0 引言
电力作为关系国计民生的重要基础产业和公用事业，是各行各业的生产资料，又是与人民生活息息相关的生活资料，电力供应安全与社会稳定和人民生活密切相关。电网规划研究项目风险评估的目的是识别、监测、预防和控制网络规划项目风险，进一步评估、诊断、预报警和判断项目的可行性，降低网络规划项目的风险。然而，由于社会经济发展，国家政策的变化，人口变化和环境变化等因素，网络条件的发展也在不断变化，更长远的规划期限、条件参数难以确定。影响网络规划和研究项目的描述信息处理的不确定性使网络规划十分困难。在这种情况下，如何建立一个网络规划项目风险评估模型，这就是本文所要研究的问题。
本文利用BP神经网络方法，以评估电网规划项目的风险，避免了人为确定权重，克服了以往的自我学习能力的不足，减少了评价过程和评价人员的主观认识的不确定性，使评价结果更有效、更客观。
1 建立BP神经网络及评价指标体系
1.1建立评价指标体系
在本文中，输电网络规划项目的评价指标体系的建立应遵循客观性、全面性、系统性的，相互独立性、动态性和可比性等原则，深入分析个别指标的内涵，更进一步深入的研究、比较和选择。由于影响项目的风险因素很可能是模糊的，所以使用层次分析法来确定通信性能评价指标体系的权重。具体过程如下：
(1)建立一个合理的多层次的指标体系，即形成自上而下的“目标水平 - 标准水平 - 具体指标水平”多层次结构。
(2)相对判断矩阵的建立。
(3)通过计算矩阵确定最大特征值和它的特征向量，可以确定最大特征值lmax，特征值满足等式：
(4)计算相对权重：有很多求取特征向量的方法，包括计算机软件分析法，平方根法，求和法。
(5)一致性测试。它可以通过计算一致性指数来确定矩阵一贯性：
(6)总水平的排序和等级的一致性测试。指标体系如图1所示。
以电子邮件和书面形式发送问卷，邀请专家对评估指标体系进行评判打分。共发放问卷8份，回收8份，回收率100%。经过一致性检验，合格问卷为8份，有效率为100%，符合层次分析法的要求。运用AHP法对影响项目评价的因素赋予权重。
使用层次分析软件我们确定电网规划项目风险的影响因素及其权重。 得到的结果如下表所示：
表1 电网规划项目风险影响因素及其权重
1.2 BP神经网络
BP网络的结构如图2所示。由图可见，多层BP神经网络不仅有输入节点、输出节点,而且有一层或多层隐节点。相邻上下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各神经元之间无连接。当学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法称为“误差反向传播算法”，即BP算法。随着这种误差逆向的传播修正不断进行，网络对输入模式响应的正确率也不断上升。
BP神经网络可以有一个或多个隐含层，1989年Robert Hecht-NIelson证明了一个三层的BP网可以完成任意的n维到m维的映射,即一个隐含层已经完全能够模拟任意的非线性关系。这实际上已经给了一个基本的设计BP网络的原则。本文输入层和隐含层之间的传递函数用Sigmoid函数：
隐节点数的计算如下：
其中，k作为样本数量， 的是隐藏的单位数，n是输入单位数目。如果 ,则BP网络学习的过程如下：
1)初始化。在初始随机的区间中的(-1,1)之间将每个连接和门槛 ， 间设置一权重。
2)学习网络
随机选取一组此网络的输入和目标样本。
a)为抽样调查输入层节点的各种因素，并激活输入层，进而提出如下计算公式：
b)计算由输出层节点之间的实际输出值与期望输出值的误差。
c)反向分布的缔结的错误隐藏的节点。
d)调整隐含层和输出节点的连接权值TJT，输出节点的阈值 ，
此处，(0.1)为有效区间。
e)调整输入层和隐藏的节点连接权WJT，输出节点的阈值θj。
3)重复步骤2。直到误差E变的足够小。
2 电网规划方案风险评价的人工神经网络模型
2.1 样本描述和量化
本文收集10个类似的项目指标：法律法规的变化，工业结构的调整，利润的不确定性，可靠性和稳定性，项目规划的安全性，负荷预测的准确性，设计错误，自然中的不确定性，社会的不确定性，环境影响。
从评价指标体系，我们发现大多数的指标是定性指标，难以量化。因此，在实际评价工作中，为所有指标，第一次专家作定性评估，并尝试量化。各专家评估的各项指标，在这之后，我们有相应的定量评价。量化标准如下：
表2 专家评价量化标准
我们采取线性 - 比例变换，使指标标准化。 ， 作为j指标的最大值; ， 作为j指标的最低值。我们收集了10个方案的专家打分，标准化的评估数据在表3获得，其中，Z代表综合评价指标。
表3 电力网络系统规划的风险评估系统
2.2 BP神经网络模型
根据映射定理可构造一个包括输入层、隐含层和输出层的三层BP网络。将11个项目的沟通绩效指标作为BP网络的11个输入节点，隐层节点数目的多少直接影响神经网络的计算精度，若节点太少，网络的非线性功能和容错能力差，而若节点过多，又使学习时间增加，学习误差也不一定最佳。为了使隐含层节点更合适，本文经过多次试算并比较各种模型训练后所得的误差大小，最终将隐含层节点数定为12。而BP网的输出节点只有一个，该节点用来表示综合评价总指标。
2.3 BP网络训练和检测
将表3前7组样值列入BP网络模型，以期得到预期的输出结果，下面开始对网络进行测试训练。我们确立学习速率n=0.02，学习精度于0.01.Only 4倍精度，经过训练2次后，其误差曲线的斜率接近于零，满足精度要求。
为了进一步测试该网络模型的准确性，我们投入模式为样本8、9、10为一组。 BP神经网络模型的输出结果和期望的输出结果显示如表4所示：
表4 测试样品输出
从表四中的结果来看， BP网络模型的输出结果与预期的输出结果相一致,所以网络模型可以用来评估项目的沟通性能。
3 结论
风险评估对配电网优化规划项目的影响往往是无形的。这是一个软指标，难以量化。而且影响评价的因素很多，这些因素均具有一定的不确定性。神经网络是通过历史数据进行学习的，神经网络模型的执行情况很大程度上取决于历史数据的数量和质量。历史数据越多，预测误差越小。由于神经网络具有高度的容错性，因而对于过去的数据资料中由于人为的或其它因素造成的偏差有自动纠偏功能;此外由于神经网络是并行处理数据的，因而其处理速度相当快，这点满足了项目要求快速决策的需要，实践证明它在进行配电网优化规划项目评价时是十分有效的。
参考文献：
[1] Prasanta Kunmat Dey. Decision Support System for Risk Management:a Case Study. Management Decision, 2001.
[2] 程浩忠.电网规划方法和应用科学与技术[M].上海：上海大学出版社,2002年.
[3] Parker R. Improving electrostatic precipitator performance for power stations. Power Engineering Journal vol.11: No.4, 2007: 169-176.
[4] 朱祖平，朱斌.模糊综合评价的人工神经网络在企业技术创新成效[J].系统工程理论与实践，第16-22卷，2003年9月.
[5] Stephen Mac, David Picken.Using Risk Analysis to Determine construction Project Contingences. Journal of Construction Engineering and Management, 2000
