CN109523155A - 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 - Google Patents

Abstract

本发明提出了一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法。考虑设备实时故障率以及运行方式变化，首先使用拉丁超立方算法优化的蒙特卡洛法生成风险样本数据，可在有限的计算时间内搜索出多重故障，全面反映电网故障情况；并使用高斯扰动粒子群优化的最小二乘支持向量机对风险样本进行训练，达到大幅降低计算时间的目的。在保证风险计算准确度的情况下，本文方法可以做到电网风险与灵敏度的在线计算，为风险来源追踪、设备差异化运维等提供参考依据。

Description

一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法

技术领域

本发明属于电网风险评估技术领域，尤其是涉及一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法。

背景技术

对电力系统风险评估的研究，目前主要分为解析法和蒙特卡洛模拟法。其中蒙特卡罗法的模拟抽样次数不受电网规模影响，且容易体现各种运行控制策略和负荷变化等实际情况，并可处理多重、相关和连锁故障。使用蒙特卡洛法可以解决目前大型电网的风险库缺乏多重故障情况处理方法的问题。但是蒙特卡洛法仍会产生大量重复抽样场景，且需要对每个场景进行拓扑分析、潮流计算、负荷削减等重复性计算，不能满足电网在线运行的要求。

使用机器学习方法，对大量样本进行训练分析，可得到变量与结果之间的直接关联关系，省去复杂的中间过程，大幅降低计算时间。目前已有成熟使用云理论进行故障率推理预测，进而进行电网综合风险评估；以及使用神经网络训练N-1断线故障样本，建立电力系统风险评估模型。但是现有的电网风险评估研究并未考虑全面性和实时性的综合优化。

于是使用改进的蒙特卡洛方法生成全面准确的风险样本，并应用改进的最小二乘支持向量机进行样本训练，得到电网风险在线计算模型成为一种全面有效的评估方法。该方法可根据电网实时状态信息，实现准确、快速的电网风险及灵敏度在线计算，为风险来源追踪、设备差异化运维等提供参考依据。

发明内容

本发明主要针对现有的风险评估方法不能全面的考虑设备状态的改变以及无法实时完成评估的不足，引入最小二乘支持向量机利用蒙特卡洛法来对电网的风险进行评估。蒙特卡洛方法使用抽样方法模拟系统可能出现的状态，进而计算状态后果、风险指标。抽样过程中每台设备按照故障率进行动作，可以处理多重故障情况，准确地反映电网风险。而最小二乘支持向量机将标准支持向量机中的求解二次规划问题转化为求解线性问题，使计算过程更加方便快捷。利用蒙特卡洛法和最小二乘支持向量机的结合，提供了一种新的电网风险评估方法。

本发明的上述技术问题主要通过以下技术方案得以解决：

一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法，使用拉丁超立方优化的蒙特卡洛法生成风险样本数据，使用高斯扰动粒子群优化的最小二乘支持向量机方法进行样本训练，得到电网风险计算模型与灵敏度计算模型。并且考虑多重故障情况，实现在线运用。其步骤包括：

步骤1：生成M×N电网状态样本数据，根据电网状态样本数据构建电网元件向量、电网元件向量的集合、故障率向量、故障率向量的集合；

步骤2：对电网状态样本数据进行抽样，对抽样结果进行归一化得到风险样本数据；

步骤3：使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型；

步骤4：根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型。

作为优选，步骤1中所述电网状态样本数据为：

x_i,ji∈[1,M],j∈[1,N]

其中，x_i,j为第i个元件的第j种故障率，M表示电网元件的数量，N表示每个电网元件的对应状态下的故障率的数量；

电网元件i向量可表示为y_i＝(x_i,1,x_i,2,…,x_i,N)；

M个电网元件向量的集合为Y＝{y₁,y₂,...,y_M}；

故障率j向量可表示为x_j＝(x_1,j,x_2,j,…,x_m,j,…,x_M,j)；

N个故障率向量的集合为X＝{x₁,x₂,...,x_N}；

作为优选，步骤2中所述对电网状态样本数据进行抽样为：

使用蒙特卡洛法对电网状态样本数据x_i,ji∈[1,M],j∈[1,N]进行抽样模拟；

蒙特卡洛法：在待评估的电力系统中，设其元件的数量为M，其中的任意一个元件y_i(i＝1,2,…,M)的状态用y_i表示，并将该状态对应的概率记为P(y_i)；

将系统状态的集合记为X′，其中任意一个系统状态k记为：

x_k＝(y_k,1,y_k,2,…,y_k,i,…,y_k,M)

系统状态的总数为N，由此得到系统状态k的概率：

在获得系统状态集合即抽样后得到的矩阵S，将状态k的后果记为F(x_k)，F(x_k)的计算方法与选取的风险指标有关，失负荷量的风险指标为：

其中，R_k为系统在状态k下损失的负荷量；

在蒙特卡洛法抽样的过程中，使用拉丁超立方抽样来代替原本的均匀抽样，形成大量的抽样场景；

拉丁超立方抽样包括两个步骤：

采样：对各个输入变量进行分层采样，使每个输入变量的采样点都能覆盖其整个分布区间；

假设一个待评估电网中包含M个元件，y_i(i＝1,2,…,M)为第i个元件的故障率，Y_i＝F_i(y_i)表示y_i的累计概率密度函数；

设采样值规模为N，首先将区间[0,1]平均分为N等分，得到N个子区间[0,1/N]…[i/N,(i+1)/N]…[(N-1)/N,1]，则每个区间的概率均为1/N；

随后抽取N个子区间的中间值作为代表采样点,第i个区间的采样点为((i-1)/N+i/N)/2；

最后，得到采样值其中为F_m的反变换；

对所有设备进行均匀状态采样，生成M×N为初始样本矩阵S，矩阵S为含有M个元件的电力系统，N个系统状态的集合为X′＝{x′₁,x′₂,...,x′_N}，任意系统状态j可表示为c，x′_i,j为系统状态j中第i个元件的状态，i∈[1,M]；

采用Cholesky分解法对矩阵S进行排序处理，得到Cholesky分解后矩阵S＇，其集合为X′＝{x′₁,x′₂,...,x′_N}，

任意系统状态j可表示为X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)，x′_i,j为系统状态j中第i个元件的状态，x′_1,j--x′_M,j的排列顺序为随机，i∈[1,M]；

步骤2中所述对抽样结果进行归一化得到风险样本数据为：

将抽样结果根据系统容量进行归一化得到风险样本数据

归一化处理：

其中，X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)为任意系统状态j，X′_jmax为X′_j中的最大值，X′_jmin为X′_j中的最小值；

作为优选，步骤3中所述使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型为：

在高斯扰动粒子群优化算法中，将最小二乘支持向量机的惩罚参数和核参数作为粒子成员，最小二乘支持向量机对样本数据的训练方差作为适应度计算函数。计算粒子适应度，并将其与上一个最优适应度相比较，取最好的适应度作为当前最优适应度，得到新的群体最优解，直至达到精度要求或迭代次数上限；

采用高斯扰动的粒子群优化算法进行参数寻优，在粒子运动过程中增加高斯扰动项，加入高斯扰动项的粒子群速度迭代公式：

v_i,j(t+1)＝w_pv_i,j(t)

+c₁r₁[p_i,j(t)+r₂gauss_i,j(t)-x_i,j(t)]

+c₂r₄[p_g,j(t)-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

gauss_i,j(t)＝r₃gaussian(μ,δ²)

式中：w_p为惯性权重；c₁,c₂为加速因子；r₁,r₂,r₃,r₄为(0,1)区间均匀分布的随机数；v_i,j(t)为粒子i在第t次迭代时的速度；p_i,j(t)为粒子i在第t次迭代时的历史最优位置；gauss_i,j(t)为粒子i在第t迭代时产生的高斯扰动；μ为均值；δ²为方差；x_i,j(t)为粒子i在第t次迭代时的位置；p_g,j(t)是第t次迭代时种群的最优位置。

参数寻优完成后，得到最优惩罚参数(γ)和核参数(σ)的组合，用最小二乘支持向量机对步骤2中所述Cholesky分解后矩阵S＇进行样本训练，得到风险评估算模型；

最小二乘支持向量机的优化问题：

式中：γ为正则化参数；e_j表示误差；N表示N个维度；w是权重向量；b是偏移量；为映射函数将X′_j映射到高维特征空间；

作为优选，步骤4中所述根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型为：

利用摄动法计算原系统步骤2中所述Cholesky分解后矩阵S＇的风险，然后依次改变设备参数，然后重新对对应电网的风险进行计算；

步骤4中所述摄动法考虑所有的系统状态：

式中：F为系统风险；α为设备参数，可得到摄动法计算风险灵敏度的公式：

对于不同的风险计算进行比较，最终得到设备的风险灵敏度：

依次改变设备参数，计算对应的电网风险值改变量，获取所有设备的风险灵敏度，最终可得到对电网风险影响较大的设备列表，即灵敏度在θ₁-θ₂的为次高灵敏度设备，大于θ₂的为高灵敏度设备，进而形成设备差异化运维策略，有效降低电网风险，对于电网风险评估方法，使用摄动法计算灵敏度的时间将显著降低，使其可以实际运用在电网在线运行过程中。

在蒙特卡洛及最小二乘支持向量机的电网风险评估方法中，所述的步骤1中，电网状态数据样本要足够大，线路故障率及负荷点的负荷水平数据要尽可能的覆盖电网运行的所有情况。

在蒙特卡洛及最小二乘支持向量机的电网风险评估方法中，所述的步骤2中，蒙特卡洛方法使用抽样方法模拟系统可能出现的状态，进而计算状态后果、风险指标。抽样过程中每台设备按照故障率进行动作，可以处理多重故障情况，准确地反映电网风险。

拉丁超立方抽样是一种分层抽样方法，可以用较少的抽样次数，准确反映随机变量整体分布在蒙特卡洛方法的抽样阶段，使用拉丁超立方抽样代替原本的均匀抽样，可以实现计算速度和精度的综合优化拉丁超立方抽样。

在蒙特卡洛及最小二乘支持向量机的电网风险评估方法中，所述的步骤3中，最小二乘支持向量机将标准支持向量机中的求解二次规划问题转化为求解线性问题，使计算过程更加方便快捷。

最小二乘支持向量机的惩罚参数和核参数对训练精度和泛化能力的影响较大。使用粒子群优化算法(particle swarm optimization,PSO)，可以在训练过程中得到参数的最优值。采用高斯扰动的粒子群优化算法(Gauss disturbance particle swarmoptimization,GDPSO)进行参数寻优，在粒子运动过程中增加高斯扰动项，丰富种群的多样性，提高粒子寻找到最优解的概率。

因此，本发明具有如下优点：

(1)考虑多重故障情况，相对于离线风险库的风险计算更加全面、准确。

(2)实现在线运用，可根据电网实时运行方式与设备故障率信息，在线计算电网风险信息与设备风险灵敏度信息。

(3)根据风险灵敏度信息，可找到影响系统及节点风险的关键环节，指导运行人员采取对应的差异化运维策略，保障电网安全运行。

附图说明

图1：本发明高斯扰动的粒子群优化算法优化最小二乘支持向量机参数流程图；

图2：本发明的整体计算流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明在matlab软件平台上进行仿真计算，使用matpower工具箱的电网仿真数据与潮流计算函数，最小二乘支持向量机lab工具箱的支持向量机函数。使用RTS-79系统和IEEE300节点系统进行仿真计算，分别代表不同规模的电网，两者均提供了负荷模型、发电机状况以及输电网的结构等信息。RTS-79包括24个节点、38条线路和33台发电机；IEEE300节点系统包括300个节点、411条线路和69台发电机。

本发明实施方式的技术方案为一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法，具体步骤如下：

步骤1，生成M×N电网状态样本数据，根据电网状态样本数据构建电网元件向量、电网元件向量的集合、故障率向量、故障率向量的集合；

电网状态数据样本生成：线路故障率取值范围0-0.005，负荷水平取值80％-120％；

步骤1中所述电网状态样本数据为：

x_i,ji∈[1,M],j∈[1,N]

其中，x_i,j为第i个元件的第j种故障率，M表示电网元件的数量，N表示每个电网元件的对应状态下的故障率的数量；

电网元件i向量可表示为y_i＝(x_i,1,x_i,2,…,x_i,N)；

M个电网元件向量的集合为Y＝{y₁,y₂,...,y_M}；

故障率j向量可表示为x_j＝(x_1,j,x_2,j,…,x_m,j,…,x_M,j)；

N个故障率向量的集合为X＝{x₁,x₂,...,x_N}；

步骤2，对电网状态样本数据进行抽样，对抽样结果进行归一化得到风险样本数据；

步骤2中所述对电网状态样本数据进行抽样为：

选择1个测试风险样本数据，使用拉丁超立方抽样改进的蒙特卡洛法计算风险，拉丁超立方抽样优化的蒙特卡洛方法收敛判据为0.025，保留抽样过程中产生的场景集；

使用蒙特卡洛法对电网状态样本数据x_i,ji∈[1,M],j∈[1,N]进行抽样模拟；

蒙特卡洛法：在待评估的电力系统中，设其元件的数量为M，其中的任意一个元件y_i(i＝1,2,…,M)的状态用y_i表示，并将该状态对应的概率记为P(y_i)；

将系统状态的集合记为X′，其中任意一个系统状态k记为：

x_k＝(y_k,1,y_k,2,…,y_k,i,…,y_k,M)

系统状态的总数为N，由此得到系统状态k的概率：

在获得系统状态集合即抽样后得到的矩阵S，将状态k的后果记为F(x_k)，F(x_k)的计算方法与选取的风险指标有关，失负荷量的风险指标为：

其中，R_k为系统在状态k下损失的负荷量；

在蒙特卡洛法抽样的过程中，使用拉丁超立方抽样来代替原本的均匀抽样，形成大量的抽样场景；

拉丁超立方抽样包括两个步骤：

采样：对各个输入变量进行分层采样，使每个输入变量的采样点都能覆盖其整个分布区间；

假设一个待评估电网中包含M个元件，y_i(i＝1,2,…,M)为第i个元件的故障率，Y_i＝F_i(y_i)表示y_i的累计概率密度函数；

设采样值规模为N，首先将区间[0,1]平均分为N等分，得到N个子区间[0,1/N]…[i/N,(i+1)/N]…[(N-1)/N,1]，则每个区间的概率均为1/N；

随后抽取N个子区间的中间值作为代表采样点,第i个区间的采样点为((i-1)/N+i/N)/2；

最后，得到采样值其中为F_m的反变换；

对所有设备进行均匀状态采样，生成M×N为初始样本矩阵S，矩阵S为含有M个元件的电力系统，N个系统状态的集合为X′＝{x′₁,x′₂,...,x′_N}，任意系统状态j可表示为c，x′_i,j为系统状态j中第i个元件的状态，i∈[1,M]；

采用Cholesky分解法对矩阵S进行排序处理，得到Cholesky分解后矩阵S＇，其集合为X′＝{x′₁,x′₂,...,x′_N}，

任意系统状态j可表示为X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)，x′_i,j为系统状态j中第i个元件的状态，x′_1,j--x′_M,j的排列顺序为随机，i∈[1,M]；

步骤2中所述对抽样结果进行归一化得到风险样本数据为：

将抽样结果根据系统容量进行归一化得到风险样本数据

归一化处理：

其中，X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)为任意系统状态j，X′_jmax为X′_j中的最大值，X′_jmin为X′_j中的最小值；

最终得到的风险样本数据规模为，RTS-79系统：15000×55的电网状态数据包括线路故障率与负荷点负荷水平样本，15000×1的样本风险值；IEEE300节点系统：25000×620的电网状态数据样本，25000×1的样本风险值。

步骤3，使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型；

步骤3中所述使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型为：

在高斯扰动粒子群优化算法中，将最小二乘支持向量机的惩罚参数和核参数作为粒子成员，最小二乘支持向量机对样本数据的训练方差作为适应度计算函数。计算粒子适应度，并将其与上一个最优适应度相比较，取最好的适应度作为当前最优适应度，得到新的群体最优解，直至达到精度要求或迭代次数上限；

采用高斯扰动的粒子群优化算法进行参数寻优，在粒子运动过程中增加高斯扰动项，加入高斯扰动项的粒子群速度迭代公式：

v_i,j(t+1)＝w_pv_i,j(t)

+c₁r₁[p_i,j(t)+r₂gauss_i,j(t)-x_i,j(t)]

+c₂r₄[p_g,j(t)-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

gauss_i,j(t)＝r₃gaussian(μ,δ²)

式中：w_p为惯性权重；c₁,c₂为加速因子；r₁,r₂,r₃,r₄为(0,1)区间均匀分布的随机数；v_i,j(t)为粒子i在第t次迭代时的速度；p_i,j(t)为粒子i在第t次迭代时的历史最优位置；gauss_i,j(t)为粒子i在第t迭代时产生的高斯扰动；μ为均值；δ²为方差；x_i,j(t)为粒子i在第t次迭代时的位置；p_g,j(t)是第t次迭代时种群的最优位置；

高斯扰动粒子群优化算法参数：粒子群规模为30，最大迭代次数为300，加速因子c1＝1.5，c2＝1.7，γ∈[0.1，1000]，σ∈[0.1，1000]，高斯扰动中均值μ＝0，方差δ2＝|pi,j(t)|；

将最小二乘支持向量机的惩罚参数和核参数作为粒子成员，最小二乘支持向量机对样本数据的训练方差作为适应度计算函数，计算粒子适应度，直至达到精度要求或迭代次数上限，使用最小二乘支持向量机方法，可以保留风险样本数据的准确度；其中RTS-79系统的方差为1.7270×10-10，IEEE300节点系统的方差为3.1013×10-8；

参数寻优完成后，得到最优惩罚参数(γ)和核参数(σ)的组合，用最小二乘支持向量机对步骤2中所述Cholesky分解后矩阵S＇进行样本训练，得到风险评估算模型；

最小二乘支持向量机的优化问题：

式中：γ为正则化参数；e_j表示误差；N表示N个维度；w是权重向量；b是偏移量；为映射函数将X′_j映射到高维特征空间；

步骤4：根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型。

选择1个测试风险样本数据，计算所有设备灵敏度，来说明本发明在电网在线运行过程中的应用；

对所有设备进行风险灵敏度的计算，反映当前设备故障率、当前运行方式下，设备故障率变化对电网风险的影响，当前状态下灵敏度最大的一类设备，此类设备应予以特别注意，优先安排运维与检修；

步骤4中所述根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型为：

利用摄动法计算原系统步骤2中所述Cholesky分解后矩阵S＇的风险，然后依次改变设备参数，然后重新对对应电网的风险进行计算；

步骤4中所述摄动法考虑所有的系统状态：

式中：F为系统风险；α为设备参数，可得到摄动法计算风险灵敏度的公式：

对于不同的风险计算进行比较，最终得到设备的风险灵敏度：

依次改变设备参数，计算对应的电网风险值改变量，获取所有设备的风险灵敏度，最终可得到对电网风险影响较大的设备列表，即灵敏度在θ₁-θ₂的为次高灵敏度设备，大于θ₂的为高灵敏度设备，进而形成设备差异化运维策略，有效降低电网风险，对于电网风险评估方法，使用摄动法计算灵敏度的时间将显著降低，使其可以实际运用在电网在线运行过程中。

本文中所描述的具体实施案例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于，包括以下步骤：

步骤1：生成M×N电网状态样本数据，根据电网状态样本数据构建电网元件向量、电网元件向量的集合、故障率向量、故障率向量的集合；

步骤2：对电网状态样本数据进行抽样，对抽样结果进行归一化得到风险样本数据；

步骤3：使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型；

步骤4：根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型。

2.根据权利要求1所述的蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于：步骤1中所述电网状态样本数据为：

x_i,ji∈[1,M],j∈[1,N]

其中，x_i,j为第i个元件的第j种故障率，M表示电网元件的数量，N表示每个电网元件的对应状态下的故障率的数量；

电网元件i向量可表示为y_i＝(x_i,1,x_i,2,…,x_i,N)；

M个电网元件向量的集合为Y＝{y₁,y₂,...,y_M}；

故障率j向量可表示为x_j＝(x_1,j,x_2,j,…,x_m,j,…,x_M,j)；

N个故障率向量的集合为X＝{x₁,x₂,...,x_N}。

3.根据权利要求1所述的蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于：步骤2中所述对电网状态样本数据进行抽样为：

使用蒙特卡洛法对电网状态样本数据x_i,ji∈[1,M],j∈[1,N]进行抽样模拟；

蒙特卡洛法：在待评估的电力系统中，设其元件的数量为M，其中的任意一个元件y_i(i＝1,2,…,M)的状态用y_i表示，并将该状态对应的概率记为P(y_i)；

将系统状态的集合记为X′，其中任意一个系统状态k记为：

x_k＝(y_k,1,y_k,2,…,y_k,i,…,y_k,M)

系统状态的总数为N，由此得到系统状态k的概率：

在获得系统状态集合即抽样后得到的矩阵S，将状态k的后果记为F(x_k)，F(x_k)的计算方法与选取的风险指标有关，失负荷量的风险指标为：

其中，R_k为系统在状态k下损失的负荷量；

在蒙特卡洛法抽样的过程中，使用拉丁超立方抽样来代替原本的均匀抽样，形成大量的抽样场景；

拉丁超立方抽样包括两个步骤：

采样：对各个输入变量进行分层采样，使每个输入变量的采样点都能覆盖其整个分布区间；

假设一个待评估电网中包含M个元件，y_i(i＝1,2,…,M)为第i个元件的故障率，Y_i＝F_i(y_i)表示y_i的累计概率密度函数；

设采样值规模为N，首先将区间[0,1]平均分为N等分，得到N个子区间[0,1/N]…[i/N,(i+1)/N]…[(N-1)/N,1]，则每个区间的概率均为1/N；

随后抽取N个子区间的中间值作为代表采样点,第i个区间的采样点为((i-1)/N+i/N)/2；

最后，得到采样值其中为F_m的反变换；

对所有设备进行均匀状态采样，生成M×N为初始样本矩阵S，矩阵S为含有M个元件的电力系统，N个系统状态的集合为X′＝{x′₁,x′₂,...,x′_N}，任意系统状态j可表示为c，x′_i,j为系统状态j中第i个元件的状态，i∈[1,M]；

采用Cholesky分解法对矩阵S进行排序处理，得到Cholesky分解后矩阵S＇，其集合为X′＝{x′₁,x′₂,...,x′_N}，

任意系统状态j可表示为X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)，x′_i,j为系统状态j中第i个元件的状态，x′_1,j--x′_M,j的排列顺序为随机，i∈[1,M]；

步骤2中所述对抽样结果进行归一化得到风险样本数据为：

将抽样结果根据系统容量进行归一化得到风险样本数据

归一化处理：

其中，X′_j＝(x′_i-3,j,x′_i+6,j,...,x′_3,j,...x′_M,j,...,x′_9,j)为任意系统状态j，X′_jmax为X′_j中的最大值，X′_jmin为X′_j中的最小值。

4.根据权利要求1所述的蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于：步骤3中所述使用高斯扰动粒子群优化的最小二乘支持向量机方法对风险样本数据进行训练，得到电网风险评估计算模型为：

在高斯扰动粒子群优化算法中，将最小二乘支持向量机的惩罚参数和核参数作为粒子成员，最小二乘支持向量机对样本数据的训练方差作为适应度计算函数；计算粒子适应度，并将其与上一个最优适应度相比较，取最好的适应度作为当前最优适应度，得到新的群体最优解，直至达到精度要求或迭代次数上限；

采用高斯扰动的粒子群优化算法进行参数寻优，在粒子运动过程中增加高斯扰动项，加入高斯扰动项的粒子群速度迭代公式：

v_i,j(t+1)＝w_pv_i,j(t)

+c₁r₁[p_i,j(t)+r₂gauss_i,j(t)-x_i,j(t)]

+c₂r₄[p_g,j(t)-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

gauss_i,j(t)＝r₃gaussian(μ,δ²)

式中：w_p为惯性权重；c₁,c₂为加速因子；r₁,r₂,r₃,r₄为(0,1)区间均匀分布的随机数；v_i,j(t)为粒子i在第t次迭代时的速度；p_i,j(t)为粒子i在第t次迭代时的历史最优位置；gauss_i,j(t)为粒子i在第t迭代时产生的高斯扰动；μ为均值；δ²为方差；x_i,j(t)为粒子i在第t次迭代时的位置；p_g,j(t)是第t次迭代时种群的最优位置；

参数寻优完成后，得到最优惩罚参数(γ)和核参数(σ)的组合，用最小二乘支持向量机对步骤2中所述Cholesky分解后矩阵S＇进行样本训练，得到风险评估算模型；

最小二乘支持向量机的优化问题：

式中：γ为正则化参数；e_j表示误差；N表示N个维度；w是权重向量；b是偏移量；为映射函数将X′_j映射到高维特征空间。

5.根据权利要求1所述的蒙特卡洛及最小二乘支持向量机的电网风险评估方法，其特征在于：步骤4中所述根据电网风险评估计算模型，使用摄动法得到电网设备灵敏度计算模型为：

利用摄动法计算原系统步骤2中所述Cholesky分解后矩阵S＇的风险，然后依次改变设备参数，然后重新对对应电网的风险进行计算；

步骤4中所述摄动法考虑所有的系统状态：

式中：F为系统风险；α为设备参数，可得到摄动法计算风险灵敏度的公式：

对于不同的风险计算进行比较，最终得到设备的风险灵敏度：

依次改变设备参数，计算对应的电网风险值改变量，获取所有设备的风险灵敏度，最终可得到对电网风险影响较大的设备列表，即灵敏度在θ₁-θ₂的为次高灵敏度设备，大于θ₂的为高灵敏度设备，进而形成设备差异化运维策略，有效降低电网风险，对于电网风险评估方法，使用摄动法计算灵敏度的时间将显著降低，使其可以实际运用在电网在线运行过程中。