基于图小波神经网络的低压配电网台区拓扑识别方法技术

本发明专利技术属于电力拓扑大数据分析领域，尤其涉及基于图小波神经网络的低压配电网台区拓扑识别方法。包括以下步骤：S1：低压配电网台区拓扑异常识别问题建模；S2：构建图小波神经网络；该图小波神经网络由输入层、L层图卷积层和输出层组成，其以编码图局部拓扑结构信息的邻接矩阵A和编码用户用电特征数据的顶点特征矩阵X为输入，输出顶点类别标签预测矩阵；S3：输入电力用户数据，输出拓扑异常用户。本方法能充分利用低压配电网台区拓扑结构和不同用户用电特征数据，实现台区异常户变关系识别，利用卷积定理与热核函数定义图小波变换及其逆变换基底，它们的局部性和稀疏性，保证了网络具有良好的分类性能和效率，从而实现精确台区拓扑识别。拓扑识别。拓扑识别。

【技术实现步骤摘要】
基于图小波神经网络的低压配电网台区拓扑识别方法


[0001]本专利技术属于电力拓扑大数据分析领域，尤其涉及基于图小波神经网络的低压配电网台区拓扑识别方法。

技术介绍

[0002]随着城镇化进程快速推进，城市低压配电网络前期规划不完善、实施不到位、更新不及时等造成的台区拓扑网络不完整、不准确的问题愈发严重。主要表现有：(1)部分台区网络未按照规划铺设，没有记录准确的网络拓扑信息；(2)部分用户为方便快捷用电，私自走线，可能出现同一用户拥有两条不同台区的入户线，进而导致其实际用电量和分支总表记录的用电量存在出入；(3)用户数目不断增加或减少，但是用户档案信息却没有同步更新。上述问题不仅阻碍电网智能化管理、配电精细化营销，还可能给电力抢修人员带来极大的人身安全隐患。因此，有必要开展城市低压配电网台区拓扑关系异常识别的研究。
[0003]目前，城市低压配电网台区拓扑结构核校主要依靠人工排查，不但耗时耗力，而且准确率较低。因此，亟需一种高效、准确的台区拓扑结构异常识别方法。伴随电力物联网建设地快速推进，城市低压配电网大规模配备了智能终端和传感器，可快速、实时采集电压、电流和功率等数据，为研究设计城市低压配电网台区拓扑结构异常识别方法奠定基础。通常，配电网中电气距离较近的负荷电压或电流曲线波动比较相似。基于这一观察，研究者提出了许多拓扑结构识异常别方法如离群点检测、皮尔逊相关系数法、灰色关联分析法和逻辑回归模型等。这些研究方法仅从不同用户的电气特征数据相关性分析入手，忽视了变压器和不同用户间的拓扑结构，具有识别准确率低、依赖相关性阈值设定等问题。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供了一种易于实现、识别准确率高的基于图小波神经网络的低压配电网台区拓扑识别方法。
[0005]本专利技术是这样实现的，基于图小波神经网络的低压配电网台区拓扑识别方法，包括以下步骤：S1：低压配电网台区拓扑异常识别问题建模；S2：构建图小波神经网络；该图小波神经网络由输入层、L层图卷积层和输出层组成，其以编码图局部拓扑结构信息的邻接矩阵A和编码用户用电特征数据的顶点特征矩阵X为输入，输出顶点类别标签预测矩阵；S3：输入电力用户数据，输出拓扑异常用户。
[0006]所述的S1：低压配电网台区拓扑异常识别问题建模是指：城市低压配电网台区拓扑异常识别问题可形式化描述为：给定一个无向带权图G＝(V,E,A)及其顶点属性矩阵X，已知G中包括v0在内的部分顶点具有标签y∈{0,1}2,推断每个无标签顶点v∈V
U
的标签y∈{0,1}2,并输出所有与v0类别标签不同的顶点，即异常供电用户。
[0007]城市配电网通常以辐射状为主进行架设，低压台区从配电变压器的低压侧出线端开始，经由分支箱和光力柜，终于各个用户接入点。图1展示了一个典型的城市低压配电网台区拓扑结构：配电变压器的出线端和分支箱的入线端相连，后者的出线端和用户电表箱
的进线端相连。低压配电网台区拓扑识别就是指辨识配电变压器到用户表箱的供电关系。一般地说，变压器、供电用户以及两者之间的供电关系可用图建模表示。如图2所示，变压器和用户均用顶点表示，供电关系可用连接边表示。则低压配电台区拓扑异常识别问题可抽象为一个图顶点二分类问题：用户顶点是否与所属低压台区变压器顶点同属一个类别。若是，则拓扑结构正常，否则异常。
[0008]记城市低压配电网台区拓扑结构图为G＝(V,E,A)。其中，V表示顶点集合，包括一个表示变压器的顶点和n
‑
1个表示所属供电用户的顶点；E表示变压器与所属供电用户间的连接边集合；A是一个n
×
n维的邻接矩阵，元素a
ij
＝1表示顶点v
i
和v
j
相连，a
ij
＝0表示两者未相连；每个用户顶点v
i
(i∈[2,n])都有d个属性x
i
＝{x
i
(1),x
i
(2),
…
,x
i
(d)}，它们可以是该用户在一段连续时间内不同阶段的用电量或一段连续时间内不同时刻的电压等；相应的，变压器顶点v1同样拥有d个属性x1＝{x1(1),x1(2),
…
,x1(d)}。此外，变压器顶点和部分用户顶点有类别标签y∈{0,1}
c
。其中，c表示类别数。在此关注二分类问题，取c＝2。记有类别标签和无类别标签两类顶点集合分别为V
L
和V
U
，则有：(1)V
L
UV
U
＝V；＝V；其中，I(*)为指示函数，当*条件为真输出1，否则输出0。所有顶点的所有属性值构成顶点特征矩阵X∈R
n
×
d
,其列向量x
j
(j∈[1,d])构成图G上的一个信号x
j
∈R
n
,表示所有顶点的某一属性值。
[0009]所述的S2：构建图小波神经网络的L层图卷积层中图小波变换定义一种将图信号从顶点域投射到谱域的变换方法。借鉴图傅里叶变换，可将图小波变换及其逆变换分别定义为和其中，Ψ
r
和分别表示图小波变换基底及其逆变换基底。设Ψ
r
＝ψ
r1
,ψ
r2
,
…
,ψ
rn
},ψ
ri
表示从顶点v
i
发出的能量扩散信号，刻画v
i
的局部邻域结构；r是一个表示缩放因子的标量。图小波基Ψ
r
可通过公式Ψ
r
＝UG
r
U
T
求取。式中，U＝{u1,u2,
…
,u
n
}表示n个相互正交的特征向量，由图G的拉普拉斯矩阵特征分解得到；是参数为r的缩放矩阵，其对角线元素Λ＝{λ1,λ2,
…
,λ
n
}是特征向量U对应的特征值。G
‑
r
通过将G
r
中g(rλ
i
)替换为得到。
[0010]根据图小波变换及其逆变换，定义图卷积操作为：
[0011][0012]其中，
⊙
表示Hadamard积；g
θ
(Λ)由对角化谱域图小波卷积核得到；为减少网络参数，将第l层(1≤l≤L)图卷积操作分解为特征变换和图卷积两个阶段：
[0013][0014][0015]其中，H
l
和H
l+1
分别为第l层图卷积层的输入和输出数据；Θ
l
是第l层的特征变换矩阵；F
l
是第l层的图卷积核矩阵，它是一个对角阵，通过对角化卷积核f
l
＝(f
l1
，f
l2
,...，f<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图小波神经网络的低压配电网台区拓扑识别方法，包括以下步骤：S1：低压配电网台区拓扑异常识别问题建模；S2：构建图小波神经网络；该图小波神经网络由输入层、L层图卷积层和输出层组成，其以编码图局部拓扑结构信息的邻接矩阵A和编码用户用电特征数据的顶点特征矩阵X为输入，输出顶点类别标签预测矩阵；S3：输入电力用户数据，输出拓扑异常用户。2.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S1：低压配电网台区拓扑异常识别问题建模是指，给定一个无向带权图G＝(V,E,A)及其顶点属性矩阵X，已知G中包括v0在内的部分顶点具有标签y∈{0,1}2，推断每个无标签顶点v∈V
U
的标签y∈{0,1}2，并输出所有与v0类别标签不同的顶点，即异常供电用户；其中，V表示顶点集合，包括一个表示变压器的顶点和n
‑
1个表示所属供电用户的顶点；E表示变压器与所属供电用户间的连接边集合；A是一个n
×
n维的邻接矩阵，元素a
ij
＝1表示顶点v
i
和v
j
相连，a
ij
＝0表示两者未相连。3.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S2：构建图小波神经网络的L层图卷积层，是指根据图小波变换及其逆变换，定义图卷积操作为：其中，
⊙
表示Hadamard积；g
θ
(Λ)由对角化谱域图小波卷积核得到；为减少网络参数，将第l层(1≤l≤L)图卷积操作分解为特征变换和图卷积两个阶段：得到；为减少网络参数，将第l层(1≤l≤L)图卷积操作分解为特征变换和图卷积两个阶段：其中，H
l
和H
l+1
分别为第l层图卷积层的输入和输出数据；Θ
l
是第l层的特征变换矩阵；F
l
是第l层的图卷积核矩...

【专利技术属性】
技术研发人员：朱铮，许堉坤，黄锋，俞磊，蒋超，陈海宾，戴辰，王晋，沈华，甄昊涵，江剑峰，赵舫，肖爽，闫景瑞，
申请(专利权)人：朗新科技集团股份有限公司，
类型：发明
国别省市：