CN107491621B - 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

基于社区和结构洞联合分析的大电网分割方法、存储介质 Download PDF

Info

Publication number
CN107491621B
CN107491621B CN201710779778.0A CN201710779778A CN107491621B CN 107491621 B CN107491621 B CN 107491621B CN 201710779778 A CN201710779778 A CN 201710779778A CN 107491621 B CN107491621 B CN 107491621B
Authority
CN
China
Prior art keywords
matrix
power grid
community
node
nodes
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.)
Active
Application number
CN201710779778.0A
Other languages
English (en)
Other versions
CN107491621A (zh
Inventor
邹海发
庄玉林
张翔
王震
罗祥樟
陈延杰
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.)
Xiamen Epgis Information Technology Co ltd
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Original Assignee
Xiamen Epgis Information Technology Co ltd
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication 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 Xiamen Epgis Information Technology Co ltd, State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd filed Critical Xiamen Epgis Information Technology Co ltd
Priority to CN201710779778.0A priority Critical patent/CN107491621B/zh
Publication of CN107491621A publication Critical patent/CN107491621A/zh
Application granted granted Critical
Publication of CN107491621B publication Critical patent/CN107491621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Complex Calculations (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

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:
Figure GDA0002532429750000031
Figure GDA0002532429750000041
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Ft，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*((WT*W)0.5)-1，使F0 TF0＝Im；
S05：令Pt＝L*Ft，令Qt＝Diag(1/(2*(||Pt i||2 2+0.001)0.5))；其中，所述Diag为求对角矩阵，||Pt i||2为Pt i的2-范数，L为随机游走的正则化拉普拉斯矩阵；
S06：令Rt＝(In-D-1A)TQt(In-D-1A)；
S07：求Rt对应最小m个特征值的m个特征向量，并将其组成Ft+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
Figure GDA0002532429750000061
得到对应的特征值；其中，vj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Ft和Ft+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Ft，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*((WT*W)0.5)-1，使F0 TF0＝Im；
S05：令Pt＝L*Ft，令Qt＝Diag(1/(2*(||Pt i||2 2+0.001)0.5))；其中，所述Diag为求对角矩阵，||Pt i||2为Pt i的2-范数，L为随机游走的正则化拉普拉斯矩阵；
S06：令Rt＝(In-D-1A)TQt(In-D-1A)；
S07：求Rt对应最小m个特征值的m个特征向量，并将其组成Ft+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
Figure GDA0002532429750000071
得到对应的特征值；其中，vj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Ft和Ft+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Im。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Qt＝Diag(1/(2*(||Pt 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Ft，因为t＝0，即当前Ft为F0。要求F0 TF0＝Im。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*((WT*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Pt＝L*Ft，令Qt＝Diag(1/(2*(||Pt i||2 2+0.001)0.5))，其中Diag代表求对角矩阵，||Pt i||2代表Pt i的2-范数，L为随机游走的正则化拉普拉斯矩阵；
S404：令Rt＝(In-D-1A)TQt(In-D-1A)；
S405：求Rt对应最小m个特征值的m个特征向量，并将其组成Ft+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
Figure GDA0002532429750000091
可以得到对应的特征值。其中，vj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Ft和Ft+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Ft，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*((WT*W)0.5)-1，使F0 TF0＝Im；
S05：令Pt＝L*Ft，令Qt＝Diag(1/(2*(||Pt i||2 2+0.001)0.5))；其中，所述Diag为求对角矩阵，||Pt i||2为Pt i的2-范数，L为随机游走的正则化拉普拉斯矩阵；
S06：令Rt＝(In-D-1A)TQt(In-D-1A)；
S07：求Rt对应最小m个特征值的m个特征向量，并将其组成Ft+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
Figure GDA0002532429750000101
得到对应的特征值；其中，vj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Ft和Ft+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 (8)

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；
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Ft，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*((WT*W)0.5)-1，使F0 TF0＝Im，Im为m行m列单位矩阵；
S05：令Pt＝L*Ft，令Qt＝Diag(1/(2*(||Pt i||2 2+0.001)0.5))；其中，所述Diag为求对角矩阵，||Pt i||2为Pt i的2-范数，L为随机游走的正则化拉普拉斯矩阵；
S06：令Rt＝(In-D-1A)TQt(In-D-1A)，In为n行n列单位矩阵；
S07：求Rt对应最小m个特征值的m个特征向量，并将其组成Ft+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
Figure FDA0002549624620000011
得到对应的特征值；其中，vj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Ft和Ft+1，若不收敛，则返回执行所述S05，直至收敛，得到特征值。
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。
5.一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；
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Ft，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*((WT*W)0.5)-1，使F0 TF0＝Im，Im为m行m列单位矩阵；
S05：令Pt＝L*Ft，令Qt＝Diag(1/(2*(||Pt i||2 2+0.001)0.5))；其中，所述Diag为求对角矩阵，||Pt i||2为Pt i的2-范数，L为随机游走的正则化拉普拉斯矩阵；
S06：令Rt＝(In-D-1A)TQt(In-D-1A)，In为n行n列单位矩阵；
S07：求Rt对应最小m个特征值的m个特征向量，并将其组成Ft+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
Figure FDA0002549624620000031
得到对应的特征值；其中，vj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Ft和Ft+1，若不收敛，则返回执行所述S05，直至收敛，得到特征值。
6.如权利要求5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。
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。
8.如权利要求5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。
CN201710779778.0A 2017-09-01 2017-09-01 基于社区和结构洞联合分析的大电网分割方法、存储介质 Active CN107491621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710779778.0A CN107491621B (zh) 2017-09-01 2017-09-01 基于社区和结构洞联合分析的大电网分割方法、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710779778.0A CN107491621B (zh) 2017-09-01 2017-09-01 基于社区和结构洞联合分析的大电网分割方法、存储介质

Publications (2)

Publication Number Publication Date
CN107491621A CN107491621A (zh) 2017-12-19
CN107491621B true CN107491621B (zh) 2020-10-16

Family

ID=60646057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710779778.0A Active CN107491621B (zh) 2017-09-01 2017-09-01 基于社区和结构洞联合分析的大电网分割方法、存储介质

Country Status (1)

Country Link
CN (1) CN107491621B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993159B (zh) * 2017-12-28 2023-11-14 中国电力科学研究院有限公司 一种电网分区弱耦合度计算方法及系统
CN111310290B (zh) * 2018-12-12 2023-06-30 中移动信息技术有限公司 一种节点的社区划分的方法、装置及计算机可读存储介质
CN109685379B (zh) * 2018-12-27 2020-11-20 清华大学 交直流设备供电分区方法、系统、设备及介质
CN109949085B (zh) * 2019-03-11 2021-03-12 西安交通大学 基于结构洞理论的城市道路网电动汽车充电站部署方法
CN113268840B (zh) * 2021-05-31 2022-06-14 湖南奥翔晟机电科技有限公司 一种电子线束的拓扑优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880799A (zh) * 2012-09-24 2013-01-16 西北工业大学 一种基于多属性决策的复杂网络节点重要度综合评价方法
CN104484718A (zh) * 2014-12-09 2015-04-01 东北电力大学 一种基于谱聚类和质心分选的电网简化方法
CN105790279A (zh) * 2016-04-28 2016-07-20 西华大学 基于谱聚类的无功电压分区方法
CN106506231A (zh) * 2016-11-30 2017-03-15 大连大学 面向结构洞的指控网络关键节点识别方法
CN107071844A (zh) * 2017-06-13 2017-08-18 湘潭大学 一种基于谱聚类社区划分的机会网络路由方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880799A (zh) * 2012-09-24 2013-01-16 西北工业大学 一种基于多属性决策的复杂网络节点重要度综合评价方法
CN104484718A (zh) * 2014-12-09 2015-04-01 东北电力大学 一种基于谱聚类和质心分选的电网简化方法
CN105790279A (zh) * 2016-04-28 2016-07-20 西华大学 基于谱聚类的无功电压分区方法
CN106506231A (zh) * 2016-11-30 2017-03-15 大连大学 面向结构洞的指控网络关键节点识别方法
CN107071844A (zh) * 2017-06-13 2017-08-18 湘潭大学 一种基于谱聚类社区划分的机会网络路由方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Identifying top-k structural hole spanners in large-scale social networks";Mojtaba Rezvani et al;《Proceedings of the 24th ACM International on Conference on Information and Knowledge Management》;20151030;263-272 *
"基于二步邻居拓扑的E_Burt结构洞检测算法";随云仙, 刘勇;《http://kns.cnki.net/kcms/detail/37.1389.N.20170426.1609.012.html》;20170426;第59-65页 *
"基于多重特征向量的有向网络社团结构划分算法";杨凯 等;《电子科技大学学报》;20161130;第45卷(第6期);第1014页 *

Also Published As

Publication number Publication date
CN107491621A (zh) 2017-12-19

Similar Documents

Publication Publication Date Title
CN107491621B (zh) 基于社区和结构洞联合分析的大电网分割方法、存储介质
Bhela et al. Enhancing observability in distribution grids using smart meter data
Cheng et al. Modeling of manufacturing service supply–demand matching hypernetwork in service-oriented manufacturing systems
Yuan et al. Inverse power flow problem
Li et al. Fast and accurate mining the community structure: Integrating center locating and membership optimization
Yousefian et al. Self-tuned stochastic approximation schemes for non-Lipschitzian stochastic multi-user optimization and Nash games
Muhammad et al. Connectivity graphs as models of local interactions
WO2022048280A1 (zh) 一种分布式的量子计算仿真方法和装置
Tyuryukanov et al. Discovering clusters in power networks from orthogonal structure of spectral embedding
CN103500168A (zh) 一种基于拓扑势的重叠复杂网络社区发现方法及系统
Le et al. ER-DCOPs: A framework for distributed constraint optimization with uncertainty in constraint utilities
Levi et al. A (centralized) local guide
Li Revealing network communities with a nonlinear programming method
Brusco et al. Optimal partitioning of a data set based on the p-median model
Liu et al. Distributed k-means algorithm for sensor networks based on multi-agent consensus theory
CN113744072A (zh) 一种基于深度神经网络融合拓扑和内容社团检测方法
CN114597970A (zh) 一种基于图卷积网络的主动配电网分区方法
Kmiecik et al. Task allocation in mesh connected processors with local search meta-heuristic algorithms
Lovison Adaptive sampling with a Lipschitz criterion for accurate metamodeling
CN112116305A (zh) 一种用于机器学习的电网概率可视化模型构建方法和系统
Gusrialdi et al. Distributed learning of mode shapes in power system models
Wang et al. Consensus Clustering for Bi-objective Power Network Partition
CN110569897A (zh) 一种基于生成模型的无标度属性网络中的社团检测方法
Kekatos et al. PSSE redux: convex relaxation, decentralized, robust, and dynamic solvers
CN105932675B (zh) 一种电力系统潮流并行协调算法

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