[发明专利]一种基于非负矩阵分解的智能电网数据分解方法

摘要

本发明公开一种基于非负矩阵分解的智能电网数据分解的方法，在非负矩阵分解算法的基础上，引入了用户间相似性的特征，提高算法的性能，使分解结果更加接近用户的实际用电信息，为用户提供更加精准的反馈。实验结果辨明，该方法与已有的方法对比，性能有明显的提升。

主权项

1.一种基于非负矩阵分解的智能电网数据分解的方法，其特征在于，包括以下步骤：步骤1、用电数据采集从智能电网系统中采集用电数据，用电数据包括用户ID、时间戳和用电功率；步骤2、预处理用电数据，其包括：数据清洗、数据补全以及数据整理；步骤3、数据训练步骤3.1、数据提取从数据文件中提取单独电器的用电数据为数据矩阵X_i作为训练数据，其中i＝1,2,3…k，从数据文件中抽取家庭总用电数据为测试数据矩阵G，作为测试数据，步骤3.2、相似性计算利用已抽取数据矩阵，计算家庭总用电数据与单一用电数据的关系，生成用户间同质性矩阵Z_i，并确定控制相关性强弱的系数矩阵E_i，用余弦相似度对相关性强弱进行度量表示，公式如下：步骤3.3、数据训练步骤3.3.1、初始化矩阵H_i、基矩阵B_i，系数矩阵A_i和待求矩阵W_i其中，G∈R^m×n，B_i∈R^m×d，W_i∈R^d×n，A_i∈R^d×l，d＜m，d＜n，l＜d，矩阵H_i是对角元素为1的对角矩阵的拓展矩阵，步骤3.3.2、计算矩阵L_i矩阵L_i＝D_i‑Z_i，其中，Z_i为步骤3.2所示的用户间同质性矩阵，D_i为对角矩阵，D_i中每个对角元素为矩阵Z_i所在行列之和，矩阵L_i为拉普拉斯矩阵；D_i中元素步骤3.3.3、训练分解矩阵X_i和总用电数据矩阵G训练模型如下所示：其中，α，β，λ，γ表示对正则项约束程度调节参数，应用KKT(Karush‑Kuhn‑Tucker)条件，在保证矩阵非负的情况下，得到迭代更新公式如下：U_i＝E_i(j,k)[W_iZ_i]_j,kV_i＝E_i(j,k)[W_iD_i]_j,k步骤4、数据分解由步骤3生成矩阵W_i和基矩阵B_i，通过B_iW_i预测单一电器用电数据，矩阵B_i为总用电数据G和单一电器用电数据X_i共同训练形成的基矩阵，矩阵W_i为分解G后形成的系数矩阵，重构公式如下所示：New_G_i＝B_iW_i；步骤5、数据整理与分析将预测矩阵New_G_i整理计算，得出不同用户在同一时间段中各个单独电器的用电量和在总用电数据中所占比例，计算方式为：求新建矩阵每一列之和与原始总功率矩阵对应列之和的比值，公式如下所示：