在互聯網環境下，多售電主體形成競爭關系，需要允分分析用戶的社會屬性、用電行為和互聯網行為，以便獲取用戶的用電行為偏好，并為用戶提供更為適宜的供電服務，也通過對用戶的精準分析，制定供電和需求側響應策略。為了實現電力精準消費和優化消費，需要對互聯網用電用戶進行分類，并通過尋找形似用戶的方式，精準預測或者推薦優化電力套餐。目前電力消費對用戶的識別，多是基于用戶社會屬性進行定性分類，忽略對用電行為的精準分析，尤其是缺少對用戶互聯網行為及其對用電的影響做深入分析。

因此，售電主體如何在互聯網環境下通過分析用戶行為尋找和識別相似用戶，進而形成個性化用電服務和售電側能效有效優化，是一個急需解決的技術問題。

有鑒于此，本書提供一種互聯網售電主體相似用戶識別方法，能根據用戶屬性、用電行為和互聯網行為綜合分析兩個用戶的相似度，從而為用戶提供精準用電業務推薦，而且幫助售電主體充分掌握用戶用電規律，制定有效的需求側響應策略。

如圖7-6所示，互聯網售電主體相似用戶識別方法包含以下步驟：

（1）互聯網售電主體建立包含用戶人口、住房面積、房屋市場均價、加熱類型、歷史用電負荷、用戶互聯網行為等信息的用戶數據庫，見表7-1。

圖7-6相似用戶識別方法

表7-1用戶標簽相似度對比

（2）互聯網售電主體分別對人口、住房面積、房屋市場均價、加熱類型等用戶靜態標簽設定分類表，并計算樣本用戶與售電主體所有用戶的屬性相似度，對于超過設定相似度閾值的用戶，建立新用戶群A。計算方法是：將樣本用戶i與用戶j的人口、住房面積、房屋市場均價、加熱類型等用戶靜態標簽分別映射到售電主體設定的用戶標簽分類表，兩個用戶各標簽如果映射到分類表的同一位置則認為該屬性相似度為1，否則為0，假設形成的標簽相似度向量[1,0,0,1,0,0]，再根據售電主體設定的各屬性權重W₁：=[0.25，0.25，0.25，0.25，0.25，0.25]，加權計算用戶靜態標簽相似度：

     S₁(i,j)=1×0.25+0×0.25+1×0.25+1×0.25=0.75

設用戶靜態標簽相似度網值為0.7，則所有與用戶i相似度超過0.7的用戶則劃入新的用戶群A。

（3）計算樣本用戶和新用戶群A各個用戶的日均負荷曲線，將樣本用戶分別與用戶群A的個體進行負荷曲線相似度計算。對于超過設定相似度閾值的用戶，建立新用戶群B。計算方法是：分別取用戶i和j所有日負荷曲線中各小時的平均負荷組成樣本用戶i與用戶j的負荷向量L_i;和L_j;，其中日均負荷為用戶i和用戶j數據庫中存的所有日負荷在每個對應時間的均值。假設L_i=[2,3,4,5,4,6,4,7,5,6,4，3,5,9,5,6,4,3,7,2,1,3,2,1],L_j=[1,2,4,5,4,64,7,8,2,4,3,5,6,5,7,4,3,6,2,1,2,2,1]，計算負荷相似度設用戶負荷相似度

設用戶負荷閾值為0.8，則在用戶群A中所有與用戶i相似度超過0.8的用戶則劃入新的用戶群B。

（4）建立用戶互聯網用電行為特征向量，元素包括互聯網售電平臺應用業務類型、用電報告閱讀狀態、需求響應情況、用戶信用等，計算樣本用戶與用戶群B中各個用戶的互聯網用電行為相似度。計算方法是：從用戶數據庫中分別獲取互聯網售電平臺應用業務類型、用電報告閱讀狀態、需求響應情況、用戶信用等級等，其中互聯網售電平臺應用業務類型為用戶通過售電平臺訂購的增值服務類型;用電報告閱讀狀態為用戶查詢用電詳情的頻度;需求響應情況為用戶峰谷用電量差值。將樣本用戶i與用戶j的互聯網售電平臺應用業務類型、用電報告閱讀狀態、需求響應情況、用戶信用等級分別映射到售電主體設定的用戶互聯網行為要素分類表，兩個用戶各要素如果映射到分類表的同一位置則認為該要素相似度為1，否則為0，假設形成的互聯網行為相似度向量為[0,0,1,1]，再根據售電主體設定的各屬性權重W₂=[0.3，0.1，0.2，0.4]，加權計算用戶互聯網行為相似度

S₁(i,j)=0×0.3+0×0.1+1×0.2+1×0.4=0.6

（5）對樣本用戶和用戶樣B中各個用戶的標簽相似度、負荷曲線相似度和互聯網用電行為相似度進行加權求和，超過互聯網售電主體設定的閾值的用戶，則認為是與樣本用戶相似的用戶。計算方法是：根據售電主體設定的各要素相似度權重W2=[0.2,0.4,0.4]，用戶i與用戶j的相似度為

S=w₃(1)S₁(i,j)+w₃(2)S₂(i,j)+w₃(3)S₃(i,j)=0.774

假設售電主體設定相似度閾值為0.7，者在用戶群B中所有與樣本用戶相似度超過0.7的用戶均為樣本用戶的相似用戶。