一種電力市場多層協同信息服務的推薦方法
【專利摘要】本發(fā)明屬于多級電力市場信息服務的協同分析與決策領域,具體涉及一種電力市場多層協同信息服務的推薦方法，其特征在于基于模糊評價的多層協同過濾方法，解決多級電力市場信息發(fā)布中的個性化信息推薦問題。所述內容包括如下步驟：(1)構建發(fā)布信息的關聯屬性因素評價指標體系；(2)依據信息屬性因素進行模糊綜合評判；(3)基于隸屬度閾值生成用于推薦的發(fā)布信息項集合；(4)計算集合中每個發(fā)布信息項各項目之間的相似度系數；(5)計算每一信息項的用戶預測評分并排序；(6)生成top?N最近鄰項目集推薦給用戶。本方法分析典型應用場景，實現面向典型業(yè)務場景的信息服務協同推薦方法，增強用戶信息服務體驗的時效性和精準性。
【專利說明】
一種電力市場多層協同信息服務的推薦方法
技術領域
[0001] 本發(fā)明屬于多級電力市場信息服務的協同分析與決策領域，具體涉及一種多層協 同的電力信息服務的推薦方法。
【背景技術】
[0002] 信息服務是信息管理學研究的重要內容和領域，通過傳播信息、交流信息，將有價 值的信息傳遞給用戶，最終幫助用戶提升信息價值，實現信息增值。信息服務在電力市場中 的體現主要是信息發(fā)布、信息披露、服務投訴等基本服務，還包括咨詢服務、培訓服務、分析 服務等不同的增值服務。信息服務的核心目標是用戶滿意度較高的增值服務，信息增值服 務的概念已經廣泛應用于醫(yī)療、商業(yè)、通訊、教育等日常生活領域，信息增值服務的技術也 涵蓋了傳統的數據庫、數據挖掘、信息決策、博弈論等相關的理論方法。
[0003] 復雜系統的協同論是以現代科學的系統論、信息論、控制論、突變論等為基礎，采 用統計學和動力學相結合的方法，描述微觀到宏觀的過渡上各種系統和現象中從無序到有 序轉變的共同規(guī)律。服務協同分析技術主要集中在互聯網應用領域，如眾包模式、大眾點 評、團購服務、協同物流，逐漸推廣到智能制造生產領域、智能交通服務協同等。信息推薦已 經成為基于互聯網新興應用的典型協同服務模式，借助于用戶大數據信息，綜合分析同構 和異構數據之間的相關性、統計性，獲得精準有效的用戶增值服務內容。信息推薦技術主要 包括協同過濾方法、K-means方法、主成分分析方法、PageRank方法等，其應用也從互聯網領 域推廣到教育Mooc平臺的學習知識推薦、患者的醫(yī)療服務信息推薦、車聯網的交通路徑推 薦、網絡用戶購物商品推薦等領域。
[0004] 隨著售電側電力市場的深入推進，基于互聯網交易的電力市場成員數量激增，這 就要求電力市場信息服務應更靈活，信息服務的內容更全面，增值服務的用戶滿意度更高， 滿足信息服務對象的個性化信息需求，信息推薦方法成為提高信息服務質量的核心關鍵技 術。
[0005] 目前，多級電力市場信息數據分屬不同的市場參與主體，數據呈現離散性、異構 性、稀疏性特點，對于用戶信息增值服務的需求，傳統的推薦技術已經無法解決多層級市場 信息的統一性和精準性推薦問題。另外，統一電力市場的信息服務平臺依然沒有一種有效 的多層級信息推薦方法做支撐，無法提供統一電力市場信息的協同推薦服務。因此，迫切需 要研究適應于電力市場多層級信息增值服務的推薦方法，為各類市場成員提供全面的、高 效的、一體化的信息推薦分析技術，深入研究電力用戶偏好的關聯特征，借助于相關學科知 識對多層協同推薦方法進行理論方法創(chuàng)新?；陔娏κ袌龅亩鄬訁f同信息服務的推薦方法 研究，在國內屬于空白領域，即將成為熱點研究方向，有待深入開展此領域的研究。
[0006] 本研究應用模糊綜合評判的方法生成信息服務的推薦信息項集，采用基于相似度 的協同過濾算法協同地把與市場成員關系密切的市場信息項目推薦給相關用戶。分析典型 應用場景，利用數據模型、數據推薦、數據預測等技術，實現面向典型業(yè)務場景的信息服務 協同推薦方法，增強用戶信息服務體驗的時效性和精準性。

【發(fā)明內容】

[0007] 針對上述現有分析技術和方法中的不足，本發(fā)明的目的是為統一電力市場的信息 服務平臺提供一種有效的多層協同信息服務的推薦方法，提出的多層協同推薦技術為電力 市場參與者帶來滿意度較高的增值服務體驗，推動電力經濟的高速發(fā)展。
[0008] 為實現上述技術目的，本發(fā)明的技術方案如下：
[0009] 1、一種電力市場多層協同信息服務的推薦方法，其特征在于適應統一電力市場交 易信息個性化推薦的基于模糊評價的多層協同過濾方法，步驟如下：
[0010] 步驟1，設定影響多級電力市場信息發(fā)布服務項目的關聯屬性因素，建立發(fā)布信息 的關聯屬性因素評價指標體系；
[0011] 步驟2，采用模糊評判方法，依據多級電力市場信息屬性進行模糊綜合評判，生成 發(fā)布信息項的隸屬度向量；
[0012] 步驟3,設定隸屬度閾值，生成用于信息推薦的發(fā)布信息項集合；
[0013] 步驟4,依據相似度系數公式，在待推薦的發(fā)布信息項集中，計算項目i和項目j的 相似度系數Simij;
[0014] 步驟5,計算發(fā)布信息項集中的用戶預測評分；
[0015]步驟6，對預測評分排序，依據排序前N的預測分數，生成top-N最近鄰項目集，推薦 給用戶。
[0016] 進一步的，在步驟1中，統一電力市場信息發(fā)布服務內容包含交易、計劃、結算、政 策、報告等相關信息，主要為電力電量平衡、成交電量、成交價格、交易計劃完成情況、大負 荷用戶的用電計劃預測信息、電價政策等相關的信息數據，電力市場用戶通過網站發(fā)布平 臺獲取信息服務，但信息項目繁雜而凌亂，用戶很難直接獲取到有價值的信息內容。設定影 響多級電力市場信息發(fā)布服務項目的關聯屬性因素，依據模糊評判模型理論建立發(fā)布信息 的關聯屬性因素評價指標體系，應用模糊綜合評判的方法對用戶需要獲取的信息項綜合評 判，縮小信息服務項的推薦范圍。圖1所示的是發(fā)布信息關聯屬性因素評價指標體系。指標 體系包括目標層、一級指標層、二級指標層三個層次，目標層反映發(fā)布信息服務項的效用 性。一級指標層是屬性因素層，包括市場因素、經濟因素、生產因素、社會因素和環(huán)保因素等 屬性因素。二級指標層是基礎層，影響評價結果的準確性。市場因素二級指標層包含供電能 力、用電需求、成交量;經濟因素二級指標層包含國民生產總值、居民消費水平、居民收入水 平;生產因素二級指標層包含裝機容量、機組調頻調壓情況、阻塞情況;社會因素二級指標 層包含節(jié)能減排、產業(yè)政策、人口規(guī)模;環(huán)保因素二級指標層包含二氧化碳排放、二氧化硫 排放、氮氧化物排放。
[0017] 進一步的，在步驟2中，圖2所示的模糊綜合評價方法流程具體如下：
[0018] (1)屬性因素集:設置發(fā)布信息項的影響屬性因素集，即市場因素、經濟因素、生產 因素、社會因素和環(huán)保因素的二級指標層，記為Ai= {au，ai2, · · ·，aik}，i = l，2, · · ·，5，k = I，2,3.i表示一級指標，k表示二級指標，即第i個一級指標層的第k個二級指標屬性因素。 [0019] (2)目標評判集：設定目標評判集，包含"電力電量平衡"、"成交電量"、"成交價 格"、"交易計劃完成情況"、"大負荷用戶的用電計劃預測信息"、"電價政策"等服務信息項， 標記為V={vi，V2, ·…，Vp} ·
[0020] (3)單級指標層評判矩陣:對應于每一個單級指標層i的二級指標，給出目標集V的 模糊隸屬度值，組成目標集與二級指標層間的模糊關系矩陣，標記為隸屬度矩陣R，如下所 示：
[0021]
[0022]矩陣的行代表目標集評判向量，矩陣的列代表二級指標屬性因素評判向量，矩陣 中的rkp表示第p個目標對應的第k個二級指標屬性因素的模糊隸屬度值，是由專家用戶對目 標集對應的各屬性因素的隸屬關系進行評分，對評分值歸一化處理后獲得，滿足以下條件：
[0023]
(1)
[0024] (4)單級指標層的屬性因素權重向量:單級指標層的二級指標屬性因素具有權重 值，可由經驗獲得，標記為Wi = (Wii，Wi2，…，Wik)，k = 1，2，3.表示第i個指標的二級指標屬性 因素的權重系數，Wi滿足以下條件：
[0025]
.(2)
[0026] (5)單級指標層的模糊評判:采用模糊算子〃·"，對單級指標層的二級指標屬性因 素權重向量W1和隸屬度矩陣R進行內乘運算，計算得到單級指標評判的發(fā)布信息項隸屬度 值，表達式如下：
[0027] Bi=Wi · R (3)
[0028] (6)發(fā)布信息項的綜合模糊評判：各單級指標的發(fā)布信息項隸屬度值組成新的隸 屬度矩陣，標記為B，如下所示：
[0029]
[0030]矩陣的行代表目標集評判向量，矩陣的列代表一級指標評判向量，矩陣中的bip表 示第P個發(fā)布信息目標對應的第i個一級指標的模糊隸屬度值。單級指標層的一級指標權重 值標記為D = (di，d2，…，di)，i = 1，2，…，5.采用模糊算子〃 · 〃，對單級指標層的一級指標權 重向量D和隸屬度矩陣B進行內乘運算，計算得到發(fā)布信息項目標的隸屬度值組成的向量F， 表達式如下：
[0031] F = D · B (4)
[0032] 發(fā)布信息項目標隸屬度向量F是目標評判集的p個發(fā)布信息目標對應的綜合隸屬 度評判值向量。
[0033] 進一步的，在步驟3中，計算得到所有發(fā)布信息項的綜合隸屬度值后，對生成的隸 屬度值排序，設定隸屬度閾值Θ，所有綜合隸屬度評判值大于隸屬度閾值的發(fā)布信息項即滿 足用戶對發(fā)布信息服務的偏好感受，并組成優(yōu)先用于向電力市場用戶進行信息推薦服務的 發(fā)布信息項集合，綜合評判后獲得大于閾值的發(fā)布信息項集合包含"電力電量平衡"、"成交 電量"、"大負荷用戶的用電計劃預測信息"，作為優(yōu)先滿足用戶信息推薦服務的發(fā)布信息項 集。
[0034] 進一步的，在步驟4中，相似度系數如下：
[0035] 相似度系數用于計算協同過濾模型中的用戶或信息項目間的相似性，信息項目表 現為信息服務平臺發(fā)布的跨省跨區(qū)、省級的"電力電量平衡"、"成交電量"、"大負荷用戶的 用電計劃預測信息"的電力市場交易信息記錄。相似度系數給出發(fā)布的信息項目間的相似 性的度量方法，計算表達式如下：
[0036]
(5)
[0037] 式中^和^為用戶對項目i和項目j的評分，表現為用戶檢索各信息項的信息記錄 的頻次數，由平臺系統的數據日志獲得，汾別是項目i和項目j的平均評分，即檢索 不同信息記錄的平均頻次數，U為電力市場用戶的集合。
[0038]進一步的，在步驟5中，用戶對"電力電量平衡"、"成交電量"、"大負荷用戶的用電 計劃預測信息"項集中的每一信息記錄進行預測評分，項目預測評分計算表達式如下： _9]
(6)
[0040] 式中Iu是模糊綜合評判后生成的發(fā)布信息項的信息記錄集合，Simlj是項目i和項 目j的相似度，S j為用戶對項目j的評分，表現為用戶檢索信息項的信息記錄j的頻次數，&為 用戶對項目j的平均評分，即檢索信息記錄j的平均頻次數。
[0041] 進一步的，在步驟6中，對生成各項目的預測評分排序，排序前N的預測評分是滿足 用戶偏好的統一電力市場的信息服務項目，組成top-N最近鄰項目集，并把項目集中所包含 的信息數據推薦給用戶。
[0042]本發(fā)明的有益效果如下：
[0043]本研究基于電力市場多層級交易的信息服務增值應用，提供了信息增值服務的信 息推薦的數據分析方法。依據市場用戶的電力市場發(fā)布信息，應用屬性特征模糊評價的方 法生成用于推薦的發(fā)布信息項集，基于相似度的協同過濾算法能準確地把項目信息推薦給 用戶。分析典型應用場景，利用數據模型、數據推薦、數據預測等技術，為電力市場的信息分 析、信息發(fā)布提供推薦分析方法層面的技術創(chuàng)新，既能保證信息數據的完整性、高效性互 通，又實現了多層信息的關聯性呈現，分析方法可滿足電力市場成員對信息服務的時效性、 直觀性、準確性和推薦需求，實現統一電力市場中信息服務的高效協調運作，實現電力市場 交易信息增值服務，推動電力經濟的高速發(fā)展。
【附圖說明】
[0044] 圖1是本發(fā)明的發(fā)布信息關聯屬性因素評價指標體系圖。
[0045] 圖2是本發(fā)明的模糊綜合評判方法流程圖。
[0046] 圖3是本發(fā)明的基于模糊綜合評判的協同過濾推薦方法流程圖。
【具體實施方式】
[0047] 本發(fā)明的具體技術方案如下：
[0048] -種電力市場多層協同信息服務的推薦方法，其特征在于適應統一電力市場交易 信息個性化推薦的基于模糊評價的多層協同過濾方法，步驟如下：
[0049] 步驟1，設定影響多級電力市場信息發(fā)布服務項目的關聯屬性因素，建立發(fā)布信息 的關聯屬性因素評價指標體系；
[0050] 步驟2,采用模糊綜合評判方法，依據多級電力市場信息屬性進行模糊綜合評判， 生成發(fā)布信息項的隸屬度向量；
[0051] 步驟3,設定隸屬度閾值，生成用于信息推薦的發(fā)布信息項集合；
[0052] 步驟4,依據相似度系數公式，在待推薦的發(fā)布信息項集中，計算項目i和項目j的 相似度系數Simij;
[0053]步驟5,計算發(fā)布信息項集中的用戶預測評分；
[0054]步驟6，對預測評分排序，依據排序前N的預測分數，生成top-N最近鄰項目集，推薦 給電力市場用戶。
[0055] 進一步的，在步驟1中，統一電力市場信息發(fā)布服務內容包含交易、計劃、結算、政 策、報告等相關信息，主要為電力電量平衡、成交電量、成交價格、交易計劃完成情況、大負 荷用戶的用電計劃預測信息、電價政策等相關的信息數據，電力市場用戶通過網站發(fā)布平 臺獲取信息服務，但信息項目繁雜而凌亂，用戶很難直接獲取到有價值的信息內容。設定影 響多級電力市場信息發(fā)布服務項目的關聯屬性因素，依據模糊評判模型理論建立發(fā)布信息 的關聯屬性因素評價指標體系，應用模糊綜合評判的方法對用戶需要獲取的信息項綜合評 判，縮小信息服務項的推薦范圍。圖1所示的是發(fā)布信息關聯屬性因素評價指標體系。指標 體系包括目標層、一級指標層、二級指標層三個層次，目標層反映發(fā)布信息服務項的效用 性。一級指標層是屬性因素層，包括市場因素、經濟因素、生產因素、社會因素和環(huán)保因素等 屬性因素。二級指標層是基礎層，影響評價結果的準確性。市場因素二級指標層包含供電能 力、用電需求、成交量;經濟因素二級指標層包含國民生產總值、居民消費水平、居民收入水 平;生產因素二級指標層包含裝機容量、機組調頻調壓情況、阻塞情況;社會因素二級指標 層包含節(jié)能減排、產業(yè)政策、人口規(guī)模;環(huán)保因素二級指標層包含二氧化碳排放、二氧化硫 排放、氮氧化物排放。
[0056] 進一步的，在步驟2中，圖2所示的模糊綜合評價方法流程具體如下：
[0057] (1)屬性因素集:設置發(fā)布信息項的影響屬性因素集，即市場因素、經濟因素、生產 因素、社會因素和環(huán)保因素的二級指標層，記為Ai= {au，ai2, · · ·，aik}，i = l，2, · · ·，5，k = I，2，3. i表示一級指標，k表示二級指標，即第i個一級指標層的第k個二級指標屬性因素； [0058] (2)目標評判集：設定目標評判集，包含"電力電量平衡"、"成交電量"、"成交價 格"、"交易計劃完成情況"、"大負荷用戶的用電計劃預測信息"、"電價政策"等服務信息項， 標記為V={vi，V2, ·…，Vp};
[0059] (3)單級指標層評判矩陣:對應于每一個單級指標層i的二級指標，給出目標集V的 模糊隸屬度值，組成目標集與二級指標層間的模糊關系矩陣，標記為隸屬度矩陣R，如下所 示：
[0060]
[0061] 矩陣的行代表目標集評判向量，矩陣的列代表二級指標屬性因素評判向量，矩陣 中的rkp表示第p個目標對應的第k個二級指標屬性因素的模糊隸屬度值，是由專家用戶對目 標集對應的各屬性因素的隸屬關系進行評分，對評分值歸一化處理后獲得，滿足以下條件：
[0062]
(1)
[0063] (4)單級指標層的屬性因素權重向量:單級指標層的二級指標屬性因素具有權重 值，可由經驗獲得，標記為Wi = (Wii，Wi2，…，wik)，k = 1，2，3.表示第i個指標的二級指標屬性 因素的權重系數，Wi滿足以下條件：
[0064]
(2)
[0065] (5)單級指標層的模糊評判:采用模糊算子〃·"，對單級指標層的二級指標屬性因 素權重向量W1和隸屬度矩陣R進行內乘運算，計算得到單級指標評判的發(fā)布信息項隸屬度 值，表達式如下：
[0066] Bi=Wi · R (3)
[0067] (6)發(fā)布信息項的綜合模糊評判：各單級指標的發(fā)布信息項隸屬度值組成新的隸 屬度矩陣，標護,加下所示=
[0068]
[0069] 矩陣的行代表目標集評判向量，矩陣的列代表一級指標評判向量，矩陣中的bip表 示第P個發(fā)布信息目標對應的第i個一級指標的模糊隸屬度值。單級指標層的一級指標權重 值標記為D = (di，d2，…，di)，i = 1，2，…，5.采用模糊算子〃 · 〃，對單級指標層的一級指標權 重向量D和隸屬度矩陣B進行內乘運算，計算得到發(fā)布信息項目標的隸屬度值組成的向量F， 表達式如下：
[0070] F = D · B (4)
[0071 ]發(fā)布信息項目標隸屬度向量F是目標評判集的p個發(fā)布信息目標對應的綜合隸屬 度評判值向量。
[0072]進一步的，在步驟3中，計算得到所有發(fā)布信息項的綜合隸屬度值后，對生成的隸 屬度值排序，設定隸屬度閾值Θ，所有綜合隸屬度評判值大于隸屬度閾值的發(fā)布信息項即滿 足用戶對發(fā)布信息服務的偏好感受，并組成優(yōu)先用于向電力市場用戶進行信息推薦服務的 發(fā)布信息項集合，綜合評判后獲得大于閾值的發(fā)布信息項集合包含"電力電量平衡"、"成交 電量"、"大負荷用戶的用電計劃預測信息"，作為優(yōu)先滿足用戶信息推薦服務的發(fā)布信息項 集。
[0073] 進一步的，在步驟4中，相似度系數如下：
[0074] 相似度系數用于計算協同過濾模型中的用戶或信息項目間的相似性，信息項目表 現為信息服務平臺發(fā)布的跨省跨區(qū)、省級的"電力電量平衡"、"成交電量"、"大負荷用戶的 用電計劃預測信息"的電力市場交易信息記錄。相似度系數給出發(fā)布的信息項目間的相似 性的度量方法，計算表達式如下：
[0075]
(5)
[0076] 式中^和^為用戶對項目i和項目j的評分，表現為用戶檢索各信息項的信息記錄 的頻次數，由平臺系統的數據日志獲得，汾別是項目i和項目j的平均評分，即檢索 不同信息記錄的平均頻次數，U為電力市場用戶的集合。
[0077]進一步的，在步驟5中，用戶對"電力電量平衡"、"成交電量"、"大負荷用戶的用電 計劃預測信息"項集中的每一信息記錄進行預測評分，項目預測評分計算表達式如下：
[0078]
(6)
[0079] 式中Iu是模糊綜合評判后生成的發(fā)布信息項的信息記錄集合，Simlj是項目i和項 目j的相似度，s偽用戶對項目j的評分，表現為用戶檢索信息項的信息記錄j的頻次數，s」 為用戶對項目j的平均評分，即檢索信息記錄j的平均頻次數。
[0080] 進一步的，在步驟6中，對生成各項目的預測評分排序，排序前N的預測評分是滿足 用戶偏好的統一電力市場的信息服務項目，組成top-N最近鄰項目集，并把項目集中所包含 的信息數據推薦給用戶。
[0081 ]圖3所示的是基于模糊綜合評判的協同過濾推薦方法流程。
【主權項】
1. 一種電力市場多層協同信息服務的推薦方法，其特征在于適應統一電力市場交易信 息個性化推薦的基于模糊評價的多層協同過濾方法，步驟如下： 步驟1，設定影響多級電力市場信息發(fā)布服務項目的關聯屬性因素，建立發(fā)布信息的關 聯屬性因素評價指標體系； 步驟2，采用模糊綜合評判方法，依據多級電力市場信息屬性進行模糊綜合評判，生成 發(fā)布信息項的隸屬度向量； 步驟3,設定隸屬度閾值，生成用于信息推薦的發(fā)布信息項集合； 步驟4,依據相似度系數公式，在待推薦的發(fā)布信息項集中，計算項目i和項目j的相似 度系數Simij; 步驟5,計算發(fā)布信息項集中的用戶預測評分； 步驟6，對預測評分排序，依據排序前N的預測分數，生成top-N最近鄰項目集，推薦給電 力市場用戶。2. 根據權利要求1所述的電力市場多層協同信息服務的推薦方法，其特征在于： 在步驟1中，所述發(fā)布信息關聯屬性因素評價指標體系包括目標層、一級指標層、二級 指標層三個層次，目標層反映發(fā)布信息服務項的效用性;一級指標層是屬性因素層，包括市 場因素、經濟因素、生產因素、社會因素和環(huán)保因素等屬性因素;二級指標層是基礎層，影響 評價結果的準確性;市場因素二級指標層包含供電能力、用電需求、成交量;經濟因素二級 指標層包含國民生產總值、居民消費水平、居民收入水平;生產因素二級指標層包含裝機容 量、機組調頻調壓情況、阻塞情況;社會因素二級指標層包含節(jié)能減排、產業(yè)政策、人口規(guī) 模;環(huán)保因素二級指標層包含二氧化碳排放、二氧化硫排放、氮氧化物排放。3. 根據權利要求1所述的電力市場多層協同信息服務的推薦方法，其特征在于： 在步驟2中，圖2所示的模糊綜合評價方法流程具體如下： (1) 屬性因素集：設置發(fā)布信息項的影響屬性因素集，即市場因素、經濟因素、生產因 素、社會因素和環(huán)保因素的二級指標層，記為Ai= {au，ai2, · · ·，aik}，i = l，2, . · ·，5，k=l， 2，3. i表示一級指標，k表示二級指標，即第i個一級指標層的第k個二級指標屬性因素； (2) 目標評判集:設定目標評判集，包含"電力電量平衡"、"成交電量"、"成交價格"、"交 易計劃完成情況"、"大負荷用戶的用電計劃預測信息"、"電價政策"等服務信息項，標記為V ={VI, V2 , . . . ,Vp}; (3) 單級指標層評判矩陣:對應于每一個單級指標層i的二級指標，給出目標集V的模糊 隸屬度值，組成目標集與二級指標層間的模糊關系矩陣，標記為隸屬度矩陣R，如下所示：矩陣的行代表目標集評判向量，矩陣的列代表二級指標屬性因素評判向量，矩陣中的 rkp表示第p個目標對應的第k個二級指標屬性因素的模糊隸屬度值，是由專家用戶對目標集 對應的各屬性因素的隸屬關系進行評分，對評分值歸一化處理后獲得，滿足以下條件：(4) 單級指標層的屬性因素權重向量:單級指標層的二級指標屬性因素具有權重值，可 由經驗獲得，標記一^^0^=1,2,3.表示第i個指標的二級指標屬性因素 的權重系數，Wi滿足以下條件：(5) 單級指標層的模糊評判:采用模糊算子對單級指標層的二級指標屬性因素權 重向量I和隸屬度矩陣R進行內乘運算，計算得到單級指標評判的發(fā)布信息項隸屬度值，表 達式如下： Bi=ffi · R (3) (6) 發(fā)布信息項的綜合模糊評判:各單級指標的發(fā)布信息項隸屬度值組成新的隸屬度 矩陣，標記為B，如下所示：矩陣的行代表目標集評判向量，矩陣的列代表一級指標評判向量，矩陣中的bip表示第p 個發(fā)布信息目標對應的第i個一級指標的模糊隸屬度值。單級指標層的一級指標權重值標 記為D=(di，d2，···，di)，i = l，2，···，5.采用模糊算子〃.〃，對單級指標層的一級指標權重向 量D和隸屬度矩陣B進行內乘運算，計算得到發(fā)布信息項目標的隸屬度值組成的向量F，表達 式如下： F = D · B (4) 發(fā)布信息項目標隸屬度向量F是目標評判集的p個發(fā)布信息目標對應的綜合隸屬度評 判值向量。4. 根據權利要求1所述的電力市場多層協同信息服務的推薦方法，其特征在于： 在步驟3中，計算得到所有發(fā)布信息項的綜合隸屬度值后，對生成的隸屬度值排序，設 定隸屬度閾值Θ，所有綜合隸屬度評判值大于隸屬度閾值的發(fā)布信息項即滿足用戶對發(fā)布 信息服務的偏好感受，并組成優(yōu)先用于向電力市場用戶進行信息推薦服務的發(fā)布信息項集 合，綜合評判后獲得大于閾值的發(fā)布信息項集合包含"電力電量平衡"、"成交電量"、"大負 荷用戶的用電計劃預測信息"，作為優(yōu)先滿足用戶信息推薦服務的發(fā)布信息項集。5. 根據權利要求1所述的電力市場多層協同信息服務的推薦方法，其特征在于： 在步驟4中，相似度系數如下： 相似度系數用于計算協同過濾模型中的用戶或信息項目間的相似性，信息項目表現為 信息服務平臺發(fā)布的跨省跨區(qū)、省級的"電力電量平衡"、"成交電量"、"大負荷用戶的用電 計劃預測信息"的電力市場交易信息記錄。相似度系數給出發(fā)布的信息項目間的相似性的 度量方法，計算表達式如下： 式中rdPn為用戶對項目i和項目j的評分，表現為用戶檢索各信息項的信息記錄的頻 次數，由平臺系統的數據日志獲得，巧和，分別是項目i和項目j的平均評分，即檢索不同信息記錄的平均頻次數，U為電力市場用戶的集合。6. 根據權利要求1所述的電力市場多層協同信息服務的推薦方法，其特征在于： 在步驟5中，用戶對"電力電量平衡"、"成交電量"、"大負荷用戶的用電計劃預測信息" 項集中的每一信息記錄進行預測評分，項目預測評分計算表達式如下：式中Iu是模糊綜合評判后生成的發(fā)布信息項的信息記錄集合，Simu是項目i和項目j的 相似度，S」為用戶對項目j的評分，表現為用戶檢索信息項的信息記錄j的頻次數，~為用戶 對項目j的平均評分，即檢索信息記錄j的平均頻次數。7. 根據權利要求1所述的電力市場多層協同信息服務的推薦方法，其特征在于： 在步驟6中，對生成各項目的預測評分排序，排序前N的預測評分是滿足用戶偏好的統 一電力市場的信息服務項目，組成top-N最近鄰項目集，并把項目集中所包含的信息數據推 薦給用戶。
【文檔編號】G06Q50/06GK106056476SQ201610393339
【公開日】2016年10月26日
【申請日】2016年6月6日
【發(fā)明人】高春成, 劉永輝, 史述紅, 顧宇桂, 趙彤, 代勇, 田明, 顧迅, 陳浩, 方印, 陶力, 張學松, 王清波, 袁明珠, 王蕾, 林祿輝, 李守保, 王春艷, 劉杰, 趙顯 , 譚翔, 汪濤, 袁曉鵬, 丁鵬
【申請人】國家電網公司, 南京南瑞集團公司, 國網江蘇省電力公司