(19)中华 人民共和国 国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202111544367.6
(22)申请日 2021.12.16
(71)申请人 湘潭大学
地址 411105 湖南省湘潭市雨湖区湘潭大
学
(72)发明人 彭寒梅 贺玮煜 彭紫洁 谭貌
苏永新
(51)Int.Cl.
G06Q 10/06(2012.01)
G06Q 50/06(2012.01)
G06N 20/10(2019.01)
(54)发明名称
一种模型-数据混合驱动的微电网短期静态
安全风险评估方法
(57)摘要
本发明公开了一种模 型‑数据混合驱动的微
电网短期静态安全风险评估 方法, 1)形成微电网
历史短期状态数据, 生成输入数据样本矩阵X; 2)
对矩阵X采用基于模型驱动的微电网静态安全风
险评估, 得到由频率越限风险指标和系统综合风
险指标组成的输出数据样本矩阵Y; 3)采用改进
的最小二乘支持向量机(least squares
support vector machine, LSSVM)算法对矩阵X
和Y进行离线训练, 得到基于数据驱动的微电网
短期静态 安全风险评估学习机模型及参数; 4)取
微电网新的短期状态数据, 作为评估 学习机的输
入, 得到评估结果。 该方法结合模型驱动和数据
驱动的优点, 可准确、 快速地实现微电网短期静
态安全风险评估, 评估结果能科学有效地表征微
电网的短期静态安全风险水平。
权利要求书2页 说明书9页 附图3页
CN 114186888 A
2022.03.15
CN 114186888 A
1.一种模型 ‑数据混合驱动的微电网短期静态安全风险评估方法, 其特征在于, 所述一
种模型‑数据混合驱动的微电网短期静态安全风险评估方法, 包括如下步骤:
1)形成微电网历史短期状态数据, 生成输入数据样本矩阵X;
2)对矩阵X采用基于模型驱动的微电网静态安全风险评估, 得到由频率越限风险指标
和系统综合 风险指标组成的输出 数据样本矩阵Y;
3)采用改进的最小二乘支持向量机(least squares support vector machine,
LSSVM)算法对矩阵X和Y进 行离线训练, 得到基于数据驱动的微电网短期静态 安全风险评估
学习机模型及参数;
4)取微电网新的短期状态数据, 作为评估学习机的输入, 得到 评估结果。
2.根据权利要求1所述的形成微电网历史短期状态数据, 生成输入数据样本矩阵X, 包
括如下步骤:
1)采用微电网所在地的历史风速数据, 以小时为单位作为输入数据样本的风速数据;
2)微电网短期运行内不考虑DG装置的计划停运, 其故障率λ和修复率μ为常数, 则DG装
置的连续工作时间和停运时间均服从指数分布, 其状态转移过程为齐次马尔科夫过程; 设
DG装置采用两状态模型, 正常工作状态为状态1, 故障状态2, 状态转移过程为{RDG(t),t>
t0}, t0=0时刻处于状态1, 得到DG装置处于状态1和状态 2的时变概 率pDG,1(t)、 pDG,2(t)为
以小时为单位, 由式(1)计算出DG装置处于故障状态2的概率, 作为输入数据样本的DG
装置短期故障概 率;
3)以小时为单位的风速数据和DG装置短期故障概 率作为输入数据样本, 表示 为
xi=[vi,pDG1,2,pDG2,2,...,pDGj,2] (2)
其中, xi为第i小时的输入数据样本, pDGj,2为第i小时下微电网中第j个DG装置处于故障
状态的概 率, vi为第i小时的风速;
取第1个小时至第m个小时的m个输入数据样本, 生成输入数据样本矩阵X:
X=[x1,x2,...,xk,...,xm]T (3)
其中, xk为第k小时的输入数据样本 。
3.根据权利要求1所述的采用改进的最小二乘支持向量机(least squares support
vector machine, LSSVM)算法对矩阵X和Y进行离线训练, 得到基于数据驱动的微电网短期
静态安全风险评估学习机模型及参数, 包括如下步骤:
1)LSSVM算法借助样本集的结构风险最小化原则建立回归 模型:
其中, 误差变量ei表示模型对样本集的回归误差, 训练样本集{(xi,yi),i=1,2, …,m},
xi∈Rn是输入数据, yi∈Rn是输出数据,
为xi从原始空间Rn到高维特征空间H的非线性映
射函数, J是损失函数, 权值向量ω∈H, 偏置量b∈R, c是惩罚因子;
在模型训练时, 引入Lagrange乘子αi(即回归系数), 建立并求解式(9)对应的Lagrange
函数, 得到回归系数αi与偏置量b, 从而得到LS SVM算法的函数估计(即LS SVM模型)为权 利 要 求 书 1/2 页
2
CN 114186888 A
2其中, 核函数 K(xi,xj)为
其中, σ 为核函数参数;
2)LSSVM算法的主要参数是核函数参数σ 和惩罚因子c, 这两个参数对LSSVM的学习和泛
化能力影响很大, 决定学习机模型的性能; 提出改进的LSSVM算法: 采用粒子群算法优化选
择参数σ 和c, 具体步骤为, (1)输入训练样本, 包括输入 数据样本矩阵X和输出数据样 本矩阵
Y; (2)设置粒子群算法参数, 初始 化粒子的位置和速度, 每个位置对应于一组参数( σ, c)值,
由参数和训练样本 建立式(5)LSSVM模 型; (3)计算每个粒子的适应度值, 更新粒子的位置和
速度, 调整权重系数和学习因子; (4)判断是否满足粒子群算法结束 条件, 如果不满足, 更新
记忆库, 而后返回步骤(3); 若满足, 则用满足的粒子计算(σ, c)参数; (5)利用得到的最优
( σ, c)参数和训练样本, 对LS SVM模型进行训练, 直到误差收敛到设定的精度, 训练结束。权 利 要 求 书 2/2 页
3
CN 114186888 A
3
专利 一种模型-数据混合驱动的微电网短期静态安全风险评估方法
文档预览
中文文档
15 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共15页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-19 02:07:05上传分享