CN107491621A - 基于社区和结构洞联合分析的大电网分割方法、存储介质 - Google Patents

Abstract

本发明提供基于电网社区和结构洞联合分析的大电网分割方法、存储介质，方法包括：依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；依据公式L＝D^‑1A‑I，计算得到随机游走的正则化拉普拉斯矩阵L；依据随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；依据特征指标矩阵的特征值得到结构洞节点。本发明考虑电网社区和结构洞节点之间的拓扑关系，先获取并移除/分配结构洞节点后，获取良构的节点社区，保证电网分割的有效性和准确性。

Description

基于社区和结构洞联合分析的大电网分割方法、存储介质

技术领域

本发明涉及电网信息化领域，具体说的是基于社区和结构洞联合分析的大电网分割方法、存储介质。

背景技术

电能是现代工业文明的基础。随着全球经济实力的发展，对电能的需求越为强烈，接入电网的设备也越多，构建能源互联网已成为电力供应的发展趋势。在大型互联电网的构建的背景下，电网有必要进行分区运行管理，所以对大型电网的合理规划分区变得尤为重要。

传统的电网分区或者基于行政区划或电力企业管理区域，或者基于在电网中发现到的社团结构，对电网进行分割。前者缺乏理论依据，仅依靠工程项目经验。而后者更多地考虑电网设备中的聚集节点。

根据复杂网络分析方法，网络中的关键节点有两类，聚集节点和结构洞节点。聚集节点是社区内的重要节点，即社区的中心节点，而结构洞节点是连接不同社区的重要节点，即如果节点社区p中的节点vi存在属于社区q的邻居，则称节点vi为结构洞节点，如图1所示，圆圈内的两个节点即结构洞节点。传统的基于聚集节点的电网社区分析方法忽略了对结构洞节点的分析，导致难以在电网中发现良构的社区，使得电网中的关键线路发现及电网结构中的关键断面寻找都不够准确，影响了电网分割的有效性。

鉴于社区和结构洞的拓扑属性，社区发现和结构洞发现经常是纠缠在一起的，若能先去除掉结构洞再检测社区，则所发现社区的质量将得以提升。因此，有必要提出一种同时考虑这两种任务的电网分割算法，以更好地检测社区，并提升电网分割的准确度。

发明内容

本发明所要解决的技术问题是：提供一种基于电网社区和结构洞联合分析的大电网分割方法、存储介质，能够更好地检测社区，并提高电网分割的准确度。

为了解决上述技术问题，本发明采用的技术方案为：

基于电网社区和结构洞联合分析的大电网分割方法，包括：

依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；

依据公式L＝D^-1A-I，代入所述邻接矩阵A和度矩阵D计算得到随机游走的正则化拉普拉斯矩阵L，所述I为单位矩阵；

依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；

依据所述特征指标矩阵的特征值得到结构洞节点。

本发明提供的另一个技术方案为：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；

依据公式L＝D^-1A-I，代入所述邻接矩阵A和度矩阵D计算得到随机游走的正则化拉普拉斯矩阵L，所述I为单位矩阵；

依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；

依据所述特征指标矩阵的特征值得到结构洞节点。

本发明的有益效果在于：本发明考虑电网社区和结构洞节点之间的拓扑关系，先分析出结构洞节点，然后移除或分配结构洞节点后，得到最终的节点社区，最后进行电网分割。本发明能获取良构的电网社区，提升发现电网社区的质量；使得电网中的关键线路发现及电网结构中的关键断面寻找的准确度大大提升，保证电网分割的有效性和准确性；从而保证大型电网的合理规范分区。

附图说明

图1为电网节点中结构洞节点位置说明示意图；

图2为电网输电线路图；

图3为依据图2转换成的电网拓扑结构图；

图4为本发明基于电网社区和结构洞联合分析的大电网分割方法的流程示意图；

图5为本发明实施例一的流程示意图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于：考虑电网社区和结构洞节点之间的拓扑关系，先获取并移除/分配结构洞节点后，获取良构的节点社区，保证电网分割的有效性和准确性。

本发明涉及的技术术语解释:

请参照图1至图4，本发明提供一种基于电网社区和结构洞联合分析的大电网分割方法，包括：

依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；

依据公式L＝D^-1A-I，代入所述邻接矩阵A和度矩阵D计算得到随机游走的正则化拉普拉斯矩阵L，所述I为单位矩阵；

依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；

依据所述特征指标矩阵的特征值得到结构洞节点；

依据所述结构洞节点进行电网分割。

从上述描述可知，本发明的有益效果在于：本发明对电网进行分割时，既考虑到对电网设备社区的发现，也考虑到对结构洞的发现；在电网拓扑中，同时执行社区发现与结构洞发现的任务，得到更优的社区结构，并基于此进行电网分割。本发明引入了一个调和函数对社区与结构洞进行建模，从而将两类任务统一到一起，使得在检测社区的同时，也能发现结构洞，从而提高电网社区发现的准确度，最终提高大电网分区的有效性和准确性。

进一步的，所述依据所述结构洞节点进行电网分割，包括：

移除所述特征指标矩阵中结构洞节点；

对移除结构洞节点后的特征指标矩阵进行PAM聚类，得到所述结构洞节点的数量K。

进一步的，得到所述数量K之后，进一步包括：

依据结构洞节点和各节点社区的关联度数，将各结构洞节点分配给关联度数最大的社区，得到节点社区；

依据所述节点社区对电网节点进行划分。

由上述描述可知，移除结构洞节点，意味着切断了社区之间的关联。此时，再通过聚类进行社区检测，有助于提升社区检测的质量，从而辅助社区调整。通过逐步移除结构洞节点、依据关联度分配至社区，获取良构节点社区，保证后续电网分割的准确性和有效性。

进一步的，所述依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵，具体为：

S01：设F为所述电网拓扑结构图对应的表示节点与社区从属概率的n行m列的特征指标矩阵；

S02：设随机初始化后的F为F_t，t表示迭代次数；

S03：将0赋值给t，得到F₀；

S04：随机初始化一个n*m的矩阵w，令F₀＝W*((W^T*W)^0.5)-¹，使F₀ ^TF₀＝I_m；

S05：令P_t＝L*F_t，令Q_t＝Diag(1/(2*(P_t ⁱ||₂ ²+0.001)^0.5))；其中，所述Diag为求对角矩阵，||P_t ⁱ||₂为P_t ⁱ的2-范数，L为随机游走的正则化拉普拉斯矩阵；

S06：令R_t＝(I_n-D-¹A)^TQ_t(I_n-D-¹A)；

S07：求R_t对应最小m个特征值的m个特征向量，并将其组成F_t+1；

S08：采用幂迭代法求邻接矩阵A的特征向量V，得到vⁱ⁺¹＝Avⁱ，当达到收敛后，基于公式λ＝v_j ⁽ⁱ⁺¹⁾＝Avⁱ/V_j ⁱ，得到对应的特征值；其中，v_j为特征向量v的第j个分量，λ为特征值；

S09：将t+1赋值给t；

S10：比较F_t和F_t+1，若不收敛，则返回执行所述S05，直至收敛，得到特征值。

进一步的，所述依据所述特征指标矩阵的特征值得到结构洞节点，具体为：

S11：依据特征指标矩阵中各行的2-范数对每个节点进行排序，获取前K个最小值，得到结构洞节点。

由上述描述可知，采用函数评价每个设备节点及其邻居之间的一致性，以便在检测到社区内节点后进行更为合理的分配。

本发明提供的另一个技术方案为：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；

依据公式L＝D-¹A-I，代入所述邻接矩阵A和度矩阵D计算得到随机游走的正则化拉普拉斯矩阵L，所述I为单位矩阵；

依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；

依据所述特征指标矩阵的特征值得到结构洞节点；

依据所述结构洞节点进行电网分割。

进一步的，所述程序在实现所述依据所述结构洞节点进行电网分割步骤时，执行包括：

移除所述特征指标矩阵中结构洞节点；

对移除结构洞节点后的特征指标矩阵进行PAM聚类，得到所述结构洞节点的数量K。

进一步的，所述程序在执行得到所述数量K之后，还包括：

依据结构洞节点和各节点社区的关联度数，将各结构洞节点分配给关联度数最大的社区，得到节点社区；

依据所述节点社区对电网节点进行划分。

进一步的，所述程序在执行所述依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵步骤时，具体为：

S01：设F为所述电网拓扑结构图对应的表示节点与社区从属概率的n行m列的特征指标矩阵；

S02：设随机初始化后的F为F_t，t表示迭代次数；

S03：将0赋值给t，得到F₀；

S04：随机初始化一个n*m的矩阵w，令F₀＝W*((W^T*W)^0.5)-¹，使F₀ ^TF₀＝I_m；

S05：令P_t＝L*F_t，令Q_t＝Diag(1/(2*(P_t ⁱ||₂ ²+0.001)^0.5))；其中，所述Diag为求对角矩阵，||P_t ⁱ||₂为P_t ⁱ的2-范数，L为随机游走的正则化拉普拉斯矩阵；

S06：令R_t＝(I_n-D-¹A)^TQ_t(I_n-D-¹A)；

S07：求R_t对应最小m个特征值的m个特征向量，并将其组成F_t+1；

S08：采用幂迭代法求邻接矩阵A的特征向量V，得到vⁱ⁺¹＝Avⁱ，当达到收敛后，基于公式λ＝v_j ⁽ⁱ⁺¹⁾＝Avⁱ/V_j ⁱ，得到对应的特征值；其中，v_j为特征向量v的第j个分量，λ为特征值；

S09：将t+1赋值给t；

S10：比较F_t和F_t+1，若不收敛，则返回执行所述S05，直至收敛，得到特征值。

进一步的，所述程序在执行所述依据所述特征指标矩阵的特征值得到结构洞节点步骤时，具体为：

S11：依据特征指标矩阵中各行的2-范数对每个节点进行排序，获取前K个最小值，得到结构洞节点。

实施例一

请参照图2、图3和图5，本实施例提供一种基于电网社区和结构洞联合分析的大电网分割方法，运用于对大型互联电网进行分区运行管理时的电网分割过程。本实施例与传统电网分区方式不同，在对电网进行分割时，既考虑到对电网设备社区的发现，也考虑到对结构洞的发现。在电网拓扑中，同时执行社区发现与结构洞发现的任务，得到更优的社区结构，并基于此进行电网分割。

首先，如图2和图3所示，将电网中的发电机、变电站、负荷以及相连的输电线路简化为拓扑结构图，即将电网电路图转换为电网拓扑结构图。电网拓扑结构图中，以节点表示电网设备，以边表示电网设备之间的关联。

其次，基于调和函数对电网社区与结构洞进行建模，从而将这两类任务统一到一起，来评价每个设备节点及其邻居之间的一致性，使得在检测社区的同时，也能发现结构洞，以便在检测到的社区内对节点进行更为合适的分配。

具体的，假定F是一个表示节点与社区从属概率的n行m列矩阵，即特征指标矩阵，每行代表一个节点，即n为节点个数；每列代表一个社区，即m为社区数量；值在(0,1)之间，1表示该行对应的节点属于该列对应的社区，而0表示不属于。然后根据公式采用循环迭代的方式得出使矩阵(F-D-¹AF)'Q(F-D-¹AF)的迹取最小值的节点从属社区矩阵，即特征指标矩阵，并且F’F要等于m行m列单位矩阵I_m。其中，A为该拓扑结构图的邻接矩阵(即一个n行n列方阵，表示行对应点与列对应点之间是否相邻，相邻为1，否则为0)；D为该拓扑结构的度矩阵(即一个n行n列的对角方阵，对角线上的值表示对应节点的度数)；Q是一个对角矩阵，对角线上的第i个值等于Q_t＝Diag(1/(2*(P_t ⁱ||₂ ²+0.001)^0.5))，||·||2代表2-范数。

然后，根据特征指标矩阵中各行向量的L2范数可以得出最可能的结构洞。具体根据各节点从属社区的概率和进行排序，值最大的节点则最有可能对应结构洞节点，因为当一个节点属于多个社区的概率越高时，则其越可能是结构洞节点；视该节点为结构洞节点。结构洞节点的发现，对电网设备社区的检测具有指向作用。

接着，从电网拓扑结构图中去除前m个结构洞，再进行聚类，得到k个社区，其中m,k的值由用户定义。移除结构洞节点，意味着切断了社区之间的关联，此时，再通过聚类进行社区检测，有助于提升社区检测的质量，从而辅助社区调整。

最后，依据得到的电网社区，进行电网节点的划分。

实施例二

本实施例在实施例一的基础上，进一步拓展，详细说明基于调和函数对电网社区与结构洞进行建模，最终得到电网社区的过程。

具体的，该过程包括：

S1：将转换得到的电网拓扑结构图作为输入；假定F是一个表示节点与社区从属概率的n行m列矩阵，其中，n为节点个数。另外，用户还需输入拟发现的结构洞数量k和社区数量m。

S2：根据输入的电网拓扑结构图，得到该图对应的邻接矩阵A和度矩阵D；

S3：依据公式L＝D^-1A-I，计算得到随机游走的正则化拉普拉斯矩阵L；

S4：通过迭代学习，获得特征指标矩阵，根据其特征值得到结构洞对应的节点。

S4具体包括：

S401：将0赋值给t，t为迭代次数；

S402：随机初始化F，设为F_t，因为t＝0，即当前F_t为F₀。要求F₀ ^TF₀＝I_m。为得到这样的F₀，需先随机初始化一个n*m的矩阵w，令F₀＝W*((W^T*W)^0.5)-¹，此处的*、开方和求逆代表矩阵乘法、矩阵开方和求逆矩阵；

S403：令P_t＝L*F_t，令Q_t＝Diag(1/(2*(P_t ⁱ||₂ ²+0.001)^0.5))，其中Diag代表求对角矩阵，||P_t ⁱ||₂代表P_t ⁱ的2-范数，L为随机游走的正则化拉普拉斯矩阵；

S404：令R_t＝(I_n-D^-1A)^TQ_t(I_n-D^-1A)；

S405：求R_t对应最小m个特征值的m个特征向量，并将其组成F_t+1。由于大电网上的设备节点众多，能多达上亿。在求矩阵特征值时，为减少计算耗用的内存，此处采用幂迭代法求矩阵的特征向量v，即矩阵A的特征向量v，可通过迭代的方式得出：vⁱ⁺¹＝Avⁱ。当达到收敛以后，基于公式λ＝v_j ⁽ⁱ⁺¹⁾＝Avⁱ/V_j ⁱ，可以得到对应的特征值。其中，v_j代表向量v的第j个分量，λ为特征值。

S406：将t+1赋值给t；

S407：比较F_t和F_t+1，若不收敛，则跳到第8步继续循环S403，直至收敛。

S5：根据F中各行的2-范数对每个节点进行排序，找出前k个最小值，即结构洞；

S6：在F中去除结构洞对应的节点后，对F进行PAM聚类，聚类数量为用户输入参数k。

S7：根据结构洞节点与各节点社区的关联度数，将其分配给关联度数最大的社区，从而得到最终的节点社区。

S8：根据最终的节点社区，对电网节点进行划分，将不同节点社区划分到不同的分区中。

实施例三

本实施例对应实施例二，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；

依据公式L＝D-¹A-I，代入所述邻接矩阵A和度矩阵D计算得到随机游走的正则化拉普拉斯矩阵L，所述I为单位矩阵；

依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；该步骤，具体包括：S01：设F为所述电网拓扑结构图对应的表示节点与社区从属概率的n行m列的特征指标矩阵；

S02：设随机初始化后的F为F_t，t表示迭代次数；

S03：将0赋值给t，得到F₀；

S04：随机初始化一个n*m的矩阵w，令F₀＝W*((W^T*W)^0.5)^-1，使F₀ ^TF₀＝I_m；

S05：令P_t＝L*F_t，令Q_t＝Diag(1/(2*(P_t ⁱ||₂ ²+0.001)^0.5))；其中，所述Diag为求对角矩阵，||P_t ⁱ||₂为P_t ⁱ的2-范数，L为随机游走的正则化拉普拉斯矩阵；

S06：令R_t＝(I_n-D^-1A)^TQ_t(I_n-D^-1A)；

S07：求R_t对应最小m个特征值的m个特征向量，并将其组成F_t+1；

S08：采用幂迭代法求邻接矩阵A的特征向量V，得到vⁱ⁺¹＝Avⁱ，当达到收敛后，基于公式λ＝v_j ⁽ⁱ⁺¹⁾＝Avⁱ/V_j ⁱ，得到对应的特征值；其中，v_j为特征向量v的第j个分量，λ为特征值；

S09：将t+1赋值给t；

S10：比较F_t和F_t+1，若不收敛，则返回执行所述S05，直至收敛，得到特征值。

依据所述特征指标矩阵的特征值得到结构洞节点；该步骤具体包括：S11：依据特征指标矩阵中各行的2-范数对每个节点进行排序，获取前K个最小值，得到结构洞节点。

依据所述结构洞节点进行电网分割。该步骤具体包括：移除所述特征指标矩阵中结构洞节点；对移除结构洞节点后的特征指标矩阵进行PAM聚类，得到所述结构洞节点的数量K。依据结构洞节点和各节点社区的关联度数，将各结构洞节点分配给关联度数最大的社区，得到节点社区；依据所述节点社区对电网节点进行划分。

综上所述，本发明提供的一种基于电网社区和结构洞联合分析的大电网分割方法、计算机可读存储介质，综合考虑电网社区和结构洞之间的拓扑关系，能获取更优的社区结构，再据此进行电网分割，从而显著提高电网分区的有效性和准确性；同时，基于调和函数对电网社区与结构洞进行建模，能够实现快速获取结构洞和电网社区，提高电网分区效率。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.基于电网社区和结构洞联合分析的大电网分割方法，其特征在于，包括：

依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；

依据公式L＝D^-1A-I，代入所述邻接矩阵A和度矩阵D计算得到随机游走的正则化拉普拉斯矩阵L，所述I为单位矩阵；

依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；

依据所述特征指标矩阵的特征值得到结构洞节点；

依据所述结构洞节点进行电网分割。

2.如权利要求1所述的基于电网社区和结构洞联合分析的大电网分割方法，其特征在于，所述依据所述结构洞节点进行电网分割，包括：

移除所述特征指标矩阵中结构洞节点；

对移除结构洞节点后的特征指标矩阵进行PAM聚类，得到所述结构洞节点的数量K。

3.如权利要求2所述的基于电网社区和结构洞联合分析的大电网分割方法，其特征在于，得到所述数量K之后，进一步包括：

依据结构洞节点和各节点社区的关联度数，将各结构洞节点分配给关联度数最大的社区，得到节点社区；

依据所述节点社区对电网节点进行划分。

4.如权利要求1所述的基于电网社区和结构洞联合分析的大电网分割方法，其特征在于，所述依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵，具体为：

S01：设F为所述电网拓扑结构图对应的表示节点与社区从属概率的n行m列的特征指标矩阵；

S02：设随机初始化后的矩阵F为F_t，t为迭代次数；

S03：将0赋值给t，得到F₀；

S04：随机初始化一个n*m的矩阵w，令F₀＝W*((W^T*W)^0.5)^-1，使F₀ ^TF₀＝I_m；

S05：令P_t＝L*F_t，令Q_t＝Diag(1/(2*(||P_t ⁱ||₂ ²+0.001)^0.5))；其中，所述Diag为求对角矩阵，||P_t ⁱ||₂为P_t ⁱ的2-范数，L为随机游走的正则化拉普拉斯矩阵；

S06：令R_t＝(I_n-D^-1A)^TQ_t(I_n-D^-1A)；

S07：求R_t对应最小m个特征值的m个特征向量，并将其组成F_t+1；

S08：采用幂迭代法求邻接矩阵A的特征向量V，得到vⁱ⁺¹＝Avⁱ，当达到收敛后，基于公式λ＝v_j ⁽ⁱ⁺¹⁾＝Avⁱ/V_j ⁱ，得到对应的特征值；其中，v_j为特征向量v的第j个分量，λ为特征值；

S09：将t+1赋值给t；

S10：比较F_t和F_t+1，若不收敛，则返回执行所述S05，直至收敛，得到特征值。

5.如权利要求4所述的基于电网社区和结构洞联合分析的大电网分割方法，其特征在于，所述依据所述特征指标矩阵的特征值得到结构洞节点，具体为：

S11：依据特征指标矩阵中各行的2-范数对每个节点进行排序，获取前K个最小值，得到结构洞节点。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：

依据电网拓扑结构图，得到对应的邻接矩阵A和度矩阵D；

依据公式L＝D^-1A-I，代入所述邻接矩阵A和度矩阵D计算得到随机游走的正则化拉普拉斯矩阵L，所述I为单位矩阵；

依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵；

依据所述特征指标矩阵的特征值得到结构洞节点；

依据所述结构洞节点进行电网分割。

7.如权利要求6所述的计算机可读存储介质，其特征在于，所述程序在实现所述依据所述结构洞节点进行电网分割步骤时，执行包括：

移除所述特征指标矩阵中结构洞节点；

对移除结构洞节点后的特征指标矩阵进行PAM聚类，得到所述结构洞节点的数量K。

8.如权利要求7所述的计算机可读存储介质，其特征在于，所述程序在执行得到所述数量K之后，还包括：

依据结构洞节点和各节点社区的关联度数，将各结构洞节点分配给关联度数最大的社区，得到节点社区；

依据所述节点社区对电网节点进行划分。

9.如权利要求6所述的计算机可读存储介质，其特征在于，所述程序在执行所述依据所述随机游走的正则化拉普拉斯矩阵L进行迭代学习，获得特征指标矩阵步骤时，具体为：

S01：设F为所述电网拓扑结构图对应的表示节点与社区从属概率的n行m列的特征指标矩阵；

S02：设随机初始化后的矩阵F为F_t，t为迭代次数；

S03：将0赋值给t，得到F₀；

S04：随机初始化一个n*m的矩阵w，令F₀＝W*((W^T*W)^0.5)^-1，使F₀ ^TF₀＝I_m；

S05：令P_t＝L*F_t，令Q_t＝Diag(1/(2*(||P_t ⁱ||₂ ²+0.001)^0.5))；其中，所述Diag为求对角矩阵，||P_t ⁱ||₂为P_t ⁱ的2-范数，L为随机游走的正则化拉普拉斯矩阵；

S06：令R_t＝(I_n-D^-1A)^TQ_t(I_n-D^-1A)；

S07：求R_t对应最小m个特征值的m个特征向量，并将其组成F_t+1；

S08：采用幂迭代法求邻接矩阵A的特征向量V，得到vⁱ⁺¹＝Avⁱ，当达到收敛后，基于公式λ＝v_j ⁽ⁱ⁺¹⁾＝Avⁱ/V_j ⁱ，得到对应的特征值；其中，v_j为特征向量v的第j个分量，λ为特征值；

S09：将t+1赋值给t；

S10：比较F_t和F_t+1，若不收敛，则返回执行所述S05，直至收敛，得到特征值。

10.如权利要求9所述的计算机可读存储介质，其特征在于，所述程序在执行所述依据所述特征指标矩阵的特征值得到结构洞节点步骤时，具体为：

S11：依据特征指标矩阵中各行的2-范数对每个节点进行排序，获取前K个最小值，得到结构洞节点。