本發(fā)明涉及電力信息
技術(shù)領(lǐng)域：
，尤其涉及一種用戶分類(lèi)模型的構(gòu)建方法及裝置、一種電力能效分析用戶分類(lèi)方法及裝置。
背景技術(shù)：
：人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks，ANN)系統(tǒng)是20世紀(jì)40年代后出現(xiàn)的。它是由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲(chǔ)、良好的自組織自學(xué)習(xí)能力等特點(diǎn)。BP(BackPropagation)算法又稱(chēng)為誤差反向傳播算法，是人工神經(jīng)網(wǎng)絡(luò)中的一種監(jiān)督式的學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)算法在理論上可以逼近任意函數(shù)，基本的結(jié)構(gòu)由非線性變化單元組成，具有很強(qiáng)的非線性映射能力。目前，我國(guó)的節(jié)能產(chǎn)業(yè)還處于初期的階段，設(shè)計(jì)有效的能效分析技術(shù)將有助于實(shí)現(xiàn)國(guó)家節(jié)能減排、充分利用能源的目標(biāo)。而電力能效分析中的用戶分類(lèi)對(duì)于制定節(jié)能減排方案具有十分重要的意義，能夠?yàn)橹贫ü?jié)能減排方案提供數(shù)據(jù)依據(jù)。技術(shù)實(shí)現(xiàn)要素：基于此，有必要提供一種為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)的電力能效分析用戶分類(lèi)方法及裝置、以及構(gòu)建該電力能效分析用戶分類(lèi)方法及裝置的模型的戶分類(lèi)模型的構(gòu)建方法及裝置。一種用戶分類(lèi)模型的構(gòu)建方法，包括：構(gòu)建輸入包括三個(gè)參數(shù)、輸出包括3個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型；輸入的所述三個(gè)參數(shù)分別為用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗；輸出的所述3個(gè)節(jié)點(diǎn)分別標(biāo)識(shí)是否為低能耗用戶、是否為中能耗用戶及是否為高能耗用戶；根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值；根據(jù)所述訓(xùn)練好的各層連接權(quán)值及所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，確定用戶分類(lèi)模型。一種用戶分類(lèi)模型的構(gòu)建裝置，包括：模型構(gòu)建模塊，用于構(gòu)建輸入包括三個(gè)參數(shù)、輸出包括3個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型；輸入的所述三個(gè)參數(shù)分別為用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗；輸出的所述3個(gè)節(jié)點(diǎn)分別標(biāo)識(shí)是否為低能耗用戶、是否為中能耗用戶及是否為高能耗用戶；模型訓(xùn)練模塊，用于根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值；模型確定模塊，用于根據(jù)所述訓(xùn)練好的各層連接權(quán)值及所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，確定用戶分類(lèi)模型。該模型構(gòu)建方法及裝置，構(gòu)建輸入包括三個(gè)參數(shù)、輸出包括3個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型；根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值；根據(jù)所述訓(xùn)練好的各層連接權(quán)值及所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，確定用戶分類(lèi)模型。因此，通過(guò)該模型構(gòu)建方法及裝置構(gòu)建的用戶分類(lèi)模型進(jìn)行用戶分類(lèi)可以為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)。一種電力能效分析用戶分類(lèi)方法，包括：獲取待分類(lèi)用戶數(shù)據(jù)；所述待分類(lèi)用戶數(shù)據(jù)包括用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗；利用上述的用戶分類(lèi)模型的構(gòu)建方法構(gòu)建用戶分類(lèi)模型；將所述待分類(lèi)用戶數(shù)據(jù)作為所述用戶分類(lèi)模型的輸入確定所述待分類(lèi)用戶數(shù)據(jù)對(duì)應(yīng)的用戶的類(lèi)型。一種電力能效分析用戶分類(lèi)裝置，包括：數(shù)據(jù)獲取模塊，用于獲取待分類(lèi)用戶數(shù)據(jù)；所述待分類(lèi)用戶數(shù)據(jù)包括用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗；分類(lèi)模型構(gòu)建模塊，用于利用權(quán)利要求6-9任意一項(xiàng)所述的用戶分類(lèi)模型的構(gòu)建裝置構(gòu)建用戶分類(lèi)模型；分類(lèi)確定模塊，用于將所述待分類(lèi)用戶數(shù)據(jù)作為所述用戶分類(lèi)模型的輸入確定所述待分類(lèi)用戶數(shù)據(jù)對(duì)應(yīng)的用戶的類(lèi)型。該電力能效分析用戶分類(lèi)方法及裝置，獲取待分類(lèi)用戶數(shù)據(jù)；所述待分類(lèi)用戶數(shù)據(jù)包括用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗；利用上述的用戶分類(lèi)模型的構(gòu)建方法及裝置構(gòu)建用戶分類(lèi)模型；將所述待分類(lèi)用戶數(shù)據(jù)作為所述用戶分類(lèi)模型的輸入確定所述待分類(lèi)用戶數(shù)據(jù)對(duì)應(yīng)的用戶的類(lèi)型。因此，通過(guò)該方法及裝置進(jìn)行用戶分類(lèi)可以為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)。附圖說(shuō)明圖1為一實(shí)施例的用戶分類(lèi)模型的構(gòu)建方法的流程圖；圖2圖1的用戶分類(lèi)模型的構(gòu)建方法的一個(gè)步驟的具體流程圖；圖3一個(gè)具體實(shí)施例中的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的曲線變化圖；圖4為一實(shí)施例的電力能效分析用戶分類(lèi)方法的流程圖；圖5為一實(shí)施例的用戶分類(lèi)模型的構(gòu)建裝置的結(jié)構(gòu)圖；圖6為圖5的用戶分類(lèi)模型的構(gòu)建裝置的模型訓(xùn)練模塊的單元結(jié)構(gòu)圖；圖7為一實(shí)施例的電力能效分析用戶分類(lèi)裝置的結(jié)構(gòu)圖。具體實(shí)施方式為了便于理解本發(fā)明，下面將參照相關(guān)附圖對(duì)本發(fā)明進(jìn)行更全面的描述。附圖中給出了本發(fā)明的較佳的實(shí)施例。但是，本發(fā)明可以以許多不同的形式來(lái)實(shí)現(xiàn)，并不限于本文所描述的實(shí)施例。相反地，提供這些實(shí)施例的目的是使對(duì)本發(fā)明的公開(kāi)內(nèi)容的理解更加透徹全面。除非另有定義，本文所使用的所有的技術(shù)和科學(xué)術(shù)語(yǔ)與屬于本發(fā)明的
技術(shù)領(lǐng)域：
的技術(shù)人員通常理解的含義相同。本文中在本發(fā)明的說(shuō)明書(shū)中所使用的術(shù)語(yǔ)只是為了描述具體的實(shí)施例的目的，不是旨在于限制本發(fā)明。本文所使用的術(shù)語(yǔ)“或/及”包括一個(gè)或多個(gè)相關(guān)的所列項(xiàng)目的任意的和所有的組合。請(qǐng)參閱圖1，一實(shí)施例的用戶分類(lèi)模型的構(gòu)建方法，包括：S110：構(gòu)建輸入包括三個(gè)參數(shù)、輸出包括3個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型。輸入的所述三個(gè)參數(shù)分別為用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗。輸出的所述3個(gè)節(jié)點(diǎn)分別標(biāo)識(shí)是否為低能耗用戶、是否為中能耗用戶及是否為高能耗用戶。預(yù)設(shè)時(shí)間段可以為一年、一個(gè)季度、一個(gè)月、一旬、一周、一天，或者固定的一個(gè)時(shí)間點(diǎn)到另一個(gè)時(shí)間點(diǎn)的時(shí)間段。在本實(shí)施例中，預(yù)設(shè)時(shí)間段又可以分為多個(gè)較短的短時(shí)間段。短時(shí)間段的時(shí)長(zhǎng)可以為1小時(shí)、30分鐘、10分鐘、3分鐘、1分鐘、30秒、15秒以及其它設(shè)定的時(shí)長(zhǎng)。在這些短時(shí)間段中，可以根據(jù)用電能耗情況確定峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗。其中，峰時(shí)段用電能耗可以為在預(yù)設(shè)時(shí)間段中用電最多的短時(shí)間段內(nèi)的用電能耗，也可以為在平均耗電量最高的短時(shí)間段內(nèi)用戶的用電能耗；谷時(shí)段用電能耗可以為在預(yù)設(shè)時(shí)間段中用電最少的短時(shí)間段內(nèi)的用電能耗，也可以為在平均耗電量最低時(shí)的短時(shí)間段內(nèi)用戶的用電能耗；平時(shí)段用電能耗即為在預(yù)設(shè)時(shí)間段中用電平穩(wěn)的一個(gè)短時(shí)間段內(nèi)的用電能耗，也可以為在平均耗電量為平均值時(shí)的短時(shí)間段內(nèi)用戶的用電能耗?？梢岳斫獾?，在其它實(shí)施例中，預(yù)設(shè)時(shí)間段、峰時(shí)間段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗可以根據(jù)需要定義。在其中一個(gè)實(shí)施例中，低能耗用戶為用電能耗較少的用戶，如可以為低于平均用電能耗的50％的用戶；中能耗用戶為用電能耗中等水平的用戶，如可以為從平均用電能耗的50％到兩倍的平均用電能耗的用戶；高能耗用戶為用電能耗較高的用戶，如可以為平均用電能耗高于兩倍的平均用電能耗的用戶?？梢岳斫獾?，在其它實(shí)施例中，具體低能耗用戶、中能耗用戶、高能耗用戶的定義可以根據(jù)需要確定。在其中一個(gè)實(shí)施例中，輸入的所述三個(gè)參數(shù)中，每個(gè)參數(shù)包括32個(gè)節(jié)點(diǎn)。所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)的輸入層包括96個(gè)節(jié)點(diǎn)，隱含層包括32個(gè)節(jié)點(diǎn)。也即，將輸入的三個(gè)參數(shù)，轉(zhuǎn)化為96位的向量，例如：[11001010…0101110](共96位)；輸出是一個(gè)3位的向量，分別為[100]，[010]，[001]，對(duì)應(yīng)的用戶分類(lèi)分別是A類(lèi)(低能耗用電用戶)，B類(lèi)(中能耗用電用戶)，C類(lèi)(高能耗用電用戶)。在其中一個(gè)實(shí)施例中，神經(jīng)網(wǎng)絡(luò)分類(lèi)模型為BP神經(jīng)網(wǎng)絡(luò)。具體地，構(gòu)建相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)，其中輸入層有32個(gè)節(jié)點(diǎn)，隱含層有15個(gè)節(jié)點(diǎn)，輸出層有3個(gè)節(jié)點(diǎn)，即輸出是個(gè)3位的向量，對(duì)應(yīng)著將用戶劃分為3類(lèi)用戶，分別是低能耗用戶、中能耗用戶及高能耗用戶。S130：根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值。在構(gòu)建神經(jīng)網(wǎng)絡(luò)分類(lèi)模型之后，需要根據(jù)最大訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)精度、學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到該構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值。需要說(shuō)明的是，在本實(shí)施例中，最大訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)精度、學(xué)習(xí)率是預(yù)先設(shè)置的。S150：根據(jù)所述訓(xùn)練好的各層連接權(quán)值及所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，確定用戶分類(lèi)模型。將訓(xùn)練好的各層連接權(quán)值代入原構(gòu)建的升降網(wǎng)絡(luò)分配模型便可確定最終的用戶分類(lèi)模型。通過(guò)該用戶分類(lèi)模型進(jìn)行用戶分類(lèi)可以為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)。該模型構(gòu)建方法，構(gòu)建輸入包括三個(gè)參數(shù)、輸出包括3個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型；根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值；根據(jù)所述訓(xùn)練好的各層連接權(quán)值及所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，確定用戶分類(lèi)模型。因此，通過(guò)該模型構(gòu)建方法構(gòu)建的用戶分類(lèi)模型進(jìn)行用戶分類(lèi)可以為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)。請(qǐng)參閱圖2，所述根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值的步驟，包括：S231：將構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的連接權(quán)值初始化為非零隨機(jī)數(shù)，得到訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，并初始化預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度及預(yù)設(shè)的學(xué)習(xí)率。對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的連接權(quán)值(或稱(chēng)為權(quán)系數(shù))Wij進(jìn)行初始化，設(shè)置為一個(gè)較小的非零隨機(jī)數(shù)，從而得到訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，以對(duì)該訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。預(yù)設(shè)的最大訓(xùn)練次數(shù)可以為1400，預(yù)設(shè)的訓(xùn)練目標(biāo)精度可以為0.001，預(yù)設(shè)的學(xué)習(xí)率可以為0.01。S233：依次接收學(xué)習(xí)樣本，計(jì)算所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的誤差，并根據(jù)計(jì)算得到所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的各層的誤差及所述預(yù)設(shè)的學(xué)習(xí)率對(duì)所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的連接權(quán)值進(jìn)行修正。依次接收每個(gè)學(xué)習(xí)樣本。設(shè)當(dāng)前輸入為第P個(gè)樣本時(shí)，依次計(jì)算各層的輸出：Oj,Ok。其中，Oj為隱含層上第j個(gè)神經(jīng)元的輸出，Ok為輸出層上第k個(gè)神經(jīng)元的輸出。進(jìn)而，根據(jù)各層的輸出，計(jì)算各層誤差。在計(jì)算得到訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的各層的誤差之后，可以根據(jù)計(jì)算得到所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的各層的誤差及所述預(yù)設(shè)的學(xué)習(xí)率對(duì)所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的連接權(quán)值進(jìn)行修正。S235：當(dāng)所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的誤差小于預(yù)設(shè)的訓(xùn)練目標(biāo)精度時(shí)或接收的學(xué)習(xí)樣本的數(shù)量達(dá)到所述預(yù)設(shè)的最大訓(xùn)練次數(shù)時(shí)，確定所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值。在一個(gè)具體實(shí)施例中，所述預(yù)設(shè)的最大訓(xùn)練次數(shù)為1400。所述預(yù)設(shè)的訓(xùn)練目標(biāo)精度為0.001。所述預(yù)設(shè)的學(xué)習(xí)率為0.01。當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的誤差小于0.001時(shí)，或者接收的學(xué)習(xí)樣本的數(shù)量達(dá)到1400時(shí)，則終止訓(xùn)練，確定訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值；否則，繼續(xù)執(zhí)行S233，進(jìn)行新一輪的訓(xùn)練。在一個(gè)具體實(shí)施例中，將處理好的廣州供電局的樣本數(shù)據(jù)對(duì)構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，共有樣本數(shù)據(jù)2000組，樣本數(shù)據(jù)如下：用戶編號(hào)峰時(shí)用電量谷時(shí)用電量平時(shí)用電量用戶類(lèi)別10000132.6556.4638.76A類(lèi)10000223.8947.5165.23B類(lèi)10000370.3434.6845.37C類(lèi)..................................依據(jù)訓(xùn)練樣本，設(shè)置預(yù)設(shè)的最大訓(xùn)練次數(shù)為1400，預(yù)設(shè)的訓(xùn)練目標(biāo)精度為0.001，預(yù)設(shè)的學(xué)習(xí)率為0.01。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的曲線變化如圖3所示。根據(jù)圖3可以看出，在訓(xùn)練到709步時(shí)達(dá)到預(yù)設(shè)的訓(xùn)練目標(biāo)精度。接下來(lái)通過(guò)一組測(cè)試實(shí)驗(yàn)對(duì)該訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，選擇1000組測(cè)試樣本數(shù)據(jù)，其中，A類(lèi)用戶345個(gè)，B類(lèi)用戶320個(gè)，C類(lèi)用戶335個(gè)，使用該BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，最終的測(cè)試結(jié)果表如下：由測(cè)試結(jié)果表可以得到，該神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)測(cè)試中的用戶分類(lèi)結(jié)果的準(zhǔn)確率還是比較高的，其中B類(lèi)用戶的識(shí)別率最低，誤差率達(dá)到了11.87％，C類(lèi)用戶的識(shí)別率最高，達(dá)到了92.2％，對(duì)比神經(jīng)網(wǎng)絡(luò)得到的用戶分類(lèi)結(jié)果還是比較滿意的，誤差率相對(duì)比較小，證明該BP神經(jīng)網(wǎng)絡(luò)在用戶分類(lèi)中是具有比較高的可行性。另外，該BP神經(jīng)網(wǎng)絡(luò)的實(shí)用性較高。請(qǐng)參閱圖4，本發(fā)明還提供一種應(yīng)用上述用戶分類(lèi)模型的構(gòu)建方法的電力能效分析用戶分類(lèi)方法，包括：S420：獲取待分類(lèi)用戶數(shù)據(jù)。所述待分類(lèi)用戶數(shù)據(jù)包括用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗。S440：利用權(quán)上述的用戶分類(lèi)模型的構(gòu)建方法構(gòu)建用戶分類(lèi)模型。S460：將所述待分類(lèi)用戶數(shù)據(jù)作為所述用戶分類(lèi)模型的輸入確定所述待分類(lèi)用戶數(shù)據(jù)對(duì)應(yīng)的用戶的類(lèi)型。該電力能效分析用戶分類(lèi)方法，獲取待分類(lèi)用戶數(shù)據(jù)；所述待分類(lèi)用戶數(shù)據(jù)包括用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗；利用上述的用戶分類(lèi)模型的構(gòu)建方法構(gòu)建用戶分類(lèi)模型；將所述待分類(lèi)用戶數(shù)據(jù)作為所述用戶分類(lèi)模型的輸入確定所述待分類(lèi)用戶數(shù)據(jù)對(duì)應(yīng)的用戶的類(lèi)型。因此，通過(guò)該方法進(jìn)行用戶分類(lèi)可以為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)。請(qǐng)參閱圖5，本申請(qǐng)?zhí)峁┮环N與上述用戶分類(lèi)模型的構(gòu)建對(duì)應(yīng)的用戶分類(lèi)模型的構(gòu)建裝置，包括：模型構(gòu)建模塊510，用于構(gòu)建輸入包括三個(gè)參數(shù)、輸出包括3個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型。輸入的所述三個(gè)參數(shù)分別為用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗。輸出的所述3個(gè)節(jié)點(diǎn)分別標(biāo)識(shí)是否為低能耗用戶、是否為中能耗用戶及是否為高能耗用戶。模型訓(xùn)練模塊530，用于根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值。模型確定模塊550，用于根據(jù)所述訓(xùn)練好的各層連接權(quán)值及所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，確定用戶分類(lèi)模型。該模型構(gòu)建裝置，構(gòu)建輸入包括三個(gè)參數(shù)、輸出包括3個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型；根據(jù)預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度、預(yù)設(shè)的學(xué)習(xí)率對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型進(jìn)行訓(xùn)練，得到構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值；根據(jù)所述訓(xùn)練好的各層連接權(quán)值及所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，確定用戶分類(lèi)模型。因此，通過(guò)該模型構(gòu)建裝置構(gòu)建的用戶分類(lèi)模型進(jìn)行用戶分類(lèi)可以為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)。請(qǐng)參閱圖6，所述模型訓(xùn)練模塊，包括：初始化單元631，用于將構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的連接權(quán)值初始化為非零隨機(jī)數(shù)，得到訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，并初始化預(yù)設(shè)的最大訓(xùn)練次數(shù)、預(yù)設(shè)的訓(xùn)練目標(biāo)精度及預(yù)設(shè)的學(xué)習(xí)率。權(quán)值修正單元633，用于依次接收學(xué)習(xí)樣本，計(jì)算所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的誤差，并根據(jù)計(jì)算得到所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的各層的誤差及所述預(yù)設(shè)的學(xué)習(xí)率對(duì)所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的連接權(quán)值進(jìn)行修正。權(quán)值確定單元635，用于當(dāng)所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型各層的誤差小于預(yù)設(shè)的訓(xùn)練目標(biāo)精度時(shí)或接收的學(xué)習(xí)樣本的數(shù)量達(dá)到所述預(yù)設(shè)的最大訓(xùn)練次數(shù)時(shí)，確定所述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類(lèi)模型的、訓(xùn)練好的各層連接權(quán)值。在其中一個(gè)實(shí)施例中，所述預(yù)設(shè)的最大訓(xùn)練次數(shù)為1400。所述預(yù)設(shè)的訓(xùn)練目標(biāo)精度為0.001。所述預(yù)設(shè)的學(xué)習(xí)率為0.01。在其中一個(gè)實(shí)施例中，輸入的所述三個(gè)參數(shù)中，每個(gè)參數(shù)包括32個(gè)節(jié)點(diǎn)。所述構(gòu)建的神經(jīng)網(wǎng)絡(luò)的輸入層包括96個(gè)節(jié)點(diǎn)，隱含層包括32個(gè)節(jié)點(diǎn)。請(qǐng)參閱圖7，本申請(qǐng)還提供一種與上述電力能效分析用戶分類(lèi)方法對(duì)應(yīng)的電力能效分析用戶分類(lèi)裝置，包括：數(shù)據(jù)獲取模塊720，用于獲取待分類(lèi)用戶數(shù)據(jù)。所述待分類(lèi)用戶數(shù)據(jù)包括用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗。分類(lèi)模型構(gòu)建模塊740，用于上述的用戶分類(lèi)模型的構(gòu)建裝置構(gòu)建用戶分類(lèi)模型。分類(lèi)確定模塊760，用于將所述待分類(lèi)用戶數(shù)據(jù)作為所述用戶分類(lèi)模型的輸入確定所述待分類(lèi)用戶數(shù)據(jù)對(duì)應(yīng)的用戶的類(lèi)型。該電力能效分析用戶分類(lèi)裝置，獲取待分類(lèi)用戶數(shù)據(jù)；所述待分類(lèi)用戶數(shù)據(jù)包括用戶在預(yù)設(shè)時(shí)間段內(nèi)的峰時(shí)段用電能耗、谷時(shí)段用電能耗及平時(shí)段用電能耗；利用上述的用戶分類(lèi)模型的構(gòu)建裝置構(gòu)建用戶分類(lèi)模型；將所述待分類(lèi)用戶數(shù)據(jù)作為所述用戶分類(lèi)模型的輸入確定所述待分類(lèi)用戶數(shù)據(jù)對(duì)應(yīng)的用戶的類(lèi)型。因此，通過(guò)該裝置進(jìn)行用戶分類(lèi)可以為制定節(jié)能減排方案提供數(shù)據(jù)依據(jù)。由于上述裝置與上述方法對(duì)應(yīng)，因此，對(duì)于裝置的細(xì)節(jié)技術(shù)特征不再一一贅述。以上實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)本發(fā)明專(zhuān)利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出多個(gè)變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專(zhuān)利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。當(dāng)前第1頁(yè)1 2 3