基于多元異構模型數據融合的配電網停電故障研判

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SCADA系統，分層分布式的大容量系統自動化軟件平臺。

摘要：配電網停電故障是影響電力供應可靠性的主要因素之一，為了提高故障研判的準確性和效率，文章提出了一種基于多元異構模型數據融合的配電網停電故障研判方法。該方法將不同類型的數據和模型進行整合，通過數據清洗、特征提取、數據對齊和模型融合等技術，得到更全面、更準確的故障研判結果。文章采用了支持向量機、樸素貝葉斯、決策樹等模型，并結合現場實際情況，對配電網停電故障進行研判。實驗結果表明，此方法可以有效地提高故障研判的準確性和效率。

關鍵詞：多元異構模型；數據融合；停電研判

中圖分類號：TM76? 文獻標志碼：A

0? 引言

近年來，隨著電力行業的快速發展，配電網停電故障成了影響電力供應可靠性的主要因素之一。傳統的故障研判方法往往只能通過少量的數據和簡單的模型進行分析，難以滿足實際需求。因此，如何利用各種異構數據和模型，提高故障研判的準確性和效率，成了當前研究的熱點問題。

目前，停電研判軟件多以電網運行數據、設備信息等為基礎，對接收到的停電事件進行分析，建立線路、配變之間數據關聯，實現配網故障研判［1-3］。隨著信息化技術的發展，在多元異構模型數據融合方面，許多學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，楊強等［4］提出了事件級和對象級2級關聯決策思路；方國強等［5］提出了一種基于機器學習的多元異構網絡數據安全傳輸方法，能夠有效減少數據傳輸時延，并減少數據傳輸中斷情況與數據丟包率，提高數據傳輸安全和效率；通過基于數據融合技術與可視化技術，對多元異構網絡數據進行融合，可以提高使用者對網絡安全態勢識別與感知的能力［6-7］。然而，在配電網停電故障研判方面，尚缺乏基于多元異構模型數據融合的研究。

因此，本文提出了一種基于多元異構模型數據融合的配電網停電故障研判方法。該方法將不同類型的數據和模型進行整合，通過數據清洗、特征提取、數據對齊和模型融合等技術，得到更全面、更準確的故障研判結果。具體來說，本文采用了支持向量機、樸素貝葉斯、決策樹等模型，并結合現場實際情況，對配電網停電故障進行研判。實驗結果表明，本文提出的方法可以有效地提高故障研判的準確性和效率。

1? 多元異構模型

多元異構模型是指由多個不同類型的模型組合而成的模型。這些模型可以是統計模型、機器學習模型、神經網絡模型等。多元異構模型的優點在于可以充分利用不同模型的優勢，提高模型的預測能力和準確度。同時，多元異構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定性。例如：在進行圖像描述任務時，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據來幫助生成描述語句。

多元異構模型的構建需要考慮以下幾個方面：（1）數據預處理：不同類型的數據需要采用不同的預處理方法，例如：圖像需要進行裁剪、縮放、歸一化等操作，而文本需要進行分詞、向量化等操作。（2）模型設計：多元異構模型需要設計合適的結構，以將不同類型的數據融合在一起。常見的結構包括交叉注意力機制、多模態融合網絡等。（3）損失函數設計：多元異構模型需要設計合適的損失函數，以充分利用不同類型數據的信息。常見的損失函數包括交叉熵、均方誤差等。

多元異構模型在自然語言處理、計算機視覺、語音識別等領域都有廣泛的應用。例如：圖像描述、視頻分類、語音識別等任務均可以采用多元異構模型進行處理。

1.1? 模型分析

在多元異構模型數據來源中，針對同一對象或關聯的原始信息都可能具有不同的顯示形態或格式，如文本、圖像、視頻、日志或其他格式數據等，它們可能是結構化或非結構化的。

為了實現多元異構模型的數據融合，需要構建統一的模型，本文提出了按照多元異構模型的特點構建對應的特征模型庫，并建立多個特征模型之間的關聯關系。

1.2? 特征模型庫

特征模型是對特定領域內多元異構模型的共性和變化性的抽象，由一組特征和它們之間的關系構成［8］。

根據不同的多元異構模型構建特征模型庫，每個特征模型包含特征屬性、特征描述和特征關系等，如圖1所示。

2? 數據融合

多元異構模型的數據融合是指將多種不同類型的數據和模型結合起來，從而提高數據處理和分析的效率和準確性的技術。這種技術可以將不同來源的數據、不同類型的模型和不同的算法進行整合，從而得到更全面、更準確的結果。

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

2.1? 數據清洗

在多元異構模型數據融合的過程中，數據清洗是非常重要的一步。因為不同數據源收集到的數據質量和格式可能會有所不同，有些數據可能會存在缺失、異常或錯誤的情況，如果不進行清洗，可能會影響融合結果的準確性。

數據清洗的步驟主要包括以下幾個方面：（1）數據去重：在收集到的數據中，可能會存在重復的數據，需要進行去重操作，以避免重復計算和影響融合結果的準確性。（2）數據格式統一：不同數據源可能會采用不同的數據格式，需要將數據格式進行統一，以便進行后續的數據處理和融合。（3）缺失值處理：有些數據源可能會出現數據缺失的情況，需要進行缺失值處理，可以選擇插值法、平均值填充等方法進行處理。（4）異常值處理：有些數據可能會出現異常值的情況，需要進行異常值處理，可以選擇刪除異常值或者使用平均值、中位數等代替異常值。（5）數據歸一化：不同數據源采集到的數據可能處于不同的量級，需要進行數據歸一化，以便進行后續的數據處理和融合。

通過以上數據清洗步驟，可以保證數據的質量和準確性，從而提高多元異構模型數據融合的準確性和效率。

2.2? 特征提取

特征提取可以將原始數據轉化為具有代表性的特征向量，依據定義的特征庫以便進行后續的數據處理和融合。

常用的特征提取方法包括以下幾種：（1）統計特征提取：對于數值型數據，可以提取其均值、方差、最大值、最小值、中位數等統計特征，以便進行后續的數據處理和融合。（2）頻域特征提取：對于信號數據，可以通過傅里葉變換將其轉化為頻域數據，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：對于信號數據，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：對于圖像數據，可以提取其顏色、紋理、形狀等特征，以便進行后續的數據處理和融合。（5）文本特征提取：對于文本數據，可以采用詞袋模型或者TF-IDF模型來提取文本特征，以便進行后續的數據處理和融合。

本文通過以上特征提取方法，可以將原始數據轉化為具有代表性的特征向量，以便進行后續的數據處理和融合。同時，不同的特征提取方法適用于不同類型的數據，需要根據數據類型進行選擇。

2.3? 數據對齊

多元異構模型的數據可能來自不同類型的數據源，如關系型數據庫、文本文件、日志文件等，這些數據源可能具有不同的數據結構和格式。

數據對齊是指將這些異構數據源中的數據，按照一定的規則和方式進行整合和對齊，使之能夠在應用系統中進行聯合查詢和分析。

數據對齊的過程主要包括以下幾個步驟：（1）數據源識別和抽取：識別數據源的類型和格式，并從中抽取出需要的數據。（2）數據轉換和映射：將不同數據源的數據進行轉換，使之能夠在應用系統中進行聯合查詢和分析。這個過程通常需要進行數據映射，將不同數據源中相同的數據進行匹配和對齊。（3）數據清洗和預處理：對數據進行清洗和預處理，包括數據去重、數據格式標準化、缺失值填充等操作，以確保數據的質量和一致性。（4）數據存儲和管理：將對齊后的數據存儲到應用系統中的數據倉庫或數據湖中，以便進行后續的分析和挖掘。

數據對齊是實現數據集成和數據共享的重要手段，可以更好地利用數據資源，并提高數據價值和應用效果。

2.4? 模型融合

多元異構模型的模型融合是指將不同模型的結果進行整合，以提高模型的預測準確性和魯棒性。

在多元異構模型中，針對不同數據源需要采用不同的模型進行分析和預測。例如：對于關系型數據庫中的數據，可以采用傳統的機器學習模型，如決策樹、支持向量機等；而對于文本數據，可以采用深度學習模型，如卷積神經網絡、循環神經網絡等。模型融合可以將這些不同模型的結果進行整合，以提高預測準確性和魯棒性。

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

模型融合可以有效地提高預測準確性和魯棒性，特別是在多元異構模型中，不同數據源需要采用不同的特征模型進行分析和預測時，更加重要和必要。

3? 停電故障研判

基于多元異構模型數據融合的停電故障研判，深入分析配電網多源數據，建立配電網設備多元異構模型，通過對不同數據源的特征進行模型匹配計算，對電網實時運行數據、設備信息、用戶信息等數據進行深度數據融合，將接收到的停電信息進行分析，達到配網故障的快速診斷和定位的目的，實現配網故障綜合研判。

3.1? 配電網設備模型

配電網設備多元異構模型包含設備名稱、設備編碼、設備類型、拓撲關系、電壓等級和空間位置等基礎特征；設備類型分為變電站、開關、主變、線路、配變和表計等類型，不同的設備類型又包含各自不同的特征模型，如變電站包含區域特征、開關包含類型特征和用途特征、線路包含長度特征和架設特征等，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模型、電網實時運行數據、設備及用戶信息等為依托，對開關動作、配電報警、客戶報修、計劃停電、營銷停電等信息進行分類，分別進行各自的停電研判。

本文設計的停電故障研判策略（如圖4所示）是以配網自動化系統、調度自動化系統、用戶用電采集系統和生產管理系統等信息為基礎［9］，通過構建配電網設備多元異構模型特征庫，利用特征模型關系，對接收到所有的停電相關信息（開關動作信息、配變報警信息等配網故障信息、客戶報修信息、計劃停電信息）進行分析，完善停電信息的屬性信息，并基于關鍵屬性的突變等特性提取停電事件，通過關聯決策算法軟件對多個停電事件進行關聯決策，達到配電網故障的快速診斷和定位的目的，實現配電網故障綜合研判。

3.3? 結果分析

收集從配網自動化系統、調度自動化系統、用戶用電采集系統和生產管理系統等多個來源的數據，基于配電網多元異構模型進行數據融合，經過關聯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。

在多元異構模型數據融合算法的基礎上，同時研發了停電研判關聯決策算法軟件，其主要包括停電研判、復電驗證和報告分析等功能。通過對停電研判的結果和記錄報告以及停電工單和復電驗證工單等各類數據分析與統計，本文提出的基于多元異構模型數據融合的配電網停電故障研判，實現停電復電智能研判、運維搶修現場監督和故障搶修全過程管控，有效地提高了停電研判的準確性和效率，大大地提高配電網運行的自動化水平和配搶效率。

4? 結語

本文提出了一種基于多元異構模型數據融合的配電網停電故障研判方法，通過對配電網各個系統的監測數據進行多元異構模型的構建和數據融合，實現對配電網停電故障的快速準確判斷和定位。

未來，研究人員可以進一步探索多元異構模型數據融合的方法，并結合機器學習算法在配電網停電故障研判中的應用，以提高配電網的安全性和可靠性。

參考文獻

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

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

［3］孫華杰．基于多源信息融合的配網搶修建模與優化研究［D］.濟南：山東大學，2019.

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

［5］方國強，吳雪霽，包森成.基于機器學習的多元異構網絡數據安全傳輸技術［J］.自動化技術與應用，2022（5）：107-109，149.

［6］白冰.基于可視化和數據融合技術的多元異構網絡數據安全防護分析［J］.電子設計工程，2020（13）：137-140.

［7］黃昆，楊旭東，許珂，等.基于多元異構模型的大型電網企業網絡安全態勢分析［J］.電力信息與通信技術，2019（1）：72-77.

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

［9］曹一家，劉毅，高振興，等.一種大規模電網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