面向智能用电业务的数据融合策略研究

摘 要：为了提高智能用电水平，文章在大量调研的基础上，把数据融合引入智能用电业务数据处理。首先，文章详细分析了智能用电业务的种类及其数据需求。其次，介绍了数据级、特征级、决策级三个层次的融合，并就其适应范围和优缺点进行了分析。最后，基于智能用电业务的具体数据要求，提出了适合智能用电的数据融合方案，其步骤为数据预处理、提取特征值、提炼特征向量、特征向量融合和决策判断，并以分布式发电业务为例，给出了其融合方案部署策略。

关键词：智能用电；数据需求；数据融合

智能用电，是指通过对智能电力设备运行的支配，以及电力业务的信息流、业务流和电力流的支配，以实现电力业务的科学用电、经济运行以及节能环保。双向信息流与电力融合是智能电网技术最重要的特征，电网与用户的互动技术能够使电网智能化，同时可以提供高效、可控的电力生产和电力消耗过程。智能用电业务包括智能家居、智能大用户服务、动汽车充换电管理、分布式发电/储能监控等双向互动业务，这些业务涉及到的数据种类繁多，格式多种多样，难以从杂乱的数据中挖掘出对特定用户有价值的数据。文章研究智能用电业务的数据采集需求以及海量数据融合技术。

1 智能用电业务数据需求

智能用电业务数据采集主要由用户系统中客户前端的智能仪表完成，包括智能电表、电能信息采集终端、电动汽车充电桩和分布式发电监测系统等。这些智能仪表可以实现能耗的实时监测、决策和信息存储，可以使电力企业及时获得用户能耗的状况，为需求侧管理（DSM）的定价机制提供数据。同时，用户可以通过这些智能仪表在本地或网络上获得各自的能耗情况、监测电力故障并通过优化用电策略达到节能效果。不同用电业务的具体数据需求存在差异，但大体上可以概括分为：交流模拟量数据、电能表量测数据、电力设备工况数据、电能质量数据和环境数据等。

1.1 交流模拟量数据

交流模拟量包括电压、电流、有功无功功率和频率等。对智能用电业务侧的电压和电流进行模数转换是进行电力参数采集及谐波计算的关键，为后续的有功功率、无功功率及谐波的采集提供基础。

1.2 电能表数据

电能表数据包括总电能示值及双向有功无功示值，要求快速安全的数据存储，良好的人机交互功能和远程双向通讯功能。此外根据智能用电业务历史统计数据，确定双向有功无功最大需量。

1.3 工况数据

智能用电系统采集计量装置工况、终端运行工况、开关状态等。采集的数据具体包括开关状态、终端及计量设备工况信息。

1.4 电能质量数据

实际电力系统无法按标准的正弦波和规定的频率和电压对用户供电，会有一定的畸变，电能质量标准从电压偏差、频率偏差、三相不平衡度和谐波四个方面考察。

1.5 电能质量数据

智能用电业务中的环境数据主要包括水感数据、太阳总辐射、烟雾浓度数据和现场环境温度。环境数据采集主要依靠各种专用传感器，采用采用物联网技术获取。

2 数据融合技术

数据融合是物联网信息处理技术中必不可少的部分，可使面向智能用电业务的物联网实现感知数据的采集与实时、可靠地传输。此外，智能用电系统在原始采集数据的基础上，对采集数据进行大量数据融合的工作，使得传输到管理平台的感知信息将是从海量的、杂乱的、难以理解的原始数据中抽取并推导出的，对于特定的智能电网管理者来说具有价值的处理后的数据。智能用电业务的数据融合与数据的来源系统密切相关，涉及多种数据处理功能。针对特定应用场景的需求，选择不同的数据融合功能，可以满足对于不同信息的获取要求。按照操作对象的特点，智能用电业务数据融合分为数据级、特征级、决策级。

2.1 数据级融合

数据级融合可以尽可能多的提供现场数据，即在海量原始数据的基础上经过很小的处理进行的，是在智能用电数据底层进行的。其优点是智能用电业务数据精度很高和很强的纠错能力，缺点是数据量巨大，融合实时性差。

2.2 特征级融合

通过对传感器和其他感知设备提供的原始数据有代表性的特征进行提取，把这些特征融合成单一的特征向量，然后用模式识别的方法进行处理。所以，特征级融合在保留数据对象重要特征的同时，对数据量有了一定的压缩，其实时性较高。

2.3 决策级融合

决策级融合是指在融合之前，对感知设备和量测设备提取的数据统一进行格式转换等预处理，根据预定准则和决策的可信度对各自数据源的属性决策结果进行融合，最终得到整体一致的决策。决策级融合的融合层次和实时性最高，但是数据损失也越大，纠错能力较差。

3 智能用电融合方案

数据级、特征级、决策级三个层次的融合各有优缺点，应综合考虑传感器的性能、系统的计算能力、通信带宽、期望的准确率等，以确定哪种层次是最优的。智能用电业务综合采用上述数据级、特征级、决策级数据融合。图1给出了分布式发电业务的数据融合方案。根据分布式发电业务的数据需求，将数据源划分为交流模拟量数据、电能表数据、工况数据、电能质量数据和环境数据。将上述数据分类进行表标准化预处理，主要是将数据命名、格式、单位的标准化以及描述字段的统一。挖掘的分布式发电业务服务场景所需的典型数据定义为特征值。结合具体功能要求，将数个数据源的特征值按照一定顺序组合为特征向量，特征向量可以为一维向量，也可以是多维向量。

不同的特征向量可以进行融合，其一般的融合方法有：（1）两特征向量融合时，按数据源顺序合并。（2）两特征向量元素有重复时，保留一份。（3）两特征向量元素不一致时，按预定优先度，取优先度等级高的。最后，按照预先决策算法，设定好判断临界值，根据各应用特征向量的满足程度，做出决策判断。

4 结束语

文章在大量调研的基础上，总结了智能用电业务的类型和数据需求。同时，介绍了常见的数据级、特征级和决策级的数据融合方案及各自的优缺点。针对智能用电业务类型，综合使用上述三层融合方案，发挥各自的优势。数据融合将从海量数据中，提炼出有价值的信息，对于提高计算实时性和计算速度有着重要意义。

参考文献

[1]黄春兰，吴胜利.数据融合在搜索结果多元化上的应用[J].山东大学学报，2015，50（1）：31-36.

[2]胡玉峰，尹项根，陈德树，等.信息融合技术在电力系统中的应用研究[J].继电器.2003，31（1）：52-55.

[3]韩增奇，于俊杰，李宁霞，等.信息融合技术综述[J].情报杂志，2010，5（29）：36-44.

[4]黄键.数据融合技术在电网规划中的应用研究[D].天津大学，2013.