基于协同滤波的智能楼宇售电套餐推荐方法研究

叶 宁；高曦莹；关 艳

(1.沈阳理工大学，辽宁 沈阳 110159；2.国网辽宁营销服务中心， 辽宁 沈阳 110171)

2015年，《关于进一步深化电力体制改革的若干意见》正式公布，新一轮电力改革拉开帷幕，售电市场化交易成为改革的重点。随之而来的是众多售电公司的诞生，售电公司从电力市场上统一购买电力，通过增值服务，再零售给广大的用电客户。在用电客户群体中，建筑用能是除了工业以外的第二大用能行业，对售电公司来说是必须争夺的潜在客户。随着售电市场未来竞争逐渐加剧，售电公司在包含售电套餐、综合能源提供和管理及节能服务等方面的增值服务领域需要持续深耕，而售电套餐则是竞争重点。售电套餐将会成为售电公司获得市场竞争力的最强有力工具，这点已在国外市场得到充分证明。在德国电力终端市场有大约9000种套餐[1]，美国德州也有着1800多种用电套餐[2]，与用电套餐相关的是电力套餐推荐工具。推荐工具大体分为2种，一种是直接推荐工具，例如EME，iSelect，Check24等电力套餐推荐平台[3]。直接推荐工具一般是依据建筑面积或建筑内人数来估计用能情况，该方法缺少许多对用能具有重要影响的关键因素，所以结果并不准确。另一种为间接推荐方法，该方法将客户预定义分类，然后将该分类中客户优先选择的套餐推荐给目标客户[4]。这种推荐方法的缺点是随着季节变化估计出的用能特征存在过优化现象从而缺少准确性。

联合滤波推荐方法源于电商平台的商品推荐而广泛应用于亚马逊、奈非等平台，该方法通过客户购买书籍、电影等丰富的历史记录从而推断出客户的购买喜好[5]。在电力套餐领域，Zhang[3]等通过对澳大利亚电力居民客户的用电特征分析，采用联合滤波方式推荐电力套餐取得良好的使用效果，但在商业建筑领域却未见相应的研究。

本文通过联合滤波推荐方法的使用，针对智能建筑客户的用能特征进行电力套餐推荐。一方面优化协同滤波推荐的参数使用，可使该方法在推荐用电套餐时取得更高的准确率，另一方面推荐套餐时考虑智能建筑用能实际情况，从而达到较理想的效能费用比。

1 售电套餐推荐方法

(1)

均方根误差(RMSE)定义为

(2)

(3)

2 推荐算法设计

推荐算法就是在众多套餐中选择最为合适客户的套餐。本文通过基于邻域的协同滤波方法设计专门的相似度函数。符号Utr和Ute表示为客户的训练和测试集，通过简单易获取的用电特征即可使用推荐算法获得可靠的套餐推荐。推荐算法的总体框架如图1，由图1可知，该结构为双阶段框架，即离线数据提取阶段和在线推荐阶段。图1中可以看到在第一阶段离线提取阶段，通过使用总体历史用能数据和用能设备历史数据进行训练，从而提取用能分档和用能特征。第二阶段的离线推荐阶段，基于训练客户和测试客户的相似度函数，测试客户的估计用能特征，并估计测试客户的潜在分档，根据分档可以决定哪些套餐更加值得推荐。

图1 双阶段框架推荐算法

2.1 数据提取

训练客户的历史数据形成2种数据集，即训练分档数据集和特征数据集。套餐费用表示为cn，则分档数据可以表示为

(4)

理想情况下，客户可以计算所有套餐的花销，并最终选择最便宜的套餐但是这种情况并不现实。将用能设备的核密度估计(KDE)方法来进行特征数据的提取。

2.2 相似性评估

用电客户的用能设备不能保证一直运行，所以一些用能特征难免会缺失，为了克服这一困难将相似度函数定义为

(5)

式中：fma和fna表示为客户m和n用能设备的周标准运行持久度；wa定义为用能设备的机密权重，该参数用以量化用能设备持续运行的结果，该结果影响总用电量并影响套餐推荐结果。

2.3 分档预测和套餐推荐

CEPRS推荐方法采用基于邻域的协同滤波算法，用以预测套餐分档并寻找最划算套餐。基于式(5)，该方法计算测试客户与每个训练客户之间的相似度，并选择具有前k个最大相似度的训练客户作为测试客户的最近邻域。使用式(1)将基于k个最邻近域的分档数据来估计测试客户对套餐的可能分档。根据式(4)可知，较低的分档意味着较低的套餐费用，这将使客户更偏爱套餐。因此，推荐方法将优先推荐更低分档。在实际使用中推荐最优的N个套餐，而且优先推荐最低分档的套餐，而最终客户可以在推荐的N个套餐中选择，除了套餐费用外，售电公司的服务、信誉等其他因素也是客户选择套餐的因素。

为了更好地评价售电套餐的推荐结果本文将使用式(2)的均方根误差(RMSE)来评估所有套餐的分档值，采用式(3)的准确率来评估售电套餐推荐的准确程度。

3 推荐试验

3.1 试验设计

为了检验方法的有效性，试验采用3种机制电价套餐。第1种为单一价格(SG)，第2种为分时价格(TOU)，第3种为前两者混合价格套餐。

测试数据被分为2部分，第一部分为客户和用能数据，使用的是能源分解参考数据集(REDD)，包含了6栋美国建筑的独立用能数据，监测数据周期在数月，监测了线路的电压和电流等数据值，用能设备低频功率测量时间间隔在3～4 s。本文中选择了空调、洗碗机、垃圾处理器、电热器、电烤箱、排风扇、照明、微波炉、冰箱、电炉、洗衣机共11类负载，日用电功率96点信息，如图2所示。

图2 空调和照明用电模式

第二部分为对应年份的10种套餐，这些套餐中一半为固定电价的SG价格套餐，另一半为分时电价的TOU几个套餐。

3.2 算法的有效性试验

该试验采用SG、TOU和混合3种价格机制，按照不同的相似度进行对比推荐可在表1中得到结果。

表1 算法在3种价格机制下的RMSE对比值

表1中，EUC表示欧式距离相似度；COS表示余弦相似度，J-EUC为Jaccrad-Euclidean的混合相似度。由表1可知，在使用协同滤波方法后的推荐方法在考虑不同客户对相似度的变化情况，依旧可以取得良好的推荐准确性。表1中数值为RMSE值，从中可以看出SG价格的RMSE值最小，混合价格的RMSE值最大。EUC与COS相似度值近似，J-EUC误差数值最小。

3.3 CERPS与其他方法比较

CERPS与文献[6]的EME分簇推荐方法相比较，与10种套餐相比较，见表2。

表2 10种套餐的准确率比较(比值)

由表2可知，该方法的准确度在10种套餐中均优于分簇推荐法EME。

4 结束语

本文将双阶段的协同滤波法应用于建筑用能套餐推荐业务中。该方法只需用能客户具有简单易得的用能设备数据即可估计出智能建筑的用能特征，在提高推荐准确性的同时可以向用能客户宣传不同套餐的可能分档情况，从而辅助客户选择合适的套餐。该方法增强了用电套餐与智能建筑客户需求的匹配性，同时降低了电力增值服务的分析维度，虽然目前售电套餐尚未全面推广，但本研究对售电套餐的制定和推广均具有一定的参考意义。