(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210976060.1 (22)申请日 2022.08.15 (71)申请人 国网新疆电力有限公司 地址 830063 新疆维吾尔自治区乌鲁 木齐 市水磨沟区南湖东路68号 申请人 国网新疆电力有限公司营销服 务中 心　 国网电力科 学研究院武汉能效测评 有限公司 (72)发明人 李满树　马磊　王刚　程元　饶尧　 (74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 专利代理师 李满 (51)Int.Cl. G06Q 10/06(2012.01)G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 基于机器学习的电能替代项目评价系统及 方法 (57)摘要 本发明公开了一种基于机器学习的电能替 代项目评价系统， 它的特征数据输入模块将训练 所需的所有电能替代项目特征数据输入到特征 参量计算模块中； 特征参量计算模块计算出所有 电能替代项目的节能效果、 投资周期回收率T和 投资收益率； 聚类划分模块对所有电能替代项目 进行划分聚类， 得到聚类中心坐标， 每个电能替 代项目所属的聚类类别， 以及每个聚类簇的数 量； 评价模型建立模块根据聚类中心坐标， 每个 电能替代项目所属的聚类类别， 以及每个聚类簇 的数量， 构建决策树分类模型； 电能替代项目评 价模块利用待评价的电能替代项目特征数据结 合决策树分类模 型， 对待评价的电能替代项目进 行评价。 本发明能对电能替代项目进行客观评 价。 权利要求书4页 说明书7页 附图2页 CN 115392668 A 2022.11.25 CN 115392668 A 1.一种基于机器学习的电能替代项目评价系统， 其特征在于， 它包括特征数据输入模 块(1)、 特征参量计算模块(2)、 聚类划分模块(3)、 评价模 型建立模块(4)和电能替代项目评 价模块(5)； 所述特征数据输入模块(1)用于将训练所需的所有电能替代项目特征数据输入到特征 参量计算模块(2)中； 所述特征参量计算模块(2)用于根据训练所需的所有电能替代项目特征数据计算出所 有电能替代项目的节能效果E、 投资周期回收率T和投资收益 率R； 所述聚类划分模块(3)用于根据所有电能替代项目的节能效果E、 投资周期回收率T和 投资收益率R， 利用k ‑means聚类方法对所有电能替代项目进行划分聚类， 得到聚类中心坐 标， 每个电能替代项目所属的聚类 类别， 以及每 个聚类簇的数量； 所述评价模型建立模块(4)用于根据聚类中心坐标， 每个电能替代项目所属的聚类类 别， 以及每 个聚类簇的数量， 利用ID3决策树模型构建方法构建决策树分类模型； 所述电能替代项目评价模块(5)用于利用待评价的电能替代项目特征数据结合决策树 分类模型， 根据决策树分类方法对待评价的电能替代项目进行评价。 2.根据权利要求1所述的基于机器学习的电能替代项目评价系统， 其特征在于： 所述训 练所需的所有电能替代项目特征数据包括电能替代项目的项目总投资金额C0、 替代前设备 的能源消费年消费总量W0、 年节省耗能成本Ce、 替代后设备的年消耗电量We、 设备全生命周 期T0和原设备折现金额C1。 3.根据权利要求2所述的基于机器学习的电能替代项目评价系统， 其特征在于： 所述特 征参量计算模块(2)根据训练所需的所有电能替代项目特征数据计算出所有电能替代项目 的节能效果E的计算公式为： 4.根据权利要求2所述的基于机器学习的电能替代项目评价系统， 其特征在于： 所述特 征参量计算模块(2)根据训练所需的所有电能替代项目特征数据计算出所有电能替代项目 的投资周期回收率T的计算公式为： 5.根据权利要求2所述的基于机器学习的电能替代项目评价系统， 其特征在于： 所述特 征参量计算模块(2)根据训练所需的所有电能替代项目特征数据计算出所有电能替代项目 的投资收益 率R的计算公式为： 6.根据权利要求1所述的基于机器学习的电能替代项目评价系统， 其特征在于： 所述 聚 类划分模块(3)根据所有电能替代项目的节能效果E、 投资周期回收率T和投资收益率R， 利 用k‑means聚类方法对所有电能替代项目进行划分聚类的具体方法为： S3.1： 将所有电能替代项目的节能效果E、 投资周期回收率T和投资收益率R作 为聚类划 分的特征参量， 输入到聚类划分模块(3)；权　利　要　求　书 1/4 页 2 CN 115392668 A 2S3.2： 聚类划分模块(3)首先在聚类划分的特征参量的取值范围内随机生成3个聚类 中 心Ci(Ei,Ti,Ri)， i＝1,2,3， 其中下标i表示第i个聚类中心， Ei,Ti,Ri分别表示第i个聚类中 心的节能效果E、 投资周期回收率T和投资收益 率R的坐标分量； S3.3： 计算各个电能替代项目特 征参量到3个聚类中心的距离； S3.4： 按就近原则对电能替代项目进行归类， 即根据聚类距离将电能替代项目归属到 离其最近的聚类中心， 从而形成3个聚类簇； S3.5： 分别计算各聚类簇中所有坐标分量的平均值， 并将该平均值作为新的聚类中心 坐标； S3.6： 若聚类中心坐标更新前后所有坐标分量均无发生变化， 则完成聚类跳到S3.7； 若 更新前后任意坐标分量发生变化， 则跳到S3.3， 计算各个电能替代项目特征参量到各个新 坐标分量的聚类中心的距离； S3.7： 分别计算3个聚类 中心坐标分量的总和， 并将总和最大的聚类中心定义为优秀类 别的聚类中心， 所有归属于该总和 最大的聚类中心的电能替代项目均为优秀聚类类别； 总 和最小的聚类中心定义为一般类别的聚类中心， 所有归属于该总和最小聚类中心的电能替 代项目均为一般聚类类别； 剩余聚类中心为良好类别的聚类中心， 所有归属于该剩余聚类 中心的电能替代项目均为良好聚类 类别； S3.8： 将聚类中心坐标， 每个电能替代项目所属的聚类类别， 以及每个聚类簇的数量Ni， i＝1,2,3作为聚类结果输出。 7.根据权利要求6所述的基于机器学习的电能替代项目评价系统， 其特征在于： 所述 S3.3中计算各个电能替代项目特 征参量到3个聚类中心的距离的计算公式如下： Dji＝(Ej‑Ei)2+(Tj‑Ti)2+(Rj‑Ri)2 式中， Dji表示第j个电能替代项目到第i个聚类中心的距离， Ej、 Tj和Rj分别表示第j个电 能替代项目的节能效果、 投资周期回收率和投资收益 率。 8.根据权利要求6所述的基于机器学习的电能替代项目评价系统， 其特征在于： 评价模 型建立模块(4)根据聚类中心 坐标， 每个电能替代项目所属的聚类类别， 以及每个聚类簇的 数量， 利用ID3决策树模型构建方法构建决策树分类模型的具体方法为： S4.1： 根据步骤S3.8输出的聚类中心坐标， 对所有电能替代项目的节能效果E、 投资周 期回收率T和投资收益率 R这三个特征参量进 行离散化处理， 分别转化为为高、 中、 低三个等 级， 设3个聚类中心节能效果的坐 标分量大小依次为E1＜E2＜E3， 则节能效果E小于(E1+E2)/2 为低节能效果等级， 节能效果E在(E1+E2)/2到(E2+E3)/2之间为中节能效果等级， 节能效果E 大于(E2+E3)/2为高节能效果等级， 设3个聚类中心投资周期回收率的坐标分量大小依次为 T1＜T2＜T3， 则投资周期回收率T小于(T1+T2)/2为低回收率等级， 投资周期回收率T在(T1+ T2)/2到(T2+T3)/2之间为中回收率等级， 投资周期回收率T大于(T2+T3)/2为高回收率等级， 设3个聚类中心投资收益率的坐 标分量大小依次为R1＜R2＜R3， 则投资收益率R小 于(R1+R2)/ 2为低收益率等级， 投资收益率R在(R1+R2)/2到(R2+R3)/2之间为中收益率等级， 投资收益率 R大于(R2+R3)/2为高收益 率等级； S4.2： 计算电能替代项目离散化后的特征参量与 聚类结果之间的关联关系， 具体计算 公式如下：权　利　要　求　书 2/4 页 3 CN 115392668 A 3