(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111203656.X (22)申请日 2021.10.15 (71)申请人 南京工程学院 地址 211167 江苏省南京市江宁区科技园 弘景大道1号南京工程学院 (72)发明人 卞海红　王德邻　郭正阳　王西蒙　 王新迪　 (74)专利代理 机构 南京源古知识产权代理事务 所(普通合伙) 32300 代理人 马晓辉 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 20/10(2019.01)G06F 113/04(2020.01) (54)发明名称 基于人工蜂群算法优化的SVM的配电网拓扑 辨识 (57)摘要 本发明公开了基于人工蜂群算法优化的SVM 的配电网拓扑辨识， 本发明利用数据采集与监控 系统采集不同拓扑结构下多种负荷水平的断面 电压幅值量测数据和相应的拓扑标签， 组成训练 数据集。 再对训练数据集进行归一化处理， 之后 用ABC进行SV M参数的优化， 筛选出对配电网拓 扑 辨识最有效的部分节点电压幅值量测， 这些节点 电压幅值量测构成最优特征子集， 优化后的SVM 参数可构建最优拓扑辨识模型， 且 具有计算效率 和准确率高的特点。 权利要求书2页 说明书4页 附图2页 CN 113901620 A 2022.01.07 CN 113901620 A 1.基于人工蜂群算法优化的SVM的配电网拓扑辨识， 其特 征在于， 包括以下步骤： 步骤一： 构建训练数据集， 首先， 利用数据采集与监控系统采集不同拓扑结构下多种负 荷水平的断面电压幅值 量测数据和相应的拓扑 标签， 组成训练数据集； 步骤二： 针对配电网的某一节点电压进行归一化处理， 测量得到某一节点上的 电压幅 值的最大值和最小值， 利用归一处理前的节点电压幅值减去最小的电压幅值得到数值A， 然 后利用训练数据集中最大值减去最小值得到数值B， 最后利用数值A除以数值B即可得到节 点规划后的电压幅值； 步骤三： 确定SVM中的核函数参数σ 和惩罚因子 C的取值区间， 以及最优解的值； 步骤四： 带入SVM的算法中， 然后不断进行模型训练， 从而验证算法模型， 结合预测的结 果不断调整SVM算法中的核函数参数σ 和惩罚因子 C， 最后得到预测结果 最优的训练模型。 2.根据权利要求1所述的基于人工蜂群算法优化的SVM的配电网拓扑辨识， 其特征在 于： 所述步骤三中， 具体分为以下几步： S3‑1： 初始化各参数， 随机产生SN个初始解， 即采蜜蜂和食物源的数量， 每一个解都是一 个D维向量， D表示需要优化的参数个数， 采用下式均匀的产生初始食物源： S3‑2： 采蜜蜂对食物源进行开采， 对其所在的食物源xij附近产生一定的扰动， 从而产生 候选食物源位置， 产生过程由下式确定： 式中， xi表示搜索空间中第i个食物源， 在其附近随机选取一个食物源xk， j表示分量， 为[‑1,1]范围内的随机数； S3‑3： 对由式(2)产生的各个食物源的候选解进行评估， 评估每个新的食物源的花蜜 量， 即计算解的适应度， 从而根据适应度计算出观察蜂选择每个食物源的概率Pi， 公式如 下： 式中， fitnessi为第i个食物源的适应度， Pi越大， 就代表此食物源花蜜量越多， 能吸引 更多的观察蜂去采蜜； S3‑4： 对食物源xi进行多次循环开采， 当对该食物源的开采次数超过事先设定好的阈值 limit， 仍然 得不到改进， 则其对应的解就要被抛弃， 采蜜峰变为侦查 蜂， 重新开始 寻找食物 源。 3.根据权利要求1所述的基于人工蜂群算法优化的SVM的配电网拓扑辨识， 其特征在 于： 在步骤二中， 进行数据归一化处理的同时还利用ABC同时进行特征选择和SVM参数的优权　利　要　求　书 1/2 页 2 CN 113901620 A 2化， 筛选处配电网拓扑辨识 最有效的部 分节点电压幅值量测， 优化后的SVM参数即可构建最 优的拓扑辨识模型。权　利　要　求　书 2/2 页 3 CN 113901620 A 3