[发明专利]基于机器学习的稳定性指标构造方法及装置

权利要求书

1.一种基于机器学习的稳定性指标构造方法，其特征在于，包括以下步骤：

获取稳定性指标的训练样本，其中，所述训练样本包括稳定样本和不稳定样本；

根据稳定性指标的预设要求在支持向量机模型SVM的约束条件中引入松弛变量；

分别去掉所述稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM和保守支持向量机模型CSVM；

根据所述ASVM和所述CSVM的边界距离之差得到不稳定评估指标DD；以及

根据所述ASVM和所述CSVM改造所述DD，并结合Ridge回归算法进行拟合，以构造稳定性指标，所述稳定性指标的指标值在数值上等于DT指标，其中，所述DT指标为故障极限清除时间与故障实际切除时间之差；构造稳定性指标包括：改造DD的表达式得到能够实时求取的稳定性指标，并且使得该稳定性指标值在数值等于DT指标，训练样本中稳定和不稳定样本平衡，DD指标表达式中的两个分母||w^CSVM||和||w^ASVM||数值上接近，在构造过程中用代替DD指标；所述稳定性指标的计算公式为：

其中，X^Training为CSVM和ASVM使用的训练样本输入，X^st和y^st为稳定样本的输入和输出，稳定样本的数量记为m，X^un和y^un为不稳定样本的输入和输出不稳定样本的数量记为k，上标为CSVM的参数由CSVM训练得到，上标为ASVM的参数由ASVM训练得到，分母中的参数α_i与第i(i＝1，...，n，n＝k+m)个训练样本相对应，用以控制样本的ff指标等于DT值，K(X_i，X_j)为核函数，λ、β都是拉格朗日乘子组成的向量，拉格朗日乘子非负；所述DD指标表达式为：

其中，f^CSVM和f^ASVM分别代表CSVM和ASVM的分类规则表达式，w^CSVM和w^ASVM分别代表CSVM和ASVM的超平面的参数向量。

2.根据权利要求1所述的基于机器学习的稳定性指标构造方法，其特征在于，所述支持向量机模型SVM的计算公式为：

y_i(w^Tφ_(x)+b)≥1-ζ_i

其中，n为训练样本的个数，(X_i,y_i )为第i个训练样本，φ(X)是从低维空间到高维空间的映射函数，ζ是松弛变量，С是对松弛变量的惩罚因子，c≥0，b是门槛值，w是超平面的参数向量，_ω为优化变量。

3.根据权利要求1所述的基于机器学习的稳定性指标构造方法，其特征在于，所述保守支持向量机模型CSVM的计算公式为：

其中，上标st表示稳定样本，上标un表示不稳定样本，m是稳定样本数，k是不稳定样本数，φ(X)是从低维空间到高维空间的映射函数，ζ是松弛变量，С是对松弛变量的惩罚因子，c≥0，b是门槛值，w是超平面的参数向量，ω为优化变量；

所述激进型支持向量机模型ASVM的计算公式为：