用户分类模型的构建、电力能效分析用户分类方法及装置制造方法及图纸

本发明专利技术提供一种用户分类模型的构建方法及装置，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；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。因此，通过该模型构建方法及装置构建的用户分类模型进行用户分类可以为制定节能减排方案提供数据依据。本发明专利技术还提供一种应用上述用户分类模型的构建方法及装置的电力能效分析用户分类方法及装置，通过该方法及装置进行用户分类可以为制定节能减排方案提供数据依据。

User classification model construction, power efficiency analysis, user classification method and device

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；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。一种用户分类模型的构建装置，包括：模型构建模块，用于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；模型训练模块，用于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；模型确定模块，用于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。该模型构建方法及装置，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；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。因此，通过该模型构建方法及装置构建的用户分类模型进行用户分类可以为制定节能减排方案提供数据依据。一种电力能效分析用户分类方法，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；利用上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。一种电力能效分析用户分类装置，包括：数据获取模块，用于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；分类模型构建模块，用于利用权利要求6-9任意一项所述的用户分类模型的构建装置构建用户分类模型；分类确定模块，用于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。该电力能效分析用户分类方法及装置，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；利用上述的用户分类模型的构建方法及装置构建用户分类模型；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。因此，通过该方法及装置进行用户分类可以为制定节能减排方案提供数据依据。附图说明图1为一实施例的用户分类模型的构建方法的流程图；图2图1的用户分类模型的构建方法的一个步骤的具体流程图；图3一个具体实施例中的BP神经网络学习的曲线变化图；图4为一实施例的电力能效分析用户分类方法的流程图；图5为一实施例的用户分类模型的构建装置的结构图；图6为图5的用户分类模型的构建装置的模型训练模块的单元结构图；图7为一实施例的电力能效分析用户分类装置的结构图。具体实施方式为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的较佳的实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容的理解更加透彻全面。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。请参阅图1，一实施例的用户分类模型的构建方法，包括：S110：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。预设时间段可以为一年、一个季度、一个月、一旬、一周、一天，或者固定的一个时间点到另一个时间点的时间段。在本实施例中，预设时间段又可以分为多个较短的短时间段。短时间段的时长可以为1小时、30分钟、10分钟、3分钟、1分钟、30秒、15秒以及其它设定的时长。在这些短时间段中，可以根据用电能耗情况确定峰时段用电能耗、谷时段用电能耗及平时段用电能耗。其中，峰时段用电能耗可以为在预设时间段中用电最多的短时间段内的用电能耗，也可以为在平均耗电量最高的短时间段内用户的用电能耗；谷时段用电能耗可以为在预设时间段中用电最少的短时间段内的用电能耗，也可以为在平均耗电量最低时的短时间段内用户的用电能耗；平时段用电能耗即为在预设时间段中用电平稳的一个短时间段内的用电能耗，也可以为在平均耗电量为平均值时的短时间段内用户的用电能耗。可以理解地，在其它实施例中，预设时间段、峰时间段用电能耗、谷时段用电能耗及平时段用电能耗可以根据需要定义。在其中一个实施例中，低能耗用户为用电能耗较少的用户，如可以为低于平均用电能耗的50％的用户；中能耗用户为用电能耗中等水平的用户，如可以为从平均用电能耗的50％到两倍的平均用电能耗的用户；高能耗用户为用电能耗较高的用户，如可以为平均用电能耗高于两倍的平均用电能耗的用户。可以理解地，在其它实施例中，具体低能耗用户、中能耗用户、高能耗用户的定义可以根据需要确定。在其中一个实施例中，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。也即，将输入的三个参数，转化为96位的向量，例如：[11001010…0101110](共96位)；输出是一个3位的向量，分别为[1本文档来自技高网...

【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