CN111798336A

CN111798336A - 一种基于典型用户的居民电费套餐推荐方法及系统

Info

Publication number: CN111798336A
Application number: CN202010658003.XA
Authority: CN
Inventors: 张利; 徐广达; 鉴庆之; 李雪亮; 孙东磊; 刘晓明; 曹相阳
Original assignee: Shandong University; Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Current assignee: Shandong University; Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date: 2020-07-09
Filing date: 2020-07-09
Publication date: 2020-10-20
Anticipated expiration: 2040-07-09
Also published as: CN111798336B

Abstract

本发明提出了一种基于典型用户的居民电费套餐推荐方法及系统，方法包括如下步骤：通过非侵入式负荷监测采集居民用户的设备用电信息，采用模糊聚类提取设备用电特征；构建决策树模型反映设备特征与用户特征的映射关系，采用基于深度优先搜索的决策树剪枝方法，求解典型用户集合；利用典型用户的设备特征可观性优势，以电费最小化为目标构建电费套餐推荐模型；采用粒子群算法求解模型，得出备选套餐对应的标杆用电策略，并据此向用户推荐电费套餐。本发明通过具体到设备调整的用电标杆策略，引导用户充分响应电价信号，有效降低了用户的用电成本，挖掘用户的用电调整潜力实现削峰填谷，降低电网供需平衡压力。

Description

一种基于典型用户的居民电费套餐推荐方法及系统

技术领域

本发明涉及电力资源优化配置技术领域，具体的说，是涉及一种基于典型用户的居民电费套餐推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。

电费套餐是指售电公司根据电力用户的负荷特性和不同需求，将不同种类、不同档位的电价与其他用电辅助性服务进行打包，并采取一定的优惠措施提供给用户，在满足不同目标客户的差异化用电需求的同时，引导其参与需求响应以缓解电力系统的供需平衡压力。居民电力用户的数量庞大且用电行为各异，且对更换电费套餐和参与需求响应所带来的收益并不明确，也缺乏选择电费套餐的专业知识，因此售电公司需要根据用户的用电行为推荐合适的电费套餐。

据发明人了解，目前存在采用协同推荐、无监督学习来解决用户的用电行为相似度评价，从而解决电费套餐推荐问题。采用协同推荐算法推荐电费套餐与普通商品原理推荐相似，需要在已获取大量用户的历史交易数据的基础上，依据一定的相似度评估指标找出相似用户，并将相似用户的选择推荐给目标用户；采用无监督学习对用户用电负荷曲线进行聚类，并在此基础上推荐电费套餐。

但是，上述根据用户用电行为相似度推荐电费套餐的方式，只能实现用电行为与电费套餐的简单对应，而用户并不知晓购买这种电费套餐后使用怎样的用电策略更为合理，即，难以发挥电费套餐对用电行为的引导，不能真正的实现电网的削峰填谷，解决电网供需平衡压力。

发明内容

本发明为了解决上述问题，一种基于典型用户的居民电费套餐推荐方法及系统。定义典型用户为设备用电特征一致性的用户类型，对用户的设备用电特征进行聚类，根据电费套餐和相应的用电策略，基于电价最小化原则为典型用户进行用电策略和电费套餐的推荐。有助于在保证满足经济性的前提下，引导用户调整用电策略，实现电网的削峰填谷。

为了实现上述目的，本发明采用如下技术方案：

一个或多个实施例提供了一种基于典型用户的电费套餐方法，包括如下步骤：

获取居民用户的设备用电信息，提取各设备的用电特征集合；

基于设备用电特征与用户特征之间的关系，求解典型用户集合；其中，所述典型用户集合包含多个具有设备用电特征一致性的用户类；

以单位电价最小化为目标，针对不同的电费套餐，求解典型用户设备的标杆用电策略，根据所述标杆用电策略确定待推荐的电费套餐。

进一步的，提取各设备的用电特征集合包括：

获取各设备的启停时刻，得到每个用户各个设备的开启时刻矩阵和关闭时刻矩阵；

对于各个设备的开启时刻矩阵和关闭时刻矩阵，分别基于模糊聚类获取各设备的聚类中心构成该设备的用电特征集合，其中，最佳聚类数根据设备之间的隶属度确定。

进一步的，求解典型用户集合包括：

采用决策树反映设备用电特征与用户特征之间的映射关系；

采用深度优先搜索算法，通过决策树预剪枝实现对典型用户的搜索。

进一步的，所述决策树的构建方法为：

将提取的设备用电特征与用户相关联；

构建伪用户集合：从每个设备的用电特征集合中，各随机选出一个特征向量，组合成一个伪用户；

通过决策树模型描述伪用户集合，其中，根节点为设备1的某一特征向量，各层子节点为设备2到设备n特征向量，叶节点表示是否对应实际用户的用电模式；

根据设备j的某一特征向量k与设备j+1的任一特征向量s对应的实际居民用户集合是否有交集，确定这两个节点之间的邻接关系。

进一步地，通过决策树预剪枝实现对典型用户的搜索包括：

将决策树中节点间不存在关联的树枝剪除，即为典型用户集合。

进一步地，以单位电价最小化为目标，针对不同的电费套餐，求解典型用户的标杆用电策略包括：

以单位电价最小化为目标，构建电费套餐推荐模型；

采用粒子群算法求解模型，得出备选电费套餐对应的标杆用电策略，并据此向用户推荐电费套餐。

进一步地，采用粒子群算法求解模型包括：

粒子群算法中的每个粒子表示典型用户一种用电策略，将求解过程描述为一个双层循环：

内层循环求解用户在使用某一套餐时达到电费最小化的用电策略；粒子群以单位电价最小化为优化目标进行更新，优化变量为典型用户可调整设备的启动时刻矩阵；

外层循环遍历备选电费套餐集合，确定使电费达到最小化的套餐及相应的标杆用电策略。

一个或多个实施例提供了一种基于典型用户的电费套餐推荐系统，包括：

用电信息获取模块，被配置为获取居民用户的设备用电信息；

用电特征提取模块，被配置为提取各设备的用电特征集合；

典型用户识别模块，被配置为基于设备用电特征与用户特征之间的关系，求解典型用户集合；

用电策略优化模块，被配置为以单位电价最小化为目标，针对不同的电费套餐，求解典型用户设备的标杆用电策略；

电费套餐匹配模块，被配置为根据所述标杆用电策略确定待推荐的电费套餐。

一个或多个实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法的步骤。

一个或多个实施例提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法的步骤。

以上一个或多个技术方案的有益效果为：

通过典型用户实现具有设备用电特征可观性的用户分类，针对典型用户推荐电费套餐，极大提高了推荐效率；并且，“电费套餐+标杆用电策略”的推荐组合，有效发挥了套餐的引导作用，充分挖掘用户的用电弹性，引导用户采用更为合理的用电策略，有助于缓解电网的供需平衡压力。

通过决策树模型构建用电特征与用户特征之间的关联关系，并以此来实现典型用户的识别，保证了设备用电信息的充分利用，能够实现更合理的用户分类。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。

图1是根据一个或多个实施方式的方法的流程图；

图2是本发明实施例1的采用模糊聚类提取设备用电特征的流程图；

图3是本发明实施例1的典型用户构建原理结构图；

图4是本发明实施例1电费套餐推荐模型求解流程图；

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

实施例1

如图1所示，本实施例提供了一种基于典型用户的电费套餐方法，对设备用电特征进行分析和提取，通过典型用户实现反映设备用电规律的用户分类，针对典型用户推荐电费套餐，能够有效提高推荐效率，同时能够得到推荐的电费套餐对应的用电策略，有助于挖掘用户用电调整潜力，降低电网供需平衡压力，并有效降低了用户的用电成本。包括如下步骤：

步骤1：通过居民用户的设备用电信息，采用模糊聚类提取设备用电特征；

步骤2：基于设备用电特征与用户特征之间的关系，求解典型用户集合；其中，所述典型用户集合包含多个具有设备用电特征一致性的用户类；

步骤3：以单位电价最小化为目标，针对不同的电费套餐，求解典型用户设备的标杆用电策略，根据所述标杆用电策略确定待推荐的电费套餐。

所述步骤1中采用非侵入式负荷监测技术采集居民用户的用电信息。

提取设备用电特征的方法，具体为：

步骤11、采集居民用户的设备用电信息，非侵入式负荷监测技术可实现对居民用户电器设备用电情况的辨识，即获取各用电设备的用电量、使用顺序与启停时刻等。用户i的用电设备开启时刻矩阵

和关闭时刻集合

采用公式(1)、 (2)表示，N表示居民用户总数，n表示单个用户的最大用电设备数量，m表示单台用电设备的每日最大开启次数，以Δtmin为分段时长将一天分为T＝60*24/Δt 个时段；

步骤12、模糊聚类的流程图如图2所示。

以欧式距离作为模糊聚类的分类依据，计算各设备的聚类中心。以向量K 记录各设备的分类数，K_j为设备j的分类数,如公式(3)所示。通过聚类得出设备 j的K_j个聚类中心，对应K_j种用电特征，设备j全部聚类中心构成的集合成为设备用电特征集合，记为C_j，如公式(4)所示。

表示设备j第k种用电特征的特征向量，由式(1)、(2)可得，

由设备j共m次的开启时刻

和关闭时刻

构成，如公式(5)所示。

K＝[K₁，K₂，…，K_j…，K_n] (3)

其中，定义划分系数MPC作为最佳聚类数的确定标准，从而限制分类数过大导致的计算量增加，设备j的MPC_j定义如式(6)所示，u_ij,k表示用户i的设备 j对第k个设备用电特征的隶属度。由小到大递增K_j，当K_j取值使MPC_j大于聚类有效性阈值ST_j时，确定其为最佳聚类数，ST_j需根据实际计算参数设定；

步骤13、根据公式(7)确定居民用户的设备使用模式，

代表用户i的设备j的最大隶属度值，即第i个用户的j设备属于km类。

km∈{1，2，…K_j}

所述步骤2中基于设备用电特征与用户特征之间的关系，求解典型用户集合，具体包括：

步骤21、构建决策树模型反映设备特征与用户特征的映射关系；

所述步骤21具体包括：

步骤211、将提取的设备用电特征与用户相关联，作为后续电费套餐推荐的基础。

步骤212、生成伪用户：从每个设备的用电特征集合C_j中，各随机选出一个特征向量

可组合成一个伪用户Z，一般来说，n种设备共可构成

个伪用户，伪用户集合以Ω表示。为了区分不同的伪用户，可将矩阵Z中每种设备入选特征向量的编号k组合成一个编号向量β，作为伪用户Z_β在Ω中的索引，如公式(8)所示。

β＝[β₁，β₂，…，β_n] (8)

步骤213、构建决策树模型：由于用电设备使用具有一定关联性，因此伪用户集合Ω中，必然存在部分伪用户Z_β无法对应居民用户的实际用电情况。因此，本文通过决策树模型描述伪用户集合Ω，并将伪用户按照是否对应实际用户的用电模式分为两类。决策树的根节点为设备1的某一特征向量

各层子节点为设备2到设备n特征向量，叶节点表示最终分类结果，YES代表伪用户对应于实际居民用户的用电模式，NO代表用电模式无实际意义。

步骤22、求解决策树邻接矩阵。

决策树各节点之间的关联关系可表示为max{K_j}*(n-1)阶的邻接矩阵L。

邻接关系根据公式(9)进行判断，其中

表示设备j的第k个用电特征对应的实际居民用户集合。

k∈{1，2，…K_j}，j＝1，2，…n-1

设备j的某一特征向量k与设备j+1的任一特征向量s的邻接关系表示为l,^k

为1表示两节点之间存在关联，为0则表示不存在关联；

步骤23、采用深度优先搜索确定典型用户集合：

通过决策树预剪枝实现对典型用户的搜索，采用如图3所示的深度优先搜索算法，对用户决策树进行预剪枝。

剪除节点间不存在关联的树枝，剪枝后的决策树模型即为典型用户集合。

所述步骤3以单位电价最小化为目标，针对不同的电费套餐，求解典型用户设备的标杆用电策略，根据所述标杆用电策略确定待推荐的电费套餐，具体包括：。

步骤31、以单位电价最小化为目标，构建基于典型用户的电费套餐推荐模型；

相比于直接面向数量庞大的居民用户推荐电费套餐，面向典型用户推荐电费套餐更有效率，且典型用户具有设备用电特征可观性的优势，在套餐推荐中对其加以利用，有利于引导用户通过调整设备达到与电费套餐的更优匹配，向用户提供具体到设备调整的标杆用电策略，能够引导用户合理用电，并降低其用电成本，同时也充分发挥了套餐的引导作用，实现削峰填谷和促进绿色能源消纳的引导目标。

因此，本文构建了基于典型用户的电费套餐推荐模型。以单位电价最小化为目标，针对不同的电费套餐，求解典型用户设备调整标杆用电策略，根据标杆用电策略与电费套餐的对应关系，决策应向典型用户推荐的备选套餐，模型表达式如式(10)所示。

minFy＝Fy(Z'_β,TF_μ) (10)

TF_μ∈TF

式中Fy为标杆用电策略的单位电价，是标杆用电策略Z'_β、电价TF_μ、绿色电能购买率pr的函数，表达式如式(11)所示。θ_j 与

分别表示j设备最早和最晚启动时间，

表示设备在工作时的平均功率，假设n种设备中包含n₁种可调整设备和n₂种刚性设备，

表示设备j在调整后的第r次启动时刻。

步骤32、采用粒子群算法求解上述模型，得出标杆用电策略，根据所述标杆用电策略确定待推荐的电费套餐。

具体包括：将求解过程描述为一个双层循环，粒子群算法中的每个粒子表示典型用户一种用电策略，即每个粒子是一个n*m的矩阵；如图4所示；

通过内层循环求解用户在选用套餐μ时的标杆用电策略，即使用户在选用套餐μ时达到电费最小化的用电策略，粒子群更新是以单位电价fy最小化为优化目标，优化变量为典型用户可转移设备的启动时刻矩阵；

通过外层循环遍历备选套餐集合，并对比各种套餐对应的标杆用电策略的电费，使用户的电费达到最小化的套餐及相应的标杆用电策略将被推荐给用户。

电费套餐是以电网削峰填谷为目标制定的，其考虑了用户的负荷特性和不同需求，但用户看到电费套餐时并不能知晓应该采用何种用电策略才能符合套餐，因此电费套餐对电网削峰填谷的引导作用有限。本实施例基于用户用电行为之间存在的一致性对用户类型进行划分，针对各类典型用户，在考虑经济性的基础上寻求符合各类典型用户的标杆用电策略及相应用电套餐，并且该标杆用电具体到各用电设备的开关行为，有助于用户使用更为合理的用电策略，缓解电网供需压力。

实施例2

本实施例提供一种基于典型用户的居民电费套餐推荐系统，包括：

用电特征提取模块，被配置为提取各设备的用电特征集合；

实施例3

本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中方法的步骤。

实施例4

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中方法的步骤。

以上实施例二、三和四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.一种基于典型用户的居民电费套餐推荐方法，其特征是，包括如下步骤：

2.如权利要求1所述的一种基于典型用户的居民电费套餐推荐方法，其特征是，提取各设备的用电特征集合包括：

3.如权利要求1所述的一种基于典型用户的居民电费套餐推荐方法，其特征是，求解典型用户集合包括：

采用决策树反映设备用电特征与用户特征之间的映射关系；

4.如权利要求3所述的一种基于典型用户的居民电费套餐推荐方法，其特征是，所述决策树的构建方法为：

将提取的设备用电特征与用户相关联；

5.如权利要求4所述的一种基于典型用户的居民电费套餐推荐方法，其特征是，通过决策树预剪枝实现对典型用户的搜索包括：

6.如权利要求1所述的基于典型用户的居民电费套餐推荐方法，其特征是，以单位电价最小化为目标，针对不同的电费套餐，求解典型用户的标杆用电策略包括：

以单位电价最小化为目标，构建电费套餐推荐模型；

7.如权利要求6所述的基于典型用户的居民电费套餐推荐方法，其特征是，采用粒子群算法求解模型包括：

8.一种基于典型用户的居民电费套餐推荐系统，其特征是，包括：

用电特征提取模块，被配置为提取各设备的用电特征集合；

9.一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，其特征是，所述计算机指令被处理器运行时，完成如权利要求1-7任一项方法所述的步骤。

10.一种计算机可读存储介质，用于存储计算机指令，其特征是，所述计算机指令被处理器执行时，完成如权利要求1-7任一项方法所述的步骤。