CN116596640A - 电力零售电费套餐的推荐方法、***、设备及存储介质 - Google Patents
电力零售电费套餐的推荐方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116596640A CN116596640A CN202310882913.XA CN202310882913A CN116596640A CN 116596640 A CN116596640 A CN 116596640A CN 202310882913 A CN202310882913 A CN 202310882913A CN 116596640 A CN116596640 A CN 116596640A
- Authority
- CN
- China
- Prior art keywords
- electricity
- retail
- user
- package
- electric
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000005611 electricity Effects 0.000 claims abstract description 351
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及套餐推荐领域，提供了一种电力零售电费套餐的推荐方法、***、设备及存储介质。该方法包括根据用电属性将样本集中的用户划分为不同的用户基本用电类型；依据所述套餐选择，以电力零售电费套餐的选择次数为评分依据，构建用户基本用电类型的用户偏好评分矩阵；在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类，建立用户细分类别；对用户偏好评分矩阵进行调整，并对电力零售电费套餐进行排序，选取N个高评分套餐；根据目标用户的用电属性确定用户基本用电类型，计算目标用户与各细分类别聚类中心的距离，选取距离最近的细分类别，将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集。
Description
技术领域
本发明涉及电力营销工作电费套餐推荐领域，尤其涉及一种电力零售电费套餐的推荐方法、***、设备及存储介质。
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，不必然构成在先技术。
与传统市场化零售业务相比，零售电价由“一户一价”模式转变为“套餐模式”，按照价格形成方式，目前电力零售套餐电量价格可分为固定价格类、阶梯价格类、市场费率类和混合类，后续还将推出更多电费套餐。
固定价格类：在合同期内，每天各时段的价格是固定的。
阶梯价格类：市场初期可按照月度用电量（逐渐过渡到分时电量）设置2-4级阶梯价格，每级阶梯内电量价格固定。用户时段用电量按照分级标准从第一级开始依次执行阶梯电价。市场主体为集团户的，出现阶梯超档时，超档部分电量按各分（子）户结算期内实际用电量比例分摊。
市场费率类：时段电量价格参照某一基准价格按月浮动。初期基准价格暂按电力现货市场分时段用电侧价格月度算术平均值执行，市场成熟后可以根据需求适当增加基准价格类型。
混合类：采用固定价格+市场费率混合模式，时段电量按照比例分为固定费率部分（1-99%）和市场费率部分（99-1%）。
在电力零售套餐业务推出后，对于广大零售用户，面对市场上种类繁多的零售套餐，用户往往不清楚如何进行选择，选择什么样的套餐是最适合自身的用电特性的。用户想要在几百种套餐中选出最适合自身情况的，是一项复杂的智力工程。
而目前的各地电力零售平台仅仅为电力零售用户提供相关的零售套餐科普级说明，未能就用户的实际用电情况，做出智能化的套餐推荐，难以发挥电费套餐对用电行为的引导，不能真正实现电网的削峰填谷，解决电网供需平衡压力。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种电力零售电费套餐的推荐方法、***、设备及存储介质，其根据不同的电费套餐、用户的特性及实际用电情况，运用对标相似用户与客观评分相结合的方式，对不同电费套餐下的用电零售电费进行计算比对，辅助用户更为科学的完成电力零售套餐的选择，在满足用户尽量花费最小的前提下，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：
本发明的第一个方面提供一种面向目标用户的电力零售电费套餐的推荐方法。
电力零售电费套餐的推荐方法，包括：
将已使用电力零售电费套餐的用户作为样本集，获取样本集中每位用户的套餐选择、用电属性和负荷数据；
根据用电属性将样本集中的用户划分为不同的用户基本用电类型；
依据所述套餐选择，以电力零售电费套餐的选择次数为评分依据，构建用户基本用电类型的电力零售电费套餐用户偏好评分矩阵；
在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类，建立用户细分类别；
基于用户细分类别对电力零售电费套餐用户偏好评分矩阵进行调整，并根据调整后的电力零售电费套餐用户偏好评分矩阵中的评分对电力零售电费套餐进行排序，选取N个高评分套餐；
根据目标用户的用电属性确定用户基本用电类型，计算目标用户与所属用户基本用电类型下各细分类别聚类中心的距离，选取距离最近的细分类别，将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集；
计算N个高评分套餐对应的预期电费，将对应预期电费最小值的电力零售电费套餐推荐给该目标用户。
进一步地，所述考虑样本用户的负荷数据，在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类的过程包括：
对用户的负荷数据进行处理，得到各用户典型日负荷曲线；
提取各用户典型日负荷曲线的特征，得到若干个用电特征；
确定初始化的聚类中心，计算每个用户的用电特征与聚类中心的距离；
更新聚类中心，重复聚类的过程，直到满足聚类终止的条件。
进一步地，所述电力零售电费套餐包括：固定价格类、阶梯电价类、市场费率类和混合类。
更进一步地，当电力零售电费套餐为固定价格类时，电费的计算过程为：
按照市场化计量点加载日清电量数据；
将日清电量数据按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
按照固定套餐内每个时段的电价计算零售套餐用户每个时段的电费；
汇总零售套餐用户每个时段的电量电费，得出日清总电量和总零售交易电费；
加权均价=总零售交易电费÷日清总电量；
零售套餐用户零售交易电费=月结总电量×加权均价。
更进一步地，当电力零售电费套餐为阶梯电价类时，电费的计算过程为：
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
按照市场主体汇总月结电量，得出每个市场主体的月结总电量；
按照市场主体和零售套餐用户的对应关系，计算出市场主体下零售套餐用户的月结电量比例；
根据阶梯电量范围和市场主体月结总电量，计算出市场主体每档的电量；
根据零售套餐用户月结电量比例分摊市场主体每档的电量；
零售套餐用户每档的电量乘以每档电价，得出每档的电费。
更进一步地，当电力零售电费套餐为市场费率类时，电费的计算过程为：
按照市场化计量点加载日清电量数据；
将日清电量数据按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
然后根据基准价格的计算方式，判断按日前价格或实时价格计算，基准价格为日前价格或实时价格的算术平均值；
将电量、电价、价格调整系数相乘，得出零售套餐用户每个时段的电费；
汇总零售套餐用户每个时段的电量电费，得出日清总电量和总零售交易电费；
加权均价=总零售交易电费÷日清总电量；
零售套餐用户零售交易电费=月结总电量×加权均价。
更进一步地，当电力零售电费套餐为混合类时，电费的计算过程为：
按照市场化计量点加载日清电量数据；
将日清电量数据按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
根据固定套餐结算电量比例计算得出零售套餐用户固定套餐部分的每个时段的实际用电量；
固定套餐部分每个时段的电量乘以电价得出每个时段的电费；
每个时段的总电量减去固定套餐部分的电量，得出费率类部分每个时段的实际用电量；
根据基准价格计算方式和价格调整系数，计算出每个时段的基准价格，乘以对应时段电量，得出每个时段的电费；
将固定部分和费率部分的电量电费汇总，得出日清总电量和总零售交易电费；
加权均价=总零售交易电费÷日清总电量；
零售套餐用户零售交易电费=月结总电量×加权均价。
本发明的第二个方面提供一种电力零售电费套餐的推荐***。
电力零售电费套餐的推荐***，包括：
数据获取模块，其被配置为：将已使用电力零售电费套餐的用户作为样本集，获取样本集中每位用户的套餐选择、用电属性和负荷数据；
初级分类模块，其被配置为：根据用电属性将样本集中的用户划分为不同的用户基本用电类型；
用户偏好评分矩阵构建模块，其被配置为：依据所述套餐选择，以电力零售电费套餐的选择次数为评分依据，构建用户基本用电类型的电力零售电费套餐用户偏好评分矩阵；
二次分类模块，其被配置为：在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类，建立用户细分类别；
套餐排序模块，其被配置为：基于用户细分类别对电力零售电费套餐用户偏好评分矩阵进行调整，并根据调整后的电力零售电费套餐用户偏好评分矩阵中的评分对电力零售电费套餐进行排序，选取N个高评分套餐；
备选套餐确定模块，其被配置为：根据目标用户的用电属性确定用户基本用电类型，计算目标用户与所属用户基本用电类型下各细分类别聚类中心的距离，选取距离最近的细分类别，将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集；
推荐模块，其被配置为：计算N个高评分套餐对应的预期电费，将对应预期电费最小值的电力零售电费套餐推荐给该目标用户。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的电力零售电费套餐的推荐方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的电力零售电费套餐的推荐方法中的步骤。
与现有技术相比，本发明的有益效果是：
根据用户（本发明中称为目标用户）的用电特性匹配与其相似的用户，筛选出相似用户最愿意选择的零售电费套餐集合，对集合中的各套餐进行用户电费试算，依据试算结果进行比对，为用户进行零售套餐的选择提供科学的数据支撑，辅助电力零售用户在交易之前充分了解各种不同套餐模式下的电费成本，推动零售用户依据自身的企业发展及生产规划，制定合理的电力交易方案，有效发挥电费套餐的引导作用，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。
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不当限定。
图1是本发明示出的电力零售电费套餐的推荐方法的流程图。
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，以下详细说明都是例示性的，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。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种电力零售电费套餐的推荐方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和***，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
将已使用电力零售电费套餐的用户作为样本集，获取样本集中每位用户的套餐选择、用电属性和负荷数据；
根据用电属性将样本集中的用户划分为不同的用户基本用电类型；
依据所述套餐选择，以电力零售电费套餐的选择次数为评分依据，构建用户基本用电类型的电力零售电费套餐用户偏好评分矩阵；
在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类，建立用户细分类别；
基于用户细分类别对电力零售电费套餐用户偏好评分矩阵进行调整，并根据调整后的电力零售电费套餐用户偏好评分矩阵中的评分对电力零售电费套餐进行排序，选取N个高评分套餐；
根据目标用户的用电属性确定用户基本用电类型，计算目标用户与所属用户基本用电类型下各细分类别聚类中心的距离，选取距离最近的细分类别，将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集；
计算N个高评分套餐对应的预期电费，将对应预期电费最小值的电力零售电费套餐推荐给该目标用户。
下面对本实施例进行详细描述：
1、样本用户初级分类
电力用户的用电属性不同，其用电性质与用电偏好也不同。过去将电力用户分成四大类：居民生活用电、一般工商业用电、大工业用电、农业生产用电，但这仅考虑了用户的用电性质，随着电力市场的发展与零售套餐的普及，应当依据行业属性对电力用户做进一步分类，以更好的描述其用电偏好。依据《国民经济行业用电分类（NB/T 33030-2018）》，本实施例对样本用户做如下初级分类：（1）农、林、牧、渔业用户；（2）采矿业用户；（3）制造业用户；（4）电力、热力、燃气和水生产及供应业用户；（5）建筑业用户；（6）交通运输、仓储和邮政业用户；（7）信息传输、软件和信息技术服务业用户；（8）批发和零售业用户；（9）住宿和餐饮业用户；（10）金融业用户；（11）房地产业用户；（12）租赁和商务服务业用户；（13）公共服务及管理组织用户。
2、用户偏好评分矩阵
针对初级分类后确定基本用电类型的某类用户，以其对电力零售电费套餐的选择次数作为评分基础，建立用户偏好评分矩阵，考虑到用户对套餐的认知与消费偏好随时间变化，本实施例对用户套餐选择次数的统计以季度为周期。同时，由于套餐使用过程中的度电成本直接影响用户对套餐的偏好，因此取度电成本的倒数作为该次套餐选择行为的权重，度电成本越低，套餐评分越高，即对用户集和套餐集/>，偏好评分矩阵/>中的元素/>的计算方式如下：
(1)
式中：为用户/>在统计周期内选择套餐/>的次数，/>为第/>次选择该套餐时的度电成本。
3、样本用户二次分类
在基本用电类别基础上，考虑用户的负荷数据，采用聚类方法对子集合中的样本用户进行二次分类。本实施例采取k-means聚类算法，具体流程如下：
（3-1）数据预处理
首先对用户负荷数据进行处理，得到各用户典型日负荷曲线，其次对用户负荷曲线进行特征提取，以实现数据降维，本实施例提取的用电特征包括：
（3-1-1）日平均负荷；
（3-1-2）负荷率：平均负荷与最大负荷比值；
（3-1-3）最高利用小时数：总用电量与最大负荷比值；
（3-1-4）峰谷差率：最大最小负荷之差与最大负荷比值；
（3-1-5）峰期负载率：峰时段负荷均值与日平均负荷比值，其中峰时段指08:00-11:00、18:00-21:00；
（3-1-6）平期负载率：平时段负荷均值与日平均负荷比值，其中平时段指06:00-08:00、11:00-18:00、21:00-22:00；
（3-1-7）谷期负载率：谷时段负荷均值与日平均负荷比值，其中谷时段指22:00-24:00、00:00-06:00。
（3-2）初始化阶段：将聚类类数设为，随机选取/>个用户，将其初始化为聚类中心/>，将误差阈值初始化为/>。
（3-3）分类阶段：将每个用户分配到与其距离最近的聚类中心所属的类中。在这个步骤中，使用马式距离作为距离度量。其中，对于以用电特征表征的用户向量和聚类中心向量/>（/>为用电特征数目），二者的马氏距离表示为：
(2)
式中：为第/>个用户向量与/>个聚类中心向量不同维度之间的协方差矩阵的逆矩阵。
协方差矩阵的计算过程如下：
（3-3-1）对，有：
(3)
式中：为第/>个维度的均值。
（3-3-2）计算各维度之间的协方差，第个维度之间的协方差表示为：
(4)
（3-3-3）得到协方差矩阵：
(5)
（3-4）更新阶段：更新聚类中心，新的聚类中心是该类中所有用户各用电特征的平均值，记为/>。
（3-5）结束阶段：计算聚类误差DB指数，当/>，则令/>并跳转到步骤（3）；若/>，则结束聚类。DB指数的计算方式为：
(6)
式中：、/>分别为类/>、/>内的平均距离。
马氏距离不仅考虑了特征之间的相关性，并且通过协方差矩阵消除了不同特征在量纲上的差距，因此在进行步骤（3-1）数据预处理时，无需对数据进行标准化。
4、个高评分电力零售电费套餐获取
在用户偏好评分矩阵的基础上，对每个用户所选套餐按评分高低进行排序，取前个作为该用户高评分套餐。在完成用户二次分类后，对细分类/>中的用户，统计其高评分套餐中各套餐的选择次数并按次数由高到低排序，取前/>个作为该类用户高评分电力零售电费套餐。
5、目标用户个备选套餐获取
首先对目标用户进行用电属性判定与负荷特征提取，在得到初级分类后，计算目标用户与该基本用电类型下细分类别各聚类中心的马氏距离，将与其距离最近的聚类中心所属类别的个高评分电力零售电费套餐作为该目标用户的备选套餐集。
6、目标用户预期电费计算
依据目标用户负荷数据，分别计算个推荐套餐下目标用户的预期电费，不同类别套餐的计算方式如下。
（6-1）固定价格类
固定价格类零售套餐或零售合同有效期内每天各时段价格固定，分为全周期统一价格、分时段价格套餐、分月套餐，无论是哪一种，都规定了生效的月份、时段的电价。具体计算步骤如下：
（6-1-1）按照市场化计量点加载日清电量数据；
（6-1-2）将日清电量按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
（6-1-3）按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
（6-1-4）按照固定套餐内每个时段的电价计算零售套餐用户每个时段的电费；
（6-1-5）汇总零售套餐用户每个时段的电量电费，得出日清总电量和总零售交易电费；
（6-1-6）加权均价=总零售交易电费÷日清总电量；
（6-1-7）零售套餐用户零售交易电费=月结总电量×加权均价；
（6-2）阶梯电价类
零售市场建设初期，按照月度用电量设置2-4级阶梯价格，每个阶梯内价格固定，各时段用电量根据阶梯划分标准从第一阶梯依次执行阶梯价格。零售市场成熟后初步过渡到按时段划分分时阶梯电量。具体计算步骤如下：
（6-2-1）按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
（6-2-2）按照市场主体汇总月结电量，得出每个市场主体的月结总电量；
（6-2-3）按照市场主体和零售套餐用户的对应关系，计算出市场主体下零售套餐用户的月结电量比例；
（6-2-4）根据阶梯电量范围和市场主体月结总电量，计算出市场主体每档的电量；
（6-2-5）根据零售套餐用户月结电量比例分摊市场主体每档的电量；
（6-2-6）零售套餐用户每档的电量乘以每档电价，得出每档的电费。（每档电费都保存一条总电费和一条电费明细）
（6-3）市场费率类
市场费率类计算方法的各时段电量价格参照某一基准价格按月浮动，零售市场建设初期，以现货市场用户侧日前或实时价格月度算术平均值作为基准价格。具体计算步骤如下：
（6-3-1）按照市场化计量点加载日清电量数据；
（6-3-2）将日清电量按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
（6-3-3）按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
（6-3-4）然后根据基准价格的计算方式，判断按日前价格还是实时价格计算，基准价格为日前或实时价格的算术平均值；（每个时段都有对应的基准价格，计算一个月内的算术平均值，在录入档案时先计算完成，算法直接取算术平均值，避免算费时重复计算浪费性能）
实时结算价格为基准价格：Zt=K×Pt.实时平均
Zt：零售价格；
K：价格调整系数；
Pt.实时平均：现货市场实时结算价格月度算术平均值。
日前结算价格为基准价格：Zt=K×Pt.实时平均
Zt：零售价格；
K：价格调整系数；
Pt.实时平均：现货市场日前结算价格月度算术平均值。
（6-3-5）再将电量、电价、价格调整系数相乘，得出零售套餐用户每个时段的电费；
（6-3-6）汇总零售套餐用户每个时段的电量电费，得出日清总电量和总零售交易电费；
（6-3-7）加权均价 = 总零售交易电费 ÷ 日清总电量；
（6-3-8）零售套餐用户零售交易电费 = 月结总电量 × 加权均价；
（6-4）混合类
混合类套餐是指在套餐中约定部分固定价格类和市场费率类的电量比例，两部分加权平均价格即为套餐结算价格。其中混合类套餐首先约定固定套餐电量比例（大于1%小于99%），其余的比例按照市场费率类结算。具体计算步骤如下：
（6-4-1）按照市场化计量点加载日清电量数据；
（6-4-2）将日清电量按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
（6-4-3）按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
（6-4-4）根据固定套餐结算电量比例计算得出零售套餐用户固定套餐部分的每个时段的实际用电量；
（6-4-5）固定套餐部分每个时段的电量乘以电价得出每个时段的电费；
（6-4-6）每个时段的总电量减去固定套餐部分的电量，得出费率类部分每个时段的实际用电量；
（6-4-7）根据基准价格计算方式和价格调整系数，计算出每个时段的基准价格，乘以对应时段电量，得出每个时段的电费；
（6-4-8）将固定部分和费率部分的电量电费汇总，得出日清总电量和总零售交易电费；
（6-4-9）加权均价=总零售交易电费÷日清总电量；
（6-4-10）零售套餐用户零售交易电费=月结总电量×加权均价。
下面以某35千伏市场化交易用户X，计划参与市场化零售市场交易。拟通过2月份的电量信息测算各类套餐的电力成本，以选择合适的售电公司及套餐。该用户2月份结算电量63278990千瓦时，全月各时段电量情况见表1所示。注意：本案例设置日清总电量与月结电量存在差异，便于理解实际算费过程。
表1 用户X 2月份日清电量
当前A售电公司提供5类套餐，分别为：全周期固定价格套餐（如表2所示）、分月分时段固定价格套餐（如表3所示）、阶梯价格套餐（如表4所示）、市场费率类套餐（如表5所示）和混合类套餐。为简化计算，各类套餐均不设置偏差考核、违约金等附加条件。
表2 全周期固定价格详情
表3 分月分时段固定价格详情
表4 阶梯价格详情
费率类套餐分为日前价格和实时价格两种计费模式，两种模式计算过程类似，只是价格形成方式不同。为简化计算，本案例以实时价格为例进行说明。
表5 费率类价格详情
该售电公司提供的混合类套餐由分月分时段固定价格套餐和费率类套餐组合而成，其中80%的月结电量执行分月分时段固定价格套餐价格，剩余部分执行费率类套餐价格。
由于基本电费、力调电费计算方式不受市场交易方式影响，测算案例中不考虑基本电费、力调电费，仅对各套餐电费进行推演计算。
若用户X与A售电公司签订全周期统一价格套餐零售套餐，考核日各时段结算电价均为0.3758元/千瓦时，最终计算零售交易电费23780244.44元。计算过程如下：
（1）首先计算用户X全月各时段日清电费，全月各时段日清电费=各时段日清电量×各时段套餐价格。
表6 用户X全月各时段日清分时电费详情
（2）汇总用户每个时段的电量电费，得出日清总电量和总零售交易电费。从表6计算可以看出，日清分时总电量63282926，日清分时总电费23781723.60。
（3）根据日清分时总电费和日清总电量计算月度结算加权均价。即月度结算加权均价=日清分时总电费/日清分时总电量=23781723.60/63282926=0.3758.
（4）零售交易电费=月结总电量×月度结算加权均价=63278990 × 0.3758 =23780244.44
若用户X与A售电公司签订全周期统一价格套餐零售套餐，最终计算零售交易电费23386142.89元。计算过程如下：
（1）首先从套餐信息中获取2月份各时段套餐价格，计算用户X全月各时段日清电费，全月各时段日清电费=各时段日清电量×各时段套餐价格。
表7 用户X全月各时段日清电费详情
（2）汇总用户每个时段的电量电费，得出日清总电量和总零售交易电费。从表7计算可以看出，日清分时总电量63282926，日清分时总电费23387575.15。
（3）根据日清分时总电费和日清总电量计算月度结算加权均价。即月度结算加权均价=日清分时总电费/日清分时总电量=23387575.15/63282926=0.369572.
（4）零售交易电费=月结总电量×月度结算加权均价=63278990 × 0.369572 =23386142.89
从阶梯套餐中可以看出，本套餐执行两档电价，并且阶梯一、二档均执行全周期固定价格，其中一档档位电量为50000000。若用户X与A售电公司签订全周期统一价格套餐零售套餐，A售电公司阶梯电费价格详情如表8所示，最终计算零售交易电费23548034.34元。计算过程如下：
（1）根据月结电量和阶梯档位进行比较，月结电量63278990 大于一档档位50000000。可以计算得出：一档阶梯电量=50000000，二档阶梯电量=63278990-50000000 =13278990。
表8 A售电公司阶梯电费价格详情
（2）根据套餐阶梯电价，分别计算一、二档阶梯电费。
一档阶梯电费=一档阶梯电量×一档阶梯电价=50000000×0.3685=18425000
二档阶梯电费=二档阶梯电量×二档阶梯电价 =13278990×0.3858=5123034.34
（3）计算零售套餐交易电费=一档阶梯电费+二档阶梯电费=23548034.34
为方便后续计算引用，费率类套餐价格展示的是全月各时段的实时算术平均价格。实际上该算术平均价格由每日24点实时价格进行算术平均计算而得，此处不再详细说明计算过程，若用户X与A售电公司签订费率类零售套餐，最终计算零售交易电费34790915.26元。计算过程如下：
（1）首先根据2月份月度算术实时价格均价和价格调整系数，计算每个时段的结算价格。结算价格=2月份月度算术实时价格均价×价格调整系数。以0100时段为例，2月份月度算术实时价格均价为0.350742，价格调整系数为1.4，则结算价格=0.350742×1.4=0.491039。依次类推计算其他时段的结算价格。
表9 用户X全月各时段日清电费详情
（2）根据各时段的结算价格、日清电量，计算各时段的日清电费，并汇总24点的日清电费。通过表9计算可以得到，总日清电费为34793105.2元。
（3）根据总日清电量和总日清电费，计算月度结算加权均价。即月度结算加权均价=日清分时总电费/日清分时总电量=34793105.2/63282926=0.549802.
（4）零售交易电费=月结总电量×月度结算加权均价=63278990 × 0.549802 =34790915.26
售电公司提供的混合类套餐由分月分时段固定价格套餐和费率类套餐组合而成，其中80%的月结电量执行分月分时段固定价格套餐价格，剩余部分执行费率类套餐价格。若用户X与A售电公司签订全周期统一价格套餐零售套餐，最终计算零售交易电费25667097.37元。计算过程如下：
（1）首先根据套餐约定比例80%，计算执行固定价格套餐的日清总电量及各时段日清电量，各时段日清总电量去除固定套餐电量，求得费率套餐各时段日清电量。具体计算过程及结果见表10：
表10 用户X费率套餐各时段日清电量详情
（2）根据固定套餐各时段日清电量和固定套餐价格，计算固定类套餐部分各时段日清电费。从表11可以看出固定套餐日清总电费为18710060.21元。
表11 用户X固定类套餐部分各时段日清电费详情
（3）根据费率类套餐各时段日清电量、价格调整系数、各时段结算价格，计算费率类套餐部分各时段日清电费。从表12可以看出固定套餐日清总电费为6958622.03元。
表12 用户X费率类套餐部分各时段日清电费详情
（4）通过上述两个步骤，可以计算得出混合类套餐总日清电费=固定套餐日清电费+费率类套餐日清电费=18710060.21+6958622.03=25668682.24元。
（5）根据日清分时总电费和日清总电量计算月度结算加权均价。即月度结算加权均价=日清分时总电费/日清分时总电量=25668682.24/63282926=0.405618
（6）零售交易电费=月结总电量×月度结算加权均价=63278990 × 0.405618=25667097.37
通过上述测算，针对用户X 2月份电量在各类套餐下的零售交易费用情况如表13所示。可以看出，不同类型的套餐选择，成本支出差异明显。其中，费用测算最高的为费率类套餐，费用测算最低的为分月分时段价格套餐。因此，单从该户零售交易电费来看，推荐选择A售电公司的分月分时段价格套餐。
表13 用户X各类套餐电费试算结果对比
实施例二
本实施例提供了一种电力零售电费套餐的推荐***。
电力零售电费套餐的推荐***，包括：
数据获取模块，其被配置为：将已使用电力零售电费套餐的用户作为样本集，获取样本集中每位用户的套餐选择、用电属性和负荷数据；
初级分类模块，其被配置为：根据用电属性将样本集中的用户划分为不同的用户基本用电类型；
用户偏好评分矩阵构建模块，其被配置为：依据所述套餐选择，以电力零售电费套餐的选择次数为评分依据，构建用户基本用电类型的电力零售电费套餐用户偏好评分矩阵；
二次分类模块，其被配置为：在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类，建立用户细分类别；
套餐排序模块，其被配置为：基于用户细分类别对电力零售电费套餐用户偏好评分矩阵进行调整，并根据调整后的电力零售电费套餐用户偏好评分矩阵中的评分对电力零售电费套餐进行排序，选取N个高评分套餐；
备选套餐确定模块，其被配置为：根据目标用户的用电属性确定用户基本用电类型，计算目标用户与所属用户基本用电类型下各细分类别聚类中心的距离，选取距离最近的细分类别，将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集；
推荐模块，其被配置为：计算N个高评分套餐对应的预期电费，将对应预期电费最小值的电力零售电费套餐推荐给该目标用户。
此处需要说明的是，上述数据获取模块、初级分类模块、用户偏好评分矩阵构建模块、二次分类模块、套餐排序模块、备选套餐确定模块和推荐模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的电力零售电费套餐的推荐方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的电力零售电费套餐的推荐方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（RandomAccessMemory，RAM）等。
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。
Claims (10)
1.电力零售电费套餐的推荐方法，其特征在于，包括：
将已使用电力零售电费套餐的用户作为样本集，获取样本集中每位用户的套餐选择、用电属性和负荷数据；
根据用电属性将样本集中的用户划分为不同的用户基本用电类型；
依据所述套餐选择，以电力零售电费套餐的选择次数为评分依据，构建用户基本用电类型的电力零售电费套餐用户偏好评分矩阵；
在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类，建立用户细分类别；
基于用户细分类别对电力零售电费套餐用户偏好评分矩阵进行调整，并根据调整后的电力零售电费套餐用户偏好评分矩阵中的评分对电力零售电费套餐进行排序，选取N个高评分套餐；
根据目标用户的用电属性确定用户基本用电类型，计算目标用户与所属用户基本用电类型下各细分类别聚类中心的距离，选取距离最近的细分类别，将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集；
计算N个高评分套餐对应的预期电费，将对应预期电费最小值的电力零售电费套餐推荐给该目标用户。
2.根据权利要求1所述的电力零售电费套餐的推荐方法，其特征在于，所述在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类的过程包括：
对用户的负荷数据进行处理，得到各用户典型日负荷曲线；
提取各用户典型日负荷曲线的特征，得到若干个用电特征；
确定初始化的聚类中心，计算每个用户的用电特征与聚类中心的距离；
更新聚类中心，重复聚类的过程，直到满足聚类终止的条件。
3.根据权利要求1所述的电力零售电费套餐的推荐方法，其特征在于，所述电力零售电费套餐包括：固定价格类、阶梯电价类、市场费率类和混合类。
4.根据权利要求3所述的电力零售电费套餐的推荐方法，其特征在于，当套餐为固定价格类时，电费的计算过程为：
按照市场化计量点加载日清电量数据；
将日清电量数据按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
按照固定套餐内每个时段的电价计算零售套餐用户每个时段的电费；
汇总零售套餐用户每个时段的电量电费，得出日清总电量和总零售交易电费；
加权均价=总零售交易电费÷日清总电量；
零售套餐用户零售交易电费=月结总电量×加权均价。
5.根据权利要求3所述的电力零售电费套餐的推荐方法，其特征在于，当套餐为阶梯电价类时，电费的计算过程为：
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
按照市场主体汇总月结电量，得出每个市场主体的月结总电量；
按照市场主体和零售套餐用户的对应关系，计算出市场主体下零售套餐用户的月结电量比例；
根据阶梯电量范围和市场主体月结总电量，计算出市场主体每档的电量；
根据零售套餐用户月结电量比例分摊市场主体每档的电量；
零售套餐用户每档的电量乘以每档电价，得出每档的电费。
6.根据权利要求3所述的电力零售电费套餐的推荐方法，其特征在于，当套餐为市场费率类时，电费的计算过程为：
按照市场化计量点加载日清电量数据；
将日清电量数据按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
然后根据基准价格的计算方式，判断按日前价格或实时价格计算，基准价格为日前价格或实时价格的算术平均值；
将电量、电价、价格调整系数相乘，得出零售套餐用户每个时段的电费；
汇总零售套餐用户每个时段的电量电费，得出日清总电量和总零售交易电费；
加权均价=总零售交易电费÷日清总电量；
零售套餐用户零售交易电费=月结总电量×加权均价。
7.根据权利要求3所述的电力零售电费套餐的推荐方法，其特征在于，当套餐为混合类时，电费的计算过程为：
按照市场化计量点加载日清电量数据；
将日清电量数据按照零售套餐用户进行汇总，得出每个零售套餐用户每个时段的总电量；
按照零售套餐用户汇总月结电量，得出每个零售套餐用户的月结总电量；
根据固定套餐结算电量比例计算得出零售套餐用户固定套餐部分的每个时段的实际用电量；
固定套餐部分每个时段的电量乘以电价得出每个时段的电费；
每个时段的总电量减去固定套餐部分的电量，得出费率类部分每个时段的实际用电量；
根据基准价格计算方式和价格调整系数，计算出每个时段的基准价格，乘以对应时段电量，得出每个时段的电费；
将固定部分和费率部分的电量电费汇总，得出日清总电量和总零售交易电费；
加权均价=总零售交易电费÷日清总电量；
零售套餐用户零售交易电费=月结总电量×加权均价。
8.电力零售电费套餐的推荐***，其特征在于，包括：
数据获取模块，其被配置为：将已使用电力零售电费套餐的用户作为样本集，获取样本集中每位用户的套餐选择、用电属性和负荷数据；
初级分类模块，其被配置为：根据用电属性将样本集中的用户划分为不同的用户基本用电类型；
用户偏好评分矩阵构建模块，其被配置为：依据所述套餐选择，以电力零售电费套餐的选择次数为评分依据，构建用户基本用电类型的电力零售电费套餐用户偏好评分矩阵；
二次分类模块，其被配置为：在用户基本用电类型的基础上，依据用户的负荷数据对用户进行二次分类，建立用户细分类别；
套餐排序模块，其被配置为：基于用户细分类别对电力零售电费套餐用户偏好评分矩阵进行调整，并根据调整后的电力零售电费套餐用户偏好评分矩阵中的评分对电力零售电费套餐进行排序，选取N个高评分套餐；
备选套餐确定模块，其被配置为：根据目标用户的用电属性确定用户基本用电类型，计算目标用户与所属用户基本用电类型下各细分类别聚类中心的距离，选取距离最近的细分类别，将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集；
推荐模块，其被配置为：计算N个高评分套餐对应的预期电费，将对应预期电费最小值的电力零售电费套餐推荐给该目标用户。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的电力零售电费套餐的推荐方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的电力零售电费套餐的推荐方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882913.XA CN116596640B (zh) | 2023-07-19 | 电力零售电费套餐的推荐方法、***、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882913.XA CN116596640B (zh) | 2023-07-19 | 电力零售电费套餐的推荐方法、***、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596640A true CN116596640A (zh) | 2023-08-15 |
| CN116596640B CN116596640B (zh) | 2024-06-21 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252636A (zh) * | 2023-11-17 | 2023-12-19 | 国网山东省电力公司营销服务中心(计量中心) | 基于用户的电费套餐类型优化方法及*** |
| CN117521898A (zh) * | 2023-11-10 | 2024-02-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于关联分析的电费结算优化方法及*** |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013105215A (ja) * | 2011-11-10 | 2013-05-30 | Ntt Docomo Inc | レコメンド情報生成装置、レコメンド情報生成方法及びレコメンド情報生成プログラム |
| CN103942606A (zh) * | 2014-03-13 | 2014-07-23 | 国家电网公司 | 基于果蝇智能优化算法的居民用电客户细分方法 |
| CN104463637A (zh) * | 2014-12-23 | 2015-03-25 | 北京石油化工学院 | 一种基于电商平台的商品推荐方法、装置及服务器 |
| KR20160064447A (ko) * | 2014-11-28 | 2016-06-08 | 이종찬 | 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법 |
| CN108563690A (zh) * | 2018-03-15 | 2018-09-21 | 中山大学 | 一种基于面向对象聚类的协同过滤推荐方法 |
| US20180293674A1 (en) * | 2017-04-11 | 2018-10-11 | Erik Joseph Bartone | System and Method for Retail Consumers to Purchase Dynamically Priced Wholesale Electricity Generation Services |
| US20180330192A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Load-Balancing Training of Recommender System for Heterogeneous Systems |
| CN108830460A (zh) * | 2018-05-23 | 2018-11-16 | 重庆邮电大学 | 一种基于分步动态填充缓解推荐***数据稀疏性的方法 |
| CN110210914A (zh) * | 2019-06-17 | 2019-09-06 | 华北电力大学 | 基于智能推荐的居民用电需求响应方法 |
| CN111798336A (zh) * | 2020-07-09 | 2020-10-20 | 山东大学 | 一种基于典型用户的居民电费套餐推荐方法及*** |
| CN112017069A (zh) * | 2020-07-08 | 2020-12-01 | 广东电力交易中心有限责任公司 | 基于用电特征的电力市场电价套餐推荐方法、终端 |
| US20210150378A1 (en) * | 2018-04-12 | 2021-05-20 | Boe Technology Group Co., Ltd. | Recommendation method, recommendation apparatus, recommendation device, recommendation system and storage medium |
| CN112950322A (zh) * | 2021-03-11 | 2021-06-11 | 昆明电力交易中心有限责任公司 | 一种基于协同过滤优化的电力零售套餐推荐方法和*** |
| CN112967108A (zh) * | 2021-03-09 | 2021-06-15 | 昆明电力交易中心有限责任公司 | 基于bp-ann的电力零售套餐搜索排序仿真***和方法 |
| CN113538093A (zh) * | 2021-07-16 | 2021-10-22 | 四川大学 | 基于改进协同过滤算法的优质电力套餐推荐方法 |
| CN113538041A (zh) * | 2021-06-29 | 2021-10-22 | 广东电力交易中心有限责任公司 | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 |
| CN113947444A (zh) * | 2021-11-17 | 2022-01-18 | 浙江理工大学 | 考虑多粒度犹豫模糊集和不完全权重的售电套餐推荐方法 |
| CN113962414A (zh) * | 2020-07-02 | 2022-01-21 | 国网能源研究院有限公司 | 一种工商业用户零售电价套餐的量化方法和*** |
| CN114037161A (zh) * | 2021-11-10 | 2022-02-11 | 国网四川省电力公司经济技术研究院 | 一种社会福利最大化的零售电价套餐优化模型的建模方法 |
| CN114969520A (zh) * | 2022-05-16 | 2022-08-30 | 重庆大学 | 基于标签信息和商品属性的商品推荐方法、***及设备 |
| CN115578163A (zh) * | 2022-10-18 | 2023-01-06 | 李倩文 | 一种组合商品信息的个性化推送方法及*** |
| CN115994271A (zh) * | 2023-01-12 | 2023-04-21 | 武汉大学 | 心理测评量表的推荐方法 |
| CN115994807A (zh) * | 2021-10-15 | 2023-04-21 | 第四范式（北京）技术有限公司 | 一种物料推荐方法、装置及*** |
| CN116127201A (zh) * | 2023-02-27 | 2023-05-16 | 安徽大学 | 一种基于进化多任务的大规模用户推荐方法 |
| CN116187808A (zh) * | 2022-12-13 | 2023-05-30 | 华电电力科学研究院有限公司 | 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法 |
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013105215A (ja) * | 2011-11-10 | 2013-05-30 | Ntt Docomo Inc | レコメンド情報生成装置、レコメンド情報生成方法及びレコメンド情報生成プログラム |
| CN103942606A (zh) * | 2014-03-13 | 2014-07-23 | 国家电网公司 | 基于果蝇智能优化算法的居民用电客户细分方法 |
| KR20160064447A (ko) * | 2014-11-28 | 2016-06-08 | 이종찬 | 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법 |
| CN104463637A (zh) * | 2014-12-23 | 2015-03-25 | 北京石油化工学院 | 一种基于电商平台的商品推荐方法、装置及服务器 |
| US20180293674A1 (en) * | 2017-04-11 | 2018-10-11 | Erik Joseph Bartone | System and Method for Retail Consumers to Purchase Dynamically Priced Wholesale Electricity Generation Services |
| US20180330192A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Load-Balancing Training of Recommender System for Heterogeneous Systems |
| CN108563690A (zh) * | 2018-03-15 | 2018-09-21 | 中山大学 | 一种基于面向对象聚类的协同过滤推荐方法 |
| US20210150378A1 (en) * | 2018-04-12 | 2021-05-20 | Boe Technology Group Co., Ltd. | Recommendation method, recommendation apparatus, recommendation device, recommendation system and storage medium |
| CN108830460A (zh) * | 2018-05-23 | 2018-11-16 | 重庆邮电大学 | 一种基于分步动态填充缓解推荐***数据稀疏性的方法 |
| CN110210914A (zh) * | 2019-06-17 | 2019-09-06 | 华北电力大学 | 基于智能推荐的居民用电需求响应方法 |
| CN113962414A (zh) * | 2020-07-02 | 2022-01-21 | 国网能源研究院有限公司 | 一种工商业用户零售电价套餐的量化方法和*** |
| CN112017069A (zh) * | 2020-07-08 | 2020-12-01 | 广东电力交易中心有限责任公司 | 基于用电特征的电力市场电价套餐推荐方法、终端 |
| CN111798336A (zh) * | 2020-07-09 | 2020-10-20 | 山东大学 | 一种基于典型用户的居民电费套餐推荐方法及*** |
| CN112967108A (zh) * | 2021-03-09 | 2021-06-15 | 昆明电力交易中心有限责任公司 | 基于bp-ann的电力零售套餐搜索排序仿真***和方法 |
| CN112950322A (zh) * | 2021-03-11 | 2021-06-11 | 昆明电力交易中心有限责任公司 | 一种基于协同过滤优化的电力零售套餐推荐方法和*** |
| CN113538041A (zh) * | 2021-06-29 | 2021-10-22 | 广东电力交易中心有限责任公司 | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 |
| CN113538093A (zh) * | 2021-07-16 | 2021-10-22 | 四川大学 | 基于改进协同过滤算法的优质电力套餐推荐方法 |
| CN115994807A (zh) * | 2021-10-15 | 2023-04-21 | 第四范式（北京）技术有限公司 | 一种物料推荐方法、装置及*** |
| CN114037161A (zh) * | 2021-11-10 | 2022-02-11 | 国网四川省电力公司经济技术研究院 | 一种社会福利最大化的零售电价套餐优化模型的建模方法 |
| CN113947444A (zh) * | 2021-11-17 | 2022-01-18 | 浙江理工大学 | 考虑多粒度犹豫模糊集和不完全权重的售电套餐推荐方法 |
| CN114969520A (zh) * | 2022-05-16 | 2022-08-30 | 重庆大学 | 基于标签信息和商品属性的商品推荐方法、***及设备 |
| CN115578163A (zh) * | 2022-10-18 | 2023-01-06 | 李倩文 | 一种组合商品信息的个性化推送方法及*** |
| CN116187808A (zh) * | 2022-12-13 | 2023-05-30 | 华电电力科学研究院有限公司 | 一种基于虚拟电厂用户-套餐标签画像的电力套餐推荐方法 |
| CN115994271A (zh) * | 2023-01-12 | 2023-04-21 | 武汉大学 | 心理测评量表的推荐方法 |
| CN116127201A (zh) * | 2023-02-27 | 2023-05-16 | 安徽大学 | 一种基于进化多任务的大规模用户推荐方法 |
Non-Patent Citations (5)
| Title |
|---|
| MIN ZHANG等: "Recommendation algorithm based on user attributes and tag preferences", 《 JOURNAL OF PHYSICS: CONFERENCE SERIES》, vol. 1684, pages 012081 * |
| 周世平主编: "《音频音乐与计算机的交融 音频音乐技术》", 江苏凤凰科学技术出版社, pages: 342 * |
| 张承畅等: "基于云计算和改进K-means算法的海量用电数据分析方法", 《计算机应用》, no. 01, 10 January 2018 (2018-01-10), pages 165 - 170 * |
| 曲朝阳等: "基于电力交易用户最优特征子集的售电套餐推荐方法", 《电网技术》, no. 10, 19 July 2018 (2018-07-19), pages 220 - 227 * |
| 李峰: "《基于聚类与信任关系的混合推荐算法研究》", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 6, pages 138 - 1199 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521898A (zh) * | 2023-11-10 | 2024-02-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于关联分析的电费结算优化方法及*** |
| CN117252636A (zh) * | 2023-11-17 | 2023-12-19 | 国网山东省电力公司营销服务中心(计量中心) | 基于用户的电费套餐类型优化方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Real-time bidding by reinforcement learning in display advertising | |
| CN104009939B (zh) | 一种服务资源分配方法和*** | |
| US20160364807A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
| CN108596467B (zh) | 一种适于售电公司的市场运营模拟交易仿真*** | |
| CN107895241A (zh) | 一种售电公司购售电业务决策与风险评估方法 | |
| CN110852519A (zh) | 一种考虑多类型负荷的售电公司最优盈利方法 | |
| CN111724039B (zh) | 一种向电力用户推荐客服人员的推荐方法 | |
| CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
| CN109002945A (zh) | 一种分时电价下省际电网水电多目标购电优化方法及*** | |
| CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
| CN109657998A (zh) | 一种资源分配方法、装置、设备及存储介质 | |
| Bompard et al. | A game theory simulator for assessing the performances of competitive electricity markets | |
| CN105281959B (zh) | 一种基于隐马尔可夫模型的移动通信用户流失预测方法 | |
| CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
| CN115130811A (zh) | 电力用户画像的建立方法、装置及电子设备 | |
| CN114757710A (zh) | 一种用于负荷聚合商投标的评估方法 | |
| CN112767046B (zh) | 非标准化服务产品构建的方法及装置 | |
| Ali et al. | Integrating forecasting service and Gen2 blockchain into a local energy trading platform to promote sustainability goals | |
| CN116596640B (zh) | 电力零售电费套餐的推荐方法、***、设备及存储介质 | |
| CN106485521A (zh) | 用户信用度评估方法及装置 | |
| CN104750877A (zh) | 一种用于云计算资源定价的统计分析方法 | |
| CN116894156A (zh) | 基于mcmc算法的电力采集终端数据预处理方法 | |
| CN116596640A (zh) | 电力零售电费套餐的推荐方法、***、设备及存储介质 | |
| CN116542490A (zh) | 虚拟电厂日前调度封装模型以及调度出清模型构建方法 | |
| CN109858952A (zh) | 服务场景下的数据处理方法和装置 |
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 | ||
| GR01 | Patent grant |