一种配网联络图布局方法、系统、存储介质及计算设备

技术领域

本发明涉及一种配网联络图布局方法、系统、存储介质及计算设备，属于电力系统自动化领域。

背景技术

近年来，随着配电网建设规模的不断扩大，为了避免馈线间无序联络导致的网络复杂性，供电单元逐步成为中压配电网架的典型设计范式。供电单元由一至多个变电站之间相互联络的多条馈线构成，单元内部的馈线之间直接或间接联通，不同单元间的任意两条馈线通过联络关系不可达。供电单元是一个调度、运维和检修都相对独立的稳定供电区域，高效美观的拓扑可视化能够大大提高供电单元的运维管理效率，而拓扑可视化的关键技术是图布局方法。

目前的图布局方法以经验为主的启发式方式，这种算法受限于经验，并且仅对模式固定、数据变动不大的拓扑结构具有一定的效果，无法适用于目前日益复杂的拓扑结构。

发明内容

本发明提供了一种配网联络图布局方法、系统、存储介质及计算设备，解决了背景技术中披露的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种配网联络图布局方法，包括：

获取配网联络图中的连接关系数据和节点类型；

将配网联络图中的连接关系数据和节点类型拼接后输入预先训练的生成对抗网络，获得优化的节点布局；

根据预设的连线规则，对优化的节点布局进行连线，获得配网联络图布局。

生成对抗网络的判别器内设置有预设的布局评判标准；在生成对抗网络的训练过程中，判别器使用布局评判标准对生成器得到的节点布局进行打分，在生成器和判别器的对抗学习过程中，使生成器生成符合布局评判标准的节点布局。

布局评判标准包括变电站节点的分散程度评判标准、联络开关节点连接长度评判标准、变电站节点及其叶子节点的聚集程度评判标准、联络开关节点的路径焦点数量评判标准；

变电站节点的分散程度评判标准为：

其中，L

联络开关节点连接长度评判标准为：

D

其中，D

变电站节点及其叶子节点的聚集程度评判标准为：

其中，S为配网联络图的总面积，s

联络开关节点的路径焦点数量评判标准为：

0＜L

生成对抗网络的损失函数中使用均方差距离作为差异的衡量。

生成对抗网络的损失函数为：

其中，D为判别器，G为生成器，D(X)为示数据X经过判别器后的输出，D(G(z))为随机噪声z经过生成器生成得到的数据经过判别器后的输出，log表示计算对应熵值，

连线规则包括根节点与叶子节点的连线规则和叶子节点与叶子节点的连线规则；

根节点与叶子节点的连线规则：

根节点仅与自身的叶子节点相连；

以根节点为原点，画出平面坐标系；若叶子节点相对于根节点位于1、2象限，叶子节点与根节点的拐点在y轴正半轴，连线横平竖直；若叶子节点相对于根节点位于第3、4象限，叶子节点与根节点的拐点在y轴负半轴，连线横平竖直；

叶子节点与叶子节点的连线规则：

1)若叶子节点互相位于彼此的正交位置，且直接连线路径无其他节点，则直接相连，否则转至2)；

2)若叶子节点互相位于彼此的非正交位置、且按照根节点与叶子节点连线规则的连线路径上无其他节点，则按照根节点与叶子节点连线规则连接，否则转至3)；

3)若按照根节点与叶子节点连线规则的连线路径经过其他节点，则在路径上增加一个拐点，使连线横平竖直、且无节点阻挡。

一种配网联络图布局系统，包括：

获取模块，获取配网联络图中的连接关系数据和节点类型；

节点布局优化模块，将配网联络图中的连接关系数据和节点类型拼接后输入预先训练的生成对抗网络，获得优化的节点布局；

连线模块，根据预设的连线规则，对优化的节点布局进行连线，获得配网联络图布局。

节点布局优化模块中，生成对抗网络的判别器内设置有预设的布局评判标准；在生成对抗网络的训练过程中，判别器使用布局评判标准对生成器得到的节点布局进行打分，在生成器和判别器的对抗学习过程中，使生成器生成符合布局评判标准的节点布局；生成对抗网络的损失函数中使用均方差距离作为差异的衡量。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行配网联络图布局方法。

一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行配网联络图布局方法的指令。

本发明所达到的有益效果：1、本发明采用生成对抗网络优化节点布局，对优化的节点布局进行连接，从而获得配网联络图布局，相较于传统的方法，不受限于经验，并且可适用于目前日益复杂的拓扑结构；2、本发明的生成对抗网络的判别器内设置有布局评判标准，评判标准可以根据具体的业务需求进行修改，多样化的评判标准的设定使得系统具有个性化设计的能力；3、本发明将均方差距离作为损失函数，使得生成对抗网络的生成器能够生成更加符合评判标准的布局，从而实现评判函数对于生成器的约束，使得生成器的学习方向得到控制。

附图说明

图1为配网联络图布局方法的流程图；

图2为配网联络图布局方法的逻辑框图；

图3为生成对抗网络训练的原理图；

图4为根节点与叶子节点的连线图；

图5为叶子与叶子连接关系图；

图6为叶子节点与叶子节点的连线选择逻辑图；

图7为通过原始生成对抗网络GAN生成的图布局；

图8为通过生成对抗网络变形WGAN生成的图布局；

图9为通过本发明生成对抗网络生成的图布局；

图10为通过多层感知机MLP生成的图布局。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种配网联络图布局方法，包括以下步骤：

步骤1，获取配网联络图中的连接关系数据和节点类型；

步骤2，将配网联络图中的连接关系数据和节点类型拼接后输入预先训练的生成对抗网络，获得优化的节点布局；

步骤3，根据预设的连线规则，对优化的节点布局进行连线，获得配网联络图布局。

上述方法采用生成对抗网络优化节点布局，对优化的节点布局进行连接，从而获得配网联络图布局，相较于传统的方法，不受限于经验，并且可适用于目前日益复杂的拓扑结构。

上述的生成对抗网络需要预先构建并训练，传统的生成对抗网络学习到的布局不稳定，无法保证生成器学习到的是美观、清晰的布局方法，以及传统生成对抗网络判别器不能细粒度分辨每种分布的特定差异，从而导致生成效果不稳定且波动较大问题，因此需要对传统网络进行改进，具体改进如下：

a)生成对抗网络的判别器内设置有预设的布局评判标准；

在生成对抗网络的训练过程中，判别器使用布局评判标准对生成器得到的节点布局进行打分，其目的在于使用“评判分数”这个特性将训练数据和生成数据做出区分：对于训练数据，判别器的输出均接近满分1，而对于生成器生成的不够好的布局，判别器将其打分为0；在生成器和判别器的对抗学习过程中，使生成器生成符合布局评判标准的节点布局，即生成得到的布局会得到判别器的满分反馈。

为生成对抗网络设计更加细粒度的学习约束，即可视化效果的布局评判标准，主要量化了根节点的离散程度、根和叶子节点的聚集程度、全局连线的总复杂程度等，将生成的布局转化为美观程度的得分，以此来影响优化方向。

布局评判标准主要包括变电站节点的分散程度评判标准、联络开关节点连接长度评判标准、变电站节点及其叶子节点的聚集程度评判标准、联络开关节点的路径焦点数量评判标准。

变电站节点的分散程度评判标准：

变电站节点的分散程度作为对于可视化效果最重要的节点，可以表征可视化效果的美观、合理程度，同时在与联络开关的连接长度共同约束下，能够使拓扑布局和连线保持合适的稀疏程度，达到美观的整体布局；

使用n表示变电站节点数量，变电站节点之间的距离和D

变电站节点的分散程度的评价分数

联络开关节点连接长度评判标准：

为了方便审阅，可视化结果应当最可能的简洁，其中拓扑图中连线的长度起着较为重要的作用；具有连接关系的节点，其连线的长度可以表征其位置之间的远近关系，能够约束每个叶子节点的相对位置，特别是那些有连接关系的节点，约束他们之间的距离；其与变电站节点的分散程度相互制约，同时约束整体布局的美观、连线简单；

联络开关节点的连接总长度D

变电站节点及其叶子节点的聚集程度评判标准：

可视化效果应当能够明显区别不同变电站节点，所以属于同一个变电站的节点应当与该变电站聚集，否则不同叶子节点的连线会导致更多复杂冗余的交叉点，同时在变电站分散程度的约束下，会使不同变电站节点及其所属的叶子节点形成聚集，避免出现大跨度的连线出现；

使用S为配网联络图的总面积，s

当分布较好时，变电站节点和叶子节点的占用总面积应当接近甚至小于布局的总面积，这意味着节点的分布不存在巨大的分散、以及根与叶子的聚集程度较高，所以在优化过程中，我们将占用面积小于画布总面积为目标，变电站节点及其叶子节点的聚集程度的评价分数

联络开关节点的路径焦点数量评判标准：

可视化效果应当线路清晰以便于线路追踪，节点之间的连线路径交叉过多时会导致线路混乱，不便审阅；所以减少这些路径交叉有利于优化布局的可观性；由评判因素的范围可知，对于任意布局的得分L，因满足0＜(L＝L

当布局越符合布局评判标准时，其评判得分越接近于1，布局更加合理美观；越不符合布局评判标准时，得数越接近0，则布局极不合理。

本发明将布局的评判分数作为训练的约束，将评价分数作为判别器细粒度区分不同分布差异的依据，这样使得训练能够在预料的方向优化，最终得到评判方法指导下的布局能力。

b)由于粒度的不同，本发明同时在生成对抗网络的损失函数上做出了改变，使用均方差距离作为差异的衡量，即将均方差距离作为损失函数，能够适应更加精准的训练优化控制。

均方差距离即是目标值与预测值之间差的平方的绝对值，其数学表达式如下：

其中，m表示共m个样本，

改进的生成对抗网络是一个由两个模型组成的系统：判别器D和生成器G。生成器根据随机噪声生成目标数据，最终目的是生成会被判别器判定为真实的数据；判别器则判定数据是真实数据还是生成数据，目的是尽可能分辨两种数据。双模型的目的是让生成器尽量去迷惑判别器，同时让判别器尽可能的对输入数据的来源进行判断。两个模型之间是互相对抗的关系，它们都会通过试图击败对方来使自己变得更好。生成器可以通过判别器得到它生成的数据和正数据集分布是否一致的反馈，而判别器则可以通过生成器得到更多的训练样本。

生成对抗网络的训练过程可以被视为求解值函数极大极小值的问题，训练生成对抗网络其实就是找到生成器和判别器的最优参数，使得下面的值函数具有极小极大值；生成对抗网络的对抗损失函数用公式可表示为：

其中，D为判别器，G为生成器，D(X)为示数据X经过判别器后的输出，D(G(z))为随机噪声z经过生成器生成得到的数据经过判别器后的输出，log表示计算对应熵值，

具体求解目标是：1、是找到一个最优的判别器，使其能够更好地判别真实的数据和由生成器生成的数据之间的分布差异；2、找到一个最优的生成器，使其生成的数据的特征分布与真实数据的特征分布更接近，也就是生成的数据与真实数据在高维的空间距离较近，差异较小，让判别器难以区分。综合上面的求解极大值，总体流程可以被理解为求解值函数的极小极大值。

改进的生成对抗网络侧重于让生成器根据合理的真实布局去学习有一定结构约束的布局模式，防止生成器生成过于出乎意料、不符合基本约束的布局，例如多个节点不能在相同的位置。如果需要生成具备美观要求的布局，则需要将可视化效果的布局评判标准作为约束加入训练的优化过程中，这样生成器才会在这些损失约束下逐渐逼近最符合布局评判标准的布局生成模式。

传统生成对抗网络根据两种数据的分布差异作为比较，对抗学习让生成器能够学习某种数据分布特性，让判别器学习两种数据分布的差距。在布局生成任务中，可以将评判分数差异看做是两种数据的分布差异，但是其差异粒度无法引导生成器学习更加清晰的生成模式。

对布局进行打分的模型为S，越符合评判标准则分数越高，计算损失方法为均方差距离MSE，判别器的求解为：

生成器的求解为：

其中，MSE表示计算损失的方法“均方误差”，z表示随机噪声，x为符合真实分布的数据，min

在对抗学习的过程中，判别器不断逼近S，最终具备S的评判能力，同时生成器为了使生成的布局评分接近满分1，会使生成器学会生成最符合评判标准的布局方法。这样实现了评判函数对于生成器的约束，使得生成器的学习方向得到了控制。

基于均方差损失的生成对抗网络的布局生成算法，首先对结构化数据特征的浓缩提取，通过合理的评判函数的约束，训练学习得到迎合评判函数的布局生成方法，最终对于拓扑数据能够得到合理的布局。能够得到超越启发式算法的新颖布局方式，在多种场景、复杂拓扑数据的情况下也能有效工作，改善了拓扑数据可视化的效率与效果，并且随着评判标准的变化，系统的生成效果也会随之改变，这样就实现了个性化布局目标的生成。

如图3所示，对改进的生成对抗网络进行训练，训练样本为节点分布图，具体可以将配电网拓扑结构表示为embedding作为模型的输入，在训练过程中，判别器将尽可能提高识别真数据和假数据的能力，而生成器将尽可能生成真的数据；判别器使用真实数据和假数据一起来进行训练来更新权值，而生成器只能使用完整模型(冻结的判别器，输入假的数据，但标记为真)通过判别器的误差来反馈到前面实现权值更新。本身GAN的训练过程，应该是一个mini和max过程，其中判别器将最小化判别真假数据过程中的误差，而生成器会最大化判别器判断出错的概率。

如图2所示，获取待布局取配网联络图中的连接关系和节点，其中连接关系用图嵌入embedding表示，将这些表示拓扑结构的矩阵输入训练好的生成对抗网络，从获得优化的节点布局，最后进一步根据预设的连线规则，对优化的节点布局进行连线，即可获得配网联络图布局。

连线规则包括根节点与叶子节点的连线规则和叶子节点与叶子节点的连线规则。

根节点与叶子节点的连线规则：

由于可视化图节点之间的连接特性，因此根节点仅与自身的叶子节点相连，所以根节点与叶子节点的连线凭借相对关系决定；

如图4所示，以根节点为原点，画出平面坐标系；若叶子节点相对于根节点位于1、2象限，叶子节点与根节点的拐点在y轴正半轴，连线横平竖直；若叶子节点相对于根节点位于第3、4象限，叶子节点与根节点的拐点在y轴负半轴，连线横平竖直。

图5，叶子节点与叶子节点的连线规则：

考虑到训练学习得到的布局的变化较大且不可知，为了能够在相对无规则的布局下有较好的连线效果，这里考虑三种优先级的连线方案，其优先级依次降低，如图6具体如下：

1)若叶子节点互相位于彼此的正交位置，且直接连线路径无其他节点，则直接相连，否则转至2)；

2)若叶子节点互相位于彼此的非正交位置、且按照根节点与叶子节点连线规则的连线路径上无其他节点，则按照根节点与叶子节点连线规则连接，否则转至3)；

3)若按照根节点与叶子节点连线规则的连线路径经过其他节点，则在路径上增加一个拐点，使连线横平竖直、且无节点阻挡。

分别利用原始的生成对抗网络GAN、生成对抗网络的变形WGAN、本发明的网络、多层感知机MLP获取优化的节点布局，然后利用相同的连线规则去完整呈现可视化效果，见图7～10。从图中可以看出本发明能够生成视觉效果较友好的可视化布局效果，能够更加有效的帮助配电网工作人员进行运维管理。

上述方法采样改进的生成对抗网络进行配网联络图布局，可实现迎合评判标准的美观简洁的可视化效果，最终实现高效、自动化、美观地实现配电网数据的端到端可视化。

基于相同的技术方案，本发明还公开了上述方法的软件系统，一种配网联络图布局系统，包括：

获取模块，获取配网联络图中的连接关系数据和节点类型。

节点布局优化模块，将配网联络图中的连接关系数据和节点类型拼接后输入预先训练的生成对抗网络，获得优化的节点布局。

节点布局优化模块中，生成对抗网络的判别器内设置有预设的布局评判标准；在生成对抗网络的训练过程中，判别器使用布局评判标准对生成器得到的节点布局进行打分，在生成器和判别器的对抗学习过程中，使生成器生成符合布局评判标准的节点布局；生成对抗网络的损失函数中使用均方差距离作为差异的衡量。

连线模块，根据预设的连线规则，对优化的节点布局进行连线，获得配网联络图布局。

上述系统中各模块的数据处理流程与对应方法的步骤一致，这里不重复描述了。

基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行配网联络图布局方法。

基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行配网联络图布局方法的指令。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。