摘要：随着大数据技术的不断成熟完善,进一步推动了数据中心在硬件设施和软件资源方面的标准化和虚拟化。对于电力企业来讲,云计算的应用给电力数据中心的运维管理带来了新的发展,同时也对企业的数据处理技术和设备提出了更高的要求。本文以200条历史数据为例，利用模糊神经网络算法对其进行了分析并在此基础上对新的电力工程造价进行了预测，分析结果能够满足现有的工程应用需求。文中的研究内容，对提高电力工程数据的利用水平和工程管理能力具有重要意义。
关键词：电力工程数据；人工智能技术；模糊神经网络；聚类分析；数据训练
引言
随着我国特高压输电线路工程的发展，电力工程的建设也逐步成为一个复杂而庞大的工程，因此对工程项目的建设和工程管理也提出了新的要求。同时，由于建设过程中涉及到各个方面的协调配合，工程数据规模大、种类多，传统的工程数据管理方法已经难以满足实际工程的需求[1]。而近年来计算机技术和人工智能技术的快速发展为电力工程数据的分析和研究引入了新的方法[2]。针对电力工程数据量大、种类多、处理难度大等问题，本文提出了一种基于人工智能技术的模糊神经网络算法对电力工程数据进行处理和分析。模糊神经网络算法属于人工智能技术算法的一种，能够对大量无则的历史数据进行分析和处理，并从中提取有用信息和数据规律，从而完成对工程造价的预测，并指导工程项目管理。本文的研究内容对提高我国电力工程管理水平具有重要意义。
1人工智能
人工智能学科是从计算机科学领域衍生出的重要分支，这种技术的发展，为现代社会发展带来了深刻影响。从人工智能的概念来看，这种技术以了解智能本质，生产能够与人类智能相似的职能及其为重要目标。人工智能也可以分为“人工”与“智能”两个部分，其中，“人工”指的是人工智能是人类研发和制造的产物，也是科学工程的产物，当然，由于基因工程所具有的科学基础和人工智能存在明显差异，因此，人工智能中的“人工”与生物工程中的“人工”并不相同;“智能”则指的是人类的或者与人类相似的认知能力、记忆能力、思考能力乃至想象能力等，也表现为环境适应能力、学习能力以及反应能力等。综上，人工智能是一种以计算机技术形态为存在形式、能够对人类思维进行模拟的技术。人工智能技术所运用的理论非常复杂，包括模糊神经算法、遗传算法等，并以非线性函数方程作为基础，以此可以看出人工智能技术的复杂性。针对人工智能的研究，涉及了很多个方面，当前比较典型的研究方面包括神经网络、专家系统、模糊逻辑、机器学习等。其一，机器学习是人工智能技术的关键性部分，具体来说则是，运用计算机，去学习已经存在的数据，掌握其内部规律，从而获得相应知识，以实现计算机智能化的目的。其二，模糊逻辑，这部分则是以总结经验方式，获得隶属函数以及隶属度，让逻辑中非0即1到0-1的转换，也就能让计算机处理更符合工程实际。其三，专家系统则是通过构建知识库的方式，提升本系统的知识水平，同时提升推理水平，以更有效地解决本领域中高难度的问题。其四，人工神经网络则是通过大量节点也就是神经元，实现各个节点之间的信号传递，此时就会被赋予加权值，然后进行信号分析处理，也能实现信息的存储。
2数据挖掘算法
基于人工智能技术的数据挖掘方法是指从大量工程数据中提取有用信息的过程，由于其作用对象是大量实际记录数据，因此本身就面临着数据量大，数据噪声多，规则提取困难等问题。通常为更好地实现有用信息的提取，一个完整的数据挖掘技术通常包含：选择抽样、数据处理、数据转换、挖掘模型以及数据评估6个过程，如图1所示。
.png)
图1数据挖掘技术模块
在实际电力工程中，为解决数据处理和信息提取工作，通常采用的数据挖掘技术有：统计分析方法、决策树法、神经网络法、模糊逻辑算法以及遗传算法等。由于模糊神经网络算法结合了神经网络的学习优势和模糊系统的逻辑容错能力，因此，在电力工程数据处理以及工程造价预测方面有着重要应用。在应用神经网络对电力工程数据进行处理和预测时，首先需要处理的问题是模糊系统参数的获取以及模糊规则参数的辨识[3]。其中，模糊系统参数的获取又包含了模糊规则数目的确定和隶属度的计算[4]。由于实际情况的复杂多样性，在采用模糊神经网络算法时，首先需要通过聚类的方法将数据空间划分为几个模糊数据集，然后通过训练获得隶属度函数并得到所需要的输出。如图2所示为一个简单的模糊神经网络模型示意图。
.png)
图2模糊神经网络模型示意图
如图2所示，N，N1，N2，…，NR代表不同数据集的神经网络系统，其中神经网络N的主要功能是用于完成各个子网络的隶属度参数辨识，每个子网络代表不同的模糊规则，当所有子网络训练完成之后，按照各自的权重确定网络的最终输出。
3数据预处理
分析电力工程数据时，需要对工程涉及的大量数据进行有目的地筛选，最大可能的在保持原数据信息的基础上，找到代表工程数据属性的数据集合。通常电力工程数据都是以数值形式存储的，因此本文采用贝叶斯分类器作为评价函数。贝叶斯方法是一种基于数学统计理论对大量数据进行分类的常规方法[5]。假设数据集为S，样本属性用X1，X2，…，Xn来表示，同时，现有的数据种类用C1，C2，…，Ck来表示，则对于一个新的样本数据，属于某一类Cj的概率为：
.png)
g用于表示数据分布概率的高斯密度函数，均值为0，方差为1。以某一电力工程数据为例，评估100个数据节点，并将节点对应的数据属性进行规律，最终得到电力工程的输入数据和输出数据属性如下：输入集：{电压等级，线路回数，运输距离，地形系数，线路长度}输出集：{运输工程，基础工程，架线工程，附件工程}。
4数据模型建立
有上一小节对电力工程数据的分析结果可知，由于工程数据的多样性，数据的输入和输出均是多元的，因此数据分析的本质是属于一个非线性映射问题，所以在选择人工智能算法时，可以将模糊神经网络算法作为工程数据处理的核心算法，从而建立电力工程造价的估计模型[6]。模糊神经网络算法结合和常规神经网络算法对数据的学习机制以及模糊系统的推理能力，既有获取数据规则的能力，同时有具有强大的网络容错能力，在处理复杂的非线性数据方面具有独特的优势。具体流程图如图3所示。
.png)
图3神经网络算法流程图
5模型仿真
对电力工程数据的处理原始数据是经过数据预处理以后的200条历史数据，输入数据包含5个属性，输出数据包含4个属性，见表1。
表1 电力工程输入和输出数据属性集
.png)
对数据分类完成之后需要利用模糊神经网络对隶属度函数进行调整，计算过程中将样本分为4部分，将所有样本分为3部分，其中训练集、测试集和验证集的样本个数分别为120个，40个和4个，迭代500次停止运算，最后得到的规则隶属度输出如表。同时，为验证结果的相关性，得到模糊神经网络算法输出结果和实际网络输出结果之间的线性关系如表3。
表3 网络N的回归分析结果
.png)
上述结果运算表明，利用模糊神经网络算法能够对电力工程数据进行分析和处理，并且在一定程度上能够利用模糊神经网络得到的数据规则，对电力工程造价水平进行预测[7]。如表4所示为通过对200组历史数据进行模糊神经网络提取数据规则，然后对特定的工程进行工程造价预测。
表4 模型仿真结果输出（万元/km）
.png)
表4中，N1，N2，N3，N4分别表示运输工程，基础工程，架线工程和附加工程的造价。由仿真结果可知，预测值和实际值的平均相对误差均＜0.1，可以满足工程应用的需求。说明该算法对于不同的工程数据具有一定的分析应用能力，能够实现对电力工程数据的分析和预测，并根据历史数据给出一个合理的参考值对电力工程数据的处理以及工程的实际应用具有指导意义。
结束语
本文提出了一种基于人工智能技术的模糊神经网络算法对电力工程数据进行分析处理。以电力工程历史数据为例，首先利用K-mans算法对样本输入空间进行聚类分析并生产相应的隶属度矩阵，然后利用神经网络算法对数据进行训练并将样本数据进行了回归分析。最后根据本文提出的模糊神经网络算法对另一电力工程数据进行了预测分析，预测结果误差能够满足工程应用的需求。本文提出的基于人工智能技术的模糊神经网络算法对电力工程数据的分析和处理具有重要应用价值和指导意义。
参考文献
[1]李菲菲,关杨,王胜文,张海涛,杜文强.信息生态视角下供电企业数据资产管理模型及价值评估方法研究[J].情报科学,2019,37(10):46-52.
[2]许骏龙,葛志松,陈琪,穆志君,周方.以电力数据为例浅谈数据质量的重要性及优化方法[J].电脑知识与技术,2019,15(13):271-272.
[3]吴博,彭勇,刘宏宇.提高电力统计数据质量真实性及准确性的分析[J].城市建设理论研究(电子版),2019(12):6.
[4]张宁,唐佳,刘识,广泽晶,李成巍,郭小溪,杨芳.软件定义网络在电力数据网中的应用方式研究[J].电力信息与通信技术,2019,17(04):28-33.
[5]龚钢军,魏沛芳,孙跃,张桐,杨海霞,刘向军,文亚凤.区块链下电力数据的统一监管与共享交易模型[J].信息技术与网络安全,2019,38(03):57-62.
[6]辛苗苗,张延迟,解大.基于电力大数据的用户用电行为分析研究综述[J].电气自动化,2019,41(01):1-4+27.
[7]高骞,徐超,杨俊义,张飞,顾姝姝.云计算视野中的电力大数据分析技术与应用[J].中国经贸导刊(中),2019(01):119-120.