改进型层次-熵权模型的电网施工建设评估方法

王道静， 程双六， 王军燕

(1.国网安徽省电力有限公司，安徽 合肥 230001；2.安徽送变电工程公司，安徽 合肥 230001)

0 引 言

现有技术中，电网施工建设评估能力低下，管理方式滞后。为了提高电网施工建设评估效率，学者进行相关技术研究。文献[1]通过采用SND规划建立综合评价指标体系，进而实现智能配电网的综合评价，该方案还采用协同群决策的决策方案进行分析，虽然也能实现电网施工建设的评估，但是，当面对复杂施工问题时，处理效果较差。文献[2]采用了序贯蒙特卡洛方法模拟风电随机生产，该技术方案针对风电等具有随机性，实现电网建设，并进行模拟评价，虽然也能够实现施工评估，但是该评价方法主要针对风电等具有较大随机性的电网建设设备，普遍适用性较差。文献[3]提出了一种分布式能源系统多指标综合评价的研究方法，该方法通过构建分布式能源经济、能耗和环境因素的指标体系，建立了多属性加权决策模型，虽然也能够对电网分布式能源系统建设方案进行优化，但是该评价方法建设效果反应能力差。

针对上述不足，本文采用改进型层次-熵权模型实现电网施工建设评价。

1 电网施工建设评价方法设计

本文创新点如下：

(1) 构建出一整套电网施工建设评价模型，该模型包括电网底层模块、数据管理模块、数据计算模块和电网施工评估模块，实现影响电网施工建设的一体化管理，提高智能化管理程度。

(2) 构建改进型层次-熵权模型的电网施工建设评估方法，实现发电侧关键指标、输电侧关键指标以及用电侧等不同关键指标的多层次、多方面影响因素收集[4]和分析，实现电网施工建设多角度评价。

(3) 改进型层次-熵权模型通过利用层次分析法主观赋权能力和熵权法客观赋权能力，进行主观和客观分析相结合，并引入BP神经网络模型[5]，提高电网施工建设评价能力。

基于上述设计思路，本文构建出如图1所示的电网施工建设评价示意图。

在图1的电网施工建设评价整体架构示意图中，通过在电网底层模块收集影响电网施工建设的关键因素数据，实现多信息的融合[6]。影响电网建设的指标可以分为：发电侧关键指标、输电侧关键指标以及用电侧关键指标三大类。通过影响因素的结果可以将影响因素分成经济效益因素和环保节能因素两个方面。通过向专家咨询和对相关文献进行查询，筛选出合适的关键因素。数据管理模块实现电网施工建设的计算，通过结构熵权因子对各个影响因素分配不同的权重，引入BP神经网络算法模型实现多种不同数据信息的计算。然后根据层次分析法对电网施工建设建立评价模型，实现影响施工建设多种信息的评价。

图1 电网施工建设评价整体架构示意图

在电网的施工建设过程中，为了验证其设计施工方案和施工效果的好坏程度[7-8]，本文还通过熵值分析对影响电网施工建设的因素进行分析，建立电网施工建设评价模型，并把电力施工建设方案在不同影响因数中进行打分，通过打分最终得出影响电网建设的评价得分[9]。

2 改进型层次-熵权模型

本文通过在层次分析法和熵权法模型中融入BP神经网络算法模型，进而实现电网施工建设评价，算法模型如图2所示[10]。

图2 算法模型示意图

图2中，首先通过层次分析法对电网施工建设过程中的多影响因素进行评价和决策，能够将复杂问题分解成不同的评价层，并根据分配的权重实现模型目标的综合评价[11]。由于所采用的量纲和单位等标准各不相同，首先对电网施工建设数据信息进行归一化处理，处理公式为：

(1)

如式1所示，其中0≤rij≤1(1≤i≤m;1≤j≤n)，rij可以构成模型的标准归一化矩阵A=(rij)mn，xij表示不同项目的电网施工建设数据信息。

在标准归一化处理后，需要建立起影响电网施工建设因素与导致因素起因之间的判断矩阵[12]，如式(2)所示。

(2)

式中:bij为电网施工建设目标指标i相对于影响电网施工建设指标j的重要性，重要性用1～5表示，数值越大影响电网施工建设的评价指标重要性越高[13]。通过对评价方案底层指标分配不同的评价分数，继而计算出各个底层元素对目标层影响的综合权重，其第k层的因素对于目标层的影响权重如式(3)所示[14]。

(3)

(4)

然后在层次分析评价模型中融入BP神经网络算法模型，实现输出异常数据信息评估。改进型BP神经网络算法的结构示意图如图3所示。

图3中：x为改进型BP神经网络的原数数据信息；电网施工建设评价信息在隐层输入/输入值为hc，隐层为介于1～3的c。在CD-1算法的计算下，输出第一层RBM电网施工建设评价数据，第一层改进型BP神经网络的电网施工建设评价可视层假设为X，第一隐层h1输出的电网施工建设数据信息可以表示为{W1，α1}。改进型BP神经网络的第一层被稳定后，在第一层的基础上，以此类推，往上叠加第二层、第三层和第N层。然后将每

图3 改进型BP神经网络算法模型

层的RBM数据模型叠加计算，计算公式可以为：

(5)

通过多层计算后，最终将RBM数据模型输入至BP神经网络模型。在最后一层计算后，其内的 RBM算法模型hl+1层内所有的电网施工建设影响数据信息可以为{Wl+1,αl+1}，电网施工建设影响数据信息输在改进型BP神经网络模型中被记作：

hl+1=αl+(Wl)Ttl

(6)

则输出的电网施工建设数据信息为：

{W1,W2,…,Wc;α1,α2,…,αc} 。

改进型BP神经网络模型中的RBM算法模型训练完毕后，电网施工建设数据信息作为BP 网络权值参数被初始化处理，然后不断调整BP神经网络模型权值参数和电网施工建设评价数据信息的局部信息，实现了电网施工建设数据的计算，大大提高了电网施工建设评价的精确度。

通过上述改进型BP神经网络模型计算后，再应用熵权分析方法实现影响电网施工建设指标进一步的计算。通过分析影响电网施工建设数据中熵值在评价指标中的变异程度，对电网施工建设相关数据指标分配不同的权重，以进一步提高评价精度。假设存在m个影响电网施工建设因素，n个能够评价影响电网施工建设的指标，则通过建立影响电网施工建设指标的信息熵计算公式为：

(7)

式中:pij为不同项目的比重。然后构建评价矩阵表示电网施工建设各项权值，如式(8)所示。

(8)

式中：i为评判影响电网施工建设因素指标数据；j为综合评价影响电网施工建设的指标；rij为电网施工建设因素评价参数，也表示第j个指标数据的评价标准所采用第i个指标数据的评价值。比重计算公式可以为：

(9)

式(9)输出结果为评价影响电网施工建设方案指标的熵值，其中第j个影响指标的熵值如式(10)所示。

(10)

其中：k=1/lnm。熵权计算公式为：

(11)

式中：ej为BP神经网络模型中隐藏层节点。综合权数可以表示为：

(12)

式中:αi为计算电网施工建设信息综合权数系数;ωi为熵值，归一化后的数据介于0到1。

权重分配公式表示为：

(13)

式中:j=1，2，…，n；Wj为通过层次分析法输出的电网施工建设评价的指标权重；uj为通过熵权法输出的电网施工建设信息指标权重。

3 电网施工建设评价模型实例分析

为了验证上述算法的有效性，在实验室内采用计算机仿真进行验证，首先通过将常规层次分析法与本文的方法进行对比验证。计算机的硬件配置CPU为Inter Core i7-9700H，运行内存为3 200 MHz 8×2 GB，硬盘大小为1 TB。改进型BP神经网络模型的参数设置如表1所示。

表1 改进型BP神经网络模型数据参数

采集电网施工建设数据信息，得出如表2所示的原始数据信息表。

表2 原始数据信息表

由于电网施工建设影响因素存在多种影响因素，以清洁能源、火电容量、人工设计、电网损耗、新材料降损、技术降损、电力移峰、施工环境和天气因素为例进行说明。通过本文改进型BP神经网络算法模型调整权重好后，则输出如表3所示的数据。

表3 权重修正比较

在表3中，修正后的影响权重矩阵为[0.172，0.050，0.088，0.015，0.086，0.354，0.013，0.071，0.149]。比修正之前具有较好的技术效果。

通过试验，分别将本文方法与单纯的层次分析法(下文称方案1)和熵权分析方法(下文称方案2)进行误差分析对比。误差对比示意图如图4所示。

图4 误差对比示意图

通过100 min的试验对比分析可知，采用本文改进型层次-熵权模型比采用方案1和方案2的明显降低了误差精度。通过试验可以看出，在层次分析法和熵权法模型中融入改进型BP神经网络算法模型，能够大幅度地提高电网施工建设误差评价精度。因此，本文方法具有突出的技术进步性。

4 结束语

针对电力施工建设过程中存在的多种影响因素，本文进行以下技术研究:

(1) 构建了一套电网施工建设评价体系，构建出包括电网底层模块、数据管理模块、数据计算模块和电网施工评估模块等关键技术的评估系统。

(2) 设计出改进型层次-熵权模型，在该模型中融入改进型BP神经网络模型，提高电网施工建设评价能力。

本文研究的方法能够实现电网施工建设不同影响因素的分析和计算，提高了电网施工建设的评估能力。但在应用过程中仍旧存在一些技术不足，比如不同数据模型之间的互融等，这需要进一步地研究，本文为下一步技术研究奠定了基础。