多通道多尺度卷积神经网络数据融合的配电网拓扑识别

叶学顺; 贾东梨; 周俊; 唐英; 蒋承言

doi:10.12404/j.issn.1671-1815.2504961

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (27) :11812-11821 DOI: 10.12404/j.issn.1671-1815.2504961

自动化技术、计算机技术

多通道多尺度卷积神经网络数据融合的配电网拓扑识别

叶学顺 ¹ ,
贾东梨 ¹ ,
周俊 ¹ ,
唐英 ²^,^* ,
蒋承言 ²

作者信息 +

Topology Recognition of Power Distribution Network Based on Data Fusion with Multi-channel and Multi-scale Convolutional Neural Networks

Author information +

文章历史 +

摘要

配电网拓扑识别是电网规划、运维、调度等工作开展的基础。引入神经网络可提升配电网拓扑识别的准确率,但如何有效设计神经网络模型,在增强鲁棒性的同时兼顾收敛性,是行业亟待解决的难点问题。提出一种基于多通道多尺度卷积神经网络数据融合的配电网拓扑结构识别方法:配电网各节点的电压幅值、电压相角、有功功率及无功功率等电力数据经预处理后,分别输入各独立通道;每个通道的输入数据经多尺度卷积计算提取多尺度卷积特征,归一化后通过1×1卷积实现特征融合,并与原始输入数据混合后进行非线性变换再输出;各通道的上述数据处理过程并行进行,各通道输出的数据展平后输入至由全连接层网络与Sigmoid层构成的拓扑识别器,完成配电网拓扑识别任务。通过IEEE33节点配电网实例分析,验证了本文所提方法在模型收敛速度、抗干扰性及鲁棒性方面,均优于1D-CNN(one dimension-convolutional neural network)、ResNet18和DNN(deep neural network)。研究结果表明,多种电力数据的合理特征提取与融合利用,有效解决了拓扑识别模型鲁棒性与收敛性的兼顾难题,降低了模型训练对大规模数据集的依赖,且适用于含分布式电源接入的配电网场景,为配电网系统分析与调度管理提供了关键基础。

Abstract

Topology recognition of power distribution networks is the foundation for the planning, operation, and scheduling of power grids. The introduction of neural network can improve the accuracy of topology recognition in power distribution networks, but how to effectively design the neural network model that can balance robustness and convergence is still a difficult problem that needs to be solved urgently. A method for topology recognition of power distribution network based on data fusion with multi-channel and multi-scale convolutional neural networks was proposed, where data such as voltage amplitude, voltage phase angle, active power and reactive power of each node in a power distribution network were preprocessed and input into independent channels; in each channel the input data was subjected to convolution and normalization calculation at multiple scales to extract multi-scale convolution features, these normalized features were fused through a 1 × 1 convolution kernel and then mixed with the original input data of the channel, the mixed data was then processed through nonlinear transformation and output; the above data processing processes of each channel were carried out in parallel, the data output from all channels was flattened and input into a topology recognizer which was composed of fully connected layer network and a Sigmoid layer to complete the task of topology recognition of power distribution network. The proposed method was characterized by its scalable model and less affected by the quality of the original power data. Through case study on the power distribution networks of IEEE 33, it had been verified that compared to the 1D-CNN, Resnet18 and DNN(deep neural network) methods, the proposed method has the advantages of fast convergence speed, strong anti-interference performance, high robustness. The result demonstrates that the proposed method, based on reasonable feature extraction and fusion utilization of various power data, effectively addresses the challenge of balancing robustness and convergence in topology identification models. It reduces the model training’s reliance on large-scale datasets and is applicable to distribution network scenarios with distributed power sources, providing a critical foundation for distribution network system analysis and scheduling management.

Graphical abstract

关键词

配电网拓扑识别 / 多尺度卷积神经网络 / 数据融合 / 多通道并行计算 / 深度学习

Key words

topology recognition of power distribution network / multi-scale convolutional neural network / data fusion / multi-channel parallel calculation / deep learning

引用本文

引用格式 ▾

叶学顺, 贾东梨, 周俊, 唐英, 蒋承言. 多通道多尺度卷积神经网络数据融合的配电网拓扑识别[J]. 科学技术与工程, 2026, 26(27): 11812-11821 DOI:10.12404/j.issn.1671-1815.2504961

YE Xue-shun, JIA Dong-li, ZHOU Jun, TANG Ying, JIANG Cheng-yan. Topology Recognition of Power Distribution Network Based on Data Fusion with Multi-channel and Multi-scale Convolutional Neural Networks[J]. Science Technology and Engineering, 2026, 26(27): 11812-11821 DOI:10.12404/j.issn.1671-1815.2504961

登录浏览全文

4963

注册一个新账户忘记密码

配电网拓扑识别是开展配电网系统分析的基础^[1-3]。准确的网络拓扑有助于后续系统决策分析,提升供电效益^[4]。基于电力数据进行配电网拓扑结构识别是常见手段^[5],例如,利用功率数据建立最优匹配回路功率模型^[6],利用电压功率数据构建多元线性回归方程^[7],通过聚类方法处理电压功率数据^[8]以完成拓扑识别,以及基于同步相量测量装置(phasor measurement unit,PMU)、数据采集与监视控制系统(supervisory control and data acquisition,SCADA)、高级计量体系(advanced metering infrastructure,AMI)测量数据的多源数据融合技术实现拓扑识别^[9]等。近年来,引入神经网络以提高识别率成为研究重点领域^[10-12]。孙伟等^[13]基于图卷积网络(graph convolutional network,GCN),利用电压数据开展拓扑识别;Gotti等^[14]构建深度神经网络(deep neural network,DNN),将有功功率、无功功率、电压幅值及相角的原始数据组成向量作为模型输入进行拓扑识别;Li等^[15]采用卷积神经网络(convolutional neural network,CNN),将三相电压及电流的幅值、相位角等共12种数据组成矩阵作为模型输入完成拓扑识别。然而,若直接将质量较差的原始电力数据作为模型输入,会降低模型的鲁棒性。梁海维^[16]提出一维卷积神经网络1D-CNN(one dimension-convolutional neural network),通过对有功功率、无功功率及电压幅值组成的矩阵进行横向叠加4层卷积,提取数据的一阶、二阶特征以实现拓扑识别;Ni等^[17]在1D-CNN网络基础上增加卷积层,提取电压幅值的高阶特征,从而提高拓扑识别的鲁棒性。但当数据特征数量过少时,表示能力受限,模型无法捕捉数据的复杂模式,易导致收敛困难。总结现有研究可知,引入神经网络算法进行配电网拓扑识别时,不仅需综合应用多元电力数据以减小对数据质量的影响,还需合理提取数据特征并有效设计神经网络结构模型。如何在提升鲁棒性的同时兼顾收敛性,是当前需要解决的关键问题。

为此,提出一种基于多通道多尺度卷积神经网络模型的配电网拓扑识别新方法。在该模型中,配电网各节点的电压幅值和相角、有功和无功功率等电力数据经预处理后,分别输入独立通道并行处理;各通道的数据处理流程包括采用多尺度卷积提取特征并归一化、通过1×1卷积完成特征融合、融合特征与原始数据混合及非线性变换等步骤。各通道的输出数据展平后,输入至由全连接层网络及Sigmoid层组成的配电网拓扑识别器,最终完成拓扑识别。为验证本文方法的有效性,通过IEEE33节点网络拓扑识别案例,开展模型收敛性、鲁棒性及对分布式电源接入电网适用性的研究。提出的配电网拓扑识别新方法,可有效破解拓扑识别模型中鲁棒性与收敛性难以兼顾的难题。即使在小数据集场景下,该方法仍能保持优异的识别性能,可为配电网的系统分析与调度管控提供核心支撑。

1 多通道多尺度卷积神经网络数据融合的配电网拓扑识别模型

本文提出的基于多通道多尺度卷积神经网络数据融合的配电网拓扑识别模型如图1所示。该模型首先获取同一时刻配电网所有节点的电压幅值、相角、有功功率及无功功率等电力数据,经预处理后分配至各个独立通道进行特征提取等数据处理。由于各通道的数据特征提取结构一致,图1仅详细展示了电压幅值通道的内部结构,其他通道以虚线框简化表示。

针对每个通道,首先通过多尺度卷积层(convolution,Conv层)与批标准化层(batch normalization,BN层)提取多尺度卷积特征。其中,多尺度卷积层包含1×3、1×5、1×7三种尺度的CNN卷积核;BN层通过对每一批数据进行归一化处理实现正则化效果。随后,采用1×1 CNN卷积核对该通道的多尺度卷积特征进行融合,并与通道原输入数据逐元素混合;再通过ReLU激活函数对混合数据进行非线性变换,得到并输出该通道的融合数据。

各通道的上述特征提取过程并行执行,所有通道输出的融合数据经展平后,输入至由全连接层网络与Sigmoid层构成的配电网拓扑识别器。该全连接层采用多层隐含层结构:输入层单元数等于展平后的融合数据量,即通道总数与配电网节点数的乘积;输出层单元数等于二进制编码的配电网拓扑编号的二进制位数;隐含层数量及单元数随网络规模调整,规模越大则隐含层数量与单元数越多。

由于本文中配电网拓扑编号采用二进制编码形式,全连接层网络的输出层通过Sigmoid函数将输入的连续实值映射至(0,1)区间,最终输出配电网拓扑结构编号作为识别结果。

在图1中,配电网拓扑各节点电力数据输入至各通道前的预处理包括数据清洗及归一化处理。数据清洗采用3σ方法进行以去除离群值。假设输入某一通道的电力数据序列的第i个数据为X″_i;σ为该序列数据的标准差;n为数值裕度,一般取3;X'为3σ处理后的序列数据,则3σ方法计算的公式为

(1)X'=$\left\{\begin{array}{ll}\mathit{X}″{\mathit{ }}_{\mathit{m}\mathit{e}\mathit{a}\mathit{n}}+\mathit{n}\mathit{\sigma },& \mathit{X}″{\mathit{ }}_{\mathit{i}}\mathit{X}″{\mathit{ }}_{\mathit{m}\mathit{e}\mathit{a}\mathit{n}}+\mathit{n}\mathit{\sigma }\\ \mathit{X}″{\mathit{ }}_{\mathit{m}\mathit{e}\mathit{a}\mathit{n}}-\mathit{n}\mathit{\sigma },& \mathit{X}″{\mathit{ }}_{\mathit{i}}\mathit{X}″{\mathit{ }}_{\mathit{m}\mathit{e}\mathit{a}\mathit{n}}-\mathit{n}\mathit{\sigma }\\ \mathit{X}″{\mathit{ }}_{\mathit{i}},& \mathit{X}″{\mathit{ }}_{\mathit{m}\mathit{e}\mathit{a}\mathit{n}}-\mathit{n}\mathit{\sigma }\mathit{X}″{\mathit{ }}_{\mathit{i}}\mathit{X}″{\mathit{ }}_{\mathit{m}\mathit{e}\mathit{a}\mathit{n}}+\mathit{n}\mathit{\sigma }\end{array}\right.$

对清洗后的数据X'采用最大最小值归一化进行归一化处理,形成无量纲值。假设X'_max为X'中最大值,X'_min为X'中最小值,X为归一化处理后的序列数据,则归一化处理计算公式为

(2)X=(X'-X'_min)/(X'_max-X'_min)

在各个通道中,对经过上述预处理后的数据X在不同尺度上进行卷积计算,提取多尺度卷积特征Y,即

(3)Y=f(W*X+B)

式(3)中:W为1×3、1×5、1×7、1×1卷积核;B为偏置项,在模型训练中得到具体数值;*表示卷积操作。

这里,卷积核设计考虑的主要因素包括:①CNN中卷积核设计为奇数以实现中心对齐、对称性和避免偏移,有利于确保特征提取的准确性和稳定性。②较小的卷积核可以提取更细粒度的特征,较大的卷积核可以提取更全局的特征。在配电网拓扑识别时,发生通断变化的开关附近的各节点电力数据变化较为明显,如能有效提取这种细节变化有利于提高识别准确性。因此,从图1所示模型中选择3个较小尺度1×3、1×5、1×7来进行特征提取。

3种尺度卷积特征加入BN层进行归一化,避免特征之间差异的影响,通过泛化能力提升加速模型收敛。采用1×1的CNN卷积核对该通道中多尺度卷积特征进行特征融合,实现深度特征合成。融合特征与原输入数据进行相加混合,这样既能提高特征多元化表达能力又保留了数据中的复杂模式,有利于提升模型的鲁棒性和收敛性。之后引入式(4)的ReLU激活函数进行非线性变换,当数据大于零则不变,小于等于零则置零,来避免梯度爆炸或梯度消失的现象,帮助模型更稳定地训练。

(4)f(Y)=$\left\{\begin{array}{l}\mathit{Y},\mathit{　}\mathit{Y}0\\ 0,\mathit{　}\mathit{Y}\le 0\end{array}\right.$

式(4)中:f(Y)为融合数据;Y为非线性变换前的融合数据。

拓扑识别器中全连接层网络输出层各单元输出值Z采用式(5)的Sigmoid函数映射到(0,1)区间,构成配电网拓扑结构编号,完成后作为拓扑识别结果。

(5)Sigmoid(Z)=$\frac{1}{1+{\mathit{e}}^{-\mathit{Z}}}$

2 模型数据集建立方法

对于图1所示的配电网拓扑识别模型,其数据集的建立方法如下。

2.1 模型输出数据

模型输出数据为二进制编码形式的配电网拓扑结构编号,二进制位数m与待识别的配电网拓扑结构的数量M满足关系2^m>M。例如,配电网拓扑结构编号为4位二进制编码的场合,配电网拓扑类别1~15对应的拓扑结构编号为0001、0010、0011、……、1111,可识别配电网拓扑结构数量总计为15种。

2.2 模型输入数据

模型输入数据为同一时刻下配电网所有节点经预处理后的电压幅值、电压相角、有功功率、无功功率等电力数据。对已知拓扑结构的配电网,可采用经典牛顿-拉夫逊方法来进行潮流计算,迭代收敛后求得该配电网各个节点的4种电力数据,作为模型输入。表达式为

(6)

$\left\{\begin{array}{l}{\mathit{P}}_{\mathit{i}}={\mathit{V}}_{\mathit{i}}\sum _{\mathit{j}=1}^{\mathit{n}}{\mathit{V}}_{\mathit{j}}({\mathit{G}}_{\mathit{i}\mathit{j}}\mathit{c}\mathit{o}\mathit{s}{\mathit{\theta }}_{\mathit{i}\mathit{j}}+{\mathit{B}}_{\mathit{i}\mathit{j}}\mathit{s}\mathit{i}\mathit{n}{\mathit{\theta }}_{\mathit{i}\mathit{j}})\\ {\mathit{Q}}_{\mathit{i}}={\mathit{V}}_{\mathit{i}}\sum _{\mathit{j}=1}^{\mathit{n}}{\mathit{V}}_{\mathit{j}}({\mathit{G}}_{\mathit{i}\mathit{j}}\mathit{c}\mathit{o}\mathit{s}{\mathit{\theta }}_{\mathit{i}\mathit{j}}-{\mathit{B}}_{\mathit{i}\mathit{j}}\mathit{s}\mathit{i}\mathit{n}{\mathit{\theta }}_{\mathit{i}\mathit{j}})\end{array}\right.$

式(6)中:θ_ij为节点i与节点j之间的电压相角差;G_ij和B_ij分别为节点i与节点j间支路电导与电纳参数,在系统建立时已知;P_i为节点i有功功率;Q_i为节点i无功功率;V_i为节点i电压幅值。

2.3 数据集样本扩充

对已知拓扑结构的配电网,通过改变节点注入功率重复进行潮流计算,即可达到扩充模型数据集中样本数量的目的。

以如图2所示包含32条支路(实线)、5条联络线(虚线)的IEEE33节点配电网为例。假设联络线均断开时的拓扑结构编号为0001。针对该网络,利用式(6)通过改变节点注入功率获得的24 h内随时间变化的各节点的4种电力数据的标幺值变化曲线如图3所示。取图3中曲线在某一时间断面下的网络各节点的4种电力数据的标幺值,经前述数据清洗及归一化预处理后获得的数据,即为对应模型输出数据0001的模型输入数据。

输入的电力数据和输出的拓扑结构编号,形成一一对应的模型标签化样本数据,构成数据集。

3 应用案例结果分析与讨论

IEEE33节点配电网的结构具有典型性,能够展示网络不同拓扑结构变化,适合用于测试拓扑识别模型的鲁棒性、准确性。采用IEEE33节点配电网进行案例分析。

3.1 案例数据集

通过改变IEEE33节点配电网中32条支路及5条联络线的开关状态,来改变IEEE33节点配电网的拓扑结构。考虑到城市核心区、重要负荷区等可能会部分闭环运行提高供电可靠性^[18],该案例中存在4种环网结构。取常见的15种拓扑构成检测模型性能的拓扑集。该拓扑集中包含11种辐射状结构、4种环网结构,如表1所示。根据这15种拓扑利用式(6)进行潮流计算仿真出25 200个样本数据构成数据集,其中23 760个样本数据为训练集、1 800个样本数据为测试集。

3.2 模型中各通道数据处理过程分析

如图1所示的模型有4个通道,分别接收预处理后的电压幅值和相角、有功和无功功率这4种电力数据。各通道实施数据特征提取等处理的结构相同,这里仅以处理电压幅值的通道1为例解析其数据处理过程。虽然图1所示通道1上的多尺度卷积特征提取仅包含1×3、1×5和1×7这3个尺度的CNN卷积核计算,为了考察模型的多尺度扩展性能,下面的分析中增加了1×9的CNN卷积核计算进行对比。

以图2中拓扑编号为0001的IEEE33配电网为例,在图3(a)所示的该配电网电压幅值的24 h内标幺值变化曲线图中,取时间断面为第1个小时的配电网各节点电压幅值数据,如图4(a)所示。电力系统中电流从根节点开始通过线路输送到各个节点,线路阻抗导致电压损耗,随着线路距离增加,节点间压降不断增大。因此如图4(a)的电压幅值曲线所示,距离根节点1越远的节点的电压幅值越小。节点19距离根节点近而节点18距离根节点很远,因此节点18与19的压差较大。对该原始电压幅值数据进行清洗和归一化预处理,结果如图4(b)所示。对比图4(a)与图4(b)可以看出,通过基于正态分布的3σ数据清洗去除离群值,通过最大最小值归一化消除量纲差异,预处理在保留了数据趋势的同时扩大了数据之间的差异性。

该数据输入通道1,分别利用4个尺度的CNN卷积核计算提取卷积特征,结果如图4(c)~图4(f)所示。可以看出,第18、第19节点间的电压幅差在4个尺度卷积特征曲线上均以剧烈峰谷波动形式呈现,且因为较小的卷积核可提取更细粒度的特征,尺度1×3卷积核计算的图4(c)所示的尺度1卷积特征曲线上对第18、第19节点间电压幅值差异特征的捕捉最为准确。此外,尺度1×5卷积核计算的图4(d)所示的尺度2卷积特征曲线也捕捉到了各节点间电压关系的总体趋势。因为较大的卷积核提取的是更全局的特征,在图4(h)和图4(i)所示的由1×7和1×9卷积核计算的尺度3和尺度4的卷积特征曲线上,都包含第18、第19节点间电压幅值差异特征,也保留有部分所有节点间电压关系总体趋势特征,不过曲线规律基本相近。上述结果反映出卷积核尺寸直接决定了感受野的大小,影响模型捕获局部细节或全局规律的能力。利用1×3、1×5、1×7和1×9卷积核的金字塔多尺度逐步抽取特征,感受野的渐进式扩展实现了从细节到全局逐步特征构建和表示。

对多尺度卷积特征分别利用BN层进行归一化后,采用1×1的CNN卷积核进行特征融合,以同时捕捉局部细节和全局规律,提升特征表示的丰富性,减少信息丢失。其中,尺度1和尺度2的2尺度特征融合、尺度1~尺度3的3尺度特征融合、尺度1~尺度4的4尺度特征融合结果分别如图4(g)~图4(i)。三图的多尺度特征融合曲线具有相似规律,均在第18、第19节点出现峰谷波动。相比而言,2尺度特征融合对细节波动捕捉最准确但对总体趋势把控不充分;4尺度特征融合中细节波动混杂在总体趋势中且互相影响。3尺度特征融合兼顾细节波动与总体趋势。

上述结果表明,本文方法通过多尺度卷积神经网络能够成功提取和融合输入数据的主要特征。不过过少的卷积尺度对总体特征捕捉效果不足,而一味增加卷积尺度并不能有效提升特征捕捉性能,反而导致模型复杂度增加而增大训练成本。因此,后文有关IEEE33配电网拓扑识别的研究,除非特别声明,模型中各通道多尺度卷积特征提取采用3尺度卷积特征提取方案。

3.3 与其他研究方法的对比分析

为了检验本文的多通道多尺度卷积神经网络数据融合模型实施配电网拓扑识别的性能,与1D-CNN模型^[16]、Resnet18模型、DNN模型^[14]进行对比分析。

3.3.1 模型收敛性对比测试

测试所用训练集为第3.1节所得的23 760个样本数据。其中,将数据中的电压幅值和相角、有功和无功功率组成矩阵输入到1D-CNN模型及Resnet18模型,将数据中的电压幅值和相角、有功和无功功率组成一维向量输入到DNN模型。不同模型的收敛曲线如图5所示。可以看出,本模型收敛速度最快,迭代13次即收敛,用时147.55 s,1D-CNN模型收敛速度最慢,迭代20次才收敛,用时204.21 s。

究其原因,1D-CNN模型进行拓扑识别时,通过对电压幅值和相角、有功和无功功率组成矩阵数据进行单一尺度的连续四次卷积计算,提取出7个卷积特征作为模型输入。由于特征数量少造成模型学习空间受限,难以快速达到理想收敛状态。DNN模型依靠电压幅值和相角、有功和无功功率经归一化后组成的一维向量直接作为模型输入,因未提取对训练有用的高级特征,影响模型收敛速度。而Resnet18模型由于在1D-CNN模型基础上通过残差连接缓解了深层网络训练中的梯度消失问题,因此相比于1D-CNN收敛更快,但由于网络深度和计算复杂度远高于DNN,因此相比于DNN收敛更慢。如前所述,本文模型通过多尺度特征提取实现特征多元化表达,又通过混合原始数据保留数据复杂模式,确保了训练所需有效特征数量,两者结合有效提升了收敛速度。且各通道实施数据特征提取等处理过程并行进行,不会因多通道的多元数据处理影响收敛速度。

3.3.2 模型鲁棒性对比测试

对于采用机器学习的模型,定量评价其完成多分类任务准确率的常用指标为

(7)A=$\frac{\mathit{T}}{{\mathit{M}}_{\mathit{t}\mathit{o}\mathit{t}\mathit{a}\mathit{l}}}$

式(7)中:A为模型准确率;T为所有样本中分类正确的样本数量;M_total为样本总数。

考虑到配电网电力数据常常因为负载噪声的混入而波动,造成数据质量下降。为了研究负载噪声对模型鲁棒性的影响,通过在原有功无功功率数据中加入不同等级高斯噪声,制作新的测试集,测试模型抗噪能力。加入的高斯噪声等级分“1”“2”“2.5”和“3”四级,分别表示加入1%、2%、2.5%、3%的高斯噪声;未加入噪声的情况则用“0”级表示。在原有测试集1 800个样本基础上,为每种等级噪声各制作1 800个样本,测试集扩充到了9 000个样本。

用扩充后的每种等级噪声下的1 800个样本测试模型识别准确率受噪声影响情况,结果如表2所示,表中的本文模型为3尺度的模型。可以看出,高斯噪声的加入会影响各模型识别准确率,不过本文模型受噪声的影响最小。噪声等级增加到3级时,本文模型识别准确率下降不到2%,相比于1D-CNN模型整体下降了16%,Resnet18模型下降了19%,DNN模型下降了15%。对比结果表明,本文模型抵抗噪声的能力强,识别准确率高且鲁棒性好。

由于表2展示的是通道采用3尺度卷积特征提取和融合的本文模型的测试结果,为了进一步考察本文模型受通道多尺度卷积特征提取的尺度影响,又分别进行了通道采用2尺度和4尺度卷积特征提取和融合的本文模型的测试,和3尺度的结果一起汇总在表3中。可以看出,随着尺度的增加,噪声等级0、1、2、2.5、3情况的模型识别准确率有所提升。噪声等级增加到3级时,较之3尺度的模型,2尺度模型识别准确率下降了1.21%,原因是如前所述的较少的卷积尺度对整体特征捕捉效果不足。4尺度模型较之3尺度模型的识别准确率仅提升0.12%,原因是如前所述的增加卷积尺度对特征捕捉有效性提升效果有限。但与表2数据相比,不论是2尺度、3尺度还是4尺度的本文模型,均较1D-CNN模型、Resnet18模型和DNN模型有更高的识别准确率。

进一步采用F-score指标来评判不同模型的鲁棒性,F-score是一个用于评估分类模型性能的指标,尤其适用于类别不平衡的情况。它综合考虑了模型的精确率和召回率,提供了一个单一的评分来反映模型的表现。F-score的值在0~1,值越高表示模型性能越好。如表4所示为各模型F-score指标受负载噪声影响的情况,其中的本文模型为3尺度的模型。从表4中看出,本文模型识别的F-score随噪声等级增加下降最慢,说明本文模型识别的精确率和召回率总体性能较优,有较好的鲁棒性。

如表5所示为不同尺度下本文模型的F-score受负载噪声的影响情况。可以看出,随着尺度和噪声等级的增加,各尺度本文模型的F-score均有所下降。噪声等级增加到3级时,2尺度本文模型较之3尺度的本文模型的识别F-score下降了1.24%,4尺度本文模型较之3尺度本文模型的识别F-score仅提升不到0.06%,提升效果有限。综合考虑模型训练成本,IEEE33配电网的拓扑识别宜采用3尺度卷积特征提取和卷积方案。

3.4 小数据集下的模型性能测试

文中的上述所有模型均是利用有23 760个样本数据的训练集训练而成。考虑到大量的训练集样本数量需求,训练集构建成本高。为此,进一步进行了小样本数据集的研究。

在构建小样本数据集时,出于样本平衡性考虑,每种拓扑结构下所取样本数量应相同。在这一原则下,对每种拓扑结构下利用式(6)进行潮流计算,分别仿真出192、144、96、48、24个样本,这样就分别构建了样本数为2 880、2 160、1 440、720、360的小样本训练集。原有的具有23 760个样本数据的训练集中样本,凡是与小样本数据集中样本不重复的,均放置于对应的测试集中用于模型性能测试。因此,对应的测试集中样本数量分别为22 320、23 040、23 760、24 480、24 840,测试集样本规模大大增加。

对本文3尺度模型,用如上所构建的小样本训练集进行训练,训练好的模型用如上所构建的测试集进行测试,结果如表6所示。可以看出,随着训练集样本数量减少,模型识别准确率和F-score在不断下降。不过,所有小样本训练集构建的模型的识别准确率和F-score仍保持在90%和0.9以上。

应用于实际配电网拓扑识别时,考虑对每种运行的拓扑结构测量24组数据即可达到90%识别准确率的情况。一般AMI系统每15 min记录一次配电网各节点的电压幅值、电压相角、有功功率和无功功率等电力数据,这样只需要6 h即可获得构建模型所需要的训练集。后期随着数据积累,可考虑融入动态增量训练方法,逐步提升模型性能。

3.5 对于接入分布式电源的适用性测试

随着分布式电源的广泛接入和电动汽车等新型负荷的逐渐增多,配电系统的不确定性显著增加,运行方式更加复杂多变,拓扑识别难度也随之增加。为了测试本文模型对于接入分布式电源的配电网的适用性,进一步进行了以下测试。

首先如图6所示,在IEEE33节点配电网的节点7及节点33处接入一组额定输出功率为200 kW及一组额定输出功率为60 kW的光伏电源;然后,通过线路开关的通断,生成如表1所示的15种拓扑类型;最后,基于实测数据的光伏电站出力曲线作为注入有功无功功率,在此基础上也考虑加入不同等级高斯噪声的情况,用式(6)进行潮流计算制作数据集。其中,不含噪声的23 760个样本数据为训练集,为每种等级噪声下各制作1 800个样本构成共9 000个样本做测试集。用该9 000个样本的测试集进行测试,结果显示本文模型识别准确率达99.03%,远高于DNN模型的95.17%、Resnet18模型的93.36%、1D-CNN模型的92.72%。与未接入分布式电源的本文模型相比,模型识别准确率仅下降0.34%。测试结果表明,本文模型对于分布式电源接入的电网拓扑识别有良好的适用性。

4 结论

配电网拓扑识别是电网规划、运维、调度等工作开展的基础。在基于神经网络进行配电网拓扑识别时,如何通过神经网络模型的有效设计兼顾鲁棒性和收敛性,是行业急需解决的难点问题。

(1)本文提出一种基于多通道多尺度卷积神经网络数据融合的配电网拓扑结构识别方法,将配电网各节点的电压幅值、电压相角、有功功率和无功功率等电力数据经预处理后分别输入各独立通道。每个通道的输入数据经1×3、1×5和1×7卷积核的金字塔多尺度卷积计算提取的多尺度卷积特征归一化后经1×1卷积实现特征融合,并与原始输入数据进行混合和非线性变换后输出。各通道实施数据特征提取等处理的上述过程并行进行,最后各通道输出的数据展平输入由全连接层网络及Sigmoid层构成的拓扑识别器,完成配电网拓扑识别任务。

(2)本方法通过多元数据的综合利用有效降低原始数据质量的影响,且通过在数据多尺度卷积特征提取后混合原始数据,达到既提高特征多元化表达水平又保留数据中复杂模式的目的,从而实现了提升模型鲁棒性和提高模型收敛性的兼顾。且可适应不同配电网规模、量测条件等需求,灵活配置模型中的输入通道数量和卷积尺度数量,扩展性强。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王果, 郭文凯, 王长春. 配电网拓扑辨识研究综述及展望[J]. 吉林大学学报(工学版), 2023, 53(2): 312-327.

[2]	Wang Guo, Guo Wenkai, Wang Changchun. A review and prospect of topology identification research in distribution networks[J]. Journal of Jilin University (Engineering Edition), 2023, 53(2): 312-327.

[3]	梁婧超, 魏斌, 孟润泉, 等. 基于DPK-means与隶属因子的低压配电台区拓扑识别方法[J]. 电网与清洁能源, 2025, 41(6): 73-82.

[4]	Liang Jingchao, Wei Bin, Meng Runquan, et al. A topology identification method of low-voltage distribution transformer area based on DPK-means and membership factors[J]. Power System and Clean Energy, 2025, 41(6): 73-82.

[5]	黄兴德, 方陈, 魏新迟, 等. 基于同步相量测量的电力系统网络拓扑分析方法[J]. 科学技术与工程, 2023, 23(29): 12567-12576.

[6]	Huang Xingde, Fang Chen, Wei Xinchi, et al. Power system network topology analysis based on synchrophasor measurements[J]. Science Technology and Engineering, 2023, 23(29): 12567-12576.

[7]	徐浩, 樊秀娟, 冀芮, 等. 多时间尺度恢复策略融合的电力系统弹性优化[J]. 科学技术与工程, 2023, 23(2): 619-625.

[8]	Xu Hao, Fan Xiujuan, Ji Rui, et al. Resilience optimization of power grids considering integration of multi-timescale restoration strategies[J]. Science Technology and Engineering, 2023, 23(2): 619-625.

[9]	金阳忻, 徐永进, 胡书红. 融合时-频域多源数据的低压配网拓扑识别研究[J]. 太阳能学报, 2025, 46(10): 487-500.

[10]	Jin Yangxi, Xu Yongjin, Hu Shuhong. Research on topology identification of low-voltage distribution network by fusing multi-source data in time-frequency domain[J]. Acta Energiae Solaris Sinica, 2025, 46(10): 487-500.

[11]	罗群, 刘春雨, 顾强, 等. 基于最优匹配回路功率的配电网拓扑辨识方法[J]. 电测与仪表, 2019, 56(19): 1-6.

[12]	Luo Qun, Liu Chunyu, Gu Qiang, et al. Topology identification method for distribution network based on optimal matching loop power[J]. Electrical Measurement and Instrumentation, 2019, 56(19): 1-6.

[13]	Cunha V C, Freitas W, Trindade F C L, et al. Automated determination of topology and line parameters in low voltage systems using smart meters measurements[J]. IEEE Transactions on Smart Grid, 2020, 11(6): 5028-5038.

[14]	罗钧腾, 章坚民, 姚力, 等. 基于电压和功率数据的低压用户相别识别优化建模与应用[J]. 电力系统自动化, 2021, 45(7): 123-131.

[15]	Luo Junteng, Zhang Jianmin, Yao Li, et al. Optimization modeling and application of phase identification for low-voltage users based on voltage and power data[J]. Automation of Electric Power Systems, 2021, 45(7): 123-131.

[16]	刘祥波, 王森, 延凯, 等. 基于多源数据融合的配电网拓扑识别方法研究[J]. 自动化仪表, 2024, 45(3): 59-63, 69.

[17]	Liu Xiangbo, Wang Sen, Yan Kai, et al. Research on topology identification method of distribution network based on multi-source data fusion[J]. Process Automation Instrumentation, 2024, 45(3): 59-63, 69.

[18]	杨秀, 蒋家富, 刘方, 等. 基于注意力机制和卷积神经网络的配电网拓扑辨识[J]. 电网技术, 2022, 46(5): 1672-1682.

[19]	Yang Xiu, Jiang Jiafu, Liu Fang, et al. Topology identification of distribution network based on attention mechanism and convolutional neural network[J]. Power Grid Technology, 2022, 46(5): 1672-1682.

[20]	龙寰, 石子晴, 赵景涛, 等. 基于多标签分类与卷积神经网络的配电网拓扑辨识[J]. 高电压技术, 2024, 50(10): 4520-4529.

[21]	Long Huan, Shi Ziqing, Zhao Jingtao, et al. Topology identification of distribution network based on multi-label classification and CNN[J]. High Voltage Engineering, 2024, 50(10): 4520-4529.

[22]	杜文凯, 陈心怡, 薛栋. 基于数据驱动与深度神经网络的智能配电网拓扑辨识[J]. 华东理工大学学报(自然科学版), 2025, 51(3): 353-362.

[23]	Du Wenkai, Chen Xinyi, Xue Dong. Topology identification for smart distribution networks based on data-driven and deep neural networks[J]. Journal of East China University of Science and Technology, 2025, 51(3): 353-362.

[24]	孙伟, 朱世睿, 杨建平, 等. 基于图卷积网络的微电网拓扑辨识[J]. 电力系统自动化, 2022, 46(5): 71-81.

[25]	Sun Wei, Zhu Shirui, Yang Jianping, et al. Topology identification of microgrids based on graph convolutional networks[J]. Power System Automation, 2022, 46(5): 71-81.

[26]	Gotti D, Amaris H, Ledesma P. A deep neural network approach for online topology identification in state estimation[J]. IEEE Transactions on Power Systems, 2021, 36(6): 5824-5833.

[27]	Li Y F, Wang S Y, Li L, et al. Artificial intelligence for real-time topology identification in power distribution systems[C]// 2020 52nd North American Power Symposium. Tempe: IEEE, 2021: 1-6.

[28]	梁海维. 基于数据驱动的配电网拓扑及线路参数辨识方法研究[D]. 武汉: 华中科技大学, 2022.

[29]	Liang Haiwei. Research on data driven topology and line parameter identification method for distribution network[D]. Wuhan: Huazhong University of Science and Technology, 2022.

[30]	Ni J L, Tang Z, Liu J, et al. A topology identification method based on one-dimensional convolutional neural network for distribution network[J]. Energy Reports, 2023, 9(S1): 355-362.

[31]	喇先寿, 段纪鹏, 吴稀西. 城市核心区双环网供电可靠性提升措施[J]. 电工技术, 2024(S2): 489-491.

[32]	La Xianshou, Duan Jipeng, Wu Xixi. Measures to improve the power supply reliability of the double-ring network in the urban core area[J]. Electric Engineering, 2024(S2): 489-491.