电力系统多模态数据融合模式及关键技术问题

王 波，王红霞，姚良忠，董旭柱，马恒瑞，马富齐

（1. 武汉大学电气与自动化工程学院，湖北省武汉市 430072；2. 青海大学新能源光伏产业研究中心，青海省西宁市 810016）

0 引言

随着能源转型和信息化建设的推进［1］，电力系统中源网储荷各环节深度交互，多元异质能量流和由数据构成的信息流深度耦合，其分析必须由传统的孤立分析方式向各环节的协同分析转变［1-2］。在此背景下，以数字化为抓手，以数据为核心生产要素，通过多模态数据融合技术实现多种异质网络协同分析、提高系统中各环节可观可控性，是提升电力系统运行安全性及可靠性的有效途径。

从数据感知的角度来看，电力物联网［3］和数字电网［4］的建设使得电力系统中的数据具有新的形态:一方面，电力系统内大量布置的各种类型的传感器将产生海量与电力业务相关的数据，涉及到电力、非电力等不同的来源，且以数字、图像、文本等不同的形式表示；另一方面，大数据、云平台等技术的发展使得不同领域、业务之间的数据壁垒被打通，数据共享更为便利，与电力业务相关的数据来源将更加广泛和多元，电力系统中的数据将呈现空（卫星遥感）-天（无人机巡检）-地（各类电力量测系统）-海（海上风电）全覆盖和全采集的局面，其多类型、多结构以及多来源的形态（多模态形态）为应对电力系统的各类挑战［5-6］提供了全面有效的数据基础。

从数据利用和融合的角度来看，对多模态数据进行关联和综合分析，实现各个环节各类场景的准确、统一和全面感知（即数据融合），是实现电力系统全可观和全可控的重要基础支撑。但目前多模态数据融合仍处于初级阶段:一方面，当前多模态数据融合所涉及的数据类型较为单一，数据处理手段仍不成熟，以单一的结构化数据和较为简单的决策级融合为主［7-8］，难以适应跨类型、高精度数据分析的要求；另一方面，当前多模态数据融合多集中于相同的域内，涉及范围较为有限，如针对“源”的出力预测［9-10］、针对“网”的稳定性分析［11-12］等，对跨能源域、信息域等不同网间的融合分析不足［13-15］。可见，现有多模态数据融合及利用的概念、技术手段和跨域支撑能力有限，须进一步发掘其作为重要生产要素的潜在价值［1］。

基于此，本文首先对电力系统多模态数据的概念进行剖析，将多模态数据融合扩展到网内融合和网间融合。然后，基于对研究方法及场景的总结，对2 类融合的融合模式进行划分，对存在的关键问题进行总结，并给出了相应的解决思路。最后，对本文所做工作进行了总结，并对电力系统多模态数据融合进行了展望。

1 电力系统多模态数据及多模态数据融合

电力物联网和数字电网建设下，电力系统中的数据为多模态数据，对多模态数据进行融合利用是发挥其核心生产要素作用的关键。基于此，本章主要回答以下3 个问题:1）什么是电力系统多模态数据？2）电力系统为什么要进行多模态数据融合？3）电力系统多模态数据融合体系是什么？

1.1 电力系统多模态数据

模态是指某种事物发生或经历的方式，即每一种信息的来源或者形态都可称为一种模态［16-17］，电力系统多模态数据就是与电力业务相关的，来自不同领域、不同环节，具有不同形式、结构的数据，如图1 所示。本节将从数据来源、数据类型和数据结构3 个方面对电力系统多模态数据进行描述。

图1 电力系统多模态数据Fig.1 Multi-modal data of power systems

1.1.1 多模态数据的来源

电力系统多模态数据具有广泛的来源。从电力系统内部来说，其不断发展使得传感器数量和类型大大增加，业务之间的互联互通进一步增强，极大地扩展了数据的来源；从电力系统外部来说，广泛接入的新能源、电动汽车等使得电力系统的开放性进一步增加，来自交通系统、卫星遥感系统、天气系统、社会系统等外部系统的数据进一步丰富了电力系统数据的来源。

与此同时，从网的角度来看，与电网具有能量交互的多种能源网和与电网具有信息交互的各类信息网在网络结构、功能控制等方面与电网有着深度耦合关系。具体地说，电网作为整个能源链枢纽及能源变革核心环节，通过天然气管道、热力管道等与天然气网、热力网等不同的能源网相耦合［18］，通过电动汽车充电桩与交通网耦合［19］，通过信息控制与能源供给关系与其自身的信息网耦合［20-21］。可见，能源转型下的电网是多网耦合的电网，将不同的网络抽象为具有不同结构、属性和运行数据的网络数据，并通过网络数据的分析实现网络耦合关系的挖掘，具有重要意义。

1.1.2 多模态数据的类型

从数据类型来看，电力系统多模态数据具有多种数据类型，本文参照文献［22］从业务领域角度将多模态数据分为规划运行数据、运营数据、管理数据、非电能源数据以及非能源数据，如图1 所示。同时，还可根据时间尺度将多模态数据划分为历史数据和实时数据；根据数据来源将多模态数据划分为仿真数据和量测数据。

1.1.3 多模态数据的结构

电力系统多模态数据的结构十分丰富，包括:1）结构化数据，如来自电力系统的电气量、来自社会系统的经济数据以及来自天气系统的气象参量等；2）非结构化数据，如各种图像、视频以及试验文本数据等；3）半结构化数据，如网页数据［23-24］等。

综上，电力系统多模态数据在数据来源、数据类型以及数据结构上具有广泛和多元的特点，其可能来自不同的领域，承担着不同的角色，且以不同的结构、形式进行表征，包含着十分丰富的知识，需要进行有效分析和利用，从而发挥其核心生产要素作用。

1.2 电力系统多模态数据融合

1.2.1 多模态数据融合的目的及意义

对电力系统丰富的多模态数据进行有效融合是发挥其核心生产要素作用的关键之一。

一方面，多模态数据融合将助力源网储荷各个环节各类场景的准确和全面性分析，如源端的风电［9］、光伏出力预测［10］，网中的输电线路状态监测［25］，储端的储能电池荷电状态感知［26］以及荷端的负荷预测［27］等。将多模态数据进行融合能够使其相互补充和增强，从而有效提高目标感知的精确性。同时，当某一类或几类数据由于感知终端老化、通信故障等出现偏差时，仍有其他数据作为补充，使得感知方法仍然有效，能够一定程度上提高感知的容错性［7-8，28］。

另一方面，多模态数据融合将助力复杂网络耦合关系的分析。能源转型及数字化背景下，电力系统是源网荷储深度耦合，各种能源网、交通网、信息网高度交互的电力系统，其在结构、运行方式以及交互关系上更加复杂，传统孤立的网络分析方法不再适用。因此，充分利用来自不同网络的多模态数据，从全局统一的角度将复杂的依赖关系映射至数据融合及分析中，从而充分挖掘网络之间的依赖和耦合关系，有利于多网之间的协同。

综上，多模态数据融合以多模态数据为基础，以对被分析对象的整体性、统一性和全局性分析为实现途径，通过源网荷储各环节的高精确性、高容错性分析以及多网之间的有效协同，实现电力系统全面可观可控的整体目标。

1.2.2 电力系统多模态数据融合框架

根据数据形式以及融合目的，本文将电力系统多模态数据融合分为网内融合和网间融合。其中，网内融合的定义为:以多种类型、结构或来源的多模态数据为输入，通过对其进行综合分析，实现对源网储荷各个环节、各类场景的准确、统一和全面的描述性、预测性和决策性分析的手段或方法。网间融合的定义为:以网络结构、网络属性及网络运行数据等多模态网络数据为输入，通过对其进行综合分析，实现网络间的关联及协同运行分析。网间融合主要包括以电网为主的能源网、交通网、信息网中的2 类及以上网络的融合分析。其中，能源网包括电网、热网、天然气网等，由于各个网络的能量类型、能量流动方式以及时间尺度等属性具有差异性，故称为异质能源网。

以上通过数据融合实现目标的过程可称为目标感知过程，电力系统多模态数据融合如图2 所示。本文将对网内融合和网间融合的融合模式、研究现状以及所存在的关键问题进行总结，并给出相应的解决思路。

图2 电力系统多模态数据融合Fig.2 Multi-modal date fusion of power system

2 网内融合

电力系统中的网内多模态数据融合是多方面、全方位的数据融合。目前，网内多模态数据融合已有初步应用［8］，但仍有一些特殊问题需要进一步研究。本章首先对网内融合模式进行描述，然后对现有网内融合存在的关键问题进行总结，并给出相应的技术解决框架。

2.1 网内融合模式

从融合的层次来看，网内多模态数据融合可分为数据级、特征级和决策级［7-8，28］3 类。需要指出的是，各层次融合之间没有明显的界限，在应用过程中可能会根据需要对不同的融合模式进行组合。

2.1.1 数据级融合

如附录A 图A1 所示，数据级融合是数据层次的融合，其首先对多模态数据进行融合，然后基于融合后的数据进行特征提取和目标感知。融合过程中可根据数据类型、融合场景等选择较为简单的数据拼接［9］或是较为复杂的点估计［29］等，融合后也可使用不同的方法进行进一步的特征提取及目标感知，但在数据层次进行融合是数据级融合的共同特征。

数据级融合往往要求融合的数据具有相同的数据格式，如基于数据级融合对结构化的广域测量系统（wide area measurement system，WAMS）和数据采 集 与 监 控（supervisory control and data acquisition，SCADA）系统数据进行融合，从而实现电网的状态评估［29］；对非结构化的电力设备可见光和红外图像数据［30］进行融合，从而实现细节清晰、分辨率较高的电力设备图像呈现。与此同时，数据级融合信息损失量较低，适用于数据质量较高、感知精确性要求较高的场合。

2.1.2 特征级融合

如附录A 图A2 所示，特征级融合是特征层次的融合，其首先依据数据特征、物理含义及融合目标等对多模态数据进行特征提取；然后，对不同的特征进行融合；最后，对融合后的特征进行进一步分析，获得对目标对象的统一解释。其中，特征提取、特征融合及目标感知方法因数据格式、场景、融合目的及精确性要求等不同而不同［8，28］，如针对图像数据提取其纹理、动态特征，针对结构化电流数据提取其小波、信息熵特征等。

相较于数据级融合，特征级融合在特征层次进行融合，其信息损失量较大，精确性较低，但适用范围较广，可用于同构数据和异构数据的融合。同构数据融合包括基于电流幅值畸变度、故障能值等电气量特征以及开关量信息特征融合的电网故障诊断［31］等；异构数据的融合包括基于卷积神经网络（convolutional neural network，CNN）特征的非结构化覆冰图像和结构化应力数据融合［7］等。

2.1.3 决策级融合

如附录A 图A3 所示，决策级融合是决策层次的融合，其通过对不同决策结果的综合实现多模态数据的融合，可以是对同一组模态数据、不同决策结果的融合［32］（见图A3（a）），也可以是对不同模态数据、不同决策结果的融合［33］（见图A3（b））。

该层次的融合可看作是一种投票机制，每类数据源或决策方式先独自做出决策，然后以特定的融合机制对所有决策进行综合，得到最终的结果，如基于层次分析法的电网状态感知、基于贝叶斯网络的故障检测等。决策级融合对数据的采样频率、数据结构等要求较低，适用范围广泛，但其信息损失量较大，精确率较低。

2.2 网内融合关键技术问题

基于2.1 节所述的3 个层次的融合模式，目前电力系统中的网内融合已取得初步的应用成果，但是随着电力系统中多模态数据的数据形式、数据来源以及数据结构的不断丰富，仍存在多结构融合和多时间尺度融合2 个关键问题待解决。

2.2.1 多结构融合

电力系统多模态数据是具有多种结构的多模态数据，包括来自不同领域、不同业务的结构化时间序列数据，非结构化图像、视频及文本数据等。如何对具有不同形式的多结构化数据进行有效融合，是需要研究的关键技术问题。

目前，电力多模态数据融合多集中在对结构化数据的融合方面，其融合数据源主要包括来自WAMS、SCADA 系统、配电自动化等系统的电气量和开关量数据［29，32，34］，以及来自各类传感器的微气象［7］和状态监测参量［35］等。尽管这些数据在物理意义和量纲上不同，但由于数据形式相同，可以看作是同一坐标体系下的参量，融合难度相对较小。

多结构数据融合以结构形式、物理意义不同的数据为输入，由于各参量的表征空间不同，难以进行统一描述，融合难度大，故目前电力多结构数据融合正在起步阶段，且以融合难度最小、信息损失量最大的决策级融合为主［25，33］，跨类型、多维度的数据分析技术薄弱，状态量间的关联分析挖掘能力不足。以输电线路的覆冰监测为例［7］，当前的技术手段以单独的传感器数据［36-37］或图像数据［38］输入感知为主，少有基于2 类数据融合的感知方法，感知的精确性和容错性均无法保证。同时，在某些情况下，单一结构的数据仅描述目标某一维度的特征，无法独自做出决策，故必须进行较为底层的特征级融合。如基于红外图像的绝缘子污秽等级感知中，温度、湿度条件与泄漏电流的热效应存在复杂的非线性关系，故用红外图像进行污秽等级感知时，需要对红外图像、温度、湿度等多结构化数据进行融合，单独基于红外图像的感知精确性较低，单独基于气象数据的感知无效［7］。

因此，对多结构化数据进行有效的、较为底层的融合，从而充分挖掘不同向量空间的信息，使不同结构的数据相互补充和增强，是电力系统多模态数据融合需要研究的关键技术问题之一。

2.2.2 多时间尺度融合

不同的感知终端或者数据采集系统具有不同的采样频率，其产生的多模态数据具有多时间尺度，无法直接进行融合。在电力系统的稳定性分析中［29］，WAMS 可提供有效数据基础，即具有50～100 帧/s刷新频率的高采样率同步数据［39］，但其在实际应用中部署有限，提供的数据量也有限，须通过融合SCADA 系统数据进行有效增强，从而实现电网的全面可观。然而，SCADA 系统数据的刷新频率为0.1～5.0 帧/s 且不带时标，2 类数据具有时间尺度上的差异，难以直接进行融合。

现有多模态融合多针对具有相同尺度的数据［40］，或采用点估计［39］、插值［41-42］等方法对低采样率的数据进行补全并进一步分析，其面临的问题为:高频重构法仅适用于电压、电流等结构化多模态数据的融合，而现有电力系统多模态数据已不仅限于结构化数据，各种图像、文本等非结构化数据的产生进一步扩展了多模态数据融合的内涵，结构化和非结构化数据融合以及非结构化数据间的融合使得高频重构法不再适用。

因此，需要进一步研究不同时间尺度下结构化数据融合、结构化和非结构化数据融合以及非结构化数据融合问题。

2.3 网内融合技术框架

针对上述多结构融合和多时间尺度问题，本文提出如图3 所示的网内融合技术框架，其主要包含多源异构数据输入、时间尺度对齐、特征提取、特征同化、特征融合及分析和分析结果6 个部分。

图3 网内融合技术框架Fig.3 Framework of intra-network fusion technology

1）多源异构数据输入:电力系统的网内融合输入为多源异构的输入，其在数据结构、时间尺度上都具有多种形式。

2）时间尺度对齐:针对结构化数据的对齐，仍以高采样率的数据为基础，采用点估计或插值的方法进行高频重构；针对非结构化或异构的多模态数据，可采用时间对齐法，即以低采样频率为基准，选取同一或相近采样时刻的高采样数据与之对齐，从而进行有效的融合。本文仅给出初步的思路，多结构数据在时间尺度上的对齐仍需要根据具体情况进行研究。

3）特征提取:特征提取为根据多模态数据的格式、物理含义以及融合目的对数据进行分析的过程。根据特征提取网络是否有明确的物理含义，本文将其分为2 类，即手工特征提取网络和深度特征提取网络。前者所提取的特征具有明确的物理含义，如对时间序列提取均值、最大值、最小值特征，对图像提取颜色、边角特征［43］等；后者多以特定的目标函数指导网络进行特征提取，所提取的特征物理含义尚不明确，如用CNN 对图像数据进行特征提取［7］，用长短期记忆（long short-term memory，LSTM）网络对时间序列进行特征提取［9］等。

4）特征同化:经过不同特征提取后得到的多模态特征具有不同的特征描述空间，无法直接进行特征融合，因此需要将各个特征映射至同一空间或同一坐标系，即对异构特征向量进行同化，然后在公共子空间/子坐标系进行特征融合。

5）本文提出2 种异类特征同化的思路:（1）分别对每种参量提取特征后，将特征向量映射至同一公共子空间，然后在公共子空间对特征向量进行融合，如图4（a）所示；（2）以其中一种特征向量为基准，将其他特征向量映射至该特征向量所在的空间，然后对同一向量空间的特征向量进行融合，如图4（b）所示。

图4 特征同化Fig.4 Feature assimilation

6）特征融合及分析:特征融合及分析阶段是对多模态特征进行融合，并基于融合特征进一步分析，从而获得对目标的全面感知的过程。特征融合涉及到融合策略、融合权重以及因果关系等多方面的技术要点，需要充分考虑融合目的进行选择，如文献［43］采用多决策器融合的方式，文献［44］采用基于权重的特征拼接方式，文献［45］采用将多模态特征作为支持向量回归（support vector regression，SVR）输入的高维映射方式。

3 网间融合

网间融合适用于任意2 种及以上耦合网络的关联和协同关系分析。参考网内融合模式的划分方式，本章首先将网间融合的融合模式分为基于数学模型、基于拓扑结构和基于数据驱动3 类，该分类方式可大致覆盖网间融合的主要场景；然后，从多能流耦合下的多属性问题和信息物理社会融合问题方面对电力系统网间融合存在的关键技术问题进行总结，并给出相应的解决思路。

3.1 网间融合模式

3.1.1 基于数学模型的融合

如附录A 图A4 所示，基于数学模型的网络融合在多能网络运行［18，46-47］、调度［48-49］等方面均有应用，其本质上是一个最优求解问题，主要包括约束构建和目标求解2 个部分，而网间融合主要通过约束函数的构建实现。具体地说，在模型建立过程中，首先根据融合目标建立表征各个子网络特性的约束条件，如针对优化调度［48-49］问题，多以调度经济性最优为目标函数，子网络约束条件包括电网潮流方程、天然气网流量连续性方程、热网温降方程等。然后，通过建立不同网络间的耦合关系约束条件实现网间融合，如通过能量枢纽（energy hub，EH）［50-51］抽象描述不同能量间的转换关系，从而实现不同能量子网络约束的耦合。最后，通过对目标函数的求解实现网络间的多网融合目标，即在上述约束条件下求解出最优解。

3.1.2 基于拓扑结构的融合

如附录A 图A5 所示，基于拓扑结构的网间融合方法将不同网络及其相互间的耦合关系抽象为由节点和边构成的图［52-54］或相互依存网络［55-57］，并以此为分析对象进行目标感知。具体地说，其主要包含2 个步骤。步骤1 为网络构建，该过程需要对不同子系统中的节点和边进行定义，如电网中可选择变电站为节点，连接变电站的输电线路为边；天然气网中天然气站为节点，天然气管道为边等。节点和边的定义即为网络拓扑结构的确定。在此基础上，步骤2 充分考虑节点和边的属性（如电网节点具有有功功率、无功功率、电压幅值、电压相角属性，热力网节点具有节点热功率、供热温度、输出温度属性等），通过关联关系（如图卷积神经网络［52］、关联特性矩阵［53-54］）、结构特性（如度数、介数）以及网络失效机理（如最大联通子集）［55-57］等对其进行脆弱性、弹性以及稳定性等方面的分析。

3.1.3 基于数据驱动方法的融合

如附录A 图A6 所示，基于数据驱动方法的网间融合［58-62］采用各个网络运行产生的数据进行网络表征，如在电网中用各节点电压电流及功率数据等进行电网表征，在气网中用节点流量进行气网表征等；然后，以不同的网络表征作为输入，通过大数据统计［58］、机器学习及深度学习［59］等方法对不同的网络运行数据进行综合分析，在进行多网数据融合的同时实现脆弱性评估［58］、稳定性分析［59-60］以及运行优化［61］等。

3.2 网间融合关键技术问题

基于3.1 节所述的3 个层次的融合模式，目前电力系统中的网间融合已取得初步的应用成果，但仍存在多属性问题和信息物理社会融合这2 个关键问题有待解决。

3.2.1 多网耦合下的多属性问题

能源转型背景下，电网与热网/气网等多种能源、具有动态特性的交通网以及具有控制功能的信息网相互耦合，而不同网络中节点的多属性特点是多网融合需要考虑的关键问题之一。以电网为例，电网中源网荷储各个环节深度交互，同一节点可能同时具有源荷储等多种属性，如电动汽车充光储一体化电站［63］同时具有源荷储的特性；光伏用户在不同时空呈现出不同的源荷特性［64］等。不同节点在不同时刻或场景下的不同属性使得电网本身的规划、运行、调度等难以以确定的特性进行。更进一步，新能源的出力具有不确定性和间歇性，使得新能源接入节点的源特性具有不确定性，进一步加剧了节点的多属性特性。同时，电网中节点的多属性特性使得电网与气网、热网等其他能流网络的耦合具有多种形态，不同时空下的不同节点属性组合使得多能流潮流分布［65］、网络结构属性等具有不确定性和多样性［66］，不同能流系统构成的融合网络分析困难，而热网、气网等不同能源网中源节点的出力特性、荷节点的多样化用能特性以及信息网中节点的控制性、业务特殊性等，进一步加剧了多网耦合中节点的多属性特性。

而现有3 类融合模式多以确定性属性为前提，对网络中节点的多属性特性及网络间不确定耦合关系考虑不足，故需要针对多网耦合下的多属性问题进一步深入研究。

3.2.2 信息物理社会融合问题

随着能源互联网和电力物联网的快速发展，能源的信息、物理网的耦合进一步加深。针对能源的信息物理融合，现有研究已从耦合模型建立、风险演化机理与协同优化控制等方面［67］进行了相关的研究，并在故障传播［53-54］、脆弱性［55］、安全性［68］分析等方面进行了应用。但是，随着大量具有社会属性的用户接入能源的物理网，信息物理耦合网络具有明显的社会特性，其从用能偏好、市场行为等多方面对多网融合产生影响，而现有对能源网的社会特性或能源的信息物理社会融合研究多停留在概念提出阶段，无法适应信息物理社会深度耦合现象。

本文主要从用户角度考虑信息物理网的社会特性，具体地说，用户作为具有多元社会特性的节点与能源网和信息网相耦合，使得能源的信息物理网具有社会特性，其主要体现在以下几个方面:1）多元性，能源转型背景下用户的用能需求扩展到电、气、热等多个方面，使得能源的生产、消费和服务呈现多元化的业态和商业模式［69］；2）互动性，电动汽车［70］、柔性负荷［71］等新型电力用户具有灵活需求响应、与电网互动［72］的特点，而电动汽车与柔性负荷本身受用户特性的影响；3）群体性，用户的用能习惯、方式等存在紧密耦合和影响［73］，与社会生产、生活等密切相关，如新冠疫情期间被封锁的地区大量工业负荷骤减，居民用电增加［74］；4）个体性，用户可能同时承担供应商、储能以及负荷等角色［75］，其角色的承担受个体的心理、生活及舆论等多方面的影响［76］。

可见，电力系统中用户节点具有多元社会属性，其在信息物理耦合网中的接入使得信息物理网具有明显的社会特性。因此，需要充分考虑节点的社会属性，构建具有社会特性的信息物理网，实现信息物理社会的融合。

3.3 网间融合技术框架

针对3.2 节所述多网耦合下的多属性问题和信息物理社会融合问题，提出如图5 所示的网间融合技术框架，其通过多属性节点建模、关联关系建模以及网络融合分析为网间融合提供技术思路。

图5 网间融合技术框架Fig.5 Framework of inter-network fusion technology

1）多属性节点建模:能源转型和数字电网的发展使得各类网中的节点具有多重属性。具体地说，能源网的节点具有多重源、荷、储以及多元社会特性；信息网的节点具有多类业务性、控制特性等多重属性。故在对多耦合网络进行建模时，网络中的节点应包含上述特性，可用集合表征，且集合中每个元素可以是子属性集合、方程描述以及语言描述等。需要指出的是，由于多元社会特性多表现在负荷节点上，故将多元社会特性作为荷属性下的子属性，具体表现为集群特性、用能的政策影响性、周期性等。

2）关联关系建模:基于多属性的节点建模，采用能量集线器［50］对不同的能量转换进行描述，根据需求采用社团［66］对具有相近属性的节点进行描述，并充分考虑信息关联和结构关联情况，采用基于拓扑结构的网间融合模式对耦合网络进行描述。同时，基于该描述结果可进行某些场景下的网络融合分析，如3.1.2 节所述网络弹性分析等。

3）融合分析:基于上述多属性节点建模和关联关系建模过程，电力系统中具有耦合关系的异质网络被描述为由多属性节点和关联关系描述的拓扑图或网络，可根据不同的网间融合需求采用数据驱动或数学建模的方法进行融合分析，如采用各个节点在不同时刻的动态属性值进行网络的动态状态评估，同时考虑不同节点的动态属性（如电网中风电接入节点在不同时刻的风功率预测值、热网中不同季节的能源需求波动较大等）和静态属性（如负荷的用能偏好描述等）进行电力调度等。

综上，上述网间融合框架通过对节点的多属性描述方式应对网络多属性和社会性问题，然后根据融合目标采用上述融合模式进一步分析。值得注意的是，当网络中的节点、边以及网络间的耦合关系均被进行不确定性分析后，上述基于特定属性的网间融合模式需要进行分阶段分析或相应的改进，并根据具体问题提出解决方案。

4 结语

能源转型背景下，多种异质网络间和源网荷储各环节间的深度融合为多模态数据融合提供了物理基础；电力物联网和数字化建设为多模态数据融合提供了数据基础；能源产业链的智能化发展为多模态数据融合提供了应用基础。本文对电力系统多模态数据融合的概念、融合模式和关键技术问题进行了分析，并给出了针对关键问题的技术解决路线，主要结论如下。

1）多模态数据和多模态数据融合具有新的内涵和外延:电力系统多模态数据包括传统意义上的多模态数据和网络多模态数据；多模态数据融合的类型扩展到了网内和网间融合。

2）多模态数据融合的融合模式划分和选择:根据融合层次，网内融合可划分为数据级、特征级和决策级融合；根据融合技术手段，网间融合可划分为基于数学模型、基于拓扑结构和基于数据驱动。融合模式的选择需考虑数据类型、融合目的以及融合精度要求等。

3）多模态数据融合的特殊关键技术问题有待解决:针对网内融合，多结构融合和多时间尺度融合等仍需进一步研究；针对网间融合，多网耦合下的多属性问题、信息物理社会融等问题仍需进一步探究。

4）本文针对网内融合和网间融合存在的问题，提出了相应的技术解决路线，在实际中仍需根据具体问题进一步研究。

未来电力系统多模态数据融合的数据基础将更加丰富，技术手段更为成熟和有效，应用场景更加广泛和复杂，多模态数据融合将在源网荷储各个环节的有效感知和多网间有效协同上发挥作用，不断提升电力系统的运行安全性及可控。本文限于篇幅，仅对数据的分析应用进行了分析，多模态数据的采集、通信以及存储等方面也是电力系统多模态数据融合需要关注的内容。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。