0.691，0.611，0.637，0.668，0.582，0.604，0.548，0.612，0.621，0.607，0.641，0.625，0.632）。模糊化后15个样本各列得分和综合得分结果如表2所示。

　　（2）神经网络训练和测试阶段

　　设置训练参数时，在BP神经网络的训练选择22×13×1的网络结构，训练最大次N=1000，学习率？浊=0.01，动量因子？琢=0.5，最收敛误差界？着min=10-4，传递函数选择对数S函数logsig，训练函数为traingdx，学习函数为learndm，权值矩阵初值由系统随机给定。BP网络模型的仿真结果均由Matlab软件给出。选取表1的前10组数据作为训练样本，后5组数据作为测试集，模拟待评估对象。经过BP神经网络训练后的前10组样本输出结果如下图2所示。

　　利用训练好的BP神经网络模型对表2中的第11到15组数据进行测试，测试结果如下图3所示。

　　将测试结果与专家评价结果进行对比分析，如下表3所示。

　　表3BP神经网络测试结果

　　由上表看出，5个测试集仿真评价的结果与专家评价结果非常接近，平均相对误差为2.90%，除了测试样本13的训练相对误差相比于其它测试样本稍微偏大为8.89%，但是仍保持在较低的误差水平。因此可以认为所建立的模糊神经网络模型训练精度较高，模拟测试结果较好。测试结果显示，当前我国燃气发电风险得分值在0.5与0.7之间，根据划定的评价集，可判断出当前我国燃气发电风险为较大和中等之间。

　　4结束语

　　本文运用模糊神经网络对目前我国燃气发电风险进行了评价研究，可以得到以下主要结论：

　　（1）该模糊神经网络模型能够充分避免主观、人为因素的影响，具有自学习、自组织适应能力强等优点，算例分析结果也显示出该模型训练精度高，预测结果好，评价结果较为客观；

　　（2）建立模糊神经网络模型应合理确定网络层数及隐含层的神经元数，设置不合理会影响网络的学习能力和效率；

　　（3）基于模糊神经网络对我国燃气发电进行评价，有利于业内人士更加客观、清楚地了解当前我国燃气发电现状和问题，从而有利于促进该行业的发展。

　　参考文献

　　[1]张斌.我国天然气发电现状及前景分析[J].中国能源，2012，34（11）：12-16.

　　[2]李强.燃气发电企业的市场营销战略[J].现代商业，2007，（36）：163.

　　[3]董军，阴少华，王江波等.基于随机生产模拟的天然气发电环境效益与可靠性效益分析[J].陕西电力，2010，38（7）：6-9.

　　[4]刘毅军，李松玲，徐小辉等.天然气产业链下游市场风险评价模型探讨[J].天然气工业，2006，26（7）：136-138.

　　[5]熊焰，周伟国，严铭卿等.模糊神经网络在燃气风险评价的应用[J].煤气与热力，2006，26（6）：6-9.

　　[6]唐永伟.燃气电厂风险分析[J].中国电力，2002，35（4）：1-4.

　　[7]刘毅军，夏新生，宋建新.天然气产业链下游市场风险评价指标体系探讨[J].天然气工业，2006，26（增刊）：172-174.

　　[8]魏阳，李凌云，马明娟等.基于模糊综合评价法的聚光型太阳能光热发电风险评价研究[J].陕西电力，2012，40（3）：1-5.

　　[9]M.Mosleha，M.Otadia，S.Abbasbandyb.Evaluationoffuzzyregressionmodelsbyfuzzyneuralnetwork[J].JournalofComputationalandAppliedMathematics，2011，234（3）：825-834.

　　[10]陈建宏，胡敏，肖诚等.基于模糊人工神经网络的金属矿山投资风险评价[J].广西大学学报（自然科学版），2011，36（6）：1030-1035.

　　作者简介：谢传胜，华北电力大学经济与管理学院，教授，硕士研究生导师。研究方向为电力经济与管理。

　　赵晨晨，华北电力大学经济与管理学院，在读研究生，研究方向为电力经济与管理。