泛在電力物聯網（electric internet of things, EIOT）是充分運用新一代信息通信技術，實現電力系統各個環節互相聯系以及人機交互，具有狀態全面感知、信息高效處理等特征。2019年初，國家電網提出了建設泛在電力物聯網的戰略。

EIOT發展的關鍵是將先進的傳感測量技術、信息通信技術、分析決策技術和自動控制技術相結合。泛在電力物聯網中被安裝在不同地區的傳感器產生了海量數據，從這些海量數據中進行特征提取以及數據融合是實現“透明電網”的關鍵。

對多源信息進行融合挖掘的方法主要有綜合評估、機器學習、不確定性理論等。綜合評價理論包括層次分析法、專家系統等，依賴主觀經驗，不具備推廣價值。

機器學習理論包括深度信念網絡、支持向量機、隨機森林等，通過輸入大量數據對模型進行訓練，最終得到多源數據和輸出之間的復雜映射關系，但是往往由于數據的異構性導致模型性能不理想。

不確定性理論包括貝葉斯網絡以及D-S證據理論。有學者采用改進貝葉斯分類器對變壓器設備進行故障分類和信度分配，有效地提高了信度精度和診斷準確率。有學者將多種故障信息進行綜合，用改進D-S證據理論實現故障定位。

考慮到實際配電設備系統中各類監測設備分布廣泛、種類繁多、采樣周期各不相同等特點，為解決多時空監測設備的數據融合問題，本文提出一種基于樸素貝葉斯分類與D-S證據理論相結合的多時空數據融合方法。

首先，抽取相同時間內的多種配電設備監測數據，用這些數據訓練樸素貝葉斯分類器，得到不同地區、不同時間段的基本概率分配值；然后，運用D-S證據融合理論對多時空數據進行融合，得到配電系統狀態評估結果，提高配電網系統處理多源數據的能力，為配電網進行狀態檢修提供參考和依據；最后，將本文提出的算法與其他機器學習方法相比較。實驗結果表明了本文提出算法的有效性。

圖4 多時空數據融合算法的整體框架

結論

為了解決泛在電力物聯網中分布廣泛的多種監測設備的多源數據問題，本文提出了一種多時空數據融合方法，采用樸素貝葉斯分類器輸出BPA，并運用D-S證據理論實現了對多時空數據進行融合，在處理多時段、多設備的數據挖掘融合上相比其他機器學習算法表現出明顯的優勢。

隨著泛在電力物聯網的發展，多源數據挖掘融合技術的重要性會日漸凸顯，本文提出的多時空數據融合方法可以在一定程度上提高對多源數據的處理能力。