基于BP神经网络的电网项目投资影响因素实证研究.doc

基于BP神经网络的电网项目投资影响 因素实证研究胡晋岚高晓彬刘崇明沈晨姝广东电网发展研究院有限责任公司华北电力大学摘要：大数据背景下，如何进行项目投资关键影响因素的识别，并据此展开投资预测 与分析，是电网投资管理的重要问题综合运用主成分分析和多元回归模型，系 统研究电力工程的投资影响因素，据此构建出基于BP神经网络模型并且经过粒 子群算法优化的电力项目投资预测与分析模型，并进行相关实例应用关键词：电网项目；投资分析;影响因素;BP神经网络;作者简介：胡晋岚，女，生于1973年，湖南人，高级经济师，研究方向：电网技 术经济收稿日期：2017-05-31Empirical Study on the InfluencingFactors of Power Grid ProjectInvestment Based on BP NeuralNetworkHU Jinlan GAO Xiaobin LIU Chongming SHEN ChenshuGuangdong Electrie Power Development ResearchIns titute Co., Ltd. ; North China Elec trie PowerUniversity;Abstract：Under the background of big data, how to identify the key influencing factors of project investment and carry out investment forecasting and analysis accordingly is an important issue of power grid investment management. This paper uses the principal component analysis and the multipie regression model to study the inf luencing factors of power engineering inves tmerit. On the basis of the above, cons true ts the power project investment forecasting and analysis model based on BP neural net work model and parti cle swarm optimiza tion method, and carries on the related example application.Keyword：power grid project; investment analysis; influencing factor; BP neural network;Received： 2017-05-311引言在深化电力体制改革的宏观背景下，电网企业面临新的发展形势对电力工程投 资管理提出了大数据、精细化的要求。

目前国内对于电力投资管理的研究主要集 中于投资的影响因素分析，谢丽萍首先归纳出架空线路工程的费用分类，再运 用SPSS软件对因素进行敏感性分析，最后得出主要影响因素;杜英先使用ABC 法对架空线路工程的主要费用构成进行了划分，再分析主要影响因素，最后提 出了进行有效控制的管理建议另外，国内将主成分分析运用于影响因素的研究 己经较为成熟，聂宏展将主成分分析法运用于电网规划方案综合决策问题中同 时，BP神经网络已被引入投资预测领域内，王建茹运用BP神经网络对建设工程 投资进行了预测；张登文证明了 BP神经网络预测工程投资的合理性和精确性现 有研究更倾向于分析某一差异对某电压等级下某类型工程的投资影响，而本文 通过大数据，研究电网项目的投资影响因素，致力于实现快速可靠的投资预测 与分析工作，有助于评价电网项目投资的合理性2指数体系构建以220k V新建变电工程为例，对电力项目静态投资的影响因素进行分析2. 1主成分分析根据造价管理工作实践经验，影响变电工程造价的主要因素包括电压等级、主变 数量、主变容量、配电装置形式、高压侧出线回数、中压侧出线回数、低压侧出 线回数、无功补偿容量、海拔高度、地震烈度等多个初选因素。

以某电网公司2008辽015年已决算的220k V新建变电工程全部数据为样本，运用SPSS软件对 上述初选因素进行主成分分析，可以从初步影响因素集中提取出累积贡献率达 到76. 5%的6个主成分因素，主成分分析旋转成份矩阵如表1所示比较前6个主要成分中各变量的相关系数，选出系数较大的变量可以看出:第 一列中，主变数量、主变容量与主变单价的系数最大为第一主成分;第二列中， 高压侧出线回数与中压侧出线回数的系数最大，为第二主成分；同理，第三主成 分为高压断路器数量;第四主成分为低压电抗器、无功补偿容量;第五主成分为配 电装置形式；第六主成分为地震烈度与海拔高度2.2多元回归分析将上步得到的主要影响因素与变电工程的竣工结算静态投资额进行多元线性回 归运用SPSS软件，得到如表2、表3所示的输出结果通过拟合优度输出结果可以看出，调整后的R方为0.916,说明几个主成分因素 可以解释91.6%的变电工程的投资额变化，拟合度较高通过分析显著性系数水 平的大小，最终选择主变数量、主变容量、配电装置形式、高压侧出线回路数、 中压侧出线回数、低压侧出线回路数、无功补偿容量等7个因素作为220k V新 建变电工程投资的显著性影响因素。

3基于BP神经网络的电力项目投资预测模型BP神经网络是一种多层次的前馈神经网络，主要是通过最速下降法不断地进行 误差反向学习，对网络内部的权值和阀值的进行调整，最后实现整个神经网络 最小的误差的平方和BP网络中的隐节点数一般使用凑试法确定，然而隐节点 数的改变会引起网络的初始权值和阈值也发生改变，这就会影响网络的学习效 率以及收敛性而基于粒子群算法的BP网络可以构造出不同的网络结构，这就 可以减小这种影响表1主成分分析旋转成份矩阵 下载原表表2多元线性回归分析的拟合度下载原表采用粒子群优化的BP神经网络模型，构建输变电项目投资预测模型，以220k V 新建变电工程为例，构建电力工程项目投资预测模型，选用三层网络模型：(1) 输入层根据前文对220k V新建变电工程投资影响因素分析，现选择主变数量、高压侧 出线回路数、主变容量、配电装置形式、中压侧出线回路数、低压侧出线回路数、 无功补偿容量作为神经网络模型的7个输入参数⑵隐含层隐含层神经元个数代表着神经网络的输入与输出之间的非线性程度，会直接影 响到模型的训练速度和预测能力隐含层神经元个数太少会影响神经网络从输入 层可以提取到的有价值的特征，最终造成训练结果无效、容错性较差。

然而，隐 含层神经元个数太多也会导致学习时间增加，并且未必能测算出最小误差，所 以通常将隐含层的神经元个数设置为输入层参数的2倍还多一个因此，在变电 工程项目投资预测模型中选取一层神经元个数为15个的隐含层⑶输出层本模型要实现变电工程项目投资的预测，所以输出变量是静态投资额，输出层 的神经元个数为1个综上所述，构建出一个具有7个输入、15个隐含节点、1个输出的三层BP网络 模型结构图，如图1所示图1投资预测的BP网络模型结构 下载原图4实证研究选择200旷2015年某电网公司已竣工结算的全部220k V新建变电工程历史数据 进行实证研究4.1样本数据的选择与处理从总样本中随机选取62个样本，再随机选择其中的55个样本作为神经网络的训 练样本，剩余的7个样本作为神经网络的测试样本由于输入层和输出层变量之间的差异比较大，各个变量之间的量纲也不同，不 能直接将样本数据输入神经网络中进行训练，而是需要运用Matlab中的 premnmx函数对样本数据进行归一化处理，得出来处理后的样本数值保持在［T, 1］的范围之内将55个训练样本数据进行归一化处理后的结果如表4所示4. 2神经网络训练对粒子群算法的PSO参数进行初始设置:第一步，将表示控制加速常数的5和5 均设置为1.&即将PSO参数的局部和全局搜索能力初始设为1.8;第二步，将最 大速率vmax设置为0.5;第三步，将最小误差minerr设置为0. 0001;第四步，将 最大权值wmax设置为0. 9;第五步，将最大阈值wmin设置为0. 3;第六步，将学 习训练的最大迭代数it max设置为500 o表4训练样本数据归一化处理结果 下载原表将之前已进行归一化处理的55组样本中所涵盖的7个220k V变电工程影响因素 数据放入BP神经网络中模型之中进行训练，达到预测精确度要求时训练结束。

随后，运用Mat lab中的postmnmx函数对输出结果进行反归一化处理，最终得到 实际输出值与期望输出值之间的误差图粒子群算法优化后，在网络训练时的适应度曲线输出结果如图2所示粒子群算法优化后的训练样本误差如图3所示可以看出，经过训练之后模型得 到的实际输出值与期望输出值之间越发地吻合，这表明训练后的神经网络可以 通过测试样本进行投资预测的预测检验图2适应度曲线 下载原图图3训练样本误差 下载原图表5投资预测模型结果 下载原表(3)神经网络预测结果分析训练结束后，用训练完成的神经网络对最初样本选择的7个测试样本进行投资 预测同样要先将测试样本的7个影响因素在输入网络之前进行数据的归一化处 理，再对输出结果进行反归一化处理，最终得到所需的投资预测值将归一化处理后得到的测试样本输入已训练好的神经网络模型中，得到如图4 所示的测试样本误差图图4测试样本误差 下载原图将输出的预测投资额与实际的投资额进行比较，得出如表5所示7个测试样本的 预测值与实际值之间的误差比较可以看出，使用基于粒子群算法的BP神经网络模型预测220k V变电工程的静态 投资额与实际的静态投资额十分接近，测试样本的最大误差率也只有10. 07%, 其余都在10%以下，这说明所构建的投资预测模型在已选择主要投资影响因素 的情况下可以达到较高精度的预测结果。

5结语结合输变电工程的特点，以220k V变电工程为例，综合运用了主成分分析和多 元回归模型，系统研究了电力工程的投资影响因素，据此构建出基于BP神经网 络模型并且经过粒子群算法优化的电力项目投资预测与分析模型，论证结果表 明本文构建的输变电项目投资预测分析模型具有较高的准确性和实用性本研究主要针对的是输变电项目中微观层面的技术指标，并没有将宏观层面的 影响因素考虑在内，目的是使输变电项目投资影响因素的研究以及投资预测模 型的构建更加的具体与直观，对电网公司的项目投资管理更加具有可操作性与 实用性参考文献[1] 谢丽萍.试析影响架空电力线路工程造价的若干因素[J].中国外资，2013 (11) :212-213.[2] 杜英.架空线路工程造价影响因素分析[J].管理观察，2014 (9) :39-4.[3] 聂宏展，聂耸，乔怡，等.基于主成分分析法的输电网规划方案综合决策[J]. 电网技术，2010 (6) :134-13&[4] 王建茹.基于BP神经网络的建设工程造价预测方法[J].沈阳建筑大学学报 (社会科学版),2014 (1) :42-45.[5] 张登文，蒋红妍，张子圆.基于BP神经网络的建筑工程造价快速预测[J].水 利与建筑工程学报，2010 (3) : 61-62+73.。