基于多维度用户画像的综合能源数据应用研究

摘 要：目前综合能源数据应用方法使能源产品推准率较低，因此本文提出基于多维度用户画像的综合能源数据应用研究。设计了能源云数据服务功能模块、SAAS开放功能模块、大数据分析决策功能模块3个功能模块，从前端与后端2个方面进行综合能源数据应用架构设计。采用用户画像评分算法并引入敏感度系数进行优化，构建多维度用户画像，基于用户画像并结合综合能源产品特征数据计算匹配度，实现综合能源产品准确推荐，达到有效应用综合能源数据的目的。试验结果表明，采用本文设计方法后，能源产品推准率为95%以上，展现出在综合能源数据应用领域的广阔前景。

关键词：多维度用户画像；能源数据；数据集成；数据库；概念模型；销售决策

中图分类号：TP 391" " " " " " 文献标志码：A

在大数据时代下，综合能源数据包括从能源生产、传输到消费等各个环节的海量信息，为能源行业的决策提供了前所未有的可能性。但是如何有效利用这些数据，挖掘其潜在价值，提高能源利用效率和节能减排效果，是目前亟待解决的问题。目前，国内、外关于综合能源数据应用的研究已经取得了一定进展。然而大多数研究主要集中在数据的采集、存储和处理等方面，对于如何深入挖掘数据价值、提高能源利用效率的研究还不够深入[1]。同时，现有的研究大多从单一维度或单一角度进行分析，缺乏对用户多维信息的全面考虑和综合利用。作为大数据时代的产物，用户画像是一种基于用户多维信息的精准描述。构建用户画像可以深入了解用户的行为习惯、需求偏好和消费模式，从而为用户提供更个性化、精准化的服务。在综合能源数据应用研究中，引入用户画像的概念和方法不仅能够提高能源数据的处理效率和准确性，还能为能源管理和决策提供有力的支持。因此，基于多维度用户画像的综合能源数据应用研究具有重要的理论意义和实践价值。

1 综合能源数据应用功能与架构设计

1.1 综合能源数据应用功能

面向多维用户群体的综合能源数据应用主要由能源云数据服务功能模块、SAAS开放功能模块、大数据分析决策功能模块3个部分组成，具体如图1所示。

能源云数据服务功能模块是综合能源数据应用中的关键组件，具备强大的数据管理与服务能力。该模块集数据同步管理、存储与基础公共服务于一体，以电力数据为核心，汇聚多方数据资源，为用户提供全面的能源数据视图。在数据同步方面，该模块运用实时同步技术，保证发电、输电和配电等环节的数据实时、准确地进入系统。采用API接口和数据总线等技术与外部数据源无缝对接，进行数据自动抓取、整合与更新，为用户提供最新数据支持。在数据存储方面，该模块采用Hadoop、Spark等分布式存储技术，保证海量数据高效存储与快速访问[2]。

大数据分析决策功能模块基于大数据技术和先进算法，为各类用户提供精准决策支持。在服务生态环境上，该模块深入分析用户数据，构建多维度用户画像。基于用户画像，智能化推荐综合能源产品。

SAAS开放服务功能模块为用户提供了个性化的工作界面，即“我的工作台”，用户可以根据自身需求设置常用功能和数据展示。此外，该模块还展示了当前最热门、最受关注的数据信息，即“热门数据”，使用户能迅速掌握能源行业的最新动态。在“应用超市”中，用户能够选择并安装丰富的能源数据应用插件和工具，满足多样化的应用需求。如果用户有数据或应用需求，可以利用“需求管理”功能提出，系统将根据需求进行及时响应和优化。同时，该模块还设有“帮助中心”，提供详尽的用户手册和在线教程，协助用户解决在使用过程中遇到的各类问题。

1.2 综合能源数据应用架构

本文根据综合能源数据应用功能对其进行架构设计。遵从模块化、组件化原则，将整体架构划分为前端与后端2个部分，其中前端有用户访问层、交互层、UI界面层以及基础组件层。1） 用户访问层是用户和系统间交流的桥梁和用户与系统的交互的入口，主要提供PC端和大屏2种访问形式，对系统前端页面和分析场景进行可视化展现[3]。2） 交互层主要是在用户使用系统过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的异步交互和基于浏览器的同步交互。浏览器支持IE、谷歌、火狐等主流浏览器；Ajax异步交互主要采用Post和Get这2种形式进行数据交互[4]。3） UI界面层提供统一的业务应用操作界面和信息展示窗口，采用业内先进的BootStrap、LayUI和Echarts等前端框架，一方面为用户提供交互的窗口界面，一方面也为显示和提交数据实现了一定的逻辑，以便协调用户和系统操作。4） 基础组件层提供通用的前端组件集，例如分页组件、日志组件和富文本组件等[5]，并对通用组件进行抽象提取，以快速构建界面。

综合能源数据应用后端架构分为门户层、服务控制层、平台应用层、数据存储层和数据集成层，各层间定义了明确的调用接口，层内部进行了模块组件化，使系统具备较高的灵活性，能对业务需求的变化做出快速反应，使系统具备较好的扩展性。1） 门户层提供后端用户和系统间的交互入口[6]，为用户提供单点登录、统一认证、系统监控和内容管理等功能。2） 服务控制层提供服务注册、发布、订阅、监控和调度等服务编排能力，利用统一的应用网关，为业务平台提供接口服务。3） 平台应用层采用微应用的构建模式，对系统模块进行划分以实现应用快速迭代和快速发布。该应用层主要包括系统管理和决策平台管理2个微应用，其中系统管理主要提供用户管理、机构管理、角色管理和菜单管理等系统通用功能；决策管理平台主要提供服务生态环境、服务经济发展、服务能源革命、服务规模企业和服务社会民生等应用功能。4） 数据存储层提供统一的数据汇聚存储能力[7]，关系型数据库主要存储分析、计算后的结果数据。5） 数据集成层将不同数据源的各类业务数据和计算结果数据，以隔离装置穿透和外部数据导入等方式汇聚到能源云平台的能力，数据类型主要包括结构化数据，并针对不同的接入时效性要求进行数据接入。

2 基于多维度用户画像的综合能源数据应用方法

2.1 电力居民用户画像指标体系构建

根据电力居民用户基本特征，以具有广泛代表性和可获得性为原则构建用户画像指标体系（见表1），共包括13个基础指标，根据这些指标进行标准化处理，以识别居民用户显著特征，准确反映用户用电行为和用电负荷水平。

2.2 基础指标数据规范化处理

因为各指标的量纲、数量级均有差异，所以为消除不同因量纲对评价结果的影响，需要对各基础指标数据进行标准化处理。设xij为第i个用户第j个基础指标的观测值，xjmax为第j个基础指标中最大的观测值，xjmin为第j个基础指标中最小的观测值，令yij为xij的规范化值。本文采用min-max标准化法进行计算[8]。

当xij为积极指标时，则有公式（1）。

（1）

当xij为消极指标时，则有公式（2）。

（2）

根据以上过程进行规范化处理，可有效去除数据冗余。

2.3 指标赋权

根据上述处理结果和综合能源的业务需求，为用户的每个维度分配权重，如公式（3）所示。

（3）

式中：n为综合能源用户的维度总数；wi为第i个维度的权重；Xi为度量值。

采用加权求和公式计算出居民用户的用电行为评价值和负荷水平评价值。综合能源多维度用户画像构建如公式（4）所示。

（4）

式中：Ei为第i个用户的综合评价值；ε为敏感度系数阈值。

用电行为评价值越大，说明用户的用电量和用电负荷分布越均匀；负荷水平评价值越大，说明用户用电量和用电负荷越大，变化趋势越平稳。就此得到用户用电行为。

2.4 基于多维度用户画像的数据应用实现

根据上述用户用电行为为用户推荐合适的能源产品，以达到有效应用综合能源数据[9]的目的。推荐算法将考虑用户画像的综合评分、产品与用户画像的匹配度。

首先，为了衡量综合能源产品间的相似度，引入特征相似度的计算方法。该方法基于提取的综合能源产品特征数据，例如产品类型、能效等级和价格等关键特征，并计算这些特征间的矢量协方差，以评估它们的相似程度，如公式（5）所示。

（5）

式中：d（yi，yj）为综合能源产品yi和yj间的相似度；f（yi，yj）为综合能源产品yi和yj间的特征相似度函数；α（yi）和α（yj）分别为综合能源产品yi和yj特征向量的范数。

其次，为了更准确地描述综合能源产品的特征，需要根据每个特征的重要性和相关性进行权重分配，即为每个特征赋予一个权重因子，该因子反映了该特征在评估产品与用户匹配度过程中的重要性，如公式（6）所示。

（6）

式中：Gi为综合能源产品的综合特征评价值；wi'为综合能源产品特征权重；βi为综合能源产品特征提取因子；m为综合能源产品特征的总数。

最后，为了计算用户与产品的匹配度，基于用户画像的综合评分和产品特征的相似度，考虑二者间的相互作用和关系，如公式（7）所示。

（7）

式中：Hij为用户yi和产品yj间的匹配度；δij为匹配因子。

根据获取的综合能源用户与产品的匹配度制定推荐策略。需要筛选候选产品，即根据用户画像的综合评分和产品的匹配度，筛选出与用户画像匹配度较高的产品，并将其作为候选产品。在该过程中，当Hijgt;0.85时（经验值），说明综合能源产品和用户匹配度较高，两者更契合，反之则说明两者不匹配，即不进行推荐。在基于综合能源数据的推荐过程中，根据匹配度对候选产品进行排序，匹配度最高的产品为第一推荐产品，依次排序推荐（推荐匹配度前5的产品）。

构建用户的多维度画像，并结合产品与用户画像进行匹配度计算，可以为综合能源用户提供更精准且个性化的能源产品推荐。该方法不仅提高了推荐的准确性，也提升了用户的满意度和忠诚度。

3 试验论证

3.1 试验数据

为验证本文基于多维度用户画像的综合能源数据应用方法的可行性与可靠性，以IKYHFAAF数据包为试验数据进行试验。该数据包括152 164条能源数据，其中包括用户数据36 815条，营销数据86 452条，其余为其他能源数据。利用本文设计方法对该综合能源数据进行应用。

3.2 试验结果与讨论

为了使试验结果具有一定的说服性，选择2种传统方法与本文方法进行比较，以能源产品推准率作为综合能源数据应用效果评价指标，将用户成功下单能源产品视为销售决策成功，因此推准率如公式（8）所示。

u=（Nwr/Nut）×100% （8）

式中：u为能源产品推准率；Nwr为用户成功下单能源产品数量；Nut为为用户推荐的能源产品数量。

推准率越高，说明综合能源数据应用精度越高。利用公式（8）计算3种方法应用下的能源产品推准率，具体数据见表2。

比较表2中的数据可得出以下结论：本文设计方法对综合能源数据应用精度更高一些，能源产品推准率在95%以上，远高于2种传统方法，证明能源产品销售决策准确性较高，在综合能源数据应用方面具有绝对优势。

4 结语

本文基于多维度用户画像对综合能源数据应用进行了深入探讨与分析，构建了全面、精准的用户画像，充分挖掘并有效利用了综合能源数据。在理论层面，提出了多维度用户画像的构建方法及其在综合能源数据应用中的重要作用；在实践层面，结合具体案例，验证了基于用户画像的能源管理和优化策略的有效性。然而本文仅对多维度用户画像和综合能源数据应用进行了初步探索，仍有许多问题值得进一步研究。例如，如何更全面、准确地收集用户的多维信息，更有效地利用大数据和人工智能技术对用户画像进行深度挖掘和分析，以提高能源利用效率和节能减排效果等。未来将继续关注多维度用户画像和综合能源数据应用的发展动态，深入研究相关领域的前沿技术和方法。

参考文献

[1]王耀明.基于全域用户画像的企业智能大数据分析及营销系统的应用[J].软件，2023，44（10）：137-139.

[2]陈猛，孔赟，曹凯，等.综合能源应用系统海量实时数据交互式共享方法[J].微型电脑应用，2023，39（8）：56-59.

[3]江剑峰，冯嘉俊，黄睿力.基于大数据分析的综合能源服务平台数据应用研究进展[J].电气技术与经济，2023（4）：94-96.

[4]周俊，毛志斌，邵朱强，等.低碳能源大数据管理系统综合效益评价研究——兼析“绿能码”应用场景与商业模式[J].价格理论与实践，2023（1）：140-144.

[5]王小蕾.基于大数据分析的综合能源服务平台数据应用研究[J].电气时代，2022（4）：29-30.

[6]陈赟，刘昌维，潘智俊，等.新形势下智慧“能源+双碳”服务平台的建设与应用[J].供用电，2022，39（2）：15-21.

[7]徐钦，耿昊.综合能源站在边缘数据中心建设中的应用[J].电信快报，2021（12）：14-15，40.

[8]徐悦为，丁博，夏志鹏，等.营销大数据在综合能源智慧服务中的应用分析[J].低碳世界，2021，11（8）：220-221.

[9]梁磊，范海波，刘发年.基于大数据的综合能源管控与运营技术研究与应用[J].电力大数据，2021，24（3）：17-24.