(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 202111208292.4 (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 一种基于粒子群算法优化的SVM的配电网拓 扑辨识方法 (57)摘要 本发明公开了一种基于粒子群算法优化的 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， 得到经过标准化预处理后的训练数据集； 对支持 向量机SVM进行训练学习， 并通过粒子群算法对 设置初始的惩罚因子C和核函数参数进行优化， 确定基于粒子群算法优化的支持向量机的PSO ‑ SVM配电网拓扑辨识模型； 获取观测节点的断面 电压幅值量测数据， 利用基于粒子群算法优化的 支持向量机的PSO ‑SVM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。 本发明能够解 决现有技 术的求解速度慢， 搜索效率低。 权利要求书2页 说明书6页 附图2页 CN 113901624 A 2022.01.07 CN 113901624 A 1.一种基于粒子群算法优化的SVM的配电网拓扑辨识方法， 其特 征在于： 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， 并通过粒子群算法对设置初始的惩 罚因子C和核函数参数σ 进行优化， 确 定基于粒子群算法优化的支持向量机的PSO ‑SVM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； 利用基于粒子群算法优化的支持 向量机的PSO ‑SVM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所述的一种基于粒子群算法优化的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所述的一种基于粒子群算法优化的SVM的配电网拓扑辨识方法， 其特 征在于： 所述支持向量机SVM的目标函数为采用惩罚因子C并设置阈值控制错分比例， 生成 的目标函数为： (5)式中， ai(i＝1,2, …,N)为Lagrange乘子， xi表示数据点， xi∈Rd(i＝1,2, …,N)， 目标 yi∈{‑1,1}表示类别， 与每个向量xi关联； K(xi,xj)是支持向量机由低维向高维空间转换采 用的核函数类型， 采用RBF核函数； 所述RBF核函数如下式(6)： 4.根据权利要求3所述的一种基于粒子群算法优化的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， 并通过粒子群算法对设置初 始的惩罚因子C和核函数参数σ进行优化， 确定基于粒子群算法优化的支持向量机的PSO ‑ SVM配电网拓扑辨识模型， 具体为以下步骤： 步骤一： 初始化； 读取训练数据集， 随机产生 一组{C， σ }作为粒子的初始位置和速度； 步骤二： 适应度评估， 根据当前的{C， σ }采用l ‑折交叉检验方法评估每个粒子的适应 度； 在l‑折交叉检验中， 训练数据集被随机的分为l个互斥的大小近似相等的子集， 其中(l ‑ 1)个子集作为训练集， 剩下的那个子集作为校验集， 上述过程重复I次， 以使每个子集被校 验， I为大于等于 5的整数； 其中适应度函数采用如下式(2)：权　利　要　求　书 1/2 页 2 CN 113901624 A 2(2)式中， CAv为校验分类精度； γt和γf分别为正确和错误分类的数目； 步骤三： 根据适应度值更新粒子本身所找 到的最优解 即个体极值pbest、 整个种群目前找 到的最优解即全局极值gbest； 步骤四： 利用式(3)、 (4)进行更新粒子的速度v与位置p： 位置p表示SVM{C， σ }的当前取 值， 速度v决定下一代{C， σ }的更新方向和大小； 其中： (3)(4)式中， t为进化代数； vij为粒子i在j维上的速度， vij∈[‑vmax,vmax]， vmax为粒子所 允许移动的最高速度； pij为粒子i在j维上的位置， pij∈[‑pmax,pmax]， pmax为粒子所允许移动 的最大空间位置； λ为惯性权值， 用于平衡全局搜索和局部搜索； bij为粒子i在j维上的个体 极值； gij为粒子i在j维上的全局极值； r1和r2是介于0和1的随机数； β 为约束因子， 用于控制 速度的权 重， 通常取为1； c1、 c2是 学习因子， 大小为2； 步骤五： 检查结束条件； 若满足结束条件， 则结束寻优即得到最优的惩罚因子C和核函 数参数σ， 否则转至步骤二； 其中结束条件为寻优达到最大进化代数或评价值小于给定精 度。权　利　要　求　书 2/2 页 3 CN 113901624 A 3