泛在電力物聯(lián)網(wǎng)(electric internet of things, EIOT)是充分運(yùn)用新一代信息通信技術(shù),實(shí)現(xiàn)電力系統(tǒng)各個(gè)環(huán)節(jié)互相聯(lián)系以及人機(jī)交互,具有狀態(tài)全面感知、信息高效處理等特征。2019年初,國(guó)家電網(wǎng)提出了建設(shè)泛在電力物聯(lián)網(wǎng)的戰(zhàn)略。
EIOT發(fā)展的關(guān)鍵是將先進(jìn)的傳感測(cè)量技術(shù)、信息通信技術(shù)、分析決策技術(shù)和自動(dòng)控制技術(shù)相結(jié)合。泛在電力物聯(lián)網(wǎng)中被安裝在不同地區(qū)的傳感器產(chǎn)生了海量數(shù)據(jù),從這些海量數(shù)據(jù)中進(jìn)行特征提取以及數(shù)據(jù)融合是實(shí)現(xiàn)“透明電網(wǎng)”的關(guān)鍵。
對(duì)多源信息進(jìn)行融合挖掘的方法主要有綜合評(píng)估、機(jī)器學(xué)習(xí)、不確定性理論等。綜合評(píng)價(jià)理論包括層次分析法、專家系統(tǒng)等,依賴主觀經(jīng)驗(yàn),不具備推廣價(jià)值。
機(jī)器學(xué)習(xí)理論包括深度信念網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林等,通過(guò)輸入大量數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,最終得到多源數(shù)據(jù)和輸出之間的復(fù)雜映射關(guān)系,但是往往由于數(shù)據(jù)的異構(gòu)性導(dǎo)致模型性能不理想。
不確定性理論包括貝葉斯網(wǎng)絡(luò)以及D-S證據(jù)理論。有學(xué)者采用改進(jìn)貝葉斯分類器對(duì)變壓器設(shè)備進(jìn)行故障分類和信度分配,有效地提高了信度精度和診斷準(zhǔn)確率。有學(xué)者將多種故障信息進(jìn)行綜合,用改進(jìn)D-S證據(jù)理論實(shí)現(xiàn)故障定位。
考慮到實(shí)際配電設(shè)備系統(tǒng)中各類監(jiān)測(cè)設(shè)備分布廣泛、種類繁多、采樣周期各不相同等特點(diǎn),為解決多時(shí)空監(jiān)測(cè)設(shè)備的數(shù)據(jù)融合問(wèn)題,本文提出一種基于樸素貝葉斯分類與D-S證據(jù)理論相結(jié)合的多時(shí)空數(shù)據(jù)融合方法。
首先,抽取相同時(shí)間內(nèi)的多種配電設(shè)備監(jiān)測(cè)數(shù)據(jù),用這些數(shù)據(jù)訓(xùn)練樸素貝葉斯分類器,得到不同地區(qū)、不同時(shí)間段的基本概率分配值;然后,運(yùn)用D-S證據(jù)融合理論對(duì)多時(shí)空數(shù)據(jù)進(jìn)行融合,得到配電系統(tǒng)狀態(tài)評(píng)估結(jié)果,提高配電網(wǎng)系統(tǒng)處理多源數(shù)據(jù)的能力,為配電網(wǎng)進(jìn)行狀態(tài)檢修提供參考和依據(jù);最后,將本文提出的算法與其他機(jī)器學(xué)習(xí)方法相比較。實(shí)驗(yàn)結(jié)果表明了本文提出算法的有效性。
圖4 多時(shí)空數(shù)據(jù)融合算法的整體框架
為了解決泛在電力物聯(lián)網(wǎng)中分布廣泛的多種監(jiān)測(cè)設(shè)備的多源數(shù)據(jù)問(wèn)題,本文提出了一種多時(shí)空數(shù)據(jù)融合方法,采用樸素貝葉斯分類器輸出BPA,并運(yùn)用D-S證據(jù)理論實(shí)現(xiàn)了對(duì)多時(shí)空數(shù)據(jù)進(jìn)行融合,在處理多時(shí)段、多設(shè)備的數(shù)據(jù)挖掘融合上相比其他機(jī)器學(xué)習(xí)算法表現(xiàn)出明顯的優(yōu)勢(shì)。
隨著泛在電力物聯(lián)網(wǎng)的發(fā)展,多源數(shù)據(jù)挖掘融合技術(shù)的重要性會(huì)日漸凸顯,本文提出的多時(shí)空數(shù)據(jù)融合方法可以在一定程度上提高對(duì)多源數(shù)據(jù)的處理能力。