基于業務數據分析的個性化電力信息精準推薦方法設計

中圖分類號：TP391；TM711 文獻標志碼：A 文章編號：1001-5922（2025）05-0143-04

Abstract：In viewof thelowsuccessrateof the previous personalizedpower customerservice informationrecommendation methods，a personalized powercustomer service information recommendation method based on businessdata analysis was designed.According tothetypeofpower customerinformation，itwas divided intotextdataandscenedata，andthe power customerdata wasobtainedand preprocessedbycalculating thesimilaritybetweenthedata information.Withthesupport of businessdataanalysis，theabove-mentionedobtaineddata was extractedbyfeatures，andthenthevaluablefeaturedata wasscreened out，the characteristic data was fused，the prediction function of power customer demand was calculated by using the fused feature data，and theappropriate power customer service recommendation method wasselected in combinationwith the portraitof powercustomers，soas tocarryoutservicerecommendationthatmets the needsof power customers.In the experimental test，compared with the previousrecommendation methods，theservicerecommendationsuccess rateof the personalized power customer service information recommendation method based on businessdata analysis was as high as 97.8% ：

Keywords：business data analysis；personalized electricity customers；information recommendation；method design互聯網的大量普及，使人們習慣從網上獲取各種 需要的信息。為了滿足人們獲取信息的需求，各種智

能應用層出不窮，滿足了人們對于生活和工作上的所需。同時，在互聯網技術快速發展的現在，智能應用上各種服務的數量在日益增長，但其中大量服務并不是基于功能需求進行開發的[4]。因此，為了吸引電力用戶對這些服務的關注，如何為電力用戶推薦個性化的高質量服務成為當前炙手可熱的問題。傳統的服務推薦方法雖然能夠起到一定的作用，但仍然存在很大的問題，如服務推薦的效率過低，用戶需求與服務的相關性不高等問題[5]。針對上述問題，不少研究學者提出了相應的解決方法，但效果不佳。

文獻[1]根據用戶的應用場景，提出了各種深層連接標準，在Android應用功能上提供可供外部調用的深層連接，減少用戶不必要的搜索，提高用戶的使用體驗，實現對Android應用服務的推薦，但該方法的服務推薦時間過長。文獻[2]對現存的旅游信息歸納總結，并根據服務器采集到的用戶信息，將滿足用戶旅游需求的服務推薦給用戶，提高用戶服務的推薦成功率，但該方法的推薦效率不高。文獻[3]根據用戶的高鐵使用信息，構建相關的用戶應用模型，根據模型的需求，推測用戶的需求，從而向用戶推薦合適的服務，但該方法數據的稀疏性較強。針對上述問題，設計了基于業務數據分析的個性化電力客戶服務信息推薦方法，通過對電力客戶的相關數據進行獲取，并對獲取的數據進行預處理，在業務數據分析的支持下，提取預處理數據的特征，根據數據特征進行用戶服務推薦。設計的方法能夠解決無效服務對推薦信息的干擾問題，還能提高服務的推薦效率，促進服務推薦行業的蓬勃發展。

1個性化電力客戶服務信息推薦方法設計

1.1 電力客戶信息獲取及預處理

在對電力客戶進行服務推薦時，為了提高推薦服務與電力客戶的相關性，增加服務推薦的成功率，需要先對電力客戶信息進行獲取。主要從2個方面進行，分別為電力客戶文本信息和客戶應用場景。首先，電力客戶文本信息的獲取主要通過可訪問性服務，該項服務能夠有效識別客戶的文本信息，并對客戶在當前場景下獲取的文本信息進行集合，為后續的文本信息推薦做準備[]。其次，電力客戶應用場景信息的獲取是在上述文本信息的基礎上，利用語義標注對獲取的文本信息進行標記，給每段文本分配一個合適的標簽。匹配分配好標簽的文本和待標注的文本，如果兩者內容和格式相同，則將待標注文本的標簽設定為已標注[8]。同時，檢查文本的長度，如果文本長度和已標注文本的長度相同，則兩者使用同一個標簽，如果兩者存在不同，即便文本的內容和格式相同，兩者也無法使用同一個標簽，需要繼續尋找下一個類似的已標注文本。在上述基礎上，尋找到多個和待標注文本類型相似的已標注文本，為了確定待標注文本的標簽，需要對兩者的相似度進行計算。相似度的計算過程：

式中： 為待標注文本和已標注文本的相似度； x 為待標注文本； y 為已標注文本； E（x） 為待標注文本的觀測值； E（y） 為已標注文本的觀測值； E（x y） 為待標注文本和已標注文本的觀測值。

通過上述公式，計算出待標注文本和已標注文本之間的相似度，根據相似度的大小判斷待標注文本的類型，選擇相似度最大的已標注文本的標簽作為待標注文本的標簽。如果通過上述方法還無法確定待標注文本的標簽，則將該文本標注為“未定”。通過上述過程，完成對電力客戶信息的獲取。在此基礎上，為了保證服務推薦的準確度，對上述獲取的數據信息進行預處理。在進行數據預處理時，將原始客戶數據中不符合要求的數據刪除，對缺失的數據信息進行清洗，保證數據的完整度，并對數據信息的類型進行轉換[9]。具體的數據預處理的過程如圖1所示。

由圖1可知，在上述數據預處理的過程中，將原始的客戶數據根據數據獲取方式，劃分為客戶文本數據和客戶場景數據，先對2種數據進行簡單處理。再篩選其中具有價值的數據信息，并對數據類型進行統一，降低不同類型數據的維度。此外，對于數據中出現的空白字符，直接進行刪除，或者補充具有價值的數據信息，減少后續數據處理的運算量[10]。將經過上述處理的數據輸出，為后續的數據特征提取奠定基礎。

1.2基于業務數據分析的信息特征提取及特征融合

將上述經過預處理的數據信息作為基礎，在業務數據分析的支持下，對客戶數據信息進行特征提取。其特征提取過程如圖2所示。

由圖2可知，在業務數據分析的作用下，將信息特征提取的過程劃分為4層，分別為用戶層、應用層，特征提取層、輸出層。在用戶層，根據用戶位置的不同，將電力客戶劃分為城市客戶、區縣客戶、供電所客戶、總部用戶4種[11]。在應用層，根據獲取的電力客戶信息，將其分為電力客戶用電需求、用電量、用電高峰時間段等。在電力客戶信息特征提取層，以應用層的應用節點作為基礎，對其每個應用節點的數據進行特征提取，再對提取出的數據特征進行篩選，保留其中有價值的具有代表性的特征數據[12]。其具體特征提取和篩選過程：

式中： 為提取的數據特征； X 為電力客戶數據； 分別為數據的權重參數； c 為電力客戶數據的數量； i（N） 表示數據篩選的結果； 為第i個數據特征的權重參數。

在上述基礎上，對提取的數據特征進行融合，將融合特征作為輸出結果進行數據輸出[13]。特征融合的具體過程：

式中： 為數據特征融合的結果； 為第j個數據特征的權重參數； W為第 j 個數據特征； 為數據篩選的權重值。

1.3實現電力客戶服務信息推薦

在上述設計的基礎上，進行電力客戶服務信息的推薦。在設計中，為了提高服務推薦的準確度，需要對電力客戶服務的需求進行預測[14]。其具體預測過程：

式中： 為電力客戶服務需求的預測函數；M為數據的權重矩陣向量； 為輸入的電力客戶數據向量；b為數據偏量。

通過上述公式，計算出電力客戶需求的預測函數。將其作為基礎，進行電力客戶服務信息推薦，其具體推薦流程如圖3所示。

由圖3可知，在上述服務推薦流程中，將服務推薦劃分為2個部分，分別為相似服務推薦[15]和互補服務推薦。在進行服務推薦時，需要根據計算出的預測值，結合電力客戶的屬性、過往的購買記錄、使用的設備型號以及對每項服務的點擊內容，決定采用哪種服務推薦方式。如果選用相似服務推薦方式[16]，則需要對用戶畫像進行深人分析，并結合客戶數據特征，對電力客戶進行服務推薦。如果選用互補服務推薦，則需要根據客戶的購買偏好和客戶的關聯關系，結合當前的熱門話題，進行服務推薦。

在用戶需求預測函數的作用下，上述2種服務推薦方式都能推薦出符合用戶需求的服務。

2 實驗測試

2.1 實驗準備

為驗證本文設計的基于業務數據分析的個性化客戶服務信息推薦方法在實際應用中的效果，進行相關實驗測試。實驗設置了相應的實驗參數，其參數的具體設置如表1所示。

在實驗中，將某電力企業的電力客戶數據信息進行匯總，得到真實的數據集。該數據集的匯總結果如表2所示。

將上述實驗數據作為實驗對象，為保證實驗結果的準確度，對上述實驗數據進行預處理。其預處理前后實驗數據的變化情況如圖4所示。

由圖4可知，對實驗數據預處理時，采用數據填補的方式，保證數據的完整性，提高數據的質量。此外，為提高實驗結果的可信度，設置了對照實驗。其中，設計的基于業務數據分析的個性化電力客戶服務信息推薦方法為方法1，基于用戶情景模型的個性化電力客戶服務信息推薦方法為方法2，基于支持向量機的個性化電力客戶服務信息推薦方法為方法3。

2.2 實驗結果與討論

為驗證3種方法的性能，在實驗數據集中隨機選取了100個用戶和100個服務。實驗中給每個新用戶推薦20個服務，同時，將一個新服務推薦給20個用戶，統計服務推薦的成功率。其具體統計結果如圖5所示。

由圖5（a）可以看出，在給每個新用戶推薦服務時，方法1服務推薦成功的數量最多。由圖5（b）可知，在將相同的服務推薦給不同的用戶時，方法1推薦成功的用戶數量較多。由圖5（a）、圖5（b）可知，方法1的推薦成功率較高，為 97.6% ，方法2服務推薦的成功率為 72.8% ，方法3服務推薦的成功率為 52.3% 。因此，設計的基于業務數據分析的個性化電力客戶服務信息推薦方法的效果較好，服務推薦的成功率較高。在實際應用中，方法1對于電力客戶需求的預測更為精準，能夠更加準確地推薦符合電力客戶需求的服務。

3結語

設計的方法在面對大量的電力客戶數據信息時，根據數據信息的類型，采用了不同的信息獲取方式，并對獲取的數據信息進行預處理，提高數據信息的精度和質量。同時，本文設計的方法在業務數據分析的支持下，對電力客戶數據信息進行特征提取和特征融合，為后續電力客戶需求的預測奠定了基礎。然而，設計的方法在實際應用中還存在些許不足，如在實驗中，實驗數據集覆蓋不夠廣泛，在之后的研究中，將會采用多個電力企業電力客戶的相關數據，進行實驗測試，彌補實驗中的不足。

【參考文獻】

[1]王毅，李政浩，陳星.基于用戶場景的 Android 應用服務推薦方法[J].計算機科學，2022，49（S1）：267-271.

［2]王佳，吳任博，周小光，等.基于云邊結合技術的電網智能視頻云架構設計與測試[J].粘接，2023，50（10）：193-196.

［3］張振海，張湘婷.上下文感知的高鐵信息服務推薦方法研究[J].計算機工程與應用，2021，57（12）：231-236.

[4] 陳競，杜杰，李宇遠.基于云平臺的電力客戶異地服務信息實時共享方法[J].微型電腦應用，2022，38（8）：101-104.

[5］徐超，孫金莉，楊郡，等.基于分布式支持向量機的電網錯誤數據注入檢測法[J].粘接，2023，50（2）：188-192.

[6]李宇佳，王益成.基于用戶動態畫像的學術新媒體信息精準推薦模型研究[J].情報科學，2022，40（1）：88-93.

[7]王之昕，郭磊，任有剛.基于業務數據分析的電力移動作業異常巡檢核查系統［J].電子設計工程，2022，30（3） ：40-44.

[8]趙旻昱，徐熠彬，傅冠凱，等.基于業務數據分析的臺區線損管控系統設計[J].電子設計工程，2021，29（23） ：107-111.

[9]李少峰，陶衛方，張東寧，等.基于業務數據跨系統自動填報研究與分析[J].中國石油和化工標準與質量，2021，41（10）：134-135.

[10]洪春燕，鄭楚發，王丹，等.基于綜合數據分析的日間手術績效分配方案設計與效果評估［J].現代醫院，2023，23（6） ：904-906.

[11]趙梓屹，劉凌，閆峰，等.基于函數型數據分析的河流有機碳通量評估模型及其應用[J].水電能源科學，2023，41（6） ：31-34.

[12]高騫，楊俊義，洪宇，等.基于改造措施的智能配電系統優化模型分析[J].粘接，2022，49（12）：178-181.

[13]馬雁，許多，石鋒杰，等.基于SCADA數據分析的配電網全故障自動化模擬實驗平臺的設計與實現[J].電子制作，2023，31（11）：46-49.

[14]王春華，張書鋒.基于Python 數據分析的高職學生在線學習投入影響因素研究［J].電腦知識與技術，2023，19（15） ：59-62.

[15]黃安寧，武天明，趙云，等.基于在線監測與大數據分析的設備管理信息系統開發及應用[J].工業控制計算機，2023，36（5）：119-120.

[16］侯立，王健.基于協同過濾的用戶大數據周期智能推薦算法[J].計算機仿真，2023，40（3）：476-479.

[17]王雪純，呂晟凱，吳浩，等.多網絡混合嵌入學習的服務推薦方法研究［J].計算機科學與探索，2022，16（7） ：1529-1542.

[18]邢巍，伍波濤，李玥.基于混合深度學習的電力用戶數據的分析模型[J].西華大學學報（自然科學版），2023，42（4） ：43-48.

[19]王兵，田旭東，路呈昊，等.基于大數據分析的煤礦供電系統安全智能管控平臺設計［J].科技創新與應用，2023，13（16）：23-26.

[20]鐘汝能，姚斌，李琳，等.微波波段下澳洲堅果的介電特性測量及分析[J].云南師范大學學報（自然科學版），2023，43（2） ：39-44.

（責任編輯：平海）