一种配电网建设目标风险评估方法与流程

1.本发明涉及电网企业施工建设目标风险评估技术应用领域，一种配电网建设目标风险评估方法。


背景技术：

2.近年来，随着配电网投资规模逐步提升，配电网建设管理工作逐步被重视，由于当前内外部经营形势较为严峻，对配电网建设投入产出水平、精细化管理水平提出了严峻挑战，未来必须不断强化配电网建设标准化、规范化管理模式，提升配电网项目建设的质量、效率、效益。当前配电网建设管理中还存在诸多问题，随着配电网建设规模不断加大，建设任务不断加重，工程建设项目数量多、种类杂、涉及面广，配电网工程数量多、涉及地域广，安全质量存在潜在隐患，因此为进一步落实配电网建设目标实现程度，进一步提升配电网工程标准化、规范化、精益化管理水平，推动配电网工程由“低级工程转包型”向“高级项目管理型”蜕变，适应配电网建设与改造工程市场供给侧结构性改革要求。提出建设目标风险评估方法，有针对性的监控当前项目管理目标的实现程度，规避建设风险，提升配电网项目建设管理精细化水平。
3.目前，配电网项目建设目标风险评估，多为定性的评估，缺少定量数据的支撑，对于目标实现程度，没有很好的进行分解与评价。多应用多层次模糊综合评价法研究电网建设项目风险因素发生的概率和风险因素对工程项目的影响程度，进而分析评价电网建设项目中的风险，当前研究在风险评价时侧重于风险与风险之间的相互比较关系，却忽略了风险对项目目标的系统影响，因此评价模型与思路有待进一步完善。


技术实现要素：

4.有鉴于此，本发明的目的是提供一种配电网建设目标风险评估方法，与已有的风险评价相比，强调风险对各项目施工目标的直接影响，弱化风险与风险之间相互比较关系，从而为电网建设项目提供一种准确、易操作的风险评价方法，为配电网项目精细化管理提供有力抓手。
5.本发明采用以下方案实现：本实施例提供一种配电网建设目标风险评估方法，包括以下步骤：
6.步骤s1：采用系统动力学进行建设目标定义及影响因素识别分析；
7.步骤s2：进行影响因素度量分析；
8.步骤s3：进行影响要素指标值预测；
9.步骤s4：进行风险评估。
10.进一步地，所述步骤s2的具体内容为：
11.主成分分析法通常用来指标的降维处理,并且能够通过得到的方差贡献率和载荷矩阵计算出各指标的权重值；主成分分析的理论如下:
12.主成分分析法要先确立p个评价指标,然后对每个指标采集n组数据,得到矩阵:
[0013][0014]
然后采用z
‑
score标准化方法对其处理得到矩阵z＝(z
ij
)
n*p
,再按照式：
[0015][0016]
求得相关系数矩阵,r＝(r
ij
)
p*p
；注意到相关系数矩阵等于协方差矩阵,因此有:
[0017]
a
t
ra＝λ＝diag(λ1,λ2,
…
,λ
p
)
[0018]
式中:λ1,λ2,
…
,λ
p
为矩阵r的p个特征值；a＝(a
ij
)
p*p
,为p个特征值对应的规范正交特征向量；
[0019]
令y＝a
t
z,写成矩阵的形式如下:
[0020][0021]
式中:y
i
为第i主成分,且将主成分按数值由大到小依次排列；z1,z2,
…
,z
p
为矩阵z中的n维行向量；对主成分矩阵y进行协方差运算得：
[0022][0023]
显然,第i主成分的方差等于其相对应的特征值,而任意两个不同主成分之间的相关性为零；至此,评价指标被主成分指标代替,原有指标体系内各评价指标之间的相关性被完全消除；为进一步简化指标集,定义主成分的y
i
方差对总方差的贡献率即为所求的波动权值；定义前m个主成分方差累计贡献率可见,ω
i
反映第i主成分指标承载原有指标体系信息量的百分比,ρ反映前m个主成分指标累计承载原有指标体系信息量的百分比；选取前m个主要成分来综合评价工程目标；
[0024]
利用主成分分析法对各影响因素进行主成分分析,得到各影响因素的权重排序矩阵；
[0025]
通过计算得到方差表和主成分载荷矩阵表；根据累计方差总贡献率大于85％来选取相应主成分的个数；各项影响因素的权重按照下式进行计算。
[0026][0027]
式中:a
ij
表示对应第j影响因素第i个主成分的载荷值，看作是各主成分的占
比权重；σ
i
表示第i个主成分的方差贡献率，看作是各主成分的波动权重。k
j
表示第j个影响因素的最终权重指标，为各主成分占比权重的加权平均。
[0028]
然而，根据分析对象的不同，主成分分析法尤其相对的适应性，需要通过kmo(kaiser
‑
meyer
‑
olkin)统计量来检验对象是否适合用主成分进行分析；所述kmo检验，是用于比较变量间简单相关系数和偏相关系数的指标主要应用于多元统计的因子分析；
[0029][0030]
式中:r
jk
是j元素与k元素的简单相关系数，p
jk
是j和k的偏相关系数；kmo统计量是取值在0和1之间；当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，kmo值接近1.kmo值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，kmo值接近0.kmo值越接近于0，意味着变量间的相关性越弱，原有变量越不适合作因子分析；
[0031]
kaiser给出了常用的kmo度量标准:0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。
[0032]
进一步地，所述步骤s3的具体内容为：
[0033]
首先对影响要素指标进行分类，从识别出来的影响因素与导致其发生变化的相关要素之间是否具有线性结构关系，能够将不同指标进行初步分类，其中具有线性关系的指标采用多元线性回归模型，不具有线性关系的指标，采取神经网络模型；
[0034]
所述多元线性回归的具体内容为：设变量x1,x2,
…
,xp是p(p>1)个线性无关的可控变量，y是随机变量，他们之间的关系为：
[0035][0036]
式中：b0,b1,
…
,b
p
，σ2都是待求的未知参数，ε为随机误差，这就是p元线性回归模型；
[0037]
对变量x1,x2,
…
,x
p
和y作n次独立观察，可得容量为n的一个样本
[0038]
(x
i1
,x
i2
…
,x
ip
,y
i
)
(i＝1,2,
…
,n)
[0039]
在负荷预测中，由p元线性回归关系式得：
[0040][0041]
将上式用矩阵形式来表示，记
[0042][0043]
则线性回归模型可改写为：
[0044]
y＝xb+ε
[0045]
记β的估计向量为
[0046][0047]
因此得：
[0048][0049]
将得到的代入p元线性回归关系式，得到：
[0050][0051]
称这个方程为p元线性回归方程，称为回归方程的系数；
[0052]
所述神经网络模型的神经网络结构如下：
[0053]
针对三层bp网络结构，假设输入节点为n个，网络的输出节点为m个，节点数为q；输入向量为x＝(x1,x2,x3,....x
m
)，输出向量为y＝(y1,y2,y3,....y
m
)，隐含层单元输入向量为s＝(s1,s2,s3,....s
q
)，隐含层单元输出向量为b＝(b1,b2,b3,....b
q
)；输出层单元输入向l＝(l1,l2,l3,....l
m
)，输出层单元输出向量为c＝(c1,c2,c3,....c
m
)，进而进行三层bp神经网络的输出层与隐含层的输出计算；具体步骤如下：
[0054]
步骤a:确定影响输入指标的相关影响因素即自变量；输入层节点数与影响工因素有关；
[0055]
步骤b：建立bp网络模型：选定bp网络的输入层节为9个节点，网络的输出层选为1个节点，输出变量为相应输入条件下的自变量；在bp神经网络的构建当中，为了寻找更为合理的隐层单元数目，达到精度要求，分别建立了10、15、20和25个隐层，并对其进行训练、比较和分析；从训练误差考虑，选择使网络误差最小，预测准确度高的隐层节点数；在matlab中通过调用函数newff()来创建网络；
[0056]
步骤c：对bp网络进行训练：标准bp算法将学习过程分为2个阶段：正向传播过程，将输入变量的信息通过输入层经隐含层处理并计算每个单元的实际输出值；反向传播过程，若输出层未能得到期望的输出值，计算实际输出与期望输出之差值即误差，并根据此差
值逐层递归调节权值和阈值，使误差值逐渐减小，直到满足网络精度要求；通过调用函数train()来训练；
[0057]
步骤d：利用训练好的bp网络对待建工程自变量；调用sim()函数进行造价预测。
[0058]
进一步地，所述步骤s4的具体内容为：
[0059]
根据指标预测值，判断出与该项指标平均预测值值的差别，最终综合评价出项目建设目标实现的风险，如果预测值大于该指标的平均值，代表建设目标实施存在风险。
[0060]
与现有技术相比，本发明具有以下有益效果：
[0061]
本发明基于预测值的风险评估，是结合预测模型结果，将各个指标的预测值与相应因素的平均目标值进行对比，综合评价出当前施工建设目标的主要风险。为后续加强项目建设管控与各专业管理工作，规范配电网建设全过程管理，为进一步推广先进模式的落地实施提供抓手与保障。能够进一步提升配电网项目建设管理精细化水平。
附图说明
[0062]
图1为本发明实施例的方法流程图。
[0063]
图2为本发明实施例的影响要素识别与影响机理构建图。
具体实施方式
[0064]
下面结合附图及实施例对本发明做进一步说明。
[0065]
应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0066]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0067]
如图1所示，本实施例提供一种配电网建设目标风险评估方法，包括以下步骤：
[0068]
步骤s1：采用系统动力学进行建设目标定义及影响因素识别分析；
[0069]
步骤s2：进行影响因素度量分析；
[0070]
步骤s3：进行影响要素指标值预测；
[0071]
步骤s4：进行风险评估。
[0072]
在本实施例中，所述步骤s2的具体内容为：
[0073]
主成分分析法通常用来指标的降维处理,并且能够通过得到的方差贡献率和载荷矩阵计算出各指标的权重值；主成分分析的理论如下:
[0074]
主成分分析法要先确立p个评价指标,然后对每个指标采集n组数据,得到矩阵:
[0075][0076]
然后采用z
‑
score标准化方法对其处理得到矩阵z＝(z
ij
)
n*p
,再按照式：
[0077][0078]
求得相关系数矩阵,r＝(r
ij
)
p*p
；注意到相关系数矩阵等于协方差矩阵,因此有:
[0079]
a
t
ra＝λ＝diag(λ1,λ2,
…
,λ
p
)
[0080]
式中:λ1,λ2,
…
,λ
p
为矩阵r的p个特征值；a＝(a
ij
)
p*p
,为p个特征值对应的规范正交特征向量；
[0081]
令y＝a
t
z,写成矩阵的形式如下:
[0082][0083]
式中:y
i
为第i主成分,且将主成分按数值由大到小依次排列；z1,z2,
…
,z
p
为矩阵z中的n维行向量；对主成分矩阵y进行协方差运算得：
[0084][0085]
显然,第i主成分的方差等于其相对应的特征值,而任意两个不同主成分之间的相关性为零；至此,评价指标被主成分指标代替,原有指标体系内各评价指标之间的相关性被完全消除；为进一步简化指标集,定义主成分的y
i
方差对总方差的贡献率即为所求的波动权值；定义前m个主成分方差累计贡献率可见,ω
i
反映第i主成分指标承载原有指标体系信息量的百分比,ρ反映前m个主成分指标累计承载原有指标体系信息量的百分比；选取前m个主要成分来综合评价工程目标；
[0086]
利用主成分分析法对各影响因素进行主成分分析,得到各影响因素的权重排序矩阵；
[0087]
通过计算得到方差表和主成分载荷矩阵表；根据累计方差总贡献率大于85％来选取相应主成分的个数；各项影响因素的权重按照下式进行计算。
[0088][0089]
式中:a
ij
表示对应第j影响因素第i个主成分的载荷值，看作是各主成分的占比权重；σ
i
表示第i个主成分的方差贡献率，看作是各主成分的波动权重。k
j
表示第j个影响因素的最终权重指标，为各主成分占比权重的加权平均。
[0090]
然而，根据分析对象的不同，主成分分析法尤其相对的适应性，需要通过kmo(kaiser
‑
meyer
‑
olkin)统计量来检验对象是否适合用主成分进行分析；所述kmo检验，是用于比较变量间简单相关系数和偏相关系数的指标主要应用于多元统计的因子分析；
[0091][0092]
式中:r
jk
是j元素与k元素的简单相关系数，p
jk
是j和k的偏相关系数；kmo统计量是取值在0和1之间；当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，kmo值接近1.kmo值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，kmo值接近0.kmo值越接近于0，意味着变量间的相关性越弱，原有变量越不适合作因子分析；
[0093]
kaiser给出了常用的kmo度量标准:0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。
[0094]
在本实施例中，所述步骤s3的具体内容为：
[0095]
首先对影响要素指标进行分类，从识别出来的影响因素与导致其发生变化的相关要素之间是否具有线性结构关系，能够将不同指标进行初步分类，其中具有线性关系的指标采用多元线性回归模型，不具有线性关系的指标，采取神经网络模型；(分类标准)
[0096]
例如设备材料价格因素，其关键影响因素分别为原材料价格、人工成本和货币政策，因此基于多元线性回归的设备材料价格预测中选取原材料价格(铜价格)、人工成本和货币政策为自变量，将多年自变量和因变量的数据元线性回归模型，
[0097]
得到因变量设备材料价格的预测结果。作为风险评价的主要依据。
[0098]
所述多元线性回归的具体内容为：设变量x1,x2,
…
,xp是p(p>1)个线性无关的可控变量，y是随机变量，他们之间的关系为：
[0099][0100]
式中：b0,b1,
…
,b
p
，σ2都是待求的未知参数，ε为随机误差，这就是p元线性回归模型；
[0101]
对变量x1,x2,
…
,x
p
和y作n次独立观察，可得容量为n的一个样本
[0102]
(x
i1
,x
i2
…
,x
ip
,y
i
)
(i＝1,2,
…
,n)
[0103]
在负荷预测中，由p元线性回归关系式得：
[0104][0105]
将上式用矩阵形式来表示，记
[0106][0107]
则线性回归模型可改写为：
[0108]
y＝xb+ε
[0109]
记β的估计向量为
[0110][0111]
因此得：
[0112][0113]
将得到的代入p元线性回归关系式，得到：
[0114][0115]
称这个方程为p元线性回归方程，称为回归方程的系数；
[0116]
所述神经网络模型的神经网络结构如下：
[0117]
针对三层bp网络结构，假设输入节点为n个，网络的输出节点为m个，节点数为q；输入向量为x＝(x1,x2,x3,....x
m
)，输出向量为y＝(y1,y2,y3,....y
m
)，隐含层单元输入向量为s＝(s1,s2,s3,....s
q
)，隐含层单元输出向量为b＝(b1,b2,b3,....b
q
)；输出层单元输入向l＝(l1,l2,l3,....l
m
)，输出层单元输出向量为c＝(c1,c2,c3,....c
m
)，进而进行三层bp神经网络的输出层与隐含层的输出计算；具体步骤如下：
[0118]
步骤a:确定影响输入指标的相关影响因素即自变量；输入层节点数与影响工因素有关；以机械价格要素为例，输入层节点数与影响工因素有关，通过对机械价格影响因素分析，最后确定了影响机械价格的主要因素包括回路数、导线型号、地形状况、地质条件、单千米塔基数、单千米塔材重量、耐张比例、塔材单价、导线单价等。
[0119]
步骤b：建立bp网络模型：选定bp网络的输入层节为9个节点，其输入变量分别为回路数、地形状况、地质条件、单千米塔基数、单千米塔材重量、导线型号、耐张比例、塔材单价、导线单价,分别令之为x1～x9；影响因素中文字描述的需要将之转化为可量化的标准(如等级)。网络的输出层选为1个节点，输出变量为相应输入条件下的自变量(即机械价格)；隐层节点数一般通过多次实验或经验公式来确定，在bp神经网络的构建当中，为了寻找更为合理的隐层单元数目，达到精度要求，分别建立了10、15、20和25个隐层，并对其进行训练、比较和分析；从训练误差考虑，选择使网络误差最小，预测准确度高的隐层节点数；在matlab中通过调用函数newff()来创建网络；
[0120]
步骤c：对bp网络进行训练：标准bp算法将学习过程分为2个阶段：正向传播过程，将输入变量的信息通过输入层经隐含层处理并计算每个单元的实际输出值；反向传播过程，若输出层未能得到期望的输出值，计算实际输出与期望输出之差值即误差，并根据此差值逐层递归调节权值和阈值，使误差值逐渐减小，直到满足网络精度要求；通过调用函数train()来训练；
[0121]
步骤d：利用训练好的bp网络对待建工程自变量(即机械价格)；调用sim()函数进行造价预测。
[0122]
在本实施例中，所述步骤s4的具体内容为：
[0123]
根据指标预测值，判断出与该项指标平均预测值值的差别，最终综合评价出项目建设目标实现的风险，如果预测值大于该指标的平均值，代表建设目标实施存在风险。例如地区降雨量预测值高于平均值，说明该项目的建设风险增大。要加强项目管理与风险防范。
[0124]
较佳的，在本实施例中，
[0125]
步骤一：建设目标定义及影响因素识别分析
[0126]
首先从工程进度、质量、成本、安全等多个维度进行建设施工目标定义，然后运用系统动力学方法从技术要素、自然要素、政策要素等方面，科学全面识别建设目标影响要素，明确影响机理。具体体系如图2所示。
[0127]
步骤二：影响因素度量分析
[0128]
主成分分析法通常用来指标的降维处理,并且能够通过得到的方差贡献率和载荷矩阵计算出各指标的权重值。主成分分析的理论如下:
[0129]
主成分分析法要先确立p个评价指标,然后对每个指标采集n组数据,得到矩阵:
[0130][0131]
然后采用z
‑
score标准化方法对其处理得到矩阵z＝(z
ij
)
n*p
,再按照式：
[0132][0133]
求得相关系数矩阵,r＝(r
ij
)
p*p
。
[0134]
注意到相关系数矩阵等于协方差矩阵,因此有:
[0135]
a
t
ra＝λ＝diag(λ1,λ2,
…
,λ
p
)
[0136]
式中:λ1,λ2,
…
,λ
p
为矩阵r的p个特征值；a＝(a
ij
)
p*p
,为p个特征值对应的规范正交特征向量。
[0137]
令y＝a
t
z,写成矩阵的形式如下:
[0138][0139]
式中:y
i
为第i主成分,且将主成分按数值由大到小依次排列；z1,z2,
…
,z
p
为矩阵z中的n维行向量。
[0140]
对主成分矩阵y进行协方差运算可得：
[0141]
[0142]
显然,第i主成分的方差等于其相对应的特征值,而任意两个不同主成分之间的相关性为零。至此,评价指标被主成分指标代替,原有指标体系内各评价指标之间的相关性被完全消除。
[0143]
为进一步简化指标集,定义主成分的y
i
方差对总方差的贡献率即为所求的波动权值。定义前m个主成分方差累计贡献率可见,ω
i
反映第i主成分指标承载原有指标体系信息量的百分比,ρ反映前m个主成分指标累计承载原有指标体系信息量的百分比。可以选取前m个主要成分来综合评价工程目标。
[0144]
主成分分析法是一种客观方法。在本报告中,对各影响因素进行主成分分析,得到各影响因素的权重排序矩阵。
[0145]
通过计算得到方差表和主成分载荷矩阵表。一般根据累计方差总贡献率大于85％来选取相应主成分的个数。各项影响因素的权重按照下式进行计算。
[0146][0147]
式中:a
ij
表示对应第j影响因素第i个主成分的载荷值，可看作是各主成分的占比权重；σ
i
表示第i个主成分的方差贡献率，可看作是各主成分的波动权重。k
j
表示第j个影响因素的最终权重指标，为各主成分占比权重的加权平均。
[0148]
然而，根据分析对象的不同，主成分分析法尤其相对的适应性，需要通过kmo(kaiser
‑
meyer
‑
olkin)统计量来检验对象是否适合用主成分进行分析。这里提到的kmo检验，是用于比较变量间简单相关系数和偏相关系数的指标主要应用于多元统计的因子分析。
[0149][0150]
式中:r
jk
是j元素与k元素的简单相关系数，p
jk
是j和k的偏相关系数。kmo统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，kmo值接近1.kmo值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，kmo值接近0.kmo值越接近于0，意味着变量间的相关性越弱，原有变量越不适合作因子分析。
[0151]
kaiser给出了常用的kmo度量标准:0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。
[0152]
步骤三：影响要素指标值预测
[0153]
首先对影响要素指标进行分类，从变量与因变量之间是否具有线性结构关系，可以将不同指标行初步分类。其中具有线性关系的指标采用多元线性回归模型，不具有线性关系的指标，采取神经网络模型。
[0154]
(1)多元线性回归
[0155]
多元线性回归预测技术主要是研究一个因变量与多个自变量之间的相关关系。一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。
[0156]
设变量x1,x2,
…
,xp是p(p>1)个线性无关的可控变量，y是随机变量，他们之间的关系为：
[0157][0158]
式中：b0,b1,
…
,b
p
，σ2都是待求的未知参数，ε为随机误差，这就是p元线性回归模型。
[0159]
对变量x1,x2,
…
,x
p
和y作n次独立观察，可得容量为n的一个样本
[0160]
(x
i1
,x
i2
…
,x
ip
,y
i
)
(i＝1,2,
…
,n)
[0161]
在负荷预测中，这些常量是过去的历史资料，由p元线性回归关系式可得
[0162][0163]
为了数学处理上的方便，将上式用矩阵形式来表示。记
[0164][0165]
则线性回归模型可改写为：
[0166]
y＝xb+ε
[0167]
记β的估计向量为
[0168][0169]
因此可得：
[0170][0171]
将得到的代入p元线性回归关系式，可以得到
[0172][0173]
称这个方程为p元线性回归方程。称为回归方程的系数。
[0174]
(2)神经网络模型
[0175]
神经网络的模型很多，bp神经网络是众多模型中应用最为广泛的模型之一。bp神经网络通过学习和存贮大量的输入
‑
输出模式映射关系，使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差最小。
[0176]
1)神经网络结构
[0177]
以三层bp网络结构为例，假设输入节点为n个，网络的输出节点为m个，节点数为q。输入向量为x＝(x1,x2,x3,....x
m
)，输出向量为y＝(y1,y2,y3,....y
m
)
[0178]
隐含层单元输入向量为s＝(s1,s2,s3,....s
q
)，隐含层单元输出向量为b＝(b1,b2,b3,....b
q
)；输出层单元输入向l＝(l1,l2,l3,....l
m
)，输出层单元输出向量为c＝(c1,c2,c3,....c
m
)，进而进行三层bp神经网络的输出层与隐含层的输出计算。
[0179]
2)网络训练
[0180]
网络的初始化。输入层神经元i与隐含层神经元j之间的连接权为w
ij
，隐含层神经元j与输出层神经元t之间的连接权为v
ij
；隐含层神经元j的阈值为θ
j
，输出层神经元t的阈值为r
t
。给定学习速率和神经元激励函数。
[0181]
隐含层输出计算。根据输入向量、输入层和隐含层间连接权值和隐含层阈值，计算隐含层输出。
[0182]
输出层输出计算。根据隐含层输出、连接权值和阈值，计算神经网络的预测输出。
[0183]
误差计算。根据网络预测输出和期望输出，计算网络预测误差。
[0184]
权值、阈值更新。根据网络预测误差，更新网络连接权值与阈值。
[0185]
判断算法迭代是否结束，若没有结束返回输出计算。
[0186]
当算法结束时保存权值和阈值，作为预测时的初始权值和阈值。
[0187]
步骤四：风险评估
[0188]
根据指标预测值，判断出预测值与该项指标平均值的差别，最终综合评价出项目建设目标实现的风险与潜在问题。例如降雨量的数值明显高于其他数值，项目存在由于降雨量过大对项目建设安全、进度带来的不利影响，要进行重点管控和规避。
[0189]
较佳的，在本实施例中，首先从工程进度、质量、成本、安全等多个维度进行建设施工目标定义，然后运用系统动力学方法从技术要素、自然要素、政策要素等方面，科学全面识别建设目标影响要素，明确影响机理。
[0190]
然后进行影响因素度量分析，结合相关指标数据收集与整理，采用主成分分析法，得到因素在主成分上的载荷，对不同要素对于建设目标的影响程度进行分析与判断。选取主要影响因素作为风险判定的主要指标。
[0191]
其次进行影响因素预测及计算，结合不同因素类型与特点，选取适合的预测方法对因素进行预测计算，并根据预测结果作为风险评估的主要依据。
[0192]
最后基于预测值进行建设目标风险评估，是结合预测模型结果，将各个指标的预测值与相应因素的平均目标值进行对比，综合评价出当前施工建设目标的主要风险。
[0193]
较佳的，本实施例方法可基于配电网管理本身的压力、管理问题及风险点分析其
建设目标指标，精准预测评价各个重要影响因素的变化情况，形成科学的评价结果，有针对性的反应当前建设管理面临的内外部形势，从而科学判定与评估项目建设目标存在的风险。
[0194]
为了解决上述问题，根据本发明的一个方面，提供了一种配电网建设目标风险评估方法，所述方法包括：
[0195]
(1)建设目标定义及影响因素分析，重点突出在配电网工程质量、进度、造价、安全方面的管控目标，从上述几个方面作为分析与识别根据，运用系统动力学原理，从技术要素、管理要素、市场要素、政策要素等多个问题识别影响管控目标的主要因素，明确影响机理。
[0196]
(2)影响因素度量分析，结合影响因素识别与分析结果，运用主成分分析法，对不同要素对于目标的影响程度进行判断与度量，进行因素集的处理和简化，得到相应的关键要素，作为风险评估的重要数据来源。
[0197]
(3)影响要素指标预测模块，根据分解集成的理念，首先对影响要素类型进行划分，不同的要素与所对应影响参数之间具有不同的结构特点，从变量与因变量之间是否具有线性结构关系，可以将要素指标进行初步分类，根据预测模型优选机制从模型中选择适合的方法进行拟合预测，并给予历史数据的统计与分析，得到要素指标值预测结果。
[0198]
(4)风险评估，根据指标预测值，判断出预测值与该项指标平均值的差别，最终综合评价出项目建设目标实现的风险与潜在问题。例如降雨量的数值明显高于其他数值，项目存在由于降雨量过大对项目建设安全、进度带来的不利影响，要进行重点管控和规避。
[0199]
较佳的，本实施例首先基于当前配电网管理现状，重点突出在配电网工程质量、进度、成本、安全等方面的实际情况，运用系统动力学模型，从技术要素、管理要素、环境要素等不同维度，识别影响项目建设目标的主要要素，作为风险评估的基础依据。其次结合指标历史数据情况，运用主成分分析法，明确不同要素的对于建设目标的影响程度，明确核心要素指标。其次，并且明确不同类型指标的适用预测方法，并结合数据收集针对指标值进行预测分析，最后，结合指标预测值，参考相关指标的标准值，系统评价建设施工目标存在风险。为进一步加强管控，提升项目管理规范性，提供前瞻性参考与借鉴。
[0200]
所述的建设目标定义及影响因素分析：系统梳理当前管理现状，挖掘管理问题及提升方向，突出研究的宽度与广度，重点突出在配电网工程质量、进度、造价、安全方面的管控目标，从上述几个方面作为分析与识别根据，遵循指导性、可量化性、全面性等构建原则，运用系统动力学原理，从技术要素、管理要素、市场要素、政策要素等多个问题识别影响管控目标的主要因素，明确影响机理。
[0201]
所述的影响因素度量分析：结合影响因素识别与分析结果，运用主成分分析法，对不同要素对于目标的影响程度进行判断与度量，将原始数据变换为一组各维度线性无关的表示，有效消除了因素之间的相关性。主成分集中了原始变量的大部分信息，减少了工作量。利用主成分分析法进行因素集的处理和简化，得到相应的关键要素，作为风险评估的重要数据来源。
[0202]
所述的影响要素指标预测模块：根据分解集成的理念，首先对影响要素类型进行划分，不同的要素与所对应影响参数之间具有不同的结构特点，从变量与因变量之间是否具有线性结构关系，可以将要素指标进行初步分类，根据预测模型优选机制从模型中选择
适合的方法进行拟合预测，并给予历史数据的统计与分析，得到要素指标值预测结果。
[0203]
所述的风险评估模块：根据指标预测值，判断出预测值与该项指标平均值的差别，最终综合评价出项目建设目标实现的风险与潜在问题。例如降雨量的数值明显高于其他数值，项目存在由于降雨量过大对项目建设安全、进度带来的不利影响，要进行重点管控和规避。
[0204]
较佳的，本实施例所述建设目标定义及影响因素分析从工程进度、质量、成本、安全等多个维度进行建设施工目标定义，然后运用系统动力学方法从技术要素、自然要素、政策要素等方面，科学全面识别建设目标影响要素，明确影响机理。然后进行影响因素度量分析，结合相关指标数据收集与整理，采用主成分分析法，得到因素在主成分上的载荷，对不同要素对于建设目标的影响程度进行分析与判断。选取主要影响因素作为风险判定的主要指标。所属影响因素预测及计算，结合不同因素类型与特点，选取适合的预测方法对因素进行预测计算，并根据预测结果作为风险评估的主要依据。基于预测值的风险评估，是结合预测模型结果，将各个指标的预测值与相应因素的平均目标值进行对比，综合评价出当前施工建设目标的主要风险。为后续加强项目建设管控与各专业管理工作，规范配电网建设全过程管理，为进一步推广先进模式的落地实施提供抓手与保障。能够进一步提升配电网项目建设管理精细化水平。
[0205]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。