基于稀疏异方差多样条回归的风功率曲线拟合的方法技术

本发明专利技术提供了一种基于稀疏异方差多样条回归的风功率曲线拟合的方法，包括：采用模糊C均值算法自动检测异常点，针对原始风电数据获取去除异常点的数据；根据获取到的数据构建稀疏异方差多样条回归模型；采用变分贝叶斯方法对构建的稀疏异方差多样条回归模型进行优化，得到模型中所有参数的后验分布情况及参数公式；初始化模型参数，根据模型中所有参数的后验分布情况及参数公式，利用迭代的方法，求出参数的估计值。本发明专利技术所提供的基于稀疏异方差多样条回归的风功率曲线拟合的方法综合了多个样条基函数，增加了模型的非线性拟合能力，避免了冗余信息对最终回归结果的影响。

Wind power curve fitting method based on sparse heteroscedasticity and multiple regression

【技术实现步骤摘要】
基于稀疏异方差多样条回归的风功率曲线拟合的方法
本专利技术涉及新能源领域和统计领域，特别涉及一种基于稀疏异方差多样条回归的风功率曲线拟合的方法。
技术介绍
新能源的开发和利用成为解决世界性能源短缺和环境污染问题的重要途径。风能作为一种清洁、对环境友好且取之不尽用之不竭的可再生能源受到了越来越多的关注。一个准确的风功率曲线在风能的广泛应用中起到重要的作用。通常，风机的生产厂商给自己生产的风机提供相应的理论功率曲线。这些理论的功率曲线一般是在固定的空气密度下得到的。然而，气候环境会随着时间和地理位置的不同而发生变化。因此，同一台风机在不同的季节和不同的风场中的性能都是有差异的。所以有必要从实际的数据中挖掘出反映风机实际性能的真实的功率曲线。根据建模理论，功率曲线的建模方法可以分成两大类，即曲线拟合方法和基于人工智能的方法。曲线拟合模型通常的形状是S型，通常也可以分成两类：截断的曲线拟合模型和完整的曲线拟合模型。分段的曲线拟合模型包括线性分段模型、多项式模型、基于Sigmoid函数和高斯累计分布函数的风功率曲线模型。而完整的曲线拟合模型主要包括三参数逻辑函数(3-PLF)、四参数逻辑函数(4-PLF)、五参数逻辑函数(5-PLF)、六参数逻辑函数(6-PLF)以及修正的双曲正切模型(MHTan)。对于基于人工智能的方法来说，它们可以自动地学习处风速与功率之间的复杂非线性关系。比较流行的方法包括支持向量机(SVM)、高斯过程(GP)、极限学习机(ELM)、基于样条回归的模型、自适应神经模糊推理系统(ANFIS)、单调回归模型以及copula模型等。当前，很多学者提出一些其他策略来增加功率曲线拟合精度。首先，提高数据质量。在开放环境下，收集到的数据中包含很多不确定性，如异常点和缺失数据。这些不确定性都会影响到功率曲线模型的训练。为了处理风电数据中的异常点，常用的方法有基于聚类的方法(如模糊C均值聚类和K均值聚类)和基于统计的方法(如3sigma原则等)。其次，开发新的考虑风功率了曲线拟合任务的相关特性的功率曲线拟合新方法。目前，已有一些文献发现功率曲线拟合任务的一些特性，如拟合误差的异方差特性以及复杂的非高斯特性，但并没有讨论考虑不同特性模型之间的差异性。根据发现的任务特性，学者们提出了异方差样条回归(HSRM)、鲁棒样条回归(RSRM)、基于混合非对称高斯分布的非对称样条回归(MoAG-ASR)以及基于混合非对称指数幂分布的非对称样条回归(MoAEP-ASR)。在实际中，由于气候环境的复杂性，真实的功率曲线也将会很复杂。在此种情况下，真实的功率曲线很难用单一模型充分地描述。因此，开发具有超强非线性拟合能力的模型有助于得到更加精确的风功率曲线。另外，也需要考虑在模型中嵌入功率曲线任务的特性。这样才能构建解决特定问题的人工智能方法，并且需要对比考虑不同功率曲线拟合任务下模型的性能差异性，分析出哪种任务特性更适合于所研究的任务。
技术实现思路
本专利技术提供了一种基于稀疏异方差多样条回归的风功率曲线拟合的方法，其目的是为了解决现有功率曲线拟合的两大缺陷，导致功率曲线拟合精度较低误差较大的问题。为了达到上述目的，本专利技术的实施例提供了一种基于稀疏异方差多样条回归的风功率曲线拟合的方法，包括：步骤1，采用模糊C均值算法自动检测异常点，针对原始风电数据获取去除异常点的数据；步骤2，根据获取到的数据构建稀疏异方差多样条回归模型；步骤3，采用变分贝叶斯方法对构建的稀疏异方差多样条回归模型进行优化，得到模型中所有参数的后验分布情况及参数公式；步骤4，初始化模型参数，根据模型中所有参数的后验分布情况及参数公式，利用迭代的方法，求出参数的估计值。其中，所述步骤1具体包括：步骤11，利用模糊C均值将数据分成T个类，在第t类的第i个样本可表示为Nt表示第t类中所有样本的个数，且步骤12，针对每一类中所有的样本分别求取均值和协方差，在第t个样本中，均值和协方差分别表示为μt，∑t；步骤13，在第t个样本中，计算均值μt和样本之间的马氏距离即步骤14，如果的值大于给定的阈值，样本将被视为异常点，否则将被视为正常样本。其中，所述步骤2具体包括：给定N个输入数据{xi}i＝1，…，N，根据不同的样条基函数以及不同的节点数，可计算K个样条基函数矩阵H1，H2，…，HK；在上述矩阵中，得到的映射特征的维度分别为M1，…，MK；利用如下公式将基函数矩阵转化成维度相同的矩阵：其中，表示的是一个的0矩阵，所述稀疏异方差多样条回归模型为：其中，yi表示与输入xi相对应的真实输出，εi表示回归误差，ω＝[ω1，…，ωK]T表示的是所有样条基函数矩阵的权重向量，表示的是回归系数，表示的是矩阵的第i行；且所述稀疏异方差多样条回归模型可用如下矩阵形式表示，其中表示的是一个的矩阵，Y＝[y1，…，yN]T表示的是输出向量，ε＝[ε1，…，εN]T表示的是回归误差向量。其中，所述步骤2还包括：给定样条基函数矩阵的权重向量ω和回归系数β稀疏贝叶斯先验，对有效映射特征和样条基函数或矩阵的自动选择；ηk～G(ηk|d0，e0)其中，N(·)和G(·)分别表示的是高斯分布和Gamma分布的概率密度函数，和表示的是高斯分布的方差，b0，c0，d0，e0表示的是Gamma分布的参数；回归误差εi满足如下先验分布：γi～G(γi|f0，g0)其中表示的是高斯分布的方差，f0，g0表示的是Gamma分布的参数。其中，所述步骤3具体包括：根据变分贝叶斯的相关理论，得到模型中所有参数的后验分布，回归系数β的后验分布q(β)为多维高斯分布，q(β)＝N(β|μβ，∑β)其中，μβ，∑β分别表示多维高斯分布的均值和协方差，它们的表达式为其中，<·>表示的是求期望运算，是一个的矩阵，diag(·)用来产生对角矩阵的函数；参数的后验分布是一个Gamma分布其中Gamma分布参数的迭代公式为参数ω的后验分布q(ω)也是一个多维高斯分布，q(ω)＝N(ω|μω，∑ω)其中μω，∑ω分别表示多维高斯分布的均值和协方差，它们的表达式为其中，B＝diag(<η1>，…，<ηK>)。对于参数ηk和γi，它们的后验分布都是Gamma分布，其中，参数的迭代公式分别为本专利技术的上述方案有如下的有益效果：本专利技术的上述实施例所述的基于稀疏异方差多样条回归的风功率曲线拟合的方法综合了多个样条基函数，增加了模型的非线性拟合能力，通过给定样条基函数权重系数和回归系数的稀疏先验本文档来自技高网...

【技术保护点】
1.一种基于稀疏异方差多样条回归的风功率曲线拟合的方法，其特征在于，包括：/n步骤1，采用模糊C均值算法自动检测异常点，针对原始风电数据获取去除异常点的数据；/n步骤2，根据获取到的数据构建稀疏异方差多样条回归模型；/n步骤3，采用变分贝叶斯方法对构建的稀疏异方差多样条回归模型进行优化，得到模型中所有参数的后验分布情况及参数公式；/n步骤4，初始化模型参数，根据模型中所有参数的后验分布情况及参数公式，利用迭代的方法，求出参数的估计值。/n

【技术特征摘要】
1.一种基于稀疏异方差多样条回归的风功率曲线拟合的方法，其特征在于，包括：
步骤1，采用模糊C均值算法自动检测异常点，针对原始风电数据获取去除异常点的数据；
步骤2，根据获取到的数据构建稀疏异方差多样条回归模型；
步骤3，采用变分贝叶斯方法对构建的稀疏异方差多样条回归模型进行优化，得到模型中所有参数的后验分布情况及参数公式；
步骤4，初始化模型参数，根据模型中所有参数的后验分布情况及参数公式，利用迭代的方法，求出参数的估计值。


2.根据权利要求1所述的基于稀疏异方差多样条回归的风功率曲线拟合的方法，其特征在于，所述步骤1具体包括：
步骤11，利用模糊C均值将数据分成T个类，在第t类的第i个样本可表示为Nt表示第t类中所有样本的个数，且
步骤12，针对每一类中所有的样本分别求取均值和协方差，在第t个样本中，均值和协方差分别表示为μt，∑t；
步骤13，在第t个样本中，计算均值μt和样本之间的马氏距离即
步骤14，如果的值大于给定的阈值，样本将被视为异常点，否则将被视为正常样本。


3.根据权利要求1所述的基于稀疏异方差多样条回归的风功率曲线拟合的方法，其特征在于，所述步骤2具体包括：
给定N个输入数据{xi}i＝1.…，N，根据不同的样条基函数以及不同的节点数，可计算K个样条基函数矩阵H1，H2，…，HK；在上述矩阵中，得到的映射特征的维度分别为M1，…，MK；
利用如下公式将基函数矩阵转化成维度相同的矩阵：



其中，表示的是一个的0矩阵，
所述稀疏异方差多样条回归模型为：



其中，yi表示与输入xi相对应的真实输出，εi表示回归误差，ω＝[ω1，…，ωK]T表示的是所有样条基函数矩阵的权重向量，表示的是回归系数，表示的是矩阵的第i行；
且所述稀疏异方差多样条回归模型可用如下矩阵形式表示，



其中表示的是一个的矩阵，Y＝[y1，…，yN]T表示的是输出向量，ε＝[ε1，...

【专利技术属性】
技术研发人员：汪运，邹润民，李意芬，杨佳欣，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43