CN115600153A - 一种多维电力感知信息特征融合方法 - Google Patents
一种多维电力感知信息特征融合方法 Download PDFInfo
- Publication number
- CN115600153A CN115600153A CN202211268618.7A CN202211268618A CN115600153A CN 115600153 A CN115600153 A CN 115600153A CN 202211268618 A CN202211268618 A CN 202211268618A CN 115600153 A CN115600153 A CN 115600153A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- feature
- characteristic
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008447 perception Effects 0.000 title claims abstract description 17
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000000513 principal component analysis Methods 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 125000004432 carbon atom Chemical group C* 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
一种多维电力感知信息特征融合方法，该方法先基于主成分分析PCA对来自不同数据源的数据样本的协方差矩阵进行特征值分解，选择累计贡献率超过阈值的前k个主要特征作为主成分，并将这k个主要特征对应的特征向量作为二阶统计特征向量矩阵的各个列向量，再通过余下m‑k个特征值确定高阶统计特征向量矩阵，然后基于统计特征向量矩阵进行不同阶统计数据的特征预融合，并确定特征数据矩阵，最后将特征数据矩阵输入时空特性融合卷积神经网络CNN模型中进行特征融合。本发明采用独特的PCA‑ICA联合处理方式进行特征提取，能够有效节省存储空间和融合计算时间。
Description
技术领域
本发明属于电力信息融合技术领域，具体涉及一种多维电力感知信息特征融合方法。
背景技术
随着物联网技术和传感器网络技术的发展，电力运营中的发电、输电、配电、用电等全流程电力环节均会产生海量且多维的指标数据，这些数据对于存储空间和计算时间提出了巨大的挑战，同时，来自不同设备的数据具有异构性，通常难以直接进行融合。因此，通过对来自不同数据源的不同类型的数据进行特征提取和特征融合，对于节省存储空间和计算时间，提高数据融合的准确度和不同维度感知信息的相关性，推动数据的资源化向价值化转变具有重大的意义。
现有的数据融合方法大都依赖于数据的同构性，来自不同类型设备的数据通常难以直接进行融合，此外电力物联网的感知设备会产生高维数据，而高维数据中含有大量数据噪声和冗余，现有的针对低维数据的解决方案无法有效适用于高维数据的处理。
发明内容
本发明的目的是针对现有技术存在的上述问题，提供一种能够有效提取多维电力感知信息的特征数据并对其进行融合的多维电力感知信息特征融合方法。
为实现以上目的，本发明的技术方案如下：
一种多维电力感知信息特征融合方法，依次包括以下步骤：
步骤A、基于主成分分析PCA对来自不同数据源的数据样本的协方差矩阵进行特征值分解，选择累计贡献率超过阈值的前j个主要特征作为主成分，并将这j个主要特征对应的特征向量作为二阶统计特征向量矩阵QPCA的各个列向量；
步骤B、通过余下m-k个特征值确定高阶统计特征向量矩阵QICA；
步骤C、根据以下公式对不同阶的统计数据进行特征预融合：
Q＝[wICAQICA；wPCAQPCA]
上式中，Q为预融合后的特征向量矩阵，wPCA、wICA分别为QPCA、QICA对应的权重；
步骤D、基于预融合后的特征向量矩阵Q确定特征数据矩阵T：
T＝[c1，c2，…，ck，d1，d2，…，dm-k]
上式中，ci为第i个二阶统计特性数据向量，dj为第j个高阶特性数据向量，αi、αj+k分别为矩阵Q的第i列、第j+j列向量，yi为第i个数据源的数据样本列向量，n为数据源总数；
步骤E、将矩阵T输入时空特性融合卷积神经网络CNN模型中进行特征融合，得到融合数据。
步骤B中，所述QICA根据下列公式计算得到：
上式中，Z为ICA预处理矩阵
的投影矩阵，∑、E分别为余下m-k个特征值对应的对角线矩阵以及特征向量矩阵。
步骤A中，所述累计贡献率G由以下公式计算得到：
上式中，
为前j个主要特征的累计贡献值，λi、λj分别为第i、j个特征的贡献值；
步骤C中，所述wPCA、wICA由以下公式计算得到：
所述步骤E依次包括以下步骤：
步骤E1、将矩阵T按照特征分为多路数据流，通过CNN模型中的多路特征链接模块集进行特征对齐和噪声滤除，得到处理后的特征数据；
步骤E2、CNN模型中的全盘特征融合模块对处理后的特征数据以及矩阵T中的数据进行全局融合得到特征融合数据x(i)，其中，所述全盘特征融合模块包括多个步长为2的反卷积层；
步骤E3、将特征融合数据x(i)与真实的融合数据y(i)进行对比，若
小于等于设定的阈值ε1，则将x(i)作为融合数据输出，否则根据以下公式更新各卷积层的权重后返回步骤E1：
上式中，wi、w′i分别为更新前、后第i个卷积层的的权重，l0为学习率，
为损失函数，ε为可训练的参数，s为融合输出的数据种类数。
步骤E1中，所述多路特征链接模块集包括上采样模块、级联的多个多路特征链接模块，所述上采样模块的信号输入端与多路数据流连通，上采样模块的信号输出端依次通过各多路特征链接模块与全盘特征融合模块的信号输出端连接；
所述上采样模块采用倍率为4的重组操作滤除数据流中特征数据的部分噪声；
多个所述多路特征链接模块通过级联的方式逐步建立各数据流的对齐关系，实现特征对齐。
每个所述多路特征链接模块都包括残差模块、多个均与残差模块的信号输出端连接的注意力模块，所述第一级的多路特征链接模块中残差模块的信号输入端与上采样模块的信号输出端连接，第一级的多路特征链接模块中多个注意力模块的信号输出端与第二级的多路特征链接模块中残差模块的信号输入端、第三级的多路特征链接模块中残差模块的信号输入端连接，第二级的多路特征链接模块中多个注意力模块的信号输出端与第三级的多路特征链接模块中残差模块的信号输入端连接，第三级的多路特征链接模块中多个注意力模块的信号输出端与第四级的多路特征链接模块中残差模块的信号输入端、第五级的多路特征链接模块中残差模块的信号输入端连接，第四级的多路特征链接模块中多个注意力模块的信号输出端与第五级的多路特征链接模块中残差模块的信号输入端连接，依次类推；
所述注意力模块用于为交叉特征提取有效的掩码，实现特征对齐，并抑制噪声干扰。
所述残差模块包括第一平均池化层、级联的多个卷积层、第二平均池化层、全连接层，所述第一级的多路特征链接模块中第一平均池化层的信号输入端与上采样模块的信号输出端连接，其它级的多路特征链接模块中第一平均池化层的信号输入端与上一级的多路特征链接模块中多个注意力模块的信号输出端连接，第一平均池化层的信号输出端依次通过各卷积层与第二平均池化层的信号输入端连接，第二平均池化层的信号输出端通过全连接层与对应的注意力模块连接，且第一平均池化层、第二平均池化层选择2×2的池化窗口，并以窗口内的元素平均值作为输出。
所述卷积层采用如下激活函数：
上式中，
为激活函数，x为残差模块的输入参数；
所述卷积层212的输出为：
上式中，f1(x)、f5(x)分别为第1个卷积层、第5个卷积层的输出，w1、w5分别为第1个卷积层、第5个卷积层的权重，b1、b5分别为第1个卷积层、第5个卷积层的偏置。
所述步骤A中，在对来自不同数据源的数据样本的协方差矩阵进行特征值分解前，先对来自不同数据源的数据样本进行如下标准化处理以得到各数据源的数据样本列向量：
yi＝[yi1，yi2，…，yij，…yin]T
上式中，yi为第i个数据源的数据样本列向量，yij为第i个数据源的第j个样本xij经标准化处理后的结果，
Si分别为该数据源的样本均值和样本方差。
与现有技术相比，本发明的有益效果为：
1、本发明一种多维电力感知信息特征融合方法先基于主成分分析PCA对来自不同数据源的数据样本的协方差矩阵进行特征值分解，选择累计贡献率超过阈值的前j个主要特征作为主成分，并将这j个主要特征对应的特征向量作为二阶统计特征向量矩阵QPCA的各个列向量，再通过余下m-k个特征值确定高阶统计特征向量矩阵QICA，然后基于QPCA和QICA进行不同阶统计数据的特征预融合，并确定特征数据矩阵T，最后将矩阵T输入时空特性融合卷积神经网络CNN模型中进行特征融合，即可得到融合数据，该方法采用独特的PCA-ICA联合处理方式进行特征提取，PCA处理能得到二阶统计特性，ICA处理可得到高阶统计特性，两者联合能够较好的保留数据的不同阶特性，从而尽可能的保留原始感知数据中的有用信息，减少数据处理过程中的信息损失，在该基础上实现不同类型的数据特征提取及融合，能够有效节省存储空间和计算时间。
2、本发明一种多维电力感知信息特征融合方法在时空特性融合卷积神经网络中引入了上采样模块、残差模块和注意力模块，一方面，通过上采样模块可有效减少需要处理的数据量；另一方面，为了避免网络层数多导致的训练困难问题，在上采样模块后添加残差神经网络模块，将浅层网络的输出与深层网络的输入相加并且进行级联操作，在非线性转换和线性转换之间达到平衡，使得神经网络存在明显层级，通过传递的特征个数随卷积层逐层递进的方式保证输出特征表达能力，同时通过平均池化池进行正则化，加速了训练速度；另外，通过注意力模块对传递的特征每个位置以及各个卷积通道上的资源进行注意力调整，使得模型关注到指定的更多需要关注的区域上。
附图说明
图1为本发明的整体流程图。
图2为图1中时空特性融合卷积神经网络模型的整体组成框图。
图3为图2中多路特征链接模块的组成框图。
图4为图3中残差模块的组成框图。
图5为残差模块中各卷积层的级联示意图。
图中，上采样模块1、多路特征链接模块2、残差模块21、第一平均池化层211、卷积层212、第二平均池化层213、全连接层214、注意力模块22。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
本发明提供了一种多维电力感知信息特征融合方法，该方法先将电力物联网的传感器等感知设备采集到的数据通过PCA-ICA联合处理得到数据的二阶以及高阶统计特征，再对得到的二级及高阶统计数据进行权重调节，实现不同阶统计数据的特征预融合，最后结合时空特性融合卷积神经网络模型对预融合的数据进行特征融合。
本发明采用的时空特性融合卷积神经网络模型先通过上采样模块减少需要处理的数据量，再通过多路特征链接模块级联的形式将通过多路注意力模块得到的特征建立有效的对齐，同时级联的方式有效避免了特征对齐过程中浅层数据的丢失问题，最后通过全盘特征融合模块将深度提取并对齐过的特征数据进行融合，重建得到特征融合数据。
全盘特征融合模块：本发明中输入全盘特征融合模块的数据除了经多路特征链接模块集处理得到的特征数据，还包括经PCA-ICA联合处理后的特征数据，这是因为经过多路特征链路模块处理后虽然能实现特征对齐以及抑制噪声干扰的作用，但是由于池化操作取窗口平均、注意力模块关注获取主要特征可能会丢失次要特征以及残差模块中降采样残差模块的降采样等操作的影响，部分数据特征可能会丢失。
损失函数：本发明中损失函数采用交叉熵误差，能够真实的反映真实结果与预测结果的误差，同时因为它是凸函数，所以存在全局最优解。
实施例1：
本实施例数据源由M个变电站和N个用电侧的数据组成，且变电站数据包括：输电线路温度、油浸式变压器温度(℃)、变压器节点输出负荷(W)、电压等级(kV)、容量(MVA)、传输最大有用功率(kW)、有用功率峰值时刻、高压侧接线方式、中压侧接线方式、低压侧接线方式，三相波形；用电侧数据包括：用电量(W)、故障次数以及时间段、电压(V)、电流(A)、最小功率(W)，传感器采集到的温度、湿度和风速信息。
参见图1，一种多维电力感知信息特征融合方法，依次按照以下步骤进行：
1、对上述来自不同数据源的数据样本进行如下标准化处理以得到由各数据源的数据样本列向量组成的标准化数据矩阵Y：
yi＝[yi1，yi2，…，yij，…yin]T
上式中，yi为第i个数据源的数据样本列向量，yij为第i个数据源的第j个样本xij经标准化处理后的结果，
Si分别为该数据源的样本均值和样本方差。
2、基于主成分分析PCA对标准化数据矩阵Y的协方差矩阵进行特征值分解，选择累计贡献率超过85％的前j个主要特征作为主成分，其中，所述累计贡献率G由以下公式计算得到：
上式中，
为前j个主要特征的累计贡献值，λi、λj分别为第i、j个特征的贡献值。
3、将得到的前j个主要特征对应的特征向量作为各个列向量构建二阶统计特征向量矩阵QPCA。
4、对于余下m-k个特征值，通过以下公式确定高阶统计特征向量矩阵QICA：
上式中，Z为ICA预处理矩阵
的投影矩阵，由矩阵
通过InfoMax方法得到，∑、E分别为余下m-k个特征值对应的对角线矩阵以及特征向量矩阵，yi为第i个数据源的数据样本列向量。
5、根据以下公式对不同阶的统计数据进行特征预融合：
Q＝[wICAQICA；wPCAQPCA]
上式中，Q为预融合后的特征向量矩阵，wPCA、wICA分别为QPCA、QICA对应的权重，通过特征的贡献值定义，表征二阶、高阶数据各自的重要性，
为前k个主要特征的累计贡献值，λi、λj分别为第i、j个特征的贡献值。
6、通过以下公式确定特征数据矩阵T：
T＝[c1，c2，…，ck，d1，d2，…，dm-k]
上式中，ci为第i个二阶统计特性数据向量，dj为第j个高阶特性数据向量，αi、αj+k分别为矩阵Q的第i列、第j+j列向量，yi为第i个数据源的数据样本列向量，n为数据源总数。
7、参见图2-图5，将矩阵T按照特征分为多路数据流，通过CNN模型中的多路特征链接模块集进行特征对齐和噪声滤除，得到处理后的特征数据，其中，所述多路特征链接模块集包括上采样模块1、级联的多个多路特征链接模块2，所述上采样模块1采用倍率为4的重组操作滤除数据流中特征数据的部分噪声，多个所述多路特征链接模块通过级联的方式逐步建立各数据流的对齐关系，实现特征对齐，每个所述多路特征链接模块2都包括残差模块21、多个均与残差模块21的信号输出端连接的注意力模块22，所述注意力模块22用于为交叉特征提取有效的掩码，实现特征对齐，并抑制噪声干扰，所述残差模块21包括第一平均池化层211、级联的多个卷积层212、第二平均池化层213、全连接层214，所述第一级的多路特征链接模块2中，第一平均池化层211的信号输入端通过上采样模块1与多路数据流连通，第一平均池化层211的信号输出端依次通过各卷积层212与第二平均池化层213的信号输入端连接，第二平均池化层213的信号输出端通过全连接层214与多个注意力模块22的信号输入端连接，多个注意力模块22的信号输出端与第二级的多路特征链接模块2中第一平均池化层211的信号输入端、第三级的多路特征链接模块2中第一平均池化层211的信号输入端连接，第二级的多路特征链接模块2中，第一平均池化层211的信号输出端依次通过各卷积层212与第二平均池化层213的信号输入端连接，第二平均池化层213的信号输出端通过全连接层214与多个注意力模块22的信号输入端连接，多个注意力模块22的信号输出端与第三级的多路特征链接模块2中第一平均池化层211的信号输入端连接，第三级的多路特征链接模块2中，多个注意力模块22的信号输出端与第四级的多路特征链接模块2中第一平均池化层211的信号输入端、第五级的多路特征链接模块2中第一平均池化层211的信号输入端连接，第四级的多路特征链接模块2中，多个注意力模块22的信号输出端与第五级的多路特征链接模块2中第一平均池化层211的信号输入端连接，依次类推，最后一级的多路特征链接模块2中多个注意力模块22的信号输出端与全盘特征融合模块的信号输出端连接，且第一平均池化层211、第二平均池化层213选择2×2的池化窗口，并以窗口内的元素平均值作为输出，所述卷积层212采用如下激活函数：
上式中，
为激活函数，x为残差模块的输入参数；
所述卷积层212的输出为：
上式中，f1(x)、f5(x)分别为第1个卷积层、第5个卷积层的输出，w1、w5分别为第1个卷积层、第5个卷积层的权重，b1、b5分别为第1个卷积层、第5个卷积层的偏置。
8、CNN模型中的全盘特征融合模块对处理后的特征数据以及矩阵T中的数据进行全局融合得到特征融合数据x(i)，其中，所述全盘特征融合模块包括多个步长为2的反卷积层。
9、将特征融合数据x(i)与真实的融合数据y(i)进行对比，若
小于等于设定的阈值ε1，则将x(i)作为融合数据输出，否则根据以下公式更新各卷积层的权重后返回步骤E1：
上式中，wi、
分别为更新前、后第i个卷积层的的权重，l0为学习率，
为损失函数，ε为可训练的参数，s为融合输出的数据种类数。
本实施例融合输出的数据种类包括：总电量(kW)、负荷等级(0-1之间的常数，值越大表示电力负荷越大)、系统容量(MVA)、运行安全等级(0-1之间的常数，值越大表示安全程度越高)，故障率。
Claims (9)
1.一种多维电力感知信息特征融合方法，其特征在于：
所述方法依次包括以下步骤：
步骤A、基于主成分分析PCA对来自不同数据源的数据样本的协方差矩阵进行特征值分解，选择累计贡献率超过阈值的前k个主要特征作为主成分，并将这k个主要特征对应的特征向量作为二阶统计特征向量矩阵QPCA的各个列向量；
步骤B、通过余下m-k个特征值确定高阶统计特征向量矩阵QICA；
步骤C、根据以下公式对不同阶的统计数据进行特征预融合：
Q＝[wICAQICA；wPCAQPCA]
上式中，Q为预融合后的特征向量矩阵，wPCA、wICA分别为QPCA、QICA对应的权重；
步骤D、基于预融合后的特征向量矩阵Q确定特征数据矩阵T：
T＝[c1，c2，…，ck，d1，d2，…，dm-k]
上式中，ci为第i个二阶统计特性数据向量，dj为第j个高阶特性数据向量，αi、αj+k分别为矩阵Q的第i列、第j+j列向量，yi为第i个数据源的数据样本列向量，n为数据源总数；
步骤E、将矩阵T输入时空特性融合卷积神经网络CNN模型中进行特征融合，得到融合数据。
2.根据权利要求1所述的一种多维电力感知信息特征融合方法，其特征在于：
步骤B中，所述QICA根据下列公式计算得到：
上式中，Z为ICA预处理矩阵
的投影矩阵，∑、E分别为余下m-k个特征值对应的对角线矩阵以及特征向量矩阵。
3.根据权利要求1或2所述的一种多维电力感知信息特征融合方法，其特征在于：
步骤A中，所述累计贡献率G由以下公式计算得到：
上式中，
为前j个主要特征的累计贡献值，λi、λj分别为第i、j个特征的贡献值；
步骤C中，所述wPCA、wICA由以下公式计算得到：
4.根据权利要求1或2所述的一种多维电力感知信息特征融合方法，其特征在于：
所述步骤E依次包括以下步骤：
步骤E1、将矩阵T按照特征分为多路数据流，通过CNN模型中的多路特征链接模块集进行特征对齐和噪声滤除，得到处理后的特征数据；
步骤E2、CNN模型中的全盘特征融合模块对处理后的特征数据以及矩阵T中的数据进行全局融合得到特征融合数据x(i)，其中，所述全盘特征融合模块包括多个步长为2的反卷积层；
步骤E3、将特征融合数据x(i)与真实的融合数据y(i)进行对比，若
小于等于设定的阈值ε1，则将x(i)作为融合数据输出，否则根据以下公式更新各卷积层的权重后返回步骤E1：
上式中，wi、w′i分别为更新前、后第i个卷积层的的权重，l0为学习率，
为损失函数，ε为可训练的参数，s为融合输出的数据种类数。
5.根据权利要求4所述的一种多维电力感知信息特征融合方法，其特征在于：
步骤E1中，所述多路特征链接模块集包括上采样模块1、级联的多个多路特征链接模块2，所述上采样模块1的信号输入端与多路数据流连通，上采样模块1的信号输出端依次通过各多路特征链接模块2与全盘特征融合模块的信号输出端连接；
所述上采样模块1采用倍率为4的重组操作滤除数据流中特征数据的部分噪声；
多个所述多路特征链接模块通过级联的方式逐步建立各数据流的对齐关系，实现特征对齐。
6.根据权利要求5所述的一种多维电力感知信息特征融合方法，其特征在于：
每个所述多路特征链接模块2都包括残差模块21、多个均与残差模块21的信号输出端连接的注意力模块22，所述第一级的多路特征链接模块2中残差模块21的信号输入端与上采样模块1的信号输出端连接，第一级的多路特征链接模块2中多个注意力模块22的信号输出端与第二级的多路特征链接模块2中残差模块21的信号输入端、第三级的多路特征链接模块2中残差模块21的信号输入端连接，第二级的多路特征链接模块2中多个注意力模块22的信号输出端与第三级的多路特征链接模块2中残差模块21的信号输入端连接，第三级的多路特征链接模块2中多个注意力模块22的信号输出端与第四级的多路特征链接模块2中残差模块21的信号输入端、第五级的多路特征链接模块2中残差模块21的信号输入端连接，第四级的多路特征链接模块2中多个注意力模块22的信号输出端与第五级的多路特征链接模块2中残差模块21的信号输入端连接，依次类推；
所述注意力模块22用于为交叉特征提取有效的掩码，实现特征对齐，并抑制噪声干扰。
7.根据权利要求6所述的一种多维电力感知信息特征融合方法，其特征在于：
所述残差模块21包括第一平均池化层211、级联的多个卷积层212、第二平均池化层213、全连接层214，所述第一级的多路特征链接模块2中第一平均池化层211的信号输入端与上采样模块1的信号输出端连接，其它级的多路特征链接模块2中第一平均池化层211的信号输入端与上一级的多路特征链接模块2中多个注意力模块22的信号输出端连接，第一平均池化层211的信号输出端依次通过各卷积层212与第二平均池化层213的信号输入端连接，第二平均池化层213的信号输出端通过全连接层214与对应的注意力模块22连接，且第一平均池化层211、第二平均池化层213选择2×2的池化窗口，并以窗口内的元素平均值作为输出。
8.根据权利要求7所述的一种多维电力感知信息特征融合方法，其特征在于：
所述卷积层212采用如下激活函数：
上式中，
为激活函数，x为残差模块的输入参数；
所述卷积层212的输出为：
上式中，f1(x)、f5(x)分别为第1个卷积层、第5个卷积层的输出，w1、w5分别为第1个卷积层、第5个卷积层的权重，b1、b5分别为第1个卷积层、第5个卷积层的偏置。
9.根据权利要求1或2所述的一种多维电力感知信息特征融合方法，其特征在于：
所述步骤A中，在对来自不同数据源的数据样本的协方差矩阵进行特征值分解前，先对来自不同数据源的数据样本进行如下标准化处理以得到各数据源的数据样本列向量：
yi＝[yi1，yi2，…，yij，…yin]T
上式中，yi为第i个数据源的数据样本列向量，yij为第i个数据源的第j个样本xij经标准化处理后的结果，
Si分别为该数据源的样本均值和样本方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211268618.7A CN115600153A (zh) | 2022-10-17 | 2022-10-17 | 一种多维电力感知信息特征融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211268618.7A CN115600153A (zh) | 2022-10-17 | 2022-10-17 | 一种多维电力感知信息特征融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115600153A true CN115600153A (zh) | 2023-01-13 |
Family
ID=84847358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211268618.7A Pending CN115600153A (zh) | 2022-10-17 | 2022-10-17 | 一种多维电力感知信息特征融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600153A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117010920A (zh) * | 2023-06-13 | 2023-11-07 | 中企筑链科技有限公司 | 一种基于神经网络的抵押物评级方法 |
-
2022
- 2022-10-17 CN CN202211268618.7A patent/CN115600153A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117010920A (zh) * | 2023-06-13 | 2023-11-07 | 中企筑链科技有限公司 | 一种基于神经网络的抵押物评级方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| He et al. | A novel data-driven situation awareness approach for future grids—Using large random matrices for big data modeling | |
| CN111159638A (zh) | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 | |
| Rong et al. | Applying response surface methodology in the design and optimization of electromagnetic devices | |
| CN114239718B (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
| CN115600153A (zh) | 一种多维电力感知信息特征融合方法 | |
| Durand et al. | Relativistic duality, and relativistic and radiative corrections for heavy-quark systems | |
| Weigert et al. | Diagonalization of multicomponent wave equations with a Born-Oppenheimer example | |
| CN114219147A (zh) | 一种基于联邦学习的配电站故障预测方法 | |
| CN111313403A (zh) | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 | |
| CN113361803A (zh) | 基于生成对抗网络的超短期光伏功率预测方法 | |
| CN113159226A (zh) | 一种深度特征和统计特征融合的逆变器故障诊断方法 | |
| CN114219027A (zh) | 一种基于离散小波变换的轻量级时间序列预测方法 | |
| Romeo | Bessel ζ-function approach to the Casimir effect of a scalar field in a spherical bag | |
| CN111079647A (zh) | 一种断路器缺陷识别方法 | |
| CN111680028B (zh) | 基于改进奇异值分解的配电网同步相量量测数据压缩方法 | |
| Kelly et al. | Improved nonnegative estimation of variance components in some mixed models with unbalanced data | |
| CN115408196B (zh) | 一种高容错电网故障诊断方法及系统 | |
| Lee et al. | A Less Conservative LMI Condition for Robust ${\cal D} $-Stability of Polynomial Matrix Polytopes—A Projection Approach | |
| CN116028871A (zh) | 采用改进海洋捕食者算法优化svm的gis设备pd类型判定方法 | |
| CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
| CN114627370A (zh) | 一种基于transformer特征融合的高光谱影像分类方法 | |
| CN114198266A (zh) | 风电机组运行状态平行监测方法与装置 | |
| CN106934123A (zh) | 一种基于递归卷积的电路瞬态响应计算方法 | |
| CN111505379A (zh) | 一种基于奇异值分解的配电网同步相量量测数据压缩方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231027 Address after: 430070 No. 341, Xudong street, Hongshan District, Wuhan City, Hubei Province Applicant after: STATE GRID HUBEI ELECTRIC POWER CO.,LTD. INFORMATION AND COMMUNICATION CO. Applicant after: WUHAN University Address before: 430070 No. 341, Xudong street, Hongshan District, Wuhan City, Hubei Province Applicant before: STATE GRID HUBEI ELECTRIC POWER CO.,LTD. INFORMATION AND COMMUNICATION CO. |
|
| TA01 | Transfer of patent application right |