【技术实现步骤摘要】
本专利技术涉及数据识别，具体涉及基于深度度量学习的多模态电力数据管理方法与系统。
技术介绍
1、随着电力系统的发展，电力企业积累了大量多源异构的业务数据，覆盖电力系统的多个方面，包含电压、电流、负载、电力质量、设备状态等多种数据类型。但现有的数据管理和分析方法对电力多模态数据的利用不足，难以实现对数据的深入挖掘，无法支持电力企业的决策分析、资产管理和运维工作，存在电力数据的多模态搜索能力和多模态相似匹配准确性差的缺陷。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于深度度量学习的多模态电力数据管理方法与系统，以解决电力数据的多模态搜索能力和多模态相似匹配准确性差的问题。
2、第一方面，本专利技术提供了一种基于深度度量学习的多模态电力数据管理方法，所述方法包括：
3、获取多模态电力数据库；
4、获取预定电力数据模态属性集，其中，预定电力数据模态属性集包括n个预设电力数据模态属性，n为大于1的正整数；
5、基于n个预设电力数据模态属性对多模态电力数据库进行特征识别，获得多个数据模态特征；
6、基于多个数据模态特征进行深度度量学习，获得多个深度模态特征；
7、基于n个预设电力数据模态属性，根据多个深度模态特征进行深度学习，构建电力数据多模态搜索模型，其中，电力数据多模态搜索模型包括n个模态属性搜索通道；
8、根据电力数据多模态搜索模型对多模态电力数据库进行数据管理。
9、本专利技术提供的
10、在一种可选的实施方式中，在获取多模态电力数据库步骤之后，还包括：
11、获取多维清洗约束数据，其中，所述多维清洗约束数据包括数据格式统一、缺失数据填补、重复数据删除和异常数据修正；
12、根据所述多维清洗约束数据对所述多模态电力数据库进行数据清洗，获得标准电力数据库；
13、根据所述标准电力数据库对所述多模态电力数据库进行覆盖更新。
14、本专利技术提供的方法通过多维清洗约束，提高后续分析和管理的准确性和可靠性。
15、在一种可选的实施方式中，预定电力数据模态属性集包括：数据时间模态、数据结构模态、数据主体模态、数据产生节点模态、数据表象模态，其中，
16、数据时间模态表征电力数据的时间维度，用于分析数据的时序特性；
17、数据结构模态表征数据的结构和类型，用于确定数据的媒体类型；
18、数据主体模态表征数据所属的主体或来源，用于对数据的来源和所有者的进行识别；
19、数据产生节点模态表征数据的生成或产生节点，用于识别数据的来源和传播路径；
20、数据表象模态表征数据的内容或表象。
21、本专利技术提供的方法通过预设电力数据模态属性集，明确定义数据属性，以更好地理解和分类电力数据，从而为深度学习和模型构建提供更多的信息，有助于提高电力数据管理和分析的效率和准确性。
22、在一种可选的实施方式中，基于多个数据模态特征进行深度度量学习，获得多个深度模态特征的步骤，包括：
23、遍历所述多个数据模态特征进行两两相似性分析，获得多个模态相似度；
24、获得预设模态相似度；
25、基于所述预设模态相似度，根据所述多个模态相似度分别对所述多个数据模态特征进行筛选，生成所述多个深度模态特征。
26、在一种可选的实施方式中，基于所述预设模态相似度，根据所述多个模态相似度分别对所述多个数据模态特征进行筛选，生成所述多个深度模态特征，包括：
27、基于所述多个模态相似度，获得第一模态相似度；
28、根据所述多个数据模态特征，匹配所述第一模态相似度对应的第一模态特征组合；
29、判断所述第一模态相似度是否小于所述预设模态相似度；
30、当所述第一模态相似度小于所述预设模态相似度，生成第一组合独立指令，并根据所述第一组合独立指令对所述第一模态特征组合进行独立处理，将第一独立处理结果添加至所述多个深度模态特征。
31、本专利技术提供的方法通过根据模态相似性和预设模态相似度处理多个数据模态特征，以生成多个深度模态特征，有助于提高数据的表征和准确性，并为后续的深度学习任务提供更有信息价值的特征，从而支持数据管理和分析。
32、在一种可选的实施方式中，当所述第一模态相似度大于等于所述预设模态相似度，生成第一组合融合指令，并根据所述第一组合融合指令对所述第一模态特征组合进行融合处理，将第一融合处理结果添加至所述多个深度模态特征。
33、在一种可选的实施方式中，基于n个预设电力数据模态属性，根据多个深度模态特征进行深度学习，构建电力数据多模态搜索模型，其中，电力数据多模态搜索模型包括n个模态属性搜索通道，包括：
34、基于n个预设电力数据模态属性，获得第n预设电力数据模态属性，且，n为正整数，n属于n；
35、基于所述多个深度模态特征，采集预设数据量的样本多模态电力数据集；
36、基于所述第n预设电力数据模态属性对所述样本多模态电力数据集进行电力数据模态搜索记录回溯，获得样本数据模态搜索记录和样本数据模态属性匹配度记录；
37、基于所述样本数据模态搜索记录和样本数据模态属性匹配度记录对全连接神经网络进行有监督训练，生成第n模态属性搜索通道；
38、基于所述样本数据模态搜索记录对全连接神经网络进行训练，获得样本预测模态属性匹配度记录；
39、基于所述样本预测模态属性匹配度记录，根据所述样本数据模态属性匹配度记录，计算训练收敛度；
40、若所述训练收敛度满足预设训练收敛约束，生成所述第n预设电力数据模态属性对应的第n模态属性搜索通道，并将所述第n模态属性搜索通道添加至所述电力数据多模态搜索模型。
41、在一种可选的实施方式中，还包括：
42、基于所述第n预设电力数据模态属性对所述多模态电力数据库进行电力数据模态搜索记录回溯，获得电力数据模态搜索记录和电力数据模态属性匹配度记录；
43、基于所述电力数据模态搜索记录和所述电力数据模态属性匹配度记录对所述第n模态属性搜索通道进行增量学习。
44、在一种可选的实施方式中，根据电力数据多模态搜索模型对多模态电力数据库进行数据管理，包括：
45、根据所述多个数据模态特征对所述多模态电力数据库进行标识，生成多模态电力数据标识库；
46、获取多模态搜索需求，并根据所述n个预设电力数据模态属性对多模态搜索需求进行特征识别，获得n个模态属性特征需求；
47、基于所述n个模态属性特征需求，利用所述电力数据多模态搜索模型对所述多模态电力数据标识库进行数据搜索。
48、第二方面本文档来自技高网...
【技术保护点】
1.一种基于深度度量学习的多模态电力数据管理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在获取多模态电力数据库步骤之后，还包括：
3.根据权利要求1所述的方法，其特征在于，预定电力数据模态属性集包括：数据时间模态、数据结构模态、数据主体模态、数据产生节点模态、数据表象模态，其中，
4.根据权利要求1所述的方法，其特征在于，基于多个数据模态特征进行深度度量学习，获得多个深度模态特征的步骤，包括：
5.根据权利要求4所述的方法，其特征在于，基于所述预设模态相似度，根据所述多个模态相似度分别对所述多个数据模态特征进行筛选，生成所述多个深度模态特征，包括：
6.根据权利要求5所述的方法，其特征在于，当所述第一模态相似度大于等于所述预设模态相似度，生成第一组合融合指令，并根据所述第一组合融合指令对所述第一模态特征组合进行融合处理，将第一融合处理结果添加至所述多个深度模态特征。
7.根据权利要求1所述的方法，其特征在于，基于N个预设电力数据模态属性，根据多个深度模态特征进行深度学习，构建电
8.根据权利要求7所述的方法，其特征在于，还包括：
9.根据权利要求1所述的方法，其特征在于，根据电力数据多模态搜索模型对多模态电力数据库进行数据管理，包括：
10.一种基于深度度量学习的多模态电力数据管理系统，其特征在于，所述系统包括：
11.根据权利要求10所述的系统，其特征在于，电力数据库获取模块，还包括：
12.根据权利要求10所述的系统，其特征在于，在模态属性集获取模块中，预定电力数据模态属性集包括：数据时间模态、数据结构模态、数据主体模态、数据产生节点模态、数据表象模态，其中，
13.根据权利要求10所述的系统，其特征在于，深度度量学习模块，包括：
14.根据权利要求13所述的系统，其特征在于，筛选单元，包括：
15.根据权利要求14所述的系统，其特征在于，第二处理子单元，用于当所述第一模态相似度大于等于所述预设模态相似度，生成第一组合融合指令，并根据所述第一组合融合指令对所述第一模态特征组合进行融合处理，将第一融合处理结果添加至所述多个深度模态特征。
16.根据权利要求10所述的系统，其特征在于，搜索模型构建模块，包括：
17.根据权利要求16所述的系统，其特征在于，搜索模型构建模块，还包括：
18.根据权利要求10所述的系统，其特征在于，数据管理模块，包括：
19.一种计算机设备，其特征在于，包括：
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至9中任一项所述的基于深度度量学习的多模态电力数据管理方法。
...【技术特征摘要】
1.一种基于深度度量学习的多模态电力数据管理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在获取多模态电力数据库步骤之后，还包括：
3.根据权利要求1所述的方法，其特征在于，预定电力数据模态属性集包括：数据时间模态、数据结构模态、数据主体模态、数据产生节点模态、数据表象模态，其中，
4.根据权利要求1所述的方法，其特征在于，基于多个数据模态特征进行深度度量学习，获得多个深度模态特征的步骤，包括：
5.根据权利要求4所述的方法，其特征在于，基于所述预设模态相似度，根据所述多个模态相似度分别对所述多个数据模态特征进行筛选，生成所述多个深度模态特征，包括：
6.根据权利要求5所述的方法，其特征在于，当所述第一模态相似度大于等于所述预设模态相似度，生成第一组合融合指令，并根据所述第一组合融合指令对所述第一模态特征组合进行融合处理，将第一融合处理结果添加至所述多个深度模态特征。
7.根据权利要求1所述的方法，其特征在于，基于n个预设电力数据模态属性，根据多个深度模态特征进行深度学习，构建电力数据多模态搜索模型，其中，电力数据多模态搜索模型包括n个模态属性搜索通道，包括：
8.根据权利要求7所述的方法，其特征在于，还包括：
9.根据权利要求1所述的方法，其特征在于，根据电力数据多模态搜索模型对多模态电力数据库进行数据管理，包括：
1...
【专利技术属性】
技术研发人员：贾全烨，张强，王剑，李明，董小菱，刘识，陈振宇，王晓慧，范晓宣，
申请(专利权)人：国网智能电网研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。