基于 BP神经网络的火电厂脱硝改造投资快速估算模型研究

李天成 章婷玉 王宏博 关长青

中国电力工程顾问集团东北电力设计院有限公司 吉林长春 130021

摘要：本文针对现役火电厂脱硝改造工程的造价估算，通过对影响脱硝改造造价的主要因素进行综合分析，利用MALTAB软件构建了基于BP人工神经网络的火电厂脱硝工程造价的快速估算模型。通过现有工程造价实例对快速估算模型进行训练、模拟及测验，并将模型估算值与现有工程造价实例进行了对比，结果表明该方法可以较好的估算火力发电厂脱硝改造的工程投资。该模型具有较好的快速性及适用性，可以为估算工程造价提供参考。

关键词：脱硝改造 工程造价 估算模型

引言

随着近些年电力工业的快速发展对自然环境带来的严重危害，人类生存环境的日益恶化，特别是引起许多城市每年PM2.5天数逐年增加，人们对环保要求的不断提高，国家环保部门已经发布了大气污染物排放标准^[1]，对火力发电厂NOx的排放值提出了严格的限制。为满足国家的节能减排要求，加大对大气环境污染的治理，现役火力发电机组的脱硝的改造工作尤为重要。在考虑脱硝改造环保性的同时，也需要考虑改造工程的经济性。传统的工程造价是基于工程总量的计算，传统方法繁杂，周期长^[2]。基于BP神经网络构建的投资估算模型可以通过输入少量的工程信息，快速得出较为准确的工程造价^[3]，可用于辅助工程设计前期阶段的方案可行性的比对，是简单、快速、实用的工程造价方法。

1 工程造价特征值的选取及量化

本文参考文献[4-6]基础上，搜集大量有关火力发电脱硝改造的资料以及相关数据，通过咨询专业人士以及对相关文献的分析，得出影响火电厂脱硝改造造价的影响因素如下：厂址所在地（1华东、2华北、3东北、4中南 、5西南、6西北）、装机容量、脱硝工艺的选择（1LNB技术、2SCR技术、3SNCR技术以及4SNCR/SCR联用技术）、煤质（1烟煤、2褐煤、3无烟煤、4贫煤）以及改造空间预留情况（1无预留、2有预留）。将非量化数据进行量化，并进行整理，使得权值在一定的范围波动，减轻网络训练难度，从而得到工程造价量化特征值^[7]。如表1所示，即为本文的工程造价量化后的样本数据。

表1 脱硝改造工程造价量化后样本数据

工程编号	厂址所在地	装机容量（MW）	脱硝工艺	煤质	改造预留度	实际造价 （万元）
1	2	2*330	2	1	1	10016
2	2	2*300	2	1	1	9507
3	1	2*300	1	1	1	10380
4	4	4*300	2	2	1	22316
5	3	2*300	3	2	2	3939
6	3	1*200	2	1	2	1269
……	……	……	……	……	……	……
24	3	1*200	3	1	1	9985
25	3	2*300	3	2	2	23187

2 BP神经网络火电厂脱硝造价投资估算模型的建立

2.1 BP神经网络模型

采用典型的3层BP神经网络模型^[8]，由一个输入层、一个输出层、一个隐层即中间层组成。输入层节点数为 ，输出层节点为 ，隐层节点为 ，输入层的第 个节点与中间层的第 个节点的权值为 （ =1，2，…， ； =1，2，…， ），阈值为 。中间层第j个节点与输出层第k个节点的权值为

，（ =1，2，…， ； =1，2，…， ） 阈值为 ，输出用 值表示。对于N组样本中第 个样本，输入为，通过激活函数 传递到中间层节点上， 。中间层的任意节点，

(1)

(2)

如果输出值与期望值 存在误差，那么通过不断调节节点的权值与阈值，直至误差满足期望的要求。

(3)

(4)

其中， 表示风险系数， 表示动量项， 表示动量因子， 表示迭代次数。

样本误差为： (5)

训练样本误差为： (6)

如图1，即为三层BP神经网络结构示意图。本文中输入层即为工程造价特征值，输出层即为脱硝改造工程造价，隐层节点数的确定利用试凑法^[9]确定使结果的平均误差最小的节点个数作为隐层节点个数。

图1 三层BP神经网络结构示意图

2.2网络节点转换函数

BP神经网络模型中激活函数采用sigmoid函数。隐层函数 采用Lan-sigmoid函数^[10]，输出层的函数采用线性函数，网络的建立采用newff函数。

2.3 BP神经网络训练与测试

通常的拟合程度与训练的次数及精度成正比，但是训练次数过多，模型的泛化能力就会减弱。综合考虑模型的拟合程度及泛化程度，本文选择训练目标值为0.01。样本数据23组用来训练样本，后2组数据用来检验网络的训练效果。如图2所示，为23组数据的训练样本的性能曲线，经过81326次迭代可达到目标值0.01。

图2 网络模型训练性能曲线

2.4 预测结果分析

用训练好的BP神经网络对后两组数据进行造价预测。表2给出了测试样本估算值与实际值的比较，从测试结果来看，相对误差在5%以内。由于是可行性研究阶段，因此该模型的建立是可行的，表明该BP网络可用于火电厂脱硝改造造价的预测。

表2 测试样本估算值与实际值比较

序号	实际值 (万元)	估算值 （万元）	相对误差（%）
24	9985	10450	4.66%
25	23187	24120	4.02%

结论

本文结合电力工程脱硝改造实际情况，基于BP神经网络构建了火电厂脱硝改造的工程造价估算模型。通过对脱硝改造工程中特征进行提取，利用具有较强容错性的BP神经网络对训练了工程造价预算模型进行训练，利用实际工程数据验证了模型的正确性，其相对误差在5%以内。

BP神经网络的脱硝改造估算模型具有较好的快速性和适用性，可应用于我国的火电厂脱硝改造的工程造价。但将神经网络应用于工程造价，主要的局限是工程特征以及训练样本的选取。工程特征提取准确，训练样本与待估工程相类似，那么BP神经网络的估算就具有较高准确性。

参 考 文 献

[1] GB13223-2011 火电厂大气污染排放标准[S].

[2] 凌云鹏, 阎鹏飞, 韩长占, 杨晨光. 基于BP神经网络的输电线路工程造价预测模型[J]. 中国电力,2012,(10):95-99.

[3] 陈娟. 基于BP神经网络的公路工程造价快速估算方法[J]. 交通建设与管理,2015,(06):337-339.