CN105376156A - 一种基于多属性决策的电力骨干传输网路由规划方法 - Google Patents

Abstract

本发明涉及一种基于多属性决策的电力骨干传输网路由规划方法，其步骤：确定网络拓扑并获取各链路负载信息；按照网络拓扑情况和节点的凝聚度计算骨干节点的节点重要度；根据网络拓扑和业务的重要度评估骨干节点的风险度；基于节点重要度和风险度的多属性决策路由规划。本发明的路由方法在选择路径时，不仅考虑了网络中业务的重要度，业务风险性，还考虑了通信网的拓扑环境，节点的凝聚度等值。本发明根据提供的多属性决策路由优化方法，可以有效均衡通信网络风险，提高电力骨干传输网络的可靠性，有效调整网络运行，从而保证电力系统骨干传输网络更加安全可靠的运行。本发明可以广泛在电力骨干通信网络规划领域中应用。

Description

一种基于多属性决策的电力骨干传输网路由规划方法

技术领域

本发明涉及一种电力骨干通信网络规划方法，特别是关于一种在电力系统通信领域中应用的基于多属性决策的电力骨干传输网路由规划方法。

背景技术

近年来，随着电力通信网络及电力通信业务日益发展，与电网之间的联系也更加紧密，电力骨干传输网应用的日益增多。电力骨干传输网的安全可靠运行，在实际工作中对电力系统的生产调度、经营管理和电力信息化管理等业务有重大影响。随着电网技术发展需要，公司在实施坚强智能电网建设，大力开展信息系统深化应用和SG-ERP建设进程中，电力骨干传输网扮演着重要的角色。因此，电力骨干传输网络的性能及其运行稳定性成为了事关国家和社会发展的重要问题。然而，目前对电力骨干传输网的可靠性研究主要集中在通信网络拓扑优化和网络结构本身可靠性等方面，但这些优化方法并没有与电力系统的业务需求相结合。因此，研究电力骨干传输网节点业务风险度和可靠性、规划骨干传输网路由，对于指导电力通信运行部门日常业务规划设计、网络运行方式优化调整等方面具有重要的意义。

研究中发现，单独以网络业务风险均衡度或网络可靠度为评价指标进行路由优化具有局限性，基于最短路径的路由分配方法并不一定是实际情况下的最优路由分配方法。

发明内容

针对上述问题，本发明的目的是提供一种基于多属性决策的电力骨干传输网路由规划方法，该方法可以有效解决电力通信网络中的存在节点的风险度值过高的问题，得到最优路规划方案。

为实现上述目的，本发明采取以下技术方案：一种基于多属性决策的电力骨干传输网路由规划方法，其特征在于，该方法具有以下步骤：1)确定网络拓扑并获取各链路负载信息：根据电力骨干传输网络的拓扑确定网络对应的无向连通图，并获取网络中每条链路上的负载业务信息，包括负载业务的类型和数量；2)按照网络拓扑情况和节点的凝聚度计算骨干节点的节点重要度；3)根据网络拓扑和业务的重要度评估骨干节点的风险度；4)基于节点重要度和风险度的多属性决策路由规划，采用TOPSIS决策方法进行路由规划，通过构造多属性问题的理想解和负理想解，以靠近理想解和远离负理想解两个基准作为方案排序的准则，来选择最满意方案；(1)设决策矩阵X＝(x_ij)_n×m，权重向量W＝(ω₁,ω₂,…,ω_n)，采用向量归一法对决策矩阵标准化处理，得到标准化矩阵Y：Y＝(y_ij)_n×m，其中，

$y_{ij}=\frac{x_{ij}}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{x}_{ij}^2}};$

(2)根据标准化矩阵和权重向量计算加权标准化矩阵V：V＝(v_ij)_n×m＝(ω_jy_ij)_n×m；

(3)根据加权标准化矩阵V确定理想解和负理想解：理想解 $V^{*}=\{\left(\underset{1\≤i\≤n}{\max }{v}_{ij}\right|j\∈J^{*}),\left(\underset{1\≤i\≤n}{\min }{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{*},v_2^{*},...,v_m^{*}\},$ 负理想解 $V^{-}=\{\left(\underset{1\≤i\≤n}{\min }{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤n}{\max }{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{-},v_2^{-},...,v_m^{-}\},$ 式中，J⁺为效益型属性，J^－为成本型属性；(4)计算各方案点到理想解和负理想解的距离：

$S_i^{*}=\sqrt{\underset{j=1}{\overset{m}{\Σ}}{(v_{ij}-v_j^{*})}^2},i=1,2,...,n,$

$S_i^{-}=\sqrt{\underset{j=1}{\overset{m}{\Σ}}{(v_{ij}-v_j^{-})}^2},i=1,2,...,n;$

(5)计算各方案的贴进度，即每个方案基于m个属性的决策值并按决策值大小排序，其中贴近度决策值为最满意方案；决策值为：

$C_i^{*}=\frac{S_i^{-}}{S_i^{-}+S_i^{*}},i=1,2,...,n;$

(6)计算得出每条链路的多属性决策值后，将其代入D算法中，即将D算法中的加权邻接矩阵中链路的长度值替换成对应链路的多属性决策值，完成路由规划。

基于上述实施例，所述步骤1)中，确定网络的无向连通图方法如下：复杂网络用G(N,E)来表示，其中G是一个无向连通图，有n个节点，k条边；N为通信网中节点的集合，则N＝{N₁,N₂,…N_n}，E＝{e_1,e₂,…,e_k}代表边的集合；无向连通图G的加权邻接矩阵B＝[b_ij]有n行n列，B中元素b_ij定义如下：

基于上述实施例，所述步骤2)中，所述节点凝聚度为：将网络的凝聚度定义为节点数n与平均路径长度l乘积的倒数：

$\∂\[G\]=\frac{1}{n\·l},$

式中，为无向连通图G的凝聚度，则基于凝聚度的节点重要度IMC计算公式为：

$IMC\left(N_i\right)=1-\frac{\∂\[G\]}{\∂\[G*N_i\]},$

式中，是节点N_i周围的节点收缩后节点N_i的凝聚度的计算值。

基于上述实施例，所述步骤3)中，所述节点风险度的计算公式为：

$R_S\left(N_i\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}R\left(E_S(i,j)\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}{I}_{E_S(i,j)},$

其中，E_S(i,j)为经过节点N_i、N_j的链路，R(E_S(i,j))为经过链路E_S(i,j)的所有业务的风险和；R_S(N_i)为经过节点N_i的链路的风险总和；为经过链路E_S(i,j)的业务的重要度总和；Q_i为与节点N_i连接的链路数量；q_i为与节点N_i连接的链路中，重要度总和大于AI_i的链路数量，AI_i为与节点N_i所连接的所有链路业务的重要度均值：

${\mathrm{AI}}_i=\frac{\underset{j}{\Σ}{I}_{E_S(i,j)}}{Q_i}.$

本发明由于采取以上技术方案，其具有以下优点：1、本发明利用多属性决策方法TOPSIS对节点属性进行决策，并根据节点的决策值确定链路的决策值，进而基于链路的决策值进行下一次业务路由规划，可以实现均衡网络风险度，优化调整电力骨干网络运营。2、本发明采用的多属性决策可以将多个拥有不同的量纲、不同的标准的指标有效的融合在一起，从而达到在多个隐含的约束条件下的最优解。3、本发明可以有效均衡通信网络风险，提高电力骨干传输网络的可靠性，有效调整网络运行，从而保证电力系统骨干传输网络更加安全可靠的运行。综上所述，本发明利用多属性决策可以充分结合自身的优点将电力骨干传输网络中不同的指标结合起来，进而得到最优路规划方案，可以广泛在电力骨干通信网络规划领域中应用。

附图说明

图1是本发明的整体流程示意图；

图2是本发明实施例中电力骨干网络基本拓扑的无向连通示意图；

图3是本发明实施例中节点不同路由规划方法的风险度对比图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种基于多属性决策的电力骨干传输网路由规划方法，该方法针对现有的电力骨干网络路由存在的安全隐患，即给网络中的某个节点的风险度过大造成网络安全性、稳定性降低的问题，能够有效改善网络节点的风险度均衡问题。本发明步骤如下：

1)确定网络拓扑并获取各链路负载信息：根据电力骨干传输网络的拓扑确定网络对应的无向连通图，并获取网络中每条链路上的负载业务信息，包括负载业务的类型和数量。

其中，确定网络的无向连通图方法如下：

复杂网络可以用G(N,E)来表示，其中G是一个无向连通图，有n个节点，k条边。N为通信网中节点的集合，则N＝{N₁,N₂,…N_n}，E＝{e_1,e₂,…,e_k}代表边的集合。无向连通图G的加权邻接矩阵B＝[b_ij]有n行n列，B中元素b_ij定义如下：

对于无向连通图G，若所有的链路失效概率相同，则节点只有两种状态：正常和失效；而且节点的失效是相互独立的。

2)按照网络拓扑情况和节点的凝聚度计算骨干节点的节点重要度：

根据骨干传输网拓扑中的节点收缩程度判断节点的凝聚度，而收缩后网络凝聚程度越高的节点就越重要。因此，用网络的凝聚度来判断节点的重要性。其中，节点凝聚度为：

由于网络的凝聚程度取决于网络中各个节点之间的连通能力，这取决于网络中节点数目n和节点之间的平均路径长度l，平均路经长度l是所有节点对之间最短距离的算术平均值，将网络的凝聚度定义为节点数n与平均路径长度l乘积的倒数，即：

$\∂\[G\]=\frac{1}{n\·l},$

式中，为无向连通图G的凝聚度，则基于凝聚度的节点重要度IMC计算公式为：

$IMC\left(N_i\right)=1-\frac{\∂\[G\]}{\∂\[G*N_i\]},$

式中，是节点N_i周围的节点收缩后节点N_i的凝聚度的计算值。

3)根据网络拓扑和业务的重要度评估骨干节点的风险度：

在仅考虑风险与业务的重要程度的关系时，节点N_i的风险度可以由业务重要度确定，节点风险度的计算公式为:

$R_S\left(N_i\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}R\left(E_S(i,j)\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}{I}_{E_S(i,j)},$

其中，E_S(i,j)为经过节点N_i、N_j的链路，R(E_S(i,j))为经过链路E_S(i,j)的所有业务的风险和；R_S(N_i)为经过节点N_i的链路的风险总和；为经过链路E_S(i,j)的业务的重要度总和；Q_i为与节点N_i连接的链路数量；q_i为与节点N_i连接的链路中，重要度总和大于AI_i的链路数量，AI_i为与节点N_i所连接的所有链路业务的重要度均值：

${\mathrm{AI}}_i=\frac{\underset{j}{\Σ}{I}_{E_S(i,j)}}{Q_i}.$

4)基于节点重要度和风险度的多属性决策路由规划：

本发明采用TOPSIS决策方法进行路由规划，TOPSIS决策方法通过构造多属性问题的理想解和负理想解，以靠近理想解和远离负理想解两个基准作为方案排序的准则，来选择最满意方案。

其中，理想解为就是假设各指标属性都达到最满意值的解；负理想解是假设各指标属性都达到最不满意值的解。可以将n个方案，m个属性的多属性决策问题视作在m维空间中的n个点构成的几何系统进行处理，此时所有的方案都看成该系统的解。

TOPSIS决策的步骤：

(1)设决策矩阵X＝(x_ij)_n×m，权重向量W＝(ω₁,ω₂,…,ω_n)，采用向量归一法对决策矩阵标准化处理，得到标准化矩阵Y：

Y＝(y_ij)_n×m，

其中， $y_{ij}=\frac{x_{ij}}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{x}_{ij}^2}};$

(2)根据标准化矩阵和权重向量计算加权标准化矩阵V：

V＝(v_ij)_n×m＝(ω_jy_ij)_n×m；

(3)根据加权标准化矩阵V确定理想解和负理想解：

理想解 $V^{*}=\{\left(\underset{1\≤i\≤n}{\max }{v}_{ij}\right|j\∈J^{*}),\left(\underset{1\≤i\≤n}{\min }{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{*},v_2^{*},...,v_m^{*}\},$

负理想解 $V^{-}=\{\left(\underset{1\≤i\≤n}{\min }{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤n}{\max }{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{-},v_2^{-},...,v_m^{-}\},$

式中，J⁺为效益型属性，J^－为成本型属性；

(4)计算各方案点到理想解和负理想解的距离：

$S_i^{*}=\sqrt{\underset{j=1}{\overset{m}{\Σ}}{(v_{ij}-v_j^{*})}^2},i=1,2,...,n,$

$S_i^{-}=\sqrt{\underset{j=1}{\overset{m}{\Σ}}{(v_{ij}-v_j^{-})}^2},i=1,2,...,n;$

(5)计算各方案的贴进度，即每个方案基于m个属性的决策值并按决策值大小排序，其中贴近度决策值为最满意方案；决策值为：

$C_i^{*}=\frac{S_i^{-}}{S_i^{-}+S_i^{*}},i=1,2,...,n.$

(6)将节点风险度和节点重要度指标进行多属性融合，进而得到每个节点的多属性决策值。在本发明中，每条链路的多属性决策值由链路两端节点的多属性决策值相加得到。在实际中，设置的基本参数使多属性值越大时，对网络路由越不利，因此，计算得出每条链路的多属性决策值后，将其代入D算法中，具体操作是将D算法中的加权邻接矩阵中链路的长度值替换成对应链路的多属性决策值，进而完成路由规划。

下面通过具体实施例对本发明作进一步的介绍。

实施例：

1)确定网络拓扑并获取各链路负载信息。

如图2所示，根据网络的基本拓扑确定其对应的无线连通图，并初始化基础网络上对应的节点间的业务和对应业务类别，其中业务类别用不同的业务标号表示，业务标号对应的业务类型在表中有具体对应，如表1所示。

表1网络拓扑初始化参数表

链路	业务标号	链路	业务标号
				N1～N4	S2	N1～N6	S5
N2～N6	S6	N2～N8	S4
				N3～N4	S3	N3～N8	S7

2)按照网络拓扑情况和节点的凝聚度计算骨干节点的节点重要度。

根据电力骨干网络的基本拓扑图，初始化该无向连通图的链路值，得到该无向连通图对应的加权邻接矩阵。根据该加权邻接矩阵根据D算法可以得到每对节点之间的最短路径，进而根据得到路由得到最短距离路径经过的链路个数，进而得到全网中每对节点之间的最短路径的平均距离。

根据所述无向连通图图2的拓扑结构，第一次将N₁有链路关系的点与N₁进行融合，得到新的拓扑图和新的加权邻接矩阵，进而由上述的方法得到新的拓扑网络的每对节点之间最短路径的算术平均值l₁和新的拓扑网络的节点个数n₁，进而得到节点N₁的重要度 $IMC\left(N_1\right)=1-\frac{\∂\[G\]}{\∂\[G*N_1\]}=1-\frac{\frac{1}{n\·l}}{\frac{1}{n_1\·l_1}}=1-\frac{n_1\·l_1}{n\·l};$ 第二次将N₂有链路关系的点与N₂进行融合，得到新的拓扑图和新的加权邻接矩阵，继而由上述的方法得到新的拓扑网络的每对节点之间最短路径的算术平均值l₂和新的拓扑网络的节点个数n₂，进而得到节点N₂的重要度 $IMC\left(N_2\right)=1-\frac{\∂\[G\]}{\∂\[G*N_2\]}=1-\frac{\frac{1}{n\·l}}{\frac{1}{n_2\·l_2}}=1-\frac{n_2\·l_2}{n\·l};$ 以此类推，得到拓扑图2中每个节点的重要度。

3)根据网络拓扑和业务的重要度评估骨干节点的风险度。

电力通信网络中运行承载着多种业务，不同的业务类型对于电力通信网络的运行安全影响度不同，业务重要度是指该业务发生中断或存在缺陷(业务通道可靠性降低)的情况下，对电网安全稳定运行的影响程度，当影响程度越大，业务重要度越高。所述指标可以体现出业务对电网安全运行所造成风险的影响程度。电力业务的功能各不相同，对通信通道的传输特性要求也不一样，按照电力生产及需求特点，将业务的安全要求结合传输特性要求综合评估业务运行对网络风险的影响，利用层次分析法计算业务重要度。典型业务重要度如表2所示：

表2典型业务重要度表

标号	业务	业务重要度/ri
			S1	线路继电保护	0.9661
S2	安稳系统	0.9448
			S3	调度电话	0.8550
S4	调度自动化	0.9161
			S5	保护管理信息系统	0.6480
S6	广域向量测量系统	0.8236

S7	雷电定位监测系统	0.4651
			S8	变电站视频监视系统	0.3755
S9	视频会议系统	0.5490
			S10	行政电话	0.4739

在网络拓扑如图2的基础上，由网络中初始化业务情况，按照D算法路由选择后，根据接节点风险值计算公式R_S(N_i)计算出每个骨干节点的风险度：

$R_S\left(N_i\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}R\left(E_S(i,j)\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}{I}_{E_S(i,j)}.$

从步骤2)和步骤3)可以得到骨干网络中每个节点的风险度和重要度，如表3所示。

表3节点风险度和重要度表

节点	节点风险度	节点重要度
			N1	2.117	0.676
N2	0.580	0.557
			N3	0.660	0.380
N4	1.760	0.211
			N5	0	0.351
N6	0.981	0.584
			N7	3.089	0.358
N8	0.460	0.387

4)基于节点重要度和风险度的多属性决策路由规划。

在步骤2)和步骤3)的基础上，将计算得到的各个节点的重要度和风险度进行汇总成一个8行2列的矩阵。矩阵从上到下依次是节点N₁～N₈的数据，第1列是节点风险度，第二列是节点的重要度。根据理想解算法TOPSIS的计算方法，将对应的矩阵进行处理，如下所示：

设决策矩阵为：X＝(x_ij)_8×2，假设在本算法中每个节点的权重相同，不做额外考虑。

用向量归一法对决策矩阵标准化处理，得到标准化矩阵：

Y＝(y_ij)_8×2

其中， $y_{ij}=\frac{x_{ij}}{\sqrt{\underset{i=1}{\overset{8}{\Σ}}{x}_{ij}^2}}.$

计算加权标准化矩阵，经多次试验发现权值矩阵W＝[w₁,w₂]中，若w₁≥w₂时，对路由选择的效果几乎没影响，且更利于网络风险均衡，故在本发明中令w₁＝w₂＝0.5。

V＝(v_ij)_8×2＝(ω_jy_ij)_8×2。

确定理想解和负理想解：

理想解 $V^{*}=\{\left(\underset{1\≤i\≤8}{\max }{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤8}{\min }{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{*},v_2^{*}\},$

负理想解 $V^{-}=\{\left(\underset{1\≤i\≤8}{\min }{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤8}{\max }{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{-},v_2^{-}\},$

其中J⁺为效益型属性，J^－为成本型属性。

计算各方案点到理想解和负理想解的距离：

$S_i^{*}=\sqrt{\underset{j=1}{\overset{2}{\Σ}}{(v_{ij}-v_j^{*})}^2},\left(i=1,2,...,8\right),$

$S_i^{-}=\sqrt{\underset{j=1}{\overset{2}{\Σ}}{(v_{ij}-v_j^{-})}^2},\left(i=1,2,...,8\right);$

计算各方案的贴进度：

$C_i^{*}=\frac{S_i^{-}}{S_i^{-}+S_i^{*}},\left(i=1,2,...,8\right).$

将得到的节点N₁～N₈的决策值C＝[c_1,c₂…c₈]，然后将图2上各个链路两端的节点对应的决策值相加得到每个链路的多属性决策值，得到矩阵R，矩阵中的每一项定义为：

将矩阵R代替最短矩阵选路算法中的加权邻接矩阵，在每次选路前，计算上次此时网络中各个节点的多属性决策值，以多属性决策值代替最短路径选路的链路长度值进行选路。在步骤1)的基础上加入表4的业务：

表4网络拓扑更新参数表

链路	业务标号	链路	业务标号
				N3～N5	S1	N2～N6	S9

N3～N8

S10

N7～N2

S7

分别使用本发明的多属性决策值优化路由和D算法进行路由规划后，使用步骤3)计算每个节点在新加入的四条业务后的风险值，表5为计算得到骨干节点的风险值对比表：

表5节点风险度性能对比表

通过实验可以判断出，在路由选择时，根据骨干节点的风险度值和节点重要度进行多属性决策进行路由规划，有效的解决了网络中各节点风险不均衡的问题。在本实施例中，利用多属性决策选路的各节点的风险度方差相比D算法降低了27％的风险，如图3所示。由此可知，多属性决策选路能有效提高网络的风险均衡度,提高网络可靠度。

上述各实施例仅用于说明本发明，各部件的结构、尺寸、设置位置及形状都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (4)

1.一种基于多属性决策的电力骨干传输网路由规划方法，其特征在于，该方法具有以下步骤：

1)确定网络拓扑并获取各链路负载信息：根据电力骨干传输网络的拓扑确定网络对应的无向连通图，并获取网络中每条链路上的负载业务信息，包括负载业务的类型和数量；

2)按照网络拓扑情况和节点的凝聚度计算骨干节点的节点重要度；

3)根据网络拓扑和业务的重要度评估骨干节点的风险度；

4)基于节点重要度和风险度的多属性决策路由规划，采用TOPSIS决策方法进行路由规划，通过构造多属性问题的理想解和负理想解，以靠近理想解和远离负理想解两个基准作为方案排序的准则，来选择最满意方案；

(1)设决策矩阵X＝(x_ij)_n×m，权重向量W＝(ω₁,ω₂,…,ω_n)，采用向量归一法对决策矩阵标准化处理，得到标准化矩阵Y：

Y＝(y_ij)_n×m，

其中， $y_{ij}=\frac{x_{ij}}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{x}_{ij}^2}};$

(2)根据标准化矩阵和权重向量计算加权标准化矩阵V：

V＝(v_ij)_n×m＝(ω_jy_ij)_n×m；

(3)根据加权标准化矩阵V确定理想解和负理想解：

理想解 $V^{*}=\{\left(\underset{1\≤i\≤n}{max}{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤n}{\min }{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{*},v_2^{*},...,v_m^{*}\},$

负理想解 $V^{-}=\{\left(\underset{1\≤i\≤n}{\min }{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤n}{max}{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{-},v_2^{-},...,v_m^{-}\},$

式中，J⁺为效益型属性，J^－为成本型属性；

(4)计算各方案点到理想解和负理想解的距离：

$S_i^{*}=\sqrt{\underset{j=1}{\overset{m}{\Σ}}{(v_{ij}-v_j^{*})}^2},i=1,2,...,n,$

$S_i^{-}=\sqrt{\underset{j=1}{\overset{m}{\Σ}}{(v_{ij}-v_j^{-})}^2},i=1,2,...,n;$

(5)计算各方案的贴进度，即每个方案基于m个属性的决策值并按决策值大小排序，其中贴近度决策值为最满意方案；决策值为：

$C_i^{*}=\frac{S_i^{-}}{S_i^{-}+S_i^{*}},i=1,2,...,n;$

(6)计算得出每条链路的多属性决策值后，将其代入D算法中，即将D算法中的加权邻接矩阵中链路的长度值替换成对应链路的多属性决策值，完成路由规划。

2.如权利要求1所述的一种基于多属性决策的电力骨干传输网路由规划方法，其特征在于：所述步骤1)中，确定网络的无向连通图方法如下：复杂网络用G(N,E)来表示，其中G是一个无向连通图，有n个节点，k条边；N为通信网中节点的集合，则N＝{N₁,N₂,…N_n}，E＝{e_1,e₂,…,e_k}代表边的集合；无向连通图G的加权邻接矩阵B＝[b_ij]有n行n列，B中元素b_ij定义如下：

3.如权利要求1所述的一种基于多属性决策的电力骨干传输网路由规划方法，其特征在于：所述步骤2)中，所述节点凝聚度为：将网络的凝聚度定义为节点数n与平均路径长度l乘积的倒数：

$\∂\[G\]=\frac{1}{n\·l},$

式中，为无向连通图G的凝聚度，则基于凝聚度的节点重要度IMC计算公式为：

$IMC\left(N_i\right)=1-\frac{\∂\[G\]}{\∂\[G*N_i\]},$

式中，是节点N_i周围的节点收缩后节点N_i的凝聚度的计算值。

4.如权利要求1所述的一种基于多属性决策的电力骨干传输网路由规划方法，其特征在于：所述步骤3)中，所述节点风险度的计算公式为：

$R_S\left(N_i\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}R\left(E_S\right(i,j\left)\right)=\frac{q_i}{Q_i}\underset{j}{\Σ}{I}_{E_S(i,j)},$

其中，E_S(i,j)为经过节点N_i、N_j的链路，R(E_S(i,j))为经过链路E_S(i,j)的所有业务的风险和；R_S(N_i)为经过节点N_i的链路的风险总和；为经过链路E_S(i,j)的业务的重要度总和；Q_i为与节点N_i连接的链路数量；q_i为与节点N_i连接的链路中，重要度总和大于AI_i的链路数量，AI_i为与节点N_i所连接的所有链路业务的重要度均值：

${\mathrm{AI}}_i=\frac{\underset{j}{\Σ}{I}_{E_S(i,j)}}{Q_i}.$