[发明专利]一种基于深度强化学习的智能电网关键节点识别方法

权利要求书

1.一种基于深度强化学习的智能电网关键节点识别方法，其特征在于，包括：

根据电网数据建立电网、通信网的拓扑结构，结合电力网络的业务属性和物理特性构建真实电力网络，并构建生成网络模型；

根据真实电力网络与生成网络的网络特征，构建基于深度学习的全阶子图特征分类模型；

根据全阶子图特征分类模型，通过深度的全连接学习输出各动作对应的奖励值；

利用获得的动作和对应的奖励值，构建电力网络深度强化学习模型；

输入待识别的电力网络至训练好的电力网络深度强化学习模型，输出各节点指标值，根据指标值确定关键节点；

所述基于深度学习的全阶子图特征分类模型的构建，包括以下步骤：

根据网络的拓扑结构，采用node2vec方法将网络映射到低维向量空间；

根据扩散的规则选取目标节点对应的子图节点，根据节点间的游走距离获得具有特定序列的节点集合；

由子图邻接矩阵、node2vec学习的节点向量矩阵以基于全局路径相似度的katz矩阵构成全阶子图特征，分别代表子图中节点的低阶、中阶和高阶结构特性；

还包括：通过真实电力网络与生成网络，并采取线上线下相结合的方式，根据节点的多个指标值对电力网络深度强化学习模型进行训练；

所述线上学习输入为真实的电力网络，其指标值包括网络的拓扑结构特征、物理属性、业务属性的特征信息；

所述线下学习，包括以下步骤：

输入数据集中的训练用网络，对各节点采用移除策略，得到当前的状态，利用全阶子图特征分类模型计算所采取的动作和奖励；数据集采用所建立的生成网络模型，生成大量与真实网络有相似的拓扑结构特征和物理属性的电力网络；

训练用网络经过深度强化学习模型的学习，输出的是各节点指标值，根据指标值判断关键节点。

2.根据权利要求1所述的基于深度强化学习的智能电网关键节点识别方法，其特征在于，还包括：

通过对电力网络的结构特征属性进行攻击，包括关键节点、中介节点、大度节点和随机节点；

构建电力网络健壮性评估模型，通过该模型来衡量电力网络的鲁棒性，并通过量化评估值给出不同等级的预警提示。