智能电能表正逐步进入每个家庭,实现用电信息采集的完全覆盖,其在智能电网的建设中的重要作用正在被突显出来。智能电能表寿命有限,回收再使用时流程繁琐,会造成很大的资源浪费。若能使用计算机技术对智能电能表的状态进行预测,及时获取智能电能表的状态信息,则可以最大化的对智能电能表进行使用。通过多年的积累,国家电网公司积攒了大量智能电能表质量数据,这些数据基本覆盖了评价智能电能表状态所需信息,但并没有被充分挖掘和利用。国内外针对智能电能表状态的评价研究甚少,尤其在国内,对智能电能表状态评价研究尚属起步阶段。信息融合也就是多源信息融合,是指合并、组合多方来源的信息和数据,形成一个统一的结果,比单一信息源更精确、更完全。信息融合的过程主要包括数据采集、数据预处理、数据融合处理(特征提取、数据融合计算)和结果输出等步骤。为了解决智能电能表造成的资源浪费问题,从对智能电能表的状态评价展开研究,考虑到国家电网现采集到的大量数据,虽然涵盖了状态评价所需信息,但其中存在许多干扰数据。为解决该问题,本文采用了多信息融合方式。本文的主要研究工作如下:第一,本文以国家电网和其他学者对智能电能表的研究为主,介绍了智能电能表的发展现状。从民用和军用两方面,介绍了信息融合技术的应用;阐述了信息融合技术的流程,并对所涉及的方法和技术给出了简要说明。第二,针对国家电网给出的大量数据的特点,本文给出基于最大间隔贝叶斯网分类器的智能电能表状态评价方法。在该方法中,使用最大间隔贝叶斯网分类器(Maximum margin bayesian network classifiers,MMBN)对智能电能表状态进行分类。由于大多数的数据是时间信息,具有连续属性,为此在数据预处理中,采用了一种基于信息熵的连续属性离散化方法,对数据进行等距离离散。进而选用遗传算法对预处理后的数据进行特征选择,最终使用MMBN方法完成状态评价。与SVM分类器进行比较,实验结果表明本方法取得了较好的状态评价效果。第三,针对单一分类器泛化能力差,多分类器可能造成效率低下资源浪费的问题,本文提出基于选择性集成的智能电能表状态评价方法。该方法对同一分类算法进行多次训练,用K-means算法作为选择策略,并用两个分类器的重合误差作为测算距离的标准,将产生一致错误的分类器分到同一组。通过实验确定被选择的分类器的个数,最后对选中的分类器的分类结果进行投票。实验结果表明,该选择性集成方法进一步提高了分类的准确率。