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！

龙图腾网获悉武汉大学;西安理工大学;武汉敏捷数云信息技术有限公司申请的专利一种考虑数据差异性的电力多模态特征级融合方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116738355B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310445810.7，技术领域涉及：G06F18/25；该发明授权一种考虑数据差异性的电力多模态特征级融合方法是由王红霞;王波;张嘉鑫;马恒瑞;马富齐;罗鹏;王雷雄;李怡凡设计研发完成，并于2023-04-23向国家知识产权局提交的专利申请。

本一种考虑数据差异性的电力多模态特征级融合方法在说明书摘要公布了：本发明公开了一种考虑数据差异性的电力多模态特征级融合方法，以电力多参量时间序列和图像数据为融合对象，分别对电力多参量时间序列和图像数据进行特征提取；然后使用余弦损失构建特征同化目标函数，对不同的特征进行统一描述，解决语义差异性问题；接着基于交叉损失熵建立特定数据与电力目标感知能力间的映射关系，并在此基础上提出融合权重决策机制，解决感知能力差异性问题；最后对不同的特征进行加权并进行电力目标感知。本发明一定程度上解决了现有电力多模态数据融合对多模态间的语义差异性和感知能力差异性考虑不足，融合效果有限，难以应对数据异常、噪声等问题，可为基于多模态数据融合的电力感知场景提供参考。

本发明授权一种考虑数据差异性的电力多模态特征级融合方法在权利要求书中公布了：1.一种考虑数据差异性的电力多模态特征级融合方法，其特征在于，包括以下步骤： S1、对电力多参量时间序列进行特征提取，获取时间序列特征向量； S2、对电力图像数据进行特征提取，获取图像特征向量； S3、对电力时间序列特征向量和电力图像特征向量进行特征同化； S4、分别基于二类特征向量进行感知能力评估，并基于此进行融合权重分配； 具体步骤如下： S41、分别对电力多参量时间序列特征和电力图像特征进行感知能力评估，如是分类问题，在ft后增加全连接层，并使用交叉损失熵进行感知能力评估，交叉损失熵如式2所示： 其中，lc为交叉损失熵；Pi为模型预测结果；Pi*为样本真实标签；n为样本数,Pi采用softmax进行计算，具体如式3所示， 其中，x＝[x1,x2…xm]，是softmax的输入，由softmax之前的网络参数决定；y为标签类别；m为类别数, 如是回归问题，则可增加全连接层，并以均方误差最小为目标，进行迭代训练，直到收敛，如式4所示 其中，MSE为均方误差函数；yi为模型预测结果；y*i为样本真实标签；n为样本数， S42、构建权重决策模块和权重损失对二类模态特征进行权重决策， 在模型结构方面，所构造的权重决策结构首先对电力多参量时间序列特征和图像特征进行拼接，然后分别经过2个2048维和1个2维的全连接层，最后使用softmax计算二类权重wt和wi， 如式3所示，softmax计算出的各类别的概率之和为1，故使用此方法能使得二类数据对应的融合权重之和为1， 在损失函数方面，如式5所示，本发明构造损失函数lw指导模型基于电力目标感知能力进行融合权重决策，其中，ls和li分别为电力多参量时间序列和电力图像对应的感知损失，为了最小化损失，模型会使式5中两个平方项趋向于0，从而使得交叉损失熵较大的支路对应较小的权重，而损失较小的支路对应较大的权重，即电力目标感知能力较强的支路对应较大的融合权重，反之电力目标感知能力较差的支路对应较小的融合权重， S5、基于权重对多模态特征进行拼接融合，并进一步特征提取与电力目标感知； S6、构造整体损失函数，并对模型进行训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉大学;西安理工大学;武汉敏捷数云信息技术有限公司，其通讯地址为：430067 湖北省武汉市武昌区八一路299号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。