張 穎,劉倩倩，成嘉楠，吳 越，蔡人立

(國網江蘇省電力有限公司南通供電分公司,江蘇 南通 226000)

0 引言

2020年，中國國家電網公司提出了建設具有中國特色國際領先的能源互聯網企業(yè)目標[1]，與之配套的電力新基建工作逐漸增多[2]。為確保電力建設工程如期完成，電力施工進度管理顯得尤為重要[3-4]。傳統的電力施工管理主要依賴人工進行檢查、對比和分析，從而發(fā)現施工過程中存在的偏差[5-6]。但電力監(jiān)理人員的水平參差不齊，施工進度檢查結果差異大，電力施工存在風險預警準確率低的問題[7]。

國內外許多學者對提高電力施工進度風險預警準確率作了大量研究。文獻[8]提出了一種基于甘特圖的電力施工進度風險預警方法，通過分解電力施工步驟，建立對應的建造增長甘特圖，并按此進行檢查和風險預警。文獻[9]提出了一種基于工藝信息庫的電力施工進度風險預警方法，通過建立電力施工各環(huán)節(jié)的工藝信息庫，實現對電力施工進度風險的預警。文獻[10]提出了一種基于自動化施工管理的電力施工進度風險預警方法，通過建立交叉施工、物料運輸等自動流程，實現電力施工進度風險預警。文獻[11]提出了一種基于信息系統的電力施工進度風險預警方法，通過管控施工過程中的建設和資金支付流程，實現對電力施工進度風險控制。文獻[12]提出了一種基于變量管理的電力施工進度風險預警方法，通過控制施工過程中的時間和造價等變量，實現對電力施工進度風險的控制。由此可見，電力施工進度風險預警方法多樣，且取得了一定的成績。但上述研究中，各施工環(huán)節(jié)的關聯信息不夠，電力施工進度風險預警準確率低。

為解決電力施工進度中存在的風險預警準確率低的問題，本文提出了一種基于反向傳播(back propagation,BP)神經網絡的電力施工進度預警方法。該方法首先將電力施工的任務與電力施工三維模型進行綁定，并建立電力施工進度預警庫；然后，采用BP神經網絡對各施工任務進行關聯分析，對存在問題的施工任務進行預警。

1 電力施工進度預警框架

本文所述的基于BP神經網絡的電力施工進度預警方法主要包括4個部分，即電力施工三維模型構建、電力施工任務關聯、電力施工預警庫構建和電力施工進度預警。

電力施工進度預警框架如圖1所示。

圖1 電力施工進度預警框架圖Fig.1 Frame diagram of early warning of power construction progress

在電力施工三維模型構建環(huán)節(jié)，通過對電力施工現場實物的數字化檢測和傳感器數據采集，實現電力施工物理世界向虛擬特征的映射。在對電力施工歷史、當前、未來數據進行仿真的前提下，建立電力施工三維模型。電力施工任務關聯環(huán)節(jié)是在電力施工三維模型的基礎上，增加甘特圖進度、成本等屬性，直觀地展示電力施工建設的進展情況。電力施工預警庫構建環(huán)節(jié)是在電力施工三維模型構建的基礎上，建立電力施工進度各關鍵環(huán)節(jié)的評價預警庫，并采用熵權法對評價指標權重進行調整。在電力施工進度預警環(huán)節(jié)，采用BP神經網絡，通過電力施工三維模型對施工歷史、當前進度進行分析，并對未來的電力施工情況作出預測，從而在電力施工進度出現風險時進行預警。

2 電力施工預警建模

2.1 電力施工三維模型

三維模型是對電力施工各類物體的多邊形展示，是電力施工各類實體設備在虛擬世界中的映射[13-14]。通過對當前、歷史數據分析，可實現對電力施工未來信息的預測[15]。

①數字化檢測。

首先，采用攝像頭獲取電力施工現場的視頻數據。然后，提取電力施工現場圖片數據的特征，對電力施工現場進行數字化檢測。最后，結合電力施工現場數據的特點，開展電力施工現場數據的價值挖掘，并與相對應的電力施工現場實體對象的設計和施工情況表征相結合，使業(yè)務機理與數據特性深度融合。這可以實現電力施工現場物理世界與信息虛擬世界數據的實時交互與耦合，促進電力施工現場電網的智能化。

②傳感器數據采集。

在電力施工現場，采用溫度、濕度、風速等傳感器對電力施工現場的特征數據進行采集[16]，以實現虛擬世界的測量數據更新。

③數據仿真。

數據仿真時，通過模擬施工進度的過程，展現施工現場的計劃進度、實際進度，以及計劃進度和實際進度偏差情況。以施工進度數據驅動模型變化，真實模擬施工現場從無至有的過程，從而實現施工進度可視化模擬，對電力施工進度予以管控。

在電力施工現場的生產過程數據中：首先，進行量測與數據融合監(jiān)測；然后，將仿真分析模型的參數傳遞到電力施工現場定義的全三維幾何模型，并在此基礎上將數據傳遞到電力施工現場的物理設備，以實現數字化檢測系統；最后，將數據反映到電力施工現場模型中，使電力施工現場生命周期各個環(huán)節(jié)的數字化模型保持一致。這可分析電力施工歷史、當前的施工進度情況，并對電力施工進度的未來信息進行預測。

④建立三維模型。

通過對電力施工三維模型進行二次加工，向三維模型賦予更多的設計屬性，包括模型基本屬性信息、對應產品信息、物料信息、工藝信息、質量信息、設計信息以及對應的施工任務信息、狀態(tài)屬性等。通過對電力施工三維模型屬性進行分析，再作三維展示。三維數據比二維數據更全面、客觀。三維數字模型具備最基本的空間數據處理能力，如數據獲取、數據清洗、數據組織、數據分析和數據表現等。

在數據仿真的基礎上，采用尺度不變特征轉換(scale-invariant feature transform，SIFT)[17-18]建立電力施工現場三維模型。

SIFT中，積分后集合可表示為：

(1)

從二維數據映射到三維后數據為：

(2)

式中：ya、yb為電力施工現場積分后的二維數據點；s為映射的時長；σ為轉化函數。

在電力施工三維模型中疊加測量數據，可實現電力基建施工的全域監(jiān)測。

2.2 施工任務關聯

①電力施工任務關聯。

關聯規(guī)則算法是一種挖掘頻繁項信息的算法，可有效地將電力施工進度信息與三維模型相結合。

本文在電力施工三維模型的基礎上，增加甘特圖進度、成本等屬性，直觀地展示電力施工建設的進展情況。

首先，利用三維模型模擬施工現場施工過程，將三維模型按照最小施工單元劃分；然后，將電力施工三維模型與施工計劃進行綁定，在模擬施工計劃的過程中支持按照施工計劃時間軸逐步加載三維模型，以實現施工過程和施工進度的動態(tài)模擬。挖掘頻率結合為：

(3)

式中：G為單個數據項信息；Gall為所有的數據項信息。

提升度概率為：

(4)

式中：P為電力施工任務原始數據；Q為關聯數據；U為置信度。

通過式(3)、式(4)，將電力施工進度信息與三維模型緊密關聯。

②電力施工三維變更。

結合電力施工情況，進行施工變更。在項目設計階段，利用三維模型的直觀性，可以提前發(fā)現設計圖紙中存在的問題，并在項目開工前規(guī)避這些問題。正式開工前，通過對場地布置的三維建模，分析項目材料的堆放、設備的進場情況，得出最佳場布方案。在施工準備階段，通過碰撞檢測及凈高分析，提前發(fā)現設計不合理的地方及各專業(yè)之間的碰撞問題，并通過施工深化設計對施工方案進行優(yōu)化，從而提前解決施工過程中會產生的問題?；谌S技術搭建協同管理平臺，對模型與清單進行關聯；基于三維數字化模型聯動性的特點，在設計變更后，可通過修改模型快速統計出工程量的變化。設計開發(fā)的變更流程管理功能，通過平臺管理變更流程，實時掌握變更的處理情況。

2.3 電力施工預警庫

在電力施工三維模型的基礎上，首先建立電力施工進度各關鍵環(huán)節(jié)的評價預警庫。電力施工預警庫如表1所示。

表1 電力施工預警庫

然后，采用熵權法對評價指標權重進行調整。設貢獻度φ為：

(5)

式中：w為電力施工預警庫的初始權重，w=(w1,w2，...,wn)；n為施工預警庫的指標總數；z為聚類中心數量；l為隨機的聚類值；lce為中心值。

采用熵權法更新的權重wnew為：

(6)

2.4 施工進度分析

BP神經網絡是一種全鏈接的神經網絡[19-20]，可用于電力施工進度分析。

采用BP神經網絡，通過電力施工三維模型對施工歷史、當前進度進行分析，并對未來的電力施工情況作出預測。當電力施工進度出現風險時，進行預警。

電力施工進度預測數據Fout為：

Fout=θ[ws(Fin)×tanhFin]

(7)

式中：θ為電力施工的激活函數；tanh為存儲函數；ws為電力施工的權重；Fin為輸入的電力施工進度歷史數據。

當施工進度預測數據出現風險時，模型進行預警。

3 電力施工進度預警仿真流程

基于BP神經網絡的電力施工進度預警仿真流程如圖2所示。

圖2 電力施工進度預警仿真流程圖Fig.2 Simulation flowchart of early warning of power construction progress

電力施工進度預警仿真流程如下。

①加載電力施工現場數據及施工進度數據。

②建立電力施工三維模型，并將模型與建設任務計劃相關聯。

③建立電力施工進度各關鍵環(huán)節(jié)的評價預警庫，并調整評價指標權重。

④對施工歷史、當前進度進行分析，并對未來的電力施工情況作出預測。當電力施工進度出現風險時，進行預警。

4 算例分析

為驗證本文所提的基于BP神經網絡的電力施工進度預警方法的有效性，在某省電力公司的電力施工現場進行驗證。運行環(huán)境為：操作系統windows server，中央處理器，至強8核，內存32 GB。

以下從電力施工進度預警時長和準確率這2個維度進行分析。

①電力施工進度預警模型運行時長。

電力施工進度預警模型的運行時長是反映電力施工進度預警模塊處理速度的關鍵指標。電力施工進度預警模型的預警時長越少，模型處理任務的能力也就越快。

選擇電力施工進度預警數據為5條、10條、20條、30條、40條、50條、80條、100條，對比本文所提方法與動態(tài)模糊算法模型的處理時長。電力施工進度預警時長對比如表2所示。

表2 電力施工進度預警時長對比表

由表2可知，本文所提方法在電力施工進度預警時長方面短于動態(tài)模糊算法模型。

②電力施工進度預警準確率。

電力施工進度預警準確率是施工進度關聯的關鍵指標。該指標為成功預警的數量與預警的總數的比值，取值范圍在0～1之間。該值越大，準確率就越高。

選擇電力施工進度預警數據為1 000條、2 000條、3 000條、5 000條、7 000條、8 000條以及10 000條，采用本文所提方法與動態(tài)模糊算法模型對比預警準確率。電力施工進度預警準確率對比如表3所示。

表3 電力施工進度預警準確率對比

由表3可知，本文方法和動態(tài)模糊算法的平均準確率分別為99.73%和92.22%。

5 結論

為解決電力施工進度中存在的風險預警準確率低的問題，本文提出了一種基于BP神經網絡的電力施工進度預警方法。首先，將電力施工任務與施工現場模型綁定，提高預警分析的細粒度。然后，建立電力施工進度預警庫，并通過熵權法調整指標權重、通過BP神經網絡對電力施工進度進行評估，從而對存在的進度風險進行預警。最后，通過在某省的電力施工作業(yè)現場應用，驗證了本文所提方法的有效性。