基于多屬性的電力通信網(wǎng)節(jié)點(diǎn)重要度評價(jià)

彭舜杰， 張志海

(廣西電網(wǎng)公司 電力調(diào)度控制中心， 廣西 南寧 530023)

0 引言

在智能電網(wǎng)中，電力通信網(wǎng)承載著控制電網(wǎng)運(yùn)行的狀態(tài)數(shù)據(jù)、調(diào)度數(shù)據(jù)和監(jiān)控?cái)?shù)據(jù)。電力通信網(wǎng)和電網(wǎng)緊密耦合，電力通信網(wǎng)的規(guī)模逐漸增大，節(jié)點(diǎn)眾多，拓?fù)鋸?fù)雜。為了保證電力系統(tǒng)的穩(wěn)定運(yùn)行，需要識別出電力通信網(wǎng)的重要節(jié)點(diǎn)。這些少量而重要的節(jié)點(diǎn)受到攻擊后，可能會對整個(gè)電網(wǎng)的結(jié)構(gòu)和功能造成毀滅性的打擊。因此，電力通信網(wǎng)絡(luò)中節(jié)點(diǎn)的重要性評估一直是電力通信運(yùn)維的重要工作之一[1]，也受到研究者的廣泛關(guān)注[2]。

電力通信網(wǎng)絡(luò)可以抽象為一種復(fù)雜網(wǎng)絡(luò)，利用復(fù)雜網(wǎng)絡(luò)的研究理論和算法分析電力通信網(wǎng)的節(jié)點(diǎn)重要性是一種切實(shí)可行的方式。文獻(xiàn)[3]分別從度中心性、中介中心性和結(jié)構(gòu)中心性這三個(gè)角度分析網(wǎng)絡(luò)中節(jié)點(diǎn)的重要度。文獻(xiàn)[4]研究了網(wǎng)絡(luò)節(jié)點(diǎn)的局部關(guān)鍵性指標(biāo)，考慮了相鄰節(jié)點(diǎn)及次相鄰節(jié)點(diǎn)的拓?fù)浣Y(jié)構(gòu)對網(wǎng)絡(luò)中節(jié)點(diǎn)重要性排序的影響。

以上文獻(xiàn)中僅考慮單一的指標(biāo)，并對網(wǎng)絡(luò)中的節(jié)點(diǎn)重要性進(jìn)行排序。然而分析節(jié)點(diǎn)重要性應(yīng)綜合考慮多個(gè)指標(biāo)對節(jié)點(diǎn)重要性的影響，從而降低節(jié)點(diǎn)重要度計(jì)算的片面性。文獻(xiàn)[2]通過綜合衡量節(jié)點(diǎn)傳輸能力和承載的業(yè)務(wù)重要度，并將其與網(wǎng)絡(luò)拓?fù)渲笜?biāo)加權(quán)得到節(jié)點(diǎn)重要度。文獻(xiàn)[5]針對無向加權(quán)網(wǎng)絡(luò)提出了加權(quán)改進(jìn)節(jié)點(diǎn)收縮法的節(jié)點(diǎn)重要性排序算法，使用熵權(quán)法為網(wǎng)絡(luò)邊賦權(quán)值，計(jì)算得到網(wǎng)絡(luò)的凝聚度值，將其作為原始網(wǎng)絡(luò)節(jié)點(diǎn)重要性度量。文獻(xiàn)[6]分析了度中心性、介數(shù)中心性、接近中心性、結(jié)構(gòu)洞四個(gè)評價(jià)指標(biāo)，利用基于層次分析法的TOPSIS算法對復(fù)雜網(wǎng)絡(luò)中的節(jié)點(diǎn)重要性進(jìn)行了排序。但是引入層次分析法來確定節(jié)點(diǎn)重要性指標(biāo)的權(quán)重，具有較強(qiáng)的主觀性。文獻(xiàn)[7]選取度中心性、介數(shù)中心性、緊密度、結(jié)構(gòu)洞、K-核五個(gè)屬性指標(biāo)，利用基于熵權(quán)法的TOPSIS算法來對節(jié)點(diǎn)重要性進(jìn)行排序。雖然熵權(quán)法可以客觀地確定各個(gè)指標(biāo)的權(quán)重，但是其只考慮單個(gè)指標(biāo)之間的離散性，未考慮各個(gè)指標(biāo)之間的相關(guān)性，最終會出現(xiàn)指標(biāo)權(quán)重和節(jié)點(diǎn)重要性排序不符合實(shí)際情況的問題。

本文提出了一種基于多屬性決策的電力通信網(wǎng)節(jié)點(diǎn)重要性評價(jià)算法，該算法在確定指標(biāo)的權(quán)重時(shí)，使用最大離差來計(jì)算指標(biāo)的對比強(qiáng)度，并使用Kendall相關(guān)系數(shù)來評價(jià)指標(biāo)之間的相關(guān)性。由于同時(shí)考慮了指標(biāo)的對比度和相關(guān)性，使得指標(biāo)權(quán)重更加客觀。接著將多個(gè)指標(biāo)進(jìn)行融合，通過計(jì)算各個(gè)方案與理想方案之間的逼近程度得出節(jié)點(diǎn)重要性的評價(jià)結(jié)果。仿真分析表明，本文所提方法能夠有效評價(jià)電力通信網(wǎng)絡(luò)節(jié)點(diǎn)的重要性。

1 節(jié)點(diǎn)重要度指標(biāo)

電力通信網(wǎng)中的通信設(shè)備可以看作網(wǎng)絡(luò)節(jié)點(diǎn)，通信設(shè)備間的物理鏈路作為邊，把電力通信網(wǎng)絡(luò)抽象為一個(gè)無向網(wǎng)絡(luò)圖。圖中的每個(gè)節(jié)點(diǎn)具有局部和全局屬性，其中局部屬性僅表示一個(gè)節(jié)點(diǎn)在其相鄰的小區(qū)域網(wǎng)絡(luò)內(nèi)的重要度，但是計(jì)算時(shí)間復(fù)雜度低；而全局屬性表示一個(gè)節(jié)點(diǎn)在整個(gè)網(wǎng)絡(luò)內(nèi)的重要度，具有準(zhǔn)確率高但計(jì)算復(fù)雜度高的特點(diǎn)。僅使用單一指標(biāo)不能綜合地評價(jià)節(jié)點(diǎn)的重要性，因此本文分別選取局部、全局重要度和PageRank值作為節(jié)點(diǎn)重要性評價(jià)指標(biāo)。在本文中約定：電力通信網(wǎng)絡(luò)的拓?fù)鋱D記為G(V,E)，其中V={v1,v2,…,vn}是節(jié)點(diǎn)集合，E={e1,e2,…,em}是邊的結(jié)合，n為節(jié)點(diǎn)數(shù)，m為邊數(shù)。

1.1 局部重要度

節(jié)點(diǎn)的局部重要度指的是節(jié)點(diǎn)在其局部區(qū)域的重要度，選取度中心性作為節(jié)點(diǎn)局部重要度。度中心性(Degree Centrality，DC)表示節(jié)點(diǎn)i相關(guān)的邊數(shù)與節(jié)點(diǎn)i可能存在的最大邊數(shù)的比值，如式(1)。

(1)

式中，di為節(jié)點(diǎn)i的度，即網(wǎng)絡(luò)中與該節(jié)點(diǎn)相連的邊數(shù)；N為網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù)；N-1為任意節(jié)點(diǎn)可能存在的最大度。度中心性描述了一個(gè)節(jié)點(diǎn)與網(wǎng)絡(luò)中其它節(jié)點(diǎn)的直接連接的程度，其值越大，節(jié)點(diǎn)越重要。

1.2 全局重要度

全局重要度指標(biāo)主要考慮網(wǎng)絡(luò)全局信息。介數(shù)中心性(Betweenness Centrality，BC)是通過假設(shè)信息僅沿著最短路徑來傳播，節(jié)點(diǎn)i的介數(shù)中心性,如式(2)。

(2)

式中，njk為連接節(jié)點(diǎn)j和k的最短路徑；njk(i)為節(jié)點(diǎn)j和k間最短路徑中包含節(jié)點(diǎn)i的路徑數(shù)目。介數(shù)中心性反應(yīng)的是一個(gè)節(jié)點(diǎn)連接其他兩個(gè)節(jié)點(diǎn)的中介能力，其值越大，說明經(jīng)過該節(jié)點(diǎn)的最短路徑數(shù)量越多，其在網(wǎng)絡(luò)中必具有重要的地位。用介數(shù)中心性代表節(jié)點(diǎn)的全局重要度。

1.3 PageRank值

PageRank算法認(rèn)為某節(jié)點(diǎn)的重要性依賴于和它相鄰節(jié)點(diǎn)的重要性。如果一個(gè)節(jié)點(diǎn)和其他很多節(jié)點(diǎn)連接，那么該節(jié)點(diǎn)有較高的重要性。初始狀態(tài)，給每個(gè)節(jié)點(diǎn)設(shè)定相同的PageRank值。然后開始迭代，每一輪迭代把每個(gè)節(jié)點(diǎn)的PageRank值平均分配到它所指向的所有節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)的新PageRank值為其所獲得的所有PageRank值之和。經(jīng)過若干輪迭代后，各節(jié)點(diǎn)的PageRank值會進(jìn)入一個(gè)穩(wěn)定的狀態(tài)。PageRank值越大的節(jié)點(diǎn)，表明越重要。第t次迭代時(shí)節(jié)點(diǎn)i的PageRank值,如式(3)。

(3)

式中，inputi為節(jié)點(diǎn)i的入度；|j|output為節(jié)點(diǎn)j出度；ε為阻尼系數(shù)，用于消除自環(huán)導(dǎo)致的影響，通常取ε=0.85。

2 基于多屬性的節(jié)點(diǎn)重要性綜合評價(jià)方法

評價(jià)節(jié)點(diǎn)重要性如果采用單一指標(biāo)，會導(dǎo)致評價(jià)結(jié)果過于片面。對于電力通信網(wǎng)中的通信設(shè)備,其承載業(yè)務(wù)具有多樣性，評價(jià)重要性時(shí)需要綜合多方面因素。本節(jié)提出了一種基于多屬性決策的復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要度的綜合排序方法，克服了單一指標(biāo)的片面性。本算法在確定指標(biāo)的權(quán)重時(shí)，不僅考慮了指標(biāo)的對比強(qiáng)度，同時(shí)考慮了評價(jià)指標(biāo)之間的相關(guān)性，計(jì)算得到的權(quán)重更加貼近實(shí)際。通過計(jì)算各個(gè)方案與理想方案之間的貼近度,得出節(jié)點(diǎn)重要性的排序結(jié)果。

2.1 指標(biāo)規(guī)范化

設(shè)某待評價(jià)電力通信網(wǎng)共有N個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)包含M個(gè)重要度指標(biāo)，第i個(gè)節(jié)點(diǎn)的第j個(gè)指標(biāo)值記為aij，分別計(jì)算各節(jié)點(diǎn)對應(yīng)的多個(gè)指標(biāo)值，得到節(jié)點(diǎn)指標(biāo)矩陣,如式(4)。

A=(aij)N×M

(4)

由于選取的評價(jià)指標(biāo)類型各不相同，可分為效益型指標(biāo)和成本型指標(biāo)，對不同類型的指標(biāo)按照式(5)標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化指標(biāo)矩陣H,如式(5)。

(5)

2.2 指標(biāo)權(quán)重計(jì)算

本文算法從指標(biāo)之間的對比度和相關(guān)性綜合決定指標(biāo)權(quán)重。

指標(biāo)之間的對比度用最大離差ζm表示,如式(6)。

(6)

式中，ζm的范圍為[0,1]，該值越大，說明在對應(yīng)指標(biāo)的區(qū)分度越大。

指標(biāo)之間的相關(guān)性通過Kendall系數(shù)計(jì)算。第m個(gè)指標(biāo)與其他指標(biāo)的Kendall系數(shù)ηm,如式(7)。

(7)

式中，ηmt表示指標(biāo)m與指標(biāo)t之間的Kendall系數(shù),如式(8)。

(8)

式中，D=2N/(N-1)；Nc和Nd分別為指標(biāo)m與指標(biāo)t組成的兩個(gè)N維列向量中變量排序值相等的變量對數(shù)目和不相等的變量對數(shù)目；s和k分別為矩陣H中指標(biāo)m與指標(biāo)t中相同元素分別組成的集合的個(gè)數(shù)；ui和vi分別為指標(biāo)m與指標(biāo)t中相同元素分別組成的集合中每個(gè)集合的元素個(gè)數(shù)。

若一個(gè)指標(biāo)的對比強(qiáng)度越高，說明該指標(biāo)分辨出各節(jié)點(diǎn)重要性的能力越強(qiáng)，權(quán)重應(yīng)越大；若一個(gè)指標(biāo)與其他指標(biāo)之間的相關(guān)性越大，說明指標(biāo)間的相似程度越高，應(yīng)降低關(guān)聯(lián)性高的指標(biāo)權(quán)重。依此得到指標(biāo)m的客觀權(quán)重向量ωm的表達(dá)式,如式(9)。

(9)

2.3 節(jié)點(diǎn)重要度計(jì)算

將標(biāo)準(zhǔn)化矩陣H與權(quán)重向量ω相乘得到加權(quán)矩陣R,如式(10)。

R=(rij)N×M=(hij×ωj)N×M

(10)

確定正理想方案R+和負(fù)理想方案R-,如式(11)。

(11)

(12)

節(jié)點(diǎn)i的重要度就是其與正理想方案的貼近度Zi,如式(13)。

(13)

Zi值越高的節(jié)點(diǎn)，其重要程度越高。

3 仿真分析

為了驗(yàn)證本文所提算法方法的有效性，以某省電力通信骨干網(wǎng)為例進(jìn)行分析，如圖1所示。

圖1 某省電力通信網(wǎng)絡(luò)抽象拓?fù)鋱D

圖中隱去了節(jié)點(diǎn)實(shí)際位置，以序號代替。該網(wǎng)絡(luò)規(guī)模較小，各節(jié)點(diǎn)位置信息清晰，易于對各節(jié)點(diǎn)指標(biāo)進(jìn)行分析。其中2號節(jié)點(diǎn)為省級調(diào)度中心，1號節(jié)點(diǎn)為地區(qū)調(diào)度中心，14號節(jié)點(diǎn)為220 kV變電站，其余節(jié)點(diǎn)均為500 kV變電站。

本文采用文獻(xiàn)[8]中的算法NIAC作為對比算法。為了進(jìn)一步驗(yàn)證本文方法的有效性，使用網(wǎng)絡(luò)效率(Network Efficiency，NE)量化移除節(jié)點(diǎn)對網(wǎng)絡(luò)中物理拓?fù)涞挠绊?，進(jìn)而分析網(wǎng)絡(luò)的魯棒性變化情況，其計(jì)算公式,如式(14)。

(14)

式中，N為網(wǎng)絡(luò)G的節(jié)點(diǎn)個(gè)數(shù)；V為網(wǎng)絡(luò)G的節(jié)點(diǎn)集合；dij為節(jié)點(diǎn)i與節(jié)點(diǎn)j的距離。

首先移除網(wǎng)絡(luò)中重要度排序靠前的節(jié)點(diǎn)，并計(jì)算網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)的破壞程度的高低來評價(jià)節(jié)點(diǎn)重要度排序結(jié)果的有效性。根據(jù)本文和NIAC算法分別得到該電力通信網(wǎng)絡(luò)中的節(jié)點(diǎn)重要性排序，如表1所示。

表1 節(jié)點(diǎn)重要性排序結(jié)果

按照節(jié)點(diǎn)重要性排序結(jié)果從大到小刪除該電力通信網(wǎng)絡(luò)中前30%的節(jié)點(diǎn)，得到網(wǎng)絡(luò)拓?fù)渥訄D，如圖2、圖3所示。

圖2 本文算法刪除前30%節(jié)點(diǎn)后的拓?fù)鋱D

圖3 NIAC算法刪除前30%節(jié)點(diǎn)后的拓?fù)鋱D

通過刪除節(jié)點(diǎn)后的網(wǎng)絡(luò)拓?fù)渥訄D，可以看到本文使原網(wǎng)絡(luò)分解3個(gè)孤立點(diǎn)和3個(gè)孤立團(tuán)體，網(wǎng)絡(luò)遭受到較嚴(yán)重的破壞；而對比算法最終得到2個(gè)孤立節(jié)點(diǎn)和3個(gè)團(tuán)體，最大連通子圖數(shù)較大，網(wǎng)絡(luò)遭受的破壞程度較輕。

移除節(jié)點(diǎn)后網(wǎng)絡(luò)的效率變化情況，如圖4所示。

從圖4可以看出，由于本文算法采用多個(gè)指標(biāo)對節(jié)點(diǎn)重要進(jìn)行評價(jià)，網(wǎng)絡(luò)效率按照本文算法移除節(jié)點(diǎn)下降速度比NIAC算法較快，本文算法移除節(jié)點(diǎn)對網(wǎng)絡(luò)物理拓?fù)溆绊懨黠@優(yōu)于NIAC算法。

4 總結(jié)

在分析電力通信網(wǎng)網(wǎng)絡(luò)中節(jié)點(diǎn)重要度時(shí)，使用單一重要度指標(biāo)具有一定的片面性，因此需要綜合考慮多個(gè)指標(biāo)來對節(jié)點(diǎn)進(jìn)行評價(jià)。本文提出了一種基于多屬性決策的電力通信網(wǎng)節(jié)點(diǎn)重要度的辨識方法，綜合考慮節(jié)點(diǎn)度中心性、介數(shù)中心性、PageRank三個(gè)指標(biāo)進(jìn)行融合，通過計(jì)算各個(gè)方案與理想方案之間的逼近程度得出節(jié)點(diǎn)重要性的排序結(jié)果。本文算法在確定指標(biāo)權(quán)重時(shí)考慮了各指標(biāo)的對比性和相關(guān)性，使得得到的權(quán)重更加貼近實(shí)際。根據(jù)所得結(jié)果與相關(guān)文獻(xiàn)結(jié)果進(jìn)行仿真分析，結(jié)果表明本文方法更加準(zhǔn)確，能更好地識別電力通信中的重要節(jié)點(diǎn)。

圖4 刪除節(jié)點(diǎn)后NE值比較