當電力消費置于互聯網環境下，最大的變革在于用電行為、交易、過程、電力調度及分布能源生產等電能的全生命周期均建立在互聯網虛擬空間和基于數據驅動的過程建模、分析及優化。因此，“互聯網＋智慧售電”的實現即是一個數據獲取、傳輸、業務表達與價值發現過程。其中數據獲取主要依靠智能用電物聯網系統，通過連接各種用電器、分布能源和檢測模塊，獲取各種基礎數據信息；數據傳輸主要依靠近距離通信、公共通信網絡等組成異構融合的數據傳輸網絡，將數據匯聚至云計算平臺；數據的業務表達和價值發現主要依靠大數據組織、可視化、挖掘等技術完成數據驅動的電力消費過程。

5.1.4智能用電物聯網節點通信重要性評估技術

電力物聯網已經成為電網的重要組成部分，承載的業務量也變得越來越多，增長速度驚人，尤其是更多新能源設備、智能控制設備、智能家電等終端的接入使得電力物聯網通信網絡規模的不斷擴大，對安全性、可靠性評估也變得越來越重要。而電力通信網中的重要節點在很大程度上決定了電力通信網的穩定性和安全性，對重要節點的重點維護和管理成為電力通信網的一個重要任務。

電力物聯網通信網中的重要節點決定了網絡的穩定性和安全性，電力通信網中節點的重要性表明了該節點在可能的故障情況下對網絡性能的影響，使用定量的方法來對網絡節點進行評估已經成為電力通究的熱點。目前國內外對電力通信網節點的重要性評估主要存在下面一些方法：

(1)利用節點的度作為節點重要性的指標。該方法中某節點的的鏈接的邊越多，那么該節點的重要性就越大。

(2)基于節點刪除的評價。該方法通過刪除某個節點，看網絡的連通性的變化來分析節點的重要性。

(3)基于節點的介數的評價，如果該節點的介數越大那么該節點越重要。

(4)通過節點緊密度來對節點進行評價，緊密度越大則節點的重要性越強。

目前的電力通信網節點重要性評估主要采用以上幾種方法，但是以上的方法都具有一些缺陷：以節點的度作為評價指標存在一定的片面性，如橋節點的度雖然不大，但重要性卻很強；基于節點刪除的方如果刪除的是末梢節點，那么就不能實現節點重要性的客觀評估；另外，由于介數和緊密度是對節點在全局的影響的定義，因此基于介數緊密度的方法也存在著一些不合理性。

目前，有關電力物聯網通信網節點重要性評估的工作基本上都是以單一連接權值為主，還沒有將距離和帶寬都考慮進評估模型的。而且，以往的電力通信網的節點重要性評估往往只利用單個的評價指標，而沒有有效的綜合多種評價指標，并且很多方法只針對網絡結構本身，而忽略了網絡的連接權重。針對目前電力通信網評估存在的各種問題，利用網絡帶寬和距離作為加權，通過多種評價指標的綜合來對節點的重要性進行評。由于采用多指標的方式進行節點重要性的評估分類，并且這種分類是一種無監督的分類。日前，針對電力通信網節點重要性評估的無監督分類主要為K- means方法。 k-means方法為無監督分類中的主要傳統方法，但是因為該方法基于距離，故結果是圓形的聚類形狀，并不能很好地對復雜特征的融合進行分類。針對該問題，采用了一種叫做快速密度聚類的方法，該方法發表在2014年的 Science期刊上，該方法不僅利用距離作為分類的度量，還利用密度作為分類的指標，有效解決了k-means方法的不足。在加權網絡的基礎上，基于快速密度聚類的方法，采用節點度、節點緊密度以及節點的介數作為評價指標，對電力通信網的節點重要性進行評估。利用某省的實際電網通信數據進行檢驗，驗證了該方法在電力通信網中的實用性。

1.節點重要性相關指標分析

節點數為n，邊數為m的通信網有權網絡數學模型可以用一個加權矩陣來描述，即

     (5-1)

邊權鄰接矩陣的矩陣元為WGij=Bij，如果節點和節點j之間有連接；WGij。=∞，如果節點i和節點j之間沒有連接。其中，WGij、Bij為節點與節點之間線路的權值。邊權代表節點間相互作用的強度或難易程度。如果節點之間的距離作為權值，權值越大表示兩點間的距離越大，作用越弱。如果節點之間的帶寬作為權值，則權值越大作用越大。本書中將距離和帶寬的權值進行歸一化整合，距離和帶寬的權值各為50%。

網絡中節點的重要性不但與節點本身的度有一定關系，還與節點的鄰居節點的度大小、節點的緊密度、節點的介數存在一定的關聯，這指標體現了節點的影響力。節點的影響力包括直接影響力和間接影力，直接影響力反映節點本身影響其他節點的能力，如節點的度。同影響力反映節點通過網絡對其他節點施加影響的能力，如節點緊密度介數。利用節點的度、節點的緊密度、節點的介數作為節點重要性的價指標。

節點的度：節點i的度數k是指與該節點直接連接的邊數，反映的聲是一個節點對于網絡中其他節點的直接影響力。具有n個節點的網絡中，節點的度不會超過n-1。通常情況下，加權后節點i的強度Si定義為

節點的緊密度：緊密度指標C用于刻畫網絡中的節點通過網絡到其他節點的難易程度，反映節點的間接影響力。其值定義為該節點到所有其他節點的距離之和的倒數。具有n個節點的網絡中，節點到達所有其他節點的距離之和不會小于n-1，則歸一化的緊密度指標Ci為

對于加權網絡，兩節點間的距離dij一般定義為連接兩節點間的最短路徑上邊的權值之和。
介數指選取復雜網絡理論中合適的靜態幾何參量進行網絡拓撲脆弱性的計算。每個節點的介數用參數bi表示，反映節點在網絡連通中的重要程度。bi也反映了節點拓撲脆弱性，代表節點在整個網絡中的脆弱程度,代表節點相對拓撲的重要度，測度了故造成的潛在影響程度，能夠直接找到最脆弱點。

2.快迷密度聚類

針對目前非監督聚類存在的一些問題，采用快速密度聚類的方法進行電力通信網的節點重要性評估分類。快速密度聚類算法的核心思想是：類簇中心被具有較低局部密度的鄰居點包圍，且與具有更高密度的任何點有相對較大的距離。基于這種思想，對于任意數據點i，需要計算兩個量：局部密度值pi以及點i到具有更高局部密度點的距離δi。Pi 和δi的值都與數據點之間的距離dij有關(dij代表點i和點j之間的距離，文中用歐式距離表示)。任意數據點i的局部密度Pi如下定義

(5-4)

其中dc是截斷距離，如果dij-dc<0，那么x(dij-dc)=1，如果dij-dc≥0，那么就有X(dij-dc)=0。數據點i的局部密度Pi本質上為數據點i距離為dc內的點的個數。實驗表明分類結果對dc的大小選擇具有很高的魯棒性，及dc的大小對分類結果影響不大。算法中，對于dc的選擇規則為：使得點的平均鄰居數大概是數據集中點的總數的1%～2%。點i到具有更高局部密度點的距離δi定義為

（5-5）

在算法中具有高B和相對較高的，的點可被認為是類簇中心，類簇中心找到后，剩余的每個點被歸屬到它的有更高密度的最近鄰所屬類簇。類簇分配只需一步即可完成，不像其他算法要對目標函數進行選代優化。圖5-10的簡單示例展示了算法的核心思想，圖5-10(a)為聚類中心的尋找，圖5-10(b)為樣本點的聚類。

圖5-10算法實例展示（一）
（a）聚類中心決策圖

圖5-10算法實例展示（二）
（b）二維聚類圖

3.節點重要性分類結果

利用節點度、節點緊密度、節點的介數作為節點重要性的評價指標。節點的度的大小非常的直觀，反映了節點本身影響其他節點的能力力。一般情況下，度越大的節點重要性越大，但是對于某些橋節點來說卻不正確。間接影響力反映節點通過網絡對其他節點施加影響的能力，如節點的緊密度和介數

圖5-11  節點緊密度分析圖

圖5-11是網絡節點時密度分析從圖5-11可以看出，緊密度大的點，其度未必很大，但是改點在數據傳輸中的作用很大。圖5-12為網絡節點的脆弱性分析，節點的脆弱性代表了該節點在網絡連通方面的能力，如過聯通能力強，那么該節點遭到損毀后對網絡的影響就越大，即認為脆弱性強。從圖5-12可以看出，節點的脆弱性并不和節點的度分布和緊密度呈完全的正相關關系。

圖5-12  節點脆弱性分析

圖5-13給出了各種因素的分布，表5-3給出了這三種要素之間的相關性。從圖5-13中和表5-3中可以看出，這三種因素之間并不完全是正相關的關系。因此在節點重要性的度量上，需要綜合考慮這三種因素。

圖5-13節點度、緊密度以及介數之間的相關關系

表5-3 各要素之間的相關關系

利用快速密度聚類的方法對節點重要性進行評估。文中的要素為3個，那么分類空間為三維。因此將快速密度聚類的方法由二維推廣至三維，應用與節點重要性分類中，圖5-14給出了基于三種因素的聚類中心

圖5-14基于快速密度聚類的聚類中心選擇圖

選擇圖，圖中的4個方塊即為我們所需的聚類中心，按照這4個聚類中心將所有節點進行聚類，聚類結果如5-14所示。

圖5-15  節點的重要性聚類分布圖

圖5-15中三個維度代表三個聚類因素，即節點度、緊密度以及脆弱性。從圖5-15中可以看出，該方法可以很好地將節點進行重要性分類。圖5-15中方形節點代表重要性很強，星形代表該節點重要性比較強，三角形代表該節點重要性一般，圓形代表該節點重要性很弱。在實際應用中，方形代表的節點要引起足夠的重視。

圖5-16給出了電力通信網骨干網的節點重要性分類結果，從圖中可以很直觀地看出，我們采用的方法可以比較好地對重要節點進行分類。

圖5-16  電力通信網節點的重要性分類圖

對于重要性一般的節點和重要性比較弱的節點來說，由于文中采用了距離和帶寬作為權值的一部分，因此一般重要性節點在距離和帶寬的加權值比重要性比較弱的節點大。這也就是圖5-16中一般重要性節點和重要性比較弱的節點的區別。