[发明专利]一种基于图神经网络的电网潮流调整方法

权利要求书

1.一种基于图神经网络的电网潮流调整方法，其特征在于，首先利用图神经网络模型对电网异构图节点的电网数据进行图嵌入处理；然后针对图嵌入处理后不收敛的电网数据，基于强化学习的方式进行电网参数调整；

其中，利用图神经网络模型对电网异构图节点的电网数据进行图嵌入处理的过程包括以下步骤：

利用重启随机游走的方式进行电网的节点采样；

针对目标节点和邻居节点中的每个节点，将同一节点的不同参数转化成维度相同的特征；之后对转换后的不同参数对应的特征进行不分先后顺序的聚合，在得到节点矩阵上使用平均池操作来最终得到节点特征f₁(v)；

然后针对目标节点选择将相同类型的邻居节点进行聚合，在得到节点矩阵上使用平均池操作得到目标节点的相同类型邻居节点的特征聚合f₂^t(v)；

将针对目标节点和邻居节点中的每个节点对应的节点特征f₁(v)和目标节点的相同类型邻居节点的特征聚合f₂^t(v)有权重地聚合，得到最终的嵌入结果。

2.根据权利要求1所述的一种基于图神经网络的电网潮流调整方法，其特征在于，利用重启随机游走的方式进行电网的节点采样的过程包括以下步骤：

针对每个目标节点进行随机游走获得邻居节点，按照邻居节点的类型将它们分别统计数量，当每个类别的数量都达到最低限度的时候停止随机游走；游走过程中，从目标节点开始游走，以设定的概率采样到邻居节点，否则就返回原目标节点，对随机游走的游走长度进行限制，游走长度达到最大限制同样会返回目标节点；

然后，针对不同类型邻居的数量，从比最低限度多的类型节点中按照采样到的次数高低选取最低限度数量的节点，设该数量为k_t，t表示节点类型。

3.根据权利要求2所述的一种基于图神经网络的电网潮流调整方法，其特征在于，对转换后的不同参数对应的特征进行不分先后顺序的聚合的过程是利用BILSTM网络实现的。

4.根据权利要求3所述的一种基于图神经网络的电网潮流调整方法，其特征在于，所述节点特征f₁(v)如下：

其中，f₁(v)∈R^d×1，d代表内容嵌入的维度；x_i表示节点v的第i个属性，C_v表示节点v的属性集，|C_v|为C_v的容量；代表对特征x_i的转换函数，表示将两部分矩阵进行串联；表示BILSTM中前向LSTM和后向LSTM。

5.根据权利要求4所述的一种基于图神经网络的电网潮流调整方法，其特征在于，针对目标节点选择将相同类型的邻居节点进行聚合，在得到节点矩阵上使用平均池操作得到目标节点的相同类型的邻居节点的特征聚合的过程包括以下步骤：

用VN_t(v)来表达目标节点v的采样到的t类型的邻居节点集合，用f₂^t来聚合同类型的邻居节点v'∈VN_t(v)，将v'对应的节点特征记为嵌入值f₁(v')，选择BILSTM来对同一类型中节点的特征表达进行处理，并且最后添加一个平均池操作，以得到目标节点的相同类型的邻居节点的特征聚合

6.根据权利要求5所述的一种基于图神经网络的电网潮流调整方法，其特征在于，所述的