[发明专利]基于图小波神经网络的低压配电网台区拓扑识别方法

权利要求书

1.基于图小波神经网络的低压配电网台区拓扑识别方法，包括以下步骤：

S1：低压配电网台区拓扑异常识别问题建模；

S2：构建图小波神经网络；该图小波神经网络由输入层、L层图卷积层和输出层组成，其以编码图局部拓扑结构信息的邻接矩阵A和编码用户用电特征数据的顶点特征矩阵X为输入，输出顶点类别标签预测矩阵；

S3：输入电力用户数据，输出拓扑异常用户。

2.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S1：低压配电网台区拓扑异常识别问题建模是指，给定一个无向带权图G＝(V,E,A)及其顶点属性矩阵X，已知G中包括v₀在内的部分顶点具有标签y∈{0,1}²，推断每个无标签顶点v∈V_U的标签y∈{0,1}²，并输出所有与v₀类别标签不同的顶点，即异常供电用户；其中，V表示顶点集合，包括一个表示变压器的顶点和n-1个表示所属供电用户的顶点；E表示变压器与所属供电用户间的连接边集合；A是一个n×n维的邻接矩阵，元素a_ij＝1表示顶点v_i和v_j相连，a_ij＝0表示两者未相连。

3.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S2：构建图小波神经网络的L层图卷积层，是指根据图小波变换及其逆变换，定义图卷积操作为：

其中，⊙表示Hadamard积；g_θ(Λ)由对角化谱域图小波卷积核得到；为减少网络参数，将第l层(1≤l≤L)图卷积操作分解为特征变换和图卷积两个阶段：

其中，H_l和H_l+1分别为第l层图卷积层的输入和输出数据；Θ_l是第l层的特征变换矩阵；F_l是第l层的图卷积核矩阵，它是一个对角阵，通过对角化卷积核f_l＝(f_l1,f_l2,…,f_ln)得到，即F_l＝diag(f_l)。

4.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S2：构建图小波神经网络的输出层，用于计算并预测每个无类别标记顶点的类别标签：利用softmax函数将输出层定义为：

式中，Z是一个n*c维的矩阵，其每个列向量Z_j表示所有顶点属于类别j(j＝1,2,…,c)的概率。

5.如权利要求4所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S2：构建图小波神经网络的输出层还包括，将图小波神经网络的损失函数loss设计为网络利用标记样本进行监督学习的损失：

6.如权利要求1所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S2：构建图小波神经网络还包括对图小波神经网络进行训练；所述训练方法为批量梯度下降策略实施参数更新。

7.如权利要求6所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的训练方法，以一个由两层图卷积层组成的图小波神经网络为例，将三种典型图数据集划分为训练集、测试集和验证集，在相应数据集上训练网络并测试和检验网络的分类准确性，当验证损失函数值在50个连续epoch没有降低时，终止训练过程。

8.如权利要求1或3所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的图小波神经网络通过利用深度学习框架Pytorch实现，采用Xavier参数初始化方法对特征变换矩阵Θ和卷积核g_θ(Λ)进行初始化。

9.如权利要求1或4所述的基于图小波神经网络的低压配电网台区拓扑识别方法，其特征在于，所述的S2：构建图小波神经网络的输出层利用丢弃方法来降低参数规模。