一种基于图神经网络的配网台区识别方法技术

技术编号：41130308 阅读：5 留言：0更新日期：2024-04-30 17:59

本发明专利技术公开了一种基于图神经网络的配网台区识别方法，包括以下步骤：S1、获取台区数据，进行归一化处理，得到归一化后的台区数据；S2、对归一化后的台区数据进行可视化，得到台区图像；S3、将台区图像输入图神经网络，得到分区结果。是专用于配网台区识别的识别方法，相较于传统的分类算法具有更高的专用性，能够考虑了台区数据之间的耦合关系，对相互具有影响的电力系统台区数据也能具有很好的识别效果，且因客观存在的耦合关系，本发明专利技术针对实际的台区数据具有更高的识别准确率。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于配网的台区计量数据分析领域，具体涉及一种基于图神经网络的配网台区识别方法。

技术介绍

1、作为配网的重要组成部分，台区的供电运维管理长久以来都是由供电单位的多个部门协同负责，但受制于长久以来的营配贯通滞后、多部门权责不明的问题，现台区普遍存在台区档案混乱，尤其是一些棚户区、老旧小区的凌乱搭接线进一步导致“台-户”关系混乱，部分台区已重载甚至超载。而随着新能源在配网中渗透率的快速提升，台区线损异常现象进一步加剧，部分台区同期线损超过20%，而部分台区却呈负损，该台区管理及线损治理工作带来了严重阻碍。因此，亟需研究一种配网台区的快速准确识别技术。

2、现有的台区识别方法一般根据识别是否需要外加设备可以分为主动法和被动法。主动法通过在各个户表上传心跳报文，在采集终端中接受报文从而来进行识别，该方法对表计设备要求较高，且需要装设有双模通信元件，不适用于老旧台区。被动法是基于历史数据进行数据挖掘从而实现台区识别，这一类方法目前有离散聚类、支持向量机(svm)、lstm网络分类等，但该类方法大多采用一维数据作为数据源，数据利用率低，未深度挖掘数据的潜在价值，进而导致整体识别率欠佳。

技术实现思路

1、针对现有技术中的上述不足，本专利技术提供的一种基于图神经网络的配网台区识别方法解决了传统的分类方法针对台区分区并不能够满足快速准确识别需求的问题。

2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于图神经网络的配网台区识别方法，包括以下步骤：</p>

3、s1、获取台区数据，进行归一化处理，得到归一化后的台区数据；

4、s2、对归一化后的台区数据进行可视化，得到台区图像；

5、s3、将台区图像输入图神经网络，得到分区结果。

6、进一步地：所述s1中，得到归一化后的台区数据的表达式具体为：

7、

8、式中， x为台区数据， q1表示第一四分位数， q3表示第三四分位数。

9、进一步地：所述s2具体为：

10、将归一化后的台区数据以柱状图的形式在模板图像中显示，得到台区图像；

11、其中，所述模板图像的竖轴范围为-1到1，步长为0.05，所述模板图像的横轴范围为1到96，步长为1。

12、进一步地：所述s3中，图神经网络包括依次连接的第一激活层、第一全连接层、第二激活层、第二全连接层、第三激活层和输出层。

13、进一步地：所述s3包括以下分步骤：

14、s31、将台区图像输入第一激活层，通过第一激活层将台区图像进行分解，得到3个单通道数据；

15、s32、将3个单通道数据输入第一全连接层，通过第一全连接层将3个单通道数据进行排序；

16、s33、将排序后的3个单通道数据输入第二激活层，通过第二激活层进行特征提取，得到3个第一特征图；

17、s34、将3个第一特征图输入第二全连接层，通过第二全连接层将3个第一特征图进行排序；

18、s35、将排序后的3个第一特征图输入第三激活层，通过第三激活层进行特征提取，得到第二特征图；

19、s36、将第二特征图输入输出层，通过输出层进行回归计算，得到分区结果。

20、进一步地：所述图神经网络的损失函数 l1的表达式具体为：

21、

22、式中， i为输出层数据编号， n为输出层数据总数， yi为实际分区，为预测分区。

23、进一步地：所述s36中，所述输出层设置有分类预测函数，所述分类预测函数的表达式具体为：

24、

25、式中，tanh(·)为激活函数， x为输出层数据。

26、本专利技术的有益效果为：

27、（1）本专利技术提供了一种基于图神经网络的配网台区识别方法，是专用于配网台区识别的识别方法，相较于传统的分类算法具有更高的专用性，能够考虑了台区数据之间的耦合关系，对相互具有影响的电力系统台区数据也能具有很好的识别效果，且因客观存在的耦合关系，本专利技术针对实际的台区数据具有更高的识别准确率，解决了传统的分类方法针对台区分区并不能够满足快速准确识别需求的问题。

28、（2）本专利技术对台区数据进行了归一化和可视化。归一化使得本专利技术可以应用于各种类型电力系统的台区分区识别，在电力系统台区分区识别问题中具有普适性，同时还降低了异常数据对于台区分区的干扰。可视化将复杂的台区数据进行了融合，生成了可用于先进图神经网络的数据类型，相较于分析离散或者时序数据的传统分类算法，更加体现了台区数据之间的复杂关系更接近实际情况，具有更高的识别准确度。

本文档来自技高网...

【技术保护点】

1.一种基于图神经网络的配网台区识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图神经网络的配网台区识别方法，其特征在于，所述S1中，得到归一化后的台区数据的表达式具体为：

3.根据权利要求1所述的基于图神经网络的配网台区识别方法，其特征在于，所述S2具体为：

4.根据权利要求1所述的基于图神经网络的配网台区识别方法，其特征在于，所述S3中，图神经网络包括依次连接的第一激活层、第一全连接层、第二激活层、第二全连接层、第三激活层和输出层。

5.根据权利要求4所述的基于图神经网络的配网台区识别方法，其特征在于，所述S3包括以下分步骤：

6.根据权利要求4所述的基于图神经网络的配网台区识别方法，其特征在于，所述图神经网络的损失函数L1的表达式具体为：

7.根据权利要求5所述的基于图神经网络的配网台区识别方法，其特征在于，所述S36中，所述输出层设置有分类预测函数，所述分类预测函数的表达式具体为：

【技术特征摘要】

1.一种基于图神经网络的配网台区识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图神经网络的配网台区识别方法，其特征在于，所述s1中，得到归一化后的台区数据的表达式具体为：

3.根据权利要求1所述的基于图神经网络的配网台区识别方法，其特征在于，所述s2具体为：

4.根据权利要求1所述的基于图神经网络的配网台区识别方法，其特征在于，所述s3中，图神经网络包括依次连接的第一激活层、第一全连接层...

【专利技术属性】
技术研发人员：廖开吉，范镇南，樊建翰，周良辉，周芷汀，董秀成，王涛，
申请(专利权)人：西华大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人