【技术实现步骤摘要】
本专利技术属于电能表，具体涉及电能表检定系统的多模态数据融合方法。
技术介绍
1、电能表检定系统是电力计量体系的重要组成部分，它承担着电能表的计量准确性和可靠性验证的关键任务。随着电力系统的复杂化和智能化发展，电能表检定工作面临着越来越高的精度和效率要求。传统的电能表检定方法多依赖于人工操作和单一数据源，无法充分满足现代电力系统的需求。
2、现有技术至少存在如下技术问题：现有技术无法实现多模态数据的同步采集，导致数据融合的效果不理想，无法有效应对复杂多样的噪声源，导致数据质量和精度难以保证，无法动态适应数据的变化，导致对异常情况的检测能力较弱，鲁棒性不足，无法充分捕捉多模态数据的时变特征和动态变化，导致特征提取不够全面，融合效果不佳。
技术实现思路
1、为了解决上述现有技术中存在的问题，提供了电能表检定系统的多模态数据融合方法。
2、本专利技术解决其技术问题所采用的技术方案是：
3、本技术方案提出了电能表检定系统的多模态数据融合方法，包括以下步骤：
4、s1：通过传感器实时采集多模态信号数据，采用自适应混合滤波算法去除信号数据中的噪声，得到去噪后的信号数据，其中自适应混合滤波算法包括：将原始的信号数据通过傅里叶变换转化为频域信号，通过频域滤波函数进行滤波，得到初步去噪信号，再应用卡尔曼滤波器进一步滤除噪声，最终通过高斯混合模型校正信号，得到去噪后的信号；
5、s2：对去噪后的信号利用多元统计和贝叶斯推理方法进行异常值检测，
6、s3：构建多层动态卷积、递归网络模型，提取图像动态特征，结合异常评分聚类结果进行时变特征分析，通过自适应权重机制调整各模态特征的重要性，得到融合后的多模态特征向量。
7、优选的，所述s1中，通过傅里叶变换得到频域信号，表示为频域的幅值和相位，分析信号的频率成分，应用频域滤波函数对频域信号进行滤波，滤波后的频域信号再通过逆傅里叶变换转换回时域，得到初步去噪后的时域信号，公式表示为：
8、
9、式中，x(ω)是频域信号，傅里叶变换后的结果，y(ω)是滤波后的频域信号，y1(t)是初步去噪后的时域信号，通过逆傅里叶变换得到。
10、优选的，采用卡尔曼滤波器对初步去噪后的信号进行进一步滤波，包括：
11、定义状态空间模型，包括状态转移方程和观测方程，状态转移方程表示系统状态的演变，观测方程表示观测到的信号与系统状态之间的关系，通过迭代计算卡尔曼增益矩阵，确定对观测信号的信任程度；
12、根据观测信号和预测状态的差异，更新系统状态，预测误差协方差矩阵用于描述系统状态的不确定性，观测噪声协方差矩阵用于描述观测信号的噪声特性，公式表示为：
13、
14、式中，x(t+1)是状态估计，在时刻t+1的状态，f是状态转移矩阵，将状态从t时刻转移到t+1时刻，ut是控制输入，在时刻t的控制量，b是控制矩阵，控制输入对状态转移的影响，wt是过程噪声，在时刻t的过程噪声；
15、zt是观测向量，在时刻t的观测值，h是观测矩阵，状态向量对观测值的影响，vt是观测噪声，在时刻t的观测噪声；
16、kt是卡尔曼增益，在时刻t的增益；
17、pt是预测误差协方差矩阵，在时刻t的协方差，r是观测噪声协方差矩阵，观测噪声的协方差；
18、y2(t)是通过卡尔曼滤波器进一步去噪后的信号，i是单位矩阵。
19、优选的，对原始信号进行小波变换，选择不同的尺度参数和平移参数，获得信号在不同尺度和位置上的局部特征，对每个尺度和位置的小波系数进行处理，去除信号中的噪声成分，通过小波系数的重建，得到去噪后的信号，公式表示为：
20、
21、式中，wψ(a,b)是小波变换系数，尺度a和平移b下的系数，ψ是小波基函数，a是尺度参数，控制小波的宽度，b是平移参数，控制小波的位置，ψ*是小波基函数的共轭，y3(t)是通过小波变换去噪后的信号。
22、优选的，使用高斯混合模型进一步校正信号，高斯混合模型通过多个高斯分量的线性组合来描述信号的概率密度分布，每个高斯分量由其均值、方差和权重参数确定；
23、通过期望最大化算法，估计高斯混合模型的参数，对于每个高斯分量，计算信号与该分量均值的差异，并根据该差异对信号进行校正，得到通过高斯混合模型校正后的去噪信号，公式表示为：
24、
25、
26、式中，p(x)是高斯混合模型的概率密度函数，πk是第k个高斯分量的权重，是第k个高斯分量的概率密度函数，k是高斯分量的数量。
27、优选的，设原始信号为x(t)，去噪后的信号为y(t)，将原始信号通过傅里叶变换转化为频域信号，然后通过频域滤波函数进行滤波，得到初步去噪信号，再应用卡尔曼滤波器进一步滤除噪声，最终通过高斯混合模型校正信号，得到去噪后的信号，公式如下；
28、
29、式中，x(t)是原始信号，随时间t变化的信号强度，为傅里叶变换操作符，是傅里叶逆变换操作符，为频域滤波函数，ω为角频率，kk为卡尔曼增益，在时刻k的增益，h为观测矩阵，x(t)为状态估计，ψi(t)为第i个小波基函数，n是小波基函数的数量，μk和σk为高斯混合模型中第k个高斯分量的均值和标准差。
30、优选的，s2中，异常值检测方法包括：使用多元正态分布和贝叶斯推理进行计算，得到异常评分，计算公式为：
31、
32、式中，s(y)是对t时刻去噪后的信号的异常评分，为贝叶斯推理的标准差，为贝叶斯推理的均值，μj和λj分别为多元正态分布的均值和特征值；
33、对异常评分进行聚类分析，将异常评分聚类结果c作为输入特征，结合其他预处理后的数据特征，输入到深度学习模型进行多模态数据融合分析。
34、优选的，s3中，结合多层动态卷积网络、递归自适应网络和多模态自适应权重机制，构建多层动态卷积、递归网络模型，多层动态卷积、递归网络模型用于提取图像数据和时间序列数据的动态特征；
35、设输入图像为im和时间序列数据为yt，卷积核为kj，输出特征图为fj，动态卷积核随着时间变化，公式如下：
36、
37、式中，j是卷积核的索引，αj、βj、γj为第j个卷积核的振幅参数，ωj、φj、为第j个卷积核的频率和相位参数，为第j个卷积核的衰减常数；
38、通过卷积操作提取特征，公式；
39、fj＝σ(∑(im*kj)+∑(yt*kj)+bj) (8)
40、式中，其中，bj为偏置项，σ为激活函数，*表示卷积操作。
41、优选的，提取到的多模态特征fj结合异常评分聚类结果c作为递归自适应网络的输入，通过递归自适应网络处理时变特征，其公式为：
42、
43、ot＝σ(wo本文档来自技高网...
【技术保护点】
1.电能表检定系统的多模态数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电能表检定系统的多模态数据融合方法，其特征在于，所述S1中，通过傅里叶变换得到频域信号，表示为频域的幅值和相位，分析信号的频率成分，应用频域滤波函数对频域信号进行滤波，滤波后的频域信号再通过逆傅里叶变换转换回时域，得到初步去噪后的时域信号，公式表示为：
3.根据权利要求2所述的电能表检定系统的多模态数据融合方法，其特征在于，采用卡尔曼滤波器对初步去噪后的信号进行进一步滤波，包括：
4.根据权利要求3所述的电能表检定系统的多模态数据融合方法，其特征在于，对原始信号进行小波变换，选择不同的尺度参数和平移参数，获得信号在不同尺度和位置上的局部特征，对每个尺度和位置的小波系数进行处理，去除信号中的噪声成分，通过小波系数的重建，得到去噪后的信号，公式表示为：
5.根据权利要求4所述的电能表检定系统的多模态数据融合方法，其特征在于，使用高斯混合模型进一步校正信号，高斯混合模型通过多个高斯分量的线性组合来描述信号的概率密度分布，每个高斯分量由其均值、方差和
6.根据权利要求5所述的电能表检定系统的多模态数据融合方法，其特征在于，设原始信号为x(t)，去噪后的信号为y(t)，将原始信号通过傅里叶变换转化为频域信号，然后通过频域滤波函数进行滤波，得到初步去噪信号，再应用卡尔曼滤波器进一步滤除噪声，最终通过高斯混合模型校正信号，得到去噪后的信号，公式如下；
7.根据权利要求1所述的电能表检定系统的多模态数据融合方法，其特征在于，S2中，异常值检测方法包括：使用多元正态分布和贝叶斯推理进行计算，得到异常评分，计算公式为：
8.根据权利要求7所述的电能表检定系统的多模态数据融合方法，其特征在于，S3中，结合多层动态卷积网络、递归自适应网络和多模态自适应权重机制，构建多层动态卷积、递归网络模型，多层动态卷积、递归网络模型用于提取图像数据和时间序列数据的动态特征；
9.根据权利要求8所述的电能表检定系统的多模态数据融合方法，其特征在于，提取到的多模态特征Fj结合异常评分聚类结果C作为递归自适应网络的输入，通过递归自适应网络处理时变特征，其公式为：
10.根据权利要求9所述的电能表检定系统的多模态数据融合方法，其特征在于，多模态自适应权重机制用于动态调整多模态特征的重要性权重，设多层动态卷积网络的输出为F和递归自适应网络的输出为0，自适应权重为A，融合后的输出为Z，权重计算公式为：
...【技术特征摘要】
1.电能表检定系统的多模态数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电能表检定系统的多模态数据融合方法，其特征在于，所述s1中，通过傅里叶变换得到频域信号，表示为频域的幅值和相位，分析信号的频率成分，应用频域滤波函数对频域信号进行滤波，滤波后的频域信号再通过逆傅里叶变换转换回时域，得到初步去噪后的时域信号，公式表示为：
3.根据权利要求2所述的电能表检定系统的多模态数据融合方法，其特征在于，采用卡尔曼滤波器对初步去噪后的信号进行进一步滤波，包括：
4.根据权利要求3所述的电能表检定系统的多模态数据融合方法，其特征在于，对原始信号进行小波变换，选择不同的尺度参数和平移参数，获得信号在不同尺度和位置上的局部特征，对每个尺度和位置的小波系数进行处理，去除信号中的噪声成分，通过小波系数的重建，得到去噪后的信号，公式表示为：
5.根据权利要求4所述的电能表检定系统的多模态数据融合方法，其特征在于，使用高斯混合模型进一步校正信号，高斯混合模型通过多个高斯分量的线性组合来描述信号的概率密度分布，每个高斯分量由其均值、方差和权重参数确定；
6.根据权利要求5所述的电能表检定系统的多模态数据融合方法，其特征在于，设原始...
【专利技术属性】
技术研发人员：周磊，张静月，尹渭，胡征宇，贺青，潘铨，
申请(专利权)人：国网上海市电力公司，
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。