[发明专利]用户分类模型的构建、电力能效分析用户分类方法及装置

权利要求书

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。

6.一种用户分类模型的构建装置，其特征在于，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。

7.根据权利要求6所述的用户分类模型的构建装置，其特征在于，所述模型训练模块，包括：

初始化单元，用于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；

权值修正单元，用于依次接收学习样本，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；

权值确定单元，用于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。

8.根据权利要求6所述的用户分类模型的构建装置，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。

9.根据权利要求6所述的用户分类模型的构建装置，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。

10.一种电力能效分析用户分类装置，其特征在于，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。