(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