用户分类模型的构建、电力能效分析用户分类方法及装置技术领域
本发明涉及电力信息技术领域，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。
背景技术
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。
发明内容
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
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中
给出了本发明的较佳的实施例。但是，本发明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发明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发明的技术领域的
技术人员通常理解的含义相同。本文中在本发明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，不是旨在于限制本发明。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 0 0]，[0 1 0]，[0 0 1]，对应的用户分类分别是A类
(低能耗用电用户)，B类(中能耗用电用户)，C类(高能耗用电用户)。
在其中一个实施例中，神经网络分类模型为BP神经网络。具体地，构建相应的BP神
经网络，其中输入层有32个节点，隐含层有15个节点，输出层有3个节点，即输出是个3位的
向量，对应着将用户划分为3类用户，分别是低能耗用户、中能耗用户及高能耗用户。
S130：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。
在构建神经网络分类模型之后，需要根据最大训练次数、训练目标精度、学习率对
构建的神经网络进行训练，从而得到该构建的神经网络分类模型的、训练好的各层连接权
值。需要说明的是，在本实施例中，最大训练次数、训练目标精度、学习率是预先设置的。
S150：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。
将训练好的各层连接权值代入原构建的升降网络分配模型便可确定最终的用户
分类模型。通过该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。
该模型构建方法，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。
请参阅图2，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：
S231：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。
对构建的神经网络分类模型各层的连接权值(或称为权系数)Wij进行初始化，设
置为一个较小的非零随机数，从而得到训练的神经网络模型，以对该训练的神经网络模型
进行训练。
预设的最大训练次数可以为1400，预设的训练目标精度可以为0.001，预设的学习
率可以为0.01。
S233：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。
依次接收每个学习样本。设当前输入为第P个样本时，依次计算各层的输出：Oj,Ok。
其中，Oj为隐含层上第j个神经元的输出，Ok为输出层上第k个神经元的输出。进而，根据各层
的输出，计算各层误差。
在计算得到训练的神经网络分类模型的各层的误差之后，可以根据计算得到所述
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。
S235：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。
在一个具体实施例中，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。
当训练的神经网络分类模型各层的误差小于0.001时，或者接收的学习样本的数
量达到1400时，则终止训练，确定训练的神经网络分类模型的、训练好的各层连接权值；否
则，继续执行S233，进行新一轮的训练。
在一个具体实施例中，将处理好的广州供电局的样本数据对构建好的BP神经网络
进行训练，共有样本数据2000组，样本数据如下：
用户编号
峰时用电量
谷时用电量
平时用电量
用户类别
100001
32.65
56.46
38.76
A类
100002
23.89
47.51
65.23
B类
100003
70.34
34.68
45.37
C类
.......
.......
......
.......
.......
依据训练样本，设置预设的最大训练次数为1400，预设的训练目标精度为0.001，
预设的学习率为0.01。BP神经网络学习的曲线变化如图3所示。
根据图3可以看出，在训练到709步时达到预设的训练目标精度。接下来通过一组
测试实验对该训练好的BP神经网络进行测试，选择1000组测试样本数据，其中，A类用户345
个，B类用户320个，C类用户335个，使用该BP神经网络进行测试，最终的测试结果表如下：
由测试结果表可以得到，该神经网络在数据测试中的用户分类结果的准确率还是
比较高的，其中B类用户的识别率最低，误差率达到了11.87％，C类用户的识别率最高，达到
了92.2％，对比神经网络得到的用户分类结果还是比较满意的，误差率相对比较小，证明该
BP神经网络在用户分类中是具有比较高的可行性。另外，该BP神经网络的实用性较高。
请参阅图4，本发明还提供一种应用上述用户分类模型的构建方法的电力能效分
析用户分类方法，包括：
S420：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。
S440：利用权上述的用户分类模型的构建方法构建用户分类模型。
S460：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，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。因此，通过该方法进行用户分类可
以为制定节能减排方案提供数据依据。
请参阅图5，本申请提供一种与上述用户分类模型的构建对应的用户分类模型的
构建装置，包括：
模型构建模块510，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530，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550，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。
请参阅图6，所述模型训练模块，包括：
初始化单元631，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633，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635，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。
在其中一个实施例中，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。
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。
请参阅图7，本申请还提供一种与上述电力能效分析用户分类方法对应的电力能
效分析用户分类装置，包括：
数据获取模块720，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740，用于上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760，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。
由于上述装置与上述方法对应，因此，对于装置的细节技术特征不再一一赘述。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能
因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，
在不脱离本发明构思的前提下，还可以做出多个变形和改进，这些都属于本发明的保护范
围。因此，本发明专利的保护范围应以所附权利要求为准。