面向多源電力感知終端的異構多參量特征級融合：融合模式、融合框架與場景驗證

王紅霞 王 波 董旭柱 姚良忠 張銳鋒 馬富齊

面向多源電力感知終端的異構多參量特征級融合：融合模式、融合框架與場景驗證

王紅霞1王 波1董旭柱1姚良忠1張銳鋒2馬富齊1

（1. 武漢大學電氣與自動化學院 武漢 430074 2. 貴州電力科學研究院 貴陽 550000）

對多源電力感知終端產生的異構多參量數(shù)據(jù)進行融合分析，是實現(xiàn)電力物聯(lián)網(wǎng)下電力目標有效感知的關鍵。目前，電力多參量融合仍以同構多參量融合和決策級異構多參量融合為主，異構、多源的融合及分析技術薄弱，無法滿足電力物聯(lián)網(wǎng)下的異構多參量深度融合需求。該文提出一種適用于電力結構化時序參量和非結構化圖像參量的普適性融合框架，可用于電力對象的描述性、預測性或決策性分析。首先考慮電力時序參量的時間和空間特性，將其轉換為適用于非線性混沌系統(tǒng)的遞歸圖，從而使其和非結構化電力圖像具有相同的描述空間；然后用卷積神經(jīng)網(wǎng)絡對二類參量進行特征提取，并對特征矩陣按權重進行拼接融合、全連接和目標感知；最后，以輸電線路覆冰等級感知和絕緣子污穢等級感知為應用場景，從精確性和容錯性角度對所提模型進行分析，驗證了所提模型的普適性。

多源電力感知終端 電力異構多參量 特征級融合 特征同化 多參量遞歸圖

0 引言

當前，隨著數(shù)字化基建[1]和電力物聯(lián)網(wǎng)[2]的逐步發(fā)展，電力感知終端在數(shù)量上越來越多、類型上越來越廣[3]，產生了海量電力異構多參量數(shù)據(jù)[4]，如何對這些數(shù)據(jù)進行充分挖掘利用，從而實現(xiàn)電力目標的有效感知，是電力物聯(lián)網(wǎng)建設和數(shù)字化轉型的關鍵[5]。

電力物聯(lián)網(wǎng)下多源感知終端產生的“多”參量包括以電力量測為代表的時間序列等結構化參量，也包括圖像、檢修報告等非結構化參量[4]，二者在物理意義和表征形式上有很大的差別，即電力異構多參量。對多參量進行融合，使其相互補充和增強，能有效提高電力感知的精確性；同時，當某一類或幾類參量由于感知終端老化、通信故障等出現(xiàn)偏差時，仍有其他類參量作為補充，感知方法仍然有效，能夠在一定程度上提高感知的容錯性[6-7]，可見，對多參量進行有效融合是充分利用數(shù)據(jù)，從而實現(xiàn)有效電力目標感知的基礎。

從數(shù)據(jù)融合的角度來看，電力多參量融合包括數(shù)據(jù)級[7-8]、特征級[9-11]和決策級[12-16]三個層次。三者在融合難度和感知精確度上依次遞減，在適用范圍和信息損失量上依次遞增。目前，電力多參量融合的特點可總結為以下兩點：

（1）同構多參量融合以結構化參量輸入[7-10,12-14]為主：融合數(shù)據(jù)源主要包括來自WAMS、SCADA等系統(tǒng)的電力參數(shù)量[7-8]和開關量[9]數(shù)據(jù)，以及來自各類傳感器的微氣象[12]和狀態(tài)監(jiān)測參量[13-14]等數(shù)據(jù)。盡管這些參量在物理意義和量綱上不同，但由于數(shù)據(jù)特性相似，可以看作是同一坐標體系下的參量，融合難度相對較小，故在三個層次均有應用。

（2）異構多參量融合以結構形式、物理意義不同的多參量為輸入，但由于各參量的表征空間不同，難以進行統(tǒng)一描述，融合難度大，故目前電力異構多參量融合[15-16]正在起步階段，且以融合難度最小、信息損失量最大的決策級融合為主?？梢?，目前電力多參量融合已有一定應用基礎，但跨類型、多維度的數(shù)據(jù)分析技術薄弱，狀態(tài)量之間的關聯(lián)分析挖掘能力不足[17]，對異構多參量進行融合的迫切需求與有限的技術手段之間的矛盾依舊突出。

綜上所述，多源異構電力感知數(shù)據(jù)的深度融合分析是電力物聯(lián)網(wǎng)建設的關鍵。但目前以同構多參量融合和決策級異構多參量融合為主的電力感知數(shù)據(jù)融合模式，已經(jīng)無法滿足電力物聯(lián)網(wǎng)深度融合需求?；诖?，本文提出一種適用于時序參量和圖像參量的電力異構多參量融合模型，該模型包括異構參量的特征同化、特征提取和特征融合及目標感知四部分，可對目標對象進行描述性分析、預測性分析或決策性分析。輸電線路覆冰等級感知和絕緣子污穢等級感知的應用場景表明，該方法具有一定的普適性，可有效提高感知的精確性和容錯性，為電力信息深度融合提供有效指導。

1 融合模式分析

電力多參量融合模式如圖1所示，電力多參量融合按照融合層次分為數(shù)據(jù)級、特征級和決策級三個層次。

圖1 電力多參量融合模式

數(shù)據(jù)級融合是最底層的融合，其首先對各類電力參量進行融合，然后對融合后的數(shù)據(jù)進行特征提取和目標感知。數(shù)據(jù)級融合對原始信息的質量要求較高，且往往要求數(shù)據(jù)為同構多參量，故僅在特定的場景有效。

特征級融合屬于中間層次的融合，其首先分別對各類參量進行特征提取，然后按照一定的融合準則對各參量特征進行融合，最后基于融合特征分析，獲得對目標對象的統(tǒng)一解釋。該層次的融合適用于同構多參量和異構多參量融合。但由于異構多參量之間的表征形式不統(tǒng)一，融合難度較大，故目前電力系統(tǒng)中應用較少。

決策級融合是最高層次的融合，其先由各類參量獨立對目標對象進行感知，然后依據(jù)一定的準則對各決策結果進行融合，得到最終的感知結果。決策級融合對數(shù)據(jù)類型要求低，對同構和異構多參量均具有適用性，是目前電力異構多參量融合的主要方法。

表1為從融合層次、信息損失量、感知精度等角度對三個層次融合的比較。由表1可知，相較于決策級融合，特征級融合信息損失量小，感知精度高，能夠更為準確地提取信息；同時，決策級融合有一定的局限性：在某些情況下，單一的參量僅描述目標某一維度的特征，無法獨自做出決策，故必須進行較為底層的深度融合。而目前電力異構多參量融合以決策級為主，對信息的挖掘不夠，不利于電力物聯(lián)網(wǎng)下的精確性目標感知。因此，亟需研究適用于異構多參量的特征級融合模型，從而實現(xiàn)數(shù)據(jù)的充分利用，提高電力目標感知的深度和廣度。

表1 各層次多參量融合比較

Tab.1 Fusion comparison for three levels

2 電力異構多參量融合框架

2.1 整體框架

圖2為本文所提電力異構多參量融合整體框架，其輸入為結構化電力時序參量和非結構化電力圖像參量，其中圖像參量可有多個類別，本章僅以單類為例進行說明，輸出可根據(jù)實際需求確定為分類或回歸。該融合框架采用特征級融合，即先根據(jù)數(shù)據(jù)形式及特點對各類參量進行特征提取，然后對特征進行有效融合，最后基于融合特征進行電力目標感知。

圖2 基于電力時序參量和圖像參量的異構多參量融合整體框架

針對電力圖像參量，由于其像素數(shù)一般較大，故可直接使用成熟的卷積神經(jīng)網(wǎng)絡進行特征提取，本文使用Faster R-CNN，并將ROI Pooling后第一個全連接層的輸出作為圖像提取特征。

針對二類特征的融合，采用基于權重因子的拼接融合方法，為避免人為因素的干擾，將權重因子作為網(wǎng)絡參數(shù)，由訓練得到。

2.2 模型訓練

本文所提電力異構多參量融合模型過程如下：

（1）以電力時序參量為輸入，以分類或回歸為輸出，訓練基于多參量遞歸圖的目標感知網(wǎng)絡。

（2）以電力圖像參量為輸入，以分類或回歸為輸出，訓練基于Faster R-CNN的目標感知網(wǎng)絡。

（3）對電力時序參量的目標感知網(wǎng)絡去除分類/回歸部分，對Faster R-CNN保留輸入至ROI Pooling后第一個全連接層之間的部分，將二者按照權重進行拼接融合，最后連接至用于提取融合數(shù)據(jù)特征的全連接層，以及用于目標感知的分類/回歸部分，構成融合模型。

（4）將特征提取部分的參數(shù)固定，以多時間序列和圖像參量對為輸入，以分類或回歸結果為輸出，對融合后的模型進行訓練。

其中，步驟（1）、步驟（2）和步驟（4）以相同的分類或回歸結果為輸出。

針對分類問題，以softmax計算輸入所屬類別的概率，如式（1）所示；以交叉熵損失最小為目標對網(wǎng)絡進行迭代訓練，直到收斂，如式（2）所示。

針對回歸問題，以方均誤差最小為目標，進行迭代訓練，直到收斂，如式（3）所示。

3 面向電力時序參量和圖像參量的特征提取及融合方法

本文將電力時序參量轉換為多參量遞歸圖，然后分別用不同的卷積神經(jīng)網(wǎng)絡對遞歸圖和圖像進行特征提取，最后基于權重對二類特征進行融合。

3.1 電力時序參量特征提取

本節(jié)介紹多參量遞歸圖的生成方法和用于遞歸圖特征提取的卷積神經(jīng)網(wǎng)絡結構。

3.1.1 多參量遞歸圖

1987年，J. P. Eckmann等[18]首次提出了遞歸圖（Recurrence Plot，RP），主要用于非線性動力系統(tǒng)的定性分析，是對時間序列進行周期性、混沌性和非平穩(wěn)性分析的重要方法，可以揭示時間序列的內部結構和平穩(wěn)性，給出有關相似性、信息量和預測性的先驗知識[19]。

本文將電力時序參量轉換為遞歸圖，然后進行特征提取的原因有以下兩點：①電力系統(tǒng)是典型的非線性[20]和混沌系統(tǒng)[21]，故使用遞歸圖對電力多源感知終端產生的量測時序數(shù)據(jù)進行分析，有利于提取時間序列之間及其內部的特性；②時間序列和圖像數(shù)據(jù)是異構多參量，需要對其進行特征同化，才能在相同的描述空間進行信息融合。

電力感知目標在某一時刻的狀態(tài)是一段時間內多參量共同作用的結果，故具有時間和空間特性。

參考文獻[22]，本文同時考慮電力感知目標狀態(tài)形成的時間和空間特性，用時間序列生成多參量遞歸圖，具體流程如下：

（2）歸一化處理。由于各時序參量之間單位及尺度不同，因此在計算遞歸矩陣之前，需要先進行歸一化處理，如式（4）所示。

可見，遞歸矩陣為對稱矩陣。本文定義的多參量遞歸矩陣表征了任意兩個時刻類時序參量之間的遞歸特性，即同時提取了時間和空間特性。

（4）生成遞歸圖。將多參量遞歸矩陣中的元素作為圖像的像素值，繪制多參量遞歸圖。

3.1.2 特征提取網(wǎng)絡

圖3 多參量遞歸圖特征提取網(wǎng)絡

3.2 電力圖像參量特征提取

圖4 圖像特征提取網(wǎng)絡

3.3 基于權重因子的特征融合方法

圖5 基于權重因子的特征融合網(wǎng)絡

4 場景驗證

4.1 仿真設置和評價指標

4.1.1 仿真設置

本節(jié)基于以下兩個場景進行仿真驗證：①輸電線路覆冰等級感知；②絕緣子污穢等級感知。

分別對基于時序參量、基于圖像參量以及基于時序和圖像參量融合的感知模型進行訓練和測試，進行以下仿真：①通過實驗結果對比驗證融合感知模型的精確性；②在某一參量不準確或存在誤差的情況下，將單參量輸入感知模型和融合感知模型進行對比，驗證后者的容錯性。

仿真中基于電力時序參量的感知模型均使用本文3.1節(jié)所提模型；基于電力圖像參量的感知模型均使用3.2節(jié)中Faster R-CNN；基于二類參量融合的感知模型均使用本文所提電力異構多參量融合感知模型。

4.1.2 評價指標

本文對輸電線路覆冰等級和配電電纜放電缺陷進行感知，兩個場景均是分類問題，故使用的評價指標包括精確率（Precision, P）、召回率（Recall, R）、平均精度（Average Presicion, AP）和平均召回率（Average Recall，AR）。精確率定義為：檢索到的目標中正確目標的比例，因此也可視作查準率；召回率的定義為：檢索到的目標占總目標的比例，因此也可視作查全率。

針對某一類目標，基于以下四個參數(shù)定義以上四個評價指標。①TP(True Positive)：預測為正例，實際為正例；②FP(False Positive)：預測為正例，實際為負例；③TN(True Negative)：預測為負例，實際為負例；④FN(False Negative)：預測為負例，實際為正例。

式中，為類別數(shù)。

4.2 場景1：輸電線路覆冰等級感知

本節(jié)以某省覆冰監(jiān)測系統(tǒng)中的數(shù)據(jù)為基礎，根據(jù)冰/積雪/霧凇橋接絕緣子串的程度，將輸電線路覆冰等級分為五類，然后基于所提模型對輸電線路覆冰等級進行感知。

該省覆冰監(jiān)測系統(tǒng)采集了傳感器參量和圖像參量，傳感器采集的時序參量包括溫度、濕度、瞬時風速、最大拉力、最大拉力時風偏角及最大拉力時傾斜角六類。傳感器參量每10min采集一次；圖像參量每2h采集一次。

為與以上基于單類數(shù)據(jù)輸入的覆冰等級感知方法進行對比，本節(jié)從精確性和容錯性角度對基于傳感器數(shù)據(jù)、基于圖像數(shù)據(jù)和基于多參量融合（六類傳感器參量和圖像參量）三類模型進行對比。

4.2.1 精確性驗證

對三種感知模型進行測試，結果見表2。

表2 場景1精確性對比

Tab.2 Precision comparison for Case1

由表2可知，融合感知模型的表現(xiàn)遠高于二類非融合的單輸入感知模型：相較于時序參量輸入模型，其平均精確率（AP）和平均召回率(AR)分別提高了11.64%和15.70%，較圖像參量輸入模型分別提高了10.18%和17.44%。

4.2.2 容錯性驗證

本節(jié)從測試集中隨機選取部分時序參量和圖像參量，分別對其進行異常處理，然后對單類型參量輸入模型和多參量融合模型進行測試，對比其平均精確率和召回率。進行異常處理的方式如下：

（1）時序參量：分別進行不同程度的數(shù)據(jù)缺失和數(shù)據(jù)異常處理，在進行測試時，對缺失的數(shù)據(jù)補以平均值進行測試。

（2）圖像參量：分別進行不同程度的遮擋和模糊處理。

表3為容錯性驗證仿真設置，表4和表5分別為二類仿真的AP和AR對比結果。在針對時序參量的容錯性驗證中，融合模型的AP和AR比時序參量輸入模型分別高27.09%和19.22%；在針對圖像參量的容錯性驗證中，融合模型的AP和AR比圖像輸入模型分別高18.07%和20.49%。對比表2和表4、表2和表5，融合感知模型的AR和AP與未經(jīng)異常處理的單類型數(shù)據(jù)輸入感知結果相近?？梢?，融合感知模型可有效提高感知的容錯性。

表3 容錯性驗證仿真設置

Tab.3 Fault-tolerance verification simulation settings

表4 基于時序參量的容錯性驗證

Tab.4 Fault-tolerance verification based on time series

表5 基于圖像參量的容錯性驗證

Tab.5 Fault-tolerance verification based on image data

4.2.3 小結

（1）融合感知模型具有較好的精確性：與非融合的單類參量輸入感知模型相比，融合感知模型從不同角度對覆冰等級進行了描述，可使多參量相互補充和增強，有效提高了感知的精確性。

（2）融合感知模型具有較好的容錯性：當某類數(shù)據(jù)質量下降或異常時，融合感知模型能充分利用正常數(shù)據(jù)進行感知分析；與異常數(shù)據(jù)輸入感知結果相比，有效提高了感知精確率和召回率；與正常數(shù)據(jù)輸入感知結果相比，具有相近或更優(yōu)的感知結果。

4.3 場景2：絕緣子污穢等級感知

絕緣子表面產生污穢時，流經(jīng)其表面的泄漏電流會產生熱效應，故可使用紅外圖像進行絕緣子污穢等級感知[28]。而泄漏電流大小除了與污穢程度有關外，還與濕度、溫度存在著復雜的非線性關系[29-30]。因此，利用紅外圖像進行絕緣子污穢等級感知時，需充分考慮濕度和溫度等氣象條件。

參照高壓電力設備外絕緣污穢等級GB/TKGO5582—93標準，在不同溫度、濕度條件下產生五個等級的污穢絕緣子，并拍攝紅外圖像作為樣本。

為與基于紅外圖像的非融合感知方法進行對比，本節(jié)從精確性和容錯性角度對基于紅外圖像和基于多參量融合（紅外、溫度和濕度）二類模型進行比較。

4.3.1 精確性驗證

對二類模型的AP和AR對比見表6。可見，融合感知模型的AP和AR較單類型輸入感知模型分別提高了12.79%和20.46%，有效提高了感知的精確性。

表6 場景2模型精確性比較

Tab.6 Model precision comparison for case2

由于濕度對污穢絕緣子產生的泄漏電流影響較大，故為驗證所提模型對電力目標各影響因素之間非線性關系的挖掘能力，對不同濕度范圍下兩類模型的表現(xiàn)進行比較，如圖6所示。可見，以濕度、溫度和紅外圖像為輸入的融合感知模型能在濕度較高時有效提高絕緣子污穢等級感知的精確性和召回率。

對以上現(xiàn)象進行分析：單獨以紅外圖像為輸入時，模型無法挖掘濕度和溫度與絕緣子污穢等級的關系，故在各濕度條件下表現(xiàn)較差；以濕度、溫度和紅外圖像為輸入的融合模型則會更好地挖掘氣象條件和熱輻射之間關系，從而有效提高污穢等級判別的準確率，且濕度越高感知效果提升越明顯。

4.3.2 容錯性驗證

參照4.2.2節(jié)，對紅外圖像進行異常處理，然后對基于紅外圖像的Faster R-CNN和基于溫度、濕度及紅外圖像的融合模型進行對比，驗證融合感知模型的容錯性，結果見表7。

表7 場景2容錯性驗證

Tab.7 Fault-tolerance verification for case 2

可見，對紅外圖像進行異常處理后，二類模型的AP和AR均明顯降低，但融合感知模型表現(xiàn)較好，具有較好的容錯性。

4.3.3 小結

（1）氣象條件與污穢絕緣子產生的泄露電流有密切關系，因此，利用紅外圖像進行絕緣子污穢等級感知時，有必要充分考慮氣象條件。

（2）本文所提融合感知模型可充分挖掘異構多參量之間的非線性關系，提高電力目標感知精確性。

5 結論

針對目前多源電力感知終端產生了大量電力異構多參量，但缺乏相應的深度融合感知手段，導致數(shù)據(jù)利用率不足、數(shù)據(jù)間關系難以挖掘的問題，本文提出了一種適用于電力時序參量和圖像參量的異構多參量融合框架，并基于不同的應用場景進行了驗證，所做工作主要有:

1）針對電力物聯(lián)網(wǎng)下感知多源、參量異構的數(shù)據(jù)現(xiàn)狀及高效利用的需求，從數(shù)據(jù)角度分析了各種數(shù)據(jù)融合模式及其優(yōu)缺點，指出了特征級異構多參量融合模式的必要性。

2）提出了針對電力時序參量和圖像參量的特征級融合模型，該模型將電力時序參量轉換為多參量遞歸圖，用不同的卷積神經(jīng)網(wǎng)絡對遞歸圖和圖像進行特征提取，并基于權重對二類特征進行融合和目標感知。

3）輸電線路覆冰等級感知和絕緣子污穢等級感知的場景說明，所提模型具有一定的普適性，可使異構參量相互補充和增強，充分挖掘不同參量之間的非線性關系，有效提高感知的精確性和容錯性。

[1]劉長杰. 數(shù)據(jù)中臺建設將把數(shù)字中國推向縱深—與國務院發(fā)展研究中心研究員李廣乾對話[J]. 中國發(fā)展觀察, 2020(增刊1): 86-90. Liu Changjie. The construction of the data center will push the digital China to a deeper level-dialogue with Li Guangqian, a researcher at the Development Research Center of the State Council[J]. China Development Observation, 2020(S1): 86-90.

[2]王毅, 陳啟鑫, 張寧, 等. 5G通信與泛在電力物聯(lián)網(wǎng)的融合: 應用分析與研究展望[J]. 電網(wǎng)技術, 2019, 43(5): 1575-1585. Wang Yi, Chen Qixin, Zhang Ning, et al. Fusion of the 5G communication and the ubiquitous electric internet of things: application analysis and research prospects[J]. Power System Technology, 2019, 43(5): 1575-1585.

[3]袁立明. 院士李立浧: 中國需要“透明電網(wǎng)”[J]. 地球, 2018(11): 40-41. Yuan Liming. Academician Li Licheng: China needs a "transparent power grid"[J]. The Earth, 2018(11): 40-41.

[4]葛磊蛟, 王守相, 王堯, 等. 多源異構的智能配用電數(shù)據(jù)存儲處理技術[J]. 電工技術學報, 2015, 30(增刊2): 159-168. Ge Leijiao, Wang Shouxiang, WangYao, et al. Storage and processing technology of the multi-source isomerized data for smart power distribution and utilization[J]. Transactions of China Electrotechnical Society , 2015, 30(S2): 159-168.

[5]Bedi G, Venayagamoorthy G K, Singh R, et al. Review of internet of things (IoT) in electric power and energy systems[J]. IEEE Internet of Things Journal, 2018, 5(2): 847-870.

[6]韓崇昭, 朱洪艷, 段戰(zhàn)勝. 多源信息融合[M]. 北京: 清華大學出版社, 2010.

[7]Fusco F, Tirupathi S, Gormally R. Power systems data fusion based on belief propagation[C]// 2017 IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT-Europe), Torino, 2017, DOI: 10. 1109/ISGTEurope. 2017. 8260301.

[8]魏大千, 王波, 劉滌塵, 等. 基于時序數(shù)據(jù)相關性挖掘的WAMS/SCADA數(shù)據(jù)融合方法[J]. 高電壓技術, 2016, 42(1): 315-320. Wei Daqian, Wang Bo, Liu Dichen, et al. WAMS/SCADA data fusion method based on time-series data correlation mining[J]. High Voltage Engineering, 2016, 42(1): 315-320.

[9]符玲. 基于信息測度的電力系統(tǒng)故障識別方法研究[D]. 成都: 西南交通大學, 2010.

[10]朱建全, 李穎, 譚偉. 基于特性融合的電力負荷建模[J]. 電網(wǎng)技術, 2015, 39(5): 1358-1364. Zhu Jianquan, Li Ying, Tan Wei. Characteristic fusion based on electric load modeling[J]. Power System Technology, 2015, 39(5): 1358-1364.

[11]甘偉焜. 基于紅外圖像的變壓器圖像處理方法研究[D]. 廣州: 華南理工大學, 2017.

[12]Jiao Zaibin, Wu Rundong. A new method to improve fault location accuracy in transmission line based on fuzzy multi-sensor data fusion[J]. IEEE Transactions on Smart Grid, 2019, 10(4): 4211-4220.

[13]孫曙光, 王銳雄, 杜太行, 等. 基于粗糙集與證據(jù)理論的交流接觸器預期電壽命預測[J]. 電工技術學報, 2020, 35(10): 2158-2169. Sun Shuguang, Wang Ruixiong, Du Taihang, et al. Expected electrical life prediction of AC contactor based on rough set and evidence theory[J]. Transactions of China Electrotechnical Society, 2020, 35(10): 2158-2169.

[14]吳潤澤, 陳文偉, 鄒英杰, 等. 基于多因素融合的電網(wǎng)高風險設備評估方法[J]. 電力系統(tǒng)保護與控制, 2018, 46(2): 1-7. Wu Runze, Chen Wenwei, Zou Yingjie, et al. Evaluation method of high risk equipment in power grid based on multiple factor fusion[J]. Power System Protection and Control , 2018, 46(2): 1-7.

[15]侯慧, 于士文, 肖祥, 等. 基于空間多源異構數(shù)據(jù)的臺風下輸電桿塔風險評估[J]. 電力系統(tǒng)自動化, 2020, 44(10): 127-137. Hou Hui, Yu Shiwen, Xiao Xiang, et al. Risk assessment of transmission tower in Typhoon based on spatial multi-source heterogeneous data[J]. Automation of Electric Power Systems, 2020, 44(10): 127-137.

[16]蔣逸雯, 彭明洋, 馬凱, 等. 多源異構數(shù)據(jù)融合的電力變壓器狀態(tài)評價方法[J]. 廣東電力, 2019, 32(9): 137-145. Jiang Yiwen, Peng Mingxiang, Ma Kai, et al. Evaluation method for power trannsformer conditions based on multi-source heterogeneous data fusion[J]. Guangdong Electric Power, 2019, 32(9): 137-145.

[17]王紅霞, 王波, 陳紅坤, 等. 電力數(shù)據(jù)融合: 基本概念、抽象化結構、關鍵技術和應用場景[J]. 供用電, 2020, 37(4): 24-32. Wang Hongxia, Wang Bo, Chen Hongkun, et al. Power data fusion: basic concepts, abstract structures, key technologies and application scenarios[J]. Distribution & Utilization, 2020, 37(4): 24-32.

[18]Eckmann J P, Kamphorst S O, Ruelle D. Recurrence plots of dynamical systems[J]. Europhysics Letters (EPL), 1987, 4(9): 973-977.

[19]侯俊博. 基于遞歸圖的腦電信號非線性動力學研究[D]. 秦皇島: 燕山大學, 2018.

[20]Wang Bin, Sun Kai, Xu Xin. Nonlinear modal decoupling based power system transient stability analysis[J]. IEEE Transactions on Power Systems, 2019, 34(6): 4889-4899.

[21]胡茗, 楊曉輝, 王毅. 基于魯棒反演滑模法的電力系統(tǒng)混沌控制[J]. 電測與儀表, 2019, 56(3): 129-132, 138. Hu Ming, Yang Xiaohui, Wang Yi. A chaos control in power system based on robust back-stepping sliding method[J]. Electrical Measurement & Instrumentation, 2019, 56(3): 129-132, 138.

[22]Chen Yun, Yang Hui. Self-organized neural network for the quality control of 12-lead ECG signals[J]. Physiological Measurement, 2012, 33(9): 1399-1418.

[23]Ren Shaoqing, He Kaiming, Girshick Ross, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 39(6): 1137-1149.

[24]虢韜, 楊恒, 時磊, 等. 基于Faster RCNN的絕緣子自爆缺陷識別[J]. 電瓷避雷器, 2019 (3): 183-189. Guo Tao, Yang Heng, Shi Lei, et al. Self-explosion defect identification of insulator based on Faster RCNN[J]. Insulators and Surge Arresters, 2019 (3): 183-189.

[25]蔣興良, 侯樂東, 韓興波, 等. 輸電線路導線覆冰扭轉特性的數(shù)值模擬[J]. 電工技術學報, 2020, 35(8): 1818-1826. Jiang Xingliang, Hou Ledong, Han Xingbo, et al. Numerical Simulation of torsion characteristics of transmission line conductor[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1818-1826.

[26]何青, 李軍輝, 鄧夢妍, 等. 架空輸電導線覆冰凍結系數(shù)計算及其影響因素分析[J]. 電工技術學報, 2019, 34(19): 4162-4169. He Qing, Li Junhui, Deng Mengyan, et al. Calculation and influencing factors of icing freezing coefficient of overhead transmission line[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4162-4169.

[27]林剛, 王波, 彭輝, 等. 基于強泛化卷積神經(jīng)網(wǎng)絡的輸電線路圖像覆冰厚度辨識[J]. 中國電機工程學報, 2018, 38(11): 3393-3401. Lin Gang, Wang Bo, Peng Hui, et al. Identification of icing thickness of transmission line based on strongly generalized convolutional neural network[J]. Proceeding of the CSEE, 2018, 38(11): 3393-3401.

[28]Liu Lishuai, Mei Hongwei, Guo Chenjun, et al. Pixel-level classification of pollution severity on insulators using photothermal radiometry and multi-class semi-supervised support vector machine[J]. IEEE Transactions on Industrial Informatics, 2021, 17(1): 441-449.

[29]焦尚彬, 劉丁, 鄭崗, 等. 基于模糊邏輯方法的高壓絕緣子污穢程度評定[J]. 電力系統(tǒng)自動化, 2005, 29(7): 84-87, 107. Jiao Shangbin, Liu Ding, Zheng Gang, et al. Assessment of surface contamination condition of high voltage insulator based on fuzzy logicmethod[J]. Automation of Electric Power Systems, 2005, 29(7): 84-87, 107.

[30]姜昀芃, 李黎, 盧明, 等. 瓷絕緣子表面粘附顆粒的粒徑分布特性及其影響因素研究[J]. 電工技術學報, 2019, 34(3): 611-619. Jiang Yunpeng, Li Li, Lu Ming, et al. Study on particle diameter distribution characteristics and influence factors of adhered particles on the porcelain insulator surface[J]. Transactions of China Electrotechnical Society, 2019, 34(3): 611-619.

Heterogeneous Multi-Parameter Feature-Level Fusion for Multi-Source Power Sensing Terminals: Fusion Mode, Fusion Framework and Application Scenarios

Wang Hongxia1Wang Bo1Dong Xuzhu1Yao Liangzhong1Zhang Ruifeng2Ma Fuqi1

（1. School of Electrical Engineering and Automation Wuhan University 430074 China 2. Guizhou Electric Power Research Institute Guiyang 550000 China）

Fusion analysis of heterogeneous multi-parameter data generated by multi-source power sensing terminals is the key to effective power target sensing under the power Internet of Things. At present, however, multi-parameter fusion in power system is still dominated by homogeneous multi-parameter fusion and decision-level heterogeneous multi-parameter fusion, which can no longer meet the needs of deep fusion for heterogeneous multi-parameter under the power Internet of Things. To solve this problem, this paper proposes a universal fusion framework suitable for structured multiple time series and unstructured images, which can be used for descriptive, predictive or decision-making analysis of power things. Firstly, with the consideration of time and space characteristics, the time series are converted into a recurrence plot suitable for nonlinear chaotic systems, so that the time series and images have the same description space. Then convolutional neural networks are used to extract the features, following with weighted feature concatenate fusion, fully connection and target perception. Finally, taking transmission line icing level perception and insulator contamination degree perception as scenarios, the model is analyzed from the perspective of accuracy and fault tolerance, which verifies the universality of the proposed model.

Multi-source power sensing terminals, power heterogeneous mutli-parameters, feature level fusion, feature assimilation, multi-parameter recurrence plot

TM769

10.19595/j.cnki.1000-6753.tces.201094

2020-08-27

2020-09-15

王紅霞 女，1995年生，博士研究生，研究方向為電力大數(shù)據(jù)及融合。E-mail：2018282070092@whu.edu.cn

王 波 男，1978年生, 教授，博士生導師，研究方向為電力深度視覺、邊緣計算和電力大數(shù)據(jù)。E-mail：whwdwb@whu.edu.cn（通信作者）

（編輯 郭麗軍）