Critical Node Identification for Cyber–Physical Power Distribution Systems Based on Complex Network Theory: A Real Case Study
Notice bibliographique
Résumé
In today’s world, power distribution systems and information and communication technology (ICT) systems are increasingly interconnected, forming cyber–physical power systems (CPPSs) at the core of smart grids. Ensuring the resilience of these systems is essential for maintaining reliable performance under disasters, failures, or cyber-attacks. Identifying critical nodes within these interdependent networks is key to preserving system robustness. This paper applies complex network (CN) theory—specifically degree centrality (DC), closeness centrality (CC), and betweenness centrality (BC)—to a real-world distribution grid integrated with an ICT layer in northeastern Italy. Simulations are conducted across three scenarios: a directed power network, an undirected power network, and an undirected ICT network. Each centrality metric generates a ranking of nodes which is validated using node removal performance (NRP) analysis. In the directed power network, in-closeness centrality and out-degree centrality are the most effective in identifying critical nodes, with correlations of 84% and 74% with NRP, respectively. DC and BC perform best in the undirected power network, with correlation values of 67% and 53%, respectively. In the ICT network, BC achieves the highest correlation (64%), followed by CC at 55%. These findings demonstrate the potential of centrality-based methods for identifying critical nodes and support strategies for enhancing CPPS resilience and fault recovery by distribution system operators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».