基于多元异构模型数据融合的配电网停电故障研判

叶宁 江慧

作者简介：叶宁（1984— ），女，湖北黄冈人，工程师，硕士；研究方向：智能电网SCADA系统，分层分布式的大容量系统自动化软件平台。

摘要：配电网停电故障是影响电力供应可靠性的主要因素之一，为了提高故障研判的准确性和效率，文章提出了一种基于多元异构模型数据融合的配电网停电故障研判方法。该方法将不同类型的数据和模型进行整合，通过数据清洗、特征提取、数据对齐和模型融合等技术，得到更全面、更准确的故障研判结果。文章采用了支持向量机、朴素贝叶斯、决策树等模型，并结合现场实际情况，对配电网停电故障进行研判。实验结果表明，此方法可以有效地提高故障研判的准确性和效率。

关键词：多元异构模型；数据融合；停电研判

中图分类号：TM76  文献标志码：A

0  引言

近年来，随着电力行业的快速发展，配电网停电故障成了影响电力供应可靠性的主要因素之一。传统的故障研判方法往往只能通过少量的数据和简单的模型进行分析，难以满足实际需求。因此，如何利用各种异构数据和模型，提高故障研判的准确性和效率，成了当前研究的热点问题。

目前，停电研判软件多以电网运行数据、设备信息等为基础，对接收到的停电事件进行分析，建立线路、配变之间数据关联，实现配网故障研判［1-3］。随着信息化技术的发展，在多元异构模型数据融合方面，许多学者开展了大量的研究工作。例如：通过基于信息对象的多元信息融合模型，杨强等［4］提出了事件级和对象级2级关联决策思路；方国强等［5］提出了一种基于机器学习的多元异构网络数据安全传输方法，能够有效减少数据传输时延，并减少数据传输中断情况与数据丢包率，提高数据传输安全和效率；通过基于数据融合技术与可视化技术，对多元异构网络数据进行融合，可以提高使用者对网络安全态势识别与感知的能力［6-7］。然而，在配电网停电故障研判方面，尚缺乏基于多元异构模型数据融合的研究。

因此，本文提出了一种基于多元异构模型数据融合的配电网停电故障研判方法。该方法将不同类型的数据和模型进行整合，通过数据清洗、特征提取、数据对齐和模型融合等技术，得到更全面、更準确的故障研判结果。具体来说，本文采用了支持向量机、朴素贝叶斯、决策树等模型，并结合现场实际情况，对配电网停电故障进行研判。实验结果表明，本文提出的方法可以有效地提高故障研判的准确性和效率。

1  多元异构模型

多元异构模型是指由多个不同类型的模型组合而成的模型。这些模型可以是统计模型、机器学习模型、神经网络模型等。多元异构模型的优点在于可以充分利用不同模型的优势，提高模型的预测能力和准确度。同时，多元异构模型也可以避免单一模型的缺陷和局限性，提高模型的鲁棒性和稳定性。例如：在进行图像描述任务时，除了图像本身的信息，还可以利用文本信息、语音信息等多种类型的数据来帮助生成描述语句。

多元异构模型的构建需要考虑以下几个方面：（1）数据预处理：不同类型的数据需要采用不同的预处理方法，例如：图像需要进行裁剪、缩放、归一化等操作，而文本需要进行分词、向量化等操作。（2）模型设计：多元异构模型需要设计合适的结构，以将不同类型的数据融合在一起。常见的结构包括交叉注意力机制、多模态融合网络等。（3）损失函数设计：多元异构模型需要设计合适的损失函数，以充分利用不同类型数据的信息。常见的损失函数包括交叉熵、均方误差等。

多元异构模型在自然语言处理、计算机视觉、语音识别等领域都有广泛的应用。例如：图像描述、视频分类、语音识别等任务均可以采用多元异构模型进行处理。

1.1  模型分析

在多元异构模型数据来源中，针对同一对象或关联的原始信息都可能具有不同的显示形态或格式，如文本、图像、视频、日志或其他格式数据等，它们可能是结构化或非结构化的。

为了实现多元异构模型的数据融合，需要构建统一的模型，本文提出了按照多元异构模型的特点构建对应的特征模型库，并建立多个特征模型之间的关联关系。

1.2  特征模型库

特征模型是对特定领域内多元异构模型的共性和变化性的抽象，由一组特征和它们之间的关系构成［8］。

根据不同的多元异构模型构建特征模型库，每个特征模型包含特征属性、特征描述和特征关系等，如图1所示。

2  数据融合

多元异构模型的数据融合是指将多种不同类型的数据和模型结合起来，从而提高数据处理和分析的效率和准确性的技术。这种技术可以将不同来源的数据、不同类型的模型和不同的算法进行整合，从而得到更全面、更准确的结果。

在多元异构模型与数据融合中，需要考虑如何解决不同数据源之间的差异、不同模型之间的差异以及如何将不同数据和模型整合在一起。为了解决这些问题，本文设计并采用一系列的数据处理与分析技术，包含数据清洗、特征提取、数据对齐和模型融合等，如图2所示。

2.1  数据清洗

在多元异构模型数据融合的过程中，数据清洗是非常重要的一步。因为不同数据源收集到的数据质量和格式可能会有所不同，有些数据可能会存在缺失、异常或错误的情况，如果不进行清洗，可能会影响融合结果的准确性。

数据清洗的步骤主要包括以下几个方面：（1）数据去重：在收集到的数据中，可能会存在重复的数据，需要进行去重操作，以避免重复计算和影响融合结果的准确性。（2）数据格式统一：不同数据源可能会采用不同的数据格式，需要将数据格式进行统一，以便进行后续的数据处理和融合。（3）缺失值处理：有些数据源可能会出现数据缺失的情况，需要进行缺失值处理，可以选择插值法、平均值填充等方法进行处理。（4）异常值处理：有些数据可能会出现异常值的情况，需要进行异常值处理，可以选择删除异常值或者使用平均值、中位数等代替异常值。（5）数据归一化：不同数据源采集到的数据可能处于不同的量级，需要进行数据归一化，以便进行后续的数据处理和融合。

通过以上数据清洗步骤，可以保证数据的质量和准确性，从而提高多元异构模型数据融合的准确性和效率。

2.2  特征提取

特征提取可以将原始数据转化为具有代表性的特征向量，依据定义的特征库以便进行后续的数据处理和融合。

常用的特征提取方法包括以下几种：（1）统计特征提取：对于数值型数据，可以提取其均值、方差、最大值、最小值、中位数等统计特征，以便进行后续的数据处理和融合。（2）频域特征提取：对于信号数据，可以通过傅里叶变换将其转化为频域数据，然后提取其频域特征，如能量、频率、频带宽度等。（3）时域特征提取：对于信号数据，可以直接从时域中提取特征，如波形形状、波峰、波谷、时间间隔等。（4）图像特征提取：对于图像数据，可以提取其颜色、纹理、形状等特征，以便进行后续的数据处理和融合。（5）文本特征提取：对于文本数据，可以采用词袋模型或者TF-IDF模型来提取文本特征，以便进行后续的数据处理和融合。

本文通过以上特征提取方法，可以将原始数据转化为具有代表性的特征向量，以便进行后续的数据处理和融合。同时，不同的特征提取方法适用于不同类型的数据，需要根据数据类型进行选择。

2.3  数据对齐

多元异构模型的数据可能来自不同类型的数据源，如关系型数据库、文本文件、日志文件等，这些数据源可能具有不同的数据结构和格式。

数据对齐是指将这些异构数据源中的数据，按照一定的规则和方式进行整合和对齐，使之能够在应用系统中进行联合查询和分析。

数据对齐的过程主要包括以下几个步骤：（1）数据源识别和抽取：识别数据源的类型和格式，并从中抽取出需要的数据。（2）数据转换和映射：将不同数据源的数据进行转换，使之能够在应用系统中进行联合查询和分析。这个过程通常需要进行数据映射，将不同数据源中相同的数据进行匹配和对齐。（3）数据清洗和预处理：对数据进行清洗和预处理，包括数据去重、数据格式标准化、缺失值填充等操作，以确保数据的质量和一致性。（4）数据存储和管理：将对齐后的数据存储到应用系统中的数据仓库或数据湖中，以便进行后续的分析和挖掘。

数据对齐是实现数据集成和数据共享的重要手段，可以更好地利用数据资源，并提高数据价值和应用效果。

2.4  模型融合

多元异构模型的模型融合是指将不同模型的结果进行整合，以提高模型的预测准确性和鲁棒性。

在多元异构模型中，针对不同数据源需要采用不同的模型进行分析和预测。例如：对于关系型数据库中的数据，可以采用传统的机器学习模型，如决策树、支持向量机等；而对于文本数据，可以采用深度学习模型，如卷积神经网络、循环神经网络等。模型融合可以将这些不同模型的结果进行整合，以提高预测准确性和鲁棒性。

本文所采用的模型融合方法主要包括以下几种：（1）投票法：将不同模型的预测结果进行投票，选取得票最多的结果作为最终预测结果。（2）加权平均法：给不同模型的预测结果分配不同的权重，将加权平均结果作为最终预测结果。（3）堆叠法：将不同模型的预测结果作为输入，训练一个新的模型，以获得更好的预测准确性和鲁棒性。

模型融合可以有效地提高预测准确性和鲁棒性，特别是在多元异构模型中，不同数据源需要采用不同的特征模型进行分析和预测时，更加重要和必要。

3  停电故障研判

基于多元异构模型数据融合的停电故障研判，深入分析配电网多源数据，建立配电网设备多元异构模型，通过对不同数据源的特征进行模型匹配计算，对电网实时运行数据、设备信息、用户信息等数据进行深度数据融合，将接收到的停电信息进行分析，达到配网故障的快速诊断和定位的目的，实现配网故障综合研判。

3.1  配电网设备模型

配电网设备多元异构模型包含设备名称、设备编码、设备类型、拓扑关系、电压等级和空间位置等基础特征；设备类型分为变电站、开关、主变、线路、配变和表计等类型，不同的设备类型又包含各自不同的特征模型，如变电站包含区域特征、开关包含类型特征和用途特征、线路包含长度特征和架设特征等，如图3所示。

3.2  停電故障研判策略

停电故障研判是以电网模型、电网实时运行数据、设备及用户信息等为依托，对开关动作、配电报警、客户报修、计划停电、营销停电等信息进行分类，分别进行各自的停电研判。

本文设计的停电故障研判策略（如图4所示）是以配网自动化系统、调度自动化系统、用户用电采集系统和生产管理系统等信息为基础［9］，通过构建配电网设备多元异构模型特征库，利用特征模型关系，对接收到所有的停电相关信息（开关动作信息、配变报警信息等配网故障信息、客户报修信息、计划停电信息）进行分析，完善停电信息的属性信息，并基于关键属性的突变等特性提取停电事件，通过关联决策算法软件对多个停电事件进行关联决策，达到配电网故障的快速诊断和定位的目的，实现配电网故障综合研判。

3.3  结果分析

收集从配网自动化系统、调度自动化系统、用户用电采集系统和生产管理系统等多个来源的数据，基于配电网多元异构模型进行数据融合，经过关联决策算法软件生成停电事件和记录报告。事件类型主要有故障停电、人工操作、就地操作、通道停止、配变故障、配变带电和配变失电等。

在多元异构模型数据融合算法的基础上，同时研发了停电研判关联决策算法软件，其主要包括停电研判、复电验证和报告分析等功能。通过对停电研判的结果和记录报告以及停电工单和复电验证工单等各类数据分析与统计，本文提出的基于多元异构模型数据融合的配电网停电故障研判，实现停电复电智能研判、运维抢修现场监督和故障抢修全过程管控，有效地提高了停电研判的准确性和效率，大大地提高配电网运行的自动化水平和配抢效率。

4  結语

本文提出了一种基于多元异构模型数据融合的配电网停电故障研判方法，通过对配电网各个系统的监测数据进行多元异构模型的构建和数据融合，实现对配电网停电故障的快速准确判断和定位。

未来，研究人员可以进一步探索多元异构模型数据融合的方法，并结合机器学习算法在配电网停电故障研判中的应用，以提高配电网的安全性和可靠性。

参考文献

［1］蒙小胖，李雁兵，李萌，等.基于多源配电网信息的停电研判方法研究［J］.电网与清洁能源，2021（12）：81-85.

［2］耿俊成，田琪，李晓露，等.基于多源信息的配电网停电故障研判［J］.上海电力学院学报，2018（6）：572-576.

［3］孙华杰．基于多源信息融合的配网抢修建模与优化研究［D］.济南：山东大学，2019.

［4］杨强，唐琳，廉新科，等.基于信息对象的多元信息融合模型［J］.指挥信息系统与技术，2021（5）：88-91.

［5］方国强，吴雪霁，包森成.基于机器学习的多元异构网络数据安全传输技术［J］.自动化技术与应用，2022（5）：107-109，149.

［6］白冰.基于可视化和数据融合技术的多元异构网络数据安全防护分析［J］.电子设计工程，2020（13）：137-140.

［7］黄昆，杨旭东，许珂，等.基于多元异构模型的大型电网企业网络安全态势分析［J］.电力信息与通信技术，2019（1）：72-77.

［8］易立，赵海燕，张伟，等.特征模型融合研究［J］.计算机学报，2013（1）：1-9.

［9］曹一家，刘毅，高振兴，等.一种大规模电网故障诊断的多智能体信息融合模型与方法［J］.电力自动化设备，2010（7）：14-17.

（编辑  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