广东电网公司肇庆供电局、华南理工大学电力学院的研究人员路军、王梓耀、余涛，在2019年第11期《电气技术》上撰文（论文标题为“基于朴素贝叶斯和D-S证据理论的多时空数据融合”），针对泛在电力物联网中分布广泛的传感器以及各类设备采样周期不同的问题，本文提出一种基于朴素贝叶斯和D-S证据理论的多时空数据融合方法。该方法突出的优点是融合了多个时间段、多个不同地点传感器的数据。

首先运用朴素贝叶斯分类器得到信度分配，克服了过去采用专家系统进行信度分配的缺点，然后运用D-S证据理论进行融合得到最终系统的状态评价，有效地将多时空数据进行融合。实验结果表明，本文提出的方法相比其他机器学习算法有了明显的改进，能够有效地评估系统的状态。

泛在电力物联网（electric internet of things, EIOT）是充分运用新一代信息通信技术，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。2019年初，国家电网提出了建设泛在电力物联网的战略。

EIOT发展的关键是将先进的传感测量技术、信息通信技术、分析决策技术和自动控制技术相结合。泛在电力物联网中被安装在不同地区的传感器产生了海量数据，从这些海量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。有学者采用改进贝叶斯分类器对变压器设备进行故障分类和信度分配，有效地提高了信度精度和诊断准确率。有学者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。

考虑到实际配电设备系统中各类监测设备分布广泛、种类繁多、采样周期各不相同等特点，为解决多时空监测设备的数据融合问题，本文提出一种基于朴素贝叶斯分类与D-S证据理论相结合的多时空数据融合方法。

首先，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参考和依据；最后，将本文提出的算法与其他机器学习方法相比较。实验结果表明了本文提出算法的有效性。

图4 多时空数据融合算法的整体框架

结论

为了解决泛在电力物联网中分布广泛的多种监测设备的多源数据问题，本文提出了一种多时空数据融合方法，采用朴素贝叶斯分类器输出BPA，并运用D-S证据理论实现了对多时空数据进行融合，在处理多时段、多设备的数据挖掘融合上相比其他机器学习算法表现出明显的优势。

随着泛在电力物联网的发展，多源数据挖掘融合技术的重要性会日渐凸显，本文提出的多时空数据融合方法可以在一定程度上提高对多源数据的处理能力。