一种储能多模态数据融合方法、系统、设备、介质和产品与流程
本发明涉及储能系统数据处理,尤其涉及一种储能多模态数据融合方法、系统、设备、介质和产品。
背景技术:
1、储能电站的安全运行与状态评估高度依赖电压、电流、温度、荷电状态等多种模态感知数据的综合分析。如何有效融合这些多源异构数据,以支撑状态估计、故障诊断等应用,是储能智能运维领域的核心技术问题。现有多模态数据融合方法主要包括早期融合、晚期融合、固定权重融合以及基于传统注意力机制的融合方法。早期融合在输入层直接拼接多模态原始数据,通过统一神经网络进行特征提取,但忽略了各模态数据质量的差异,容易被低质量模态污染。晚期融合对各模态分别提取特征后在决策层进行简单平均或投票,虽可隔离模态间干扰,但难以充分捕捉跨模态的关联信息。固定权重融合为各模态分配预设的固定权重,无法适应数据质量的动态变化。传统注意力机制虽可自动计算模态权重,但未考虑数据质量因素,可能给低质量数据分配过高权重,反而加剧融合偏差。
2、上述方法在应对储能电站复杂多变的实际运行环境时,其固有缺陷日益突出:当某模态数据因传感器故障、传输丢包或强电磁干扰而出现缺失、噪声或异常突变时,现有融合方法缺乏有效的降权或剔除机制,低质量数据会直接污染融合特征。此外,不同模态数据在传感器精度、采集稳定性等方面存在差异,且这些差异随运行环境变化而动态改变,但现有方法的融合权重要么预设固定、要么仅基于特征内容计算,缺乏对模态数据质量本身的动态感知能力。
3、更为关键的是,现有方法常采用分阶段训练策略,即先训练特征提取网络,再单独训练融合模块,导致质量评估标准与下游任务目标之间缺乏协同;即便部分方法采用端到端架构,也往往缺乏针对融合权重的有效约束机制(如熵正则化),导致模型无法根据任务损失反向精准地修正质量评估网络对低质量数据的误判。这种质量评估与下游任务目标之间缺乏协同优化机制的问题,直接导致质量感知能力无法根据任务反馈动态修正、融合权重与数据真实可信度持续偏差,严重制约了融合结果的可靠性。
技术实现思路
1、本发明提供了一种储能多模态数据融合方法、系统、设备、介质和产品,解决了现有多模态数据融合方法中质量评估标准与下游任务目标之间缺乏端到端协同优化机制,导致质量感知能力无法根据任务反馈动态修正、融合权重与数据真实可信度持续偏差,进而造成融合结果可靠性不足的技术问题。
2、本发明第一方面提供的一种储能多模态数据融合方法,包括:
3、获取储能系统的多个模态数据,分别对各所述模态数据进行时序特征提取,输出各模态对应的特征向量;
4、基于各所述模态数据对应的原始采样值,计算各所述模态对应的统计质量指标;
5、分别将各所述模态对应的统计质量指标和特征向量输入质量评估网络进行模态质量评估,生成各所述模态对应的质量分数;
6、将各所述模态对应的质量分数转换为质量偏置项,对各所述模态对应的特征向量进行软注意力操作,得到各所述模态对应的融合权重;
7、根据各所述模态对应的融合权重对全部所述特征向量进行加权聚合,生成融合特征向量;
8、将所述融合特征向量输入下游任务网络,计算所述下游任务网络输出的任务损失值,并以所述任务损失值与所述融合权重的熵正则化损失值的联合加权值作为总损失值;
9、基于所述总损失值调整执行所述时序特征提取、所述模态质量评估、所述软注意力操作及所述下游任务网络所涉及的参数,调整后的参数用于下一次执行所述时序特征提取。
10、可选地,所述分别对各所述模态数据进行时序特征提取,输出各模态对应的特征向量的步骤,包括:
11、对各所述模态数据的采样频率进行一致性判断,将采样频率不一致的模态数据进行时序对齐,得到目标模态数据;
12、分别通过与各所述目标模态数据对应的一维卷积神经网络,对各所述目标模态数据进行卷积映射和非线性变换,生成各所述模态对应的第一时序特征图;
13、分别对各所述第一时序特征图进行下采样,生成各所述模态对应的第二时序特征图;
14、分别对各所述第二时序特征图进行全局下采样,生成各所述模态对应的全局特征向量;
15、将各所述全局特征向量输入全连接层进行维度变换,输出各所述模态对应的特征向量。
16、可选地,所述基于各所述模态数据对应的原始采样值,计算各所述模态对应的统计质量指标的步骤,包括:
17、计算各所述模态数据的信号方差与噪声方差之间的比值,作为各所述模态对应的信噪比;
18、统计各所述模态数据的缺失采样点数占总采样点数的比值,作为各所述模态对应的数据完整率;
19、对各所述模态数据的原始采样值进行滑动窗口划分,计算各所述滑动窗口内原始采样值的标准差,并根据各所述标准差的方差确定各所述模态对应的方差稳定性;
20、获取各所述模态数据的当前实测值,根据所述当前实测值与物理模型期望值的偏差,结合所述当前实测值所属模态对应的合理取值范围,确定各所述模态对应的物理一致性。
21、可选地,所述分别将各所述模态对应的统计质量指标和特征向量输入质量评估网络进行模态质量评估,生成各所述模态对应的质量分数的步骤,包括:
22、将各所述模态对应的统计质量指标组合为各所述模态对应的统计质量向量;
23、将各所述模态对应的统计质量向量与对应的特征向量进行拼接,生成各所述模态对应的拼接向量;
24、将各所述模态对应的拼接向量输入多层感知机进行特征映射,生成各所述模态对应的中间评估值;
25、采用s型函数将各所述模态对应的中间评估值映射至预设区间,得到各所述模态对应的质量分数。
26、可选地,所述将各所述模态对应的质量分数转换为质量偏置项,对各所述模态对应的特征向量进行软注意力操作,得到各所述模态对应的融合权重的步骤,包括:
27、采用全部所述模态对应的特征向量进行拼接,构建全局拼接向量;
28、对所述全局拼接向量进行线性映射,生成全局查询向量;
29、将各所述模态对应的特征向量同时作为各所述模态对应的键向量和值向量;
30、堆叠全部所述模态对应的键向量生成键矩阵,并堆叠全部所述模态对应的值向量生成值矩阵;
31、将各所述模态对应的质量分数加上预设数值后取对数,生成各所述模态对应的质量偏置项;
32、计算所述全局查询向量与所述键矩阵的乘积,经缩放后与各所述模态对应的质量偏置项相加,得到各所述模态对应的注意力分数;
33、将各所述模态对应的注意力分数进行归一化处理,得到各所述模态对应的融合权重。
34、可选地,所述将所述融合特征向量输入下游任务网络,计算所述下游任务网络输出的任务损失值,并以所述任务损失值与所述融合权重的熵正则化损失值的联合加权值作为总损失值的步骤,包括:
35、计算下游任务网络的输出数据与对应的任务值之间的差值,生成任务损失值;
36、计算各所述模态对应的融合权重的熵的相反数,生成熵正则化损失值;
37、将所述任务损失值与所述熵正则化损失值进行加权求和,生成总损失值。
38、本发明第二方面提供的一种储能多模态数据融合系统,包括:
39、特征提取模块,用于获取储能系统的多个模态数据,分别对各所述模态数据进行时序特征提取,输出各模态对应的特征向量;
40、统计质量计算模块,用于基于各所述模态数据对应的原始采样值,计算各所述模态对应的统计质量指标;
41、质量评估模块,用于分别将各所述模态对应的统计质量指标和特征向量输入质量评估网络进行模态质量评估,生成各所述模态对应的质量分数;
42、注意力计算模块,用于将各所述模态对应的质量分数转换为质量偏置项,对各所述模态对应的特征向量进行软注意力操作,得到各所述模态对应的融合权重;
43、融合模块,用于根据各所述模态对应的融合权重对全部所述特征向量进行加权聚合,生成融合特征向量;
44、损失计算模块,用于将所述融合特征向量输入下游任务网络,计算所述下游任务网络输出的任务损失值,并以所述任务损失值与所述融合权重的熵正则化损失值的联合加权值作为总损失值;
45、参数更新模块,用于基于所述总损失值调整执行所述时序特征提取、所述模态质量评估、所述软注意力操作及所述下游任务网络所涉及的参数,调整后的参数用于下一次执行所述时序特征提取。
46、本发明第三方面提供的一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述的储能多模态数据融合方法的步骤。
47、本发明第四方面提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述所述的储能多模态数据融合方法。
48、本发明第五方面提供的一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,其中,当所述程序指令被计算机执行时,使所述计算机执行如上述所述的储能多模态数据融合方法。
49、从以上技术方案可以看出,本发明具有以下优点:
50、本发明通过质量感知驱动的软注意力机制与端到端联合训练策略,实现融合权重的动态优化与异常干扰的自适应抑制。本发明首先对各模态数据进行时序特征提取,并基于原始采样值计算信噪比、完整率、方差稳定性和物理一致性等统计质量指标,完成对各模态数据可信度的量化评估。随后将统计质量指标与特征向量共同输入质量评估网络,生成各模态的质量分数,该分数直接反映了各模态数据在当前时刻的可靠程度。在此基础上,本方法将质量分数作为偏置项引入软注意力计算,使质量分数低的低质量模态自动获得更低的融合权重,高质量模态对应分配更高融合权重,实现融合权重随模态数据质量动态自适应调整。当某一模态受传感器故障、传输丢包、强电磁干扰影响,出现数据缺失、噪声或异常突变时,其统计质量指标劣化、对应质量分数降低,该模态的融合权重被自动压低,能够抑制低质量、异常数据对融合特征的污染,规避了传统融合方法易被劣质数据干扰的缺陷。同时,本发明将时序特征提取、模态质量评估、软注意力权重计算与下游任务网络构建为统一端到端计算图,以下游任务损失与融合权重熵正则化损失的联合加权值作为总损失完成全局参数迭代优化。一方面,任务损失梯度可反向回传至质量评估网络与时序特征提取模块,实现质量评估标准与下游储能运维任务目标的协同优化,解决了传统分阶段训练导致的模块脱节、权重偏差无法修正的问题;另一方面,熵正则化损失约束融合权重分布,避免模型过度依赖单一模态。
51、通过上述质量感知驱动的软注意力机制,融合权重不再依赖人工预设或固定规则,而是根据各模态数据质量的实时变化自动调整,低质量模态被动态降权、高质量模态优先融合,有效解决了融合权重难以动态优化的问题。同时通过端到端协同训练赋予质量评估网络任务导向的感知能力,缩小融合权重与数据真实可信度的偏差,能够提升多模态融合结果在复杂、多变、存在异常干扰的储能运行场景下的鲁棒性与可靠性。最终,本发明输出高可信的质量感知融合特征向量,为下游任务提供可靠支撑,改善了现有多模态融合方法可靠性不足、适配性差的技术缺陷。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com