CN110987062A - 一种基于数据融合的智能计量箱预警方法及系统 - Google Patents

Abstract

本发明公开了一种基于数据融合的智能计量箱预警方法及系统，包括：根据获取的每种信息源的状态数据确定每种信息源对应的预警程度值，并根据预警程度值确定每种信息源对应的当前状态；利用历史数据确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型；根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级。本发明充分利用了有限的传感器资源，使多个传感器尽可能互相协作，同时检测多个目标和扫描整个空间，并采用信息融合手段，根据不同状态感知来源和不同时间点的信息确定计量箱的预警等级，克服了单个传感器的不确定性和局限性，提高了整个传感器系统的有效性能，保障了智能计量箱的安全。

Description

一种基于数据融合的智能计量箱预警方法及系统

技术领域

本发明涉及智能电能计量箱保护技术领域，并且更具体地，涉及一种基于数据融合的智能计量箱预警方法及系统。

背景技术

随着自动化、智能化的发展，传感器广泛应用于工业感知、环境监控、机器人控制等领域中。为避免长期潮湿环境下，计量箱金属部件、线路及计量装置的元器件受侵蚀，引起的箱壳失效问题和箱内电能计量装置、断路器等带电连接点的温升过高，引起的过热、短路等安全问题，以及计量箱内部环境受外界人为等因素改变所造成经济损失，智能电能计量箱增加了计量装置运行的智能防护预警功能，有效避免窃电行为的发生，保障用电安全。

目前，智能电能计量箱设置了多类传感器，用于监测温湿度、门锁状态、用电负荷等多种状态参数。每一种传感器具备自身特点，往往只能在某个方面、某个范围内描述被测对象，且会在外界噪声干扰下产生测试误差。传感器网络通常由大量的传感器节点组成，由于潜在的冲突和数据冗余传输产生了可扩展的问题。由于传输能量的限制，为了提高传感器节点寿命，应该在能够确定智能计量箱的安全状态的同时适当减少通信次数。

因此，需要一种基于数据融合的智能计量箱预警方法。

发明内容

本发明提出一种基于数据融合的智能计量箱预警方法及系统，以解决如何实现智能计量箱预警的问题。

为了解决上述问题，根据本发明的一个方面，提供了一种基于数据融合的智能计量箱预警方法，所述方法包括：

根据获取的每种信息源的状态数据确定每种信息源对应的预警程度值，并根据所述预警程度值确定每种信息源对应的当前状态；其中，不同的状态与预警等级一一对应；

利用历史数据确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型；

根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级。

优选地，其中所述方法还包括：

利用传感器获取不同信息源的状态数据；其中，所述传感器包括：电流传感器、RFID、图像传感器、温湿度传感器、振动传感器、磁场传感器和门磁传感器。

优选地，其中所述根据预警程度值确定每种信息源对应的当前状态，包括：

将每种信息源对应的预警程度值分别与预设的状态等级划分范围进行匹配，以确定每种信息源对应的当前状态。

优选地，其中利用历史数据确定每个信息源在不同预警等级下的条件概率，包括：

其中，P(Y_k|X₁,X₂,...,X_n)表示特征X＝(X₁,X₂,...,X_n)属于状态Y_k的概率；Y_k表示预警等级为k的状态；X_ij表示第i个信息源X_i判断预警等级为j的状态；π_k表示最终的预警等级为k的情况；N(π_k)表示历史数据中所有最终预警等级为k的情况的统计数量；N(X_ij,π_k)表示历史数据中最终的预警等级为k的情况且第i个信息源判断预警等级为j状态的统计数量；

表示最终的预警等级为k的情况下，第i个信息源判断预警等级为j的条件概率。

优选地，其中所述根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级，包括：

其中，P(Y_k)表示预警等级为k的先验概率；N(π)表示所有作出了最终预警等级判断的历史数据统计数量；N(π_k)表示历史数据中所有最终预警等级为k的统计数量；信息源个数为n个，预警等级为m种，P(X₁₁,X₁₂,...,X_nm)为第k种预警对应的后验概率，最大的后验概率对应的状态对应的预警等级即为最终的预警等级。

根据本发明的另一个方面，提供了一种基于数据融合的智能计量箱预警系统，所述系统包括：

信息源的当前状态确定单元，用于根据获取的每种信息源的状态数据确定每种信息源对应的预警程度值，并根据所述预警程度值确定每种信息源对应的当前状态；其中，不同的状态与预警等级一一对应；

贝叶斯网络模型确定单元，用于利用历史数据确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型；

最终的预警等级确定单元，用于根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级。

优选地，其中所述系统还包括：

状态数据获取单元，用于利用传感器获取不同信息源的状态数据；其中，所述传感器包括：电流传感器、RFID、图像传感器、温湿度传感器、振动传感器磁场传感器和门磁传感器。

优选地，其中所述信息源的当前状态确定单元，根据预警程度值确定每种信息源对应的当前状态，包括：

将每种信息源对应的预警程度值分别与预设的状态等级划分范围进行匹配，以确定每种信息源对应的当前状态。

优选地，其中所述贝叶斯网络模型确定单元，利用历史数据确定每个信息源在不同预警等级下的条件概率，包括：

其中，P(Y_k|X₁,X₂,...,X_n)表示特征X＝(X₁,X₂,...,X_n)属于状态Y_k的概率；Y_k表示预警等级为k的状态；X_ij表示第i个信息源X_i判断预警等级为j的状态；π_k表示最终的预警等级为k的情况；N(π_k)表示历史数据中所有最终预警等级为k的情况的统计数量；N(X_ij,π_k)表示历史数据中最终的预警等级为k的情况且第i个信息源判断预警等级为j状态的统计数量；

表示最终的预警等级为k的情况下，第i个信息源判断预警等级为j的条件概率。

优选地，其中所述最终的预警等级确定单元，根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级，包括：

其中，P(Y_k)表示预警等级为k的先验概率；N(π)表示所有作出了最终预警等级判断的历史数据统计数量；N(π_k)表示历史数据中所有最终预警等级为k的统计数量；信息源个数为n个，预警等级为m种，P(X₁₁,X₁₂,...,X_nm)为第k种预警对应的后验概率，最大的后验概率对应的状态对应的预警等级即为最终的预警等级。

本发明提供了一种基于数据融合的智能计量箱预警方法及系统，包括：根据获取的每种信息源的状态数据确定每种信息源对应的当前状态；确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型；根据每种信息源对应的当前状态和已确定的贝叶斯网络模型确定最终的预警等级。本发明充分利用有限的传感器资源，使多个传感器尽可能互相协作，同时检测多个目标和扫描整个空间，并采用信息融合手段，根据不同状态感知来源和不同时间点的信息确定计量箱的预警等级，克服了单个传感器的不确定性和局限性，提高了整个传感器系统的有效性能，保障了智能计量箱的安全。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明实施方式的基于数据融合的智能计量箱预警方法100的流程图；

图2为根据本发明实施方式的实现计量箱预警的整体结构示意图；

图3为根据本发明实施方式的确定信息源的当前状态的示意图；以及

图4为根据本发明实施方式的基于数据融合的智能计量箱预警方法400的结构示意图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明实施方式的基于数据融合的智能计量箱预警方法100的流程图。如图1所示，本发明实施方式提供的基于数据融合的智能计量箱预警方法，充分利用了有限的传感器资源，使多个传感器尽可能互相协作，同时检测多个目标和扫描整个空间，并采用信息融合手段，根据不同状态感知来源和不同时间点的信息确定计量箱的预警等级，克服了单个传感器的不确定性和局限性，提高了整个传感器系统的有效性能，保障了智能计量箱的安全。本发明实施方式提供的基于数据融合的智能计量箱预警方法100从步骤101处开始，在步骤101根据获取的每种信息源的状态数据确定每种信息源对应的预警程度值，并根据所述预警程度值确定每种信息源对应的当前状态；其中，不同的状态与预警等级一一对应。

优选地，其中所述方法还包括：利用传感器获取不同信息源的状态数据；其中，所述传感器包括：电流传感器、RFID、图像传感器、温湿度传感器、振动传感器、磁场传感器和门磁传感器。

优选地，其中所述根据预警程度值确定每种信息源对应的当前状态，包括：将每种信息源对应的预警程度值分别与预设的状态等级划分范围进行匹配，以确定每种信息源对应的当前状态。

在本发明的实施方式中，基于如图2所示的整体结构实现计量箱的预警。实现计量箱预警的整体结构由传感器系统、数据融合中心和传感器管理系统(附加人机界面)构成，该系统结构简单，且各个传感器有较好的独立工作环境，可以自主完成对自身物理资源的管理。计量箱多传感器管理的目的是要充分利用有限的传感器资源，使多个传感器尽可能互相协作，同时检测多个目标和扫描整个空间，以获得最优的目标监控性能。数据融合中心的功能是对传感器系统探测到的计量箱运行环境信息进行融合处理，以获得关键状态估计和目标属性,为决策支持系统提供进一步融合的结果，并为传感器管理系统提供反馈依据。数据融合中心在探测信息量一定的前提下,选择一定的融合准则和融合算法进行融合优化,以获得在该条件下,较为精确的计量箱运行状态估计。通过智能预警技术和远程定位窃电位置技术，以关键特征量数据为基础构建预警模型，实现对计量箱故障和窃电现象的智能预警。另外，数据融合中心还可以通过反馈作用对所有传感器资源进行统一的分配和管理，并通过信息交互通知各传感节点。传感器管理系统(附加人机界面)随着计量箱环境情况的不断变化,传感器系统感知的信息也发生变化,随之而来的是问题识别精度的变化,计量箱内各监测状态的预警程度也在变化。这些信息进入传感器管理系统后,形成了一种新的传感器分配方案,从而调整传感器的重新配置,以实现整个系统具有实时调整的、不断优化的功能(其中包括传感器本身资源的优化)。

在本发明的实施方式中，传感器系统主要包括智能计量箱中的多种传感器，包括但不限于电流传感器、RFID、图像传感器、温湿度传感器、振动传感器、门磁传感器等，用于构建多特征量计量箱智能传感系统。针对电能计量箱可能发生的各类故障和窃电现场，根据计量箱门开闭状态、内部温湿度、磁场强度、节点温升、电能表连接状态和异常影像等特征量的测量和监测方案，实时监测关键特征量数据。采用低干扰多通道采集技术，实现与采集系统互通互联，实时掌握电能计量箱用电信息，有利于及时用电安全预警和窃电行为预警。

智能计量箱内的传感器管理主要根据特定的传感器或传感器组对计量箱进行检测,以提供该计量箱最需要的信息。例如，智能计量箱识别到非正常开箱人员的触发信息后，在非法开启后10秒发送文字警告信息及图片，60秒后再次发送，且数据保存并上传。同时，按照各传感器优先级程度选择合理的传感器资源合理配置的方式，例如在无非法开箱的情况下，图像传感器处于非工作状态以实现能量节约。

由于感知位置、外部干扰等原因，针对计量箱内同一状态参数的不同传感器所收到的信息也有所不同。这种情况采用状态融合估计进行判断。首先对感知到的状态信息进行时间融合，然后把各个传感器在同一时刻对同一目标的观测数据送至融合中心进行空间融合。例如，采用多个磁传感器对计量箱内磁感应强度进行监测时，会由于其放置位置(箱内四周或中心)、感应方向(X、Y、Z)的不同，多个磁传感器所感应到磁场信息也就不同。在处理时，将这些处于同一时间的不同信息直接传送给数据融合中心，然后利用经典的统计推断理论完成感知监测任务。

图3为根据本发明实施方式的确定信息源的当前状态的示意图。如图3所示，在本发明的实施方式中，根据信息源对应的检测数据确定预警程度值，并将每种信息源对应的预警程度值分别与预设的状态等级划分范围进行匹配，以确定每种信息源对应的当前状态。例如，当预警程度值<5％时，状态为优，对应的预警等级为零预警等级；当预警程度值为5％～30％时，状态为良，对应的预警等级为轻度预警；当预警程度值为30％～60％时，状态为一般，对应的预警等级为中度预警；以及当预警程度值>60％时，状态为差，对应的预警等级为重度预警。

在步骤102，利用历史数据确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型。

优选地，其中利用历史数据确定每个信息源在不同预警等级下的条件概率，包括：

其中，P(Y_k|X₁,X₂,...,X_n)表示特征X＝(X₁,X₂,...,X_n)属于状态Y_k的概率；Y_k表示预警等级为k的状态；X_ij表示第i个信息源X_i判断预警等级为j的状态；π_k表示最终的预警等级为k的情况；N(π_k)表示历史数据中所有最终预警等级为k的情况的统计数量；N(X_ij,π_k)表示历史数据中最终的预警等级为k的情况且第i个信息源判断预警等级为j状态的统计数量；

表示最终的预警等级为k的情况下，第i个信息源判断预警等级为j的条件概率。

在步骤103，根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级。

优选地，其中所述根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级，包括：

其中，P(Y_k)表示预警等级为k的先验概率；N(π)表示所有作出了最终预警等级判断的历史数据统计数量；N(π_k)表示历史数据中所有最终预警等级为k的统计数量；信息源个数为n个，预警等级为m种，P(X₁₁,X₁₂,...,X_nm)为第k种预警对应的后验概率，最大的后验概率对应的状态对应的预警等级即为最终的预警等级。

贝叶斯分类器是一种典型的基于统计方法的分类模型。基本贝叶斯分类方法通常都假设各类别是相互独立的，即各属性的取值是相互独立的。根据贝叶斯理论，可得到特征X＝(X₁,X₂,...,X_n)属于状态Y_k的概率为：

由此可得：

在本发明的实施方式中，信息融合算法是将n个特征状态信息，通过贝叶斯网络利用先验概率估计出Y_k状态的后验概率，然后利用后验概率确定最终的预警等级。

首先，根据历史数据计算条件概率：

其中，Y_k表示预警等级为k的状态；X_ij表示第i个信息源判断预警等级为j的状态；π_k表示最终的预警等级为k的情况；N(π_k)表示历史数据中所有最终预警等级为k的情况的统计数量；N(X_ij,π_k)表示历史数据中最终的预警等级为k的情况且第i个信息源判断预警等级为j状态的统计数量；

表示最终的预警等级为k的情况下，第i个信息源判断预警等级为j的条件概率。

由此可得先验概率为：

其中，N(π)表示所有作出了最终预警等级判断的历史数据统计数量；N(π_k)表示历史数据中所有最终预警等级为k的统计数量；P(Y_k)表示预警等级为k的先验概率。

对于计量箱状态监测信息源有n个，预警等级为m种时，第k种预警对应的后验概率为：

又

因此，后验概率P(X₁₁,X₁₂,...,X_nm)的计算公式为：

其中，公式(5)为信息融合与贝叶斯网络相结合的推理结构。通过公式(6)可以计算出最大的后验概率值，相对应的状态即为信息融合获取的最终的预警等级。

以下具体举例说明本发明的实施方式

智能计量箱产生预警信息的因素主要可包括温湿度、机械振动、雨水浸入、阳光辐射、线路电流、人为损坏等。在本发明的实施方式中，选取其中五种主要状态参数作为多信息源，包括：温湿度(信息源1)、雨水浸入(信息源2)、线路电流(信息源3)、周围工作磁场(信息源4)和机械振动(信息源5)。计量箱的预警等级设定为4个等级，其中零预警等级(预警程度值<5％)、轻度预警等级(预警程度值为5％-30％)、中度预警附件(预警程度值为30％-60％)和重度预警等级(预警程度值>60％)。若某次预警中信息源1计算的预警程度值为P1，信息源2计算预警程度值为P2，信息源3计算的预警程度值为P3，信息源4计算的预警程度值为P4，信息源5计算的预警程度值为P5，在确定每个信息源的当前状态后，利用贝叶斯网络信息融合模型进行评估的过程包括：

1)建立贝叶斯网络融合模型。在分析预警信息源的基础上，依据构建贝叶斯网络的基本思路，建立贝叶斯网络模型的拓扑结构。

2)模型参数估计。根据预警信息收集手段的特点，结合专家经验与历史统计数据，整理得到若干组预警信息数据，然后将历史数据代入公式(3)计算得到信息源特征信息属性的条件概率，由此获取贝叶斯网络信息融合模型的参数。

3)多源信息融合。根据模型参数获取得到预警等级各状态的先验概率，并根据公式(5)和(6)进行融合计算，并选取最大的后验概率对应的预警等级作为多源信息融合后最终的预警等级。

图4为根据本发明实施方式的基于数据融合的智能计量箱预警方法400的结构示意图。如图4所示，本发明实施方式提供的基于数据融合的智能计量箱预警系统400，包括：信息源的当前状态确定单元401、贝叶斯网络模型确定单元402和最终的预警等级确定单元403。

优选地，所述信息源的当前状态确定单元401，用于根据获取的每种信息源的状态数据确定每种信息源对应的预警程度值，并根据所述预警程度值确定每种信息源对应的当前状态；其中，不同的状态与预警等级一一对应。

优选地，其中所述系统还包括：状态数据获取单元，用于利用传感器获取不同信息源的状态数据；其中，所述传感器包括：电流传感器、RFID、图像传感器、温湿度传感器、振动传感器磁场传感器和门磁传感器。

优选地，其中所述信息源的当前状态确定单元，根据预警程度值确定每种信息源对应的当前状态，包括：将每种信息源对应的预警程度值分别与预设的状态等级划分范围进行匹配，以确定每种信息源对应的当前状态。

优选地，所述贝叶斯网络模型确定单元402，用于利用历史数据确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型。

优选地，其中所述贝叶斯网络模型确定单元，利用历史数据确定每个信息源在不同预警等级下的条件概率，包括：

其中，P(Y_k|X₁,X₂,...,X_n)表示特征X＝(X₁,X₂,...,X_n)属于状态Y_k的概率；Y_k表示预警等级为k的状态；X_ij表示第i个信息源X_i判断预警等级为j的状态；π_k表示最终的预警等级为k的情况；N(π_k)表示历史数据中所有最终预警等级为k的情况的统计数量；N(X_ij,π_k)表示历史数据中最终的预警等级为k的情况且第i个信息源判断预警等级为j状态的统计数量；

表示最终的预警等级为k的情况下，第i个信息源判断预警等级为j的条件概率。

优选地，所述最终的预警等级确定单元403，用于根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级。

优选地，其中所述最终的预警等级确定单元，根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级，包括：

其中，P(Y_k)表示预警等级为k的先验概率；N(π)表示所有作出了最终预警等级判断的历史数据统计数量；N(π_k)表示历史数据中所有最终预警等级为k的统计数量；信息源个数为n个，预警等级为m种，P(X₁₁,X₁₂,...,X_nm)为第k种预警对应的后验概率，最大的后验概率对应的状态对应的预警等级即为最终的预警等级。

本发明的实施例的基于数据融合的智能计量箱预警系统400与本发明的另一个实施例的基于数据融合的智能计量箱预警方法100相对应，在此不再赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于数据融合的智能计量箱预警方法，其特征在于，所述方法包括：

根据获取的每种信息源的状态数据确定每种信息源对应的预警程度值，并根据所述预警程度值确定每种信息源对应的当前状态；其中，不同的状态与预警等级一一对应；

利用历史数据确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型；

根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用传感器获取不同信息源的状态数据；其中，所述传感器包括：电流传感器、RFID、图像传感器、温湿度传感器、振动传感器、磁场传感器和门磁传感器。

3.根据权利要求1所述的方法，其特征在于，所述根据预警程度值确定每种信息源对应的当前状态，包括：

将每种信息源对应的预警程度值分别与预设的状态等级划分范围进行匹配，以确定每种信息源对应的当前状态。

4.根据权利要求1所述的方法，其特征在于，利用历史数据确定每个信息源在不同预警等级下的条件概率，包括：

其中，P(Y_k|X₁,X₂,...,X_n)表示特征X＝(X₁,X₂,...,X_n)属于状态Y_k的概率；Y_k表示预警等级为k的状态；X_ij表示第i个信息源X_i判断预警等级为j的状态；π_k表示最终的预警等级为k的情况；N(π_k)表示历史数据中所有最终预警等级为k的情况的统计数量；N(X_ij,π_k)表示历史数据中最终的预警等级为k的情况且第i个信息源判断预警等级为j状态的统计数量；

表示最终的预警等级为k的情况下，第i个信息源判断预警等级为j的条件概率。

5.根据权利要求1所述的方法，其特征在于，所述根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级，包括：

其中，P(Y_k)表示预警等级为k的先验概率；N(π)表示所有作出了最终预警等级判断的历史数据统计数量；N(π_k)表示历史数据中所有最终预警等级为k的统计数量；信息源个数为n个，预警等级为m种，P(X₁₁,X₁₂,...,X_nm)为第k种预警对应的后验概率，最大的后验概率对应的状态对应的预警等级即为最终的预警等级。

6.一种基于数据融合的智能计量箱预警系统，其特征在于，所述系统包括：

信息源的当前状态确定单元，用于根据获取的每种信息源的状态数据确定每种信息源对应的预警程度值，并根据所述预警程度值确定每种信息源对应的当前状态；其中，不同的状态与预警等级一一对应；

贝叶斯网络模型确定单元，用于利用历史数据确定每个信息源在不同预警等级下的条件概率，并作为模型参数，以确定贝叶斯网络模型；

最终的预警等级确定单元，用于根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括：

状态数据获取单元，用于利用传感器获取不同信息源的状态数据；其中，所述传感器包括：电流传感器、RFID、图像传感器、温湿度传感器、振动传感器磁场传感器和门磁传感器。

8.根据权利要求6所述的系统，其特征在于，所述信息源的当前状态确定单元，根据预警程度值确定每种信息源对应的当前状态，包括：

将每种信息源对应的预警程度值分别与预设的状态等级划分范围进行匹配，以确定每种信息源对应的当前状态。

9.根据权利要求6所述的系统，其特征在于，所述贝叶斯网络模型确定单元，利用历史数据确定每个信息源在不同预警等级下的条件概率，包括：

其中，P(Y_k|X₁,X₂,...,X_n)表示特征X＝(X₁,X₂,...,X_n)属于状态Y_k的概率；Y_k表示预警等级为k的状态；X_ij表示第i个信息源X_i判断预警等级为j的状态；π_k表示最终的预警等级为k的情况；N(π_k)表示历史数据中所有最终预警等级为k的情况的统计数量；N(X_ij,π_k)表示历史数据中最终的预警等级为k的情况且第i个信息源判断预警等级为j状态的统计数量；

表示最终的预警等级为k的情况下，第i个信息源判断预警等级为j的条件概率。

10.根据权利要求6所述的系统，其特征在于，所述最终的预警等级确定单元，根据已确定的贝叶斯网络模型和每种信息源对应的当前状态确定最终的预警等级，包括：

其中，P(Y_k)表示预警等级为k的先验概率；N(π)表示所有作出了最终预警等级判断的历史数据统计数量；N(π_k)表示历史数据中所有最终预警等级为k的统计数量；信息源个数为n个，预警等级为m种，P(X₁₁,X₁₂,...,X_nm)为第k种预警对应的后验概率，最大的后验概率对应的状态对应的预警等级即为最终的预警等级。

Images