
【附圖說明】
[0040] 圖1為本發(fā)明實施例中數(shù)據(jù)訓練的訓練誤差曲線圖。
【具體實施方式】
[0041] 下面結(jié)合說明書附圖，對本發(fā)明作進一步的說明。
[0042] 本發(fā)明提供一種基于BP神經(jīng)算法的輸變電工程造價風險評估預測方法，包括以 下步驟：
[0043] 1)收集已完成的輸變電工程中目標工程的風險指標，運用BP神經(jīng)算法，對影響造 價的風險指標進行指標分析，確定造價風險指標后，形成造價風險指標體系。
[0044] 本實施例的目標工程為變電站工程項目，如從某電力企業(yè)得到已經(jīng)完工220KV變 電站工程的造價風險指標體系，如表1所示。
[0045]
[0046] 表 1
[0047] 2)收集