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。

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 

单位：上海理工大学电气工程系 上海市杨浦区200093 太原理工大学电气与动力工程学院 山西省太原市030024