数据融合

为进一步落实国网公司“三型两网、世界一流”战略部署，贯彻“1135”新时代配电管理指导思想，江苏公司以解决试点地区台区及低压线路运维中的痛点问题为导向，遵循“云、管、边、端”顶层设计构架，应用监测传感、信息通信、边缘计算、数据融合、人工智能等技术，探索坚强智能电网和泛在电力物联网在配电领域的融合与实践。本报告介绍了江苏公司以新型智能配变终端为核心的配电物联网建设经验，分析关键技术，总结应用成效。

对多源电力感知终端产生的异构多参量数据进行融合分析，是实现配电网数字化转型的关键。目前，电力多参量融合仍以同构多参量融合和决策级异构多参量融合为主，异构、多源的融合及分析技术薄弱，无法满足数字化配电网下的异构多参量深度融合需求。他首先对电力数据的融合模式进行总体性介绍；然后针对异构多参量数据结构相异，融合难度大，而传统决策级融合信息损失量大，融合精确性低的问题，提出一种特征级融合框架，并进行场景验证；最后对电力数据融合对可能的发展方向以及面临的问题进行展望。

当前电网设备的智能巡维还未能实现真正“无人化”，机器人等智能终端还存在个体能力有限、智能程度偏低、系统孤岛运行等问题，基于智慧物联的立体巡检是解决上述问题的关键，广东电网能源技术公司围绕电网场景高精度建模与重构，移动式终端个体智能自治技术提升，分布式终端物联互动，多模态数据融合贯通等四项关键技术开展系统攻关，为实现电网设备智慧运行做出了积极探索。

主要讲述了国网泰州公司创新应用云大物移智等新技术，深入推进“三体系一平台”（即物联网感知体系、立体巡检体系、大数据融合分析体系和输电智能管控平台）建设，重点打造以无人机差异化巡检为中心的智能运检体系，实现输电运检质效的明显提升。

国网江苏省电力有限公司为解决线路通道远程监控问题,大量部署单目可视化监拍装置，定时拍摄图像后识别目标物进行告警，由于单目相机不能准确测距，导致告警有效性低，无效告警约占96.76%，单目相机告警测距技术是输电线路运行领域亟待攻克的技术难题。国网江苏省电力有限公司泰州供电分公司通过自主创新，首创了使用无人机已采集点云数据和电力杆塔上安装摄像头采集图像，运用二维-三维映射技术、内方位元素标定技术、海量空间数据并发加载和搜索技术，解决无法量测通道内危险源与线路安全距离的问题,实现输电线路通道全天候、全天时精准监测，做到及时发现危险源并阻止外破事件发生。

国网智研院围绕新型电力系统“源网荷储”协同互动以及企业数字化转型下数据流动共享保护需求，梳理了“对内数据融通应用、对外数据开放共享”两大典型应用场景，坚持自主创新，突破了敏感数据智能识别及分类分级、场景化动态脱敏及高隐蔽数字水印、电碳数据融合隐私计算等多项关键技术，并通过“可信数安”权威认证，打造了电力数据安全专用装置（对内安全管控）、电力隐私计算平台（对外安全共享）等核心技术成果并在多家电力公司示范应用，大幅提升了数据流动共享过程安全保障能力，有力支撑电力数据“管得住、放得开”。

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。

介绍了输电通道监控及新技术、输电通道智能风险管控平台、总结及发展方向。

介绍浙江电网作为国网公司输电线路通道可视化的试点工程，2016年浙江实现省内特高压交直流输电线路全覆盖、实时监测、在线分析，当前设备在线率稳定持续在90%以上。输电通道可视化智能巡线模块于2019年11月25日运行上线，开启了通道外破识别、通道环境识别和导地线损伤识别三类识别算法。指出可视化技术存在通信可靠性差、装置可靠性差、数据融合度低、智能化程度低四个方面的问题，提出“全采集、畅通道、能分析”工作思路，构建设备管理全景化、运行状态透明化、诊断决策智能化、设备检修高效化的输电线路物联网。

针对单传感器状态识别算法存在漏检、误检的缺陷,文章提出一种基于双传声器和深度学习的变压器状态识别算法,即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号,通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取,并利用全连接层对特征进行融合,最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证,结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类,分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。