[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

说明书

本发明提供一种基于深度强化学习的智能电网关键节点识别方法，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。本发明构建一种基于深度强化学习的电力网络关键节点识别模型，通过该模型可以准确识别不同类型电力网络的关键节点。

技术领域

本发明涉及智能电网技术领域，具体涉及一种基于深度强化学习的智能电网关键节点识别方法。

背景技术

目前，学术界对电网关键节点的识别进行了大量研究，主要的方法包括：基于图论及复杂网络理论分析方法，该类方法主要从电网结构上进行分析，查找关键节点；基于电网业务属性的检测方法，该类方法从电网的运行参数出发，如电网潮流分布、电抗、功率变化，来分析检测关键节点；另外，也有的文献将两种方法相结合进行研究。

尽管这些方法在某些网络上获得了较好的关键节点检测效果，也取得了一定研究成果。但随着电网大规模广泛互联的逐渐展开，随机性、波动性新能源渗透率的逐渐提高，导致电力系统日臻复杂，故障风险也不断增加。这给电网关键节点识别带来了新的挑战：(1)现代电网规模越来越大，结构越来越复杂，对现有方法的运行速度和准确率提出了更高的要求；(2)各种随机性和不确定性因素的影响更加错综复杂，如多样化、智能化、即插即用的负荷随机变化，导致网络结构动态变化，关键节点也随之改变。现有方法大多针对某一类型静态网络，并没有考虑网络结构的动态变化。(3)现有方法缺乏对事故造成的级联反应进行预警，电网中某个脆弱节点发生故障，如不加以控制，电网间的联系将故障影响不断放大，产生级联失效，导致区域电网大面积停电。上述问题，必然会影响到电网关键节点检测的准确性和效率，是电网关键节点检测的共性问题，也是其应用实施的瓶颈。

为此，本发明提出一种基于深度强化学习的智能电网关键节点识别方法。

发明内容

为解决上述问题，本发明提供一种基于深度强化学习的智能电网关键节点识别方法。

本发明提供了如下的技术方案。

一种基于深度强化学习的智能电网关键节点识别方法，包括以下步骤：

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。

优选地，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。

优选地，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。