基于人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸變電工程造價(jià)評估

王曉建，朱婷涵，勞詠昶，黃麗麗

（1.國網(wǎng)浙江省電力有限公司，杭州 310007；2.國網(wǎng)浙江省電力有限公司經(jīng)濟(jì)技術(shù)研究院，杭州 310008；3.浙江省送變電工程有限公司，杭州 310016；4.浙江華云信息科技有限公司，杭州 310008）

0 引言

電網(wǎng)輸變電工程造價(jià)是一個多變量、高度非線性的問題[1]。國外對電網(wǎng)造價(jià)較早建立了完整的控制和評價(jià)體系，國內(nèi)電網(wǎng)造價(jià)框架體系的研究起步較晚。過去國內(nèi)主要依靠擁有多年實(shí)踐經(jīng)驗(yàn)的技術(shù)人員對輸變電工程造價(jià)的評估進(jìn)行人工分析[2]，如今除了使用定額計(jì)價(jià)法、清單計(jì)價(jià)法等傳統(tǒng)方法外，還引入了模糊數(shù)學(xué)、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等方法。這些方法在一定程度上取得了較好的成果，但由于輸變電工程影響因素眾多，情況復(fù)雜多變，現(xiàn)有方法也存在各自缺點(diǎn)。模糊數(shù)學(xué)極大地提高了造價(jià)評估和預(yù)測的速度，但總體上講，方法過于簡單，不能反應(yīng)工程施工過程中的全部問題，使得運(yùn)用該方法計(jì)算出的結(jié)果較大地偏離了實(shí)際情況[2]。支持向量機(jī)則提高了造價(jià)評估和預(yù)測的精度，但由于其在多分類復(fù)雜問題上存在著較大不足，而造價(jià)評估又恰好是一個多分類復(fù)雜問題，運(yùn)用該方法來評估輸變電工程造價(jià)也存在著一定的缺陷[2]。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦神經(jīng)的運(yùn)行方式，將該方法應(yīng)用于輸變電工程造價(jià)評估，在一定程度上可以取得較好的預(yù)測精度[2]，但由于神經(jīng)網(wǎng)絡(luò)自身結(jié)構(gòu)特點(diǎn)，在學(xué)習(xí)樣本數(shù)量多、要求精度高時，神經(jīng)網(wǎng)絡(luò)誤差反傳學(xué)習(xí)算法容易收斂到非極小點(diǎn)，甚至迭代發(fā)散。而投資方和施工單位又迫切需要一種方法能夠利用已建工程的歷史造價(jià)資料，評價(jià)新建輸變電工程中的單位長度造價(jià)和單位容量造價(jià)，以提高項(xiàng)目資金投入的審查效率和項(xiàng)目質(zhì)量。

為此，提出了基于人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸變電工程造價(jià)評估模型，即MISA-BP造價(jià)模型。人工免疫優(yōu)化具有快速全局尋優(yōu)能力，彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法的不足。以影響輸電工程、變電工程造價(jià)的多個主要因素為神經(jīng)網(wǎng)絡(luò)輸入變量，以造價(jià)評估值為神經(jīng)網(wǎng)絡(luò)輸出值，利用人工神經(jīng)網(wǎng)絡(luò)具有多輸入非線性逼近的優(yōu)越性[3]，結(jié)合人工免疫全局參數(shù)優(yōu)化算法，實(shí)現(xiàn)穩(wěn)定有效的輸變電工程造價(jià)評估。

1 基于人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸變電工程造價(jià)模型

1.1 輸變電工程造價(jià)主要影響因素篩選

輸變電工程造價(jià)涉及面廣，影響因素眾多，按照組成，輸變電工程可分為輸電工程和變電工程[4]。輸電工程主要是指架空線路工程和電纜工程，以架空線路為例，分為桿塔工程集、架線工程集、附件工程集、基礎(chǔ)工程集、土石方工程集、其他費(fèi)用集[5]。其中桿塔工程集影響因素包括：地形因素、單位桿塔、單位鐵塔、桿塔鋼材等；架線工程集影響因素包括：電壓、截面、單回長、雙回長、地線、相關(guān)導(dǎo)線、導(dǎo)線造價(jià)等[6-8]；附件工程集影響因素包括：掛線金具、拉線金具、絕緣子[6-8]等；基礎(chǔ)工程集影響因素包括：澆型基數(shù)、單位水泥、基礎(chǔ)鋼材、混凝土、接地鋼材[6-8]等；土石方工程集影響因素包括：土石方、混凝土、地形因素等。

變電工程造價(jià)主要由4個部分組成，分別為建筑工程、設(shè)備購置、安裝工程和其他部分[9]，根據(jù)歷史工程數(shù)據(jù)來看，涉及到影響因素包括：電壓等級、是否智能化、海拔、主變壓器（以下簡稱主變）單價(jià)、主變單臺容量、主變數(shù)量、控制用電纜長度、控制用電纜單價(jià)、電力電纜長度、電力電纜單價(jià)、斷路器數(shù)量、電容器數(shù)量、電容器種類、斷路器種類、斷路器單價(jià)、全站面積、主控樓面積、進(jìn)站道路長度、鋼材量、混凝土量等。

由于輸變電工程造價(jià)影響因素眾多，在建模時需要對主要因素進(jìn)行篩選[10]，因此通過回歸分析法[2]，建立因變量造價(jià)Y與自變量各個影響因素X之間的函數(shù)關(guān)系：

式中：Xi代表各個影響因素；βi為影響因素?cái)?shù)相關(guān)強(qiáng)度系數(shù)；i=1，2，…，n；ε為偏差。

通過實(shí)際工程數(shù)據(jù)代入式（1），按照偏差ε最小原則，通過最小二乘法得到各個相關(guān)強(qiáng)度系數(shù)βi，選出βi較大的即與造價(jià)強(qiáng)相關(guān)的輸電工程主要輸入影響指標(biāo)[10]，如表1所示。

同理，得到與造價(jià)強(qiáng)相關(guān)的變電工程主要輸入影響指標(biāo)[11]，如表2所示。

選取表1和表2所列強(qiáng)相關(guān)指標(biāo)進(jìn)行輸變電造價(jià)模型分析，對實(shí)際造價(jià)具有較強(qiáng)指導(dǎo)意義。

1.2 基于人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸變電工程造價(jià)模型構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)具有并行處理、自學(xué)習(xí)、非線性映射以及聯(lián)想記憶等優(yōu)點(diǎn)[12]。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其中xpi（i=1，…，n）為輸入樣本， tpj（j=1， …， m）為期望輸出。

BP神經(jīng)網(wǎng)絡(luò)采用信息正傳和誤差反向傳輸學(xué)習(xí)方法，通過修改連接權(quán)值和閾值，實(shí)現(xiàn)對樣本的學(xué)習(xí)[13]。

表1 輸電工程造價(jià)評估輸入指標(biāo)

表2 變電工程造價(jià)評估輸入指標(biāo)

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)前向信息正傳計(jì)算，先計(jì)算中間層：

按下列公式計(jì)算輸出層：

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行造價(jià)建模，以實(shí)際輸變電工程輸入各主要影響因素為輸入，以造價(jià)為期望值形成學(xué)習(xí)樣本，目標(biāo)函數(shù)為神經(jīng)網(wǎng)絡(luò)輸出與實(shí)際輸變電工程造價(jià)的均方差：

式中：tpk為實(shí)際造價(jià)。

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)算法按照使得式（6）計(jì)算值最小，以L下降方向修正權(quán)值，先修正輸出層權(quán)值，后修正隱含層權(quán)值，形成誤差反傳。當(dāng)輸入神經(jīng)元和隱含層神經(jīng)元數(shù)量增多時，計(jì)算量急劇增加，并且存在發(fā)散或陷入局部極小點(diǎn)的風(fēng)險(xiǎn)[13]。人工免疫算法模擬生物體對外界物質(zhì)的自然防御機(jī)理，具有并行計(jì)算、無教師學(xué)習(xí)、噪聲忍耐、自組織等學(xué)習(xí)特點(diǎn)，綜合了人工智能中其他系統(tǒng)的優(yōu)點(diǎn)[14]，能夠快速收斂到全局最小點(diǎn)。

在人工免疫算法里，抗原對應(yīng)系統(tǒng)的目標(biāo)函數(shù)和約束條件，抗體為優(yōu)化解，親和度為目前解與目標(biāo)函數(shù)和約束條件之間的匹配程度[15]。親和度用來評判目前解的優(yōu)劣，親和度越大，表明抗體對抗原的匹配程度越好，識別能力越強(qiáng)[16]。當(dāng)有多個目標(biāo)函數(shù)時，定義局部親和度及整體親和度。與其他優(yōu)化算法相比，具有收斂性好、全局優(yōu)化效果好的優(yōu)點(diǎn)。

假設(shè)函數(shù) min f=min（f1， f2， …， fM）存在一個Pareto最優(yōu)解x1，則抗體x1對其中一個目標(biāo)函數(shù)fj（x）的親和度為[17]：

其中：N為抗體個數(shù)；A（xi）的取值為：

式中：i=1，2，…，N。

整體親和度計(jì)算為抗體x1對所有局部親和度相加：

利用神經(jīng)網(wǎng)絡(luò)較強(qiáng)的多輸入非線性逼近特性，在已有輸變電工程樣本數(shù)據(jù)基礎(chǔ)上，建立輸變電造價(jià)模型。利用人工免疫優(yōu)化方法對人工神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行全局優(yōu)化，防止發(fā)散或局部最小點(diǎn)。其中抗原為樣本集，主要影響因素輸入及實(shí)際造價(jià)輸出，作為神經(jīng)網(wǎng)絡(luò)樣本即輸入與期望輸出。建立基于人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸變電工程造價(jià)估計(jì)模型如圖2所示。

圖2中，抗體是BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，通過人工免疫優(yōu)化得到滿足模型精度要求的抗體，即權(quán)值和閾值。用滿足模型精度要求的權(quán)值和閾值構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，對當(dāng)前輸變電工程造價(jià)進(jìn)行評估。各部分功能描述為：

（1）輸變電造價(jià)主要指標(biāo)

以表1中影響輸電工程造價(jià)的導(dǎo)線面積、導(dǎo)線重量、導(dǎo)線價(jià)格等10個主要指標(biāo)、表2中影響變電工程造價(jià)的電壓等級、是否智能電站、海拔等12個主要指標(biāo)，作為構(gòu)建神經(jīng)網(wǎng)絡(luò)輸入，確定輸入神經(jīng)元個數(shù)[2]。

圖2 人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)輸變電工程造價(jià)評估模型

（2）近3年輸變電工程造價(jià)實(shí)際數(shù)據(jù)

為了使神經(jīng)網(wǎng)絡(luò)模型具有良好的泛化性能，需要有足夠多的訓(xùn)練樣本，由于時間越接近樣本越具有對當(dāng)前報(bào)價(jià)的參考價(jià)值，選取近3年輸變電工程造價(jià)實(shí)際數(shù)據(jù)作為樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。即取表1和表2中對應(yīng)的實(shí)際輸變電造價(jià)主要指標(biāo)數(shù)值為輸入，實(shí)際輸電工程、變電工程造價(jià)值為期望輸出，作為對神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的樣本庫數(shù)據(jù)。

（3）人工免疫算法參數(shù)設(shè)置

抗體數(shù)量N=100，最大進(jìn)化次數(shù)G=300，取淘汰率Pe=0.3，補(bǔ)充概率Pc=0.3，變異概率Pm=0.025，親和度閾值Tac=0.9，記憶細(xì)胞數(shù)量為50。

（4）抗體編碼與初始抗體產(chǎn)生

抗體的編碼方法與其他多目標(biāo)算法類似，采用二進(jìn)制編碼、實(shí)數(shù)編碼或者符號編碼，該模型采用二進(jìn)制編碼[18]。對建立的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行滿足精度要求編碼，每一個權(quán)值和閾值為一個基因段。采用二進(jìn)制編碼，編碼順序按照對神經(jīng)元編號先權(quán)值后閾值，假設(shè)輸入為n個，中間層為l個，輸出為m的神經(jīng)網(wǎng)絡(luò)，則中間層編碼：

式中：Wh為隱含層神經(jīng)元系數(shù)向量；為第i個輸入與第j個隱含層神經(jīng)元的連接權(quán)值；為第i個神經(jīng)元的閾值。

輸出層編碼：

式中：Wo為隱含層神經(jīng)元系數(shù)向量；為第i個隱含層神經(jīng)元與第j個輸出神經(jīng)元的連接權(quán)值；為第i個輸出神經(jīng)元的閾值。

抗體編碼按照先隱含層后輸出層編碼，利用初始抗體產(chǎn)生函數(shù)，可以方便地產(chǎn)生初始抗體，抗體為一定范圍內(nèi)的隨機(jī)數(shù)。初始抗體采用隨機(jī)函數(shù)產(chǎn)生。初始抗體之間的解空間漢明距離，即式（12）不能太小，小于該值則重新產(chǎn)生：

（5）構(gòu)建、更新BP神經(jīng)網(wǎng)絡(luò)

按照圖1建立BP神經(jīng)網(wǎng)絡(luò)，按照式（2）—（5）正向計(jì)算隱含層和輸出層。當(dāng)連接權(quán)值或閾值更新時，按照新的權(quán)值或閾值來更新計(jì)算隱含層和輸出層。

（6）抗體親和度計(jì)算

利用式（9）、式（12）計(jì)算抗原與抗體之間的親和度，根據(jù)親和程度進(jìn)行篩選，確定補(bǔ)充和交叉變異比例程度。

（7）抗體補(bǔ)充及交叉變異篩選操作

選擇進(jìn)行抗體的補(bǔ)充、交叉變異篩選，親和度高的抗體具有較高補(bǔ)充比例，變異按照隨機(jī)和定向相結(jié)合進(jìn)行。

如果抗體群A表示為：

其中：ai為抗體個體，i=1，2，…，N.

ai的抗體濃度為：

式中：

每個抗體的補(bǔ)充按照其生存率進(jìn)行，各個抗體生存率為：

生存率大的抗體生存能力越強(qiáng)，抗體補(bǔ)充時，隨機(jī)選擇q個抗體與當(dāng)前抗體比較生存率，當(dāng)前抗體得分根據(jù)淘汰率Pe，選擇得分高的抗體進(jìn)入下一代抗體群。

交叉變異操作先隨機(jī)選擇一個抗體A，然后生成一個滿足約束條件的隨機(jī)抗B，將抗體A和抗體B按式（15）進(jìn)行交叉操作即可得到抗體A變異操作的結(jié)果。

其中：k為0～1之間的隨機(jī)數(shù)。

補(bǔ)充和交叉變異操作均按照事先設(shè)定的補(bǔ)充率Pc和變異率Pm進(jìn)行。

（8）判斷是否滿足結(jié)束條件

結(jié)束條件包括2個：一個是當(dāng)循環(huán)計(jì)算次數(shù)超過規(guī)定最大次數(shù)時，如果還未達(dá)到所要求精度，表示算法收斂太慢或者次數(shù)不夠；另一個是如果最后一次計(jì)算得到抗體的目標(biāo)函數(shù)值都小于前5次計(jì)算目標(biāo)函數(shù)值的平均值，則停止計(jì)算[19]。

計(jì)算結(jié)束后，解析最優(yōu)抗體，人工免疫算法結(jié)束優(yōu)化，根據(jù)編碼規(guī)則，從最優(yōu)抗體中得到對應(yīng)的神經(jīng)網(wǎng)絡(luò)的優(yōu)化值。

（9）建立優(yōu)化完成的神經(jīng)網(wǎng)絡(luò)模型

按照優(yōu)化得到權(quán)值和閾值構(gòu)建神經(jīng)網(wǎng)絡(luò)，即是優(yōu)化訓(xùn)練學(xué)習(xí)完成后的人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)輸變電工程造價(jià)模型。

（10）當(dāng)前輸變電工程造價(jià)評估

與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相同，訓(xùn)練完成后，輸入實(shí)際輸變電工程測試樣本，進(jìn)行輸出計(jì)算，對編制的造價(jià)進(jìn)行評估。

2 實(shí)例分析

對2016年、2017年某電網(wǎng)公司207個110 kV輸變電工程造價(jià)實(shí)際數(shù)據(jù)進(jìn)行篩選，選取其中的95個輸電工程和81個變電工程數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)練結(jié)束后選取10個其他工程數(shù)據(jù)進(jìn)行測試，檢驗(yàn)?zāi)Ｐ偷墓烙?jì)精度。

選擇神經(jīng)網(wǎng)絡(luò)輸入層為造價(jià)主要因素個數(shù)，中間層為10個，輸出層為1個。最大迭代學(xué)習(xí)次數(shù)為200次，神經(jīng)網(wǎng)絡(luò)采用典型S形激勵函數(shù)，通過人工免疫優(yōu)化進(jìn)行權(quán)值和閾值更新學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的輸電工程及變電工程的評估結(jié)果。

以某個輸電工程（表3中A工程）為例，以表1主要因素為輸入變量，神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，采用表3中實(shí)例數(shù)據(jù)進(jìn)行測試：通過學(xué)習(xí)，經(jīng)過87次迭代后，輸出滿足結(jié)束條件，得到評估值為55.97 萬元/km， 實(shí)際值 54.09 萬元/km， 誤差 3.48%。

其他實(shí)際輸電工程評估值及誤差見表4。

表3 輸電工程A輸入實(shí)例

表4 輸電工程模型評估值與實(shí)際值

根據(jù)表4結(jié)果可以看到，輸電工程造價(jià)實(shí)際值與評估值較為接近，最大誤差在±3.5%。

以某個變電工程（表5中A工程）為例，以表2中得到的主要因素為神經(jīng)網(wǎng)絡(luò)輸入，訓(xùn)練結(jié)束后，輸入表5中的數(shù)據(jù)，進(jìn)行測試得到：評估值為 288.31元/kVA， 實(shí)際值 286.51元/kVA， 相差0.63%，模型估計(jì)程度較好。其他實(shí)際變電工程估計(jì)值及誤差見表6。

表5 變電工程A輸入實(shí)例

根據(jù)表6結(jié)果可以看到，變電工程造價(jià)實(shí)際值與評估值較為接近，最大誤差在±3.8%。

為驗(yàn)證該人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)方法的有效性和先進(jìn)性，與常規(guī)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證比對。采用表3輸電工程A輸入，通過誤差反傳法進(jìn)行學(xué)習(xí)，學(xué)習(xí)129次后滿足結(jié)束條件。輸入得到評估值為56.21萬元/km，實(shí)際值54.09萬元/km，誤差3.92%。采用表5變電工程A輸入，常規(guī)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)完成后，輸入得到評估值為295.32元/kVA，實(shí)際值286.51元/kVA，誤差3.07%。因此，用人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行造價(jià)估計(jì)，其準(zhǔn)確程度更好。

表6 變電工程模型評估值與實(shí)際值

3 結(jié)語

電網(wǎng)輸變電工程造價(jià)評估準(zhǔn)確性是一個長期困擾電力企業(yè)的難題?；谌斯っ庖邊?shù)優(yōu)化的神經(jīng)網(wǎng)絡(luò)輸變電工程造價(jià)評估模型，利用人工神經(jīng)網(wǎng)絡(luò)在小樣本學(xué)習(xí)領(lǐng)域的優(yōu)越性，結(jié)合人工免疫全局參數(shù)優(yōu)化算法，實(shí)現(xiàn)穩(wěn)定有效的輸變電工程造價(jià)評估。通過實(shí)例分析并與常規(guī)BP神經(jīng)網(wǎng)絡(luò)比較，證明了利用人工免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行輸變電工程造價(jià)評估，其準(zhǔn)確性更高。以該模型得到的評估值為指導(dǎo)，可以為輸變電工程造價(jià)審核提供參考，并對其進(jìn)行有效管控。