基于數據驅動的電纜信息融合技術研究

王偉

遼寧省檢驗檢測認證中心（遼寧省產品質量監督檢驗院） 遼寧沈陽 110000

1 數據驅動算法的框架模型

多源電纜技術指標數據進入數據驅動框架后，提取各種指標信息的細節特征，并與當前故障模型數據庫中的信息進行比對，分析出故障類型和故障風險；啟動數據驅動引擎融合各種電纜風險信息，計算出風險權重比例關系，最后定位故障區域并輸出電纜風險的評估結果[1]。

假定傳輸到數據驅動引擎的故障類別只有兩種a 和b，所構成的故障特征集為，基于數據驅動的電力數據融合技術利用數據驅動框架綜合分析兩種故障值之間的相關性，并通過權重比例結果判斷出電纜發生故障的總體概率，將兩種電纜故障集合都視為隨機變量，則故障集合A 和B 之間的相關性（A，B）可表示為：

2 電纜數據特征除異與融合

多源數據特征匯聚到源節點后利用卡爾曼濾波算法去除冗余數據，卡爾曼濾波算法多用于解決非線性系統中的數據預估問題，基于先驗知識不斷地更新判斷準則，以準確輸出測量的估計值。以A類故障集合為例，在t+1 時刻的卡爾曼濾波方程可以表示為：

其中，E 表示A 類故障集合的最優期望函數，κ 表示全部數據特征之和。據公式（1）求出任意兩個故障類別特征之間的協方差矩陣，并確定相關的閾值參數即可對源節點進行濾波操作。卡爾曼濾波算法具有良好的迭代性能和收斂性能，可減少特征融合過程中異常值的擴散與傳播。在源節點數據融合中可能會產生異常數據，經卡爾曼濾波處理后會對個別數據的特征值產生影響，故需要對歸類的電纜故障特征數據進行除異處理。

利用標準差值和平均誤差值即可得到異常電纜數據的分布規律，在電纜信息融合的過程中剔除掉這些異常干擾數據[2]。將單一節點的除異方法拓展應用到全部節點中，保持各個節點之間的獨立性和連貫性，通常情況下除異處理后的電纜數據即可進行一致性融合，此時各源節點的測量值符合正態分布規律，引入融合節點支持程度的概念，用（表示節點p 對節點q 的支持程度）表示，并確定出融合節點之間的支持度關系矩陣：

利用融合節點之間的支持度關系矩陣，對電纜運行數據的一致性特征進行描述，可信度的值越高表明電纜存在故障的風險越大。

基于數據驅動算法框架的電纜信息融合技術，解決了傳統單一故障特征識別技術存在的電纜信息融合不準確、誤差高的問題，能通過對不同傳感器采集到的多源數據進行融合分析與判斷，提高電纜數據故障特征識別的精度[3]。

3 技術驗證

以某供電公司一段500m 長的L 型電纜為實驗研究對象，在電纜上均勻布置溫度傳感器、電流傳感器和電壓傳感器，電纜的其他相關參數及傳感器的布置情況分別如表1。

表1 實驗電纜的相關參數

測試的時間周期為24 小時，每個傳感器節點所采集到的電纜數據條目數量統計結果如表2 所示。

表2 傳感器數據統計（數據條目數量）

4 結語

針對現有電纜信息融合處理技術存在融合結果不準確的問題，提出基于數據驅動的電纜信息融合處理技術，構建一種數據驅動算法框架，提取出不同故障數據集中的特征，實現對數據的除異與融合處理。