[发明专利]一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法

权利要求书

1.一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法，其特征在于，所述方法包括以下步骤：

S1、基于XGBoost方法，计算所有候选节点量测的重要度；

S2、基于最大信息系数，判定所有不同节点量测之间的相关度；

S3、依据所有节点量测之间的相关度判断不同量测是否强相关，若两个候选量测强相关，则依据所有节点量测的重要度删除重要程度较低的量测；

S4、基于格拉姆角场特征变换，将一维的配电网时间断面量测数据变换为二维的格拉姆角场；

S5、根据三卷积层的神经网络模型，对格拉姆角场所蕴含的拓扑特征信息进行稳定提取，完成拓扑辨识。

2.根据权利要求1所述的一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法，其特征在于，所述步骤S1计算所有候选节点量测的重要度的步骤包括：

101、XGBoost是由K棵决策树组成的加法集成模型：

其中，f_k(x_i)表示第i个样本x_i在第k棵树所对应叶子节点的权重；x_i∈R^N，表示K棵树组成的函数空间；表示样本x_i的预测值；

102、对于第k棵树而言，通过k个损失函数来衡量预测值与拓扑标签之间的差距，损失函数为：

其中，y_i表示样本x_i拓扑标签，表示样本x_i的训练残差，Ω表示惩罚项，反映模型复杂度；N_s表示样本总数；

103、XGBoost的学习策略是采用贪心算法来寻找第k棵树式(5)的最优解，损失函数需改写为：

其中，g_i、h_i分别是的一阶导数和二阶导数，T表示叶子节点个数，w_j表示第j个叶子节点的权重，γ表示惩罚项；X_j表示叶子节点j的样本集合；

104、确定第k棵树的结构，方法是从树的深度为0开始，每一节点都遍历所有的量测，最终选取信息增益最大的量测作为分裂量测，分裂叶子节点；信息增益的计算方式为：

其中，Opt_L、Opt_R和Opt_L+R分别表示叶子节点左子树、右子树、无分裂时式(6)的最优解，衡量叶子节点对总体损失的贡献，若G＜0时，树停止分裂；

105、遍历K棵树，将每个量测作为分裂量测时的得出的信息增益进行加和，作为该量测的重要程度。