基于CNN-LSTM-Attention的配電網拓撲實時辨識方法

凌佳凱，章逸舟，胡金峰，秦 軍，戴 健，費有蝶，朱 振

（1. 國網江蘇省電力有限公司無錫供電分公司，江蘇 無錫 214061；2. 河海大學 電氣與動力工程學院，南京 211100）

0 引言

隨著現代電力系統的不斷發展，配電網中新能源滲透率持續增加，配電網的調度運行、電能質量和系統保護等方面將迎來新的挑戰，不僅配電系統中的不確定性顯著增加，其運行方式也愈發復雜多變。由于配電網運行過程中的經濟性和可靠性要求，需要頻繁進行網絡拓撲重構，因此網絡拓撲復雜多變［1］。然而，配電網拓撲辨識與潮流計算、狀態估計、故障定位等方面存在密切聯系，可為含高比例新能源的配電網優化運行提供解決方案，因此拓撲辨識具有重要意義［2-7］。

根據辨識技術的不同，部分研究將現代配電網拓撲辨識方法劃分為傳統辨識方法和人工智能辨識方法［8］。在已有的傳統辨識方法中，主要可以分為相關性判斷法、信號注入法和線性規劃法等［9］。文獻［10］利用配電網的量測時序數據，采用潮流計算方法構建原始拓撲結構庫，并比對輸入量測數據與拓撲庫中的樣本，選定誤差最小的拓撲為最終辨識類型。文獻［11］利用配電網偽測量輔助傳統WLS（加權最小二乘）狀態估計。文獻［12］提出一種“有功電流注入+頻域信號檢測”作為低壓配電網中的拓撲識別技術方案，實現了配電網數字化運行。文獻［13］通過生成節點與支路的關聯矩陣，并根據矩陣分析母線狀態，形成待辨識區域的生成樹，完成了配電網拓撲辨識工作。文獻［14］通過馬爾可夫隨機場模型挖掘配電網節點電壓間的關聯性，避免了饋線和變壓器間拓撲辨識錯誤。上述方法往往需要復雜的運算，影響了拓撲在線辨識的時效性。

隨著人工智能技術的發展，基于機器學習的拓撲辨識方法逐漸應用于相關領域。文獻［15］建立了兩種神經網絡體系，分別訓練不同的線路及節點并共享節點的信息，實現配電網拓撲辨識。文獻［16］基于最小生成樹算法生成配電網拓撲的鄰接矩陣，并結合線性回歸和Distflow潮流模型進行拓撲結構辨識。文獻［17］提出了一種基于GCN（圖卷積網絡）的思路，根據配電網中各分布式單元斷路器的開斷狀態實現拓撲辨識，但該方法輸入的節點信息僅限于節點電壓數據。文獻［18］考慮了配電網內多種參數特征，將有功功率、無功功率、電壓幅值等量測量歸一化處理并作為DNN（深度神經網絡）的輸入，實現配電網的拓撲辨識。文獻［19］提出了由LightGBM（輕量梯度提升機）篩選配電網節點的量測信息，最終選用電壓幅值作為DNN輸入特征。但以上機器學習模型架構較簡單，難以學習量測數據深層特征，并且無法區分不同量測數據的重要性差異，導致拓撲辨識準確率不高。

針對已有拓撲辨識方法精度不足的缺陷，本文構建了采用時間斷面量測進行特征學習的配電網拓撲辨識框架，提出基于CNN-LSTM-Attention（卷積神經網絡-長短期記憶網絡-注意力機制）模型的智能配電網拓撲辨識方法。所提方法能夠應對配電網拓撲運行狀態頻繁變化的場景，滿足拓撲在線辨識的時效性。該方法基于Attention 篩選出拓撲辨識任務中的有效特征，以應對少量實時量測的情形。在IEEE 33 和PG&E69 節點配電網算例中，驗證了本文方法對于輻射狀和弱環網運行的有源配電網能夠實現高精度和高效率的拓撲辨識。

1 配電網拓撲辨識框架

1.1 主要模型框架設計

本文提出的基于CNN-LSTM-Attention 的配電網拓撲辨識框架見圖1，選擇部分節點接入PV（光伏）、WT（風力發電），該框架包含4 個部分：配電網量測訓練數據集生成、量測數據預處理、基于CNN-LSTM-Attention 的智能拓撲辨識模型離線訓練和根據實時量測輸入的在線拓撲辨識應用。

圖1 基于CNN-LSTM-Attention的配電網拓撲辨識框架Fig.1 The framework of distribution network topology identification based on CNN-LSTM-Attention

首先，通過配電網SCADA（數據采集與監控）系統采集配電網不同拓撲結構下的多個斷面量測數據，并對該量測數據進行預處理；其次，將不同拓撲結構標簽與對應的配電網歷史量測數據共同構建初始訓練數據集；進而，在模型離線訓練階段，將訓練數據輸入已調參的CNN-LSTMAttention 配電網拓撲辨識模型中迭代訓練，在迭代過程中模型逐步縮小預測輸出和實際輸出的偏差值，以此學習量測數據集與拓撲結構間的映射關系。最后，在在線應用階段中將實時斷面量測數據輸入已迭代完畢的模型中，便可智能辨識出對應拓撲的結構類型。

1.2 配電網量測數據獲取和處理

1.2.1 量測數據獲取

對于任一給定的配電網，在潮流求解方程中若確定了節點注入有功功率、節點注入無功功率、節點電壓幅值和相鄰節點間電壓相角差中的其中2 組具體數據，便可根據潮流方程確定當前配電網的狀態，具體如下：

式中：Pi、Qi、Ui分別為節點i的注入有功功率、注入無功功率和電壓幅值；θij為節點i和節點j之間的相角差；Gij為節點i和節點j之間的支路電導；Bij為節點i和節點j之間的支路電納；j∈i表示和節點i相連的所有節點j。

由于實際配電網龐大的網絡結構以及有限的量測裝置，易獲取的量測數據包括節點電壓幅值和節點注入功率等，并且由于裝置硬件誤差和通信問題等原因，部分配電網的實時量測數據精度不高。隨著電網技術發展，PMU（同步相量測量單元）、微型PMU 和智能電表等量測設備不僅能做到量測數據同時標注，且大幅度降低了數據量測誤差，但由于技術和成本的限制，以上裝置在實際配電網中的裝配數量較少。鑒于此，本文選用配電網中易獲取的部分斷面量測數據（節點電壓幅值U及節點注入有功功率P）作為拓撲辨識模型輸入的主要特征。

1.2.2 量測數據歸一化

由于配電網穩定性較高，較近的負荷間距離使得線損相對較小，因此相鄰節點電壓幅值比較接近。對于不同拓撲結構下的同一節點，其電壓幅值標幺值差異較小，若采用未處理的初始量測數據訓練配電網拓撲辨識模型，會影響模型分析樣本間的差異性，進而影響辨識效果。鑒于此，本文將電壓幅值量測數據采用min-max 標準化方法進行歸一化處理：

式中：U和Unorm分別為該節點電壓幅值經歸一化前、后的具體數值；Umax和Umin分別為該節點處歷史電壓幅值的最大值和最小值。

同理，也應對節點注入有功功率進行歸一化處理，避免取值量綱不統一對模型訓練產生的負面影響：

式中：P和Pnorm分別為該節點注入有功功率經歸一化前、后的具體數值；Pmax和Pmin分別為該節點處歷史注入有功功率的最大值和最小值。

2 基于CNN-LSTM-Attention 的配電網拓撲辨識模型原理

2.1 CNN結構

CNN 是具有深層特征學習能力的經典前饋神經網絡，以局部感知與權值共享的方式深度學習和提取輸入數據中蘊含的主要特征［20］。卷積層的卷積計算表達式為：

卷積核的具體計算操作以圖2為示例，若以單節點的注入有功功率和電壓幅值作為輸入的某個子矩陣，通過含3通道的2×1尺寸的卷積核和偏置向量計算后，將生成尺寸為3×2的卷積輸出。

圖2 卷積核計算示意圖Fig.2 Schematic diagram of convolution kernel computation

CNN 通常包含池化層，但考慮到本模型輸入特征量較少，為盡量保留卷積層提取到的各量測量局部特征，無需池化層對卷積輸出實現降維。

2.2 LSTM結構

RNN（循環神經網絡）擅長處理序列數據，但應用時存在梯度消失或梯度爆炸的問題，LSTM在RNN 的基礎上，通過引入“門”機制，解決了RNN的梯度消失和梯度爆炸問題［21］。LSTM單元結構如圖3所示。

圖3 LSTM單元結構Fig.3 Structure of LSTM cells

LSTM 的網絡結構包括輸入門、遺忘門、記憶單元和輸出門。其中，輸入門由Sigmoid神經網絡層和tanh 激活層組成，該門結構對當前時刻網絡輸入進行控制，計算當前輸入保存到記憶單元的信息。

式中：it和?分別為輸入門的輸出和臨時記憶單元的輸出；Wi和Wc分別為輸入門和更新后的權重；ht-1和xt分別為前一時刻隱含層輸入和當前時刻輸入；bi和bc分別為輸入門和臨時記憶單元的偏置；σ(?)表示Sigmoid激活函數。

遺忘門對上一時刻隱含層中的信息進行控制，計算出能保留在當前時刻記憶單元中的信息，從而實現長期重要信息的保存。計算公式如下：

式中：ft、Wf、bf分別為遺忘門的輸出、權重和偏置值。

記憶單元由遺忘門的輸出和輸入門的臨時記憶單元兩部分組成，遺忘門保留了序列數據的長期重要信息，輸入門單元使得當前時刻的無用信息不進入記憶單元。計算過程為：

式中：Ct為當前時刻記憶單元輸出值；Ct-1為前一時刻記憶單元輸出值。

輸出門為網絡輸出結果，由當前輸入、記憶單元和前一時刻隱含層共同確定。計算公式如下：

式中：Ot和ht分別為輸出門和隱含層的輸出；Wo和bo分別為輸出門的權重和偏置值。

2.3 Attention

Attention 起初源于計算機視覺領域，核心目標是從給定的所有信息中選擇出對當前目標任務更關鍵的信息［22］。由于配電網輸入量測信息重要程度的區分需求，需計算不同量測信息的注意力分數，并按照該分數對量測信息賦予不同特征權重。在Attention 模型中，可以把計算注意力分數的對象抽象為查詢向量和鍵值矩陣，如圖4 所示，查詢向量對應解碼器狀態，鍵矩陣對應編碼器狀態。輸入注意力層的序列數據由鍵值對構成。對于給定的查詢向量，這里首先按照鍵值矩陣K中各向量相似性以點積乘法的方式計算注意力分數：

圖4 Attention模型Fig.4 Attention model

式中：Sscore(q，ki)表示查詢向量q和任一時刻i的鍵值向量ki按照點積乘法求得的注意力分數。

隨后，對注意力分數進行歸一化，使得所有鍵值對應的注意力分數總和為1，即：

式中：n為總時間步長。

根據計算出的各時刻鍵值向量ki對應注意力分數αi，可以對值向量矩陣V進行加權求和，從而得到對應t時刻的Attention輸出為：

式中：vi為t時刻的值向量。

2.4 基于CNN-LSTM-Attention 的深度學習拓撲辨識模型

本文將Attention與CNN、LSTM相結合，提出一種基于CNN-LSTM-Attention 的深度學習配電網拓撲辨識模型。首先，通過CNN挖掘單一節點和局部節點間的量測數據特征；其次，由LSTM 層解析拓撲結構全局節點量測之間的關聯性；最后，在模型引入了自注意力結構，增強對于各節點量測特征信息的重要性區分，進一步提取輸入量測的深層次特征。該模型共分為6層，分別為輸入層、卷積層、拼接層、LSTM 層、注意力層和輸出層，模型整體結構見圖5。

圖5 基于CNN-LSTM-Attention的配電網拓撲辨識模型Fig.5 Topology identification model of distribution networks based on CNN-LSTM-Attention

1）輸入層：將同一時間斷面的n個節點的節點電壓幅值和注入有功功率經數據標準化后的堆疊量測矩陣H∈R2×n作為輸入。

2）卷積層：對于輸入量測矩陣H∈R2×n，采用行數和H相同、列數為e的卷積矩陣Wc∈R2×e對其進行卷積操作。

具體實現方式為：對H從左到右按照固定的間隔s平滑移動卷積矩陣Wc并進行重復卷積操作。若設置卷積核移動固定間隔為1，則單次卷積計算生成的卷積向量為。

式中：ra為第a次卷積運算的卷積向量；符號?表示矩陣間的哈達瑪積；Ha：a+e-1為輸入量測矩陣H第a列至第a+e－1列向量構成的子矩陣。

將各卷積向量經過ReLU 激活函數的非線性變換操作得到：

式中：ga為第a次卷積運算并經ReLU激活函數生成的特征向量；ba為hi的偏置向量，其中hi為編碼向量，其表達式見式（17）。將同類型卷積操作生成的特征向量ga按順序堆疊生成量測特征圖G。

模型中分別采用2×1 和2×2 尺寸的卷積核進行卷積運算，以此獲取單一節點內的局部量測特征，并解析相鄰節點量測間可能存在的局部關聯特征。為確保輸出的特征圖維度相同，采用Same Padding 的同尺寸填充方式，將超出邊界部分的卷積核補0 填充，因此兩種卷積方式輸出的G1∈Rn×h和G2∈Rn×h維度相同，其中h為卷積核的通道數。

3）拼接層：將卷積層以兩種卷積特征解構方式產生的量測特征圖G1和G2進行堆疊，形成拼接特征矩陣Gstack∈Rn×2h，為下游網絡的序列特征學習提供了先決條件。

4）LSTM 層：用于學習節點量測全局序列間的關聯特征，總時間步長為n。各時間步上的輸入為特征矩陣Gstack的第i列向量gstack，i，在解析全局序列相關性后輸出各時間步的編碼向量hi。

5）注意力層：單一時間斷面的輸入量測綜合了多個節點量測信息，可通過注意力層對于給定拓撲辨識任務目標的節點量測信息特征貢獻予以重要性差異區分，以達到優化模型的計算資源分配并實現更優拓撲辨識效果的目的。

式中：Wa為hi的權重參數矩陣；ui為hi經過單層感知機的輸出，表示注意力層的鍵值向量；us為根據量測信息隨機初始化的查詢向量；A∈Rd為注意力層的輸出，其中d為注意力輸出的維度；αi為hi分配的注意力權重。

6）輸出層：由全連接層和Softmax激活函數層構成，實現對上游網絡深層特征的歸納總結。全連接層的維度為m，對應于訓練樣本中的拓撲類型標簽總數，最后由Softmax 分類器輸出拓撲標簽。

式中：WA和bA分別為該層的權重參數矩陣和偏置向量；p={p1，p2，…，pm}為拓撲類型標簽的概率向量，最終由argmax 函數選取p中最大元素所對應的拓撲類型作為拓撲辨識結果。

3 算例分析

3.1 實驗環境和數據獲取

本文算例測試集成的開發環境為MATLAB和Pycharm，計算機運行硬件條件為CPU i7-9750H（2.6 GHz），GPU 為RTX-2080。拓撲辨識模型應用的深度學習框架采用程序設計語言Python3.7 的 Torch1.11.1、 Tensorflow2.2.0 和Keras2.4.0工具包。

以IEEE 33 節點配電系統和PG&E69 節點系統為算例，作為訓練數據集的節點電壓幅值和注入有功功率等量測數據由MATPOWER 軟件生成，其中采用2016 年電工數學建模競賽的負荷數據模擬配電網運行特性。考慮到配電網中PMU和微型PMU設備可能產生的量測誤差，對訓練集的不同量測數據分別附加標準差為0.1%的獨立高斯噪聲。按十折驗證法從各拓撲結構樣本中隨機選取10%作為測試集，其余作為訓練集，并在訓練中隨機選取訓練集的5%作為驗證樣本，以修正每次迭代的輸出偏差。

3.2 模型評價指標和參數設置

評價指標采用對多分類模型的準確率、召回率和F1 值，其中拓撲類型i的辨識效果評價指標為：

式中：Pi和Ri分別為拓撲結構類型i的辨識準確率和召回率；Ti為診斷正確的拓撲結構類型i樣本；E為拓撲結構類型i的實際樣本總數；F為所有被辨識為拓撲結構類型i的樣本總數。

對于深度學習模型參數設置，首先以F1值為優化目標，以CNN通道數和LSTM隱藏神經元個數為變量，由網格搜索方法尋優最佳參數設置，CNN-LSTM-Attention模型具體參數設置見表1。

表1 CNN-LSTM-Attention模型參數設置Table 1 Parameter setting of CNN-LSTM-Attention

3.3 測試結果分析

3.3.1 IEEE 33節點配電系統

首先，以IEEE 33 節點標準配電系統為算例，為模擬實際配電網運行環境，選擇部分節點接入PV、WT等分布式能源，在節點12和18接入容量分別為400 kV 和500 kV 的WT，WT 采用定功率因數發電，功率因數恒等于0.95。在節點22 和25接入容量分別為350 kV和450 kV的PV，PV也采用定功率因數發電，功率因數恒等于0.95。由于WT 可在其無功容量范圍內維持電壓穩定，因此設置接入WT 的節點為PV節點，接入PV 裝置的節點為PQ節點。

接入分布式電源的IEEE 33 節點配電系統拓撲結構如圖6 所示。該配電系統中共包含32 條支路和5 條聯絡線，各線路具體參數參考文獻［23］。在系統中分別接入WT和PV分布式電源，具體接入位置和出力參考文獻［24］。以改變聯絡線開關狀態的方式生成配電系統的15 種運行態拓撲結構，其中包含10種輻射形網絡和5種環形網絡。對以上拓撲結構的分布式能源出力和節點負荷變化進行不確定性建模，各類型拓撲結構取2 000個時間斷面生成樣本數據，共生成30 000 組樣本。樣本數據中各節點的電壓幅值和注入有功功率量測作為深度學習模型的輸入特征，分別記為U1～U33和P1～P33，并以拓撲類型作為模型輸出的樣本標簽。

圖6 接入分布式電源的IEEE 33節點配電系統Fig.6 The IEEE 33-node distribution system connected to distributed generator

為驗證CNN-LSTM-Attention 模型在配電網拓撲結構辨識任務的有效性，本文選擇其他常用的機器學習模型作為對比，不同深度學習模型的識別結果如表2所示，具體實現代碼來源于公開發表的論文或基于論文指定的源碼進行微調。模型實際訓練過程中以Early Stopping 工具監視每輪迭代的測試集損失變化，若無明顯降低則終止訓練。

表2 IEEE 33節點配電系統下不同深度學習模型的識別結果Table 2 Recognition results of different deep learning models in IEEE 33-nobe distribution system

為驗證CNN-LSTM-Attention 的抗噪聲能力，在訓練集的原始量測數據上分別增加了標準差β為0.5%和1%的高斯噪聲作為對照，考察深度學習模型在不同噪聲水平下的F1值，對比結果見表3。

表3 IEEE 33節點配電系統下加入不同量測噪聲水平的測試集F1值對比結果Table 3 Comparison results of F1 value for test set with different measured noise levels in IEEE 33-node distribution system%

由表2和表3結果可以得出如下結論：

1）CNN 具備局部感知能力強和共享權值的特點，但僅能識別鄰近節點量測的局部關系，并且缺乏對關鍵信息的辨識能力，因此模型識別準確率較低，為96.48%。而CNN-LSTM 的組合模型在CNN的基礎上加入LSTM網絡，可同時學習節點量測的局部特征信息和全局序列相關性，但存在無法辨識數據中關鍵特征的缺陷，導致辨識精度提升幅度有限。ACNN（注意力卷積網絡）在CNN 基礎上增加了Attention，能夠有效感知特征的重要性差異，因此辨識準確率有所提升。SVM（支持向量機）的最終決策函數僅由少數支持向量決定，對含有大規模訓練樣本的多分類任務辨識效果不佳。DNN采用簡單的全連接層堆疊架構的信息傳遞方式，無法有效地對量測數據進行建模，并容易陷入過擬合等問題，因此測試算例中的整體精度和效率較為低下。

2）本文模型雖然結合了CNN、LSTM 和Attention 等網絡，在一定程度上增大了模型參數總量，但由于模型特征提取能力的增強，在每一輪迭代中訓練樣本的損失函數值下降得更快，因此可以結合Early Stopping 工具，以更少的迭代輪數提前完成訓練。因此，本文模型在實現99.45%的高辨識精度下，訓練和測試效率的衰減幅度較低，對于單斷面輸入量測對應拓撲類型的平均辨識時間約為4.1×10-4s，能夠滿足拓撲結構在線辨識的時效性要求。

3）在一定范圍內，隨著訓練集的量測數據噪聲水平增加，本文模型的F1值衰減幅度低于其他對比的深度學習模型，由此說明本文模型能夠區分數據中的冗余噪聲，具有較強的抗噪能力和魯棒性。

為驗證模型對各類型拓撲辨識的精度，根據測試集實驗結果輸出歸一化混淆矩陣，其可視化熱力圖如圖7 所示，其中第i行第j列元素代表實際拓撲類型i被模型辨識為拓撲類型j的概率。由圖7結果可以看出：混淆矩陣從左上至右下的對角線元素幾乎全為1，拓撲正確辨識概率為99.45%，因此可說明本文模型在拓撲結構辨識任務中的有效性。

圖7 CNN-LSTM-Attention模型辨識的混淆矩陣Fig.7 Confusion matrix of CNN-LSTM-Attention model identification

圖8展示了測試樣本經CNN-LSTM-Attention輸出的各節點量測注意力權重差異，將單斷面的量測數據輸入至已迭代完畢的靜態模型中，由注意力層輸出對應節點的注意權重，最終對于測試集中各時間斷面的注意權重取平均值并輸出結果。由圖8可以看出，關聯線路頻繁開斷的節點會被分配更高的注意權重，因此可驗證本文模型能夠區分各節點量測信息輸入對于配電網拓撲結構辨識的重要性。

圖8 IEEE 33節點配電系統下各量測節點的注意力權重圖Fig.8 Attention weight diagram of each measuring node in IEEE 33-node distribution system

IEEE 33節點配電系統的全部節點的量測重要性權重，如圖8所示。按圖8中節點量測的重要性權重由低到高逐個減少節點電壓幅值和注入有功功率的量測特征，得到相應的特征子集，并分別訓練各深度學習模型，得到保留量測的節點數與測試集準確率的對應關系如圖9 所示。由圖9 可知，在使用13 個關鍵節點的量測特征時，CNNLSTM-Attention模型的準確率仍能夠達到96.78%，可驗證本文模型在少量測場景下的有效性。

圖9 IEEE 33節點配電系統下保留量測的節點數和測試集準確率的關系Fig.9 Relationship between number of nodes preserving measurement and accuracy of test set in IEEE 33-node distribution system

3.3.2 PG&E69節點配電系統

同理，以接入分布式電源的PG&E69 節點配電系統為算例，選擇系統中部分節點加入了PV、WT 等分布式能源，在節點41 和53 接入容量為1 000 kV的WT，WT采用定功率因數發電，功率因數恒等于0.95。在節點6、21 和69 接入容量為500 kV 的PV，PV 也采用定功率因數發電，功率因數恒等于0.95。

接入分布式電源的PG&E69 節點配電系統拓撲結構如圖10所示。該系統中共包含32條支路和5條聯絡線，各線路具體參數參考文獻［25］。配電系統中接入WT和PV分布式電源，其具體接入位置和出力信息參考文獻［26］。以改變聯絡線開關狀態的方式生成配電系統的25種運行態拓撲結構，其中包含18 種輻射形網絡和7 種環形網絡。各類型拓撲結構取2 000個斷面生成樣本數據，共生成50 000 組樣本。以各節點的電壓幅值和注入有功功率量測作為模型的輸入特征，分別記為U1—U69和P1—P69，并以拓撲類型作為模型輸出的樣本標簽。

圖10 接入分布式電源的PG&E69節點配電系統Fig.10 The PG&E69-node distribution system connected to distributed generator

CNN-LSTM-Attention 模型和其他深度學習模型在系統中拓撲結構辨識任務的測試結果如表4所示。由表4 可以看出，本文模型的辨識效果F1值達到99.08%，并且對于單斷面拓撲辨識的平均時間約為6.8×10-4s。同樣，為驗證CNN-LSTMAttention 的抗噪聲能力，在訓練集的原始量測數據上分別增加了標準差為0.5%和1%的高斯噪聲作對照，考察模型在不同噪聲水平下的F1值，對比結果見表5。

表4 PG&E69節點配電系統下不同深度學習模型的識別結果Table 4 Recognition results of different deep learning models in PG&E69-node distribution system

表5 PG&E69節點配電系統下加入不同量測噪聲水平的測試集F1值對比結果Table 5 Comparison results of F1 value for test set with different measured noise levels in PG&E69-node distribution system%

圖11 展示了CNN-LSTM-Attention 模型對于PG&E69 節點配電系統中各節點兩側數據的注意力分配，可以看出模型同樣可區分該系統中不同節點量測數據的重要性。

圖11 PG&E69節點配電系統下各量測節點的注意力權重圖Fig.11 Attention weight diagram of each measuring node in PG&E69-node distribution system

為驗證本文模型在少量實時量測的條件下仍能維持較好辨識效果，按圖11 中節點量測的重要性權重由低到高逐個減少節點量測特征，形成特征子集，并分別訓練各深度學習模型，得到保留量測的節點數與測試集準確率對應關系如圖12 所示。在保留17 個關鍵節點的量測特征時，模型的辨識準確率可達到97.84%，因此在僅提供部分節點量測的場景下也具有較高的魯棒性。

圖12 PG&E69節點配電系統下保留量測的節點數和測試集準確率的關系Fig.12 Relationship between number of nodes preserving measurement and accuracy of test set in PG&E69-node distribution system

4 結語

本文建立了基于CNN-LSTM-Attention的配電網拓撲辨識的深度學習框架，采用MATPOWER軟件生成節點電壓幅值和節點注入功率量測數據并進行標準化處理，以此構建模型的輸入樣本，實現深度學習模型的特征提取，最終通過兩個不同的配電系統算例驗證了本文所提拓撲結構辨識模型的有效性和優越性。基于本文研究成果得出如下結論：

1）與傳統的配電網拓撲結構辨識方法相比，本文方法對訓練樣本數據的特征數量要求低，辨識精度較高，并且辨識計算時間能夠滿足在線辨識的時效性要求，可實現輻射網和弱環網的拓撲結構辨識。

2）結合了CNN、LSTM和Attention的模型擁有全局和局部的特征提取能力以及關鍵信息的區分能力，對比傳統算法，在分類性能、魯棒性方面均得到有效提升，泛化能力更強。

3）通過實際算例驗證了可僅使用部分關鍵節點的量測特征實現高精度的拓撲辨識效果，比較符合配電網裝配的量測裝置較少的場景。因此，本文的拓撲結構辨識模型在未來具備廣闊的應用前景。

在未來的實際配電網拓撲辨識應用中，可將本文提出的深度學習模型推廣至實際配電系統當中，通過與SCADA 系統互聯，可實現高效準確的配電網拓撲在線辨識，從而支撐狀態估計、故障定位和安全穩定分析等其他功能應用。