需求侧管理(Demand Side Management,DSM)是电力系统稳定性的重要组成部分。随着需求侧管理的发展,价格型需求响应(Price-Based Demand R es p o n d,P B DR)随之出现。价格型需求响应是一系列通过提供电力计划以维持电力系统稳定性的策略。它能够通过电力计划调控电力用户的负荷量,进而提高电力系统稳定性。在这样的背景下,家庭电力用户面临着一个新的挑战,即如何根据个人用电习惯选择个性化的电力计划,而电力计划推荐系统(Electricity Plan Recommender System,EPRS),是为了解决该问题而提出的新型推荐系统。本文提出一种新的电力计划推荐系统模型,即基于数据分类和类标约束的电力计划推荐系统(EPRS with Data Classification an d Lab el C o n s t rai n t,EP R S-DC LC)。该推荐系统是一个二阶模型,由特征形成阶段和推荐阶段组成。在特征形成阶段,新的矩阵恢复模型,即基于数据分类和类标约束的矩阵恢复模型(Matrix Recovery with Data C l as s i fi cat i o n a n d La b el C o n s t rai n t,M R-DC LC)用于恢复家电用电量,而在推荐阶段,协同过滤推荐系统(Collaborative Filtering Recommender System,C FR S)则利用这些特征,结合K近邻(K-Nea res t-Nei gh b o rs,KNN)以及基于类标约束的相似度计算方法,为新家庭电力用户推荐个性化的电力计划。不同于传统的电力计划推荐模型,EPRS-DCLC是首个将MR-DCLC以及基于类标约束的相似度引入电力计划推荐系统的模型。MR-DCLC是一种引入家电分类以及总用电量作为恢复指导量的矩阵恢复模型。其中,家电分类作为数据分类的依据,将待恢复的数据分为已知家电数据以及未知家电数据,在对未知家电用电量进行矩阵恢复时,已知家电数据能够保持不变。总用电量则是作为类标约束引入MR-DCLC中,而类标约束能够使得恢复后的家电用电量之和能够接近总用电量。利用这些电气数据,本文的电力计划推荐系统能够在特征形成阶段通过矩阵恢复获得更具体的特征,而这些具体的特征能够更好地反映家庭电力用户的用电习惯。同时,在推荐阶段,利用基于类标约束的相似度,具有相似总用电量的家庭电力用户能够计算得到更高的相似度。这使得在为测试样本进行电力计划推荐时,电力计划推荐系统能够推荐个性化的电力计划。在仿真实验部分,本文分别展示了两个仿真实验,第一个仿真实验是恢复家庭电力用户家电用电量,而第二个仿真实验是电力计划推荐。在两个仿真实验中,我们将本文提出的模型与传统模型进行对比,并利用实验结果证明本文模型的优秀之处。最终得到的数据表明,利用本文所提出的矩阵恢复模型能够多恢复24.14%-3 8.1 5%的家庭电力用户特征数据,而利用本文所提出的电力计划推荐系统能够达到93.56%-94.85%的推荐精确度。