[发明专利]一种多时空数据融合方法

说明书

本发明涉及电力系统中电力设备的状态评价方法，更具体地，涉及基于朴素贝叶斯和D‑S证据理论的多时空数据融合方法，首先对抽取相同时间内的多种配电设备监测数据，用这些数据训练朴素贝叶斯分类器，得到不同地区、不同时间段的基本概率分配值，然后运用D‑S证据融合理论对多时空数据进行融合，得到配电系统状态评估结果，提高了配电网系统处理多源数据的能力，为配电网进行状态检修提供了参考和依据。本发明允许训练样本和新样本中的电力设备监测设备分布在配电系统中的不同位置，设备数据采样周期不同，适应电力设备监测技术的不断发展。

技术领域

本发明涉及电力系统中电力设备的状态评价方法，更具体地，涉及基于朴 素贝叶斯和D-S证据理论的多时空数据融合方法。

背景技术

泛在电力物联网(electric Internet of Things,eIoT)是充分运用新一代信息通 讯技术，实现电力系统各个环节互相联系以及人机交互，具有状态全面感知、 信息高效处理等特征。eIoT发展的关键，是将先进的传感测量技术、信息通讯 技术、分析决策技术和自动控制技术相结合。泛在电力物联网中安装在不同地 区的传感器产生了海量的数据，从这些海量的数据中进行特征提取以及数据融 合是实现“透明电网”的关键。

对多源信息进行融合挖掘的方法主要有综合评估、机器学习、不确定性理 论等，综合评价理论包括层次分析法、专家系统等，依赖主观经验，不具备推 广价值，机器学习理论包括深度信念网络、支持向量机、随机森林等，通过输 入大量数据对模型进行训练，最终得到多源数据和输出之间的复杂映射关系， 但是往往由于数据的异构性导致模型性能不理想，不确定性理论包括贝叶斯网 络以及D-S证据理论，“苑津莎，何亚军，秦英.一种基于改进贝叶斯分类器的 基本信任分配构造方法[J].电测与仪表.2014,51(18):34-38.”采用改进贝叶斯 分类器给变压器设备进行故障分类进行信度分配，有效地提高了信度精度和诊 断准确率。“高湛军，李思远，彭正良，等.基于网络树状图和改进D-S证据理 论的配电网故障定位方法[J].电力自动化设备.2018,38(6):65-71.”将多种故障 信息进行综合，用改进D-S证据理论实现故障定位。然而，实际配电设备系统 中各类监测设备分布广泛，种类繁多，采样周期等各不相同，多时空监测设备 的数据融合仍然没有提出一个较好的解决方案。

发明内容

为了解决实际配电系统中广泛分布、采样频率各不相同的各类监测数据， 本发明提出了一种基于朴素贝叶斯和D-S证据理论相结合的多时空数据融合方 法，较好地解决了单一监测设备出现干扰数据的问题，提高了配电系统状态分 类的精度。

本发明的技术方案是：

一种多时空数据融合方法，包括以下步骤：

步骤1：收集n个监测设备采集的历史数据，作为朴素贝叶斯分类器的训 练样本；

步骤2：将训练样本输入到朴素贝叶斯分类器中进行训练，对于离散数据 和连续数据采用不同的贝叶斯公式计算似然概率，训练得到最终的朴素贝叶斯 分类器；

步骤3：对于每个实时配电设备状态评估周期均分为m个时段，采集的n 个监测设备m个时段内的监测数据，输入到朴素贝叶斯分类器中进行分类预测， 运用贝叶斯分类器输出基本概率分配值(Basic Probability Assignment，BPA)；

步骤4：运用D-S证据理论将同个时间段内的所有监测设备的BPA进行合 并；

步骤5：再次运用D-S证据理论将m个时间段内的BPA进行融合，最终得 出的分类结果为多时空数据融合后的BPA对应的类，其中找出最大的BPA对 应的类，该类就是最终评估周期内系统的状态评估结果。

其中详细步骤如下：

步骤1：收集n个监测设备采集的历史数据记为{S1_data,S2_data,...,Sn_data}，将其作为朴素贝叶斯分类器的训练样本；