【技术实现步骤摘要】
本专利技术属于综合能源系统优化，尤其涉及一种基于多用能子系统参与主动协同优化的智能推荐方法。
技术介绍
1、近年来，由于我国用电峰谷差不断增大、负荷高峰频率激增以及新能源发电波动性与间歇性特征导致的弃光、弃风等问题，不但增加了电网优化压力，也对提升快速协同优化能力提出了更高的要求。随着经济水平的提高，为了实现能源高质量发展，促进能源结构优化升级，大量的智能负荷以及新型储能设备在工业园区、建筑楼宇、居民家庭中的普及使用，用户的电力消费水平与负荷调控能力不断提高。因此，利用智能推荐模型引导用户主动开展协同优化，实现用户与综合能源系统之间的互联互通互动，对促进能源供需平衡、保障电网稳定运行具有重大意义。因此，不断有对各类典型用户布局、不同用户用能特点拥有多种多样、售价灵活的综合能源优化方法被提出。
2、现有的大部分相关技术基于获取综合能源系统的运行、优化情况以及灵活的服务信息进行协同优化的，但目前缺乏综合能源生产者与消费者之间电力信息的双向通信与有效交互。综合能源服务方可以通过各种传感器、计量器采集海量的用能数据，但用户却很难实时的获取综合能源系统的运行、优化情况以及灵活的服务信息。
技术实现思路
1、专利技术目的：本专利技术的目的在于提供一种基于多用能子系统参与主动协同优化的智能推荐方法。基于用户在用户属性、用能属性等方面的差异，构建个性化标签进行用户画像，为数据驱动为智能推荐提供支撑。基于协同过滤算法对用户相似度进行计算，生成特征向量和构建隐式反馈特征矩阵，在此基础上，构
2、技术方案：本专利技术的一种基于多用能子系统参与主动协同优化的智能推荐方法，基于用户的用户属性和用能属性方面的差异，构建个性化标签进行用户画像，其中用能属性包括多元用能需求量与用能潜力；其中，多用能子系统是指指：综合能源的电、热、冷、气四种能源形式子系统；
3、基于用户画像，通过协同过滤算法对用户相似度进行计算，根据用户相似度计算结果选取近邻用户，为近邻用户推荐与之匹配的能效服务项目；
4、在推荐能效服务项目时，通过生成特征向量整合用户和能效服务的属性，同时通过构建隐式反馈特征矩阵表征用户对服务项目的喜好程度；
5、基于深度学习构建能效服务项目推荐模型，以特征向量和隐式反馈特征矩阵作为输入，用户感兴趣的能效服务项目作为输出，训练能效服务项目推荐模型，通过能效服务项目推荐模型学习用户和服务项目之间的耦合关系，并基于这种耦合关系为用户进行能效服务项目推荐。
6、进一步的，所述用户属性包括典型用户类型、区域布局、注册登记类型和企业规模；
7、所述用能属性从能源需求和用能潜力两个角度设置用户画像的维度；在能源需求方面设置以下7个维度：用电需求量、用冷需求量、用热需求量、用气需求量、用能形式数、负荷峰谷差和电压等级；其中用能需求量可按数据集上下限划分1～5个等级；在用能潜力方面，基于负荷潜力和经济潜力，设置以下7个维度：可优化价值、可平移负荷量、可转移负荷量、可削减负荷量、去年产值、用地面积和能耗占企业成本；其中，可优化价值基于本研究提出的符合优化价值指标体系和潜力量化算法测算得出5个价值评价等级，其余6个维度根据数据集可划分1～5个等级。
8、进一步的，所述通过协同过滤算法对用户相似度进行计算具体为：
9、产生用户特征矩阵，根据相似度计算公式计算得出相似度；
10、产生用户行为矩阵，根据相似度计算公式计算得出相似度；
11、根据相似度得分排名，采用皮尔逊相似度计算得出新加入用户的k个近似用户，选取k个近邻，为之进行推荐，皮尔逊相似度计算为：
12、
13、式中，u1,u2代表两个不同的用户，代表两个用户共同评价过的能效服务的集合，分别表示用户u1,u2对于能效服务i的评分，分别表示用户u1,u2对于所有使用过的能效服务评分的平均评分。
14、进一步的，所述生成特征向量包括能效服务特征向量和用户特征向量；
15、生成用户特征向量；将能效服务特征向量、用户特征向量输入到卷积神经网络中的卷积层中，利用卷积计算计算出高阶隐含特征信息；
16、使用不同的分数表征用户对服务的喜好程度；将卷积得到的高阶隐含特征信息与用户对能效服务产品的实际评分进行融合，训练网络参数，使预测评分与实际评分的误差值达到要求，得到用户和服务项目之间耦合关系，进而对用户可能感兴趣的能效服务项目进行预测和推荐。
17、进一步的，生成能效服务特征向量具体为：将能效服务自身的性质挑选出服务项目编号、服务对象、设置成本、服务类型这四个性质作为能效服务特征向量的组成部分，将四个性质作为卷积层文本数据的输入，根据将服务项目编号、服务对象、设置成本、服务类型这四个属性，通过卷积神经网络中的嵌入层，最终生成一个向量。
18、进一步的，生成用户特征向量具体为：选取用户编号、典型用户类型、注册登记类型、能耗成本、用能形式数和可优化潜力这六个性质作为卷积层文本数据的输入，然后根据将用户编号、典型用户类型、注册登记类型、能耗成本、用能形式数、可优化潜力这六个属性，通过卷积神经网络中的嵌入层，最终生成一个向量。
19、进一步的，基于隐式反馈特征的用户-产品模拟评分具体为：将同一服务类型的设置成本作为隐式反馈特征模拟用户为不同时段的能效提升服务产品进行一元评分，评分流程具体为：
20、(1)获取用户历史使用服务类型；
21、(2)获取服务类型设置成本的最高值和最低值；
22、(3)将服务设置成本的差值区间分为5个成本等级；
23、(4)选取一个未对用电数据进行模拟评分的用户；
24、(5)选取一个服务类型未经处理的服务项目；
25、(6)若用户使用服务处于第1、2成本等级，则不予评分，表示具有推荐潜力阶段，并进入步骤(10)，否则进入步骤(7)；
26、(7)若用户使用服务处于第3成本等级，则评分为1分，表示对该服务项目有倾向性，并进入步骤(10)，否则进入步骤(8)；
27、(8)若用户使用服务处于第4成本等级，则评分为2分，表示对该服务项目有明确倾向性，并进入步骤(10)，否则进入步骤(9)；
28、(9)评分为3分，表示对该服务项目有强烈倾向性；
29、(10)所有服务项目是否均已模拟评分，若是，则进入步骤(11)，若不是，则进入步骤(5)；
30、(11)所有用户是否均已模拟评分，若是，则结束，若不是，则进入步骤(4)。
31、进一步的，所述基于深度学习构建能效服务项目推荐模型具体包括如下步骤：采用深度学习的推荐系统将典型用户能效本文档来自技高网...
【技术保护点】
1.一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，
2.根据权利要求1所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，所述用户属性包括典型用户类型、区域布局、注册登记类型和企业规模；所述用能属性从能源需求和用能潜力两个角度设置用户画像的维度；在能源需求方面设置以下7个维度：用电需求量、用冷需求量、用热需求量、用气需求量、用能形式数、负荷峰谷差和电压等级；其中用能需求量可按数据集上下限划分1～5个等级；在用能潜力方面，基于负荷潜力和经济潜力，设置以下7个维度：可优化价值、可平移负荷量、可转移负荷量、可削减负荷量、去年产值、用地面积和能耗占企业成本；其中，可优化价值基于本研究提出的符合优化价值指标体系和潜力量化算法测算得出5个价值评价等级，其余6个维度根据数据集可划分1～5个等级。
3.根据权利要求1所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，所述通过协同过滤算法对用户相似度进行计算具体为：
4.根据权利要求1所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，所述
5.根据权利要求4所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，生成能效服务特征向量具体为：将能效服务自身的性质挑选出服务项目编号、服务对象、设置成本、服务类型这四个性质作为能效服务特征向量的组成部分，将四个性质作为卷积层文本数据的输入，根据将服务项目编号、服务对象、设置成本、服务类型这四个属性，通过卷积神经网络中的嵌入层，最终生成一个向量。
6.根据权利要求4所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，生成用户特征向量具体为：选取用户编号、典型用户类型、注册登记类型、能耗成本、用能形式数和可优化潜力这六个性质作为卷积层文本数据的输入，然后根据将用户编号、典型用户类型、注册登记类型、能耗成本、用能形式数、可优化潜力这六个属性，通过卷积神经网络中的嵌入层，最终生成一个向量。
7.根据权利要求4所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，基于隐式反馈特征的用户-产品模拟评分具体为：将同一服务类型的设置成本作为隐式反馈特征模拟用户为不同时段的能效提升服务产品进行一元评分，评分流程具体为：
8.根据权利要求1所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，所述基于深度学习构建能效服务项目推荐模型具体包括如下步骤：采用深度学习的推荐系统将典型用户能效提升矩阵作为输入，利用深度学习模型学习到用户和项目的耦合关系，并基于这种耦合关系为用户产生项目推荐，基本架构包括输入层、模型层和输出层；输入层的数据为：用户的显式反馈或隐式反馈矩阵、用户特征向量和能效服务特征向量；在模型层使用的深度学习模型为卷积神经网络；在输出层，通过数据集中用户反馈数据训练网络参数，从而学习到的用户和项目耦合关系，对用户可能感兴趣的能效服务项目进行预测，从而根据评分排名进行推荐；
9.根据权利要求8所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，在模型层使用的深度学习模型包括自编码器、受限玻尔兹曼机、和循环神经网络中的一种。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现权利要求1-9中任一项所述的基于多用能子系统参与主动协同优化的智能推荐方法。
...【技术特征摘要】
1.一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，
2.根据权利要求1所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，所述用户属性包括典型用户类型、区域布局、注册登记类型和企业规模；所述用能属性从能源需求和用能潜力两个角度设置用户画像的维度；在能源需求方面设置以下7个维度：用电需求量、用冷需求量、用热需求量、用气需求量、用能形式数、负荷峰谷差和电压等级；其中用能需求量可按数据集上下限划分1～5个等级；在用能潜力方面，基于负荷潜力和经济潜力，设置以下7个维度：可优化价值、可平移负荷量、可转移负荷量、可削减负荷量、去年产值、用地面积和能耗占企业成本；其中，可优化价值基于本研究提出的符合优化价值指标体系和潜力量化算法测算得出5个价值评价等级，其余6个维度根据数据集可划分1～5个等级。
3.根据权利要求1所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，所述通过协同过滤算法对用户相似度进行计算具体为：
4.根据权利要求1所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，所述生成特征向量包括能效服务特征向量和用户特征向量；生成用户特征向量；将能效服务特征向量、用户特征向量输入到卷积神经网络中的卷积层中，利用卷积计算计算出高阶隐含特征信息；使用不同的分数表征用户对服务的喜好程度；将卷积得到的高阶隐含特征信息与用户对能效服务产品的实际评分进行融合，训练网络参数，使预测评分与实际评分的误差值达到要求，得到用户和服务项目之间耦合关系，进而对用户可能感兴趣的能效服务项目进行预测和推荐。
5.根据权利要求4所述的一种基于多用能子系统参与主动协同优化的智能推荐方法，其特征在于，生成能效服务特征向量具体为：将能效服务自身的性质挑选出服务项目编号、服务对象、设置成本、服务类型这四个性质作为能效服务特征向量的组成部分，将四个性质作为卷积层文本数据的输入，根据将服务项目编号、服务对...
【专利技术属性】
技术研发人员：徐青山，葛子翔，杨永标，艾邓鑫，甘智勇，张利，王坤，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。