[發明專利]基于BP神經算法的輸變電工程造價風險評估預測方法

在審

• 申請號: 201510688301.2
• 申請日: 2015-10-21
• 公開（公告）號: CN105335818A
• 公開（公告）日: 2016-02-17
• 發明（設計）人: 劉毅;劉婷;凌俊斌;王景龍;王朋;方向;張旺;孫海森;黃其昱;吳蓉
• 申請（專利權）人: 江蘇省電力公司;江蘇省電力公司電力經濟技術研究院;中國能源建設集團江蘇省電力設計院有限公司;南京電力工程設計有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 朱妃;董建林

1.一種基于BP神經算法的輸變電工程造價風險評估預測方法，其特征在于，包括以下步驟：

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；

2)收集已完成的輸變電工程中目標工程已產生的造價樣本數據，根據造價風險指標體系對造價樣本數據進行歸類匯總；

3)運用MATLAB處理數據歸一化函數對歸類匯總后的造價樣本數據進行歸一化處理，將造價樣本數據映射到[0，1]之間，獲得分組樣本數據，并計算每組樣本數據的期望值；

4)運用MATLAB軟件，創建BP神經網絡函數，將每組樣本數據和期望值進行數據訓練，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；

5)模型訓練結束后，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據預測，用于評價步驟4)預測的新的輸變電工程造價風險。

2.根據權利要求1所述的基于BP神經算法的輸變電工程造價風險評估預測方法，其特征在于：所述目標工程為變電站工程項目。

3.根據權利要求1所述的基于BP神經算法的輸變電工程造價風險評估預測方法，其特征在于：所述MATLAB處理數據歸一化函數為，

[Pn，meanp，stdp，Tn，meant，stdt]＝prestd(P，T)

Pn=p-minpmaxp-minp]]>

其中，p是所收集的一組數據，minp，maxp分別是該組數據的最小值和最大值，Pn是映射后的數據。

4.根據權利要求1或2所述的基于BP神經算法的輸變電工程造價風險評估預測方法，其特征在于，所述數據訓練包括以下步驟：

(1)用隨機數對每一層的權值w和閥值b初始化，并進行參數初始化；

參數初始化包括設定期望誤差最小值err_goal，設定最大循環次數max_epoch，設定修正權值的學習速率lr＝0.01-0.7，設定從1開始循環訓練forepoch＝1:max_epoch；

(2)按照以下公式計算網絡各層輸出矢量A1和A2，以及網絡誤差E、與其對應的輸出樣本T；A1＝tansig(wl*p，b1)

A2＝purelin(w2*A1，b2)

E＝T-A2

其中，w1表示隱含層權值、w2表示輸出層權值、b1表示隱含層閥值、b2表示輸出層閥值；

(3)按照以下公式計算各層方向傳播的誤差變化D2和D1，計算各層權值的修正值以及新的權值；

D2＝deltalin(A2，E)

D1＝deltalin(A1，D2，w2)

[dw1，dbl]＝learnbp(p，D1，Ir)

[dw2，db2]＝learnbp(A1，D2，Ir)

w1＝w1+dw1；b1＝b1+db1

w2＝w2+dw2；b2＝b2+db2

其中，dw1表示隱含層權值的修正值、dw2表示輸出層權值的修正值、db1表示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；

(4)按照以下公式計算修正后的誤差平方和；

SSE＝sumsqr(T-purelin(w2*tansig(wl*p，bl)，b2))

(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，訓練結束，否則繼續；

(6)循環步驟(1)至步驟(5)，進行下一組樣本數據的訓練，直至所有樣本數據將模型訓練完為止。