10.13334/j.0258-8013.pcsee.2015.02.005
电力系统静态安全状态实时感知的相关向量机法
在信息物理系统(cyber physical systems,CPS)深度融合背景下,提出一种安全状态实时感知的相关向量机(relevance vector machine,RVM)数据驱动方法.RVM是贝叶斯概率框架下基于核函数的学习方法,通过多层先验的超参数设置获取模型参数的稀疏解,并采用伯努利分布获得分类后验概率.该方法首先根据日前市场的运行与调度规则,产生运行条件,构造安全评估特征集及事故安全分类;然后将基于距离的Relief算法用于特征排序,筛选出与分类紧密相关的特征子集;最后通过RVM分类学习对系统安全状态进行辨识.IEEE 30节点系统测试结果表明,RVM方法的极度稀疏性、高分类精度、概率输出在实时安全状态感知中具有显著优越性.
安全状态感知、相关向量机、贝叶斯概率学习、Relief特征选择、稀疏核模型
35
TM71(输配电工程、电力网及电力系统)
国家自然科学基金项目51207092;上海市教育委员会科研创新项目12YZ099.Project Supported by National Natural Science Foundation of China51207092;Innovation Program of Shanghai Municipal Education Commission12YZ099
2015-03-27(万方平台首次上网日期,不代表论文的发表时间)
共8页
294-301