1.一种配电网拓扑网络自动识别方法，其特征在于，所述方法包括：步骤1：建立配电网模型，使用直流潮流法确定配电网参数与拓扑状态的约束关系：步骤2：采用SOM算法改进BP神经网络算法，并完成训练、测试和验证；步骤3：将配电网模型实际运行数据导入数据处理软件，进一步由神经网络算法进行支路状态识别，存储配电网各支路开断状态矩阵S；步骤4：依据初始配电网拓扑矩阵和支路开断状态矩阵S，生成配电网实时拓扑结构图；所述步骤1中，建立配电网模型包括以下步骤：A.采用电力系统仿真软件建立10kV配电网模型；B.建立配电网初始邻接矩阵M 0 ；C.结合直流潮流法，得到配电网运行参数和拓扑各支路状态约束关系，满足方程：P＝M 0 SBM 0 T θ (1)其中B满足方程：B＝M 0 SBM 0 T -diag(diag(M 0 SBM 0 T )) (2)其中，P∈R N 和θ∈R N 分别代表网络各节点的注入有功功率和电压相位角，M 0 代表初始节点-支路邻接矩阵，S＝diag[s 1 ,s 2 …s L ],元素s 1 -s L 代表各支路的开断状态， x L 为第L条支路的电抗；所述步骤2中，采用SOM算法改进BP神经网络算法包括以下步骤：A.将配电网运行数据输入SOM神经网络，并进行归一化处理；B.用SOM神经网络将配电网运行数据训练归类；C.将SOM神经网络的归类结果归一化后作为BP神经网络的输入量进一步训练、测试和验证；所述训练、测试和验证步骤如下：Step1：网络初始化；随机初始化网络的连接权值；Step2：输入向量；将输入向量X＝((x 1(t) ),(x 2(t) ),...,(x n(t) )) T 输入到输入层；Step3：寻找获胜节点；||X-w c ||＝min{d j } (4)式中：w ij (t)为输入层神经元i与竞争层神经元j的连接权值；Step4：调整连接权值，更新公式如(4)；w ij (t+1)＝w ij (t)+η(t)h(t)(x i (t)-w ij (t)) (5)式中：η(t)为学习速率函数，他的取值范围为0<η(t)<1，h(t)为邻域函数，其值随时间逐渐减小，学习规则如下：式中：d cj 为神经元c与神经元j的距离，r(t)为邻域半径，INT为取整函数，T为总学习次数；Step5：令t＝t+1,返回Step2，直至达到最大的迭代次数或者学习速率达到某个设定的值；Step6：将SOM神经网络的归类结果归一化处理，作为初始化后的BP神经网络的输入，再进行进一步的训练；Step7：计算隐含层的输出；设隐含层和输出层都采用Sigmoid函数，即Step8：计算输出层的输出；Step9：计算误差；根据实际输出与期望输出，计算出误差，均方误差；e k ＝Y k -O k (12)式(12-13)中，Y k 表示期望输出，e k 是误差，E k 是均方误差；Step10：更新权值；w hj ＝w hj +ηH j e k (15)Step11：更新阈值；γ h ＝γ h +e h (17)Step12：根据输出，看其误差是否在允许的范围内，若是则算法结束，若否，则跳转至Step7；所述步骤1中，为所述配电网模型的各个支路配置断路器，并设置支路断开时刻和持续时间，得到各支路开断数据和对应状态下的各节点有功功率、电压相位角数据组文件；所述步骤3中，将实际运行的各节点有功功率、电压相位角数据组导入数据处理软件中，由所述SOM算法改进BP神经网络算法进行计算，得到支路开断状态矩阵S，从而可进一步更新配电网拓扑矩阵；所述步骤4中，配电网拓扑矩阵更新公式为：M＝M 0 ·S (17)式中：S＝diag[s 1 ,s 2 ...s L ]，M 0 表示初始配电网拓扑矩阵，M表示更新后的拓扑矩阵。
2.根据权利要求1所述的配电网拓扑网络自动识别方法，其特征在于：所述模型包括各支路部分与负荷部分；所述各支路部分通过断路器设置断开时间和持续时间，所述负荷部分为固定值。
