CN107480849A - 一种应用于电网的空间降维方法及装置 - Google Patents

一种应用于电网的空间降维方法及装置 Download PDF

Info

Publication number
CN107480849A
CN107480849A CN201710508483.XA CN201710508483A CN107480849A CN 107480849 A CN107480849 A CN 107480849A CN 201710508483 A CN201710508483 A CN 201710508483A CN 107480849 A CN107480849 A CN 107480849A
Authority
CN
China
Prior art keywords
node
mrow
degree
global threshold
weights
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710508483.XA
Other languages
English (en)
Other versions
CN107480849B (zh
Inventor
李书芳
马睿博
刘道伟
马世英
张东霞
田春筝
毛玉宾
刘永民
黄景慧
苗福丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
China Electric Power Research Institute Co Ltd CEPRI
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
China Electric Power Research Institute Co Ltd CEPRI
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Beijing University of Posts and Telecommunications, China Electric Power Research Institute Co Ltd CEPRI, Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710508483.XA priority Critical patent/CN107480849B/zh
Publication of CN107480849A publication Critical patent/CN107480849A/zh
Application granted granted Critical
Publication of CN107480849B publication Critical patent/CN107480849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Complex Calculations (AREA)

Abstract

本发明实施例提供了一种应用于电网的空间降维方法及装置，该方法为根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵；利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；利用所述每条边的权值，计算每个节点的贡献度；根据所述每个节点的贡献度，计算每个节点的节点影响力；按照所述每个节点的影响力高低，对节点进行排序；选择影响力最高的K个节点作为电网的空间降维结果。该方法和装置基于节点网络的数据关系，确定与实际电网相符的影响电网整体运行状态的关键节点，从而达到空间降维的目的。

Description

一种应用于电网的空间降维方法及装置
技术领域
本发明涉及电网的数据处理技术领域，特别是涉及一种应用于电网的空间降维方法及装置。
背景技术
电网的空间降维问题旨在对电网的节点数量进行约减，其核心在于评估电网中节点的重要性，从而筛选出核心关键节点，将非核心关键节点去除，从而达到约减电网节点数量的目的。
随着智能电网的规模不断增大及其数据量以几何级数增长，现有的可视化手段处理这些海量数据面临着“信息过载”问题。“信息过载”是指智能电网中大量、复杂、冗余且不断增加的信息超过了个人或系统所能接受、处理、或有效利用的范围，这些信息无法被及时、有效地整合、组织及内化成对电网进行监控、管理所需要的信息，造成决策延迟或失误，并可能导致电网故障或故障恢复不及时的现象。
智能电网“信息过载”的根本原因在于：(1)信息冗余、信息杂乱、信息间缺少关联、信息承载量低，而现有的技术缺少电网知识的分类模型及发现策略等基础理论的支持，因而不能及时、准确地对智能电网的海量数据信息进行分类、归并、提取、升华。(2)电网的规模越来越大，构成越来越复杂，现有的可视化技术重点在数据的展示，而缺少挖掘数据、规律发现，无法及时展现某一时刻运行人员最关心的关键信息，造成运行人员无法快速、准确理解电网的运行状态，不能及时洞察存在的异常和潜在的事故隐患。
目前，针对上述问题，现有技术提出了重要性贡献矩阵方案，该方案提出了一种利用节点间关联特性的网络节点重要性评价方法，该方法定义的节点重要性贡献矩阵考虑了网络中不同节点间的链接关系对节点重要性的影响，每个节点对其相邻节点重要程度的贡献均与该节点的度有关，然而，该方法中针对网络中不同节点间的链接关系的描述是基于节点网络的拓扑信息进行描述的，没有考虑各个节点实际的运行数据，因此造成节点重要性贡献值与实际不符，即点重要性贡献值与节点的度值成反比。
发明内容
本发明实施例的目的在于提供一种应用于电网的空间降维方法及装置，以基于节点网络的数据关系，确定与实际电网相符的影响电网整体运行状态的关键节点，从而达到空间降维的目的。
具体技术方案如下：
一种应用于电网的空间降维方法，所述方法包括：
根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
按照所述每个节点的影响力高低，对节点进行排序；
选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
进一步地，在利用所述每条边的权值，计算每个节点的贡献度之前，所述方法还包括：
比较所述数据关系图中每条边中的权值是否小于全局阈值；
对权值不小于全局阈值对应的边去除权重后保留；
删除权值小于全局阈值的边。
进一步地，所述全局阈值的确定方法包括：
将设定的全局阈值初值作为当前全局阈值；
判断所述当前全局阈值是否等于设定阈值；
若等于，将获得的集合中所有当前全局阈值与对应的所述无标度的拟合指数进行拟合，获得全局阈值与无标度的拟合指数的关系式，根据所述关系式，确定无标度的拟合指数为经验值对应的全局阈值；
若不等于，根据当前全局阈值，按照设定方式确定无标度的拟合指数；将所述当前权值阈值和对应的无标度的拟合指数添加到预设的集合中；所述当前全局阈值自加预设间隔值，返回执行所述判断所述当前全局阈值是否等于设定阈值的步骤。
进一步地，所述按照设定方式确定无标度的拟合指数，包括：
根据所述数据关系图和当前全局阈值，计算节点oi的出度di out，其中，eij′为从节点oi指向节点oj的有向且去除权重的边；
根据节点oi的出度di out，确定节点oi的出度di out频率分布估计值p(di out)＝[P(1),…,P(r),…,P(M)]，
其中，
Or为通过统计得到的落入第r个区间的di out的数量，r为节点的最大出度和节点的最小出度区间划分后的区间序号；
对出度di out按照预设值进行分段，获得v段出度，v＝(1,2,…,M)，M为对出度进行分段后获得的总数量；
根据和v，获得无标度的拟合指数fit，其中，为和log10(v)的皮尔森相关系数。
进一步地，无标度的拟合指数的经验值为0.8。
进一步地，所述利用所述每条边的权值，计算每个节点的贡献度，包括：
利用所述每条边的权值，按照如下表达式计算每个节点的贡献度；
表达式：
其中，dis(oj,oi)为节点oj对节点oi的贡献度，μ(oj)为节点oj的加权出度，k为第k条指向节点oj的序号，wjk为从节点ok指向oj形成边的权值，e′kj为指向节点oj的有向边，n为指向节点oj的总个数，eij′为从节点oi指向节点oj的有向且去除权重的边。
进一步地，所述根据所述每个节点的贡献度，计算每个节点的节点影响力，包括：
根据每个节点的贡献度，按照如下表达式计算每个节点的影响力；
表达式：
其中，ins(oi)为节点oi的影响力，j为节点的序号，n为对节点oi贡献的节点的总个数。
一种应用于电网的空间降维装置，所述装置包括：
系数矩阵获取模块，用于根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
数据关系图构建模块，用于利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
贡献度计算模块，用于利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
影响力计算模块，用于根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
排序模块，用于按照所述每个节点的影响力高低，对节点进行排序；
选取模块，用于选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
进一步地，所述装置还包括：
比较模块，用于比较所述数据关系图中每条边中的权值是否小于全局阈值；若有权值不小于全局阈值的边，触发权重去除模块，若有权值小于全局阈值的边，触发删除模块；
所述权重去除模块，用于对权值不小于全局阈值对应的边去除权重后保留；
所述删除模块，用于删除权值小于全局阈值的边。
进一步地，所述装置还包括：
当前全局阈值设定模块，用于将设定的全局阈值初值作为当前全局阈值；
判断模块，用于判断所述当前全局阈值是否等于设定阈值，若等于，触发全局阈值确定模块，若不等于，触发拟合指数确定模块；
所述全局阈值确定模块，用于将获得的集合中所有当前全局阈值与对应的所述无标度的拟合指数进行拟合，获得全局阈值与无标度的拟合指数的关系式，根据所述关系式，确定无标度的拟合指数为经验值对应的全局阈值；
所述拟合指数确定模块，用于根据当前全局阈值，按照设定方式确定无标度的拟合指数；将所述当前权值阈值和对应的无标度的拟合指数添加到预设的集合中；所述当前全局阈值自加预设间隔值，返回执行所述判断所述当前全局阈值是否等于设定阈值的步骤。
进一步地，所述所述拟合指数确定模块包括：
出度计算子模块，用于根据所述数据关系图和当前全局阈值，计算节点oi的出度di out，其中，eij′为从节点oi指向节点oj的有向且去除权重的边；
频率分布估计值确定子模块，用于根据节点oi的出度di out，确定节点oi的出度di out频率分布估计值p(di out)＝[P(1),…,P(r),…,P(M)]，其中，Or为通过统计得到的落入第r个区间的di out的数量，r为节点的最大出度和节点的最小出度区间划分后的区间序号；
出度分段模块，用于对出度di out按照预设值进行分段，获得v段出度，v＝(1,2,…,M)，M为对出度进行分段后获得的总数量；
拟合指数获得子模块，用于根据和v，获得无标度的拟合指数fit，其中，为和log10(v)的皮尔森相关系数。
进一步地，所述贡献度计算模块，包括：
贡献度确定子模块，用于利用所述每条边的权值，按照如下表达式计算每个节点的贡献度；
表达式：
其中，dis(oj,oi)为节点oj对节点oi的贡献度，μ(oj)为节点oj的加权出度，k为第k条指向节点oj的序号，wjk为从节点ok指向oj形成边的权值，e′kj为指向节点oj的有向边，n为指向节点oj的总个数，eij′为从节点oi指向节点oj的有向且去除权重的边。
进一步地，所述影响力计算模块包括：
影响力计算子模块，用于根据每个节点的贡献度，按照如下表达式计算每个节点的影响力；
表达式：
其中，ins(oi)为节点oi的影响力，j为节点的序号，n为对节点oi贡献的节点的总个数。
一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
本发明实施例提供的一种应用于电网的空间降维方法及装置，可以根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵；利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图即电网节点间相互影响关系的数据关系图中每条边的权值，从而获得每个节点的节点影响力，对所述每个节点的影响力按照高低进行排序，从排序后的节点的影响力中挑选出影响力最高的K个节点作为电网的空间降维结果。该方法及装置基于节点网络的数据关系，以充分挖掘电网中各节点运行数据所包含的节点间的相互影响关系，确定与实际电网相符的影响电网整体运行状态的关键节点，从而达到空间降维的目的。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的第一种应用于电网的空间降维方法；
图2为本申请实施例提供的第二种应用于电网的空间降维方法；
图3为本申请实施例提供的一种应用于电网的空间降维装置。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本申请实施例提供的第一种应用于电网的空间降维方法，所述方法包括：
S101，根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
其中，上述线性回归模型可以理解为利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模，获得的一种输入和输出之间的关系模型。
上述利用电网中所有节点在预设时间内的电压进行训练的过程，具体如下描述：
将电网各节点的电压变化可以看做一个时序的动态数据过程，在预设事件内利用PMU(power management unit，电源管理单元)对网络节点进行采样，每一个采样时刻均有一组电压状态量，则对于一个包含n个节点的电网，每个采样时刻就有n个电压值的数据。其中，每一个采样时刻各节点的电压值的大小，均会受上一个采样时刻的各节点电压值影响。
也就是说，在已知某一采样时刻的电网各节点电压值的情况下，可以根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，构造训练后的线性回归模型，将其记作回归预测模型，利用所述回归预测模型近似计算出下一采样时刻的各节点电压值。
现对回归预测模型进一步描述：现用表示第k个采样时刻i号节点的电压值，利用电压值构成的集合为利用回归预测模型获得第k+1个采样时刻i号节点的电压值其中，b为常数，a1i,…,aji,…ani为回归预测模型的系数，由上述系数构成的矩阵记为系数矩阵A。
由于不同节点间的影响关系不同，回归预测模型中对分配的系数也必然不同。由上述回归预测模型可见，若aji较大，则意味着i号节点出现了比较大的变化甚至异常，那么紧连接i号节点的j号节点则会受到影响的概率较大，而若aij非常小，则意味着i号节点对j号节点几乎不会产生什么影响。所有节点的电压即均可以通过回归预测模型进行预测，回归预测模型可以表示成一个多输入多输出的类似于神经网络的结构。
根据上述描述可知，根据训练后获得的线性回归模型，可得到输入层与输出层之间的系数矩阵A，其中，所述系数矩阵A是挖掘出的包含节点间影响关系的重要信息。
S102，利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
其中，上述邻接矩阵为系数矩阵中对角线元素为零构成的矩阵，也就是说，所述系数矩阵A，在将对角线的值置为零后，获得的矩阵便为所需求的数据关系图的邻接矩阵，矩阵中的每个系数就代表了图中每个边的权值。
上述权值可以理解为节点间的“影响关系”。
现对上述数据关系图进行如下详细的描述：
基于上述情况，根据节点间的数据关系，构建一个数据关系图，即：给定一个包含n个元素的集合O，O＝{o1,o2,…,on}，利用函数eff(oi,oj)表示计算集合O中每两个元素间的影响关系的值，通常而言，假定所有元素oi自身的影响关系均为0，则有eff(oi,oi)＝0。
基于此，构建一个有向有权重的数据关系图G：G＝(O、E、W)，其中,O、E、W均是G的子集合，分别为：O代表图中的节点的集合，E代表节点之间的有向边的集合，W代表每条边的权重的集合。计算影响力的函数不一定是一个对变量对称的函数，在某些特定的应用中，该函数可以是对变量非对称的，即eff(oi,oj)≠eff(oj,oi)，这种非对称的性质使得图G中每一对节点之间可能存在两个有向边，它们的权重分别由eff(oi,oj)和eff(oj,oi)计算得到。
邻接矩阵中的权值就是节点间的“影响关系”，即：
通过上述方法，构建的有向有权重的图即所述数据关系图G＝(O，E，W)，基于电网节点的电压数据，反应了电网节点之间的相互影响关系。
在S102之后，包括：
比较所述数据关系图中每条边中的权值是否小于全局阈值；
对权值不小于全局阈值对应的边去除权重后保留；
删除权值小于全局阈值的边。
对比较所述数据关系图中每条边中的权值设置全局阈值的原因如下：
基于上述情况可知所述数据关系图是非常复杂的，因为在实际的模型训练中，很难出现参数为0的情况，而又根据邻接矩阵设定的规则，即只要系数大于0，对应的两节点间就会有边被建立起来。由此可知，实际数据关系图中将会有大量的权重很小的边存在，很大程度上增加了该图的复杂度，以及可能带来一些无意义的计算。
基于上述原因，需要对复杂的数据关系图进行稀疏化处理。
对权值不小于全局阈值对应的边去除权重后保留的一种实施方式为：
设定一个全局阈值τ，利用稀疏化处理函数spa，消除数据关系图中权值小于全局阈值的边，稀疏化处理函数spa(·)定义如下：
应用spa(·)，将原始的整个数据关系图转化成一个有向无权重的图G′＝(0，E′)，将所述有向无权重的G′＝(0，E′)称为稀疏化的数据关系图；其中，所述稀疏化的数据关系图中的边是按照如下规则生成的：如果spa(oi,oj)>0，则对权值不小于全局阈值对应的边去除权重后保留，将去除权重的边记作e′ij，反之，删除权值小于全局阈值的边。
值得一提的是，全局阈值的选择直接决定了边的敏感度，显而易见，全局阈值越大，边越少，全局阈值消除了图中一些无用的数据。若全局阈值设置的过高，形成的图就会过于稀疏以至于放弃了大量关键信息。
为了选择一个合适的全局阈值，本申请文件提出了一种确定所述全局阈值的方法，具体包括：
将设定的全局阈值初值作为当前全局阈值；
判断所述当前全局阈值是否等于设定阈值；
若等于，将获得的集合中所有当前全局阈值与对应的所述无标度的拟合指数进行拟合，获得全局阈值与无标度的拟合指数的关系式，根据所述关系式，确定无标度的拟合指数为经验值对应的全局阈值；
若不等于，根据当前全局阈值，按照设定方式确定无标度的拟合指数；将所述当前权值阈值和对应的无标度的拟合指数添加到预设的集合中；所述当前全局阈值自加预设间隔值，返回执行所述判断所述当前全局阈值是否等于设定阈值的步骤。
其中，当上述设定阈值大于设定的全局阈值初值时，上述的预设间隔值为负值，当上述设定阈值小于设定的全局阈值初值时，上述的预设间隔值为正值，通常而言，一般上述设定阈值小于设定的全局阈值初值。
为了对上述描述更加清楚，现举一示例进行说明，假设设定的全局阈值初值为0.5，设定阈值为1，预设间隔值为0.01，则全局阈值从0.5起，每增加0.01即变成0.51对应一个无标度的拟合指数，则在1-0.5区间内总共有52个不同的全局阈值，对应着52个无标度的拟合指数，将52个不同的全局阈值与对应的无标度的拟合指数进行拟合，获得二者拟合后的关系式，进而根据所述关系式，获得无标度的拟合指数的经验值对应的全局阈值；上述获取无标度的拟合指数的经验值对应的全局阈值还可以采用另一种实施方式：在二维直角坐标系中，绘制由52个不同的全局阈值和对应着52个无标度的拟合指数形成的点，将52个点连接起来，形成曲线，在所述曲线上获取无标度的拟合指数经验值对应的全局阈值。
需要说明的是，若全局阈值的设定阈值过于大，且设置间隔值也较大时，利用绘制曲线获得的全局阈值没有拟合关系式获得的全局阈值精确度高。
另外，通常无标度的拟合指数的经验值为0.8。
所述按照设定方式确定无标度的拟合指数，包括：
根据所述数据关系图和当前全局阈值，计算节点oi的出度di out，其中，eij′为从节点oi指向节点oj的有向且去除权重的边；
根据节点oi的出度di out，确定节点oi的出度di out频率分布估计值
p(di out)＝[P(1),…,P(r),…,P(M)]，
其中，
Or为通过统计得到的落入第r个区间的di out的数量，r为节点的最大出度和节点的最小出度区间划分后的区间序号；
对出度di out按照预设值进行分段，获得v段出度，v＝(1,2,…,M)，M为对出度进行分段后获得的总数量；
根据和v，获得无标度的拟合指数fit，其中，为和log10(v)的皮尔森相关系数。
为了更加清楚的描述上述按照设定方式确定无标度的拟合指数，现对其进行详细说明，具体如下：
考虑到每个di out都介于最大值maxD和最小值minD之间，其中maxD是整个数据关系图中出度最大节点的出度，minD是整个数据关系图中出度最小节点的出度，D为出度的集合，采用直方图方法将区间[minD,maxD]划分为等宽的一组小区间，则第r个区间binr被定义如下：
binr＝[minD+(r-1)×width,minD+r×width]
宽度width计算公式为：
width＝(maxD-minD)/M
其中，M是区间的个数，通常，M的默认值是节点总数n的平方根。然后，某个区间的出度值落入第r个区间的概率为：
则数据关系图中的节点出度频率分布估计为p(di out)＝[P(1),…,P(r),…,P(M)]，许多研究表明，节点出度频率分布服从幂定律：
P(r)＝Cr-α
其中，a为缩放参数，是一个正实数；
对上述方程P(r)＝Cr-α两边取log10，来展示log10(P(r))和log10(r)之间的线性关系：
log(P(r))＝-α×log10(r)+log10(C)
则无标度的拟合指数为：
需要说明的是，和log10(v)的皮尔森相关系数值越大，则fit的值越接近1。由于fit并不是τ的严格单调函数，因此选择使fit为0.8的第一个τ值作为全局阈值，之所以选择fit的临界值为0.8而不是1，是既要追求无标度的网络拟合指数最大化，也要保证稀疏化的数据关系图中有足够数量的边，两者之间要做一个权衡。自然，将参数τ的值设置的较高可以使fit的值接近甚至达到1，但是这同样会导致生成的图中边的数量太少，而丧失过多信息。
S103，利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
基于上述情况，在将电网节点数据关系图合理地进行稀疏化后，得到有向无权重的图后，现需要计算节点的影响力。
实现本步骤的一个实施方式为：
比较所述数据关系图中每条边中的权值是否小于全局阈值；
对权值不小于全局阈值对应的边去除权重后保留；
删除权值小于全局阈值的边。
利用所述每条边的权值，按照如下表达式计算每个节点的贡献度；
表达式：
其中，dis(oj,oi)为节点oj对节点oi的贡献度，μ(oj)为节点oj的加权出度，k为第k条指向节点oj的序号，wjk为从节点ok指向oj形成边的权值，e′kj为指向节点oj的有向边，n为指向节点oj的总个数，eij′为从节点oi指向节点oj的有向且去除权重的边。
本申请文件提出节点的影响力是基于下述原因提出的，具体详述如下：
在一个图当中，一个节点的影响力取决于它在整个结构中的位置，从而根据一个节点的度衡量它的影响力。也就是说，一个节点如果有更多的相邻节点，它就很有可能发挥更大的影响力。然而，由于节点的度本质上只是一个局部量，它很难全面地计算一个节点对于全局的影响力。因此针对这一缺陷，研究者们提出了更加全面但均复杂的方法，例如closeness centrality算法、closeness centrality算法、HITS算法以及PageRank算法。但是上述算法不计复杂性较高，且效率也较低。因此，本申请文件综合上述原因提出了一种折中的算法来计算每一个节点的相对影响力。且本申请文件提出的算法在影响关系网中，符合如下设定的要求：
1)一个节点的影响力取决于与该节点有着紧密联系的节点数量。
2)一个节点的影响力取决于其相邻节点对该节点的贡献度。
在给定了一个稀疏化的数据关系图的基础上，定义了节点oj对oi的贡献度如下：
其中，μ(oj)的倒数代表了oj对oi的依赖程度，可以理解为：如果有很多条边指向节点oj，oi对oj似乎不重要，毕竟在图中oj还受很多其它节点的影响，对oi依赖程度自然很低。而假如仅有一条边指向节点oj且并从oi指出，那oj几乎完全依赖于oi，显而易见，其余节点对节点oi依赖程度越高，该节点的影响力也就越大。同样，相邻节点的加权出度μ(oj)与节点oi的影响力也是有关系的。因此，用节点oj对节点oi的依赖程度乘以节点oj权重来表示节点oj对节点oi的贡献度大小。
S104，根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
实现本步骤的一种实施方式为：
比较所述数据关系图中每条边中的权值是否小于全局阈值；
对权值不小于全局阈值对应的边去除权重后保留；
删除权值小于全局阈值的边。
利用所述每条边的权值，按照如下表达式计算每个节点的贡献度；
表达式：
其中，dis(oj,oi)为节点oj对节点oi的贡献度，μ(oj)为节点oj的加权出度，k为第k条指向节点oj的序号，wjk为从节点ok指向oj形成边的权值，e′kj为指向节点oj的有向边，n为指向节点oj的总个数，eij′为从节点oi指向节点oj的有向且去除权重的边。
根据每个节点的贡献度，按照如下表达式计算每个节点的影响力；
表达式：
其中，ins(oi)为节点oi的影响力，j为节点的序号，n为对节点oi贡献的节点的总个数。
需要说明的是，由上述计算贡献度公式可知贡献度符合第二条要求。本申请文件提出的影响力计算方法与现有技术即前面提到的计算度的方法相比，利用了每个相邻节点的更多信息，因而本申请文件计算的节点影响力更有效。同时计算影响力的量也远比前面提到的几种复杂的算法小很多。
S105，按照所述每个节点的影响力高低，对节点进行排序；
其中，上述对节点进行排序可以对每个节点的影响力由高向低的方式进行排序，也可以每个节点的影响力由低向高的方式进行排序。
S106，选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
基于上述情况，当对每个节点的影响力由高向低的方式进行排序时，将排序后的前面K个节点作为电网的空间降维结果，同理，当对每个节点的影响力由低向高的方式进行排序时，将排序后的后面K个节点作为电网的空间降维结果。
值得一提的是，可以在尽可能多的保留关键信息的基础上，将由关键节点构成的电网通过电网可视化呈现出来。
由上可见，本申请实施例提供的第一种应用于电网的空间降维方法，基于节点网络的数据关系，通过充分挖掘电网中各节点运行数据所包含的节点间的相互影响关系，确定了与实际电网相符的影响电网整体运行状态的关键节点，从而达到空间降维的目的。
图2为本申请实施例提供的第二种应用于电网的空间降维方法，所述方法包括：
S201，根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
S202，利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
S203，比较所述数据关系图中每条边中的权值是否小于全局阈值；
S204，对权值不小于全局阈值对应的边去除权重后保留；
S205，删除权值小于全局阈值的边；
S206，利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
S207，根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
S208，按照所述每个节点的影响力高低，对节点进行排序；
S209，选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
由上可见，该方法基于节点网络的数据关系，以充分挖掘电网中各节点运行数据所包含的节点间的相互影响关系，通过设置全局阈值，确定了与实际电网相符的影响电网整体运行状态的关键节点，从而达到空间降维的目的。
图3为本申请实施例提供的一种应用于电网的空间降维装置，所述装置包括：
一种应用于电网的空间降维装置，所述装置包括：
系数矩阵获取模块301，用于根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
数据关系图构建模块302，用于利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
贡献度计算模块303，用于利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
影响力计算模块304，用于根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
排序模块305，用于按照所述每个节点的影响力高低，对节点进行排序；
选取模块306，用于选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
所述装置还包括：
比较模块，用于比较所述数据关系图中每条边中的权值是否小于全局阈值；若有权值不小于全局阈值的边，触发权重去除模块，若有权值小于全局阈值的边，触发删除模块；
所述权重去除模块，用于对权值不小于全局阈值对应的边去除权重后保留；
所述删除模块，用于删除权值小于全局阈值的边。
当前全局阈值设定模块，用于将设定的全局阈值初值作为当前全局阈值；
判断模块，用于判断所述当前全局阈值是否等于设定阈值，若等于，触发全局阈值确定模块，若不等于，触发拟合指数确定模块；
所述全局阈值确定模块，用于将获得的集合中所有当前全局阈值与对应的所述无标度的拟合指数进行拟合，获得全局阈值与无标度的拟合指数的关系式，根据所述关系式，确定无标度的拟合指数为经验值对应的全局阈值；
所述拟合指数确定模块，用于根据当前全局阈值，按照设定方式确定无标度的拟合指数；将所述当前权值阈值和对应的无标度的拟合指数添加到预设的集合中；所述当前全局阈值自加预设间隔值，返回执行所述判断所述当前全局阈值是否等于设定阈值的步骤。
具体的，所述拟合指数确定模块包括：
出度计算子模块，用于根据所述数据关系图和当前全局阈值，计算节点oi的出度di out，其中，eij′为从节点oi指向节点oj的有向且去除权重的边；
频率分布估计值确定子模块，用于根据节点oi的出度di out，确定节点oi的出度di out频率分布估计值p(di out)＝[P(1),…,P(r),…,P(M)]，其中，Or为通过统计得到的落入第r个区间的di out的数量，r为节点的最大出度和节点的最小出度区间划分后的区间序号；
出度分段模块，用于对出度di out按照预设值进行分段，获得v段出度，v＝(1,2,…,M)，M为对出度进行分段后获得的总数量；
拟合指数获得子模块，用于根据和v，获得无标度的拟合指数fit，其中，为和log10(v)的皮尔森相关系数。
所述贡献度计算303模块，包括：
贡献度确定子模块，用于利用所述每条边的权值，按照如下表达式计算每个节点的贡献度；
表达式：
其中，dis(oj,oi)为节点oj对节点oi的贡献度，μ(oj)为节点oj的加权出度，k为第k条指向节点oj的序号，wjk为从节点ok指向oj形成边的权值，e′kj为指向节点oj的有向边，n为指向节点oj的总个数，eij′为从节点oi指向节点oj的有向且去除权重的边。
所述影响力计算模块304包括：
影响力计算子模块，用于根据每个节点的贡献度，按照如下表达式计算每个节点的影响力；
表达式：
其中，ins(oi)为节点oi的影响力，j为节点的序号，n为对节点oi贡献的节点的总个数。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如下步骤：
根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
按照所述每个节点的影响力高低，对节点进行排序；
选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
由上可见，执行本实施例提供的电子设备，能够基于节点网络的数据关系，通过充分挖掘电网中各节点运行数据所包含的节点间的相互影响关系，确定了与实际电网相符的影响电网整体运行状态的关键节点，从而达到空间降维的目的。
上述的相关内容应用于电网的空间降维方法的实施方式与前述方法实施例部分提供的应用于电网的空间降维方法的测试方式相同，这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
按照所述每个节点的影响力高低，对节点进行排序；
选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
由上可见，执行本实施例提供的计算机可读存储介质中存储的应用程序时，能够基于节点网络的数据关系，通过充分挖掘电网中各节点运行数据所包含的节点间的相互影响关系，确定了与实际电网相符的影响电网整体运行状态的关键节点，从而达到空间降维的目的。
上述的相关内容应用于电网的空间降维方法的实施方式与前述方法实施例部分提供的应用于电网的空间降维方法的测试方式相同，这里不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备和计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (15)

1.一种应用于电网的空间降维方法，其特征在于，所述方法包括：
根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
按照所述每个节点的影响力高低，对节点进行排序；
选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
2.如权利要求1所述的方法，其特征在于，在利用所述每条边的权值，计算每个节点的贡献度之前，所述方法还包括：
比较所述数据关系图中每条边中的权值是否小于全局阈值；
对权值不小于全局阈值对应的边去除权重后保留；
删除权值小于全局阈值的边。
3.如权利要求2所述的方法，其特征在于，所述全局阈值的确定方法包括：
将设定的全局阈值初值作为当前全局阈值；
判断所述当前全局阈值是否等于设定阈值；
若等于，将获得的集合中所有当前全局阈值与对应的所述无标度的拟合指数进行拟合，获得全局阈值与无标度的拟合指数的关系式，根据所述关系式，确定无标度的拟合指数为经验值对应的全局阈值；
若不等于，根据当前全局阈值，按照设定方式确定无标度的拟合指数；将所述当前权值阈值和对应的无标度的拟合指数添加到预设的集合中；所述当前全局阈值自加预设间隔值，返回执行所述判断所述当前全局阈值是否等于设定阈值的步骤。
4.如权利要求3所述的方法，其特征在于，所述按照设定方式确定无标度的拟合指数，包括：
根据所述数据关系图和当前全局阈值，计算节点oi的出度di out，其中，eij′为从节点oi指向节点oj的有向且去除权重的边；
根据节点oi的出度di out，确定节点oi的出度di out频率分布估计值
p(di out)＝[P(1),…,P(r),…,P(M)]，
其中，
Or为通过统计得到的落入第r个区间的di out的数量，r为节点的最大出度和节点的最小出度区间划分后的区间序号；
对出度di out按照预设值进行分段，获得v段出度，v＝(1,2,…,M)，M为对出度进行分段后获得的总数量；
根据和v，获得无标度的拟合指数fit，其中，为和log10(v)的皮尔森相关系数。
5.如权利要求3或4所述的方法，其特征在于，无标度的拟合指数的经验值为0.8。
6.如权利要求2所述的方法，其特征在于，所述利用所述每条边的权值，计算每个节点的贡献度，包括：
利用所述每条边的权值，按照如下表达式计算每个节点的贡献度；
表达式：
<mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>o</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mfrac> <mrow> <mi>&amp;mu;</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mi>e</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> </mrow> </mfrac> </mtd> <mtd> <mrow> <msubsup> <mi>e</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msubsup> <mi>e</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，dis(oj,oi)为节点oj对节点oi的贡献度，μ(oj)为节点oj的加权出度，k为第k条指向节点oj的序号，wjk为从节点ok指向oj形成边的权值，e′kj为指向节点oj的有向边，n为指向节点oj的总个数，eij′为从节点oi指向节点oj的有向且去除权重的边。
7.如权利要求6所述的方法，其特征在于，所述根据所述每个节点的贡献度，计算每个节点的节点影响力，包括：
根据每个节点的贡献度，按照如下表达式计算每个节点的影响力；
表达式：
其中，ins(oi)为节点oi的影响力，j为节点的序号，n为对节点oi贡献的节点的总个数。
8.一种应用于电网的空间降维装置，其特征在于，所述装置包括：
系数矩阵获取模块，用于根据线性回归模型，利用电网中所有节点在预设时间内的电压进行训练，得到系数矩阵，其中，所述系数矩阵由训练后获得的线性回归模型的系数构成；
数据关系图构建模块，用于利用系数矩阵，构建邻接矩阵，根据邻接矩阵构建电网中所有节点的数据关系图；所述数据关系图中每条边的权值与所述邻接矩阵中的各个系数相对应；
贡献度计算模块，用于利用所述每条边的权值，计算每个节点的贡献度，其中，所述贡献度用于衡量一个节点对其相邻节点的影响力的贡献程度；
影响力计算模块，用于根据所述每个节点的贡献度，计算每个节点的节点影响力，其中，所述节点影响力是用于衡量一个节点的状态变化对整个电网的影响程度；
排序模块，用于按照所述每个节点的影响力高低，对节点进行排序；
选取模块，用于选择影响力最高的K个节点作为电网的空间降维结果，其中，K为自然数。
9.如权利要求8所述的装置，其特征在于，所述装置还包括：
比较模块，用于比较所述数据关系图中每条边中的权值是否小于全局阈值；若有权值不小于全局阈值的边，触发权重去除模块，若有权值小于全局阈值的边，触发删除模块；
所述权重去除模块，用于对权值不小于全局阈值对应的边去除权重后保留；
所述删除模块，用于删除权值小于全局阈值的边。
10.如权利要求9所述的装置，其特征在于，所述装置还包括：
当前全局阈值设定模块，用于将设定的全局阈值初值作为当前全局阈值；
判断模块，用于判断所述当前全局阈值是否等于设定阈值，若等于，触发全局阈值确定模块，若不等于，触发拟合指数确定模块；
所述全局阈值确定模块，用于将获得的集合中所有当前全局阈值与对应的所述无标度的拟合指数进行拟合，获得全局阈值与无标度的拟合指数的关系式，根据所述关系式，确定无标度的拟合指数为经验值对应的全局阈值；
所述拟合指数确定模块，用于根据当前全局阈值，按照设定方式确定无标度的拟合指数；将所述当前权值阈值和对应的无标度的拟合指数添加到预设的集合中；所述当前全局阈值自加预设间隔值，返回执行所述判断所述当前全局阈值是否等于设定阈值的步骤。
11.如权利要求10所述的装置，其特征在于，所述所述拟合指数确定模块包括：
出度计算子模块，用于根据所述数据关系图和当前全局阈值，计算节点oi的出度di out，其中，eij′为从节点oi指向节点oj的有向且去除权重的边；
频率分布估计值确定子模块，用于根据节点oi的出度di out，确定节点oi的出度di out频率分布估计值p(di out)＝[P(1),…,P(r),…,P(M)]，其中，Or为通过统计得到的落入第r个区间的di out的数量，r为节点的最大出度和节点的最小出度区间划分后的区间序号；
出度分段模块，用于对出度di out按照预设值进行分段，获得v段出度，v＝(1,2,…,M)，M为对出度进行分段后获得的总数量；
拟合指数获得子模块，用于根据和v，获得无标度的拟合指数fit，其中，为和log10(v)的皮尔森相关系数。
12.如权利要求9所述的装置，其特征在于，所述贡献度计算模块，包括：
贡献度确定子模块，用于利用所述每条边的权值，按照如下表达式计算每个节点的贡献度；
表达式：
<mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>o</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mfrac> <mrow> <mi>&amp;mu;</mi> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mi>e</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> </mrow> </mfrac> </mtd> <mtd> <mrow> <msubsup> <mi>e</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msubsup> <mi>e</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，dis(oj,oi)为节点oj对节点oi的贡献度，μ(oj)为节点oj的加权出度，k为第k条指向节点oj的序号，wjk为从节点ok指向oj形成边的权值，e′kj为指向节点oj的有向边，n为指向节点oj的总个数，eij′为从节点oi指向节点oj的有向且去除权重的边。
13.如权利要求12所述的装置，其特征在于，所述影响力计算模块包括：
影响力计算子模块，用于根据每个节点的贡献度，按照如下表达式计算每个节点的影响力；
表达式：
其中，ins(oi)为节点oi的影响力，j为节点的序号，n为对节点oi贡献的节点的总个数。
14.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN201710508483.XA 2017-06-28 2017-06-28 一种应用于电网的空间降维方法及装置 Active CN107480849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710508483.XA CN107480849B (zh) 2017-06-28 2017-06-28 一种应用于电网的空间降维方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710508483.XA CN107480849B (zh) 2017-06-28 2017-06-28 一种应用于电网的空间降维方法及装置

Publications (2)

Publication Number Publication Date
CN107480849A true CN107480849A (zh) 2017-12-15
CN107480849B CN107480849B (zh) 2021-04-02

Family

ID=60596031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710508483.XA Active CN107480849B (zh) 2017-06-28 2017-06-28 一种应用于电网的空间降维方法及装置

Country Status (1)

Country Link
CN (1) CN107480849B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108599152A (zh) * 2018-05-09 2018-09-28 清华大学 电力系统暂态稳定性评估的关键状态变量选取方法及装置
CN109921939A (zh) * 2019-03-18 2019-06-21 中电科大数据研究院有限公司 一种通信网络中关键节点的选取方法及系统
WO2020019318A1 (zh) * 2018-07-27 2020-01-30 西门子（中国）有限公司 用于对待处理数据的多维变量进行降维处理的方法、装置及系统
WO2020119711A1 (zh) * 2018-12-13 2020-06-18 中兴通讯股份有限公司 一种根因定位方法、服务器和存储介质
CN112615365A (zh) * 2020-12-08 2021-04-06 国网四川省电力公司经济技术研究院 一种智能电网脆弱性关键点识别方法及装置
CN114662110A (zh) * 2022-05-18 2022-06-24 杭州海康威视数字技术股份有限公司 一种网站检测方法、装置及电子设备
CN114741826A (zh) * 2022-04-12 2022-07-12 平顶山学院 一种电网系统的关键节点识别方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4297222A1 (de) * 2022-06-22 2023-12-27 Siemens Aktiengesellschaft Computer-implementiertes verfahren und system zur anomalie-erkennung und anomalie-lokalisierung in einem energieverteilungs-netz

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103199554A (zh) * 2013-03-15 2013-07-10 国家电网公司 一种实现电网光储系统容量配置及优化分布的方法
CN104579867A (zh) * 2014-11-28 2015-04-29 广东电网有限责任公司电力调度控制中心 基于节点聚合系数的电力通信网络构建方法
CN106411572A (zh) * 2016-09-06 2017-02-15 山东大学 一种结合节点信息和网络结构的社区发现方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103199554A (zh) * 2013-03-15 2013-07-10 国家电网公司 一种实现电网光储系统容量配置及优化分布的方法
CN104579867A (zh) * 2014-11-28 2015-04-29 广东电网有限责任公司电力调度控制中心 基于节点聚合系数的电力通信网络构建方法
CN106411572A (zh) * 2016-09-06 2017-02-15 山东大学 一种结合节点信息和网络结构的社区发现方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108599152A (zh) * 2018-05-09 2018-09-28 清华大学 电力系统暂态稳定性评估的关键状态变量选取方法及装置
WO2020019318A1 (zh) * 2018-07-27 2020-01-30 西门子（中国）有限公司 用于对待处理数据的多维变量进行降维处理的方法、装置及系统
WO2020119711A1 (zh) * 2018-12-13 2020-06-18 中兴通讯股份有限公司 一种根因定位方法、服务器和存储介质
CN109921939A (zh) * 2019-03-18 2019-06-21 中电科大数据研究院有限公司 一种通信网络中关键节点的选取方法及系统
CN109921939B (zh) * 2019-03-18 2022-04-15 中电科大数据研究院有限公司 一种通信网络中关键节点的选取方法及系统
CN112615365A (zh) * 2020-12-08 2021-04-06 国网四川省电力公司经济技术研究院 一种智能电网脆弱性关键点识别方法及装置
CN114741826A (zh) * 2022-04-12 2022-07-12 平顶山学院 一种电网系统的关键节点识别方法
CN114662110A (zh) * 2022-05-18 2022-06-24 杭州海康威视数字技术股份有限公司 一种网站检测方法、装置及电子设备
CN114662110B (zh) * 2022-05-18 2022-09-02 杭州海康威视数字技术股份有限公司 一种网站检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN107480849B (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN107480849A (zh) 一种应用于电网的空间降维方法及装置
Dehghani et al. Probabilistic hydrological drought index forecasting based on meteorological drought index using Archimedean copulas
CN105260474A (zh) 一种基于信息交互网络的微博用户影响力计算方法
CN110135092A (zh) 基于半局部中心性的复杂加权交通网关键节点识别方法
CN107478963A (zh) 基于电网大数据的小电流接地系统单相接地故障选线方法
CN112749904A (zh) 基于深度学习的配电网故障风险预警方法及系统
CN103455842B (zh) 贝叶斯算法和MapReduce相结合的信任度量方法
CN105721207A (zh) 电力通信网中通信节点重要度的确定方法和装置
CN113255979B (zh) 城市公交线网脆弱点识别方法、装置、计算机设备及存储介质
CN106058865A (zh) 一种电网节点电压暂降的风险评估方法
CN107612970A (zh) 基于电网拓扑分析的大图缓存方法、显示方法和系统
CN105245362A (zh) 一种sdn环境中重要节点信息采集方法
CN114154766A (zh) 雷电动态预测下电网的易损性预警方法及系统
CN109613324A (zh) 一种谐波放大的检测方法及装置
CN103347028A (zh) 云架构下基于贝叶斯的对等网络信任度量模型
CN106570168A (zh) 一种基于大数据分析的互联网+发展指数计算方法
CN110796362A (zh) 一种电动汽车充电桩状态分析方法及其系统、设备、介质
CN106372440A (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
Daraeepour et al. Day-ahead wind speed prediction by a Neural Network-based model
CN107086565B (zh) 一种基于聚合理论的预想事故自动选择方法
Liu et al. On selection of the optimal data time interval for real-time hydrological forecasting
CN112668225A (zh) 配网网格的规划方法、装置、计算机设备和存储介质
KR102081377B1 (ko) 중소교량 네트워크의 유지관리 최적성능목표 결정 방법 및 시스템
Zhao et al. Finding key nodes in complex networks: An edge and local partition approach
CN106650060A (zh) 一种光伏电池内阻衰减系数预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant