摘要：目前，電網工程環(huán)境影響評價模型普遍存在部分突出問題，評價準確度低，評價效果差。有必要利用誤差反向傳播神經網絡對改進層次分析法進行優(yōu)化，并基于優(yōu)化后的算法設計電網工程環(huán)境影響評價模型。對比試驗結果顯示，該改進算法的準確率高達92.3%，誤差率僅有1.3%，該算法的分類速度和F1值都是最高的。之后，對基于該算法的電網工程環(huán)境影響評價模型進行檢測。結果表明，該模型對各種環(huán)境影響因素的評價準確率都超過90%，遠高于對比模型。由上述結果可知，本研究提出的改進環(huán)境影響評價模型能夠對電網工程環(huán)境影響進行準確評價。

關鍵詞：電網工程；環(huán)境影響評價；改進層次分析法；誤差反向傳播神經網絡

中圖分類號：F275 文獻標識碼：A 文章編號：1008-9500（2025）02-00-07

Study on Environmental Impact Assessment Model for Power Grid Engineering Based on Improved Analytic Hierarchy Process and BP Neural Network

CHEN Bin1，2， ZHANG Qi3，4， HUANG Liangjun5， LI Yan3， ZHOU Zhengdong1

（1. Construction Branch of State Grid Zhejiang Electric Power Co.， Ltd.， Hangzhou 310016， China;

2. State Grid Zhejiang Electric Power Co.， Ltd.， Hangzhou 310007， China; 3. PowerChina Huadong Engineering Co.， Ltd.;

4. Huadong Eco-Environmental Engineering Research Institute of Zhejiang Province， Hangzhou 311122， China;

5. Wenzhou Power Supply Company， State Grid Zhejiang Electric Power Co.， Ltd.， Wenzhou 325000， China）

Abstract： At present， there are some prominent problems in the environmental impact assessment models of power grid engineering， such as low accuracy and poor evaluation results. It is necessary to use backpropagation neural network to optimize the improved analytic hierarchy process and design an environmental impact assessment model for power grid engineering based on the optimized algorithm. The comparative test results show that the accuracy of this improved algorithm is as high as 92.3%， with an error rate of only 1.3%， and the classification speed and F1 value of this algorithm are the highest. Afterwards， the environmental impact assessment model for power grid engineering based on this algorithm will be tested. The results indicate that the accuracy of the model in evaluating various environmental impact factors exceeds 90%， which is much higher than the comparison model. From the above results， it can be concluded that the improved environmental impact assessment model proposed in this study can accurately evaluate the environmental impact of power grid engineering.

Keywords： power grid engineering; environmental impact assessment; improved analytic hierarchy process; backpro-

pagation neural network

隨著社會經濟的不斷發(fā)展，電網工程建設項目越來越多，但很多電網工程對周邊環(huán)境造成很大的影響，并對周邊居民的日常生活造成極大危害[1-3]。很多學者對環(huán)境影響評價模型進行研究，以期通過評價模型對電網工程的環(huán)境影響進行評價并基于該結果降低工程對環(huán)境的影響。何昭宇等[4]為了分析建筑軟土基坑施工對周圍環(huán)境的影響，建立一種基于應變疊加法的環(huán)境影響指標評價體系，對軟土基坑施工風險進行預測，降低該工程對環(huán)境的危害。王麗[5]設計一種基于模糊決策理論的生態(tài)環(huán)境影響評價模型，以降低煤礦開采對生態(tài)環(huán)境的影響。目前，這些評價模型還存在評價效率低、實時性不強等問題[6]。所以，有必要設計一種能夠提高評價準確率和速度的評價模型。改進層次分析法（Improved Analytical Hierarchy Process，IAHP）具有邏輯嚴密、實用性強、應用范圍廣等優(yōu)點，被廣泛用于各種模型中[7-8]。但是，該方法具有嚴重的主觀性，評價結果的準確率較低，還需要對其進行改進。誤差反向傳播（?Back Propagation，BP）神經網絡有強大的計算能力，收斂性能高，泛化能力強[9-10]。所以，本研究利用BP算法對IAHP算法進行改進，降低IAHP算法的主觀性，以提高整體的準確率。此次研究的創(chuàng)新之處在于將IAHP算法和BP神經網絡算法有機結合，利用BP神經網絡對評價模型中各項影響因素的權重進行準確計算和分配，以降低IAHP方法的隨意性和主觀性，提高評價的準確率。?

1 基于IAHP和BP神經網絡的環(huán)境影響評價模型

1.1 基于IAHP的BP神經網絡算法

隨著生活水平的提高，人們對環(huán)境質量的要求越來越高，而電網工程建設會引起土地資源占用、水資源破壞、噪聲污染等環(huán)境問題[11-12]。所以，要構建電網工程環(huán)境影響評價模型對電網工程的環(huán)境影響進行評價。層次分析法（Analytical Hierarchy Process，AHP）是一種將復雜問題分解為多個目標，通過定性指標模糊量化計算出各個目標評分的方法[13]。IAHP算法在AHP的基礎上進行改進，更加注重對非定量事件的層次化整理[14]。IAHP在使用時首先需要建立層次結構模型，將決策目標、影響因素和決策對象根據實際關系進行分層。

分好層后，要構造判斷矩陣，對影響因素進行兩兩比較。判斷矩陣的性質如式（1）所示。矩陣構建后，要對排列的層次進行排序和一致性檢驗，一致性指標的定義如式（2）所示。為了衡量一致性指標的大小，要引入隨機一致性檢驗指標，其計算如式（3）所示。在檢驗判斷矩陣是否具有預期的一致性時，要計算檢驗系數，其計算如式（4）所示。

式中：aij表示元素i相對于元素j的重要程度；aji表示元素j相對于元素i的重要程度；I表示一致性指標；λ表示矩陣的最大特征根；n代表矩陣的階數；R表示一致性檢驗指標；In表示n階矩陣對應的一致性指標；C為檢驗系數。

檢驗系數小于0.1時，矩陣通過一致性檢驗，最后進行層次總排序及層次一致性檢驗。但IAHP方法中各項子因素的權重分配存在很強的主觀性，數據準確率低，當指標過多時，指標的權重難以確定[15]。所以，利用BP神經網絡算法對該方法進行優(yōu)化，以期提高方法的計算準確率。利用BP神經網絡計算各項子因素的權重，最后計算出整個待測物體的各項影響因素的評分。BP神經網絡由多個層次組成，其主要包括輸入層、隱藏層和輸出層。其中，輸入層和輸出層包含多個節(jié)點，可以看成一個多維向量到另一個多維向量的映射。隱藏層需要對輸入層的節(jié)點進行選擇，選擇方式如式（5）所示。BP神經網絡訓練過程主要分為前向傳播和反向傳播兩個階段，前向傳播是信號從輸入層到輸出層傳播的過程，前向傳播中，神經元輸出計算方式如式（6）所示。

式中：h表示隱藏節(jié)點數目；a代表輸入層節(jié)點數目；b表示輸出層節(jié)點數目；c表示0～1的常數；yp表示當前神經元的輸出；p和q分別表示第p個和第q個神經元；wpq代表神經元p到神經元q的連接權重；xq表示前一層神經元的輸入；kp為神經元p的偏置。

反向傳播則是指誤差從輸出層向輸入層反向傳播的過程，以此來調整權重和偏置項。通過上述計算對各項子因素的權重進行不斷更新，直至滿足預期要求，即達到最大迭代次數或者誤差小于預期。最后將權重輸出，再與IAHP方法中各子因素的評分進行計算。該方法的流程如圖1所示。

由圖1可知，改進后的IAHP方法首先通過收集的各項數據建立層次結構模型，將決策目標、影響因素和決策對象根據實際關系進行分層。再構造判斷矩陣，對各個影響因素進行兩兩比較，然后對排列的層次進行一致性檢驗，之后對層次進行總排序和檢驗，最后對各個因素的評分進行計算。BP神經網絡將收集的數據導入輸入層、隱藏層和輸出層，對IAHP方法中各項子因素的權重進行準確計算和分配。最后將BP神經網絡計算的子因素權重與IAHP方法得到的各項子因素評分相乘，得到最終的子因素評分。

1.2 基于IAHP-BP的電網工程環(huán)境影響評價模型

對電網工程對環(huán)境的影響進行評價，對電網工程進行優(yōu)化，以降低電網工程建設對環(huán)境的影響。IAHP-BP算法能夠提高評價模型對不同影響因素的評價準確率，所以利用IAHP-BP算法構建電網工程環(huán)境影響評價模型。通過該模型對電網工程的各項環(huán)境影響因素指標進行評價，并基于該評價結果對電網工程進行優(yōu)化?；贗AHP-BP的電網工程環(huán)境影響評價模型的流程如圖2所示。

由圖2可知，該模型運行流程主要分為6步，即確定評價對象，收集電網工程數據，選擇環(huán)境評價指標，通過算法建立評價模型，分析評價結果，撰寫評價報告。其中，在進行評價對象的確定時，應該明確評價的目標和范圍，電網工程環(huán)境影響評價的對象為電磁環(huán)境影響、聲環(huán)境影響、水資源影響、土地影響和生物多樣性影響等。電網工程數據收集對象主要包括工程設計文件、施工記錄、設備運行數據以及用戶反饋意見等。結合評價對象、實際評價目標以及數據收集情況，選擇合適的評價指標，如土地資源浪費、水資源污染、噪聲等。然后，根據評價指標和收集的數據構建評價模型，將數據和評價指標分別輸入IAHP模塊和BP模塊中，通過IAHP模塊的分層次操作對各個指標進行分層和一致性檢驗，以區(qū)分不同指標的重要程度，計算出每個層次指標的實際評分。在該步驟中，BP模塊對不同層次的環(huán)境評價指標和相同層次中不同環(huán)境評價指標的權重進行不斷更新和分配，權重更新分配的計算方式如式（7）所示。

式中：wij'表示更新后的權重；wij表示更新前的權重；E表示BP模塊接收的數據通過輸出層與期望輸出層的均方誤差；η表示BP模塊中進行權重更新的學習率，該值決定各項影響因素權重更新的步長。

數據經過BP模塊的輸入層、隱藏層和輸出層后，計算每個層次的最優(yōu)權重分配，以降低IAHP算法的主觀性強度。然后，將每個層次的得分和權重相乘，得到各個指標最終評分。通過對指標的評價結果進行分析，發(fā)現電網工程對環(huán)境影響的問題所在之處，并提出改進措施，以提高電網工程的可靠性。最后將評價結果和分析結果進行記錄，并實時向有關部門匯報，以降低電網工程建設對環(huán)境的影響。

2 基于IAHP-BP算法的電網工程環(huán)境影響評價模型的效果分析

2.1 IAHP-BP算法的性能分析

為了驗證IAHP-BP算法的優(yōu)越性，對IAHP-BP算法、基于卷積神經網絡的粒子群優(yōu)化算法（Convolutional"Neural Networks-Particle Swarm Optimization，CNN-PSO）、基于主成分分析法的反向傳播神經網絡（Principal Component Analysis - Back Propagation neural network，PCA-BP）和基于模糊綜合評價的遺傳算法（Fuzzy Sets-Genetic Algorithm，FS-GA）進行對比試驗。試驗時的環(huán)境配置如表1所示。

通過表1的試驗環(huán)境和某電網工程的數據集進行對比試驗。試驗對4種算法的分類準確率和誤差率、分類速度、空間復雜度、損失函數值和F1值進行對比，結果如圖3所示。其中，F1值是一種用于評估模型性能的指標，是準確率和召回率的調和平均數。

由圖3（a）可知，IAHP-BP算法的分類準確率是4種算法中最高的，達到92.3%，FS-GA算法的分類準確率最低，僅有58.6%，該算法的準確率穩(wěn)定性差，準確率上下波動幅度大。CNN-PSO算法和PCA-BP算法的準確率較穩(wěn)定，平均值分別為83.2%和74.3%。從圖3（b）可以看出，IAHP-BP算法的誤差率是4種算法中最低的，僅有1.3%，而其他3種算法的誤差率都遠高于IAHP-BP算法。由圖3（c）可知，FS-GA算法的分類速度最慢，分類速度極其不穩(wěn)定，而IAHP-BP算法的分類速度最快最穩(wěn)定，該算法的分類速度達到11.7 bps，遠超過其他算法。算法空間復雜度是指算法運行時占用整體空間的大小，從圖3（d）可以看出，IAHP-BP算法的空間復雜度最低，僅有18.6%，而CNN-PSO算法、PCA-BP算法和FS-GA算法的空間復雜度分別為31.2%、43.5%和52.3%，FS-GA算法的空間復雜度最高，算法運行時，空間占用率最大。從圖3（e）可知，IAHP-BP算法的損失函數值最低，僅有0.19，而FS-GA算法的損失函數值最高，達到0.76，該算法的損失函數值上下浮動較大，穩(wěn)定性差。由圖3（f）可知，IAHP-BP算法、CNN-PSO算法、PCA-BP算法和FS-GA算法的F1值分別為8.2、7.1、5.3和4.1。由試驗可得，IAHP-BP算法的分類準確率最高，速度最快，誤差最低，綜合性能顯著優(yōu)于其他對比算法。

2.2 IAHP-BP評價模型的實際效果分析

對IAHP-BP算法的性能進行驗證后，對基于該算法的電網工程環(huán)境影響評價模型進行仿真試驗，將該模型與傳統模型和目前較為先進的基于人工蜂群算法和反向傳播算法（Artificial Bee Colony"algorithm-Back Propagation algorithm，ABC-BP）的評價模型進行對比。電網工程的環(huán)境影響涉及電磁環(huán)境、聲環(huán)境、水資源、土地和生物多樣性，對這些評價模型的評價準確率和誤差率進行對比，結果如圖4所示。

由圖4（a）可知，傳統的電網工程環(huán)境評價模型對電磁環(huán)境影響、噪聲環(huán)境影響、水資源影響、土地資源影響以及生物多樣性影響的評價準確率分別為76%、78%、76%、79%和75%，評價準確率皆低于80%，準確率較低。從圖4（b）可以看出，目前較為先進的ABC-BP評價模型對5項環(huán)境評價指標的評價準確率都大于80%，但小于90%，雖然準確率有一些提升，但準確率較低。由圖4（c）可知，IAHP-BP評價模型對幾種環(huán)境評價指標的評價準確率分別為93%、94%、96%、96%和94%，該模型的評價準確率遠高于前兩種模型。由圖4（d）可得，IAHP-BP模型、ABC-BP模型和傳統模型的誤差率分別為2.3%、5.2%和6.5%，IAHP-BP模型的誤差率最低。使用3種評價模型進行電網工程優(yōu)化后，對電網工程建設的環(huán)境影響變化進行對比，結果如圖5所示。

由圖5可知，基于3種評價模型評價結果改進后電網工程對環(huán)境影響的變化情況，IAHP-BP模型對環(huán)境影響的降低量最多，平均達到83.2%，其中，該模型對土地資源的影響降低得最多，達到85.7%，而傳統模型對各個環(huán)境影響指標的變化情況降低量最低，不超過50%。ABC-BP模型的降低量大于50%，但小于65%。由上述分析結果可得，IAHP-BP電網工程環(huán)境影響評價模型的評價準確率最高，誤差率最低，利用該模型改進的電網工程對環(huán)境各個指標的影響顯著降低，有利于保護環(huán)境。

3 結論

目前，電力工程環(huán)境影響評價模型評價誤差普遍較大。本研究將IAHP和BP算法結合，形成IAHP-BP算法，構建新型電網工程環(huán)境影響評價模型。先對IAHP-BP算法的分類優(yōu)越性進行對比試驗，將IAHP-BP算法、CNN-PSO算法、PCA-BP算法和FS-GA算法進行對比。試驗結果顯示，4種算法的準確率分別為92.3%、83.6%、75.3%和58.6%，4種算法中，IAHP-BP算法的分類速度最快，達到11.7 bps。再對基于該算法的環(huán)境影響評價模型、傳統評價模型以及目前較為先進的ABC-BP評價模型進行對比，結果表明，IAHP-BP模型對環(huán)境影響指標的評價準確率都超過90%，而ABC-BP模型的評價準確率為80%～85%，且對基于IAHP-BP模型評價結果提出改進措施后，電網工程對各種環(huán)境的影響都至少降低80%。由試驗結果可得，基于IAHP-BP算法的電網工程環(huán)境影響評價模型能夠對電網工程的環(huán)境影響進行準確評價，降低電網工程對環(huán)境的影響。但是，試驗都是在理想情況下進行的，突發(fā)情況還有待進一步研究。

參考文獻

1 王 正，白 楊，孟長虹，等.基于區(qū)塊鏈的電網工程數據差異化風險評估[J].電力科學與技術學報，2023（5）：236-245.

2 Butt O M，Zulqarnain M，Butt T M.Recent advancement in smart grid technology：future prospects in the electrical power network[J].Ain Shams Engineering Journal，2021（1）：687-695.

3 吳鵬斌，崔吉宏，曹文全，等.高含硫天然氣凈化廠環(huán)境影響評價[J].化工環(huán)保，2022（5）：628-634.

4 何昭宇，范世英，葉勝林，等.基于集對分析-可變模糊集耦合模型的軟土基坑施工對周圍環(huán)境影響分析[J].科學技術與工程，2021（29）：12655-12664.

5 王 麗.基于模糊決策模型的井工煤炭開采生態(tài)環(huán)境影響評價研究[J].環(huán)境科學與管理，2023（10）：183-188.

6 孫 杰，董 強，張 笛，等.基于LCA的廢鋰電池典型回收再生工藝碳足跡分析和環(huán)境影響評價[J].環(huán)境工程，2023（增刊2）：1254-1259.

7 吳 濤，王 毅，劉 震，等.基于多元狀態(tài)估計-層次分析法的磨煤機故障預警[J].熱力發(fā)電，2023（5）：14-21.

8 Mazighi M，Richard S，Lapergue B，et al.Safety and efficacy of intensive blood pressure lowering after successful endovascular therapy in acute ischaemic stroke （BP-TARGET）：a multicentre，open-label，randomised controlled trial[J].The Lancet Neurology，2021（4）：265-274.

9 吳 波，鐘和發(fā)，劉 聰.基于BP神經網絡的深部隧道蠕變模型多參數智能反演分析[J].中國安全生產科學技術，2023（7）：113-119.

10 周定義，左小清，趙志芳，等.基于SBAS-InSAR和改進BP神經網絡的城市地面沉降預測[J].地質通報，2023（10）：1774-1783.

11 Movahednia M，Kargarian A，Ozdemir C E，et al.Power grid resilience enhancement via protecting electrical substations against flood hazards：a stochastic framework[J].IEEE Transactions on Industrial Informatics，2021（3）：2132-2143.

12 潘澤宇，史健勇，姜 柳.基于語義網的電網工程BIM模型完備性審查方法[J].圖學學報，2023（5）：1021-1033.

13 歐陽逸云，蘇漳文，李春輝，等.基于模糊邏輯和網絡層次分析法的森林火險區(qū)劃[J].應用生態(tài)學報，2024（2）：354-362.

14 黃天鏡，賈志賓，劉鈺洋，等.基于層次分析法的致密砂巖雙甜點評價方法[J].科學技術與工程，2021（5）：1775-1782.

15 Yu D，Kou G，Xu Z，et al.Analysis of collaboration evolution in AHP research：1982—2018[J].International Journal of Information Technology amp; Decision Making，2021（1）：7-36.

收稿日期：2024-12-31

作者簡介：陳斌（1990—），男，浙江金華人，碩士，高級工程師。研究方向：電網工程建設管理與創(chuàng)新。