基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

凌佳凯，章逸舟，胡金峰，秦 军，戴 健，费有蝶，朱 振

（1. 国网江苏省电力有限公司无锡供电分公司，江苏 无锡 214061；2. 河海大学 电气与动力工程学院，南京 211100）

0 引言

随着现代电力系统的不断发展，配电网中新能源渗透率持续增加，配电网的调度运行、电能质量和系统保护等方面将迎来新的挑战，不仅配电系统中的不确定性显著增加，其运行方式也愈发复杂多变。由于配电网运行过程中的经济性和可靠性要求，需要频繁进行网络拓扑重构，因此网络拓扑复杂多变［1］。然而，配电网拓扑辨识与潮流计算、状态估计、故障定位等方面存在密切联系，可为含高比例新能源的配电网优化运行提供解决方案，因此拓扑辨识具有重要意义［2-7］。

根据辨识技术的不同，部分研究将现代配电网拓扑辨识方法划分为传统辨识方法和人工智能辨识方法［8］。在已有的传统辨识方法中，主要可以分为相关性判断法、信号注入法和线性规划法等［9］。文献［10］利用配电网的量测时序数据，采用潮流计算方法构建原始拓扑结构库，并比对输入量测数据与拓扑库中的样本，选定误差最小的拓扑为最终辨识类型。文献［11］利用配电网伪测量辅助传统WLS（加权最小二乘）状态估计。文献［12］提出一种“有功电流注入+频域信号检测”作为低压配电网中的拓扑识别技术方案，实现了配电网数字化运行。文献［13］通过生成节点与支路的关联矩阵，并根据矩阵分析母线状态，形成待辨识区域的生成树，完成了配电网拓扑辨识工作。文献［14］通过马尔可夫随机场模型挖掘配电网节点电压间的关联性，避免了馈线和变压器间拓扑辨识错误。上述方法往往需要复杂的运算，影响了拓扑在线辨识的时效性。

随着人工智能技术的发展，基于机器学习的拓扑辨识方法逐渐应用于相关领域。文献［15］建立了两种神经网络体系，分别训练不同的线路及节点并共享节点的信息，实现配电网拓扑辨识。文献［16］基于最小生成树算法生成配电网拓扑的邻接矩阵，并结合线性回归和Distflow潮流模型进行拓扑结构辨识。文献［17］提出了一种基于GCN（图卷积网络）的思路，根据配电网中各分布式单元断路器的开断状态实现拓扑辨识，但该方法输入的节点信息仅限于节点电压数据。文献［18］考虑了配电网内多种参数特征，将有功功率、无功功率、电压幅值等量测量归一化处理并作为DNN（深度神经网络）的输入，实现配电网的拓扑辨识。文献［19］提出了由LightGBM（轻量梯度提升机）筛选配电网节点的量测信息，最终选用电压幅值作为DNN输入特征。但以上机器学习模型架构较简单，难以学习量测数据深层特征，并且无法区分不同量测数据的重要性差异，导致拓扑辨识准确率不高。

针对已有拓扑辨识方法精度不足的缺陷，本文构建了采用时间断面量测进行特征学习的配电网拓扑辨识框架，提出基于CNN-LSTM-Attention（卷积神经网络-长短期记忆网络-注意力机制）模型的智能配电网拓扑辨识方法。所提方法能够应对配电网拓扑运行状态频繁变化的场景，满足拓扑在线辨识的时效性。该方法基于Attention 筛选出拓扑辨识任务中的有效特征，以应对少量实时量测的情形。在IEEE 33 和PG&E69 节点配电网算例中，验证了本文方法对于辐射状和弱环网运行的有源配电网能够实现高精度和高效率的拓扑辨识。

1 配电网拓扑辨识框架

1.1 主要模型框架设计

本文提出的基于CNN-LSTM-Attention 的配电网拓扑辨识框架见图1，选择部分节点接入PV（光伏）、WT（风力发电），该框架包含4 个部分：配电网量测训练数据集生成、量测数据预处理、基于CNN-LSTM-Attention 的智能拓扑辨识模型离线训练和根据实时量测输入的在线拓扑辨识应用。

图1 基于CNN-LSTM-Attention的配电网拓扑辨识框架Fig.1 The framework of distribution network topology identification based on CNN-LSTM-Attention

首先，通过配电网SCADA（数据采集与监控）系统采集配电网不同拓扑结构下的多个断面量测数据，并对该量测数据进行预处理；其次，将不同拓扑结构标签与对应的配电网历史量测数据共同构建初始训练数据集；进而，在模型离线训练阶段，将训练数据输入已调参的CNN-LSTMAttention 配电网拓扑辨识模型中迭代训练，在迭代过程中模型逐步缩小预测输出和实际输出的偏差值，以此学习量测数据集与拓扑结构间的映射关系。最后，在在线应用阶段中将实时断面量测数据输入已迭代完毕的模型中，便可智能辨识出对应拓扑的结构类型。

1.2 配电网量测数据获取和处理

1.2.1 量测数据获取

对于任一给定的配电网，在潮流求解方程中若确定了节点注入有功功率、节点注入无功功率、节点电压幅值和相邻节点间电压相角差中的其中2 组具体数据，便可根据潮流方程确定当前配电网的状态，具体如下：

式中：Pi、Qi、Ui分别为节点i的注入有功功率、注入无功功率和电压幅值；θij为节点i和节点j之间的相角差；Gij为节点i和节点j之间的支路电导；Bij为节点i和节点j之间的支路电纳；j∈i表示和节点i相连的所有节点j。

由于实际配电网庞大的网络结构以及有限的量测装置，易获取的量测数据包括节点电压幅值和节点注入功率等，并且由于装置硬件误差和通信问题等原因，部分配电网的实时量测数据精度不高。随着电网技术发展，PMU（同步相量测量单元）、微型PMU 和智能电表等量测设备不仅能做到量测数据同时标注，且大幅度降低了数据量测误差，但由于技术和成本的限制，以上装置在实际配电网中的装配数量较少。鉴于此，本文选用配电网中易获取的部分断面量测数据（节点电压幅值U及节点注入有功功率P）作为拓扑辨识模型输入的主要特征。

1.2.2 量测数据归一化

由于配电网稳定性较高，较近的负荷间距离使得线损相对较小，因此相邻节点电压幅值比较接近。对于不同拓扑结构下的同一节点，其电压幅值标幺值差异较小，若采用未处理的初始量测数据训练配电网拓扑辨识模型，会影响模型分析样本间的差异性，进而影响辨识效果。鉴于此，本文将电压幅值量测数据采用min-max 标准化方法进行归一化处理：

式中：U和Unorm分别为该节点电压幅值经归一化前、后的具体数值；Umax和Umin分别为该节点处历史电压幅值的最大值和最小值。

同理，也应对节点注入有功功率进行归一化处理，避免取值量纲不统一对模型训练产生的负面影响：

式中：P和Pnorm分别为该节点注入有功功率经归一化前、后的具体数值；Pmax和Pmin分别为该节点处历史注入有功功率的最大值和最小值。

2 基于CNN-LSTM-Attention 的配电网拓扑辨识模型原理

2.1 CNN结构

CNN 是具有深层特征学习能力的经典前馈神经网络，以局部感知与权值共享的方式深度学习和提取输入数据中蕴含的主要特征［20］。卷积层的卷积计算表达式为：

卷积核的具体计算操作以图2为示例，若以单节点的注入有功功率和电压幅值作为输入的某个子矩阵，通过含3通道的2×1尺寸的卷积核和偏置向量计算后，将生成尺寸为3×2的卷积输出。

图2 卷积核计算示意图Fig.2 Schematic diagram of convolution kernel computation

CNN 通常包含池化层，但考虑到本模型输入特征量较少，为尽量保留卷积层提取到的各量测量局部特征，无需池化层对卷积输出实现降维。

2.2 LSTM结构

RNN（循环神经网络）擅长处理序列数据，但应用时存在梯度消失或梯度爆炸的问题，LSTM在RNN 的基础上，通过引入“门”机制，解决了RNN的梯度消失和梯度爆炸问题［21］。LSTM单元结构如图3所示。

图3 LSTM单元结构Fig.3 Structure of LSTM cells

LSTM 的网络结构包括输入门、遗忘门、记忆单元和输出门。其中，输入门由Sigmoid神经网络层和tanh 激活层组成，该门结构对当前时刻网络输入进行控制，计算当前输入保存到记忆单元的信息。

式中：it和͂分别为输入门的输出和临时记忆单元的输出；Wi和Wc分别为输入门和更新后的权重；ht-1和xt分别为前一时刻隐含层输入和当前时刻输入；bi和bc分别为输入门和临时记忆单元的偏置；σ(⋅)表示Sigmoid激活函数。

遗忘门对上一时刻隐含层中的信息进行控制，计算出能保留在当前时刻记忆单元中的信息，从而实现长期重要信息的保存。计算公式如下：

式中：ft、Wf、bf分别为遗忘门的输出、权重和偏置值。

记忆单元由遗忘门的输出和输入门的临时记忆单元两部分组成，遗忘门保留了序列数据的长期重要信息，输入门单元使得当前时刻的无用信息不进入记忆单元。计算过程为：

式中：Ct为当前时刻记忆单元输出值；Ct-1为前一时刻记忆单元输出值。

输出门为网络输出结果，由当前输入、记忆单元和前一时刻隐含层共同确定。计算公式如下：

式中：Ot和ht分别为输出门和隐含层的输出；Wo和bo分别为输出门的权重和偏置值。

2.3 Attention

Attention 起初源于计算机视觉领域，核心目标是从给定的所有信息中选择出对当前目标任务更关键的信息［22］。由于配电网输入量测信息重要程度的区分需求，需计算不同量测信息的注意力分数，并按照该分数对量测信息赋予不同特征权重。在Attention 模型中，可以把计算注意力分数的对象抽象为查询向量和键值矩阵，如图4 所示，查询向量对应解码器状态，键矩阵对应编码器状态。输入注意力层的序列数据由键值对构成。对于给定的查询向量，这里首先按照键值矩阵K中各向量相似性以点积乘法的方式计算注意力分数：

图4 Attention模型Fig.4 Attention model

式中：Sscore(q，ki)表示查询向量q和任一时刻i的键值向量ki按照点积乘法求得的注意力分数。

随后，对注意力分数进行归一化，使得所有键值对应的注意力分数总和为1，即：

式中：n为总时间步长。

根据计算出的各时刻键值向量ki对应注意力分数αi，可以对值向量矩阵V进行加权求和，从而得到对应t时刻的Attention输出为：

式中：vi为t时刻的值向量。

2.4 基于CNN-LSTM-Attention 的深度学习拓扑辨识模型

本文将Attention与CNN、LSTM相结合，提出一种基于CNN-LSTM-Attention 的深度学习配电网拓扑辨识模型。首先，通过CNN挖掘单一节点和局部节点间的量测数据特征；其次，由LSTM 层解析拓扑结构全局节点量测之间的关联性；最后，在模型引入了自注意力结构，增强对于各节点量测特征信息的重要性区分，进一步提取输入量测的深层次特征。该模型共分为6层，分别为输入层、卷积层、拼接层、LSTM 层、注意力层和输出层，模型整体结构见图5。

图5 基于CNN-LSTM-Attention的配电网拓扑辨识模型Fig.5 Topology identification model of distribution networks based on CNN-LSTM-Attention

1）输入层：将同一时间断面的n个节点的节点电压幅值和注入有功功率经数据标准化后的堆叠量测矩阵H∈R2×n作为输入。

2）卷积层：对于输入量测矩阵H∈R2×n，采用行数和H相同、列数为e的卷积矩阵Wc∈R2×e对其进行卷积操作。

具体实现方式为：对H从左到右按照固定的间隔s平滑移动卷积矩阵Wc并进行重复卷积操作。若设置卷积核移动固定间隔为1，则单次卷积计算生成的卷积向量为。

式中：ra为第a次卷积运算的卷积向量；符号⊗表示矩阵间的哈达玛积；Ha：a+e-1为输入量测矩阵H第a列至第a+e－1列向量构成的子矩阵。

将各卷积向量经过ReLU 激活函数的非线性变换操作得到：

式中：ga为第a次卷积运算并经ReLU激活函数生成的特征向量；ba为hi的偏置向量，其中hi为编码向量，其表达式见式（17）。将同类型卷积操作生成的特征向量ga按顺序堆叠生成量测特征图G。

模型中分别采用2×1 和2×2 尺寸的卷积核进行卷积运算，以此获取单一节点内的局部量测特征，并解析相邻节点量测间可能存在的局部关联特征。为确保输出的特征图维度相同，采用Same Padding 的同尺寸填充方式，将超出边界部分的卷积核补0 填充，因此两种卷积方式输出的G1∈Rn×h和G2∈Rn×h维度相同，其中h为卷积核的通道数。

3）拼接层：将卷积层以两种卷积特征解构方式产生的量测特征图G1和G2进行堆叠，形成拼接特征矩阵Gstack∈Rn×2h，为下游网络的序列特征学习提供了先决条件。

4）LSTM 层：用于学习节点量测全局序列间的关联特征，总时间步长为n。各时间步上的输入为特征矩阵Gstack的第i列向量gstack，i，在解析全局序列相关性后输出各时间步的编码向量hi。

5）注意力层：单一时间断面的输入量测综合了多个节点量测信息，可通过注意力层对于给定拓扑辨识任务目标的节点量测信息特征贡献予以重要性差异区分，以达到优化模型的计算资源分配并实现更优拓扑辨识效果的目的。

式中：Wa为hi的权重参数矩阵；ui为hi经过单层感知机的输出，表示注意力层的键值向量；us为根据量测信息随机初始化的查询向量；A∈Rd为注意力层的输出，其中d为注意力输出的维度；αi为hi分配的注意力权重。

6）输出层：由全连接层和Softmax激活函数层构成，实现对上游网络深层特征的归纳总结。全连接层的维度为m，对应于训练样本中的拓扑类型标签总数，最后由Softmax 分类器输出拓扑标签。

式中：WA和bA分别为该层的权重参数矩阵和偏置向量；p={p1，p2，…，pm}为拓扑类型标签的概率向量，最终由argmax 函数选取p中最大元素所对应的拓扑类型作为拓扑辨识结果。

3 算例分析

3.1 实验环境和数据获取

本文算例测试集成的开发环境为MATLAB和Pycharm，计算机运行硬件条件为CPU i7-9750H（2.6 GHz），GPU 为RTX-2080。拓扑辨识模型应用的深度学习框架采用程序设计语言Python3.7 的 Torch1.11.1、 Tensorflow2.2.0 和Keras2.4.0工具包。

以IEEE 33 节点配电系统和PG&E69 节点系统为算例，作为训练数据集的节点电压幅值和注入有功功率等量测数据由MATPOWER 软件生成，其中采用2016 年电工数学建模竞赛的负荷数据模拟配电网运行特性。考虑到配电网中PMU和微型PMU设备可能产生的量测误差，对训练集的不同量测数据分别附加标准差为0.1%的独立高斯噪声。按十折验证法从各拓扑结构样本中随机选取10%作为测试集，其余作为训练集，并在训练中随机选取训练集的5%作为验证样本，以修正每次迭代的输出偏差。

3.2 模型评价指标和参数设置

评价指标采用对多分类模型的准确率、召回率和F1 值，其中拓扑类型i的辨识效果评价指标为：

式中：Pi和Ri分别为拓扑结构类型i的辨识准确率和召回率；Ti为诊断正确的拓扑结构类型i样本；E为拓扑结构类型i的实际样本总数；F为所有被辨识为拓扑结构类型i的样本总数。

对于深度学习模型参数设置，首先以F1值为优化目标，以CNN通道数和LSTM隐藏神经元个数为变量，由网格搜索方法寻优最佳参数设置，CNN-LSTM-Attention模型具体参数设置见表1。

表1 CNN-LSTM-Attention模型参数设置Table 1 Parameter setting of CNN-LSTM-Attention

3.3 测试结果分析

3.3.1 IEEE 33节点配电系统

首先，以IEEE 33 节点标准配电系统为算例，为模拟实际配电网运行环境，选择部分节点接入PV、WT等分布式能源，在节点12和18接入容量分别为400 kV 和500 kV 的WT，WT 采用定功率因数发电，功率因数恒等于0.95。在节点22 和25接入容量分别为350 kV和450 kV的PV，PV也采用定功率因数发电，功率因数恒等于0.95。由于WT 可在其无功容量范围内维持电压稳定，因此设置接入WT 的节点为PV节点，接入PV 装置的节点为PQ节点。

接入分布式电源的IEEE 33 节点配电系统拓扑结构如图6 所示。该配电系统中共包含32 条支路和5 条联络线，各线路具体参数参考文献［23］。在系统中分别接入WT和PV分布式电源，具体接入位置和出力参考文献［24］。以改变联络线开关状态的方式生成配电系统的15 种运行态拓扑结构，其中包含10种辐射形网络和5种环形网络。对以上拓扑结构的分布式能源出力和节点负荷变化进行不确定性建模，各类型拓扑结构取2 000个时间断面生成样本数据，共生成30 000 组样本。样本数据中各节点的电压幅值和注入有功功率量测作为深度学习模型的输入特征，分别记为U1～U33和P1～P33，并以拓扑类型作为模型输出的样本标签。

图6 接入分布式电源的IEEE 33节点配电系统Fig.6 The IEEE 33-node distribution system connected to distributed generator

为验证CNN-LSTM-Attention 模型在配电网拓扑结构辨识任务的有效性，本文选择其他常用的机器学习模型作为对比，不同深度学习模型的识别结果如表2所示，具体实现代码来源于公开发表的论文或基于论文指定的源码进行微调。模型实际训练过程中以Early Stopping 工具监视每轮迭代的测试集损失变化，若无明显降低则终止训练。

表2 IEEE 33节点配电系统下不同深度学习模型的识别结果Table 2 Recognition results of different deep learning models in IEEE 33-nobe distribution system

为验证CNN-LSTM-Attention 的抗噪声能力，在训练集的原始量测数据上分别增加了标准差β为0.5%和1%的高斯噪声作为对照，考察深度学习模型在不同噪声水平下的F1值，对比结果见表3。

表3 IEEE 33节点配电系统下加入不同量测噪声水平的测试集F1值对比结果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结果可以得出如下结论：

1）CNN 具备局部感知能力强和共享权值的特点，但仅能识别邻近节点量测的局部关系，并且缺乏对关键信息的辨识能力，因此模型识别准确率较低，为96.48%。而CNN-LSTM 的组合模型在CNN的基础上加入LSTM网络，可同时学习节点量测的局部特征信息和全局序列相关性，但存在无法辨识数据中关键特征的缺陷，导致辨识精度提升幅度有限。ACNN（注意力卷积网络）在CNN 基础上增加了Attention，能够有效感知特征的重要性差异，因此辨识准确率有所提升。SVM（支持向量机）的最终决策函数仅由少数支持向量决定，对含有大规模训练样本的多分类任务辨识效果不佳。DNN采用简单的全连接层堆叠架构的信息传递方式，无法有效地对量测数据进行建模，并容易陷入过拟合等问题，因此测试算例中的整体精度和效率较为低下。

2）本文模型虽然结合了CNN、LSTM 和Attention 等网络，在一定程度上增大了模型参数总量，但由于模型特征提取能力的增强，在每一轮迭代中训练样本的损失函数值下降得更快，因此可以结合Early Stopping 工具，以更少的迭代轮数提前完成训练。因此，本文模型在实现99.45%的高辨识精度下，训练和测试效率的衰减幅度较低，对于单断面输入量测对应拓扑类型的平均辨识时间约为4.1×10-4s，能够满足拓扑结构在线辨识的时效性要求。

3）在一定范围内，随着训练集的量测数据噪声水平增加，本文模型的F1值衰减幅度低于其他对比的深度学习模型，由此说明本文模型能够区分数据中的冗余噪声，具有较强的抗噪能力和鲁棒性。

为验证模型对各类型拓扑辨识的精度，根据测试集实验结果输出归一化混淆矩阵，其可视化热力图如图7 所示，其中第i行第j列元素代表实际拓扑类型i被模型辨识为拓扑类型j的概率。由图7结果可以看出：混淆矩阵从左上至右下的对角线元素几乎全为1，拓扑正确辨识概率为99.45%，因此可说明本文模型在拓扑结构辨识任务中的有效性。

图7 CNN-LSTM-Attention模型辨识的混淆矩阵Fig.7 Confusion matrix of CNN-LSTM-Attention model identification

图8展示了测试样本经CNN-LSTM-Attention输出的各节点量测注意力权重差异，将单断面的量测数据输入至已迭代完毕的静态模型中，由注意力层输出对应节点的注意权重，最终对于测试集中各时间断面的注意权重取平均值并输出结果。由图8可以看出，关联线路频繁开断的节点会被分配更高的注意权重，因此可验证本文模型能够区分各节点量测信息输入对于配电网拓扑结构辨识的重要性。

图8 IEEE 33节点配电系统下各量测节点的注意力权重图Fig.8 Attention weight diagram of each measuring node in IEEE 33-node distribution system

IEEE 33节点配电系统的全部节点的量测重要性权重，如图8所示。按图8中节点量测的重要性权重由低到高逐个减少节点电压幅值和注入有功功率的量测特征，得到相应的特征子集，并分别训练各深度学习模型，得到保留量测的节点数与测试集准确率的对应关系如图9 所示。由图9 可知，在使用13 个关键节点的量测特征时，CNNLSTM-Attention模型的准确率仍能够达到96.78%，可验证本文模型在少量测场景下的有效性。

图9 IEEE 33节点配电系统下保留量测的节点数和测试集准确率的关系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节点配电系统

同理，以接入分布式电源的PG&E69 节点配电系统为算例，选择系统中部分节点加入了PV、WT 等分布式能源，在节点41 和53 接入容量为1 000 kV的WT，WT采用定功率因数发电，功率因数恒等于0.95。在节点6、21 和69 接入容量为500 kV 的PV，PV 也采用定功率因数发电，功率因数恒等于0.95。

接入分布式电源的PG&E69 节点配电系统拓扑结构如图10所示。该系统中共包含32条支路和5条联络线，各线路具体参数参考文献［25］。配电系统中接入WT和PV分布式电源，其具体接入位置和出力信息参考文献［26］。以改变联络线开关状态的方式生成配电系统的25种运行态拓扑结构，其中包含18 种辐射形网络和7 种环形网络。各类型拓扑结构取2 000个断面生成样本数据，共生成50 000 组样本。以各节点的电压幅值和注入有功功率量测作为模型的输入特征，分别记为U1—U69和P1—P69，并以拓扑类型作为模型输出的样本标签。

图10 接入分布式电源的PG&E69节点配电系统Fig.10 The PG&E69-node distribution system connected to distributed generator

CNN-LSTM-Attention 模型和其他深度学习模型在系统中拓扑结构辨识任务的测试结果如表4所示。由表4 可以看出，本文模型的辨识效果F1值达到99.08%，并且对于单断面拓扑辨识的平均时间约为6.8×10-4s。同样，为验证CNN-LSTMAttention 的抗噪声能力，在训练集的原始量测数据上分别增加了标准差为0.5%和1%的高斯噪声作对照，考察模型在不同噪声水平下的F1值，对比结果见表5。

表4 PG&E69节点配电系统下不同深度学习模型的识别结果Table 4 Recognition results of different deep learning models in PG&E69-node distribution system

表5 PG&E69节点配电系统下加入不同量测噪声水平的测试集F1值对比结果Table 5 Comparison results of F1 value for test set with different measured noise levels in PG&E69-node distribution system%

图11 展示了CNN-LSTM-Attention 模型对于PG&E69 节点配电系统中各节点两侧数据的注意力分配，可以看出模型同样可区分该系统中不同节点量测数据的重要性。

图11 PG&E69节点配电系统下各量测节点的注意力权重图Fig.11 Attention weight diagram of each measuring node in PG&E69-node distribution system

为验证本文模型在少量实时量测的条件下仍能维持较好辨识效果，按图11 中节点量测的重要性权重由低到高逐个减少节点量测特征，形成特征子集，并分别训练各深度学习模型，得到保留量测的节点数与测试集准确率对应关系如图12 所示。在保留17 个关键节点的量测特征时，模型的辨识准确率可达到97.84%，因此在仅提供部分节点量测的场景下也具有较高的鲁棒性。

图12 PG&E69节点配电系统下保留量测的节点数和测试集准确率的关系Fig.12 Relationship between number of nodes preserving measurement and accuracy of test set in PG&E69-node distribution system

4 结语

本文建立了基于CNN-LSTM-Attention的配电网拓扑辨识的深度学习框架，采用MATPOWER软件生成节点电压幅值和节点注入功率量测数据并进行标准化处理，以此构建模型的输入样本，实现深度学习模型的特征提取，最终通过两个不同的配电系统算例验证了本文所提拓扑结构辨识模型的有效性和优越性。基于本文研究成果得出如下结论：

1）与传统的配电网拓扑结构辨识方法相比，本文方法对训练样本数据的特征数量要求低，辨识精度较高，并且辨识计算时间能够满足在线辨识的时效性要求，可实现辐射网和弱环网的拓扑结构辨识。

2）结合了CNN、LSTM和Attention的模型拥有全局和局部的特征提取能力以及关键信息的区分能力，对比传统算法，在分类性能、鲁棒性方面均得到有效提升，泛化能力更强。

3）通过实际算例验证了可仅使用部分关键节点的量测特征实现高精度的拓扑辨识效果，比较符合配电网装配的量测装置较少的场景。因此，本文的拓扑结构辨识模型在未来具备广阔的应用前景。

在未来的实际配电网拓扑辨识应用中，可将本文提出的深度学习模型推广至实际配电系统当中，通过与SCADA 系统互联，可实现高效准确的配电网拓扑在线辨识，从而支撑状态估计、故障定位和安全稳定分析等其他功能应用。