[發明專利]一種基于改進AdaBoost.M1-SVM的有源配電網可靠性快速評估方法

有效

• 申請號: 201810877516.2
• 申請日: 2018-08-03
• 公開（公告）號: CN109165819B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 尹曉敏;楊延勇;王華瑩;許強;朱輝;趙飛桃;董麗麗;雷霞;丁吉;吳卓聰
• 申請（專利權）人: 國網山東省電力公司聊城供電公司;國家電網有限公司;西華大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 梁田

1.一種基于改進AdaBoost.M1-SVM的有源配電網可靠性快速評估方法，其特征在于，該方法包括以下步驟：

步驟一、構造具有相關性的隨機變量序列及其對應的系統運行狀態標簽序列，作為初始訓練數據集；

步驟二、對步驟一中的隨機變量序列及其對應的系統運行狀態標簽序列進行互信息分析，提取與系統運行狀態最相關的隨機變量序列及其對應的系統運行狀態標簽序列作為分類模型的訓練樣本集；

步驟三、基于步驟二中的訓練樣本集，采用改進AdaBoost.M1-SVM集成分類算法對多SVM弱分類器進行集成優化訓練，得到優化的集成分類模型：

式中，H_T(x)為輸出的集成分類器，T為迭代次數，α_t為SVM_t(x)的權重系數，SVM_t(x)為輸入狀態變量x弱分類器SVM第t次迭代，sign為符號函數，||α||₁為α_t的1-范數；

所述步驟三具體包括以下步驟：

步驟3.1輸入訓練樣本集S、迭代次數T以及SVM弱分類器，其中，

S＝{(x₁，y₁),(x₂，y₂),...,(x_n,y_n)}，y_i∈Y＝{-1,+1}；

步驟3.2初始化樣本集的權值分布，初始權值均為1/n：

步驟3.3進行第t次迭代，求解多SVM弱分類器t＝1,2,...,T，求解過程如下：

a)在加權樣本空間{S,D_t}上求解一組SVM弱分類器的g_t、c_t參數，使得加權訓練誤差ε_t最小，由下式得出：

通過蝙蝠算法對SVM弱分類器的g_t、c_t參數進行尋優，確定訓練過程中SVM弱分類器的c參數和g參數最優值；

b)基于SVM弱分類器的c參數和g參數最優值，計算SVM_t(x)的加權訓練誤差ε_t：

式中，因子I∈[0,1]；如果ε_t＝0或ε_t1/2，算法停止，設T＝t-1；

將“漏判”樣本的誤差權重做削弱處理，如下式所示：

式中，條件(1)、(2)、(3)分別為“誤判”、“漏判”、“正確判斷”；由上式可以看出，樣本x_i為“漏判”樣本時，因子I等于x_i到SVM超平面的歐式距離的平方，I∈[0,1]；

c)計算SVM_t(x)的權重系數α_t：

d)更新樣本權重分布

Z_t是歸一化因子，使得∑w_i^t+1＝1；

步驟3.4輸出集成分類器的數學模型：

步驟四、采用步驟三得到的集成分類模型對步驟一的隨機變量序列進行測試，確定系統的運行狀態，計算當前運行狀態下的可靠性指標。

2.根據權利要求1所述的一種基于改進AdaBoost.M1-SVM的有源配電網可靠性快速評估方法，其特征在于，所述步驟一中所述隨機變量序列表示如下：

X_i＝[P_i,1,Q_i,1,...,P_i,n,Q_i,n,P_gi,1,Q_gi,1,...,P_gi,m,Q_gi,m,Su_i,Sl_i]

式中，P_i,k、Q_i,k為樣本i中節點k的有功、無功；P_gi,k、Q_gi,k為樣本i中節點k的分布式電源有功、無功注入；Su_i為樣本i的備用容量指標；Sl_i為樣本i的系統總負荷量。

3.根據權利要求2所述的一種基于改進AdaBoost.M1-SVM的有源配電網可靠性快速評估方法，其特征在于，所述步驟二具體包括以下步驟：

步驟2.1對隨機變量序列及其對應的系統運行狀態標簽序列進行互信息分析，得到各隨機變量與系統運行狀態之間的關聯程度，由下式得出：

把樣本的運行狀態標志序列作為目標序列Y_i∈{-1,1}，隨機變量序列X_i作為相關序列，對相關序列進行離散化處理；則X、Y之間的互信息大小由下式得出：

式中，M為目標序列和相關序列所有可能值的個數和；N_i為目標序列的區間數；M_i為目標序列落在第i個區間的數值數；N_j為相關序列X的區間數；為相關序列X落在第u個區間的概率；M_uv為當相關序列X落在第u個區間時，目標序列Y正好位于第v個區間的數值數；

步驟2.2設訓練樣本集中有p個樣本,系統運行狀態標志序列構成數據集Y＝{Y₁,Y₂,...,Y_p}，l個隨機狀態變量序列構成數據集X＝{X₁,X₂,...,X_l}；X_j與Y₁,Y₂,...,Y_p之間互信息的平均值，平均互信息大小由下式得出：

平均互信息評估在給定樣本集中系統運行狀態與第j個隨機狀態變量X_j的關聯強弱；

步驟2.3對平均互信息大于0的狀態變量進行排序，選取其中排名靠前的強關聯狀態變量序列及其對應的系統運行狀態標志序列作為分類模型訓練樣本集。