[发明专利]基于BP神经算法的输变电工程造价风险评估预测方法

权利要求书

1.一种基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于，包括以下步骤：

1)收集已完成的输变电工程中目标工程的风险指标，运用BP神经算法，对影响造价的风险指标进行指标分析，确定造价风险指标后，形成造价风险指标体系；

2)收集已完成的输变电工程中目标工程已产生的造价样本数据，根据造价风险指标体系对造价样本数据进行归类汇总；

3)运用MATLAB处理数据归一化函数对归类汇总后的造价样本数据进行归一化处理，将造价样本数据映射到[0，1]之间，获得分组样本数据，并计算每组样本数据的期望值；

4)运用MATLAB软件，创建BP神经网络函数，将每组样本数据和期望值进行数据训练，得到输变电工程造价风险评估预测模型，用以预测出新的输变电工程造价风险；

5)模型训练结束后，采用专家预测法，邀请专家对新的输变电工程按照造价风险指标体系进行造价数据预测，用于评价步骤4)预测的新的输变电工程造价风险。

2.根据权利要求1所述的基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于：所述目标工程为变电站工程项目。

3.根据权利要求1所述的基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于：所述MATLAB处理数据归一化函数为，

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

Pn=p-minpmaxp-minp]]>

其中，p是所收集的一组数据，minp，maxp分别是该组数据的最小值和最大值，Pn是映射后的数据。

4.根据权利要求1或2所述的基于BP神经算法的输变电工程造价风险评估预测方法，其特征在于，所述数据训练包括以下步骤：

(1)用随机数对每一层的权值w和阀值b初始化，并进行参数初始化；

参数初始化包括设定期望误差最小值err_goal，设定最大循环次数max_epoch，设定修正权值的学习速率lr＝0.01-0.7，设定从1开始循环训练forepoch＝1:max_epoch；

(2)按照以下公式计算网络各层输出矢量A1和A2，以及网络误差E、与其对应的输出样本T；A1＝tansig(wl*p，b1)

A2＝purelin(w2*A1，b2)

E＝T-A2

其中，w1表示隐含层权值、w2表示输出层权值、b1表示隐含层阀值、b2表示输出层阀值；

(3)按照以下公式计算各层方向传播的误差变化D2和D1，计算各层权值的修正值以及新的权值；

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表示隐含层权值的修正值、dw2表示输出层权值的修正值、db1表示隐含层阀值的修正值、db2表示输出层阀值的修正值、Ir表示学习速率；

(4)按照以下公式计算修正后的误差平方和；

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

(5)检查修正后的误差平方和SSE是否小于设定期望误差最小值err_goal，若是，训练结束，否则继续；

(6)循环步骤(1)至步骤(5)，进行下一组样本数据的训练，直至所有样本数据将模型训练完为止。