技术摘要：
本发明公开了一种基于神经网络的配电网线路向量化方法及装置，所述方法包括：基于配电网的传输线以及电气设备之间的连接关系，构建图模型；基于所述图模型，获取目标传输线分别对应的注入特征向量、线路邻接矩阵以及注入邻接矩阵；基于神经网络，将所述注入特征向量以  全部
背景技术：
智能电网是目前电力领域的发展方向，但目前仍处于概念、起步阶段。智能电网是 建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技 术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高 效、环境友好和使用安全的目标，其主要特征包括自愈、激励和保护用户、抵御攻击、提供满 足用户需求的电能质量、容许各种不同发电形式的接入。而要实现智能电网的部分功能，发 电形式的接入、传输风险的分析、电力转供的分析等，均需要对配电网进行数据化；而目前 存在的一些配电网建模方式往往都是单纯的针对配电网中某一特定的问题进行建模分析； 获得的电网数据化特征难以对配电网的整体特征进行有效的表达，即难以准确的表示配电 网的特征信息，从而使得不能得到准确的分析结果。 因此，目前仍缺乏一种能够准确表示配电网特征数据化方法。
技术实现要素：
鉴于上述问题，本发明提出了一种基于神经网络的配电网线路向量化方法及装 置，能够对准确的表示配电网的特征信息，从而提高配电网数据分析或故障预测的结果。 第一方面，本申请通过本申请的一实施例提供如下技术方案： 一种基于神经网络的配电网线路向量化方法，包括： 基于配电网的传输线以及电气设备之间的连接关系，构建图模型；其中，所述传输 线作为所述图模型中的节点，所述传输线的连接作为所述图模型的边，所述电气设备作为 所述图模型的注入； 基于所述图模型，获取目标传输线分别对应的注入特征向量、线路邻接矩阵以及 注入邻接矩阵；其中，所述目标传输线为任一节点对应的传输线；所述注入特征向量表示所 述目标传输线的属性以及对应的注入；所述线路邻接矩阵表示所述目标传输线与相邻传输 线之间的连接关系；所述注入邻接矩阵表示注入与所述目标传输线之间的连接关系； 基于神经网络，将所述注入特征向量以及所述注入邻接矩阵在所述图模型的节点 进行特征嵌入，获得所述目标传输线的第一线路特征向量；其中，所述第一线路特征向量包 含所述目标传输线与所述注入的连接关系； 基于所述线路邻接矩阵对所述第一线路特征向量进行更新，获得所述目标传输线 的第二线路特征向量。 优选地，所述注入特征向量的获取，包括： 基于所述注入的类型，获得所述注入的消耗和所述注入的生产；其中，所述注入的 消耗为消耗电能的电气设备，所述注入的生成为生产电能的电气设备； 4 CN 111598123 A 说　明　书 2/12 页 将所述目标传输线的属性、所述注入的消耗和所述注入的生产均表示为二维信 息； 基于所述目标传输线的属性、所述注入的消耗和所述注入的生产对应的二维信 息，获得所述注入特征向量。 优选地，所述线路邻接矩阵包括起点邻接矩阵和终点邻接矩阵；所述线路邻接矩 阵的获取，包括： 基于所述图模型，将所述目标传输线确定为双极对象；其中，所述双极对象表示所 述目标传输线具有起点和终点； 基于所述目标传输线的起点的第一连接信息，获得所述起点邻接矩阵；其中，所述 第一连接信息包括：所述目标传输线的起点与相邻传输线的起点连接，以及所述目标传输 线的起点与相邻传输线的终点连接； 基于所述目标传输线的终点的第二连接信息，获得所述终点邻接矩阵；其中，所述 第二连接信息包括：所述目标传输线的终点与相邻传输线的起点连接，以及所述目标传输 线的终点与相邻传输线的终点连接。 优选地，所述注入邻接矩阵的获取，包括： 基于所述目标传输线与所述注入的第三连接信息，获得所述注入邻接矩阵；其中， 所述第三连接信息包括：所述注入与所述目标传输线的起点连接，以及所述注入与所述目 标传输线的终点连接。 优选地，所述基于所述线路邻接矩阵对所述第一线路特征向量进行更新，获得所 述目标传输线的第二线路特征向量，包括： 基于所述起点邻接矩阵和所述终点邻接矩阵分别与第一保留信息的乘积的和，获 得第一传播信息；其中，所述第一保留信息为所述第一线路特征向量； 基于所述第一传播信息和所述第一保留信息的和，获得第二保留信息； 基于所述起点邻接矩阵和所述终点邻接矩阵分别与所述第二保留信息的乘积的 和，获得第二传播信息； 基于所述第二传播信息和所述第二保留信息的和继续对所述第二保留信息进行 迭代更新，直至获得所述第二线路特征向量。 优选地，所述基于神经网络，将所述注入特征向量以及所述注入邻接矩阵在所述 图模型的节点进行特征嵌入，获得所述目标传输线的第一线路特征向量，包括： 基于神经网络，将所述注入特征向量映射到d维空间中，获得d维向量；其中，d为大 于2的整数； 将所述d维向量右乘于所述注入邻接矩阵，获得所述第一线路特征向量。 优选地，所述基于神经网络，将所述注入特征向量映射到d维空间中，获得d维向 量，包括： 基于神经元个数分别为(din,10,d)的三层神经网络，将所述注入特征向量映射到d 维空间中，获得d维向量；其中，din为所述注入特征向量的维数。 第二方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案： 一种基于神经网络的配电网线路向量化装置，包括： 图模型构建模块，用于基于配电网的传输线以及电气设备之间的连接关系，构建 5 CN 111598123 A 说　明　书 3/12 页 图模型；其中，所述传输线作为所述图模型中的节点，所述传输线的连接作为所述图模型的 边，所述电气设备作为所述图模型的注入； 特征获取模块，用于基于所述图模型，获取目标传输线分别对应的注入特征向量、 线路邻接矩阵以及注入邻接矩阵；其中，所述目标传输线为任一节点对应的传输线；所述注 入特征向量表示所述目标传输线的属性以及对应的注入；所述线路邻接矩阵表示所述目标 传输线与相邻传输线之间的连接关系；所述注入邻接矩阵表示注入与所述目标传输线之间 的连接关系； 注入嵌入模块，用于基于神经网络，将所述注入特征向量以及所述注入邻接矩阵 在所述图模型的节点进行特征嵌入，获得所述目标传输线的第一线路特征向量；其中，所述 第一线路特征向量包含所述目标传输线与所述注入的连接关系； 特征向量获取模块，用于基于所述线路邻接矩阵对所述第一线路特征向量进行更 新，获得所述目标传输线的第二线路特征向量。 优选地，所述特征获取模块，具体用于： 基于所述注入的类型，获得所述注入的消耗和所述注入的生产；其中，所述注入的 消耗为消耗电能的电气设备，所述注入的生成为生产电能的电气设备； 将所述目标传输线的属性、所述注入的消耗和所述注入的生产均表示为二维信 息； 基于所述目标传输线的属性、所述注入的消耗和所述注入的生产对应的二维信 息，获得所述注入特征向量。 第三方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案： 一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现 上述第一方面中任一项所述方法的步骤。 本发明实施例提供的一种基于神经网络的配电网线路向量化方法，通过对配电网 的传输线以及电气设备之间的连接关系构建为图模型；并且将传输线作为图模型中的节 点，传输线的连接作为图模型的边，电气设备作为图模型的注入，从而将配电网中的传输线 以及传输线的连接关系进行了抽象表达；进一步的，基于图模型，获取目标传输线分别对应 的注入特征向量、线路邻接矩阵以及注入邻接矩阵，通过注入特征向量、线路邻接矩阵以及 注入邻接矩阵就可将目标传输线对应的属性，对应连接的注入以及邻接的传输线进行抽 象，数据化；最后，基于神经网络，将注入特征向量以及注入邻接矩阵在所述图模型的节点 进行特征嵌入，获得目标传输线的第一线路特征向量，使得第一线路特征向量中包含目标 传输线对应的属性、对应连接的注入相关的特征，并且由于采用神经网络的方式进行的特 征嵌入，使得获取的数据具有更好的稳定性，不易失真；最后基于线路邻接矩阵对第一线路 特征向量进行更新，获得目标传输线的第二线路特征向量，在第二线路特征向量中不仅包 含了目标传输线的属性特征、注入和目标传输线的连接信息，还包含了目标传输线与相邻 传输线的邻接信息；因此，使用第二线路特征向量就可对配电网的细节特征进行加准确的 表示，并且充分考虑了配电网中传输线特征的复杂性，使得配电网可数据化后得到的第二 线路特征向量可广泛的应用于线路故障、电力转供等场景下的数据分析与预测，并且具备 更高的准确度。 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段， 6 CN 111598123 A 说　明　书 4/12 页 而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够 更明显易懂，以下特举本发明的