葉寧 江慧

作者簡介：葉寧（1984— ），女，湖北黃岡人，工程師，碩士；研究方向：智能電網(wǎng)SCADA系統(tǒng)，分層分布式的大容量系統(tǒng)自動化軟件平臺。

摘要：配電網(wǎng)停電故障是影響電力供應(yīng)可靠性的主要因素之一，為了提高故障研判的準(zhǔn)確性和效率，文章提出了一種基于多元異構(gòu)模型數(shù)據(jù)融合的配電網(wǎng)停電故障研判方法。該方法將不同類型的數(shù)據(jù)和模型進(jìn)行整合，通過數(shù)據(jù)清洗、特征提取、數(shù)據(jù)對齊和模型融合等技術(shù)，得到更全面、更準(zhǔn)確的故障研判結(jié)果。文章采用了支持向量機(jī)、樸素貝葉斯、決策樹等模型，并結(jié)合現(xiàn)場實(shí)際情況，對配電網(wǎng)停電故障進(jìn)行研判。實(shí)驗結(jié)果表明，此方法可以有效地提高故障研判的準(zhǔn)確性和效率。

關(guān)鍵詞：多元異構(gòu)模型；數(shù)據(jù)融合；停電研判

中圖分類號：TM76? 文獻(xiàn)標(biāo)志碼：A

0? 引言

近年來，隨著電力行業(yè)的快速發(fā)展，配電網(wǎng)停電故障成了影響電力供應(yīng)可靠性的主要因素之一。傳統(tǒng)的故障研判方法往往只能通過少量的數(shù)據(jù)和簡單的模型進(jìn)行分析，難以滿足實(shí)際需求。因此，如何利用各種異構(gòu)數(shù)據(jù)和模型，提高故障研判的準(zhǔn)確性和效率，成了當(dāng)前研究的熱點(diǎn)問題。

目前，停電研判軟件多以電網(wǎng)運(yùn)行數(shù)據(jù)、設(shè)備信息等為基礎(chǔ)，對接收到的停電事件進(jìn)行分析，建立線路、配變之間數(shù)據(jù)關(guān)聯(lián)，實(shí)現(xiàn)配網(wǎng)故障研判［1-3］。隨著信息化技術(shù)的發(fā)展，在多元異構(gòu)模型數(shù)據(jù)融合方面，許多學(xué)者開展了大量的研究工作。例如：通過基于信息對象的多元信息融合模型，楊強(qiáng)等［4］提出了事件級和對象級2級關(guān)聯(lián)決策思路；方國強(qiáng)等［5］提出了一種基于機(jī)器學(xué)習(xí)的多元異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)安全傳輸方法，能夠有效減少數(shù)據(jù)傳輸時延，并減少數(shù)據(jù)傳輸中斷情況與數(shù)據(jù)丟包率，提高數(shù)據(jù)傳輸安全和效率；通過基于數(shù)據(jù)融合技術(shù)與可視化技術(shù)，對多元異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行融合，可以提高使用者對網(wǎng)絡(luò)安全態(tài)勢識別與感知的能力［6-7］。然而，在配電網(wǎng)停電故障研判方面，尚缺乏基于多元異構(gòu)模型數(shù)據(jù)融合的研究。

因此，本文提出了一種基于多元異構(gòu)模型數(shù)據(jù)融合的配電網(wǎng)停電故障研判方法。該方法將不同類型的數(shù)據(jù)和模型進(jìn)行整合，通過數(shù)據(jù)清洗、特征提取、數(shù)據(jù)對齊和模型融合等技術(shù)，得到更全面、更準(zhǔn)確的故障研判結(jié)果。具體來說，本文采用了支持向量機(jī)、樸素貝葉斯、決策樹等模型，并結(jié)合現(xiàn)場實(shí)際情況，對配電網(wǎng)停電故障進(jìn)行研判。實(shí)驗結(jié)果表明，本文提出的方法可以有效地提高故障研判的準(zhǔn)確性和效率。

1? 多元異構(gòu)模型

多元異構(gòu)模型是指由多個不同類型的模型組合而成的模型。這些模型可以是統(tǒng)計模型、機(jī)器學(xué)習(xí)模型、神經(jīng)網(wǎng)絡(luò)模型等。多元異構(gòu)模型的優(yōu)點(diǎn)在于可以充分利用不同模型的優(yōu)勢，提高模型的預(yù)測能力和準(zhǔn)確度。同時，多元異構(gòu)模型也可以避免單一模型的缺陷和局限性，提高模型的魯棒性和穩(wěn)定性。例如：在進(jìn)行圖像描述任務(wù)時，除了圖像本身的信息，還可以利用文本信息、語音信息等多種類型的數(shù)據(jù)來幫助生成描述語句。

多元異構(gòu)模型的構(gòu)建需要考慮以下幾個方面：（1）數(shù)據(jù)預(yù)處理：不同類型的數(shù)據(jù)需要采用不同的預(yù)處理方法，例如：圖像需要進(jìn)行裁剪、縮放、歸一化等操作，而文本需要進(jìn)行分詞、向量化等操作。（2）模型設(shè)計：多元異構(gòu)模型需要設(shè)計合適的結(jié)構(gòu)，以將不同類型的數(shù)據(jù)融合在一起。常見的結(jié)構(gòu)包括交叉注意力機(jī)制、多模態(tài)融合網(wǎng)絡(luò)等。（3）損失函數(shù)設(shè)計：多元異構(gòu)模型需要設(shè)計合適的損失函數(shù)，以充分利用不同類型數(shù)據(jù)的信息。常見的損失函數(shù)包括交叉熵、均方誤差等。

多元異構(gòu)模型在自然語言處理、計算機(jī)視覺、語音識別等領(lǐng)域都有廣泛的應(yīng)用。例如：圖像描述、視頻分類、語音識別等任務(wù)均可以采用多元異構(gòu)模型進(jìn)行處理。

1.1? 模型分析

在多元異構(gòu)模型數(shù)據(jù)來源中，針對同一對象或關(guān)聯(lián)的原始信息都可能具有不同的顯示形態(tài)或格式，如文本、圖像、視頻、日志或其他格式數(shù)據(jù)等，它們可能是結(jié)構(gòu)化或非結(jié)構(gòu)化的。

為了實(shí)現(xiàn)多元異構(gòu)模型的數(shù)據(jù)融合，需要構(gòu)建統(tǒng)一的模型，本文提出了按照多元異構(gòu)模型的特點(diǎn)構(gòu)建對應(yīng)的特征模型庫，并建立多個特征模型之間的關(guān)聯(lián)關(guān)系。

1.2? 特征模型庫

特征模型是對特定領(lǐng)域內(nèi)多元異構(gòu)模型的共性和變化性的抽象，由一組特征和它們之間的關(guān)系構(gòu)成［8］。

根據(jù)不同的多元異構(gòu)模型構(gòu)建特征模型庫，每個特征模型包含特征屬性、特征描述和特征關(guān)系等，如圖1所示。

2? 數(shù)據(jù)融合

多元異構(gòu)模型的數(shù)據(jù)融合是指將多種不同類型的數(shù)據(jù)和模型結(jié)合起來，從而提高數(shù)據(jù)處理和分析的效率和準(zhǔn)確性的技術(shù)。這種技術(shù)可以將不同來源的數(shù)據(jù)、不同類型的模型和不同的算法進(jìn)行整合，從而得到更全面、更準(zhǔn)確的結(jié)果。

在多元異構(gòu)模型與數(shù)據(jù)融合中，需要考慮如何解決不同數(shù)據(jù)源之間的差異、不同模型之間的差異以及如何將不同數(shù)據(jù)和模型整合在一起。為了解決這些問題，本文設(shè)計并采用一系列的數(shù)據(jù)處理與分析技術(shù)，包含數(shù)據(jù)清洗、特征提取、數(shù)據(jù)對齊和模型融合等，如圖2所示。

2.1? 數(shù)據(jù)清洗

在多元異構(gòu)模型數(shù)據(jù)融合的過程中，數(shù)據(jù)清洗是非常重要的一步。因為不同數(shù)據(jù)源收集到的數(shù)據(jù)質(zhì)量和格式可能會有所不同，有些數(shù)據(jù)可能會存在缺失、異?；蝈e誤的情況，如果不進(jìn)行清洗，可能會影響融合結(jié)果的準(zhǔn)確性。

數(shù)據(jù)清洗的步驟主要包括以下幾個方面：（1）數(shù)據(jù)去重：在收集到的數(shù)據(jù)中，可能會存在重復(fù)的數(shù)據(jù)，需要進(jìn)行去重操作，以避免重復(fù)計算和影響融合結(jié)果的準(zhǔn)確性。（2）數(shù)據(jù)格式統(tǒng)一：不同數(shù)據(jù)源可能會采用不同的數(shù)據(jù)格式，需要將數(shù)據(jù)格式進(jìn)行統(tǒng)一，以便進(jìn)行后續(xù)的數(shù)據(jù)處理和融合。（3）缺失值處理：有些數(shù)據(jù)源可能會出現(xiàn)數(shù)據(jù)缺失的情況，需要進(jìn)行缺失值處理，可以選擇插值法、平均值填充等方法進(jìn)行處理。（4）異常值處理：有些數(shù)據(jù)可能會出現(xiàn)異常值的情況，需要進(jìn)行異常值處理，可以選擇刪除異常值或者使用平均值、中位數(shù)等代替異常值。（5）數(shù)據(jù)歸一化：不同數(shù)據(jù)源采集到的數(shù)據(jù)可能處于不同的量級，需要進(jìn)行數(shù)據(jù)歸一化，以便進(jìn)行后續(xù)的數(shù)據(jù)處理和融合。

通過以上數(shù)據(jù)清洗步驟，可以保證數(shù)據(jù)的質(zhì)量和準(zhǔn)確性，從而提高多元異構(gòu)模型數(shù)據(jù)融合的準(zhǔn)確性和效率。

2.2? 特征提取

特征提取可以將原始數(shù)據(jù)轉(zhuǎn)化為具有代表性的特征向量，依據(jù)定義的特征庫以便進(jìn)行后續(xù)的數(shù)據(jù)處理和融合。

常用的特征提取方法包括以下幾種：（1）統(tǒng)計特征提?。簩τ跀?shù)值型數(shù)據(jù)，可以提取其均值、方差、最大值、最小值、中位數(shù)等統(tǒng)計特征，以便進(jìn)行后續(xù)的數(shù)據(jù)處理和融合。（2）頻域特征提?。簩τ谛盘枖?shù)據(jù)，可以通過傅里葉變換將其轉(zhuǎn)化為頻域數(shù)據(jù)，然后提取其頻域特征，如能量、頻率、頻帶寬度等。（3）時域特征提取：對于信號數(shù)據(jù)，可以直接從時域中提取特征，如波形形狀、波峰、波谷、時間間隔等。（4）圖像特征提取：對于圖像數(shù)據(jù)，可以提取其顏色、紋理、形狀等特征，以便進(jìn)行后續(xù)的數(shù)據(jù)處理和融合。（5）文本特征提?。簩τ谖谋緮?shù)據(jù)，可以采用詞袋模型或者TF-IDF模型來提取文本特征，以便進(jìn)行后續(xù)的數(shù)據(jù)處理和融合。

本文通過以上特征提取方法，可以將原始數(shù)據(jù)轉(zhuǎn)化為具有代表性的特征向量，以便進(jìn)行后續(xù)的數(shù)據(jù)處理和融合。同時，不同的特征提取方法適用于不同類型的數(shù)據(jù)，需要根據(jù)數(shù)據(jù)類型進(jìn)行選擇。

2.3? 數(shù)據(jù)對齊

多元異構(gòu)模型的數(shù)據(jù)可能來自不同類型的數(shù)據(jù)源，如關(guān)系型數(shù)據(jù)庫、文本文件、日志文件等，這些數(shù)據(jù)源可能具有不同的數(shù)據(jù)結(jié)構(gòu)和格式。

數(shù)據(jù)對齊是指將這些異構(gòu)數(shù)據(jù)源中的數(shù)據(jù)，按照一定的規(guī)則和方式進(jìn)行整合和對齊，使之能夠在應(yīng)用系統(tǒng)中進(jìn)行聯(lián)合查詢和分析。

數(shù)據(jù)對齊的過程主要包括以下幾個步驟：（1）數(shù)據(jù)源識別和抽?。鹤R別數(shù)據(jù)源的類型和格式，并從中抽取出需要的數(shù)據(jù)。（2）數(shù)據(jù)轉(zhuǎn)換和映射：將不同數(shù)據(jù)源的數(shù)據(jù)進(jìn)行轉(zhuǎn)換，使之能夠在應(yīng)用系統(tǒng)中進(jìn)行聯(lián)合查詢和分析。這個過程通常需要進(jìn)行數(shù)據(jù)映射，將不同數(shù)據(jù)源中相同的數(shù)據(jù)進(jìn)行匹配和對齊。（3）數(shù)據(jù)清洗和預(yù)處理：對數(shù)據(jù)進(jìn)行清洗和預(yù)處理，包括數(shù)據(jù)去重、數(shù)據(jù)格式標(biāo)準(zhǔn)化、缺失值填充等操作，以確保數(shù)據(jù)的質(zhì)量和一致性。（4）數(shù)據(jù)存儲和管理：將對齊后的數(shù)據(jù)存儲到應(yīng)用系統(tǒng)中的數(shù)據(jù)倉庫或數(shù)據(jù)湖中，以便進(jìn)行后續(xù)的分析和挖掘。

數(shù)據(jù)對齊是實(shí)現(xiàn)數(shù)據(jù)集成和數(shù)據(jù)共享的重要手段，可以更好地利用數(shù)據(jù)資源，并提高數(shù)據(jù)價值和應(yīng)用效果。

2.4? 模型融合

多元異構(gòu)模型的模型融合是指將不同模型的結(jié)果進(jìn)行整合，以提高模型的預(yù)測準(zhǔn)確性和魯棒性。

在多元異構(gòu)模型中，針對不同數(shù)據(jù)源需要采用不同的模型進(jìn)行分析和預(yù)測。例如：對于關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)，可以采用傳統(tǒng)的機(jī)器學(xué)習(xí)模型，如決策樹、支持向量機(jī)等；而對于文本數(shù)據(jù)，可以采用深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。模型融合可以將這些不同模型的結(jié)果進(jìn)行整合，以提高預(yù)測準(zhǔn)確性和魯棒性。

本文所采用的模型融合方法主要包括以下幾種：（1）投票法：將不同模型的預(yù)測結(jié)果進(jìn)行投票，選取得票最多的結(jié)果作為最終預(yù)測結(jié)果。（2）加權(quán)平均法：給不同模型的預(yù)測結(jié)果分配不同的權(quán)重，將加權(quán)平均結(jié)果作為最終預(yù)測結(jié)果。（3）堆疊法：將不同模型的預(yù)測結(jié)果作為輸入，訓(xùn)練一個新的模型，以獲得更好的預(yù)測準(zhǔn)確性和魯棒性。

模型融合可以有效地提高預(yù)測準(zhǔn)確性和魯棒性，特別是在多元異構(gòu)模型中，不同數(shù)據(jù)源需要采用不同的特征模型進(jìn)行分析和預(yù)測時，更加重要和必要。

3? 停電故障研判

基于多元異構(gòu)模型數(shù)據(jù)融合的停電故障研判，深入分析配電網(wǎng)多源數(shù)據(jù)，建立配電網(wǎng)設(shè)備多元異構(gòu)模型，通過對不同數(shù)據(jù)源的特征進(jìn)行模型匹配計算，對電網(wǎng)實(shí)時運(yùn)行數(shù)據(jù)、設(shè)備信息、用戶信息等數(shù)據(jù)進(jìn)行深度數(shù)據(jù)融合，將接收到的停電信息進(jìn)行分析，達(dá)到配網(wǎng)故障的快速診斷和定位的目的，實(shí)現(xiàn)配網(wǎng)故障綜合研判。

3.1? 配電網(wǎng)設(shè)備模型

配電網(wǎng)設(shè)備多元異構(gòu)模型包含設(shè)備名稱、設(shè)備編碼、設(shè)備類型、拓?fù)潢P(guān)系、電壓等級和空間位置等基礎(chǔ)特征；設(shè)備類型分為變電站、開關(guān)、主變、線路、配變和表計等類型，不同的設(shè)備類型又包含各自不同的特征模型，如變電站包含區(qū)域特征、開關(guān)包含類型特征和用途特征、線路包含長度特征和架設(shè)特征等，如圖3所示。

3.2? 停電故障研判策略

停電故障研判是以電網(wǎng)模型、電網(wǎng)實(shí)時運(yùn)行數(shù)據(jù)、設(shè)備及用戶信息等為依托，對開關(guān)動作、配電報警、客戶報修、計劃停電、營銷停電等信息進(jìn)行分類，分別進(jìn)行各自的停電研判。

本文設(shè)計的停電故障研判策略（如圖4所示）是以配網(wǎng)自動化系統(tǒng)、調(diào)度自動化系統(tǒng)、用戶用電采集系統(tǒng)和生產(chǎn)管理系統(tǒng)等信息為基礎(chǔ)［9］，通過構(gòu)建配電網(wǎng)設(shè)備多元異構(gòu)模型特征庫，利用特征模型關(guān)系，對接收到所有的停電相關(guān)信息（開關(guān)動作信息、配變報警信息等配網(wǎng)故障信息、客戶報修信息、計劃停電信息）進(jìn)行分析，完善停電信息的屬性信息，并基于關(guān)鍵屬性的突變等特性提取停電事件，通過關(guān)聯(lián)決策算法軟件對多個停電事件進(jìn)行關(guān)聯(lián)決策，達(dá)到配電網(wǎng)故障的快速診斷和定位的目的，實(shí)現(xiàn)配電網(wǎng)故障綜合研判。

3.3? 結(jié)果分析

收集從配網(wǎng)自動化系統(tǒng)、調(diào)度自動化系統(tǒng)、用戶用電采集系統(tǒng)和生產(chǎn)管理系統(tǒng)等多個來源的數(shù)據(jù)，基于配電網(wǎng)多元異構(gòu)模型進(jìn)行數(shù)據(jù)融合，經(jīng)過關(guān)聯(lián)決策算法軟件生成停電事件和記錄報告。事件類型主要有故障停電、人工操作、就地操作、通道停止、配變故障、配變帶電和配變失電等。

在多元異構(gòu)模型數(shù)據(jù)融合算法的基礎(chǔ)上，同時研發(fā)了停電研判關(guān)聯(lián)決策算法軟件，其主要包括停電研判、復(fù)電驗證和報告分析等功能。通過對停電研判的結(jié)果和記錄報告以及停電工單和復(fù)電驗證工單等各類數(shù)據(jù)分析與統(tǒng)計，本文提出的基于多元異構(gòu)模型數(shù)據(jù)融合的配電網(wǎng)停電故障研判，實(shí)現(xiàn)停電復(fù)電智能研判、運(yùn)維搶修現(xiàn)場監(jiān)督和故障搶修全過程管控，有效地提高了停電研判的準(zhǔn)確性和效率，大大地提高配電網(wǎng)運(yùn)行的自動化水平和配搶效率。

4? 結(jié)語

本文提出了一種基于多元異構(gòu)模型數(shù)據(jù)融合的配電網(wǎng)停電故障研判方法，通過對配電網(wǎng)各個系統(tǒng)的監(jiān)測數(shù)據(jù)進(jìn)行多元異構(gòu)模型的構(gòu)建和數(shù)據(jù)融合，實(shí)現(xiàn)對配電網(wǎng)停電故障的快速準(zhǔn)確判斷和定位。

未來，研究人員可以進(jìn)一步探索多元異構(gòu)模型數(shù)據(jù)融合的方法，并結(jié)合機(jī)器學(xué)習(xí)算法在配電網(wǎng)停電故障研判中的應(yīng)用，以提高配電網(wǎng)的安全性和可靠性。

參考文獻(xiàn)

［1］蒙小胖，李雁兵，李萌，等.基于多源配電網(wǎng)信息的停電研判方法研究［J］.電網(wǎng)與清潔能源，2021（12）：81-85.

［2］耿俊成，田琪，李曉露，等.基于多源信息的配電網(wǎng)停電故障研判［J］.上海電力學(xué)院學(xué)報，2018（6）：572-576.

［3］孫華杰．基于多源信息融合的配網(wǎng)搶修建模與優(yōu)化研究［D］.濟(jì)南：山東大學(xué)，2019.

［4］楊強(qiáng)，唐琳，廉新科，等.基于信息對象的多元信息融合模型［J］.指揮信息系統(tǒng)與技術(shù)，2021（5）：88-91.

［5］方國強(qiáng)，吳雪霽，包森成.基于機(jī)器學(xué)習(xí)的多元異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)安全傳輸技術(shù)［J］.自動化技術(shù)與應(yīng)用，2022（5）：107-109，149.

［6］白冰.基于可視化和數(shù)據(jù)融合技術(shù)的多元異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)安全防護(hù)分析［J］.電子設(shè)計工程，2020（13）：137-140.

［7］黃昆，楊旭東，許珂，等.基于多元異構(gòu)模型的大型電網(wǎng)企業(yè)網(wǎng)絡(luò)安全態(tài)勢分析［J］.電力信息與通信技術(shù)，2019（1）：72-77.

［8］易立，趙海燕，張偉，等.特征模型融合研究［J］.計算機(jī)學(xué)報，2013（1）：1-9.

［9］曹一家，劉毅，高振興，等.一種大規(guī)模電網(wǎng)故障診斷的多智能體信息融合模型與方法［J］.電力自動化設(shè)備，2010（7）：14-17.

（編輯? 王永超）

Power outage research and judgment based on data fusion of multiple heterogeneous modelsYe? Ning， Jiang? Hui

（Guodian Nanjing Automation Co.， Ltd.， Nanjing 211100， China）

Abstract：? Distribution network outage fault is one of the main factors affecting the reliability of power supply. In order to improve the accuracy and efficiency of fault diagnosis， this paper proposes a distribution network outage fault diagnosis method based on data fusion of multiple heterogeneous models.This method integrates different types of data and models， and obtains more comprehensive and accurate fault diagnosis results through data cleaning， feature extraction， data alignment and model fusion.Specifically， this paper adopts support vector machine， naive Bayes， decision tree and other models， combined with the actual situation of the field， to study and judge the distribution network outage fault.Experimental results show that the proposed method can effectively improve the accuracy and efficiency of fault diagnosis.

Key words： multivariate heterogeneous model; data fusion; power failure research and judgment