CN108876132B - 基于云的工业企业能效服务推荐方法和系统 - Google Patents

Abstract

本发明的一种基于云的工业企业能效服务推荐方法及系统，涉及电力技术领域。可解决工业用电服务策略不能根据不同企业的实际情况进行差异化用电策略推荐的技术问题。包括以下步骤：S101:对不同用户的用电设备进行实时采集用电信息；S102:将采集到的用电信息数据生成用电数据序列进行分布式数据存储；S103:经过云端数据处理，对用户历史用电进行趋势分析，预测用户用电情况，针对影响用电水平的因素，生成最终用电策略；S104:通过人机交互，将最终用电策略推荐给用户。本发明能根据不同用户的实际情况进行差异化用电策略推荐，最大程度提高用户接受度，以较低的成本，实现电力需求侧管理的改善，实现电力资源的合理配置，节约能源，降低能耗。

Description

基于云的工业企业能效服务推荐方法和系统

技术领域

本发明涉及计算机网络技术领域，具体涉及一种基于云的工业企业能效服务推荐方法和系统。

背景技术

为保障我国能源环境可持续发展，满足经济社会用电需求，转变经济发展方式，建设智能电网刻不容缓。随着我国智能电网的大力发展，对电网可靠性以及能源利用率的要求越来越高。智能用电是智能电网的重要组成部分，其核心特征是电网与用户灵活的双向互动，而需求响应作为用能互动中最重要的实现方式之一，通过价格或激励等方式引导用户改变用电负荷以参与电网调峰，通过用户主动参与优化用电方式以提高需求侧管理在电力市场中的作用。目前工业用电量占全社会用电量的比重超过70％，能源消费结构与工业企业绿色发展的矛盾及环境制约因素逐渐显现。新形势下在工业领域应做好电力需求侧管理，优化工业用能方式和用能效率，发展绿色制造，确保工业、电力和环境的协调发展。

目前优化集团企业用电策略的主要以节约电力资源使用为前提，以赢得最大经营收益为目标，以培养员工新的用电理念为支撑，集团企业的用电策略，除了坚持以前的节约、高效、效率最大化之外，还可以适当的加大对电力的消费，来进一步扩大生产规模，让集团企业赢得更大的盈利。对基于STN的生产用电负荷建模的研究，主要包括基于STN的生产过程，生产设备用电负荷建模，计及舒适度的温控设备用电负荷建模，智能用电管理的数学模型。

现有技术用电策略侧重于从电能供给侧采取措施，采用更新设备等方式，进行用电管理，成本较高。而需求侧用户互动性较低，用户接受度不高。总之，现有技术用电服务个性化程度不高，不能根据不同企业的实际情况进行差异化用电策略推荐。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于云的工业企业能效服务推荐系统，可解决现有技术用电服务不能根据不同企业的实际情况进行差异化用电策略推荐的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于云的工业企业能效服务推荐方法，包括以下步骤：

S101:对不同用户的用电设备进行实时采集用电信息；

S102:将采集到的用电信息数据生成用电数据序列进行分布式数据存储，利用云存储技术，将网络中各种不同类型的存储设备通过应用软件集合起来协同工作，并提供数据存储和业务访问功能；

S103:经过云端数据处理，根据动态定价规则集给出合理的用电策略集；

对用户历史用电进行趋势分析，预测用户用电情况，结合用电策略集生成初步用电策略；

运用关联规则算法分析用户内部用电设备的关联关系，发现影响用户用电水平的因素，基于初步用电策略，结合影响用电水平的因素，生成最终用电策略；

S104:通过人机交互，将最终用电策略推荐给用户。

进一步的，所述步骤S104之后还包括：

S105:用户对使用过的用电策略进行评价；

S106:根据用户评价信息和实际用电情况，分别对系统进行学习优化，并将优化结果返回到步骤S103。

进一步的，所述步骤S103中对用户历史用电进行趋势分析，预测用户用电情况，通过设置预测模型来实现，所述预测模型算法如下：设一次指数平滑：

二次指数平滑：

三次指数平滑：

则预测模型为：

其中

t表示第t期，T表示由t期向后推移期数，α表示平滑系数，电量增长速度快，α取值越大；

分别表示第t期一次指数平滑值、二次指数平滑值、三次指数平滑值，y_t表示历史第t期的用电量，

表示第t+T期电量预测值。

进一步的，所述步骤S103中运用关联规则算法分析用户内部用电设备的关联关系，发现影响用户用电水平的因素的方法如下：

对所有用户的用电信息进行数据挖掘，挖掘影响用户用电水平的因素的关联规则，将用户用电过程从不同的角度进行细分，细分角度为可能影响用电水平的因素，包括行业、月份、经济、天气，设可能影响因素为I_i，则用电水平项集I＝{I₁，I₂，...，I_m，b}m＝1，2，3，...，m，b表示用电水平，给用户定用电数据库D，其中每个事务是I的非空子集；支持度和置信度计算公式分别如式(1)和式(2)所示；

其中A表示可能影响用电水平的因素，B表示用电水平，根据挖掘需要人为设定阈值，如果满足最小支持度阈值和最小置信度阈值，则认为A、B之间存在关联关系，进而发现影响用户用电水平的因素。

进一步的，所述步骤S106中根据用户评价信息对系统进行学习优化，并将优化结果返回到步骤S103，包括：

收集用户评价，分析相应策略的优劣影响因素x_i，并根据用户评价x_i的频数和程度确定因素权重ω_i；

设因素函数f(x_i)＝ω_ix_i，策略函数为

利用遗传算法求出最优策略f(x)_opt；f(x_i)表示评价因素函数，x_i为影响策略优劣的因素，ω_i表示因素x_i的权重；

当x_i为正向因素，f(x_i)为正值；否则，f(x_i)为负值；

对f(x_i)进行二进制编码；适应度函数为g(x_i)＝f(x_i)；g(x_i)值越大，策略越优；否则，策略越差；

对于给定的规模为n的因素群体pop＝{x₁，x₂，x₃，...x_n}，个体x_i的适应值为g(x_i)，则其入选概率为

选取入选概率大的个体入选种群，淘汰概率小的个体，并用入选概率最大的x_i补入种群，得到原种群大小相同的种群；

进行交叉和变异；设置交叉概率，两个待交叉的不同的染色体，根据交叉概率按单点交叉法交换其部分基因；设置变异概率，染色体按照变异概率进行染色体的变异；交叉概率比较大，变异概率极低；

设置终止条件，求出最优策略f(x)_opt，并将最优策略返回到步骤S103中，更新用电策略集。

进一步的，所述步骤S106中:根据用户实际用电情况，对系统进行学习优化，并将优化结果返回到步骤S103，具体包括：对指数平滑法参数进行优化；

已知实际用电量y_i，预测值为

则预测最准确时

即预测最准确时，实际值和预测值相差最小，通过黄金分割法确定最优参数α；

假设在k次迭代时，搜索区间为[a_k，b_k],为进一步缩短搜索区间，可选择区间内两点λ_k，μ_k∈[a_k，b_k]，并且λ_k＜μ_k，则有：

当

时，α∈[a_k，μ_k]＝[a_k+1，b_k+1]，

当

时，α∈[λ_k，b_k]＝[a_k+1，b_k+1]；

把最优平滑系数α返回到步骤S103使指数平滑法预测用户用电情况更加准确。

一种基于云的工业企业能效服务推荐系统，包括用电信息实时采集模块、智能云服务程序模块、能效服务推荐程序模块及系统学习优化程序模块；其中，

用电信息实时采集模块用于实时采集用户用电信息，根据实际用电情况将用户用电设备进行分类；

智能云服务程序模块用于将用电信息实时采集模块采集到的数据生成的用户用电数据序列进行分布式数据存储，经过云端数据处理，运用时间序列分析方法预测用户用电趋势，结合用户用电预测情况以及用电规则，选择对应的定价规则，生成初步用电策略；根据关联规则发现的关联关系，确定影响用电水平的因素，基于初步用电策略，结合影响用电水平的因素，给出最终用电策略；

能效服务推荐程序模块用于与用户进行人机交互，将智能云服务程序模块生成的最终用电策略呈现给用户；然后用户根据所采纳、使用的用电策略情况进行评价；

系统学习优化程序模块根据用户评价信息和实际用电情况对系统进行学习优化。

优先的，所述智能云服务程序模块包括动态定价规则集子模块、云端存储子模块、云端数据处理子模块及用电策略子模块；其中，

动态定价规则集子模块存储若干电价定价规则；

云端存储子模块存储用电信息实时采集模块采集来的用电信息；

云端数据处理子模块处理用电数据并根据动态定价规则集给出合理的用电策略列表；

用电策略子模块根据关联规则发现的关联关系，确定影响用电水平的因素，基于初步用电策略，结合影响用电水平的因素，给出最终用电策略；

优选的，所述动态定价规则集子模块包括供电企业制定的购电价格规则，所述购电价格规则包括分时定价规则、大用户直购规则、高耗能限制规则、奖励规则，均由电力供应商录入。

优选的，所述能效服务推荐程序模块包括智能推荐子模块和人工辅助子模块；其中，

智能推荐子模块用于用户电力负责人进线咨询，通过用电信息实时采集模块自动识别用户信息，通过智能云服务程序模块的处理，从用电策略集中抽取符合用户的用电策略及推荐理由，并呈现给用户，由用户进行选择；

人工辅助子模块用于当智能推荐子模块推荐的用电策略不满足用户需求时，用户可与在线专业策略推荐人员进行交流沟通，专业策略推荐人员了解用户需求后，解答用户疑问，给出用户满意的用电策略，辅助用户决策。

(三)有益效果

采用本发明的基于云的工业企业能效服务推荐方法及系统，根据不同用户，能自动识别用户类别，依据电力动态定价规则、该企业历史用电数据、实时用电数据，运用时间序列分析方法预测企业用电趋势，根据预测结果生成初步用电策略，对用户历史用电进行趋势分析，预测用户用电情况，结合用电策略集生成初步用电策略；然后运用关联规则算法分析用户内部用电设备的关联关系，发现影响用户用电水平的因素，基于初步用电策略，结合影响用电水平的因素，生成最终用电策略，然后通过人机交互将最终用电策略推荐给用户。本发明能根据不同用户的实际情况进行差异化用电策略推荐，最大程度提高用户接受度，以较低的成本，实现电力需求侧管理的改善，实现电力资源的合理配置，节约能源，降低能耗。同时本发明使用云服务技术，将大量数据的存储与处理分布在云端，提高系统服务效率。

本发明通过与用户的交互反馈环节，不断更新策略集，优化运算参数，提高预测精度，实现个性化用电策略推荐。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的方法步骤示意图；

图2是本发明实施例的系统模块结构框图；

图3是本发明实施例的使用流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

由于现有技术用电策略侧重于从电能供给侧采取措施，采用更新设备等方式，进行用电管理，成本较高。需求侧用户互动性较低，用户接受度不高。本发明实施例提出一种基于云的工业企业能效服务推荐方法，如图1所示，包括如下步骤：

S101:对不同用户的用电设备进行实时采集用电信息；

S102:将采集到的用电信息数据生成用电数据序列进行分布式数据存储，利用云存储技术，将网络中各种不同类型的存储设备通过应用软件集合起来协同工作，并提供数据存储和业务访问功能；

S103:经过云端数据处理，根据动态定价规则集给出合理的用电策略集；

对用户历史用电进行趋势分析，预测用户用电情况，结合用电策略集生成初步用电策略；

运用关联规则算法分析用户内部用电设备的关联关系，发现影响用户用电水平的因素，基于初步用电策略，结合影响用电水平的因素，生成最终用电策略；

S104:通过人机交互，将最终用电策略推荐给用户；

S105:用户对使用过的用电策略进行评价；

S106:根据用户评价信息和实际用电情况，分别对系统进行学习优化，并将优化结果返回到步骤S103。

如图2所示，本发明实施例的能效服务推荐方法通过以下系统模块实现：

一、企业用电信息实时采集模块：对企业用电信息进行具体的实时采集，根据企业实际情况将企业用电设备进行分类，采集信息包括各类用电设备实时用电量、用电功率、用电波动率、电能质量以及企业总用电量。

二、智能云服务程序模块：包括动态定价规则集子模块、云端存储子模块、云端数据处理子模块；

1、动态定价规则集子模块：供电企业制定的购电价格规则，比如分时定价规则、大用户直购规则、高耗能限制规则、奖励规则等，由电力供应商录入；

2、云端存储子模块：将企业用电信息采集模块采集到的数据生成的企业用电数据序列进行分布式数据存储，利用云存储技术，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，并提供数据存储和业务访问功能；

3、云端数据处理子模块：

(1)运用时间序列分析方法，对企业历史用电进行趋势分析，预测企业用电情况；

一次指数平滑：

二次指数平滑：

三次指数平滑：

预测模型为：

其中

t表示第t期，T表示由t期向后推移期数，α表示平滑系数，一般电量增长速度快，α取值越大；

分别表示第t期一次指数平滑值、二次指数平滑值、三次指数平滑值，y_t表示历史第t期的用电量，

表示第t+T期电量预测值；

(2)对所有企业用户的用电信息进行基于云计算的Apriori算法进行数据挖掘，挖掘影响企业用电水平的因素的关联规则，将企业用电过程从不同的角度进行细分，细分角度为有可能影响用电水平的因素，如行业、月份、经济、天气等，设可能影响因素为I_i，则用电水平项集为I＝{I₁，I₂，...，I_m，b}m＝1，2，3，...，m，b表示用电水平，给企业定用电数据库D，其中每个事务是I的非空子集；

支持度和置信度计算公式分别如式(1)和式(2)所示：

其中A表示可能影响用电水平的因素，B表示用电水平，根据挖掘需要人为设定阈值，如果满足最小支持度阈值和最小置信度阈值，则认为A、B之间存在关联关系，进而发现影响企业用电水平的因素；

4、用电策略集子模块：企业用电数据经过云端数据处理子模块处理后，生成企业用电预测结果并发现企业用电水平关联因素；

首先，已知企业用电预测情况、动态定价规则集子模块中的用电规则，选择对应的定价规则，生成用电策略；

其次，根据关联规则发现的关联关系，针对影响用电水平的因素，给出用电建议。

三、能效服务推荐程序模块：分为智能推荐子模块和人工辅助子模块；

1、智能推荐子模块：用户企业电力负责人进线咨询，通过企业用电信息采集模块自动识别企业用户信息，通过智能云服务程序模块的处理，从策略集中抽取符合用户企业的用电策略及推荐理由，并呈现给用户企业电力负责人，由用户进行选择。

2、人工辅助子模块：智能推荐子模块推荐的用电策略不满足用户需求时，用户企业电力负责人可与在线专业策略推荐人员进行交流沟通，专业策略推荐人员了解用户需求后，解答用户疑问，给出用户满意的用电策略，辅助用户决策。

四、系统学习优化程序模块：

1、用户使用用电策略之后对用电策略进行评价，系统收集用户评价，并使用遗传算法进行策略集优化；

步骤如下：

(1)收集用户评价，分析相应策略的优劣影响因素x_i，并根据用户评价x_i的频数和程度确定因素权重ω_i

(2)设因素函数f(x_i)＝ω_ix_i，策略函数为

利用遗传算法求出最优f(x)_opt。f(x_i)表示评价因素函数，x_i为影响策略优劣的因素，ω_i表示因素x_i的权重。当x_i为正向因素，f(x_i)为正值；否则，f(x_i)为负值。对f(x_i)进行二进制编码。所以适应度函数为g(x_i)＝f(x_i)。g(x_i)值越大，策略越优；否则，策略越差；

对于给定的规模为n的因素群体pop＝{x₁，x₂，x₃，...x_n}，个体x_i的适应值为g(x_i)，则其入选概率为

选取入选概率大的个体入选种群，淘汰概率小的个体，并用入选概率最大的x_i补入种群，得到原种群大小相同的种群；设置交叉概率，两个待交叉的不同的染色体(父母)根据交叉概率按单点交叉法交换其部分基因；设置变异概率，染色体按照变异概率进行染色体的变异，一般来说，交叉概率比较大，变异概率极低；设置终止条件，求出最优策略f(x)_opt。

2、根据企业实际用电量对数据处理模块的预测处理进行预测优化，使预测更准确。

根据企业实际用电情况对用电预测进行优化。主要对指数平滑法参数进行优化，已知实际用电量y_i，预测值为

则预测最准确时

即预测最准确时，实际值和预测值相差最小。通过黄金分割法确定最优参数α，使指数平滑法预测更加准确；

假设在k次迭代时，搜索区间为[a_k，b_k],为进一步缩短搜索区间，可选择区间内两点λ_k，μ_k∈[a_k，b_k]，并且λ_k＜μ_k，则有：

当

时，a∈[λ_k，μ_k]＝[a_k+1，b_k+1].

当

时，α∈[λ_k，b_k]＝[a_k+1，b_k+1]

具体步骤如下：

(1)选择初始数据，确定初始搜索区间[a₁，b₁],允许误差

区间缩短率τ＝0.618。

(2)计算最初两个试探点λ_k＝a_k+(1-τ)(b_k-a_k)，μ_k＝a_k+τ(b_k-a_k),求出

并设置k＝1。

(3)如果|λ_k-u_k|＜ε，则停止迭代，返回

否则，跳转到(4)。

(4)如果

则跳转到(5)；如果

则跳转到(6)。

(5)向左检索，令

计算出λ_k+1＝a_k+1+(1-τ)(b_k+1-a_k+1)，以及

跳转到(7)。

(6)向右检索，

计算出μ_k+1＝a_k+1+τ(b_k+1-a_k+1)以及

跳转到(7)。

(7)令k：＝k+1，跳转至(3)。

以下对本发明实施例做进一步说明：

企业用电信息采集模块对企业各个生产车间、不同类型设备的用电情况进行实时采集，以制造业企业为例，生产设备可分为金属切削机床、锻压设备、起重运输设备、木工铸造设备、专业生产用设备、动能发生设备、电器设备、工业炉窑设备等。企业用电信息采集模块采集的企业用电信息包括各类用电设备的实时用电量、用电功率、用电波动率、用电电能质量以及企业总用电量。

将企业用电信息采集模块采集到的数据生成的企业用电行为序列进行分布式数据存储。通过分布式文件系统功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，提供数据存储和业务访问功能。

动态定价规则集子模块存储由供电企业制定的电价规则，包括传统规则、分时定价规则、大用户直购规则、高耗能限制规则、奖励规则等，例如：传统规则即一是对变压器容量在315KVA以下的，执行“单一电价”，即用一度电、交一度电的电费；二是对变压器容量在315KVA及以上的，执行“二部制电价”，除用一度电、交一度电的电费外，还要按照变压器的容量交纳“基本电费”。分时定价规则即按照分时段对电价进行调整，例如在用电高峰期提高价格，在用电低峰降低价格，促使企业避开用电高峰。大用户直购规则即符合国家产业政策、用电负荷相对稳定、单位产值能耗低、污染排放小的大用户，发电企业向较高电压等级或较大用电量的用户和配电网直接供电，直购电的价格由发电企业与用户协商确定，并执行国家规定的输配电价。高耗能限制规则即对高耗能企业的生产用电量给予一定的限制。奖励规则即对于用电习惯良好的企业给予一定的优惠政策。供电企业将用电规则输入，并存储至动态定价规则集子模块。

云端数据处理子模块负责处理用电企业数据并根据动态定价规则集给出合理的用电策略列表。运用时间序列分析方法，对企业历史用电进行趋势分析，预测企业用电情况，结合用电策略集确定初步策略；运用关联规则算法分析企业内部用电设备的关联关系，确定最终策略。

用电策略集子模块企业用电数据经过云端数据处理子模块处理后，生成企业用电预测结果并发现企业用电水平关联因素：首先，已知企业用电预测情况、动态定价规则集子模块中的用电规则，选择对应的定价规则，生成用电策略，例如下月企业用电量预测情况；错开用电高峰进行生产运作，尽可能将高耗能大功率的生产运作步骤安排在合理的时间区间；节约电量控制成本与用电节能奖励政策之间的均衡等。其次，根据关联规则发现的关联关系，针对影响用电水平的因素，给出用电建议，企业决策者可以根据影响用电量的因素进行具体的决策，以实现节约用电量，降低能耗，降低成本的目的，提高企业利润。

智能推荐子模块从策略集中抽取符合用户企业的用电策略及推荐理由，并呈现给用户企业电力负责人，由用户进行选择。

人工辅助子模块智能推荐子模块推荐的用电策略不满足用户需求时，用户企业电力负责人可与在线专业策略推荐人员进行交流沟通，以求最终满足用户需求。

系统学习优化模块是一方面用户使用用电策略之后对用电策略进行评价，系统收集用户评价，并使用遗传算法进行策略集优化；另一方面根据企业实际用电量对数据处理模块的预测处理进行预测优化，使预测更准确。

如图3所示，在使用时，首先，当某个工业企业用户决策者进入智能推荐模块，登录该系统后，企业用电信息采集模块自动获取企业的相关信息，比如该工业企业的名称、所属行业、耗能情况、规模以及功能区块分布等。

其次，云端数据处理子模块获取该企业历史用电信息，进行用电量预测，将预测结果与动态定价策略集进行计算，得出初步用电策略。计算影响企业用电水平因素的关联关系，对企业内部用电进行用电优化，生成最终用电策略，呈现给工业企业用户决策者。工业企业用户决策者根据自身企业的实际情况，对进行预测的结果进行筛选，对应选择适合该企业生产运作的用电策略。如果工业企业用户决策者对用电策略推荐系统推荐的策略有疑问或者意见，可进入人工辅助模块，与专业在线客服进行沟通，以确定合理的用电策略，辅助企业用电决策。

最后工业企业用户决策者对使用过的用电策略进行评价，根据企业实际用电情况和工业企业用户决策者在采纳策略后的评价对系统进行优化。优化包括两个方面，一方面根据企业实际用电情况优化企业用电趋势预测，另一方面根据用电企业评价，利用遗传算法，对策略集进行优化。以给出更精准的用电趋势预测和更合理的用电策略集。

综上，本发明实施例的基于云的工业企业能效服务推荐方法与系统，可辅助企业上层做出科学合理用电决策，减少工业企业用电能耗，提高工业企业用电效率，节约资金，提高利润。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于云的工业企业能效服务推荐方法，其特征在于，包括以下步骤：

S101:对不同用户的用电设备进行实时采集用电信息，并根据实际用电情况将用户用电设备进行分类；

S102:将采集到的用电信息数据生成用电数据序列进行分布式数据存储，利用云存储技术，将网络中各种不同类型的存储设备通过应用软件集合起来协同工作，并提供数据存储和业务访问功能；

S103:经过云端数据处理，根据动态定价规则集给出合理的用电策略集；

对用户历史用电进行趋势分析，预测用户用电情况，结合所述用电策略集，选择对应的定价规则，生成初步用电策略；

运用关联规则算法分析用户内部用电设备的关联关系，发现影响用户用电水平的因素，基于所述初步用电策略，结合影响用电水平的因素，生成最终用电策略；

S104:通过人机交互，将最终用电策略推荐给用户；

所述步骤S103中动态定价规则集包括若干电价定价规则，具体包括供电企业制定的购电价格规则，所述购电价格规则包括分时定价规则、大用户直购规则、高耗能限制规则、奖励规则，均由电力供应商录入；

所述步骤S103中运用关联规则算法分析用户内部用电设备的关联关系，发现影响用户用电水平的因素的方法如下：

对所有用户的用电信息进行数据挖掘，挖掘影响用户用电水平的因素的关联规则，将用户用电过程从不同的角度进行细分，细分角度为可能影响用电水平的因素，包括行业、月份、经济、天气，设可能影响因素为I_i，则用电水平项集I＝{I₁，I₂，...，I_m，b}m＝1，2，3，...，m，b表示用电水平，给用户定用电数据库D，其中每个事务是I的非空子集；支持度和置信度计算公式分别如式(1)和式(2)所示；

其中A表示可能影响用电水平的因素，B表示用电水平，根据挖掘需要人为设定阈值，如果满足最小支持度阈值和最小置信度阈值，则认为A、B之间存在关联关系，进而发现影响用户用电水平的因素。

2.如权利要求1所述的基于云的工业企业能效服务推荐方法，其特征在于，所述步骤S104之后还包括：

S105：用户对使用过的用电策略进行评价；

S106：根据用户评价信息和实际用电情况，分别对系统进行学习优化，并将优化结果返回到步骤S103。

3.如权利要求1或2所述的基于云的工业企业能效服务推荐方法，其特征在于，所述步骤S103中对用户历史用电进行趋势分析，预测用户用电情况，通过构建预测模型来实现，所述预测模型算法如下：

设一次指数平滑：

二次指数平滑：

三次指数平滑：

则预测模型为：

其中

t表示第t期，T表示由t期向后推移期数，α表示平滑系数，电量增长速度快，α取值越大；

分别表示第t期一次指数平滑值、二次指数平滑值、三次指数平滑值，y_t表示历史第t期的用电量，

表示第t+T期电量预测值。

4.如权利要求1所述的基于云的工业企业能效服务推荐方法，其特征在于，所述步骤S106中根据用户评价信息对系统进行学习优化，并将优化结果返回到步骤S103，包括：

收集用户评价，分析相应策略的优劣影响因素x_i，并根据用户评价x_i的频数和程度确定因素权重ω_i；

设因素函数f(x_i)＝ω_ix_i，策略函数为

利用遗传算法求出最优策略f(x)_opt；f(x_i)表示评价因素函数，x_i为影响策略优劣的因素，ω_i表示因素x_i的权重；

当x_i为正向因素，f(x_i)为正值；否则，f(x_i)为负值；

对f(x_i)进行二进制编码；适应度函数为g(x_i)＝f(x_i)；g(x_i)值越大，策略越优；否则，策略越差；

对于给定的规模为n的因素群体pop＝{x₁，x₂，x₃，...x_n}，个体x_i的适应值为g(x_i)，则其入选概率为

选取入选概率大的个体入选种群，淘汰概率小的个体，并用入选概率最大的x_i补入种群，得到原种群大小相同的种群；

进行交叉和变异；设置交叉概率，两个待交叉的不同的染色体，根据交叉概率按单点交叉法交换其部分基因；设置变异概率，染色体按照变异概率进行染色体的变异；交叉概率比较大，变异概率极低；

设置终止条件，求出最优策略f(x)_opt，并将最优策略返回到步骤S103中，更新用电策略集。

5.如权利要求3所述的基于云的工业企业能效服务推荐方法，其特征在于，所述步骤S106中：根据用户实际用电情况，对系统进行学习优化，并将优化结果返回到步骤S103，具体包括：对指数平滑法参数进行优化；

已知实际用电量y_i，预测值为

则预测最准确时

即预测最准确时，实际值和预测值相差最小，通过黄金分割法确定最优参数α；

假设在k次迭代时，搜索区间为[a_k，b_k]，为进一步缩短搜索区间，可选择区间内两点λ_k，μ_k∈[a_k，b_k]，并且λ_k＜μ_k，则有：

当

时，α∈[a_k，μ_k]＝[a_k+1，b_k+1]，

当

时，α∈[λ_k，b_k]＝[a_k+1，b_k+1].；

把最优平滑系数α返回到步骤S103使指数平滑法预测用户用电情况更加准确。

6.一种基于云的工业企业能效服务推荐系统，其特征在于，包括用电信息实时采集模块、智能云服务程序模块、能效服务推荐程序模块及系统学习优化程序模块；其中，

用电信息实时采集模块用于实时采集用户用电信息，根据实际用电情况将用户用电设备进行分类；

智能云服务程序模块用于将用电信息实时采集模块采集到的数据生成的用户用电数据序列进行分布式数据存储，经过云端数据处理，根据动态定价规则集给出合理的用电策略集，运用时间序列分析方法对用户历史用电进行趋势分析，预测用户用电情况，结合所述用电策略集，生成初步用电策略；根据关联规则发现的关联关系，确定影响用电水平的因素，基于初步用电策略，结合影响用电水平的因素，给出最终用电策略；能效服务推荐程序模块用于与用户进行人机交互，将智能云服务程序模块生成的最终用电策略呈现给用户；然后用户根据所采纳、使用的用电策略情况进行评价；

系统学习优化程序模块根据用户评价信息和实际用电情况对系统进行学习优化；

运用关联规则算法分析用户内部用电设备的关联关系，发现影响用户用电水平的因素的方法如下：

对所有用户的用电信息进行数据挖掘，挖掘影响用户用电水平的因素的关联规则，将用户用电过程从不同的角度进行细分，细分角度为可能影响用电水平的因素，包括行业、月份、经济、天气，设可能影响因素为I_i，则用电水平项集I＝{I₁，I₂，...，I_m，b}m＝1，2，3，...，m，b表示用电水平，给用户定用电数据库D，其中每个事务是I的非空子集；支持度和置信度计算公式分别如式(1)和式(2)所示；

其中A表示可能影响用电水平的因素，B表示用电水平，根据挖掘需要人为设定阈值，如果满足最小支持度阈值和最小置信度阈值，则认为A、B之间存在关联关系，进而发现影响用户用电水平的因素；

所述智能云服务程序模块包括动态定价规则集子模块、云端存储子模块、云端数据处理子模块及用电策略子模块；其中，

动态定价规则集子模块存储若干电价定价规则；

云端存储子模块存储用电信息实时采集模块采集来的用电信息；

云端数据处理子模块处理用电数据并根据动态定价规则集给出合理的用电策略列表；

用电策略子模块根据关联规则发现的关联关系，确定影响用电水平的因素，基于初步用电策略，结合影响用电水平的因素，给出最终用电策略；

所述动态定价规则集子模块包括供电企业制定的购电价格规则，所述购电价格规则包括分时定价规则、大用户直购规则、高耗能限制规则、奖励规则，均由电力供应商录入。

7.如权利要求6所述的基于云的工业企业能效服务推荐系统，其特征在于，所述能效服务推荐程序模块包括智能推荐子模块和人工辅助子模块；其中，

智能推荐子模块用于用户电力负责人进线咨询，通过用电信息实时采集模块自动识别用户信息，通过智能云服务程序模块的处理，从用电策略集中抽取符合用户的用电策略及推荐理由，并呈现给用户，由用户进行选择；

人工辅助子模块用于当智能推荐子模块推荐的用电策略不满足用户需求时，用户可与在线专业策略推荐人员进行交流沟通，专业策略推荐人员了解用户需求后，解答用户疑问，给出用户满意的用电策略，辅助用户决策。

Images