| 摘 要： | 为提高电网缺陷文本的感知深度与泛在性,改善典型仿生智能算法处理低价值密度、多维波动非线性、动态迭代更新属性下的电网海量文本缺陷特征感知问题时存在的异构泛在性较差、动态感知策略同步效能滞后、缺陷文本划分密集且生成困难、样本效率与迭代次数失衡、异构数据输入下的模型性能下降严重等固有弊端,提出了一种基于改进深度强化学习算法的电网缺陷文本挖掘模型。借助国家电网公司全局数据中心,构建非结构化的电网缺陷文本数据池,引入深度学习多维感知电网缺陷文本特征,实现缺陷文本的语义框架自构建,引入强化学习实现缺陷文本自主识别决策,并把当前收益(语义槽)和未来收益反馈给环境(隐性知识)模拟策略网络,在有限马尔科夫决策过程中引入多重Q网络机制实现知识地图的自生成,进而实现本体字典自动完善。以南方电网贵州电网有限责任公司数据管控中心为效能评价载体,基于谷歌的Tensorflow 1.2. 1和Open AI的Gym 0.9. 2环境开发了可视化验证环境并对模型进行了实证分析,仿真验证结果表明本文所提模型可以在较短的时间内处理低价值密度、多维波动非线性、动态迭代更新属性下的电网海量文本缺陷特征感知问题,在深度泛在性、感知自主性、决策准确性、异构数据输入下的模型容错性等方面具有明显优势。
|
