电力系统静态安全状态实时感知的相关向量机法

• 作者: 刘中银 宋建成 李海英
• 来源期刊: 中国电机工程学报
• 学科: 工学
• 关键词: 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
• 年，卷（期）: 2015,（2）
• 所属期刊栏目: 大数据与电力系统
• 页码范围: 294-301
• 页数: 8页
• 分类号: TM71
• 字数: 7281字
• 语种: 中文
• DOI: 10.13334/j.0258-8013.pcsee.2015.02.005

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	宋建成	太原理工大学电气与动力工程学院	198	1194	19.0	25.0
2	李海英	上海理工大学电气工程系	26	235	8.0	15.0
3	刘中银	上海理工大学电气工程系	1	18	1.0	1.0