綜合能源線上服務(wù)推薦算法研究

周磊 朱超群 駱釗 高澤勇

摘 要：隨著市場競爭的日趨激烈和電力產(chǎn)業(yè)的不斷升級，綜合能源服務(wù)正成為未來電力發(fā)展的新趨勢。綜合能源線上電商化服務(wù)是未來電網(wǎng)智能能源的關(guān)鍵組成部分，也是從電網(wǎng)能源集成服務(wù)向多能源服務(wù)提供商競爭供應(yīng)戰(zhàn)略轉(zhuǎn)型的重要途徑，一種有效的綜合能源服務(wù)推薦方法對綜合能源公司在能源競爭中占據(jù)有利地位具有重要作用。鑒于此，根據(jù)用戶的興趣特點和用戶在系統(tǒng)中的行為數(shù)據(jù)來挖掘用戶的興趣偏好，選取部分數(shù)據(jù)建立用戶興趣圖譜并進行譜聚類，將聚類后的數(shù)據(jù)導入隨機森林模型進行評分預測訓練，剩余數(shù)據(jù)提取用戶屬性信息導入模型獲取預測評分，并與原始評分進行對比，以驗證模型的有效性。

關(guān)鍵詞：綜合能源服務(wù);推薦算法;興趣圖譜;譜聚類;隨機森林

0? ? 引言

隨著國家對電力體制改革的不斷推進、售電側(cè)市場的開放以及新型能源大量接入傳統(tǒng)電網(wǎng)，綜合能源服務(wù)將逐漸成為電網(wǎng)公司的運營重點。目前，我國電力企業(yè)發(fā)展正處于轉(zhuǎn)型的關(guān)鍵時期[1-6]。綜合能源服務(wù)是一種新型的能源服務(wù)模式，可以滿足客戶多樣化的能源生產(chǎn)和消費需求，涉及能源規(guī)劃設(shè)計、設(shè)施投資建設(shè)、多能源運行服務(wù)、融資服務(wù)等。同時，綜合能源服務(wù)融合了物聯(lián)網(wǎng)、大數(shù)據(jù)和云計算等關(guān)鍵技術(shù)，以提高能源利用率，降低能源使用成本。目前，已有很多學者針對綜合能源服務(wù)進行了深入的研究，同時，推薦系統(tǒng)在生活中也有諸多應(yīng)用，并給人們帶來了極大的便利，但關(guān)于綜合能源服務(wù)推薦的相關(guān)文獻還很少。

綜合能源服務(wù)推薦在未來將成為綜合能源服務(wù)的重要組成模塊，鑒于此，本文提出一種集成學習的隨機森林推薦算法，結(jié)合綜合能源用戶興趣圖譜，幫助用戶在大量綜合能源服務(wù)類型信息中以最快的速度獲取感興趣及有用的服務(wù)類別。

本文首先介紹綜合能源線上服務(wù)目錄;然后對獲取的綜合能源用戶評分數(shù)據(jù)進行興趣圖譜譜聚類，再將聚類數(shù)據(jù)導入隨機森林回歸模型訓練;最后進行簡單的案例研究，驗證推薦算法的正確性，并對本文研究進行總結(jié)。

1? ? 綜合能源線上服務(wù)目錄

本文提出的綜合能源服務(wù)目錄包括6個菜單：新零售、智能硬件、企業(yè)代維、能效提升、移動儲能和電力設(shè)備租賃。

2? ? 綜合能源服務(wù)推薦模型的建立及訓練

本節(jié)將建立基于隨機森林的綜合能源服務(wù)推薦模型。首先對獲取的用戶數(shù)據(jù)進行用戶興趣圖譜畫像，取出80%的數(shù)據(jù)作為訓練集，剩余20%的數(shù)據(jù)作為測試集，再將訓練集數(shù)據(jù)根據(jù)其屬性及用戶之間的內(nèi)在因子進行聚類，聚類完成后的每一簇數(shù)據(jù)導入隨機森林模型進行訓練。

2.1? ? 基于譜聚類的興趣圖譜

本文數(shù)據(jù)來源于電網(wǎng)公司，收集了10 000名綜合能源用戶對24項服務(wù)類型的評分以及用戶屬性（電壓等級、歷史用電量、年產(chǎn)值、占地面積以及電費占比等）。

2.1.1? ? 構(gòu)建用戶興趣圖譜

對收集到的結(jié)構(gòu)化用戶信息進行屬性、關(guān)系、實體提取，通過指代消解、實體消歧、實體鏈接等關(guān)鍵技術(shù)，將零散的信息進行知識融合后得到一系列知識的表達，再經(jīng)質(zhì)量評估得到用戶興趣圖譜。

2.1.2? ? 譜聚類

將構(gòu)建好的結(jié)構(gòu)化的用戶興趣圖譜與能源服務(wù)產(chǎn)品之間建立聯(lián)系，進行用戶偏好聚類。將用戶屬性與能源服務(wù)產(chǎn)品進行關(guān)聯(lián)，將評分相近的用戶聚類，為后續(xù)屬性相同的新用戶提供評分預估基礎(chǔ)。針對一個新用戶，暫時不參考其訪問和評價標簽，先根據(jù)用戶標簽，考慮其業(yè)務(wù)方面的特點進行推薦。

2.2? ? 隨機森林回歸模型

隨機森林回歸模型由多棵CART（Classification and Regression Tree）[7]回歸樹構(gòu)成，回歸樹對應(yīng)著輸入空間（特征空間）的一個劃分以及在劃分單元上的輸出值，可用集合來表示，即：{h（X，Ψk）|k=1，2，…，N}，X表示輸入向量矩陣，Ψk表示生成k棵子回歸樹，其集合中生長的子回歸樹都是基于Bootstrap方法抽取的獨立樣本，且具有相同的分布[4]，最后統(tǒng)計得出最終推薦結(jié)果。

Step1：假定劃分的訓練集數(shù)據(jù)樣本為N，則從中采用Bootstrap抽樣方法抽取容量相同的樣本，形成訓練子集。

Step2：假設(shè)訓練子集有M個特征，則從中隨機抽取m個作為分裂特征子集（m≤M），后續(xù)采用CART回歸算法分裂而不剪枝。

Step3：重復n次Step1～Step2，從而生成相應(yīng)數(shù)量的子回歸樹（Ψ1，Ψ2，…，Ψn）并進行結(jié)果預測，構(gòu)成RF回歸預測推薦模型。

Step4：利用劃分的測試集驗證該模型的可靠性，以n棵子回歸樹的輸出平均值獲得最終推薦結(jié)果。

本文采用Forest-RI形式，若訓練集有M維，隨機選擇F（F≤M）個特征向量進行訓練，如果F取得足夠小，則子樹間的相關(guān)性趨于減弱;同時，子樹集成的效果又隨著F的增大而提高。綜合考慮，通常需要按照經(jīng)驗公式（1）[6]確定F值。

F=1+log2M? ? ? ? ? ? ? ? ? ? （1）

2.3? ? 基于譜聚類的隨機森林推薦模型訓練

基于譜聚類與隨機森林算法模型內(nèi)容以及綜合能源用戶的真實評分數(shù)據(jù)，構(gòu)建個性化推薦系統(tǒng)。選取80%的用戶原始數(shù)據(jù)進行處理，構(gòu)建用戶興趣圖譜，圖譜導入譜聚類模型進行分割，聚類為Nc（Nc=6）簇，將Nc簇數(shù)據(jù)歸一化處理后導入隨機森林回歸模型，使用經(jīng)驗公式獲得模型超參數(shù)，F(xiàn)R模型訓練結(jié)束后，獲得各子序列分量的預測值并進行反歸一化處理，通過疊加所有子序列的預測值得到最終的預測結(jié)果。

3? ? 案例分析

將剩余20%作為測試集的數(shù)據(jù)導入訓練完成的基于譜聚類的隨機森林推薦模型中，得到的推薦結(jié)果如圖1所示。

提取測試集中用戶屬性數(shù)據(jù)導入上述推薦模型中，經(jīng)模型計算后得出綜合能源用戶對24項服務(wù)類型的預測評分，將每一用戶對服務(wù)類別的預測評分和測試集原始評分由高到低進行排序，再將排序后的預測評分和測試集原始評分取前十的每一項進行“與”運算。若項目類別及評分相同，則在對比結(jié)果中顯示項目服務(wù)類別;若項目類別及評分不相同，則在對比結(jié)果中顯示“nan”。

由圖1推薦結(jié)果可以看出，該推薦模型經(jīng)過訓練后，導入用戶屬性數(shù)據(jù)，得到的服務(wù)類別預測評分與實際評分重合度較高，推薦準確率達到60%，說明該推薦模型是有效的。

4? ? 結(jié)語

基于綜合能源服務(wù)類型包含的6個一級目錄，即新零售、智能硬件、企業(yè)代維、能效提升、移動儲能和電力設(shè)備租賃，本文提出了一種針對綜合能源服務(wù)的推薦方法，該基于譜聚類的隨機森林推薦算法適用于綜合能源服務(wù)推薦，可以作為功能模塊集成在未來的綜合能源服務(wù)平臺中。最后，本文通過一個簡單的案例證明了所提出的類別和服務(wù)推薦方法的有效性。

[參考文獻]

[1] 李揚，宋天立，王子健.基于用戶數(shù)據(jù)深度挖掘的綜合能源服務(wù)關(guān)鍵問題探析[J].電力需求側(cè)管理，2018，20（3）：1-5.

[2] JAIN N，ALLEYNE A G.A Framework for the Optimization of Integrated Energy Systems[J].Applied Thermal Engineering，2012，48：495-505.

[3] 王靜雯，李華強，李旭翔，等.綜合能源服務(wù)效用模型及用戶需求評估[J].中國電機工程學報，2020，40（2）：411-425.

[4] MIKOLOV T，SUTSKEVER I，CHEN K，et al.Distributed Representations of Words and Phrases and their Compositionality[C]// Proceedings of the 26th

International conference on Neural Information Processing Systems，2013：3111-3119.

[5] CHEN T Q，ZHANG W N，LU Q X，et al.SVDFeature：A Toolkit for Feature-based Collaborative Filtering[J].Journal of Machine Learning Research，2012，13（116）：3619-3622.

[6] GOLDBERG D，NICHOLS D，OKI B M，et al.Using Collaborative Filtering to Weave an Information Tapestry[J].Communications of the ACM，1992，35（12）：61-70.

[7] LESKOVEC J，RAJARAMAN A，ULLMAN J D.Mining of Massive Datasets[M].3rd ED.Cambridge：Cambridge University Press，2020.

收稿日期：2021-02-03

作者簡介：周磊（1989—），男，山西臨汾人，博士，工程師，研究方向：營業(yè)業(yè)務(wù)管理、電能替代和綜合能源技術(shù)。

朱超群（1992—），男，山東菏澤人，碩士，工程師，研究方向：電能替代和綜合能源技術(shù)。

通信作者：駱釗（1986—），男，云南鎮(zhèn)雄人，博士，副教授，研究方向：微電網(wǎng)優(yōu)化、電力系統(tǒng)運行與控制、信息技術(shù)在電力系統(tǒng)中的應(yīng)用。