(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 202111208287.3 (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　周辰罡　刘昕禹　 (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 3/12(2006.01) G06N 20/10(2019.01) G06F 113/04(2020.01) (54)发明名称 一种基于遗传算法优化的SVM的配电网拓扑 辨识方法 (57)摘要 本发明公开了一种基于遗传算法优化的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， 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。 建立基于遗传算法优化的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。 将步 骤三得到的数据带入基于人工鱼群算法优化的 SVM的配电网拓扑辨识模型， 获得观测节点的电 路拓扑结构。 本发明现有技术的求解速度慢， 搜 索效率低的问题。 权利要求书2页 说明书5页 附图2页 CN 113901622 A 2022.01.07 CN 113901622 A 1.一种基于 遗传算法优化的SVM的配电网拓扑辨识方法， 其特 征在于： 包括以下步骤： 步骤一： 根据配电网拓扑辨识需要的状态信 息选取节点的断面电压幅值量测数据及其 相应的拓扑 标签作为支持向量机的输入特 征向量； 步骤二： 建立训练数据集； 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样 本数据集； 步骤三： 建立基于遗传算法优化的SVM的配电网拓扑辨识模型； 将训练样本集中的数据 作为支持向量机的输入， 使用遗传算法对支持向量机的核函数、 错误惩罚因子进行参数寻 优， 得到辨识效果 最好的参数 取值构建优化后支持向量机模型； 其具体包括以下步骤： 步骤31： 编码及产生初始种群； 对SVM的核函数类型、 核参数和惩罚因子都采用二进制 编码方式进行编码， 且随机产生初始种群； 步骤32： 用训练数据集中的样本数据训练参数， 计算染色体的适应度值； 定义样本的均 方误差EMSE作为适应度函数进行评价种群； (1)式中yi为节点i的实测值， 为预测值， i ＝1,2,…； 步骤33： 对种群进行选择、 交叉、 变异等遗传算子操作， 产生下一代种群； 步骤34： 判断是否满足终止条件， 即对种群个体进行适应度验证， 若不满足， 则转到第 四步， 若满足则输出最优参数； 步骤四： 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； 步骤五： 将步骤三得到的数据带入基于人工鱼群算法优化的SVM的配电网拓扑辨识模 型， 获得观测节点的电路拓扑 结构。 2.根据权利要求1所述的一种基于遗传算法优化的SVM的配电网拓扑辨识方法， 其特征 在于： 步骤31中支持向量机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： (2)式中， αi(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(3)： 支持向量机SVM的核函数如式 (3)： (3)式中， 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。 3.根据权利要求1所述的一种基于遗传算法优化的SVM的配电网拓扑辨识方法， 其特征 在于： 步骤二中所述标准 化预处理为归一 化处理， 具体为采用公式(1)进行处 理：权　利　要　求　书 1/2 页 2 CN 113901622 A 2公式(4)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。权　利　要　求　书 2/2 页 3 CN 113901622 A 3