基于G-L混合噪声特性v-支持向量回归机的风速预报方法技术

本发明专利技术涉及基于G‑L混合噪声特性v‑支持向量回归机的风速预报方法，该方法包括如下步骤：1)获取风速数据集Dl，利用Bayesian原理，得到Gauss‑Laplace混合噪声特性的损失函数；2)利用统计学习理论和最优化理论，结合步骤1)中的损失函数，建立基于Gauss‑Laplace混合噪声特性的v‑支持向量回归模型的原问题，利用Lagrange乘子法推导并求解出该v‑支持向量回归模型对偶问题；3)确定该v‑支持向量回归模型对偶问题的最优参数，选取核函数，构造该v‑支持向量回归模型的决策函数；4)构造该v‑支持向量回归模型的风速预报模式，利用该预报模式预报分析风速值。该方法包括损失函数获取模块、对偶问题求解模块、决策函数构造模块及风速预报模块。本发明专利技术能够满足实际应用中，如风力发电、农业生产等，对风速预报精度的要求。

Wind speed forecasting method based on G-L mixed noise characteristic v- support vector regression machine

The present invention relates to a wind speed prediction method based on G_L mixed noise characteristic v_support vector regression machine. The method comprises the following steps: 1) obtaining wind speed data set Dl, using Bayesian principle, obtaining the loss function of Gauss_Laplace mixed noise characteristic; 2) using statistical learning theory and optimization theory, combining with step 1) The original problem of v_support vector regression model based on Gauss_Laplace mixed noise characteristics is established, and the dual problem of v_support vector regression model is deduced and solved by Lagrange multiplier method; 3) The optimal parameters of the dual problem of the v_support vector regression model are determined, and the kernel function is selected to construct the v_support. The decision function of the vector regression model; 4) The wind speed prediction model of the v_support vector regression model is constructed, and the wind speed value is predicted and analyzed by the prediction model. The method includes loss function acquisition module, dual problem solving module, decision function construction module and wind speed prediction module. The invention can meet the requirements of wind speed prediction accuracy in practical application, such as wind power generation, agricultural production, etc.

【技术实现步骤摘要】
基于G-L混合噪声特性v-支持向量回归机的风速预报方法
本专利技术涉及风速预报
，具体涉及基于G-L混合噪声特性v-支持向量回归机的风速预报方法。
技术介绍
对于线性系统而言,从Gauss时代起,就利用最小二乘法把平面上的点拟合成直线,把高维空间的点拟合成超平面。经历了近200年的发展,经典最小二乘法已经成为许多领域数据处理的最广泛使用的方法。但是,对于线性回归中的不适定问题或非线性回归中的问题,基于最小二乘法的线性回归的性能可能变得很坏,针对这种情况,众多学者研究了最小二乘回归的改进问题,提出了许多新的回归算法。支持向量回归机(Supportvectorregression,简记为SVR)就是其中之一。支持向量机方法是建立在统计学习理论和结构风险最小化原理基础上的,根据有限的样本信息在模型复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力。支持向量机方法的主要优点有：1.它是专门针对有限样本情况的,其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；2.算法最终将转化成为一个二次型寻优问题,从理论上说,得到的将是全局最优点,解决了在神经网络方法中无法避免的局部极值问题；3.算法将实际问题通过非线性变换转换到高维的特征空间,在高维空间中构造线性决策函数来实现原空间中的非线性决策函数,特殊性质能保证机器有较好的推广能力,同时它巧妙地解决了维数问题,其算法复杂度与样本维数无关。支持向量回归方法自Vapnik于1995年提出以来,就得到了广泛的关注,它成功应用于科学技术和社会科学等各个领域。设给定数据:Dl＝{(x1,y1),(x2,y2),…,(xl,yl)}(3)其中xi∈Rn,yi∈R,i＝1,2,…,l,多元线性回归函数为f(xi)＝ωT·xi+b,xi＝(xi1,xi2,…,xin)T,参数向量ω∈Rn,其中xi∈Rn,Rn表示n维欧式空间,R表示实数集,l表示样本个数,上标T表示向量转置,在ν-SVR中,选取ε-不敏感损失函数线性ν-SVR模型的原问题为:其中参数C>0,为噪声,(4)中目标函数假设样本不受噪声影响。(4)中的决策函数为线性回归模型。在实际应用中,样本Dl中xi与yi一般不满足线性关系,这样线性ν-SVR在解决非线性回归问题时往往不能取得预期的效果。通过核技巧构造合适的核变换Φ:Rn→H(H为Hilbert空间),利用Hilbert空间中的內积运算引进非线性核函数K(xi,xj)＝(Φ(xi)·Φ(xj)),把非线性问题转化为线性问题来解决。从而得到非线性ν-SVR的原问题为:不可避免地,样本都要受到噪声影响。一般地,假设样本受到高斯噪声影响。2010年Wu提出基于高斯噪声影响的支持向量机,并利用遗传算法和粒子群优化算法进行了求解。其原问题为:当噪声服从Gauss分布时,基于Gauss噪声的支持向量回归机(supportvectorregressionbasedontheGauss-noise,简记为GN-SVR)能够取得预期的效果。研究表明在许多实际应用领域中，噪声分布不一定服从高斯同方差分布，而服从Beta分布、拉普拉斯分布、高斯异方差分布、威布尔分布，或其他类型噪声特性的分布。尤其在风速/风功率预报中，噪声分布随着季节和地域而变化，需要由某种混合分布来联合表示，如利用Gauss-Laplace混合噪声分布来拟合不确定数据中的未知噪声特性。此时应用ν-SVR、GN-KRR等经典回归技术进行预测，则预报结果不能满足实际要求。
技术实现思路
本专利技术提供了一种基于G-L混合噪声特性v-支持向量回归机的风速预报方法，以解决现有的单一噪声特性的支持向量回归技术不能满足实际应用中对风速预报精度要求的问题。为解决上述技术问题，本专利技术的基于G-L混合噪声特性v-支持向量回归机的风速预报方法包括如下步骤：1)获取某地区具有噪声影响的风速数据集Dl，利用Bayesian原理，得到基于G-L混合噪声特性的损失函数c(ξ)；2)利用统计学习理论和最优化理论，结合步骤1)中得到的基于G-L混合噪声特性的损失函数c(ξ)，建立基于G-L混合噪声特性v-支持向量回归模型的原问题，利用Lagrange乘子法推导并求解出基于G-L混合噪声特性v-支持向量回归模型的对偶问题；3)利用十折交叉验证技术确定基于G-L混合噪声特性v-支持向量回归模型的对偶问题的惩罚参数及权重参数，选取核函数K(·,·)；构造基于G-L混合噪声特性v-支持向量回归模型的决策函数f(x)；4)构造基于G-L混合噪声特性v-支持向量回归模型的风速预报模式：输入向量为其中i,j(i,j＝1,2,…,l)为时间序列预报中相关联的两个时刻；输出值为xi+step，其中step为预测间隔时间，利用该预报模式预报分析某一时刻i以后step间隔时刻的风速值。所述基于G-L混合噪声特性的损失函数为其中，权重参数λ1≥0,λ2≥0且λ1+λ2＝1，ξ、ξ*为已知的独立同分布的随机变量。所述基于G-L混合噪声特性的v-支持向量回归模型(v-SupportvectorregressionmodelbasedonGauss-LaplaceMixturenoisecharacteristics简记为GLM-SVR)的原问题为：其中，C>0是惩罚参数，权重参数λ1,λ2≥0且λ1+λ2＝1，l为样本数，yi(i＝1,…,l)为样本测量值，ξi、(i＝1,…,l)为已知的独立同分布的随机变量，Φ:Rn→H为核变换，H为Hilbert空间，ω为参数向量，T为向量转置，b∈R；式中的PGLM-SVR表示基于G-L混合噪声特性v-支持向量回归模型的原问题，表示基于G-L混合噪声特性v-支持向量回归模型的原问题的目标函数。步骤2)中，构造Lagrange泛函：应用最优化理论，得到基于G-L混合噪声特性v-支持向量回归模型原问题的对偶问题；包含ξi、(i＝1,…,l),包含αi、(i＝1,…,l)为Lagrange乘子,γ、ηi、为引进的辅助变量。所述基于G-L混合噪声特性的v-支持向量回归模型对偶问题为：其中l为样本数，惩罚参数C>0，权重参数λ1,λ2≥0且λ1+λ2＝1；s.t.为subjectto的缩写，表示基于G-L混合噪声特性v-支持向量回归模型对偶问题的目标函数，αi,αj,(i,j＝1,2,…,l)为拉格朗日乘子，yi(i＝1,…,l)为样本测量值，K(xi,xj)为核函数。基于G-L混合噪声特性v-支持向量回归模型的决策函数为：其中，Φ:Rn→H为核变换，H为Hilbert空间，K(xi,xj)＝(Φ(xi)·Φ(xj))，ω∈Rn为参数向量，(Φ(xi)·Φ(xj))表示H空间中的内积。RSV为对应的样本，称为支持向量。本专利技术基于G-L混合噪声特性v-支持向量回归机的风速预报方法包括损失函数获取模块、对偶问题求解模块、决策函数构造模块及风速预报模块；所述损失函数获取模块，用于获取某地区具有噪声影响的风速数据集Dl，利用Bayesian原理，得到基于G-L混合噪声特性的损失函数c(ξ)；所述对偶问题求解模块，用于利用统计学本文档来自技高网...

【技术保护点】
1.基于G‑L混合噪声特性v‑支持向量回归机的风速预报方法，其特征在于，该方法包括如下步骤：1)获取某地区具有噪声影响的风速数据集Dl，利用Bayesian原理，得到基于G‑L混合噪声特性的损失函数c(ξ)；2)利用统计学习理论和最优化理论，结合步骤1)中得到的基于G‑L混合噪声特性的损失函数c(ξ)，建立基于G‑L混合噪声特性v‑支持向量回归模型的原问题，利用Lagrange法推导并求解出基于G‑L混合噪声特性v‑支持向量回归模型的对偶问题；3)利用十折交叉验证技术确定基于G‑L混合噪声特性v‑支持向量回归模型的对偶问题的惩罚参数及权重参数，选取核函数K(·,·)；构造基于G‑L混合噪声特性v‑支持向量回归模型的决策函数f(x)；4)构造基于G‑L混合噪声特性v‑支持向量回归模型的风速预报模式：输入向量为

【技术特征摘要】
1.基于G-L混合噪声特性v-支持向量回归机的风速预报方法，其特征在于，该方法包括如下步骤：1)获取某地区具有噪声影响的风速数据集Dl，利用Bayesian原理，得到基于G-L混合噪声特性的损失函数c(ξ)；2)利用统计学习理论和最优化理论，结合步骤1)中得到的基于G-L混合噪声特性的损失函数c(ξ)，建立基于G-L混合噪声特性v-支持向量回归模型的原问题，利用Lagrange法推导并求解出基于G-L混合噪声特性v-支持向量回归模型的对偶问题；3)利用十折交叉验证技术确定基于G-L混合噪声特性v-支持向量回归模型的对偶问题的惩罚参数及权重参数，选取核函数K(·,·)；构造基于G-L混合噪声特性v-支持向量回归模型的决策函数f(x)；4)构造基于G-L混合噪声特性v-支持向量回归模型的风速预报模式：输入向量为其中i,j(i,j＝1,2,…,l)为相关联的两个时刻；输出值为xi+step，其中step为预测间隔时间，利用该预报模式预报分析某一时刻i以后step间隔时刻的风速值。2.根据权利要求1所述的基于G-L混合噪声特性v-支持向量回归机的风速预报方法，其特征在于，所述基于G-L混合噪声特性的损失函数为其中，权重参数λ1≥0,λ2≥0且λ1+λ2＝1，ξ、ξ*为已知的独立同分布的随机变量。3.根据权利要求1所述的基于G-L混合噪声特性v-支持向量回归机的风速预报方法，其特征在于，所述基于G-L混合噪声特性的v-支持向量回归模型(v-SupportvectorregressionmodelbasedonGauss-LaplaceMixturenoisecharacteristics简记为GLM-SVR)的原问题为：其中，C＞0是惩罚参数，权重参数λ1,λ2≥0且λ1+λ2＝1，l为样本数，yi(i＝1,…,l)为样本测量值，ξi、为已知的独立同分布的随机变量，Φ:Rn→H为核变换，H为Hilbert空间，ω为参数向量，T为向量转置，b∈R；式中的PGLM-SVR表示基于G-L混合噪声特性v-支持向量回归模型的原问题，表示基于G-L混合噪声特性v-支持向量回归模型的原问题的目标函数。4.根据权利要求3所述的基于G-L混合噪声特性v-支持向量回归机的风速预报方法，其特征在于，步骤2)中，构造Lagrange泛函：应用最优化理论，得到基于G-L混合噪声特性v-支持向量回归模型原问题的对偶问题；其中，包含ξi、包含αi、为Lagrange乘子,γ、ηi、为引进的辅助变量。5.根据权利要求4所述的基于G-L混合噪声特性v-支持向量回归机的风速预报方法，其特征在于，所述基于...

【专利技术属性】
技术研发人员：张仕光，周婷，王伟，陈光周，李源，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：河南,41