基于信任度计算的智能电网终端活跃用户数量预测方法

黎炜敏

（南方电网数字电网研究院有限公司，广东广州 510700）

智能电网终端大部分架构在智能通信设备中，用户可以根据自身的需求在智能电网终端自主进行查询与调节，获取相应的数据信息。智能电网终端不但能够让用户查询个人电网信息，还能提供自助服务，自行完成各项任务，但由于用户的需求不同，偏好的项目也就不同。为准确分析电网用户的基本需求，许多学者都研究了活跃用户数量预测方法。

文献[1]研究了基于数据挖掘的电网用户行为分析方法，该方法主要采用主成分分析方法对负荷数据进行降维，采用聚类方法对数据聚类分析，分析了用户不同类别的用电行为模式；文献[2]研究了基于朴素贝叶斯的电网用户行为分析方法，该方法采用模糊均值聚类方法对用电模式建模，然后提取出主要的用电模式。上述方法完成了用电模式的识别和分析，但是忽略了影响用户数量的一些因素，导致预测终端活跃用户时存在预测效果不佳的问题。

信任度计算是利用协同相似度算法，其能够找出用户之间的关联性与亲密度，得到用户的浏览记录，通过单一的用户喜好来找到与其相似的活跃用户，从而预测出具有相同喜好用户的具体数量。为此，该文在信任度计算的基础上对智能电网终端活跃用户的数量进行预测，以获取用户最为关注的项目，为智能电网业务开展提供数据支撑。

1 智能电网终端硬件结构分析

在完成基于信任度计算的智能电网终端活跃用户数量预测方法设计前，首先分析智能电网终端硬件结构，如图1 所示。

图1 智能电网终端硬件结构

1.1 数据处理器结构分析

智能电网终端的数据处理器芯片选用TMX320 C6472CZTZ，该芯片具有较强的采集能力，数据处理器外围不需要扩展外围电路，以此提高数据处理器的集成度和可靠性，简化数据处理器采集数据操作次数，数据处理器结构如图2 所示。

图2 数据处理器结构

由图2 可知，数据处理器具有单独的电源电路，可以采集智能电网终端中的活跃用户数据和业务数据，芯片引脚需要接8 Ω的电阻，数据处理器内部配置复位按键，可对评估系统进行下载调试，定时器与数据处理器互联的USB连接线为双层保护线，可以有效保护数据处理器与其他配件不受到破坏和干扰。

1.2 微处理器结构分析

智能电网终端的微处理芯片采用SD公司最新开发的SD63C84 微处理芯片，其总线部分由8 Byte 的输入/输出接口和8 位的存储器组成，控制单元由32 位的UART 接口和8 位的通用寄存器组成。同时微控制模块中还具有单独的微控制器，其可以控制微处理器对活跃用户数据进行处理，保证活跃用户数据的完整性和准确性。微处理器结构如图3 所示。

图3 微处理器结构

由图3 可知，外围电路和电源电路可以同时使用，以此提高智能电网终端的数据处理便捷性，微处理器芯片具有多个基础寄存器，可保持微处理器的处理状态，其他多用途寄存器可存储基础变量，控制单元不与处理器总线直接连接，其可向智能电网终端发送读、写请求。

2 智能电网终端活跃用户数量预测

2.1 获取智能电网终端数据

当某些用户没有在智能电网终端对话框上回复时，需将智能电网终端的系统设置为保存用户浏览信息[3]，首先将所有数据进行保密处理，然后向用户发出短信调查。由于用户之间的信任关系保持不变[4]，假设发送短消息的数量为p，回答的数量为pu，用户在系统中的活跃度可用公式表示为：

其中，Q代表用户活跃度，n代表用户总数量，u代表用户，qu代表用户有效通话次数，q代表发送通话数量，T代表用户活跃时长。

2.2 信任度计算

在信任网络模型中，假设两个用户之间的信任度用C来表示，当信任度为整数时，证明两者存在紧密的联系，可记为C(u1,u2)，而当C为零时，代表用户不存在信任关系[5]。进行信任度计算之前，首先利用协同过滤算法对所有用户进行筛选，统计出使用智能电网终端次数最多的用户数量，在此基础上归一化处理[6]，得到的信任度为：

式中，u′代表关联用户。为了准确地描述节点与用户之间的信任度关系，将其绘制成网格图，如图4所示。

图4 双层社交网络示意图

就智能电网终端而言，只要用户之间存在信任，那么在终端中就属于同一个集合，两者的关联程度用权重表示，权重越高，与其相关的用户数量越多[7]。若几个用户同时参与智能电网终端对话，就会存在相应的信任度。

将互联网平台用户数量的预测方法映射到智能电网终端中可知，经常互动的活跃用户具有一定的引领性，会获得部分其他用户的信任[8]，可信度较高。为了过滤出活跃用户，设定一个严格的标准，公式为：

其中，A(u)代表互动频繁的活跃用户数量，E(u)代表相对专业的用户数量，F(u)代表亲密度较高的用户，R(u)代表信任度较高的用户，g代表过滤参数。其中，相对专业的用户是具有代表性的活跃用户，并且控制着信任度的评分[9]，将每个项目的专业性评分进行统一处理。

考虑到用户之间的信任度是单向不可逆的，如果用户在智能电网终端进行操作，其信任用户会根据终端推荐同步操作[10]，这样就可以成为活跃用户，且互为信任度用户，系统就会自动生成一个预测数量[11]。得到预测数值之后，用户对终端项目使用最频繁的概率公式为：

其中，Iu代表用户喜好最多的项目值。

2.3 构建预测模型

为了进一步提高智能电网终端活跃用户数量的准确性，在信任度可控的情况下[12]，建立一个完整的预测模型，获取用户之间的信任度后将其输入模型之中，使两者相互融合，完成活跃用户数量预测。

基于相似度的关联，可以将所要调查的用户分为相似与不相似两类[13]，而相似度可表示为：

式中，Str(A,N)代表直接相似度，Q与A代表具有相似度的两个用户，S。代表含有相似度的用户数量，S1代表不具有相似度的数量，α代表权重因子，正常情况下，α=0.398 3。在用户相似度处于稳定时，权重的变化控制着信任度以及活跃度的变化[14]，因此可预测出活跃用户数量的权重。

在权重不变的情况下，形成一个相似度模型，当用户收到终端发送的短信息时，系统就会根据回复速度来判断是否为活跃用户，然后进行记录，保证不错失每个用户。当模型中两个节点交叉生成的夹角θ不为零时，证明节点中存在相似度用户，由此衍生出一个矩阵模型，前提是用户自主选择项目，并完成智能电网终端对话。

根据相似度模型中每个向量的平均分布来预测出用户的喜好项目与活跃用户的数量，然后分别从向量上的主要特征得到具体的数值，最后完成活跃用户评分。节点的活跃程度代表了用户的喜好程度，并且在矩阵中代表用户的数量[15-16]。基于上述的信任关系，将最后的预测公式表示为：

其中，Nt代表待测用户数量，xu,i代表用户活跃度，pre(u,i)代表实际用户使用率。至此完成智能电网终端活跃用户数量的预测。

3 实验对比

该实验主要验证提出的基于信任度计算的智能电网终端活跃用户数量预测方法的有效性，并与文献[1]基于数据挖掘的分析方法、文献[2]基于朴素贝叶斯的分析方法进行对比，将某地区居民用户的基本行为作为实验数据，对比三种方法的预测效果。

3.1 不活跃用户概率分布情况分析

选取24小时作为用户活跃度测试的实验时长，将表1所示的用户基本情况作为三种方法的输入，通过三种方法得到不活跃用户概率分布情况，并将三种方法与实际的不活跃用户分析结果进行对比，结果如图5所示。

图5 不活跃用户概率分布情况

通过图5 可知，在2～8 h 之间活跃的用户较少，该文预测方法获得的结果与实际数量基本保持一致，在不活跃度概率分析上，较另两种分析方法分析准确度更高。

3.2 活跃用户错误估计情况分析

三种预测方法的预测结果如图6 所示。

图6 活跃用户错误估计情况

通过图6 能够看出，该文预测方法获得的结果与实际数量基本保持一致，能够较为准确地估计出活跃用户，较另两种预测方法估计误差更小。

3.3 智能电网终端日活跃用户时序情况分析

将三种预测方法与实际的用户活跃情况进行对比，结果如图7 所示。

图7 智能电网终端日活跃用户时序情况

该文预测方法能够较为准确地预测出用户活跃的时序变化情况，其他两种预测方法与实际的时序有较大差距，分析准确性较差。

4 结束语

该文在信任度计算的基础上，获取智能电网终端用户的喜好项目，预测出大致用户数量，不但减少了后台人员的负担，还增加了智能电网的实用性。所提出的预测方法不但解决了智能电网终端活跃用户预测效果较低的问题，还分析了信任用户之间的数据关系，能够准确、快速地完成活跃用户数量的预测。