一种多维电力感知信息特征融合方法技术

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

【技术实现步骤摘要】
一种多维电力感知信息特征融合方法


[0001]本专利技术属于电力信息融合
，具体涉及一种多维电力感知信息特征融合方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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Q
PCA
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Q
ICA
；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＝[w
ICA
Q
ICA
；w
PCA
Q
PCA
]上式中，Q为预融合后的特征向量矩阵，w
PCA
、w
ICA
分别为Q
PCA
、Q
ICA
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，
…
，c
k
，d1，d2，
…
，d
m
‑
k
]]上式中，c
i
为第i个二阶统计特性数据向量，d
j
为第j个高阶特性数据向量，α
i
、α
j+k
分别为矩阵Q的第i列、第j+j列向量，y
i
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Q
ICA
根据下列公式计算得到：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，λ
i
、λ
j
分别为第i、j个特征的贡献值；步骤C中，所述w
PCA
、w
ICA
由以下公式计算得到：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：返回步骤E1：上式中，w
i
、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...

【专利技术属性】
技术研发人员：姚渭箐，郭兆丰，罗弦，李想，余明阳，
申请(专利权)人：国网湖北省电力有限公司信息通信公司，
类型：发明
国别省市：