智能电能表是智能电网建设中重要的一环,为了推进智能电网建设进程,国家电网公司在国内开展关于智能电能表的相关研究。国家标准规定,电能表(1、2级)在使用8年后需回收并进行检测,而检测后的电能表需要进过“两拆两装”才能继续使用,此举导致电能表每年的浪费量巨大。因此,研究如何对电能表运行状态进行更科学有效的评估,以减少浪费节约成本具有重要意义。数据融合作为一种通过对多种来源的观测信息进行综合分析以辅助决策的技术,被广泛应用于各行各业。为了减少电能表资源的浪费,本文使用基于概率图模型的数据融合技术对智能电能表运行状态进行评估。主要工作如下:(1)在数据预处理过程中,本文首先使用基于信息熵的数据离散化算法对原始数据进行处理,然后使用模拟退火对数据特征进行选择,以便模型能更好的利用数据;(2)使用改进版人工蜂群算法对贝叶斯网络结构进行学习。本文在改进版人工蜂群算法中引入了模拟退火的思路,使用热力学公式以一定概率接纳次优解,优化更新蜜源的策略。(3)为提高模型泛化能力,本文使用集成算法对基于改进版人工蜂群算法的贝叶斯网络模型进行集成,并在此基础上利用k-means聚类算法对模型进行选择性集成。为了更好的融合子分类的预测结果,同时降低模型的误判率,本文还使用了凸函数证据理论对多个子分类器预测结果进行融合。本文将模型应用于国家电网公司智能电能表数据中,实验结果表明,改进版人工蜂群算法在贝叶斯网络解空间中搜索解的能力优于遗传算法和多种群细菌觅食算法和混合鱼群算法;且在整合了改进版人工蜂群的贝叶斯网络模型、选择性集成和凸函数证据理论融合算法后,模型相对于LGB算法和XGB算法等主流算法而言,误判率更低,准确率更高,达到了更好的预测效果,同时具有更好的解释性。