TELKOM NIKA , Vol.12, No .4, Dece mbe r  2014, pp. 77 3~7 7 8   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v12i4.439    773      Re cei v ed Au gust 12, 20 14 ; Revi sed O c t ober 2 9 , 201 4; Acce pted  No vem ber 1 2 ,  2014   Cost Forecastin g Model of Transmissio n  Project based  on PSO-BP Method      Yan Lu 1,  Don g xiao Niu 2 , Bingjie Li 3 , W e idong Liu 4   1,2, 3 School of E c onom ics and  Mana geme n t, North Ch ina El ectric Po w e r U n iversit y , No.2,  Beino ng R oad ,  Huil on ggu an,  Cha ngp in g Dis trict, 102206, B e iji ng, Ch ina, P h ./F ax: 617 73 0 7 9   4 State Grid Z hejia ng El ectric Po w e r C o mpa n y  Ec onom ic R e searc h  Institute, No.1, Nanfu  Roa d ,  Shan gch eng D i strict, 31000 8, Z heji ang, Ch in a  e-mail: h d lu ya n @ 16 3.com 1 , niud x@ 126.com 2 , crazyjen n y l e e@1 63.com 3        A b st r a ct   In order to sol v e bei ng sens i t ive to the initi a l w e ights, slo w  convergenc e, bein g  easy to fall into   local   min i mu m and  oth e r pro b le ms  of the  BP ne ural  net w o rk, this pap er intro duc es the Partic le Sw a r m  Optimi z a t i o n   a l gorit hm into t h e Artificia l  Ne ur al N e tw ork trainin g , an d const r uct a BP n eur al n e tw ork mo d e l   opti m i z e d  by th e particl e sw arm opti m i z a t io n.  T h is  metho d  can spe ed u p  the conver genc e  and i m prov e the   pred iction  acc u racy. T h rou gh  the a nal ys is  of the  main  facto r s on t he c o st  of trans missi on  lin e  proj ect, di g   out the  p a th  and  le ad  facto r s, topogr ap hy  an d  met eoro l ogic a l fact ors, the t o w e r an d the  tow e r b a s e   mater i als  a nd  other factors.  Use th e PSO- BP mod e l for   the c o st foreca sting  of trans mission  li ne  pro j ect   base d  o n  hist orical  pro j ect  data. T he r e s u lt show s  that   the metho d  can  pr edict  the cost effectiv ely.  Co mp ared  w i th  the tra d iti ona l  BP ne ura l  n e tw ork, the  metho d  ca n  pred ict w i th h i gh er  accu racy, an d c a n   be   gen eral i z e d   an d app lie d in co st forecasting o f  actual proj ects.    Ke y w ords : PSO, BP neural n e tw ork, 110kV transmissio n  li ne, cost foreca sting       1. Introduc tion    To meet the  so cial de ma nd for el ect r i c ity, the power g r id a r ou n d  ha s bee n  c o ns tr uc te d  mu c h  fa s t er .T h e  in fr as tr uc tu r e  in ves t me n t  o f  th e Sta t e  G r id C o r p or a t io n is  maintaine d  a n  ann ual g r owth  rate of  over 1 0 %.A rea s o nable  determi natio nto the  co st of   con s tru c tion   proje c ts is i m porta ntto improve  th e  returns  of the po wer gri d  investm ent . At  pre s ent, it’s  mainly throu g h  the bud get quota shall to  estimate a c curately the p r oject cost [1], but  this m e thod  ha s b een  incre a sin g l y  unabl e t o  me et the  re quiremen t s of  econ omic  development.In the c ontex t of not c o mpletely c o llec t ing t he amount of informat ion, it’s  hard  to  predi ct the  p r oje c t cost q u ickly and  efficiently.  The r efore, the in trodu ct ion of  advan ced cost   forecastin g method s an d the  improvementof cost pre d icti o n  accuracy  have impo rtant  signifi can c e.   Many schol ars and  expert s  laun ch ed a  studyin  the fi eld of po wer  engin eeri ng cost, but   mainly co nce n trated in fa ctors affe cting  cost,  cost  co ntrol an d ma nagem ent an d other a s p e cts,  relat i v e ly  f e w e r st u d ie s on  t he co st  f o re ca st ing  model. Literature [ 2 ] us es the fuz z y  math theory,  and estim a te the co st of th e proje c t to be buil tthrou g h  calculatingth e  clo s e deg re e betwee n  the   compl e ted  project s  an d th e proje c ts to  be built;  litera t ure [3] ad opt s a li nea r reg r essio n  mo de l to   predi ct the  cost; literatu r e  [4] holds  a regre s si on  an alysis  on the  key imp a ctiv e facto r s  on  the  co st, usin g m u ltiple linea r regre s sion  an d factor   adju s tment to e s tablish a com p reh e n s ive cost   forecastin g m odel fo r the t r ansmi ssion  p r oje c t; liter atu r e [5] u s e s  th e GM (1,1) m odel to  esta bl ish  two pri n ci ple s  calcul ation  model s, wh ich was  use d  to com p ile the estimate s of the po wer  engin eeri ng p r oje c ts.In the  appli c ation of  artificial  ne ural netwo rk, literatu r e [6] usesthe  co st da ta  of histo r ical p o we r e ngine e r ing  proj ect s  for  ANN traini ng, and  ado p t s the n e w A NN  after train i ng  to the  co st fo recastin g of  n e w  po wer pro j ects;  lite r atu r e [7] propo se d an  app ro ach ba se d on  the  combi n ing m e thod of gray relational  an alysis  a nd th e neu ral net work; literatu r e [8] propo se d a  co st fore ca sting method ba sed o n  BP neural net wo rk  of the transmi ssi on line p r oj ects.     Ho wever, the  BP neural  netwo rk algo rithm  exist s   probl em s ofb e ing  sen s itive to the   initial wei ghts, easy to fall  into local minimum  an d sl ow  conve r ge nce [9], so we introd uce t h e   PSOalgorith m based oni d eas of glo bal  stocha stic  op timization, an d adopt the P S O-BP algo rithm  tothe tran smi ssi on line  co st foreca sting.      Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4:  773  – 778   774 2.    Analy s is of  The In fluenc ing Fac t ors   of  T h e T r an smission Pr oject  Co st Based  on  The   Fishbone Diagram   The tra n smission li ne p r oj ect cost i s  rel a ted to  ma ny factors [10].  The  co st per  length i s   clo s ely relat ed to the  voltage level s , terrai n , we ather, to we rs, wire s,  stee l, con c rete a n d   earth wo rk,  etc. F r om  the  perspe c tive  o f  co st fo re ca sting, extractt he m a in fa ct ors affe cting  the  level of its costba se d on a ne w tra n smissi on lin e  of ce rtain vol t age level th e, sho w e d  a s  the   Figure 1:  (1) Path an d wire fa ctor s   The p a th le ngth di rectly  affects th e  amount  of wire an d to we rs vol u me, there b y  affecting the  material  a c quisitio n  cost s an d  con s truction  co sts;  the choi ce  of wire mo d e l is  determi ned  b y  the tra n spo r t capa city of  the lin e, an d  the p r oje c t  costa c count s  about  20% of  its   body  co st, indire ctlyaffects the i n fra s tructu re   proje c tsco stsof th e tower  pa rt [9]. The p a p e r   sele ctsth e  si ngle line len g t h, wire volu me and wi re  price as ind e x  to reflect the path and wires   f a ct or s.       Figure 1.  Analysis of the i n fluen cing fa ctors  of the transmi ssion p r oje c t of certa i n voltage  level based o n  the fishbo n e  diagram       (2) T opog ra p h ical a nd met eorol ogi cal fa ctors  Different te rrain di re ctly affects th e e a se  of tra n smission  line  engi neeri ng  co nst r uctio n ,   tower-b a sed  form and  hu man tran sp ort distance.Th e terrai n  is di vided into hill s, mountai no us,  mountain s , m a jesti c  mou n tains a nd  slou gh.This  pap e r  com b ine s  th e increa se d costs  coeffi cie n t  of variou s types of terrain  and terrain a c counte d   given in the qu ota to cal c ulate a  com p re hen siv e   value, and  u s e s  the inte g r ated te rrain  coeffici ent  to  sho w  the  effect of top ography on  co st . In   addition, met eorol ogi cal fa ctor is al so o ne of t he important facto r s affecting th e co st of power  transmissio n  lines,  wind  a nd ici ng  hav e speci a l re quire ment s to the  sele cti on of  wire s  and  towers .     (3) T o we r an d tower b a s e  material fa cto r s   The dete r min a tion of towe r sel e ctio n, towe r an d other mate rial s shoul d con s ider the   path of th e li ne, voltage  levels, the  nu mber of  lo op s, terrain,  we ather  and  ot her fa cto r s,  and   these  acco un t for a la rge  prop ortio n  of  the co st  of th e line e ngin e ering  body. If the sel e ctio n  of  transmissio n line co rrid o r become s   m o re difficult  a n d  the tortuous  path  c o efficient inc r eases , i t   will cause increase s of strain, corner towers  and material consum ptions, as a result, the body  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Co st Fore ca sting Model of Tran sm issi on  Project ba se d on PSO-BP  Method (Yan  Lu)  775 investmentin crea se s, and  therefo r e, the numb e r  of  strain a nd  corne r  towe r is one of t he  importa nt factors affe cting  co st.    (4) Oth e r fa ctors   Earthwork an d con c rete a m ount influe nce o n   the constructio n   costs of  tran smissi on   lines  a lot. Other m a terial s  use d  in po we r tran sm i ssi o n   line s ,  su ch as  the steel consumption a nd  price alsoaffe ct great o n  its cost an d are  t he criti c al se ctionof con s truction  work costs.       3. The Cos t  Foreca sting  Model of Tra n smission Project  Base d  on The PSO-BP Me thod   3.1 The Ba sic Models     (1) BP neu ral  networ k   BP neural  n e twork i s  a  multilayer f eed-fo rward  netwo rk t r ai ned by e r ro r ba ck- propagation algorithm.It’s widel y used and has a strong ge nerali z ation ability and fault  tolerance.  BP neural  net work can l e arn and  st ore input - output rel a tionship m apping.It’s  learni ng rule i s  the ste epe st  desce nt method, an d  throug h the   back-pro pag ation, con s ta ntly  adju s ting th e  wei ghts an d  thre shol ds o f  the net wo rk, so th at the  sq uared  error  rea c h e s the  minimum [11] -[12].    (2) Pa rticle  swarm optimization algo rith m  The PSO first is to gen erate a fea s ible sol u tion,  and then t he obje c tive  function  determi ne a  fitness val u e  [13].Each p a rticle  will m o ve in the  solution  spa c e ,  and spee d  will  determi ne its direction and distan ce [14]. Typically,  the particl es  will follow the current opti m al   particl e, an d throu gh  se arching e a ch g e neratio n to  fin d  the o p timal  solutio n . In e a ch  gen eratio n,  the parti cle s   will tra ck it s optimal soluti on f ound  so  far and th e two extre m e s  of the optim al   s o lution found s o  far [15].       3.2 The PSO-BP Hy brid  Algorithm a nd Its Implementa tion   From  a poi nt of mathem a t ical view, th e BP algo rithm natu r eta k es the  erro r  sum  of  squ a re s  as t he o b je ctive functio n , an d  finds th e mi ni mum  with th e g r adie n t m e thod.The r ef ore,  the squa red   error fu nctio n  is  po sitively definit e, oth e rwi s e  the r e  must exi s t a  local minim u m  points; the P S O algorith m  essentially b e long s to  a ra ndom o p timization process, and there i s   no   local  co nverg ence p r oble m s.The fiel d  whe r e th e PSO  is m o st  widely u s e d  i s  optimi z atio n [16].   Therefore,  co mbinethe PS O and BP ne ural n e two r k, and the  step sof this algo rithm (PSO-BP )  is  s h ow n  in  F i gu r e  2 .       4. Case Stud y  4.1 Parameters Setting   In ord e r to ve rify the validity of PSO-BP algor ithm us ed  in  co s t  for e c a s t in g  o f  th e p o w er  transmissio n line proje c ts, the pape r sel e cts  43 sets   of data of 11 0kV lon g  line  (> 1 k m ) proje c ts  in Zhejian g  p r ovince.We  select 34  sets of data as  th e training  sa mples, a nd the re st of the 10   sets a s  te st  sample s, an d  use  the BP  al gorithm  an d t he PSO -BP a l gorithm  top r e d ict, an d  ca rri es  on the co ntra st analysi s .   In this pap er,  a BP neural  netwo rk  with  3 laye rs is u s ed: the numb e r of neu ro nsin input  layer is set to  14, and they arethe1 4 factorsscre ene d in these c on d se ction; the hidden laye r is  determi ned  b y  trial a nd  error m e thod,  a nd eve n t ually  identified  29   neuron s; the   numbe r  of o u t pu t  layer is 1, an d it’s the co st per length of  eac h p r oje c t  .The transfe r function u s e d  in the hidd en  layer i s  lo gsi g , and  the  pu relin i n  the  o u tput layer.  T he training  fu nction  is train gdm, the  trai ning   times of  network is 10 000,  and th e e r ror  of trainin g  g o als i s   1e-5. T he n u mbe r   of parti cle s  i s  2 0 ,   the evolution  times is 20, the maximum  allowabl e  nu mber of iterat ions is 2 0 , the accele ratio n   con s tant s c1 i s  2.8 and  c2 i s  1.3, and the  maximum sp eed limit of Vmax is1.         Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4:  773  – 778   776   Figure 2.Steps of the PSO-BPalgorithm       4.2 Resul t s   Before th e  sa mple d a ta i s  i nput to th e n eural  net wo rk, norm a lize t he d a ta a c co rding  to   the formula (1).     m in m ax m in ' XX X X X   (1)     Figure 3  an d Figu re  4  are th e the  test sample   fitting maps  for tra n smi ssion line  engin eeri ng  with BP al go rithm an d PS O-BP al gorith m . Figu re  5 i s  the  comp arison  chart  of  the  predi cted val ue and the  a c tual value of  transmi ssion  line based o n  BP algorith m  and PSO-BP  algorithm. T h is paper  select s  the mean absol u te  percenta ge error  (M APE)to judge the  forecastin g effects, and the  formula is:     1 1 n ii n i OD M APE ND   (2)           Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Co st Fore ca sting Model of Tran sm issi on  Project ba se d on PSO-BP  Method (Yan  Lu)  777   Figure. 3 The  test sampl e  fitting map  based on BP algorith m        Figure. 4 The  test sampl e  map ba sed o n   PSO-BP algorithm          Figure. 5 The  compa r i s on  map of the fore castin g and  actual value  based on BP and PSO- BP algorithm       The detaile d result s are  sh own in the Ta ble 1:    Table.1 Th e fore ca sting an d actual valu e based on B P  and PSO-B P algorithm   Project No.  Actual Value  Forecasting Value  (BP)  Forecasting Value  (PSO -BP )   Relative Error  (BP)  Relative   Error   (PSO -BP )   35 83.69   84.44   83.79   0.90%   0.12%   36 63.13   59.80   56.00   5.27%   11.29%   37 44.37   48.91   44.32   10.25%   0.10%   38 68.90   66.84   68.92   2.99%   0.03%   39 86.06   87.26   86.13   1.39%   0.08%   40 43.11   43.39   48.60   0.65%   12.74%   41 80.01   64.74   79.99   19.08%   0.02%   42 107.19   113.52   107.15   5.91%   0.03%   43 67.31   73.19   73.86   8.74%   9.74%   44 47.11   51.81   47.10   9.98%   0.02%       Usi ng the equation (2)  we can obtain t hatthe MAPE of  the BP algorithm i s  6.52%, and  3.42%ba sed  on PSO -BP algorith m .This i ndi cate s that the   PSO-BP mo del ha s  obv ious  advantag es o n  improvin gth e  forecastin g accuracy.       5. Conclusio n   (1)  This pa pe r d i gs an d anal yses the m a in fact orsaffe cting the cost of the transmissio n line   proje c tba s e d   on the fish bo ne diag ram f r om fo u r  a s p e cts  of the p a th and le ad,  topography  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4:  773  – 778   778 and meteo r ol ogical factors, the tower an d tower b a se material s an d  other facto r s.   (2)  This pa pe r combine s  the  particle  swa r m optimization algo rithm  and BP neural net work,  prop osi ng th e PSO-BPforeca s ting  mo del.Throug h  the a c tual m easure m ent  of the p o we r  transmissio n l i ne p r oje c ts i n  Zheji ang P r ovince,  we  ge t the co st of t he a c tual  eng ineeri ng.Th e  predi cted  re sults sh ow th at, the appli c ation of PS O-BP model  in transmission lin e co st  forecastin gha s goo d ap pl ication effe cts of  fast co nverge nce speed a nd hi ghpredi ction   ac cur a cy .   (3)  The p r e d ictio n  mod e l PSO -BP ca n u s e  the gl obal  se a r ch  ability to  optimize  the i n itial weight s  value, so th a t  can   solve t he p r o b lem s   of se nsit ive to the initial  state,  easy  to  fall into local   optimal value  and  slo w   co nverge nce ra te of BP neu ral n e two r k.  The al gorith m  ha s some   advantag es,  and can be  widely use d  in tran smi ssi on li ne proj ect co st fore ca sting .       Referen ces   [1] Qi  Liu.  T heory  and Meth ods o f  Project Cost Mana ge me nt . Beiji ng: Ch in a Electric Po w e r Press. 2004.   [2] Yi  Fan.  F u zz y   Mathe m atic al- base d  Proj ect Cost Estimate  on T r ans miss io n Li ne . North  Chin a El ectri c   Po w e r U n ivers i t y . 201 2.  [3]  Heh ong Gu o. Rese arch o n  c o st forecastin g  of t he transmis s ion pr oj ect ba sed o n  regr ess i on A nal ys is.  Shanx i Electric  Pow e r.  2008; 36(3): 75- 77.   [4]  Jiao  W ang,  Le qun  Di ng. C o m p reh ensiv e  pre d ictio n  mo dels   for transmissi o n  e ngi ne erin g  proj ect cost   base d  on its ke y infl ue ncin g fa ctors.  East China Electric Power.  2009; 36( 11): 111- 11 3.  [5]  Z hen xi n W ang.   T he GM (1,1) Mode l in C o st F o recastin g of Electric Po w e r Constructi on P r oject.  Inne r   Mong oli a  Elect r ic Pow e r T e chnol ogy.  19 96; (5): 46-50.   [6]  Qiang Yi ng, Yi ng T an, Pengj un Chi. T he Cost F o re castin g of the Electric Po w e r Proje c t based on   ANN.  Journ a l o f  Jiangxi Voc a ti ona l an d T e ch nical C o l l eg e o f  Electricity.  2012; 24(4): 2 1 -2 3.   [7]  Yongm ing Ya n g , Yan W ang,  Xiu j u n  F an, Cha o  Liu. Cos t  Estimate of  Po w e r Li ne b a s ed on Gre y   Relati on al An al ysis a nd N eura l  Net w orks.  Jo urna l of Cho n g q in g Univ ersity .  2013; 11: 15- 20.   [8]  Yunp en g L i ng,  Pen g fei Y an,  Cha ngzh an  Ha n, Ch e n g u a ng  Yang. T he C o s t  F o recastin g  Mode l of th e   T r ansmission L i ne Pro j ect bas ed on BP.  Elec tric Power.  2012; 45(10): 9 5 -9 9.  [9] Qiongs hu ai  Lv.   BP Neural N e tw ork Optimi z a t i on a nd Rrse ar ch . Z hengzh o u  Universit y . 20 11.   [10]  Z hen yu Z h ao,  Qianl ei lv, W e i y a ng Y ou, Yu n  Gao. An Eva l u a tion In de x M o del  of Co nstruc tion C o st for  35kV T r ansmission L i nes i n  R u ral Po w e r Net w o r k.  Pow e r System T e ch nol ogy . 200 8; 32( 14): 96-1 00.   [11]  W u  Junke, Z h ou L u o w e i , D u   Xi on g, Sun P eng jun. J uncti on T e m peratur e Pred iction  of  IGBT  Po w e r   Modu le Base d  on BP Neura l  Net w o r k.  Jour nal of el ectrica l  eng ine e rin g  & technol ogy.  201 4; 9(3):   970- 977.   [12]  Budi  Ra hman i ,  Supri y a d i. E a rl y Mo del  of   T r affic Sign Remi nd er B a sed  on  Ne u r al N e t w ork.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri ng.  2012; 1 0 (4): 7 13-7 2 2   [13]  A. Ismail, DS. Jeng, L L . Z han g. An optim ise d  pr o duct-un it neur al n e t w ork   w i t h  a n o ve l P S O-BP h y bri d   traini ng al gorit hm: Applic atio ns to load- def ormatio n  ana l y sis of a x i a ll y load ed pi les.   Engin eeri n g   app licati ons of  artificial i n tel lig ence . 26( 10): 2 305- 231 4.   [14]  JJ. Jamian, M W . Mustafa, H. Mokhlis. A N e w   P a rticle S w a rm Optimization  T e chniqu e in  Optimizin g   Size of Distributed Generation.  Internatio nal  Journa l of Ele c tr ical an d Co mp uter Eng i n e e rin g .  201 2;   2(1): 137- 14 5.  [15]  Lep ing T an, Jun W en. Optimi zation of the B P  Neural N e t w ork  w i t h  Particl e  S w a rm Algor ithm.  Journa l   of Hube i Univ e r sity for Nation alities (N atura l  Scienc e Editio n).  2012; 3 0 (3) :  254-27 0.  [16]  Na Li, Yu xi a Li . Electricit y  Pri c e  F o recast ba sed on PSO-B P Neura l  Net w ork.  Engin eer in g Journ a l o f   W uhan U n iver sity.  2008; 41( 4): 102-1 05.   Evaluation Warning : The document was created with Spire.PDF for Python.