武漢大學電力智能感知及認知團隊

本團隊隸屬武漢大學電氣與自動化學院以及智能電網研究院，結合國家重大需求和電力數字化轉型的學科前沿，長期從事電力非結構化大數據的成像感知、跨模態融合和知識認知等領域的研究，已形成芯片級視覺邊緣智能、智能感知終端、特征級數據融合技術、全過程安全管控等從感知到認知序列的特色鮮明的研究方向。

作者介紹

王紅霞，博士研究生，研究方向為電力大數據及融合。

王波，教授，博士生導師，武漢大學電氣工程學院電力工程系副主任， IEEE高級會員，電力系統保護與控制青年編委會成員，IEEE PES中國區技術理事會副秘書長。

主要從事電力深度視覺、邊緣計算、電力大數據以及可控負荷等領域的研究。主持國家自然科學基金3項，國家重點研發計劃課題1項，國家科技支撐計劃課題1項。在IEEE Transactions on Smart Grid, IEEE Transactions on Instrumentation & Measurement等國際刊物上發表第一作者（通信作者）論文60余篇，入選領跑者F5000計劃2篇。研究成果獲得湖北省科技進步獎、貴州省科技進步獎、中國電力行業信息化成果獎等省部級獎勵5次。

董旭柱，教授，博士生導師，教授級高級工程師，國家智能電網重點研發計劃項目責任專家，IEC市場戰略局（MSB）中國國家委員會會員， 國際大電網委員會(CIGRE)成員等。先后承擔或參與科研項目60余項，其中省部級以上科研項目4項，國際合作項目3項。

主要研究方向智能配電網、多物理場、電力芯片，先后發表國內外期刊論文 50 余篇，在國內外學術會議報告50余場，參編國標和行標7項，編制企業技術標準1項，授權專利20余項。

姚良忠，教授，博士生導師，IET 會士（IET Fellow）及注冊工程師，IEEE 高級會員，國際大電網CIGRE會員，國際電工委員會IEC TC122“特高壓交流輸電系統”技術標準化委員會主席， IEC TC8 JWG10 “分布式電源接入電網”標準工作組召集人。

主要研究方向為大規模新能源發電及并網技術、智能電網技術、規模化電動汽車隨機接入電網、規模化儲能應用、直流輸電及直流電網技術等，國內外期刊及會議發表論文200余篇，獲國內外授權專利10余項，合著專著5部。

對多源電力感知終端產生的異構多參量數據進行融合分析，是實現電力物聯網下電力目標有效感知的關鍵。目前，電力多參量融合仍以同構多參量融合和決策級異構多參量融合為主，異構、多源的融合及分析技術薄弱，無法滿足電力物聯網下的異構多參量深度融合需求。該文提出一種適用于電力結構化時序參量和非結構化圖像參量的普適性融合框架，可用于電力對象的描述性、預測性或決策性分析。

研究背景

對多源電力感知終端產生的異構多參量數據進行融合分析，是實現電力物聯網和數字電網建設的關鍵。但目前電力多參量融合仍以同構多參量融合和決策級異構多參量融合為主，異構、多源的融合及分析技術薄弱，無法滿足電力物聯網下的異構多參量深度融合需求。

本文提出一種適用于電力結構化時序參量和非結構化圖像參量的普適性融合框架，可用于電力對象的描述性、預測性或決策性分析，有效提高電力感知的精確性和容錯性。

論文方法及創新點

圖１　基于電力時序參量和圖像參量的異構多參量融合整體框架

圖１為本文所提電力異構多參量融合整體框架，可對結構化電力時序參量和非結構化電力圖像參量進行有效融合。該融合框架采用特征級融合，即先根據數據形式及特點對各類參量進行特征提取，然后對特征進行有效融合，最后基于融合特征進行電力目標感知。

針對電力時序參量，首先將其轉化為適用于非線性混沌系統的多參量遞歸圖，使其和圖像數據具有相同的表征形式，然后采用淺層的卷積神經網絡進行特征提取；針對電力圖像參量，使用Faster R-CNN進行特征提取，并將ROI Pooling后第一個全連接層的輸出作為圖像提取特征；針對二類特征的融合，采用基于權重因子的拼接融合方法，為避免人為因素的干擾，將權重因子作為網絡參數，由訓練得到。

應用案例

案例1：對應拉力、微氣象參量和圖像數據進行融合，實現絕緣子覆冰等級感知，并對單參量輸入和融合感知模型進行精確性和容錯性對比，如表1至表3所示。

案例2：對溫度、濕度參量和紅外圖像數據進行融合，實現絕緣子污穢等級感知，并對單參量輸入和融合感知模型進行精確性和容錯性對比，如圖2和表4所示。

圖2　不同濕度范圍下兩類模型的表現

輸電線路覆冰等級感知和絕緣子污穢等級感知的場景說明，所提模型具有一定的普適性，可使異構參量相互補充和增強，充分挖掘不同參量之間的非線性關系，有效提高感知精確性和容錯性。

總結與展望

針對電力物聯網下感知多源、參量異構的數據現狀及高效利用的需求，從數據角度分析了各種數據融合模式及其優缺點，指出了特征級異構多參量融合模式的必要性。

提出了針對電力時序參量和圖像參量的特征級融合模型，該模型將電力時序參量轉換為多參量遞歸圖，用不同的卷積神經網絡對遞歸圖和圖像進行特征提取，并基于權重對二類特征進行融合和目標感知。

輸電線路覆冰等級感知和絕緣子污穢等級感知的場景說明，所提模型具有一定的普適性，可使異構參量相互補充和增強，充分挖掘不同參量之間的非線性關系，有效提高感知的精確性和容錯性。

引用本文

王紅霞， 王波， 董旭柱， 姚良忠， 張銳鋒， 馬富齊. 面向多源電力感知終端的異構多參量特征級融合：融合模式、融合框架與場景驗證[J]. 電工技術學報， 2021, 36(7): 1314-1323. Wang Hongxia, Wang Bo, Dong Xuzhu, Yao Liangzhong, Zhang Ruifeng, Ma Fuqi. Heterogeneous Multi-Parameter Feature-Level Fusion for Multi-Source Power Sensing Terminals: Fusion Mode, Fusion Framework and Application Scenarios. Transactions of China Electrotechnical Society, 2021, 36(7): 1314-1323.