%0 Journal Article
%T 电力系统静态安全状态实时感知的相关向量机法
%A 李海英
%A 刘中银
%A 宋建成
%J 中国电机工程学报
%P 294-301
%D 2015
%R 10.13334/j.0258-8013.pcsee.2015.02.005
%X 在信息物理系统(cyberphysicalsystems,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(relevancevectormachine,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。IEEE30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。
%K 安全状态感知
%K 相关向量机
%K 贝叶斯概率学习
%K Relief特征选择
%K 稀疏核模型
%U http://www.pcsee.org/CN/abstract/abstract27486.shtml