张弘鲲，岳聪，郭跃男

（国网黑龙江省电力有限公司，黑龙江哈尔滨 150090）

随着对电力供应需求以及安全性的要求大幅提升，电网技术改造工程已不断快速推进。电网技改项目是应用先进的技术与材料对现有的电力设备以及工程进行改造，以提高生产效率、保障电力的系统稳定性和可靠性[1-3]。电网技改项目的成本管控也已成为日益重要的工作[4-5]。电网技改项目涉及电气、工程量、经济和环境等各方面的数据。如何利用这些数据实现电网技改项目的成本智能化管控，对于促进电网精准投资和提高效率具有重要意义[6-8]。

因此，该文结合人工智能技术开展电网技改项目多源数据在电网项目造价评估的应用研究，以实现电网项目的智能化造价管控。

1 深度学习算法

人工神经网络是人工智能领域常用的算法之一，其思想是模拟人类大脑处理信息的工作机制，通过大量数据信息分析处理来实现特定目标[9-11]。深度神经网络（DNN）是人工神经网络向智能化和高精度的进一步延伸发展，由多层神经网络级联构成[12]，其等效结构如图1 所示。深度神经网络由n层常规神经网络(S1,S2,…,Sn)构成，将上层神经网络Sn的输出作为下一层神经网络Sn+1的输入。总体输入数据I作为第一层神经网络S1的输入，输出结果O由第n层神经网络Sn输出。输入数据I经过n层神经网络的逐级处理计算，最终得到输出结果O。

图1 深度神经网络基本结构

经典的深度神经网络模型如图2 所示，该模型由多个受限玻尔兹曼机级联和最后一层输出层构成。其中，每个受限玻尔兹曼机由前后两层神经网络层组成。

图2 深度神经网络典型结构

深度神经网络模型的训练过程如图3 所示，主要包括前向逐级预训练和反向参数调节两步构成。

图3 DNN模型训练流程步骤

前向逐级预训练采用对比散度法实现深度神经网络模型参数的初步确定。对于每一层受限玻尔兹曼机，首先将可视层神经单元作为输入计算隐藏层神经单元的输出。然后，通过隐藏层神经单元输出值对可视层神经单元进行重构。最终，根据重构前后的可视层神经单元值的误差对模型参数进行更新。

计算隐藏层神经单元的输出值公式如下：

式中，为可视层神经单元输入值；为隐藏层神经单元输出值；为模型参数，分别表示神经单元之间的连接权重系数、可视层的偏置系数。

对可视层神经单元的重构计算公式如下：

DNN 模型参数更新公式如下：

反向参数调节采用梯度下降法，根据最终输出层输出值与实际目标值的误差，反向逐级对DNN 模型参数进行细微调整，计算公式如下：

其中，E为损失函数，如式（5）所示：

式中，yn为输入数据n对应的输出目标值；on为输入数据n对应的输出实际值；N为输入数据规模。

2 电网项目智能评估

2.1 多源数据融合

多源数据融合是指通过计算机技术，对多个传感器采集的数据进行综合分析处理，实现所需决策任务的信息处理过程[13-15]。

根据多源数据融合所处于信息处理的层级阶段，可将其分为数据级、特征级和决策级3 个层级的融合[16]，如图4 所示。

数据级融合：在对数据进行预处理和特征提取前，将多种来源数据进行融合，同时进行数据预处理和特征提取；

特征级融合：对多种来源数据分别进行预处理和特征提取，将提取的特征参数进行融合，同时作为DNN 模型的输入；

决策级融合：对多种来源数据分别通过DNN 模型进行决策分析，然后将多种分析结果进行融合，得到最终的决策结果。

数据级融合尽可能多地保留原始数据的特征，从而能够提高智能决策结果的准确性。因此，文中采用数据级融合进行电网项目的智能评估。

2.2 电网项目智能评估多源数据体系

以交流变电技改工程为例，构建电网项目智能评估多源数据体系，如图5 所示。主要包括3 个方面来源的数据：

图5 交流变电技改工程智能评估多源数据体系

1）技术因素。交流变电技改工程项目的主要电气技术参数，包括电压等级、材料用量、主变容量、并联电容器型式、断路器型式、高压开关柜型式、隔离开关型式等。

2）经济因素。交流变电技改工程所需要的电力设备或工程建设材料的经济价格，包括材料价格、主变价格、断路器价格、高压开关柜价格、隔离开关价格等。

3）环境因素。交流变电技改工程所处位置的环境，包括地理环境、交通环境、地形和气候条件等。

2.3 电网项目智能评估算法

该文所提基于深度学习与多源数据融合的电网项目智能评估算法，如图6 所示。将技术因素、经济因素和环境因素3 个方面来源的电网项目历史数据，首先通过多源数据集进行融合处理；然后作为训练样本进行DNN 模型的训练，得到智能评估结果精度要求的DNN 模型；最终将待评估电网项目的多源融合数据作为验证样本，利用已训练完成的DNN 模型，来实现电网项目的智能评估。

图6 电网项目智能评估算法

3 算例分析

为验证文中所提的基于深度学习与多源数据融合的电网项目智能评估方法的正确性和有效性，选取电网项目历史数据进行验证，其中训练样本192个，测试样本48 个。

3.1 不同智能算法对智能评估结果的影响

为对比DNN 算法与其他机器学习算法在电网项目智能评估应用上的差异，将上述电网项目多源数据样本作为输入数据。机器学习算法选用反向传播神经网络(Back Propagation Neural Network，BPNN)，不同算法电网项目智能评估结果如表1 所示。由表1 可知，对于8 个实际的电网技改项目，评估结果准确度为DNN 优于BPNN。这是因为DNN 算法相比于BPNN 算法具有更深层的网络结构，能够适应大量数据应用场景，对于电网项目的造价评估准确度更高。

表1 不同智能算法下电网项目评估结果

3.2 多源数据对智能评估结果的影响分析

由于具体的系统工程存在着大量的数据类型，当选用不同数据源作为DNN 模型输入时，电网项目智能评估结果如表2 所示。可以看到只选取技术因素D1时，造价评估误差绝对值在6.6%～10.2%范围内；选取技术因素D1和经济因素D2时，造价评估误差绝对值在6.1%～8.6%范围内；同时选取技术因素D1、经济因素D2和环境因素D3时，造价评估误差绝对值在5.7%～8.1%范围内。由此可得采用3 种数据进行融合分析，能够尽可能地保留现场数据特征，并可提高电网项目智能评估的准确性。

表2 多源数据条件下的变电工程数据分析

4 结束语

该文开展了基于DNN 模型与多源数据融合的电网项目智能评估算法研究。通过实验仿真结果表明：相比于BPNN 算法，文中所提算法具有更深层网络结构，能够提高智能评估结果的准确性；相比于采用单一数据来源或者两种数据来源的情况，文中所提算法能够充分保留电网项目数据对智能评估结果的影响关系，提高了智能评估结果的准确性。但是文中所提算法仅实现了电网项目静态造价的智能评估，而如何将深度学习与多源数据融合技术应用于电网项目成本动态管理过程，将在后续研究中进一步展开。