(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111208288.8 (22)申请日 2021.10.18 (71)申请人 南京工程学院 地址 211167 江苏省南京市江宁区科技园 弘景大道1号南京工程学院 (72)发明人 卞海红　王德邻　郭正阳　王西蒙　 王新迪　 (74)专利代理 机构 南京源古知识产权代理事务 所(普通合伙) 32300 代理人 郑宜梅 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 20/10(2019.01)G06F 113/04(2020.01) (54)发明名称 一种基于布谷鸟搜索算法的SVM的配电网拓 扑辨识方法 (57)摘要 本发明公开了一种基于布谷鸟搜索算法的 SVM的配电网拓扑辨识方法， 包括： 利用SCADA系 统采集不同拓扑结构下观测节点的多种负荷水 平的断面电压幅值量测数据和相应的拓扑标签， 进行标准化预处理得到训练数据集。 根据训练数 据集对支持向量机进行训练学习， 并通过布谷鸟 搜索算法对设置初始的惩罚因子C和核函数参数 进行搜索分析分别获得其最优值； 确定基于布谷 鸟搜索算法优化的支持向量机的配电网拓扑辨 识模型。 从监测节点获取观测节 点的断面电压幅 值量测数据， 并进行标准化预处理。 利用得到配 电网拓扑辨识模型对观测节点预处理后的断面 电压幅值量测数据进行分析， 确定节 点的电路拓 扑结构。 本发 明提出的方法均比传统方法具有很 大的优越性。 权利要求书2页 说明书5页 附图2页 CN 113901623 A 2022.01.07 CN 113901623 A 1.一种基于布谷鸟搜索算法的SVM的配电网拓扑辨识方法， 其特征在于： 利用SCADA系 统采集不同拓扑结构下观测节点的多种负荷水平的断面电压幅值量测数据和相 应的拓扑 标签， 进行 标准化预处理； 得到经 过标准化预处理后的训练数据集； 根据训练数据集对支持向量机SVM进行训练学习， 并通过布谷鸟搜索算法CS对设置初 始的惩罚因子C和核函数参数σ 进行搜索分析分别获得其最优值； 确定基于布谷鸟搜索算法 优化的支持向量机 CS‑SVM的配电网拓扑辨识模型； 从监测节点获取观测节点的断面电压幅值 量测数据， 并进行 标准化预处理； 利用基于布谷鸟搜索算法优化的支持向量机CS ‑SVM的配电网拓扑辨识模型对观测节 点预处理后的断面电压幅值 量测数据进行分析， 确定节点的电路拓扑 结构。 2.根据权利要求1所述的一种基于布谷鸟搜索算法的SVM的配电网拓扑辨识方法， 其特 征在于： 所述标准 化预处理为归一 化处理， 具体为采用公式(1)进行处 理： 公式(1)中， Vi和Vinorm分别为节点i归一化前后的电压幅值， Vimax和Vimin分别为训练数据 集中节点 i电压幅值的最大值和最小值。 3.根据权利要求1所述的一种基于布谷鸟搜索算法的SVM的配电网拓扑辨识方法， 其特 征在于： 所述根据训练数据集对支持向量机SVM进 行训练学习， 并通过布谷鸟搜索算法CS对 设置初始的惩罚因子C和核函数参数σ 进 行搜索分析分别获得其最优值； 确定基于布谷鸟搜 索算法优化的支持向量机 CS‑SVM的配电网拓扑辨识模型， 具体包括以下步骤： 步骤一： 建立优化目标函数： 以SVM输出的均方误差为优化目标， 建立如 下表达式(2)为 优化目标函数， (2)式中， n为节点i的样本数， yr为第r个样本的SVM的输出值， 为第r个样本的实际值， fMSE为SVM输出的均方误差， 而mi n.前缀表示对该变量进行最小值 寻优； 步骤二： 设置SVM参数， 确定 C和σ 的取值范围； 设置 CS参数， 种群 个数n， 发现概 率pa； 步骤三： 随机初始化鸟巢位置， 根据目标函数， 计算每一个鸟巢的适应度值， 并选择当 前最优适应度值和对应的鸟巢 位置； 步骤四： 利用公式(3)进行Levy搜索， 实现对鸟巢 位置更新； 式(3)中 表示第i(i ＝1,2,3, …,n)个鸟窝在第t 代的鸟窝 位置； 表示点乘； α 表示 步 长控制量， 用于控制步长的搜索范围， 其值服从正态分布； 其中Levy( λ )为Levy随机搜索路 径， 属于随机游走， 服从Levy分布， 即 Levy( λ )～ μ＝t‑λ， 1＜ λ＜3    (4) 式(4)中t为游走步长， λ为步长规模参数； 为了减少计算量， 通常采用下式(5)进行计算 Levy( λ )：权　利　要　求　书 1/2 页 2 CN 113901623 A 2式(5)中， u,v服从正态分布， β ＝1.5， 表达式为式(6)： α 的表达式为： 上式中： 为第t次迭代时 的最佳鸟巢； α0为控制随机搜索步长范围的步长因子， 取值 为0.01； 根据上式(3)至(7)式， 鸟巢 位置更新 为： 步骤五： 评估步骤四中生成的新鸟巢， 如果新鸟巢的适应度值优于上一代鸟巢的适应 度值， 则用新鸟巢替换上一代的鸟巢， 反之， 保留上一代的鸟巢， 最后选取并更新当前最优 的适应度值和对应的鸟巢 位置； 步骤六： 产生一个随机数ε∈(0,1)， 服从均匀分布， 若 ε<pa， 则保留原来的鸟巢； 若 ε>pa， 则继续更新搜索， 产生 新的鸟巢； 步骤七： 对步骤六中生成的新鸟巢进行评估， 选取最优的适应度值和对应的鸟巢 位置； 步骤八： 判断是否满足预设的最大迭代， 若不满足， 返回步骤四开始新的的迭代； 若满 足， 则输最优的鸟巢 位置及对应的适应度值。权　利　要　求　书 2/2 页 3 CN 113901623 A 3