申请/专利权人：湖南大学

申请日：2024-01-12

公开（公告）日：2024-03-26

公开（公告）号：CN117556715B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0464;G06N3/08;G06F18/213;G06F18/21;G06F18/25;G06F119/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明公开了一种基于信息融合的典型环境下智能电表退化分析方法及系统，本发明方法包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y，特征多尺度复合卷积层包括采用一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点。本发明旨在提高传统卷积神经网络的特征提取与多源信息融合性能，充分考虑多源输入特征差异性实现信息融合与特征互补，提高对智能电表退化趋势预测的准确性与可靠性。

主权项：1.一种基于信息融合的典型环境下智能电表退化分析方法，其特征在于，包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，所述多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y，所述特征多尺度复合卷积层包括采用下式所示的一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点： ，上式中，为一维复合卷积的输出特征，为复合卷积比例因子，其取值范围为0到1，用来控制复合卷积中标准卷积与扩张卷积的比例；表示在第r个卷积层中时间，温度以及湿度所对应的标准卷积核权值，表示偏置项，符号表示标准卷积操作，f为激活函数，m为扩张因子，与分别表示扩张卷积的权值与偏置项，符号表示扩张卷积操作；所述特征多尺度复合卷积层分别由卷积核尺寸为和的两个一维复合卷积组成；所述特征多尺度复合卷积层的函数表达式为： ，上式中，为特征多尺度复合卷积层的输出特征，，分别表示卷积核尺寸为时标准卷积的权值与偏置项，，分别表示卷积核尺寸为时扩张卷积的权值与偏执项，，分别表示卷积核尺寸为时标准卷积的权值与偏置项，，分别表示卷积核尺寸为时扩张卷积的权值与偏执项，利用填充操作确保卷积核尺寸为和卷积核尺寸为的两类特征多尺度复合卷积层的输出尺寸保持一致；所述多尺度复合卷积神经网络模型分别包括输入为时间t的时间分支、输入为温度T的温度分支、输入为湿度H的湿度分支共三个分支，且由时间分支输出智能电表测量误差y，所述温度分支包括级联的两组温度特征提取单元，所述温度特征提取单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层以及最大池化层，所述湿度分支包括级联的两组湿度特征提取单元，所述湿度特征提取单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层以及最大池化层，所述时间分支包括级联的两组特征融合单元、一维复合卷积、最大池化层和一个或多个全连接层，所述特征融合单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层、最大池化层以及特征融合层，且第一组特征融合单元的特征融合层将第一组温度特征提取单元、第一组湿度特征提取单元的输出作为输入以实现特征融合，第二组特征融合单元的特征融合层将第二组温度特征提取单元、第二组湿度特征提取单元的输出作为输入以实现特征融合。

全文数据：

权利要求：

百度查询： 湖南大学 基于信息融合的典型环境下智能电表退化分析方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD