(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111371966.2 (22)申请日 2021.11.19 (65)同一申请的已公布的文献号 申请公布号 CN 113809747 A (43)申请公布日 2021.12.17 (73)专利权人 长沙理工大 学 地址 410114 湖南省长 沙市天心区万家丽 南路2段96 0号 (72)发明人 吴华仪　许昭　杨洪明　徐志强　 项胜　黄婧杰　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 代理人 欧阳迪奇 (51)Int.Cl. H02J 3/00(2006.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 113/04(2020.01) 审查员 冯欣 (54)发明名称 一种配电网拓扑识别方法、 电子设备及 介质 (57)摘要 本发明公开了一种配电网拓扑识别方法、 电 子设备及介质。 首先基于历史的配电网电压幅值 数据集形成配电网相邻节点对的电压幅值马尔 可夫毯格式的电压幅值测量矩阵， 构造能够压缩 配电网节点电压幅值并用于配电网拓扑识别的 马尔可夫毯图向量压缩神经网络的结构， 然后进 行迭代训练， 得到最优的马尔可夫毯图向量压缩 神经网络模 型； 最后根据实时的电压幅值测量对 配电网进行拓扑识别， 得到配电网实时的线路拓 扑通断信息。 本发明改进了传统的神经网络模 型， 能够适用大规模的配电网拓扑识别问题， 同 时提高计算效率， 增强识别的准确度， 能够与配 电网稳定控制等 算法相兼容。 权利要求书3页 说明书8页 附图1页 CN 113809747 B 2022.02.15 CN 113809747 B 1.一种配电网拓扑识别方法， 其特 征在于， 包括以下步骤： 步骤1） 根据配电网电压幅值的历史数据集中配电网的节点数目和电压幅值样本数建 立第一矩阵， 然后以相邻节点对的电压幅值并集作为相邻节点对的电压马尔可夫毯来建立 第二矩阵， 并基于第一矩阵和 第二矩阵来建立配电网相邻节点对的电压幅值马尔可夫毯格 式的电压幅值测量矩阵； 步骤2） 基于配电网总的节点数和配电网电压幅值节点来建立作为马尔可夫毯图向量 模型的矩阵， 然后 将矩阵分别与第二矩阵或相 邻节点对中的节点对应于配电网中的位置来 联合形成马尔可夫毯图向量压缩模型， 再将马尔可夫毯图向量压缩模型作为神经网络中的 图卷积层来形成马尔可 夫毯图向量压缩神经网络； 步骤3） 基于步骤1） 的电压幅值测量矩阵对步骤2） 的神经网络进行迭代训练， 得到最优 的马尔可 夫毯图向量压缩神经网络模型； 步骤4） 基于步骤3） 的神经网络模型， 根据实时的配电网节点电压幅值马尔可夫毯格 式 的电压幅值测量矩阵对配电网进行拓扑识别， 得到配电网实时的线路拓扑通断信息； 所述的步骤2)中， 马尔可 夫毯图向量模型的矩阵通过以下 方式建立： 构造马尔可夫毯图向量模型 θ1，θ2:→RN×d， 其中，R表示实数空间； θ1是大小为 N×d的二 维矩阵， 其中每一行向量代表一个配电网电压幅值节点， θ2是大小为 L×d的二维矩阵， 每一 行向量代表一个配电网线路； N表示配电网总的节点数， L表示配电网的线路总数， d表示行 向量的维度； 所述的步骤2)中， 马尔可 夫毯图向量压缩 模型通过以下 方式建立： 马尔可夫毯图向量压缩模型 与 是基于第 二矩阵Al和向量Il来分别与马尔可夫毯 图向量模型 θ1或θ2进行矩阵乘法计算得到： 其中第二矩阵 Al的维度为 N×N，Al中的元素为： 其中，aij表示Al中第i行第j列对应的元素； 表示配电网节点对 （ vi，vj） 的电压幅值马 尔可夫毯中的电压幅值所对应的配电网节点； 其中节点 vi的电压马尔可夫毯是指与节点 vi 相邻的节点 vj的电压幅值的集合， 则相邻节点对的电压幅值马尔可夫毯为配电网相邻 节点 对vi和vj的电压幅值马尔可 夫毯的并集； 向量Il的维度为1 ×L，Il中的元素为： 上式中， Ω表示配电网相邻节点对 （ vi，vj） 对应的线路 l； 所述的步骤2)中， 马尔可 夫毯图向量压缩神经网络通过以下 方式构造：权　利　要　求　书 1/3 页 2 CN 113809747 B 2其中， Vm是电压幅值马尔可夫毯格式的电压幅值测量矩阵； b1和b2分别表示维度为 d× 1和1×1的偏置向量；  ReLU(·)是ReLU函数(ReLU （x） =max （0， x） )， σ(·)是sigmoid函数( σ (x)=1/ （1+e‑x） )；f是这个模型的输出， f小于0.5表示线路断开， f大于0.5表示线路正常运 行； 所述的步骤3)包括以下 过程： 用交叉熵建立损失函数： 式中，K表示每次迭代的电压幅值的样本 数目；f k表示第k个样本电压幅值样本第 l个配 电网线路即相邻节点对 （ vi，vj） 通过图向量压缩神经网络预测到的通断状态， 大于0.5表示 该线路预测 正常运行， 小于0.5表示该线路断开； 表示第k个样本电压幅值样本第 l个配 电网线路即相邻节点对 （ vi，vj） 实际的通断状态， 表示该配电网线路实际正常运行， 表示该配电网实际线路断开； 然后， 根据所述的损失函数， 通过反向传播的方式， 对马尔可夫毯图向量模型 θ1，θ2的参 数进行不断的更新迭代直至拓扑识别的准确率达到预设的要求， 并保存最优的马尔可夫毯 图向量压缩神经网络模型。 2.根据权利要求1所述的方法， 其特征在于， 所述的步骤1)中， 第一矩阵通过以下方式 建立： 将历史电压幅值储存为一个 M行N列的矩阵 V∈RM×N来作为第一矩阵； 其中， N表示配电网 的节点数目， M表示总的电压幅值样本数； 配电网的节点编号为 ， 配电网 线路的编号为 ； 其中，i，j分别表示第 i，j个配电网节点的编号， l表示配电网 相邻节点对 vi和vj之间的线路， vi，vj分别表示配电网节点本身。 3.根据权利要求2所述的方法， 其特征在于， 所述的步骤1)中， 第二矩阵通过以下方式 建立： 建立维度为 N×N的矩阵Al作为第二矩阵， 其中 Al中的元素为： 上式中，aij表示Al中第i行第j列对应的元素， 其中 i，j分别表示第 i，j个配电网节点的 编号； 表示配电网节点对 （ vi，vj） 的电压幅值马尔 可夫毯中的电压幅值所对应的配电网 节点； 其中节 点vi的电压马尔可夫毯是指与节 点vi相邻的节 点vj的电压幅值的集合， 则相 邻 节点对的电压幅值马尔可 夫毯为配电网相邻节点对 vi和vj的电压幅值马尔可 夫毯的并集。 4.根据权利要求3所述的方法， 其特征在于， 所述的步骤1)中， 配电网相邻节点对的 电权　利　要　求　书 2/3 页 3 CN 113809747 B 3