[发明专利]一种多维电力感知信息特征融合方法

权利要求书

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_ICAQ_ICA；w_PCAQ_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：

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：

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，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。