龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：黑龙江大学
摘要：基于数据融合的能源互联网故障诊断模型训练方法及诊断方法，属于能源互联网故障诊断技术领域。为了解决现有基于深度学习的数据融合模型存在忽略了数据集的重复性，导致模型训练时间更长的问题。本发明由多个传感器收集的数据构建数据集，计算样本中每对传感器数据之间的Pearson相关系数，基于相关系数矩阵，进行层次聚类得到多组聚类数据；针对每组聚类数据，采用特征提取模块提取故障特征；针对分类任务和对比学习任务，分别将每组聚类数据对应提取的故障特征进行特征融合，基于融合特征计算损失函数，利用二者各自损失函数构成的总损失实现能源互联网故障诊断模型的训练；进而利用训练好的模型进行能源互联网的故障诊断。
主权项：1.一种基于数据融合的能源互联网故障诊断模型训练方法，其特征在于，包括：首先，通过HC模型对原始数据进行聚类，具体过程包括：由多个传感器收集的数据构建数据集；计算样本中每对传感器数据之间的Pearson相关系数n表示第n个样本，a和b表示多个传感器中的任意两个传感器；然后，基于所获得的相关系数对应的相关系数矩阵，确定传感器数据中位数组成的矩阵： ma,b＝medianva,b4Ma,b＝[ma,b]∈Rm×m,a,b＝1,…m5其中，m表示传感器个数，N表示样本个数，va,b表示所有样本中第a个传感器数据和第b个传感器数据之间的皮尔逊相关系数组成的向量；median·表示取中位数，ma,b表示所有样本中第a个传感器数据和第b个传感器数据之间的皮尔逊相关系数的中位数，Ma,b表示经过中位数计算后的新矩阵；基于中位数组成的矩阵，采用层次聚类算法进行聚类得到多组聚类数据；针对每组聚类数据，采用特征提取模块提取故障特征；针对分类任务和对比学习任务，分别基于Hadamard乘积将每组聚类数据对应提取的故障特征进行特征融合，进而基于特征融合方式得到的特征计算损失函数；利用分类任务和对比学习任务各自损失函数构成的总损失实现能源互联网故障诊断模型的训练；所述的能源互联网故障诊断模型包括特征提取模块部分以及分类任务中的网络模块部分。
全文数据：
权利要求：
百度查询： 黑龙江大学 基于数据融合的能源互联网故障诊断模型训练方法及诊断方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号