基于協同濾波的智能樓宇售電套餐推薦方法研究

葉 寧；高曦瑩；關 艷

(1.沈陽理工大學，遼寧 沈陽 110159；2.國網遼寧營銷服務中心， 遼寧 沈陽 110171)

2015年，《關于進一步深化電力體制改革的若干意見》正式公布，新一輪電力改革拉開帷幕，售電市場化交易成為改革的重點。隨之而來的是眾多售電公司的誕生，售電公司從電力市場上統一購買電力，通過增值服務，再零售給廣大的用電客戶。在用電客戶群體中，建筑用能是除了工業以外的第二大用能行業，對售電公司來說是必須爭奪的潛在客戶。隨著售電市場未來競爭逐漸加劇，售電公司在包含售電套餐、綜合能源提供和管理及節能服務等方面的增值服務領域需要持續深耕，而售電套餐則是競爭重點。售電套餐將會成為售電公司獲得市場競爭力的最強有力工具，這點已在國外市場得到充分證明。在德國電力終端市場有大約9000種套餐[1]，美國德州也有著1800多種用電套餐[2]，與用電套餐相關的是電力套餐推薦工具。推薦工具大體分為2種，一種是直接推薦工具，例如EME，iSelect，Check24等電力套餐推薦平臺[3]。直接推薦工具一般是依據建筑面積或建筑內人數來估計用能情況，該方法缺少許多對用能具有重要影響的關鍵因素，所以結果并不準確。另一種為間接推薦方法，該方法將客戶預定義分類，然后將該分類中客戶優先選擇的套餐推薦給目標客戶[4]。這種推薦方法的缺點是隨著季節變化估計出的用能特征存在過優化現象從而缺少準確性。

聯合濾波推薦方法源于電商平臺的商品推薦而廣泛應用于亞馬遜、奈非等平臺，該方法通過客戶購買書籍、電影等豐富的歷史記錄從而推斷出客戶的購買喜好[5]。在電力套餐領域，Zhang[3]等通過對澳大利亞電力居民客戶的用電特征分析，采用聯合濾波方式推薦電力套餐取得良好的使用效果，但在商業建筑領域卻未見相應的研究。

本文通過聯合濾波推薦方法的使用，針對智能建筑客戶的用能特征進行電力套餐推薦。一方面優化協同濾波推薦的參數使用，可使該方法在推薦用電套餐時取得更高的準確率，另一方面推薦套餐時考慮智能建筑用能實際情況，從而達到較理想的效能費用比。

1 售電套餐推薦方法

(1)

均方根誤差(RMSE)定義為

(2)

(3)

2 推薦算法設計

推薦算法就是在眾多套餐中選擇最為合適客戶的套餐。本文通過基于鄰域的協同濾波方法設計專門的相似度函數。符號Utr和Ute表示為客戶的訓練和測試集，通過簡單易獲取的用電特征即可使用推薦算法獲得可靠的套餐推薦。推薦算法的總體框架如圖1，由圖1可知，該結構為雙階段框架，即離線數據提取階段和在線推薦階段。圖1中可以看到在第一階段離線提取階段，通過使用總體歷史用能數據和用能設備歷史數據進行訓練，從而提取用能分檔和用能特征。第二階段的離線推薦階段，基于訓練客戶和測試客戶的相似度函數，測試客戶的估計用能特征，并估計測試客戶的潛在分檔，根據分檔可以決定哪些套餐更加值得推薦。

圖1 雙階段框架推薦算法

2.1 數據提取

訓練客戶的歷史數據形成2種數據集，即訓練分檔數據集和特征數據集。套餐費用表示為cn，則分檔數據可以表示為

(4)

理想情況下，客戶可以計算所有套餐的花銷，并最終選擇最便宜的套餐但是這種情況并不現實。將用能設備的核密度估計(KDE)方法來進行特征數據的提取。

2.2 相似性評估

用電客戶的用能設備不能保證一直運行，所以一些用能特征難免會缺失，為了克服這一困難將相似度函數定義為

(5)

式中：fma和fna表示為客戶m和n用能設備的周標準運行持久度；wa定義為用能設備的機密權重，該參數用以量化用能設備持續運行的結果，該結果影響總用電量并影響套餐推薦結果。

2.3 分檔預測和套餐推薦

CEPRS推薦方法采用基于鄰域的協同濾波算法，用以預測套餐分檔并尋找最劃算套餐。基于式(5)，該方法計算測試客戶與每個訓練客戶之間的相似度，并選擇具有前k個最大相似度的訓練客戶作為測試客戶的最近鄰域。使用式(1)將基于k個最鄰近域的分檔數據來估計測試客戶對套餐的可能分檔。根據式(4)可知，較低的分檔意味著較低的套餐費用，這將使客戶更偏愛套餐。因此，推薦方法將優先推薦更低分檔。在實際使用中推薦最優的N個套餐，而且優先推薦最低分檔的套餐，而最終客戶可以在推薦的N個套餐中選擇，除了套餐費用外，售電公司的服務、信譽等其他因素也是客戶選擇套餐的因素。

為了更好地評價售電套餐的推薦結果本文將使用式(2)的均方根誤差(RMSE)來評估所有套餐的分檔值，采用式(3)的準確率來評估售電套餐推薦的準確程度。

3 推薦試驗

3.1 試驗設計

為了檢驗方法的有效性，試驗采用3種機制電價套餐。第1種為單一價格(SG)，第2種為分時價格(TOU)，第3種為前兩者混合價格套餐。

測試數據被分為2部分，第一部分為客戶和用能數據，使用的是能源分解參考數據集(REDD)，包含了6棟美國建筑的獨立用能數據，監測數據周期在數月，監測了線路的電壓和電流等數據值，用能設備低頻功率測量時間間隔在3～4 s。本文中選擇了空調、洗碗機、垃圾處理器、電熱器、電烤箱、排風扇、照明、微波爐、冰箱、電爐、洗衣機共11類負載，日用電功率96點信息，如圖2所示。

圖2 空調和照明用電模式

第二部分為對應年份的10種套餐，這些套餐中一半為固定電價的SG價格套餐，另一半為分時電價的TOU幾個套餐。

3.2 算法的有效性試驗

該試驗采用SG、TOU和混合3種價格機制，按照不同的相似度進行對比推薦可在表1中得到結果。

表1 算法在3種價格機制下的RMSE對比值

表1中，EUC表示歐式距離相似度；COS表示余弦相似度，J-EUC為Jaccrad-Euclidean的混合相似度。由表1可知，在使用協同濾波方法后的推薦方法在考慮不同客戶對相似度的變化情況，依舊可以取得良好的推薦準確性。表1中數值為RMSE值，從中可以看出SG價格的RMSE值最小，混合價格的RMSE值最大。EUC與COS相似度值近似，J-EUC誤差數值最小。

3.3 CERPS與其他方法比較

CERPS與文獻[6]的EME分簇推薦方法相比較，與10種套餐相比較，見表2。

表2 10種套餐的準確率比較(比值)

由表2可知，該方法的準確度在10種套餐中均優于分簇推薦法EME。

4 結束語

本文將雙階段的協同濾波法應用于建筑用能套餐推薦業務中。該方法只需用能客戶具有簡單易得的用能設備數據即可估計出智能建筑的用能特征，在提高推薦準確性的同時可以向用能客戶宣傳不同套餐的可能分檔情況，從而輔助客戶選擇合適的套餐。該方法增強了用電套餐與智能建筑客戶需求的匹配性，同時降低了電力增值服務的分析維度，雖然目前售電套餐尚未全面推廣，但本研究對售電套餐的制定和推廣均具有一定的參考意義。