The present invention provides a method and a device for constructing user classification model, including the construction of input neural network classification model with three parameters, the output consists of 3 nodes; according to the preset maximum number of training, training target, precision preset preset learning rate of neural network classification model is trained by neural network classification model the construction of the training, the connection weights of each layer; according to the model of artificial neural network to classify the training connection weights of each layer and the construction, determine the user classification model. Therefore, through the model construction method and user classification model constructed by the device to classify users, it can provide data for formulating energy-saving emission reduction programs. The power efficiency of the invention also provides a construction method and device using the user classification model analysis and device user classification method, by the method and device for user classification can provide data basis for the development of energy saving and emission reduction plan.
【技术实现步骤摘要】
用户分类模型的构建、电力能效分析用户分类方法及装置
本专利技术涉及电力信息
,尤其涉及一种用户分类模型的构建方法及装置、一种电力能效分析用户分类方法及装置。
技术介绍
人工神经网络(ArtificialNeuralNetworks,ANN)系统是20世纪40年代后出现的。它是由众多的神经元可调的连接权值连接而成,具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP(BackPropagation)算法又称为误差反向传播算法,是人工神经网络中的一种监督式的学习算法。BP神经网络算法在理论上可以逼近任意函数,基本的结构由非线性变化单元组成,具有很强的非线性映射能力。目前,我国的节能产业还处于初期的阶段,设计有效的能效分析技术将有助于实现国家节能减排、充分利用能源的目标。而电力能效分析中的用户分类对于制定节能减排方案具有十分重要的意义,能够为制定节能减排方案提供数据依据。
技术实现思路
基于此,有必要提供一种为制定节能减排方案提供数据依据的电力能效分析用户分类方法及装置、以及构建该电力能效分析用户分类方法及装置的模型的户分类模型的构建方法及装置。一种用户分类模型的构建方法,包括:构建输入包括三个参数、输出包括3个节点的神经网络分类模型;输入的所述三个参数分别为用户在预设时间段内的峰时段用电能耗、谷时段用电能耗及平时段用电能耗;输出的所述3个节点分别标识是否为低能耗用户、是否为中能耗用户及是否为高能耗用户;根据预设的最大训练次数、预设的训练目标精度、预设的学习率对构建的神经网络分类模型进行训练,得到构建的神经网络分类模型的、训练好的各层连接权值 ...
【技术保护点】
一种用户分类模型的构建方法,其特征在于,包括:构建输入包括三个参数、输出包括3个节点的神经网络分类模型;输入的所述三个参数分别为用户在预设时间段内的峰时段用电能耗、谷时段用电能耗及平时段用电能耗;输出的所述3个节点分别标识是否为低能耗用户、是否为中能耗用户及是否为高能耗用户;根据预设的最大训练次数、预设的训练目标精度、预设的学习率对构建的神经网络分类模型进行训练,得到构建的神经网络分类模型的、训练好的各层连接权值;根据所述训练好的各层连接权值及所述构建的神经网络分类模型,确定用户分类模型。
【技术特征摘要】
1.一种用户分类模型的构建方法,其特征在于,包括:构建输入包括三个参数、输出包括3个节点的神经网络分类模型;输入的所述三个参数分别为用户在预设时间段内的峰时段用电能耗、谷时段用电能耗及平时段用电能耗;输出的所述3个节点分别标识是否为低能耗用户、是否为中能耗用户及是否为高能耗用户;根据预设的最大训练次数、预设的训练目标精度、预设的学习率对构建的神经网络分类模型进行训练,得到构建的神经网络分类模型的、训练好的各层连接权值;根据所述训练好的各层连接权值及所述构建的神经网络分类模型,确定用户分类模型。2.根据权利要求1所述的用户分类模型的构建方法,其特征在于,所述根据预设的最大训练次数、预设的训练目标精度、预设的学习率对构建的神经网络分类模型进行训练,得到构建的神经网络分类模型的、训练好的各层连接权值的步骤包括:将构建的神经网络分类模型各层的连接权值初始化为非零随机数,得到训练的神经网络模型,并初始化预设的最大训练次数、预设的训练目标精度及预设的学习率;依次接收学习样本,计算所述训练的神经网络分类模型各层的误差,并根据计算得到所述训练的神经网络分类模型的各层的误差及所述预设的学习率对所述训练的神经网络分类模型各层的连接权值进行修正;当所述训练的神经网络分类模型各层的误差小于预设的训练目标精度时或接收的学习样本的数量达到所述预设的最大训练次数时,确定所述训练的神经网络分类模型的、训练好的各层连接权值。3.根据权利要求1所述的用户分类模型的构建方法,其特征在于,所述预设的最大训练次数为1400;所述预设的训练目标精度为0.001;所述预设的学习率为0.01。4.根据权利要求1所述的用户分类模型的构建方法,其特征在于,输入的所述三个参数中,每个参数包括32个节点;所述构建的神经网络的输入层包括96个节点,隐含层包括32个节点。5.一种电力能效分析用户分类方法,其特征在于,包括:获取待分类用户数据;所述待分类用户数据包括用户在预设时间段内的峰时段用电能耗、谷时段用电能耗及平时段用电能耗;利用权利要求1-4任意一项所述的用户分类模型的构建方法构建用户分类模型;将所述待分类用户数据作为所述用户分类模型的输入确定所述待分类用户数据对应的用户的类型。6.一种用户分类...
【专利技术属性】
技术研发人员:李秋硕,孙宇军,肖勇,王岩,
申请(专利权)人:南方电网科学研究院有限责任公司,中国南方电网有限责任公司电网技术研究中心,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。