[发明专利]一种基于CNN-LSTM的低压台区拓扑关系识别方法

权利要求书

1.一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，包括以下步骤：

步骤S1，获取任一用户电表的电压时间序列及其所属的台区；

步骤S2，采用粒子群算法对CNN-LSTM网络模型进行训练，获得训练后的CNN-LSTM网络模型；

步骤S3，采用训练后的CNN-LSTM网络模型判别户变关系未知用户所属的台区，并生成台区拓扑关系；

步骤S4，若户变关系发生已知变化时，则获取改变后相应的电表电压时间序列及其所属台区数据，并进入步骤S5；否则，保持步骤S3中的台区拓扑关系；

步骤S5，采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，以形成更新后的台区拓扑关系。

2.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述步骤S1中，任一用户电表的电压时间序列为：X＝[X₁，X₂，...，X_j]；任一用户电表对应的台区为：Y＝[Y₁，Y₂，...，Y_j]；其中，X_i＝[X_i¹，X_i²，....，X_i^j]，X_i^j表示第i个用户的第j个时刻的电表电压，Y_j表示第i个用户所属的台区。

3.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述CNN-LSTM网络模型采用卷积神经网络和长短时神经网络；所述卷积神经网络输出作为长短时神经网络的输入。

4.根据权利要求3所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述卷积神经网络由从前至后依次连接并封装而成的一维卷积层、一维池化层、一维全连接层组成，且一维卷积核以时间步长单一方向滑动。

5.根据权利要求3或4所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述长短时神经网络采用交叉熵损失函数或分类问题损失函数。

6.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，采用EWC算法并结合改变后相应的电表电压时间序列及其所属台区数据对训练后的CNN-LSTM网络模型进行增量学习，其中，EWC算法采用以下公式：

其中，C表示增量学习中的损失函数，C_B表示原训练的损失函数，λ表示可调超参数，F_n表示费希尔信息矩阵的第n个对角线元素,θ_n表示增量学习过程中神经网络模型的第n个参数,θ_A，n表示原训练后的神经网络中的第n个参数。

7.根据权利要求1所述的一种基于CNN-LSTM的低压台区拓扑关系识别方法，其特征在于，所述步骤S3中，采用训练后的CNN-LSTM网络模型判别户变关系未知用户所属的台区，与已知户变关系的用户数据共同形成各台区的拓扑关系。