張弘鯤，岳聰，郭躍男

（國網(wǎng)黑龍江省電力有限公司，黑龍江哈爾濱 150090）

隨著對電力供應需求以及安全性的要求大幅提升，電網(wǎng)技術(shù)改造工程已不斷快速推進。電網(wǎng)技改項目是應用先進的技術(shù)與材料對現(xiàn)有的電力設(shè)備以及工程進行改造，以提高生產(chǎn)效率、保障電力的系統(tǒng)穩(wěn)定性和可靠性[1-3]。電網(wǎng)技改項目的成本管控也已成為日益重要的工作[4-5]。電網(wǎng)技改項目涉及電氣、工程量、經(jīng)濟和環(huán)境等各方面的數(shù)據(jù)。如何利用這些數(shù)據(jù)實現(xiàn)電網(wǎng)技改項目的成本智能化管控，對于促進電網(wǎng)精準投資和提高效率具有重要意義[6-8]。

因此，該文結(jié)合人工智能技術(shù)開展電網(wǎng)技改項目多源數(shù)據(jù)在電網(wǎng)項目造價評估的應用研究，以實現(xiàn)電網(wǎng)項目的智能化造價管控。

1 深度學習算法

人工神經(jīng)網(wǎng)絡是人工智能領(lǐng)域常用的算法之一，其思想是模擬人類大腦處理信息的工作機制，通過大量數(shù)據(jù)信息分析處理來實現(xiàn)特定目標[9-11]。深度神經(jīng)網(wǎng)絡（DNN）是人工神經(jīng)網(wǎng)絡向智能化和高精度的進一步延伸發(fā)展，由多層神經(jīng)網(wǎng)絡級聯(lián)構(gòu)成[12]，其等效結(jié)構(gòu)如圖1 所示。深度神經(jīng)網(wǎng)絡由n層常規(guī)神經(jīng)網(wǎng)絡(S1,S2,…,Sn)構(gòu)成，將上層神經(jīng)網(wǎng)絡Sn的輸出作為下一層神經(jīng)網(wǎng)絡Sn+1的輸入。總體輸入數(shù)據(jù)I作為第一層神經(jīng)網(wǎng)絡S1的輸入，輸出結(jié)果O由第n層神經(jīng)網(wǎng)絡Sn輸出。輸入數(shù)據(jù)I經(jīng)過n層神經(jīng)網(wǎng)絡的逐級處理計算，最終得到輸出結(jié)果O。

圖1 深度神經(jīng)網(wǎng)絡基本結(jié)構(gòu)

經(jīng)典的深度神經(jīng)網(wǎng)絡模型如圖2 所示，該模型由多個受限玻爾茲曼機級聯(lián)和最后一層輸出層構(gòu)成。其中，每個受限玻爾茲曼機由前后兩層神經(jīng)網(wǎng)絡層組成。

圖2 深度神經(jīng)網(wǎng)絡典型結(jié)構(gòu)

深度神經(jīng)網(wǎng)絡模型的訓練過程如圖3 所示，主要包括前向逐級預訓練和反向參數(shù)調(diào)節(jié)兩步構(gòu)成。

圖3 DNN模型訓練流程步驟

前向逐級預訓練采用對比散度法實現(xiàn)深度神經(jīng)網(wǎng)絡模型參數(shù)的初步確定。對于每一層受限玻爾茲曼機，首先將可視層神經(jīng)單元作為輸入計算隱藏層神經(jīng)單元的輸出。然后，通過隱藏層神經(jīng)單元輸出值對可視層神經(jīng)單元進行重構(gòu)。最終，根據(jù)重構(gòu)前后的可視層神經(jīng)單元值的誤差對模型參數(shù)進行更新。

計算隱藏層神經(jīng)單元的輸出值公式如下：

式中，為可視層神經(jīng)單元輸入值；為隱藏層神經(jīng)單元輸出值；為模型參數(shù)，分別表示神經(jīng)單元之間的連接權(quán)重系數(shù)、可視層的偏置系數(shù)。

對可視層神經(jīng)單元的重構(gòu)計算公式如下：

DNN 模型參數(shù)更新公式如下：

反向參數(shù)調(diào)節(jié)采用梯度下降法，根據(jù)最終輸出層輸出值與實際目標值的誤差，反向逐級對DNN 模型參數(shù)進行細微調(diào)整，計算公式如下：

其中，E為損失函數(shù)，如式（5）所示：

式中，yn為輸入數(shù)據(jù)n對應的輸出目標值；on為輸入數(shù)據(jù)n對應的輸出實際值；N為輸入數(shù)據(jù)規(guī)模。

2 電網(wǎng)項目智能評估

2.1 多源數(shù)據(jù)融合

多源數(shù)據(jù)融合是指通過計算機技術(shù)，對多個傳感器采集的數(shù)據(jù)進行綜合分析處理，實現(xiàn)所需決策任務的信息處理過程[13-15]。

根據(jù)多源數(shù)據(jù)融合所處于信息處理的層級階段，可將其分為數(shù)據(jù)級、特征級和決策級3 個層級的融合[16]，如圖4 所示。

數(shù)據(jù)級融合：在對數(shù)據(jù)進行預處理和特征提取前，將多種來源數(shù)據(jù)進行融合，同時進行數(shù)據(jù)預處理和特征提??；

特征級融合：對多種來源數(shù)據(jù)分別進行預處理和特征提取，將提取的特征參數(shù)進行融合，同時作為DNN 模型的輸入；

決策級融合：對多種來源數(shù)據(jù)分別通過DNN 模型進行決策分析，然后將多種分析結(jié)果進行融合，得到最終的決策結(jié)果。

數(shù)據(jù)級融合盡可能多地保留原始數(shù)據(jù)的特征，從而能夠提高智能決策結(jié)果的準確性。因此，文中采用數(shù)據(jù)級融合進行電網(wǎng)項目的智能評估。

2.2 電網(wǎng)項目智能評估多源數(shù)據(jù)體系

以交流變電技改工程為例，構(gòu)建電網(wǎng)項目智能評估多源數(shù)據(jù)體系，如圖5 所示。主要包括3 個方面來源的數(shù)據(jù)：

圖5 交流變電技改工程智能評估多源數(shù)據(jù)體系

1）技術(shù)因素。交流變電技改工程項目的主要電氣技術(shù)參數(shù)，包括電壓等級、材料用量、主變?nèi)萘俊⒉⒙?lián)電容器型式、斷路器型式、高壓開關(guān)柜型式、隔離開關(guān)型式等。

2）經(jīng)濟因素。交流變電技改工程所需要的電力設(shè)備或工程建設(shè)材料的經(jīng)濟價格，包括材料價格、主變價格、斷路器價格、高壓開關(guān)柜價格、隔離開關(guān)價格等。

3）環(huán)境因素。交流變電技改工程所處位置的環(huán)境，包括地理環(huán)境、交通環(huán)境、地形和氣候條件等。

2.3 電網(wǎng)項目智能評估算法

該文所提基于深度學習與多源數(shù)據(jù)融合的電網(wǎng)項目智能評估算法，如圖6 所示。將技術(shù)因素、經(jīng)濟因素和環(huán)境因素3 個方面來源的電網(wǎng)項目歷史數(shù)據(jù)，首先通過多源數(shù)據(jù)集進行融合處理；然后作為訓練樣本進行DNN 模型的訓練，得到智能評估結(jié)果精度要求的DNN 模型；最終將待評估電網(wǎng)項目的多源融合數(shù)據(jù)作為驗證樣本，利用已訓練完成的DNN 模型，來實現(xiàn)電網(wǎng)項目的智能評估。

圖6 電網(wǎng)項目智能評估算法

3 算例分析

為驗證文中所提的基于深度學習與多源數(shù)據(jù)融合的電網(wǎng)項目智能評估方法的正確性和有效性，選取電網(wǎng)項目歷史數(shù)據(jù)進行驗證，其中訓練樣本192個，測試樣本48 個。

3.1 不同智能算法對智能評估結(jié)果的影響

為對比DNN 算法與其他機器學習算法在電網(wǎng)項目智能評估應用上的差異，將上述電網(wǎng)項目多源數(shù)據(jù)樣本作為輸入數(shù)據(jù)。機器學習算法選用反向傳播神經(jīng)網(wǎng)絡(Back Propagation Neural Network，BPNN)，不同算法電網(wǎng)項目智能評估結(jié)果如表1 所示。由表1 可知，對于8 個實際的電網(wǎng)技改項目，評估結(jié)果準確度為DNN 優(yōu)于BPNN。這是因為DNN 算法相比于BPNN 算法具有更深層的網(wǎng)絡結(jié)構(gòu)，能夠適應大量數(shù)據(jù)應用場景，對于電網(wǎng)項目的造價評估準確度更高。

表1 不同智能算法下電網(wǎng)項目評估結(jié)果

3.2 多源數(shù)據(jù)對智能評估結(jié)果的影響分析

由于具體的系統(tǒng)工程存在著大量的數(shù)據(jù)類型，當選用不同數(shù)據(jù)源作為DNN 模型輸入時，電網(wǎng)項目智能評估結(jié)果如表2 所示?？梢钥吹街贿x取技術(shù)因素D1時，造價評估誤差絕對值在6.6%～10.2%范圍內(nèi)；選取技術(shù)因素D1和經(jīng)濟因素D2時，造價評估誤差絕對值在6.1%～8.6%范圍內(nèi)；同時選取技術(shù)因素D1、經(jīng)濟因素D2和環(huán)境因素D3時，造價評估誤差絕對值在5.7%～8.1%范圍內(nèi)。由此可得采用3 種數(shù)據(jù)進行融合分析，能夠盡可能地保留現(xiàn)場數(shù)據(jù)特征，并可提高電網(wǎng)項目智能評估的準確性。

表2 多源數(shù)據(jù)條件下的變電工程數(shù)據(jù)分析

4 結(jié)束語

該文開展了基于DNN 模型與多源數(shù)據(jù)融合的電網(wǎng)項目智能評估算法研究。通過實驗仿真結(jié)果表明：相比于BPNN 算法，文中所提算法具有更深層網(wǎng)絡結(jié)構(gòu)，能夠提高智能評估結(jié)果的準確性；相比于采用單一數(shù)據(jù)來源或者兩種數(shù)據(jù)來源的情況，文中所提算法能夠充分保留電網(wǎng)項目數(shù)據(jù)對智能評估結(jié)果的影響關(guān)系，提高了智能評估結(jié)果的準確性。但是文中所提算法僅實現(xiàn)了電網(wǎng)項目靜態(tài)造價的智能評估，而如何將深度學習與多源數(shù)據(jù)融合技術(shù)應用于電網(wǎng)項目成本動態(tài)管理過程，將在后續(xù)研究中進一步展開。