智能電網需求側個性化推薦系統

王喜賓，文俊浩，廖 臣，趙瑞鋒

(1. 貴州理工學院 大數據學院, 貴陽 550003；2. 重慶大學 大數據與軟件學院, 重慶 401331；3. 貴州電網公司 信息中心, 貴陽 550005；4. 廣東電網公司 電力調度控制中心, 廣州 510600)

傳統電力系統采用垂直一體化結構，嚴重依賴化石燃料。隨著全球能源短缺、氣候變化等問題日益嚴重，21世紀初提出“智能電網”的概念[1]，并在全球范圍得到快速發展。根據美國國家能源技術實驗室定義[2]，智能電網具備一系列關鍵特征：健壯性與自愈性、低排放、新能源的廣泛接入、需求側的主動響應、運行方式市場化等。中國于2009年制定“堅強智能電網”戰略計劃[3]，發展智能電網技術。近年來，隨著通信與計算技術在電網中不斷深入，電網中的物理設施與信息設施不斷耦合，“能源互聯網”的概念被提出[4-5]。能源互聯網具有不同能源網絡的互聯、“即插即用”式能源資源的普及等特性，是對智能電網發展方向的深化與延伸。

當前，隨著電網中信息技術的不斷滲透，面向終端用戶的電力服務已開始向電子商務模式轉變。例如：美國德克薩斯州建立了“Power Choose”電力零售套餐銷售平臺[9]，用戶可以通過平臺瀏覽、訂購由不同電力零售公司提供的上千種電力零售套餐。中國的各級電力公司也開發了許多應用程序，使終端用戶可以實時跟蹤用電情況。在技術發展趨勢下，如何協助用戶過濾信息，向用戶有效推薦面向能源的產品/服務/建議方案，對提高需求側的能源效率和優化配網系統運行具有重要作用。在計算機科學與電子商務領域，個性化推薦技術為幫助用戶進行商品/服務/信息過濾提供一種有力工具。過去，個性化推薦系統(PRS, personalized recommendation system)已被廣泛研究和應用，并向用戶推薦不同的產品/服務，例如：網頁、好友、商品等[10-12]。

隨著電力服務信息化加速以及計算與通信技術在電網中不斷滲透，個性化推薦技術在智能電網領域有著巨大的應用前景。電網用戶可通過個性化推薦技術進行信息過濾，選擇與能源相關的產品、服務等。如圖1所示描述了個性化推薦技術在未來電網需求側中的應用前景。

圖1 智能電網需求側中應用個性化推薦技術的前景展望Fig. 1 Prospect of applying personalized recommendation technology in demand side of smart grid

1 相關原理

電力需求側管理是現代電力系統在電力市場條件下產生的用電管理模式，通過提高終端用電效率和優化用電方式，在完成相同用電功能同時減少電力功率和電量消耗，實現低成本電力服務，達到節約能源和保護環境目的。突破了傳統的電力管理模式，改變依靠單純擴大供應能力滿足日益增長的電力需要方式，在更高層次上處理供應側和需求側關系[13]。此外，先進的計量、通信和控制手段對智能電網中需求側項目管理起到關鍵的作用[14]。

1.1 電力需求側管理技術

一般地，需求側技術(DSM, demand side management)可分為兩類：直接負荷控制(DLC, direct load control)與間接負荷控制(IDLC, indirect load control)。在傳統的直接負荷技術中，電網通過遠程控制器直接控制終端用戶的電力資源(如電器設備和電動汽車充電樁等)來調整負荷曲線，以支持不同電網級應用，例如：削峰填谷、頻率/電壓調節等。作為負荷控制補償，電網通常會對用戶提供一定的補貼和獎勵。因此，這一類型的直接負荷控制技術被稱為基于激勵的需求側管理技術。近年來，作為一種新型的直接負荷控制技術，家庭能量管理系統(HEMS, home energy management system)[15-17]也受到許多關注。家庭能量管理系統作為一種用戶側決策支持系統，通過自動控制設備控制居民建筑內用電設備的開停與設置，以優化用戶住宅的能耗和降低用戶用電成本為主要考量，兼顧電網的運行指標。

間接負荷控制主要基于電價信號，由電力公司設置可變電價信號，激勵終端用戶積極調整家電使用方式，調整負荷曲線，優化電網運行。例如：在價格差異的驅動下，用戶可以選擇在低負荷期使用更多的電器，從而降低電網高峰負荷。常見的可變電價方案包括：實時電價和峰谷分時電價等。

1.2 個性化推薦技術

個性化推薦技術[16-17]可以分為基于內容的推薦和基于協同過濾的推薦兩類。基于內容的推薦根據項目內容與用戶偏好間的相關性，向用戶生成推薦。該方法通常需要建立用戶特征，包括：用戶的偏好和需求等；同時，生成項目配置文件來表示項目特征。用戶特征可以顯式生成或隱式從用戶的歷史行為模式中獲取。項目配置文件通常用關鍵詞向量表示，通過計算用戶特征和項目配置文件的相似度，向用戶推薦項目。

與基于內容的推薦不同，基于協同過濾的推薦是根據用戶間興趣相似度，運用一定的算法尋找與目標用戶最為相似的N個“同伴”，然后根據這N個“同伴”對其他項目的評價來預測目標用戶對該項目的喜好程度。一般協同過濾推薦又可以分為基于內存(memory based)的協同過濾和基于模型(model based)的協同過濾兩類[18]。前者主要采用啟發式算法直接從用戶的歷史數據中尋找相似推薦項目；后者則利用其他用戶的歷史數據訓練一個推薦模型，然后利用該模型預測目標用戶關于項目喜好程度的評分。近年來，為了克服這兩種算法各自缺點，學界結合兩者優點提出了混合推薦方法[19]。

2 關鍵技術

先進量測技術和雙向通信基礎設施是個性化推薦在電網中成功實施的基礎。通過先進量測基礎設施和負荷監測技術，電網可以獲取用戶的能耗信息；雙向通信基礎設施可以實現用戶與電力公司間信息共享。同時，由于電網終端用戶數量龐大，高性能計算技術則為需求側大數據的高效、安全和快速處理提供支持。

2.1 先進量測設施

先進量測設施(AMI, advanced metering infrastructure)在智能電網中至關重要。它是智能電表、通信網絡和數據管理系統的集成，可實現電網和用戶間雙向通信。用戶端通信設備包括：家庭顯示器、家庭區域網絡、能源管理系統和其他支持智能電網功能的客戶端設備。

先進量測設施可以向電網提供精確的住宅能耗數據。根據量測數據，電網運行人員可分析住宅能耗特征(如日能耗、季節能耗特征和峰值負荷等)，并設計合理運營策略。例如：根據AMI采集的數據，電力公司可以進行負荷預測，制定零售電價定價策略、電網規劃、開發新型能量管理系統等。

2.2 負荷監測技術

智能電表采集的能耗數據通常是住宅級的聚合能耗數據。負荷監測技術旨在監測和識別住戶中各個家用電器的使用情況(如開/關狀態和功率波形等)，它使電網能更精確分析用戶的用電行為模式。在實現手段上，負荷監測技術可以分為侵入式和非侵入式監測技術兩類。

侵入式負荷監測技術通過在住宅用電器上安裝傳感器來記錄其使用情況。這種直接測量方法與物聯網技術相關，可以準確監測電器的狀態和能耗，但安裝過程較繁瑣，且傳感器的購置成本也不容忽視。1992年，Hart[20]提出非侵入式電器負荷監測技術(NILM, non-intrusive appliance load monitoring)，其思想為負荷分解，即將電表采集的用戶總負荷數據分解為各電器的用電數據[21-22]。自NILM技術被提出以來，先后開發出多種不同的NILM方法，如：稀疏編碼方法[23]、隱馬爾可夫模型[24]、深度學習方法[25]等。

2.3 高性能計算技術

智能電網的終端用戶數量非常龐大，因此電網中的推薦系統需要高效處理相關大數據，而計算技術的發展為此提供了強有力的工具。云計算作為一種新的計算范式，被認為是下一代能源系統的信息基礎設施[26-27]。云計算以數據中心為支撐，可以為電網的分析與計算提供多層次、彈性的服務。許多公有云平臺(如Amazon EC2，Microsoft Azure等)可用于承載各種計算密集型和數據密集型的智能電網應用。此外，不同的電網參與者(如電力公司、零售商等)也可以建立自己的私有云平臺，為智能電網應用提供數據中心級的網絡服務。

在應用開發層，已經有許多可用的工具和框架促進高性能的數據處理。如：Apache Storm[28]提供強大的計算框架捕獲和處理智能電網的實時數據流；Apache Spark[29]提供高性能的編程框架，有效處理基于底層計算機集群的大數據。這些開發工具可以高效采集需求側的實時用電數據，集成到系統工作流加以分析和處理(如用戶相似度分析、推薦生成等)，從而為智能電網推薦系統的開發提供支持。

2.4 物聯網與邊緣計算技術

作為一種數據驅動的專家系統，需求側推薦系統的核心在于收集需求側的各類數據，并在此基礎上進行分析。物聯網技術為實現這一目標提供了基礎服務。物聯網(IoT, internet of things)[30]是指借助傳感設施，包括：在各類物體上的電子標簽(RFID, radio frequency identification)、紅外感應器、全球定位系統(GPS, global positioning system)和二維碼等設備，通過接口與無線網絡相連，實現人與物體，物體與物體的溝通和對話，進行數據與信息的交換和通信，實現對物品的識別、定位、跟蹤、監控、管理等一系列智能化活動[31]。目前，物聯網技術已成功應用于工業、農業、教育、醫療和交通等諸多領域。其中，智能電網也是物聯網的一個典型應用領域。基于傳感器的負荷監測技術，以及智能電表、PMU等，都屬于物聯網在電網中的應用。通過應用物聯網技術，推薦系統可以精確收集需求側的各類數據，包括：用戶用電數據、電網實時數據和環境氣象數據等，為用戶提供面向能源的個性化推薦服務。

伴隨物聯網而興起的邊緣計算技術(EC, edge computing)[32]，作為一種分散式運算架構，將應用程序、數據資料與服務的運算，由網絡中心節點，移往網絡邏輯上的邊緣節點來處理。邊緣計算將原本完全由中心節點處理大型服務加以分解，切割成更小與更容易管理的部分，分散到邊緣節點去處理。在電網需求側中，將海量的需求側數據存放在集中式存儲設備或是云端，并不現實。因此，可利用邊緣計算技術，對數據首先進行分布式處理，然后再由推薦系統進行集中分析。

2.5 網絡安全技術

智能電網涉及海量終端用戶，在設計智能電網推薦系統時，系統需要通過雙向通信基礎設施實現對用戶信息的訪問，其中最基本的要求就是確保用戶數據的私密性、安全性和完整性。

智能電網采用的通信基礎設施也被其他工業系統所采用，為電網應用提供安全的通信環境[33]。智能電網的無線通信可以采用802.11i和802.16e等標準實現；有線通信可以采用防火墻、VPN、IPSec等技術實現。一些密鑰和可信通信方案，如：公密鑰基礎設施(PKI, public-key infrastructure)，可以為智能電網推薦系統中涉及到的通信提供加密保護。還有一些新興的安全協同計算技術，可以為不同智能電網參與者之間的安全信息共享提供支持。例如：同態加密技術[34]允許加密數據由某些特定運算符(加法、乘法等)處理，使其結果與處理普通數據的結果相同。基于同態加密技術的安全多方計算技術(SMC, secure multi-party computation)[35]解決一組互不信任的參與方之間保護隱私的協同計算問題，為數據所有方及數據需求方提供不泄露原始數據前提下的多方協同計算能力。采用SMC技術[36]，可以使智能電網推薦系統在不暴露用戶隱私數據的情況下，對用戶數據進行聚合分析(如用戶用電相似度分析、用戶用電行為聚類等)，從而安全有效地生成推薦方案。

3 應 用

通過從需求側數據中提取知識，個性化推薦技術在智能電網中具有巨大應用前景。

3.1 現有智能電網推薦系統

3.1.1 基于負荷監測和內容推薦技術的節能家電推薦系統

家用電器的能耗等級對終端用戶的用電成本和配網系統的負荷有直接影響。對于給定類型的電器，不同型號有不同能耗。鼓勵用戶使用節能電器，一方面可降低用戶用電成本，提高家庭用電效率；也可以降低配網負荷，減少電網擴建成本。文獻[37]提出一種基于非侵入式負荷監測技術和內容匹配推薦技術的居民用戶節能家電推薦系統。該系統首先利用電表監測家庭的總能耗數據，然后用非侵入式負荷監測技術將電表數據進行分解，并識別用戶的單個家電使用軌跡。利用非侵入式負荷監測技術得到的結果，推薦系統提取出電器使用特征(如最常使用的電器、日耗電量最多的電器、累積使用時間最長的電器等)，然后將這些特征與用戶關于節能型電器的興趣數據存儲到一個知識庫中。對于每個目標用戶，推薦系統使用一個基于規則的選擇器，根據用戶對典型電器的使用特征來決定向用戶推薦的家電類別。隨后，推薦系統采用基于內容的推薦算法和用戶關于節能電器的興趣數據，與節能電器廣告數據庫中的數據進行匹配，篩選出用戶可能最感興趣的節能電器型號，并向目標用戶推薦相關電器設備。

3.1.2 基于協同過濾技術的電力零售套餐推薦系統

在如美國德州電力零售市場這樣成熟的零售市場體制中，電力用戶需要從多個零售商發布的大量電力零售套餐中選購合適的套餐。文獻[38]提出一個基于協同過濾推薦技術的電力零售套餐推薦系統，用在一個成熟的零售市場體系中向用戶推薦個性化電力零售套餐。該系統通過電表收集大量用戶的住宅用電數據以及用戶訂購零售套餐的歷史紀錄，并存入到一個用戶知識庫中。對于每個用戶，推薦系統提取用戶的家庭用電特征，包括：月平均電費、工作日日均用電量和非工作日日均用電量等。同時設計了零售套餐評分策略來隱式推測和評價用戶對每個零售套餐的偏好程度。在此基礎上，對于每個目標用戶，系統根據提取的用戶用電特征，計算與其他每個用戶的用電相似度，對相似用戶的零售套餐偏好數據進行加權聚合，估計目標用戶對每個零售套餐的偏好程度，最終將偏好分值最高的前n個零售套餐推薦給目標用戶。

3.2 未來潛在的需求側推薦系統

3.2.1 家庭用電行為推薦系統

需求側響應已成為當代電力系統運行中一個重要方面。通過可變電價激勵，使用戶主動調整其用電行為，在降低用戶電費開銷同時配合電網完成電網負荷的削峰填谷。目前，世界上大多數國家實現了分時電價，部分國家開始實施實時電價和尖峰電價。用戶對可變電價的響應率在很大程度上依賴于其主觀意愿。目前仍有大量用戶缺乏需求側響應意識，對可變電價響應遲緩，在發展中國家尤為明顯。筆者提出一種家庭用電行為推薦系統的概念原型(如圖2所示)，旨在從大量用戶中學習用電行為經驗，推薦給目標用戶，對用戶的用電行為提供建議，引導和提高用戶的需求側響應意識。

圖2 家庭用電行為推薦系統的概念模型Fig. 2 Conceptual model of household electricity behavior recommendation system

通過量測設備和負荷監測技術，收集用戶的家用電器能耗數據。推薦系統將家用電器分為兩類：不可轉移與可轉移電器。不可轉移電器是指與用戶的日常生活方式緊密相關，用戶不會根據電價信號來調整其使用的電器，例如：電腦、電視、抽油煙機、音響等。可轉移電器是指用戶通常有意愿根據電價信號來調整其運行時間的電器，例如：洗衣機、洗碗機、干衣機等。同時，推薦系統采用機器學習方法，將用戶分為“高響應度用戶”與“低響應度用戶”兩類。對于每個低響應度用戶，即目標用戶，推薦系統首先分析其不可轉移家電的使用軌跡，來學習其生活方式。推薦系統進行生活方式相似度計算；在高響應度用戶群體中篩選出與目標用戶具有相似生活方式的用戶。基于此，推薦系統對相似度高的響應用戶的可轉移家電使用經驗進行加權聚合，過濾出最適合目標用戶生活方式的可轉移家電節能使用方案，并推薦給目標用戶。

3.2.2 分時電價計劃推薦系統

中國正處于電力系統市場化的改革期，電力零售市場對促進配電側的電能經濟具有重要作用。如文獻[36]所述，在足夠成熟的電力零售市場中，將出現大量的獨立電力零售商，各自發布不同的電力零售套餐。當前最廣泛采用的零售定價為分時電價(time-of-use pricing)，其定價結構通常分為2段式或3段式。隨著電力市場改革的深入，未來將出現更復雜、多段式的分時電價結構。在此背景下，用戶如何選擇合適的分時電價計劃，將是典型的信息過濾問題。因此，設計合適的個性化推薦系統，為用戶推薦適合其用電行為的分時電價計劃，具有現實意義。

在進行分時電價計劃推薦時，最基本的問題是：如何評估用戶在選用了某個分時電價后，用電行為的轉移方式。即對于分時電價a，用戶在選用了它之后有多大程度會按照a的電價結構調整其用電方式。協同過濾技術為這一問題提供了可行途徑。提出分時電價計劃個性化推薦系統，該系統通過對與目標用戶具有相似生活習慣的同類用戶分時電價計劃選擇經驗進行學習，向目標用戶推薦合適的分時電價計劃。推薦系統的概念模型如圖3所示。系統通過量測基礎設施采集多個用戶的電器級用電數據，并存放在云端的用戶知識庫中。對于每個用戶，系統通過機器學習算法從用戶的用電數據中學習其生活方式，并生成相應的生活方式配置文件(profile)。對于特定目標用戶，系統通過生活方式相似度計算，得到數據庫中每個用戶與目標用戶的生活方式相似度。

圖3 分時電價計劃個性化推薦系統的概念模型Fig. 3 Conceptual model of the personalized recommendation system for time-of-use electricity price plan

然后，對于數據庫中的每個用戶，系統評估對市場中每個分時電價套餐的偏好程度。用戶對某個給定分時電價計劃的偏好評分由2部分構成：選擇傾向與成本效益。選擇傾向因素是指僅有目前被該用戶使用的分時電價計劃被賦值分值，其他的電價計劃均被賦值為0分；成本效益是指將該分時電價計劃應用到該用戶的用電行為后，所產生的電費開支。綜合2個因素，對于數據庫中的用戶u，關于分時電價計劃i的偏好程度可根據式(1)計算得到。

(1)

式中：ru,i為所估計的用戶u關于分時電價計劃i的偏好程度值；Su,i為用戶u關于分時電價計劃i的選擇傾向值；Cu,i為分時電價計劃i對用戶u的成本效益值；k為權重因子。根據式(1)計算出的結果，再結合計算出的每個用戶與目標用戶的生活方式相似度，則可根據式(2)進行加權聚合，預測出目標用戶(記為v)對每個分時電價計劃的偏好程度。最后，根據預測的偏好程度從高到低排序，將最有最高偏好評分值的前n個分時電價計劃推薦給目標用戶。

(2)

式中：rv,i為所預測的目標用戶v對于分時電價計劃i的興趣度值；U為用戶集合；sim(u,v)為目標用戶v與用戶n的相似度；η為正則化因子。

3.2.3 居民側新能源電源購置推薦系統

隨著分布式發電的日益普及，在居民側安裝新能源電源(如樓宇屋頂太陽能板、小容量風機等)已成為大勢所趨。從用戶側來說，居民側新能源電源可以提高終端用戶側的能源效率，節省用戶購電成本，并在停電時為用戶提供電源支持；從電網角度來說，分布式新能源的廣泛部署能有效減少網損，節省電網建設成本。而新能源電源的購置成本及其帶來的長期回報，是許多用戶首要考慮的因素。筆者提出一種面向終端用戶的新能源購置系統，概念模型如圖4所示。

圖4 居民側新能源電源個性化推薦系統的概念模型Fig. 4 Conceptual model of the personalized recommendation system for new energy sources on the residential side

該推薦系統收集的數據有：

1)用戶數據，主要包括：用戶的基本信息(如家庭構成、職業、年齡等)、日用電曲線以及地理位置；

2)市場上不同新能源的電源信息，主要包括：品牌、容量、價格和效率等。推薦系統同時可訪問第三方氣象數據庫，對用戶所在位置的新能源資源進行評估。

對于每個未安裝新能源電源的目標用戶，系統評估其對市面上每款新能源電源產品的潛在興趣度，然后向其推薦最感興趣的產品。興趣度計算由2個評價指標構成：1)長期收益；2)同類用戶選擇傾向。對于長期收益指標，推薦系統首先根據用戶的地理位置，對其所在位置的新能源資源(如風速、風向、太陽能輻射強度、日照時間等)進行評估，然后對于每一個新能源電源產品，推薦系統根據其容量和發電效率，結合目標用戶的日常用電曲線和電網零售電價，計算該產品給目標用戶帶來的年電費節省量。對于同類用戶選擇傾向指標，推薦系統計算目標用戶與每個已選購該產品的用戶的相似度。該相似度值包括3方面考量：1)用戶基本信息相似性；2)用戶新能源資源相似性；以及3)用戶用電曲線相似性。最后，將這3個指標加權求和，得出目標用戶對該產品的潛在興趣度值。最后，推薦系統根據所計算得出的預測興趣度值對所有產品進行排序，并將排在前n個的新能源產品推薦給目標用戶。

3.2.4 更多智能電網推薦系統

在智能電網領域還可以開發更多的推薦系統。考慮電動汽車用戶的需求以及配電網的條件和運行指標，為電動汽車用戶推薦行駛路線。此外，智能電網中個性化推薦系統也不僅限于需求側。結合預算、網絡中已有的其他相關設備型號和容量、網絡拓撲等因素，開發推薦系統，向電力公司推薦合適的電力電子設備和產品；或者開發推薦系統學習電網在極端天氣下的早期預警經驗，在相似的極端天氣下，推薦適用于該目標電網的預警方案。

4 挑 戰

盡管在智能電網中運用個性化推薦技術具有巨大的潛力，但智能電網推薦系統的實際開發和部署中也面臨著一些挑戰。

4.1 傳感基礎設施普及

個性化推薦系統本質上是一種數據驅動的決策支持系統，因此智能電網范疇下的推薦系統廣泛依賴于傳感基礎設施采集的數據。目前，盡管AMI已廣泛應用于許多發達國家，但在發展中國家AMI的普及依然十分有限。此外，對于某些傳感設備，例如：相量測量單元(PMU, phasor measurement unit)等，由于投資成本高，部署也受到了一定的限制。因此，傳感基礎設施的有效部署直接決定著智能電網中個性化推薦系統的實際實現。

4.2 技術障礙

在現階段，除了傳感基礎設施的普及，終端用戶與電網之間實現細粒度的雙向信息共享和協作還存在一些技術障礙。例如：隨著電器數量的增加，NILM方法的計算成本通常會迅速增加，識別精度降低；對于SMC技術，雖然它被認為是在智能電網中建立安全協同環境的一個較好的解決方案，但也存在一些技術挑戰。SMC目前只支持一部分的代數運算，對于復雜的代數運算不能實現同態加密；當協作者數量增加時，SMC將會導致巨大的計算開銷。因此，關鍵技術改進有助于推薦技術應用到實際的電網中。

4.3 數據隱私和安全

4.4 個性化推薦本身的技術挑戰

個性化推薦技術雖然得到了廣泛應用，但也存在一些不可忽視的挑戰，包括：

1)冷啟動問題。這是一個普遍問題，當某些項目沒有得到任何用戶評價或者某些用戶沒有對任何項目做出評價時，系統無法推薦該項目或者預測該用戶的偏好。

2)推薦的多樣性和準確性困境。通常情況下，鼓勵推薦項目的多樣性，但是推薦一個用戶不熟悉的項目可能會引起該用戶的反感。

3)數據稀疏性問題。當系統的項目和用戶數量特別龐大時，用戶對項目的評價一般都非常稀少，難以找到相似用戶集，大大影響了推薦系統的效率。

4)在使用集成/混合方法時，如何解決沖突問題。推薦涉及到豐富的元數據和用戶數據，如何將這些數據組合起來是一個不小的挑戰。

5)大數據環境。隨著數據的爆炸性增長，時間和空間復雜度是推薦算法適應大數據環境的關鍵因素。

5 結束語

首先對個性化推薦技術在智能電網需求側中的應用進行展望，介紹了支撐需求側個性化推薦系統實際部署的一些關鍵技術，討論需求側推薦系統的概念模型，分析潛在的挑戰。