[0001] 本发明属于电气自动化技术领域，具体涉及一种电力信息物理系统的骨干网络辨识方法及系统。

[0002] 随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。

[0003] 电网系统为提高电网抵御自然灾害的能力，提出了差异化规划的概念。差异化规划的目的是在重大自然灾害发生时，或出现重大事故时，能保障对重要负荷的持续供电，其核心内容是核心骨干网架的构建。随着信息技术的发展和智能电网建设的推进，现代的电力系统已经发展成为一个电力网与信息网相互依存的耦合网络，除了自然灾害会影响到电力系统的安全性，来自信息系统中的网络攻击和病毒传播也会影响电力系统的稳定性。核心骨干网架作为电力信息物理系统抵御灾害或故障的“最后一道防线”，研究并辨识电力信息物理系统的骨干网络对于现代电力系统防灾、抵御网络攻击有重大研究与实践意义。

[0004] 目前，传统的电网骨干网架辨识与规划最先是由国外学者展开研究的；由于核心骨干网架辨识与规划是一个非线性混合整数0‑1规划的多目标优化问题，现有的研究一般是在辨识关键节点和线路的基础上，采用图论或者智能算法进行单一侧电网的多目标优化。但是，现有的辨识方案，其可靠性不高，而且也不再适用于现今的电力网与信息网相互依存的耦合网络。

[0070] 如图1所示为本发明方法的方法流程示意图：本发明提供的这种电力信息物理系统的骨干网络辨识方法，包括如下步骤：

[0071] S1.获取目标电力信息物理系统中电力网络和信息网络的节点信息和线路信息，并计算对应的节点和边的重要度；具体包括如下步骤：

[0072] 采用如下算式计算得到电力节点的重要度：

[0073]

[0074] 式中 为电力节点的重要度； 为原始电网的加权凝聚度； 为电网中节点收缩后的加权凝聚度；

[0075] 采用如下算式计算得到输电线路的重要度：

[0076]

[0077] 式中 为输电线路i2‑j2的重要度；C为设定的参数；Pij(k)为第k条线路的实际有功潮流值；n为节点数；

[0078] 采用如下算式计算得到信息节点的重要度：

[0079]

[0080] 式中 为信息节点的重要度；Ni3,node为骨干网络中信息网络的节点数量；dmn为节点m和节点n之间的最短路径长度；

[0081] 采用如下算式计算得到通信链路的重要度：

[0082]

[0083] 式中 为通信链路的重要度； 为移除通信链路mn后的当前网络的节点数； 为移除通信链路mn后的当前网络中节点m和节点n之间的最短路径长度； 为原始网络中的节点数； 为原始网络中节点m和节点n之间的最短路径长度；

[0084] S2.对目标电力信息物理系统的骨干网络的父代种群进行初始化；

[0085] S3.计算各个目标函数的权重值，并根据得到的权重值计算目标电力信息物理系统的骨干网络的父代种群的适应度函数值；具体包括如下步骤：

[0086] 对于正向指标，采用如下算式进行线性标准化：

[0087]

[0088] 对于负向指标，采用如下算式进行线性标准化：

[0089]

[0090] 式中fi,′j为帕累托前沿最优解集中第j个目标函数的第i个线性标准化函数值；fi,j为第j个目标函数的第i个函数值；x为归一化区间的起点；N为帕累托前沿解中非支配个体的数目；j的取值为1～M，M为目标函数的个数；所述的正向指标的定义为取值越大则指标越重要的指标；所述的负向指标的定义为取值越小则指标越重要的指标；

[0091] 采用如下算式计算第j个目标函数的熵值Hj：

[0092]

[0093] 式中N为帕累托前沿解中非支配个体的数目；

[0094] 采用如下算式计算第j个目标函数的权重系数Wj：

[0095]

[0096] 式中M为目标函数的个数；

[0097] 计算得到第j个目标函数的加权值zi,j为zi,j＝Wjfi,′j；

[0098] 最后，采用如下算式构建多目标模型：

[0099]

[0100] 式中f1为经济性目标函数；Np,node为骨干网络中电力网络的节点数量； 为骨干网络中电力节点的状态量矩阵，且其中元素取值为1表示骨干网络中包括对应的电力节点，元素取值为0表示骨干网络中不包括对应的电力节点； 为骨干网络中电力节点的电压等级； 为骨干网络中电力节点的单位加固费用；Np,line为骨干网络中电力网络的线路数量； 为骨干网络中输电线路的状态量矩阵，且其中元素取值为1表示骨干网络中包括对应的输电线路，元素取值为0表示骨干网络中不包括对应的输电线路； 为骨干网络中输电线路的电抗值； 为骨干网络中输电线路的单位加固费用；Ni,node为骨干网络中信息网络的节点数量； 为 为骨干网络中信息节点的状态量矩阵，且其中元素取值为1表示骨干网络中包括对应的信息节点，元素取值为0表示骨干网络中不包括对应的信息节点； 为骨干网络中信息节点对应的电力节点的电压等级； 为信息节点升级改造费用；Ni,line为骨干网络中信息网络的链路数量； 为骨干网络中通信链路的状态量矩阵，且其中元素取值为1表示骨干网络中包括对应的通信链路，元素取值为0表示骨干网络中不包括对应的通信链路； 为骨干网络中通信链路对应输电线路的电抗值； 为通信链路升级改造费用；f2为抗毁性目标函数；μ为电力网络的抗毁性指标权重；Np为骨干网络中的电力网络所对应图的邻接矩阵的特征根的数目；λi为骨干网络中的电力网络所对应图的邻接矩阵的特征根；Ni为骨干网络中的信息网络所对应图的邻接矩阵的特征根的数目；λm为骨干网络中信息网络所对应图的邻接矩阵的特征根；f3为恢复性目标函数；λ为电力网络的恢复性指标权重； 为骨干网络中的电力节点重要度； 为电力网络中非电力骨干节点数量； 为骨干网络中的电力节点i到骨干网络外的电力节点 的最短路径所包含的线路数； 为骨干网络中的输电线路的重要度； 为骨干网络中信息节点的重要度；为信息网络中非骨干信息节点数量； 为骨干网络中的信息节点m到骨干网络外的信息节点 的最短路径所包含的链路数； 为骨干网络中通信链路的重要度；

[0101] 采用如下算式作为约束条件：

[0102]

[0103]

[0104]

[0105]

[0106] φ(x)＝1

[0107]

[0108]

[0109]

[0110] g(x)＝0

[0111] h(x)≤0

[0112] 式中 为重要电力网络节点集合； 为重要电力网络线路集合； 为重要信息网络节点集合； 为重要信息网络链路集合；φ(x)为电力网络的连通性函数，且φ(x)＝1表示电力网络为连通状态； 为信息网络的连通性函数，且 表示信息网络为连通状态； 为骨干电力网络的节点数量； 为骨干信息网络的节点数量； 为骨干电力网络的线路数量； 为骨干信息网络的链路书；g(x)为潮流等式约束，g(x)＝0表示等式约束满足；h(x)为潮流不等式约束，h(x)≤0表示不等式约束满足。

[0113] S4.对当前的目标电力信息物理系统的骨干网络的父代种群进行非支配排序；

[0114] S5.对当前的目标电力信息物理系统的骨干网络的父代种群进行选择、交叉和变异操作；

[0115] S6.将当前的目标电力信息物理系统的骨干网络的父代种群与子代种群进行合并，作为新的骨干网络种群；

[0116] S7.将当前的目标电力信息物理系统的骨干网络种群进行非支配排序和拥挤度计算；

[0117] S8.将当前的目标电力信息物理系统的骨干网络种群进行筛选；

[0118] S9.将筛选得到的目标电力信息物理系统的骨干网络种群作为新的目标电力信息物理系统的骨干网络的父代种群；

[0119] S10.重复步骤S5～S9直至设定的迭代终止条件，从而得到目标电力信息物理系统的骨干网络的最优解集；

[0120] S11.在步骤S10得到的目标电力信息物理系统的骨干网络的最优解集中，选取最优理想解作为最终的目标电力信息物理系统的骨干网络；具体包括如下步骤：

[0121] 采用如下算式计算步骤S10得到的最优解集中各个元素与最优方案的贴近度：

[0122]

[0123] 式中Ckk为第kk个元素与最优方案的贴近度； 为第kk个元素与最优方案的接近程度； 为第kk个元素与最劣方案的接近程度；kk的取值为1～N；

[0124] 选取贴近度最接近1的元素所对应的网络，作为最终的目标电力信息物理系统的骨干网络。

[0125] 以下结合一个实施例，对本发明方法进行进一步说明：

[0126] 将抗毁性指标权重系数μ和恢复性指标权重系数λ设置为0.5；初始种群数量100，迭代次数300，交叉概率0.9，变异概率0.1；

[0127] 某地区500kV信息物理系统的重要度数据如下表1～表4所示：

[0128] 表1某地区电力网络节点重要度数据表

[0129]

[0130] 表2某地区电力网络线路重要度示意表

[0131]

[0132] 表3某地区信息网络节点重要度示意表

[0133]

[0134] 表4某地区信息网络链路重要度示意表

[0135]

[0136] 选取节点重要度和线路重要度前25％的节点和线路组成的连通图作为初始电力信息物理骨干网络进行求解。得到帕累托最优解集之后，利用熵权法求得三个目标函数的权值为0.45，0.29，0.26。之后采用TOSIS法求得最优折中解。得到的最优骨干网络如图2所示，可以看出最优骨干网络中的电力网络包含23个节点，23条输电线路；信息网络包括18个节点，19条通信链路；其中发电容量为5791.268MW，负荷需求为5750.629MW。骨干网络中的电力网络和信息网络所需要加固的节点和线路数不到整个网络规模的50％，并且包含了重要度节点和线路，通过加固这些节点和线路，就能保证提高电力信息物理系统抵御大停电的风险。

[0137] 同样的，为了验证本发明提出的多目标优化模型对某地区实际电网的有效性，将目标优化模型求解出来的目标函数值与采用遗传算法的经济性最优模型、抗毁性最优模型和生存性最优模型进行对比。结果如表5所示。

[0138] 表5对比结果示意表

[0139]优化模型 经济性 抗毁性 恢复性 综合指标
经济性最优 0.90 0.63 0.52 0.7229
抗毁性最优 0.69 0.94 0.59 0.7365
恢复性最优 0.65 0.60 0.91 0.7031
多目标最优 0.89 0.93 0.85 0.8912

[0140] 从表5中可以看出，对于某地区的实际电网，同样也是多目标优化模型的综合性指标的值大于另外其他三个优化模型，更加进一步的验证了本发明提出的电力信息物理系统骨干网络辨识算法的有效性。

[0141] 如图3所示为本发明系统的功能模块示意图：本发明提供的这种实现所述电力信息物理系统的骨干网络辨识方法的系统，包括数据获取计算模块、初始化模块、适应度计算模块、非支配排序模块、选择交叉变异模块、合并模块、拥挤度计算模块、筛选模块、父代种群更新模块、重复模块和骨干网络选择模块；数据获取计算模块、初始化模块、适应度计算模块、非支配排序模块、选择交叉变异模块、合并模块、拥挤度计算模块、筛选模块和父代种群更新模块依次串接；重复模块和骨干网络选择模块依次串接；重复模块还连接选择交叉变异模块和父代种群更新模块；数据获取计算模块用于获取目标电力信息物理系统中电力网络和信息网络的节点信息和线路信息，并计算对应的节点和边的重要度，并将数据上传初始化模块；初始化模块用于根据接收到的数据，对目标电力信息物理系统的骨干网络的父代种群进行初始化，并将数据上传适应度计算模块；适应度计算模块用于根据接收到的数据，计算各个目标函数的权重值，并根据得到的权重值计算目标电力信息物理系统的骨干网络的父代种群的适应度函数值，并将数据上传非支配排序模块；非支配排序模块用于根据接收到的数据，对当前的目标电力信息物理系统的骨干网络的父代种群进行非支配排序，并将数据上传选择交叉变异模块；选择交叉变异模块用于根据接收到的数据，对当前的目标电力信息物理系统的骨干网络的父代种群进行选择、交叉和变异操作，并将数据上传合并模块；合并模块用于根据接收到的数据，将当前的目标电力信息物理系统的骨干网络的父代种群与子代种群进行合并，作为新的骨干网络种群，并将数据上传拥挤度计算模块；拥挤度计算模块用于根据接收到的数据，将当前的目标电力信息物理系统的骨干网络种群进行非支配排序和拥挤度计算，并将数据上传筛选模块；筛选模块用于根据接收到的数据，将当前的目标电力信息物理系统的骨干网络种群进行筛选，并将数据上传父代种群更新模块；父代种群更新模块用于根据接收到的数据，将筛选得到的目标电力信息物理系统的骨干网络种群作为新的目标电力信息物理系统的骨干网络的父代种群，并将数据上传重复模块；重复模块用于根据接收到的数据，重复以上过程直至设定的迭代终止条件，从而得到目标电力信息物理系统的骨干网络的最优解集，并将数据上传骨干网络选择模块；骨干网络选择模块用于根据接收到的数据，在目标电力信息物理系统的骨干网络的最优解集中，选取最优理想解作为最终的目标电力信息物理系统的骨干网络。