CN115063167A - 基于客户聚类与相似度匹配的供能服务推荐方法 - Google Patents

基于客户聚类与相似度匹配的供能服务推荐方法 Download PDF

Info

Publication number
CN115063167A
CN115063167A CN202210651701.6A CN202210651701A CN115063167A CN 115063167 A CN115063167 A CN 115063167A CN 202210651701 A CN202210651701 A CN 202210651701A CN 115063167 A CN115063167 A CN 115063167A
Authority
CN
China
Prior art keywords
energy
energy supply
similarity
supply service
text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210651701.6A
Other languages
English (en)
Inventor
廖菁
李文英
文明
罗姝晨
涂钊颖
钟原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210651701.6A priority Critical patent/CN115063167A/zh
Publication of CN115063167A publication Critical patent/CN115063167A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于客户聚类与相似度匹配的供能服务推荐方法，包括获取用能客户的日负荷数据和用能诉求文本数据；将用能客户划分为若干个用能属性；获取供能服务库中各供能服务的属性数据；计算用能属性与供能服务的属性数据之间的文本相似度和用能习惯相似度；计算最佳相似度匹配系数；根据最佳相似度匹配系数对待分析区域内用能客户进行供能服务推荐。本发明提供的这种基于客户聚类与相似度匹配的供能服务推荐方法，能够根据用能客户的用能需求差异归类划分客户用能属性，融合用能习惯相似度与诉求文本相似度的特征，实现精确的双重相似度匹配计算；因此本发明方法的准确性高、可靠性好且客观科学。

Description

基于客户聚类与相似度匹配的供能服务推荐方法
技术领域
本发明属于电气自动化领域，具体涉及一种基于客户聚类与相似度匹配的供能服务推荐方法。
背景技术
随着经济技术的发展，人们对于综合能源供给的要求也越来越高。现在，分布式供能服务已经相对成熟，针对类别多样的用能客户，能够提供不同的供能服务。但是，针对某区域范围内供能用户的各类诉求差异，现有的供能服务并无法精确进行匹配和推荐。
针对以上情况，现在的供能服务商开展了客户用能分析；但是，现在所进行的客户用能分析，单纯以客户的主观表达用能诉求为主，不仅主观性较大，而且偏差较大，无法精准实现供能服务与客户诉求之间的精准推荐。
发明内容
本发明的目的在于提供一种准确性高、可靠性好且客观科学的基于客户聚类与相似度匹配的供能服务推荐方法。
本发明提供的这种基于客户聚类与相似度匹配的供能服务推荐方法，包括如下步骤：
S1.获取待分析区域内用能客户的日负荷数据和用能诉求文本数据；
S2.根据步骤S1获取的数据，采用聚类算法将待分析区域内用能客户划分为若干个用能属性；
S3.获取供能服务库中，各个供能服务的属性数据；
S4.计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的文本相似度；
S5.计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的用能习惯相似度；
S6.根据步骤S4得到的文本相似度和步骤S5得到的用能习惯相似度，计算最佳相似度匹配系数；
S7.根据步骤S6得到的最佳相似度匹配系数，对待分析区域内用能客户进行供能服务推荐。
步骤S1所述的获取待分析区域内用能客户的日负荷数据和用能诉求文本数据，具体为获取待分析区域内用能客户上一日运行周期内的用能负荷数据集P和待分析区域内用能客户的用能诉求文本数据集XW。
步骤S2所述的根据步骤S1获取的数据，采用聚类算法将待分析区域内用能客户划分为若干个用能属性，具体包括如下步骤：
A.挑选k个用能客户，作为初始聚类中心；
B.采用如下算式计算每个用能客户的用能日负荷数据到步骤A中各个初始聚类中心的欧式距离，并归类每个用能客户至距离最近的聚类中心：
Figure BDA0003686368210000021
式中d(pi,oj)为第i个用能客户到第j个初始聚类中心的欧式距离；pi为第i个用能客户的用能日负荷数据；m为用能客户的总数；oj为第j个聚类中心的负荷点；
C.采用如下算式对聚类中心进行更新：
Figure BDA0003686368210000031
式中o'i为更新后第i个聚类中心的负荷点；
Figure BDA0003686368210000033
为在pi＝j时，第i个用能客户的用能日负荷数据；|Ci|为第i个类簇中数据用户对象的个数；
D.采用如下畸变函数SSE(pi,oj)进行校验：
Figure BDA0003686368210000032
若校验通过(SSE(pi,oj)≤SSEmin)，则继续后续步骤；
若校验未通过(SSE(pi,oj)＞SSEmin)，则返回步骤C，并继续进行循环。式中oj为第j个聚类中心的负荷点；SSEmin为畸变函数校验最低阈值。
步骤S3所述的获取供能服务库中，各个供能服务的属性数据，具体包括如下步骤：
获取供能服务库中，各个供能服务的简介内的词语频次，得到文本向量Xwcp；
获取供能服务库中，各个供能服务中各类能源的联合日发电数据cj,i。
步骤S4所述的计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的文本相似度，具体包括如下步骤：
a.构建用户诉求文本向量和服务简介文本向量：
根据用能客户的用能诉求文本数据内各个词语的出现次数，构建用能客户诉求词频，并转换为用户诉求文本向量X'wkp＝{x'wkp1,x'wkp2,...,x'wkpn}，其中x'wkpn为用户诉求文本的各词语出现次数；根据各个供能服务的简介内的词语频次，构建服务简介文本向量X'wcp＝{x'wcp1,x'wcp2,...,x'wcpm}，其中x'wcpm为业务服务简介文本的各词语出现次数；
b.将步骤a构建的用户诉求文本向量和服务简介文本向量，进行维度统一处理：在维度更少的向量中填补0向量，从而使得填补后的用户诉求文本向量和服务简介文本向量的维度统一；
c.采用如下算式计算得到用能属性与供能服务的属性数据之间的文本相似度：
Figure BDA0003686368210000041
式中Xw为用户诉求文本向量与服务简介文本向量之间的向量余弦值；向量余弦值越大，表明用户诉求文本与服务简介文本之间的文本相似度越低；Xwkpi为填补0向量后的用户诉求的文本向量；Xwcpi为填补0向量后的业务服务简介的文本向量。
步骤S5所述的计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的用能习惯相似度，具体包括如下步骤：
(1)采用如下算式计算客户日用能负荷曲线和供能服务的联合日发电数据曲线之间的欧式距离d(y,c)：
Figure BDA0003686368210000042
式中ye,i为第i时刻客户日用能负荷曲线的样本点数据；cj,i为第i时刻供能服务的联合日发电数据曲线的样本点数据；
(2)计算用能习惯相似度Xg为
Figure BDA0003686368210000043
用能习惯相似度Xg的值越大，表明用户的用能习惯和供能服务的功能数据的相似性越高。
步骤S6所述的根据步骤S4得到的文本相似度和步骤S5得到的用能习惯相似度，计算最佳相似度匹配系数，具体包括如下步骤：
1)将文本相似度和用能习惯相似度进行线性加权，从而计算得到第j种供能服务的双重相似度匹配系数Xsc(j)：
Xsc(j)＝awXw(j)+agXg(j)
式中aw为文本相似度的加权权值；ag为用能习惯相似度的加权权值；Xw(j)为用户与第j种供能服务的文本相似度；Xg(j)为用户与第j种供能服务的用能习惯相似度；
2)计算供能服务库中所有供能服务的双重相似度匹配系数；
3)选取最优的双重相似度匹配系数Xsc(max)为Xsc(max)＝max(Xsc(1),Xsc(2),...,Xsc(n))，作为最终的最佳相似度匹配系数；其中max()为取最大值操作。
步骤S7所述的根据步骤S6得到的最佳相似度匹配系数，对待分析区域内用能客户进行供能服务推荐，具体为根据最佳相似度匹配系数，确定与待分析区域内用能客户i匹配度最高的供能服务，并将该供能服务推荐给用能客户i，完成供能服务推荐。
本发明提供的这种基于客户聚类与相似度匹配的供能服务推荐方法，能够根据用能客户的用能需求差异归类划分客户用能属性，融合用能习惯相似度与诉求文本相似度的特征，实现精确的双重相似度匹配计算；因此本发明方法的准确性高、可靠性好且客观科学。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示为本发明的方法流程示意图：本发明提供的这种基于客户聚类与相似度匹配的供能服务推荐方法，包括如下步骤：
S1.获取待分析区域内用能客户的日负荷数据和用能诉求文本数据；具体为获取待分析区域内用能客户上一日运行周期内的用能负荷数据集P和待分析区域内用能客户的用能诉求文本数据集XW；
S2.根据步骤S1获取的数据，采用聚类算法将待分析区域内用能客户划分为若干个用能属性；具体包括如下步骤：
A.挑选k个用能客户，作为初始聚类中心；
B.采用如下算式计算每个用能客户的用能日负荷数据到步骤A中各个初始聚类中心的欧式距离，并归类每个用能客户至距离最近的聚类中心：
Figure BDA0003686368210000061
式中d(pi,oj)为第i个用能客户到第j个初始聚类中心的欧式距离；pi为第i个用能客户的用能日负荷数据；m为用能客户的总数；oj为第j个聚类中心的负荷点；
C.采用如下算式对聚类中心进行更新：
Figure BDA0003686368210000062
式中o'i为更新后第i个聚类中心的负荷点；
Figure BDA0003686368210000063
为在pi＝j时，第i个用能客户的用能日负荷数据；|Ci|为第i个类簇中数据用户对象的个数；
D.采用如下畸变函数SSE(pi,oj)进行校验：
Figure BDA0003686368210000071
若校验通过(SSE(pi,oj)≤SSEmin)，则继续后续步骤；
若校验未通过(SSE(pi,oj)＞SSEmin)，则返回步骤C，并继续进行循环。式中oj为第j个聚类中心的负荷点；SSEmin为畸变函数校验最低阈值；
S3.获取供能服务库中，各个供能服务的属性数据；具体包括如下步骤：
获取供能服务库中，各个供能服务的简介内的词语频次，得到文本向量Xwcp；
获取供能服务库中，各个供能服务中各类能源的联合日发电数据cj,i；
S4.计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的文本相似度；具体包括如下步骤：
a.构建用户诉求文本向量和服务简介文本向量：
根据用能客户的用能诉求文本数据内各个词语的出现次数，构建用能客户诉求词频，并转换为用户诉求文本向量X'wkp＝{x'wkp1,x'wkp2,...,x'wkpn}，其中x'wkpn为用户诉求文本的各词语出现次数；根据各个供能服务的简介内的词语频次，构建服务简介文本向量X'wcp＝{x'wcp1,x'wcp2,...,x'wcpm}，其中x'wcpm为业务服务简介文本的各词语出现次数；
b.将步骤a构建的用户诉求文本向量和服务简介文本向量，进行维度统一处理：在维度更少的向量中填补0向量，从而使得填补后的用户诉求文本向量和服务简介文本向量的维度统一；
c.采用如下算式计算得到用能属性与供能服务的属性数据之间的文本相似度：
Figure BDA0003686368210000081
式中Xw为用户诉求文本向量与服务简介文本向量之间的向量余弦值；向量余弦值越大，表明用户诉求文本与服务简介文本之间的文本相似度越低；Xwkpi为填补0向量后的用户诉求的文本向量；Xwcpi为填补0向量后的业务服务简介的文本向量；
S5.计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的用能习惯相似度；具体包括如下步骤：
(1)采用如下算式计算客户日用能负荷曲线和供能服务的联合日发电数据曲线之间的欧式距离d(y,c)：
Figure BDA0003686368210000082
式中ye,i为第i时刻客户日用能负荷曲线的样本点数据；cj,i为第i时刻供能服务的联合日发电数据曲线的样本点数据；
(2)计算用能习惯相似度Xg为
Figure BDA0003686368210000083
用能习惯相似度Xg的值越大，表明用户的用能习惯和供能服务的功能数据的相似性越高；
S6.根据步骤S4得到的文本相似度和步骤S5得到的用能习惯相似度，计算最佳相似度匹配系数；具体包括如下步骤：
1)将文本相似度和用能习惯相似度进行线性加权，从而计算得到第j种供能服务的双重相似度匹配系数Xsc(j)：
Xsc(j)＝awXw(j)+agXg(j)
式中aw为文本相似度的加权权值；ag为用能习惯相似度的加权权值；Xw(j)为用户与第j种供能服务的文本相似度；Xg(j)为用户与第j种供能服务的用能习惯相似度；
2)计算供能服务库中所有供能服务的双重相似度匹配系数；
3)选取最优的双重相似度匹配系数Xsc(max)为Xsc(max)＝max(Xsc(1),Xsc(2),...,Xsc(n))，作为最终的最佳相似度匹配系数；其中max()为取最大值操作；
S7.根据步骤S6得到的最佳相似度匹配系数，对待分析区域内用能客户进行供能服务推荐；具体为根据最佳相似度匹配系数，确定与待分析区域内用能客户i匹配度最高的供能服务，并将该供能服务推荐给用能客户i，完成供能服务推荐。

Claims (8)

1.一种基于客户聚类与相似度匹配的供能服务推荐方法，包括如下步骤：
S1.获取待分析区域内用能客户的日负荷数据和用能诉求文本数据；
S2.根据步骤S1获取的数据，采用聚类算法将待分析区域内用能客户划分为若干个用能属性；
S3.获取供能服务库中，各个供能服务的属性数据；
S4.计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的文本相似度；
S5.计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的用能习惯相似度；
S6.根据步骤S4得到的文本相似度和步骤S5得到的用能习惯相似度，计算最佳相似度匹配系数；
S7.根据步骤S6得到的最佳相似度匹配系数，对待分析区域内用能客户进行供能服务推荐。
2.根据权利要求1所述的基于客户聚类与相似度匹配的供能服务推荐方法，其特征在于步骤S1所述的获取待分析区域内用能客户的日负荷数据和用能诉求文本数据，具体为获取待分析区域内用能客户上一日运行周期内的用能负荷数据集P和待分析区域内用能客户的用能诉求文本数据集XW。
3.根据权利要求2所述的基于客户聚类与相似度匹配的供能服务推荐方法，其特征在于步骤S2所述的根据步骤S1获取的数据，采用聚类算法将待分析区域内用能客户划分为若干个用能属性，具体包括如下步骤：
A.挑选k个用能客户，作为初始聚类中心；
B.采用如下算式计算每个用能客户的用能日负荷数据到步骤A中各个初始聚类中心的欧式距离，并归类每个用能客户至距离最近的聚类中心：
Figure FDA0003686368200000021
式中d(pi,oj)为第i个用能客户到第j个初始聚类中心的欧式距离；pi为第i个用能客户的用能日负荷数据；m为用能客户的总数；oj为第j个聚类中心的负荷点；
C.采用如下算式对聚类中心进行更新：
Figure FDA0003686368200000022
式中o′i为更新后第i个聚类中心的负荷点；
Figure FDA0003686368200000024
为在pi＝j时，第i个用能客户的用能日负荷数据；|Ci|为第i个类簇中数据用户对象的个数；
D.采用如下畸变函数SSE(pi,oj)进行校验：
Figure FDA0003686368200000023
若校验通过(SSE(pi,oj)≤SSEmin)，则继续后续步骤；
若校验未通过(SSE(pi,oj)＞SSEmin)，则返回步骤C，并继续进行循环。式中oj为第j个聚类中心的负荷点；SSEmin为畸变函数校验最低阈值。
4.根据权利要求3所述的基于客户聚类与相似度匹配的供能服务推荐方法，其特征在于步骤S3所述的获取供能服务库中，各个供能服务的属性数据，具体包括如下步骤：
获取供能服务库中，各个供能服务的简介内的词语频次，得到文本向量Xwcp；
获取供能服务库中，各个供能服务中各类能源的联合日发电数据cj,i。
5.根据权利要求4所述的基于客户聚类与相似度匹配的供能服务推荐方法，其特征在于步骤S4所述的计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的文本相似度，具体包括如下步骤：
a.构建用户诉求文本向量和服务简介文本向量：
根据用能客户的用能诉求文本数据内各个词语的出现次数，构建用能客户诉求词频，并转换为用户诉求文本向量X′wkp＝{x′wkp1,x′wkp2,...,x′wkpn}，其中x′wkpn为用户诉求文本的各词语出现次数；根据各个供能服务的简介内的词语频次，构建服务简介文本向量X′wcp＝{x′wcp1,x′wcp2,...,x′wcpm}，其中x′wcpm为业务服务简介文本的各词语出现次数
b.将步骤a构建的用户诉求文本向量和服务简介文本向量，进行维度统一处理：在维度更少的向量中填补0向量，从而使得填补后的用户诉求文本向量和服务简介文本向量的维度统一；
c.采用如下算式计算得到用能属性与供能服务的属性数据之间的文本相似度：
Figure FDA0003686368200000031
式中Xw为用户诉求文本向量与服务简介文本向量之间的向量余弦值；向量余弦值越大，表明用户诉求文本与服务简介文本之间的文本相似度越低；Xwkpi为填补0向量后的用户诉求的文本向量；Xwcpi为填补0向量后的业务服务简介的文本向量。
6.根据权利要求5所述的基于客户聚类与相似度匹配的供能服务推荐方法，其特征在于步骤S5所述的计算步骤S2得到的用能属性与步骤S3得到的供能服务的属性数据之间的用能习惯相似度，具体包括如下步骤：
(1)采用如下算式计算客户日用能负荷曲线和供能服务的联合日发电数据曲线之间的欧式距离d(y,c)：
Figure FDA0003686368200000041
式中ye,i为第i时刻客户日用能负荷曲线的样本点数据；cj,i为第i时刻供能服务的联合日发电数据曲线的样本点数据；
(2)计算用能习惯相似度Xg为
Figure FDA0003686368200000042
用能习惯相似度Xg的值越大，表明用户的用能习惯和供能服务的功能数据的相似性越高。
7.根据权利要求6所述的基于客户聚类与相似度匹配的供能服务推荐方法，其特征在于步骤S6所述的根据步骤S4得到的文本相似度和步骤S5得到的用能习惯相似度，计算最佳相似度匹配系数，具体包括如下步骤：
1)将文本相似度和用能习惯相似度进行线性加权，从而计算得到第j种供能服务的双重相似度匹配系数Xsc(j)：
Xsc(j)＝awXw(j)+agXg(j)
式中aw为文本相似度的加权权值；ag为用能习惯相似度的加权权值；Xw(j)为用户与第j种供能服务的文本相似度；Xg(j)为用户与第j种供能服务的用能习惯相似度；
2)计算供能服务库中所有供能服务的双重相似度匹配系数；
3)选取最优的双重相似度匹配系数Xsc(max)为Xsc(max)＝max(Xsc(1),Xsc(2),...,Xsc(n))，作为最终的最佳相似度匹配系数；其中max()为取最大值操作。
8.根据权利要求7所述的基于客户聚类与相似度匹配的供能服务推荐方法，其特征在于步骤S7所述的根据步骤S6得到的最佳相似度匹配系数，对待分析区域内用能客户进行供能服务推荐，具体为根据最佳相似度匹配系数，确定与待分析区域内用能客户i匹配度最高的供能服务，并将该供能服务推荐给用能客户i，完成供能服务推荐。
CN202210651701.6A 2022-06-09 2022-06-09 基于客户聚类与相似度匹配的供能服务推荐方法 Pending CN115063167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210651701.6A CN115063167A (zh) 2022-06-09 2022-06-09 基于客户聚类与相似度匹配的供能服务推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210651701.6A CN115063167A (zh) 2022-06-09 2022-06-09 基于客户聚类与相似度匹配的供能服务推荐方法

Publications (1)

Publication Number Publication Date
CN115063167A true CN115063167A (zh) 2022-09-16

Family

ID=83200412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210651701.6A Pending CN115063167A (zh) 2022-06-09 2022-06-09 基于客户聚类与相似度匹配的供能服务推荐方法

Country Status (1)

Country Link
CN (1) CN115063167A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555628A (zh) * 2019-09-11 2019-12-10 国网能源研究院有限公司 一种新能源发电出力与负荷特性匹配程度的综合评价方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555628A (zh) * 2019-09-11 2019-12-10 国网能源研究院有限公司 一种新能源发电出力与负荷特性匹配程度的综合评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
伍言 等: "基于负荷组合与光伏电源匹配算法的微电网配置", 《华东电力》, vol. 40, no. 1, 31 January 2012 (2012-01-31), pages 2 *
王敏;茅鑫同;王鹤梅;袁越;: "基于Copula理论考虑光伏出力与负荷相关性的含光伏电站发电系统可靠性分析", 科学技术与工程, no. 04, 8 February 2016 (2016-02-08) *
郝予实 等: "基于场景识别的云制造服务推荐", ，《计算机集成制造系统》, vol. 26, no. 8, 31 August 2020 (2020-08-31), pages 1 - 4 *

Similar Documents

Publication Publication Date Title
Ding et al. On the equivalence between non-negative matrix factorization and probabilistic latent semantic indexing
Yang et al. Non-dominated sorting genetic algorithm using fuzzy membership chromosome for categorical data clustering
CN108664653A (zh) 一种基于K-means的医疗消费客户自动分类方法
CN117035837B (zh) 一种电力用户购电需求预测及零售合同定制方法
CN112347246B (zh) 一种基于谱分解的自适应文档聚类方法及系统
CN115034206A (zh) 一种客服热点事件发现方法及系统
CN117290364A (zh) 一种市场调查数据智能存储方法
CN112131931A (zh) 基于注意力机制的深度森林高光谱图像分类方法和系统
Huynh et al. Multi-output Gaussian processes for multi-population longevity modelling
CN111275485A (zh) 基于大数据分析的电网客户等级划分方法、系统、计算机设备及存储介质
Hu et al. A hybrid user and item-based collaborative filtering with smoothing on sparse data
CN109213833A (zh) 二分类模型训练方法、数据分类方法及对应装置
CN117591998A (zh) 一种多源异构数据融合的用户全景画像生成方法
CN115063167A (zh) 基于客户聚类与相似度匹配的供能服务推荐方法
CN116885697A (zh) 一种基于聚类分析与智能算法组合的负荷预测方法
Du et al. An Improved Algorithm Based on Fast Search and Find of Density Peak Clustering for High‐Dimensional Data
CN111127184B (zh) 一种分布式组合信用评估方法
CN113656453A (zh) 一种服务供需双边模式关联矩阵构造与更新方法
Zhai et al. Deep product quantization for large-scale image retrieval
Zhang et al. Load data mining based on deep learning method
CN116342168B (zh) 一种信息大数据智能采集管理系统
Sun et al. Discriminative structure learning of sum–product networks for data stream classification
CN118312672B (zh) 基于维度紧缩的大数据智能云获客系统
CN118378180B (zh) 一种金融大数据分析方法及系统
CN117390297B (zh) 一种大规模人才智库信息优化匹配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination