基于多維度用戶畫像的綜合能源數據應用研究

摘 要：目前綜合能源數據應用方法使能源產品推準率較低，因此本文提出基于多維度用戶畫像的綜合能源數據應用研究。設計了能源云數據服務功能模塊、SAAS開放功能模塊、大數據分析決策功能模塊3個功能模塊，從前端與后端2個方面進行綜合能源數據應用架構設計。采用用戶畫像評分算法并引入敏感度系數進行優化，構建多維度用戶畫像，基于用戶畫像并結合綜合能源產品特征數據計算匹配度，實現綜合能源產品準確推薦，達到有效應用綜合能源數據的目的。試驗結果表明，采用本文設計方法后，能源產品推準率為95%以上，展現出在綜合能源數據應用領域的廣闊前景。

關鍵詞：多維度用戶畫像；能源數據；數據集成；數據庫；概念模型；銷售決策

中圖分類號：TP 391" " " " " " 文獻標志碼：A

在大數據時代下，綜合能源數據包括從能源生產、傳輸到消費等各個環節的海量信息，為能源行業的決策提供了前所未有的可能性。但是如何有效利用這些數據，挖掘其潛在價值，提高能源利用效率和節能減排效果，是目前亟待解決的問題。目前，國內、外關于綜合能源數據應用的研究已經取得了一定進展。然而大多數研究主要集中在數據的采集、存儲和處理等方面，對于如何深入挖掘數據價值、提高能源利用效率的研究還不夠深入[1]。同時，現有的研究大多從單一維度或單一角度進行分析，缺乏對用戶多維信息的全面考慮和綜合利用。作為大數據時代的產物，用戶畫像是一種基于用戶多維信息的精準描述。構建用戶畫像可以深入了解用戶的行為習慣、需求偏好和消費模式，從而為用戶提供更個性化、精準化的服務。在綜合能源數據應用研究中，引入用戶畫像的概念和方法不僅能夠提高能源數據的處理效率和準確性，還能為能源管理和決策提供有力的支持。因此，基于多維度用戶畫像的綜合能源數據應用研究具有重要的理論意義和實踐價值。

1 綜合能源數據應用功能與架構設計

1.1 綜合能源數據應用功能

面向多維用戶群體的綜合能源數據應用主要由能源云數據服務功能模塊、SAAS開放功能模塊、大數據分析決策功能模塊3個部分組成，具體如圖1所示。

能源云數據服務功能模塊是綜合能源數據應用中的關鍵組件，具備強大的數據管理與服務能力。該模塊集數據同步管理、存儲與基礎公共服務于一體，以電力數據為核心，匯聚多方數據資源，為用戶提供全面的能源數據視圖。在數據同步方面，該模塊運用實時同步技術，保證發電、輸電和配電等環節的數據實時、準確地進入系統。采用API接口和數據總線等技術與外部數據源無縫對接，進行數據自動抓取、整合與更新，為用戶提供最新數據支持。在數據存儲方面，該模塊采用Hadoop、Spark等分布式存儲技術，保證海量數據高效存儲與快速訪問[2]。

大數據分析決策功能模塊基于大數據技術和先進算法，為各類用戶提供精準決策支持。在服務生態環境上，該模塊深入分析用戶數據，構建多維度用戶畫像。基于用戶畫像，智能化推薦綜合能源產品。

SAAS開放服務功能模塊為用戶提供了個性化的工作界面，即“我的工作臺”，用戶可以根據自身需求設置常用功能和數據展示。此外，該模塊還展示了當前最熱門、最受關注的數據信息，即“熱門數據”，使用戶能迅速掌握能源行業的最新動態。在“應用超市”中，用戶能夠選擇并安裝豐富的能源數據應用插件和工具，滿足多樣化的應用需求。如果用戶有數據或應用需求，可以利用“需求管理”功能提出，系統將根據需求進行及時響應和優化。同時，該模塊還設有“幫助中心”，提供詳盡的用戶手冊和在線教程，協助用戶解決在使用過程中遇到的各類問題。

1.2 綜合能源數據應用架構

本文根據綜合能源數據應用功能對其進行架構設計。遵從模塊化、組件化原則，將整體架構劃分為前端與后端2個部分，其中前端有用戶訪問層、交互層、UI界面層以及基礎組件層。1） 用戶訪問層是用戶和系統間交流的橋梁和用戶與系統的交互的入口，主要提供PC端和大屏2種訪問形式，對系統前端頁面和分析場景進行可視化展現[3]。2） 交互層主要是在用戶使用系統過程中提供界面和功能操作的交互支持。交互形式主要包括基于Ajax的異步交互和基于瀏覽器的同步交互。瀏覽器支持IE、谷歌、火狐等主流瀏覽器；Ajax異步交互主要采用Post和Get這2種形式進行數據交互[4]。3） UI界面層提供統一的業務應用操作界面和信息展示窗口，采用業內先進的BootStrap、LayUI和Echarts等前端框架，一方面為用戶提供交互的窗口界面，一方面也為顯示和提交數據實現了一定的邏輯，以便協調用戶和系統操作。4） 基礎組件層提供通用的前端組件集，例如分頁組件、日志組件和富文本組件等[5]，并對通用組件進行抽象提取，以快速構建界面。

綜合能源數據應用后端架構分為門戶層、服務控制層、平臺應用層、數據存儲層和數據集成層，各層間定義了明確的調用接口，層內部進行了模塊組件化，使系統具備較高的靈活性，能對業務需求的變化做出快速反應，使系統具備較好的擴展性。1） 門戶層提供后端用戶和系統間的交互入口[6]，為用戶提供單點登錄、統一認證、系統監控和內容管理等功能。2） 服務控制層提供服務注冊、發布、訂閱、監控和調度等服務編排能力，利用統一的應用網關，為業務平臺提供接口服務。3） 平臺應用層采用微應用的構建模式，對系統模塊進行劃分以實現應用快速迭代和快速發布。該應用層主要包括系統管理和決策平臺管理2個微應用，其中系統管理主要提供用戶管理、機構管理、角色管理和菜單管理等系統通用功能；決策管理平臺主要提供服務生態環境、服務經濟發展、服務能源革命、服務規模企業和服務社會民生等應用功能。4） 數據存儲層提供統一的數據匯聚存儲能力[7]，關系型數據庫主要存儲分析、計算后的結果數據。5） 數據集成層將不同數據源的各類業務數據和計算結果數據，以隔離裝置穿透和外部數據導入等方式匯聚到能源云平臺的能力，數據類型主要包括結構化數據，并針對不同的接入時效性要求進行數據接入。

2 基于多維度用戶畫像的綜合能源數據應用方法

2.1 電力居民用戶畫像指標體系構建

根據電力居民用戶基本特征，以具有廣泛代表性和可獲得性為原則構建用戶畫像指標體系（見表1），共包括13個基礎指標，根據這些指標進行標準化處理，以識別居民用戶顯著特征，準確反映用戶用電行為和用電負荷水平。

2.2 基礎指標數據規范化處理

因為各指標的量綱、數量級均有差異，所以為消除不同因量綱對評價結果的影響，需要對各基礎指標數據進行標準化處理。設xij為第i個用戶第j個基礎指標的觀測值，xjmax為第j個基礎指標中最大的觀測值，xjmin為第j個基礎指標中最小的觀測值，令yij為xij的規范化值。本文采用min-max標準化法進行計算[8]。

當xij為積極指標時，則有公式（1）。

（1）

當xij為消極指標時，則有公式（2）。

（2）

根據以上過程進行規范化處理，可有效去除數據冗余。

2.3 指標賦權

根據上述處理結果和綜合能源的業務需求，為用戶的每個維度分配權重，如公式（3）所示。

（3）

式中：n為綜合能源用戶的維度總數；wi為第i個維度的權重；Xi為度量值。

采用加權求和公式計算出居民用戶的用電行為評價值和負荷水平評價值。綜合能源多維度用戶畫像構建如公式（4）所示。

（4）

式中：Ei為第i個用戶的綜合評價值；ε為敏感度系數閾值。

用電行為評價值越大，說明用戶的用電量和用電負荷分布越均勻；負荷水平評價值越大，說明用戶用電量和用電負荷越大，變化趨勢越平穩。就此得到用戶用電行為。

2.4 基于多維度用戶畫像的數據應用實現

根據上述用戶用電行為為用戶推薦合適的能源產品，以達到有效應用綜合能源數據[9]的目的。推薦算法將考慮用戶畫像的綜合評分、產品與用戶畫像的匹配度。

首先，為了衡量綜合能源產品間的相似度，引入特征相似度的計算方法。該方法基于提取的綜合能源產品特征數據，例如產品類型、能效等級和價格等關鍵特征，并計算這些特征間的矢量協方差，以評估它們的相似程度，如公式（5）所示。

（5）

式中：d（yi，yj）為綜合能源產品yi和yj間的相似度；f（yi，yj）為綜合能源產品yi和yj間的特征相似度函數；α（yi）和α（yj）分別為綜合能源產品yi和yj特征向量的范數。

其次，為了更準確地描述綜合能源產品的特征，需要根據每個特征的重要性和相關性進行權重分配，即為每個特征賦予一個權重因子，該因子反映了該特征在評估產品與用戶匹配度過程中的重要性，如公式（6）所示。

（6）

式中：Gi為綜合能源產品的綜合特征評價值；wi'為綜合能源產品特征權重；βi為綜合能源產品特征提取因子；m為綜合能源產品特征的總數。

最后，為了計算用戶與產品的匹配度，基于用戶畫像的綜合評分和產品特征的相似度，考慮二者間的相互作用和關系，如公式（7）所示。

（7）

式中：Hij為用戶yi和產品yj間的匹配度；δij為匹配因子。

根據獲取的綜合能源用戶與產品的匹配度制定推薦策略。需要篩選候選產品，即根據用戶畫像的綜合評分和產品的匹配度，篩選出與用戶畫像匹配度較高的產品，并將其作為候選產品。在該過程中，當Hijgt;0.85時（經驗值），說明綜合能源產品和用戶匹配度較高，兩者更契合，反之則說明兩者不匹配，即不進行推薦。在基于綜合能源數據的推薦過程中，根據匹配度對候選產品進行排序，匹配度最高的產品為第一推薦產品，依次排序推薦（推薦匹配度前5的產品）。

構建用戶的多維度畫像，并結合產品與用戶畫像進行匹配度計算，可以為綜合能源用戶提供更精準且個性化的能源產品推薦。該方法不僅提高了推薦的準確性，也提升了用戶的滿意度和忠誠度。

3 試驗論證

3.1 試驗數據

為驗證本文基于多維度用戶畫像的綜合能源數據應用方法的可行性與可靠性，以IKYHFAAF數據包為試驗數據進行試驗。該數據包括152 164條能源數據，其中包括用戶數據36 815條，營銷數據86 452條，其余為其他能源數據。利用本文設計方法對該綜合能源數據進行應用。

3.2 試驗結果與討論

為了使試驗結果具有一定的說服性，選擇2種傳統方法與本文方法進行比較，以能源產品推準率作為綜合能源數據應用效果評價指標，將用戶成功下單能源產品視為銷售決策成功，因此推準率如公式（8）所示。

u=（Nwr/Nut）×100% （8）

式中：u為能源產品推準率；Nwr為用戶成功下單能源產品數量；Nut為為用戶推薦的能源產品數量。

推準率越高，說明綜合能源數據應用精度越高。利用公式（8）計算3種方法應用下的能源產品推準率，具體數據見表2。

比較表2中的數據可得出以下結論：本文設計方法對綜合能源數據應用精度更高一些，能源產品推準率在95%以上，遠高于2種傳統方法，證明能源產品銷售決策準確性較高，在綜合能源數據應用方面具有絕對優勢。

4 結語

本文基于多維度用戶畫像對綜合能源數據應用進行了深入探討與分析，構建了全面、精準的用戶畫像，充分挖掘并有效利用了綜合能源數據。在理論層面，提出了多維度用戶畫像的構建方法及其在綜合能源數據應用中的重要作用；在實踐層面，結合具體案例，驗證了基于用戶畫像的能源管理和優化策略的有效性。然而本文僅對多維度用戶畫像和綜合能源數據應用進行了初步探索，仍有許多問題值得進一步研究。例如，如何更全面、準確地收集用戶的多維信息，更有效地利用大數據和人工智能技術對用戶畫像進行深度挖掘和分析，以提高能源利用效率和節能減排效果等。未來將繼續關注多維度用戶畫像和綜合能源數據應用的發展動態，深入研究相關領域的前沿技術和方法。

參考文獻

[1]王耀明.基于全域用戶畫像的企業智能大數據分析及營銷系統的應用[J].軟件，2023，44（10）：137-139.

[2]陳猛，孔赟，曹凱，等.綜合能源應用系統海量實時數據交互式共享方法[J].微型電腦應用，2023，39（8）：56-59.

[3]江劍峰，馮嘉俊，黃睿力.基于大數據分析的綜合能源服務平臺數據應用研究進展[J].電氣技術與經濟，2023（4）：94-96.

[4]周俊，毛志斌，邵朱強，等.低碳能源大數據管理系統綜合效益評價研究——兼析“綠能碼”應用場景與商業模式[J].價格理論與實踐，2023（1）：140-144.

[5]王小蕾.基于大數據分析的綜合能源服務平臺數據應用研究[J].電氣時代，2022（4）：29-30.

[6]陳赟，劉昌維，潘智俊，等.新形勢下智慧“能源+雙碳”服務平臺的建設與應用[J].供用電，2022，39（2）：15-21.

[7]徐欽，耿昊.綜合能源站在邊緣數據中心建設中的應用[J].電信快報，2021（12）：14-15，40.

[8]徐悅為，丁博，夏志鵬，等.營銷大數據在綜合能源智慧服務中的應用分析[J].低碳世界，2021，11（8）：220-221.

[9]梁磊，范海波，劉發年.基于大數據的綜合能源管控與運營技術研究與應用[J].電力大數據，2021，24（3）：17-24.