异方差噪声孪生近端核岭回归技术的风速预报方法及装置制造方法及图纸

本发明专利技术涉及异方差噪声孪生近端核岭回归技术的风速预报方法，该方法包括如下步骤：1)获取某地区具有异方差噪声影响的风速数据集，得到基于异方差噪声特性的损失函数；2)推导并求解该孪生近端最小二乘支持向量回归技术对偶问题；3)利用遗传算法确定该孪生近端最小二乘支持向量回归技术对偶问题的最优参数，选取核函数，求出该孪生近端最小二乘回归技术的上界和下界函数，再构造决策函数；4)构造孪生近端最小二乘回归技术的风速预报模式，预报分析风速值；该装置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风力发电、Auto MPG预测等对风速预报高精度的要求。对风速预报高精度的要求。对风速预报高精度的要求。

【技术实现步骤摘要】
异方差噪声孪生近端核岭回归技术的风速预报方法及装置


[0001]本专利技术涉及短期风速预报
，具体涉及基于异方差噪声特性近端孪生最小二乘支持向量回归技术的短期风速预报方法及装置。

技术介绍

[0002]对于线性系统而言,从Gauss时代起，就利用最小二乘技术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200多年的发展，经典最小二乘技术已经成为许多领域数据处理的最广泛使用的技术。但是，对于线性回归或非线性回归中的不适定问题，基于最小二乘回归技术的性能会变得很坏，针对这种情况，众多学者研究了最小二乘回归的改进模型，提出了许多新的回归算法。近端最小二乘支持向量回归模型(PLSSVR)模型就是其中之一，模型PLSSVR在目标函数中添加了偏置项b2，使对应的优化问题转化成严格的凸二次规划，且能够求出解析解。设给定风速数据：
[0003]D
n
＝{(x1,y1),(x2,y2),L,(x
n
,y
n
)} (1)
[0004]其中x
i
∈X＝R
n
,i＝1,2,L,n，多元线性回归模型为f(x)＝ω
T
·
x+b，其中i＝1
,
2,L
,n
，参数向量ω∈R
n
决定近端最小二乘支持向量回归模型，其中x
i
∈X＝R
n
，R
n
表示n维欧式空间，R表示实数集，n表示样本个数，上标T表示转置运算。通过最小化目标函数：
[0005][0006]其中C是惩罚参数，ξ
i
为松弛变量，为欧式空间R
n
到内积空间Η的映射。式(2)中的P
PLSSVR
表示近端最小二乘支持向量回归模型的目标函数。
[0007]为了提高SVM的训练速度，Javadeva等人在SVM的基础上提出了一种新的机器学习方法，称为孪生支持向量机(TSVM)，和SVM不同，TSVM要寻找的是两个非平行的分类超平面，要求其中一个超平面离一类样本尽可能的近，离另一类样本尽可能的远。Peng等人将TSVM推广到了回归问题领域，提出了孪生支持向量回归(TSVR)模型。TSVR训练数据点两侧产生一对不平行的函数，一个是ε不敏感上界函数，另一个是ε不敏感下界函数。TSVR需要求解两个凸二次规划问题，每个凸规划问题只有一个约束条件，而支持向量机有两个约束条件，使得TSVR运算速度更快。该方法不仅提高了运算速度，而且具有较高的泛化性能。因此我们将PLSSVR与TSVR良好的泛化性能相结合，提出了一种新的孪生近端最小二乘支持向量回归机。一般地，基于高斯噪声特性近端孪生最小二乘回归机通过最小化目标函数来求解：
[0008][0009][0010]经典的回归模型(线性最小二乘回归、最小二乘支持向量回归等模型)一般都假设数据中的噪声分布服从高斯同方差分布。当噪声服从异方差分布时，基于异方差噪声特性的孪生近端最小二乘支持向量回归机(Twin Proximal Least Squares Support Vector Regression based on the characteristics of Heteroscedastic Gaussian Noise,TPLSSVR
‑
HGN)能够取得预期的效果。应用TPLSSVR
‑
GN、PLSSVR、LSSVR和TLSSVR
‑
HGN等回归技术进行预测，预报结果不能满足实际领域中对风速预报高精度的要求。

技术实现思路

[0011]本专利技术提供了一种异方差噪声孪生近端核岭回归技术的风速预报方法及装置，以解决现有的高斯噪声特性的最小二乘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。
[0012]为解决上述技术问题，本专利技术的异方差噪声孪生近端核岭回归技术的风速预报方法包括如下步骤：
[0013]1)获取某地区具有噪声影响的风速数据集D
n
，利用Bayesian原理和最大化后验概率方法，得到基于异方差噪声特性的损失函数c(ξ
i
)(i＝1,L,n)；
[0014]2)利用凸优化理论和Lagrange乘子法，结合步骤1)中得到的基于异方差噪声特性的损失函数c(ξ
i
)(i＝1,L,n)，建立基于异方差噪声特性孪生近端最小二乘支持向量回归技术的原问题，推导并求解出基于异方差噪声特性孪生近端最小二乘支持向量回归技术的对偶问题；
[0015]3)利用遗传算法确定基于异方差噪声特性孪生近端最小二乘支持向量回归技术的对偶问题的惩罚参数和核参数，选取核函数K(
·
,
·
)；构造基于异方差噪声特性孪生近端最小二乘支持向量回归技术的决策函数f(x)；
[0016]4)构造基于异方差噪声特性孪生近端最小二乘支持向量回归技术的风速预报模式：输入向量为其中i,j为相关联的两个时刻；输出值为x
i+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。
[0017]所述基于异方差噪声特性的损失函数为其中，为异方差变量，ξ
i
为已知的独立不同分布的随机变量。
[0018]所述基于异方差噪声特性的孪生近端最小二乘回归技术的原问题为：
[0019][0020][0021]其中，是异方差变量，C1,C2是惩罚参数，n为样本个数，y
i
(i＝1,L,n)为测量值，ξ
i
(i＝1,L,n)为已知的独立不同分布的随机变量，ω1,ω2为参数向量，T为转置，b1,b2∈R；式中的P
TPLSSVR
‑
HGN
表示基于异方差噪声特性孪生近端最小二乘回归技术的原问题。
[0022]步骤2)中，构造Lagrange泛函：
[0023][0024][0025]应用Lagrange乘子法，得到基于异方差噪声特性孪生近端最小二乘支持向量回归技术原问题的对偶问题，其中，为Lagrange乘子。
[0026]所述基于异方差噪声特性的孪生近端最小二乘支持向量回归技术对偶问题为：
[0027][0028][0029]其中，n为样本个数，惩罚参数C1,C2＞0；为异方差变量；D
TPLSSVR
‑
HGN
表示基于异方差噪声特性孪生近端最小二乘回归技术对偶问题的目标函数，为Lagrange乘子，y
i
(i＝1,L,l)为测量值，K(x
i
,x
j
)为核函数。
[0030]基于异方差噪声特性孪生近端最小二乘支持向量回归技术的下界函数为：
[0031][0032]上界函数为：
[0033][0034]最后，基于异方差噪声特性孪生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.异方差噪声孪生近端核岭回归技术的风速预报方法，其特征在于，该方法包括如下步骤：1)获取某地区具有异方差噪声影响的风速数据集D
n
，利用Bayesian原理和最大化后验概率方法，得到基于异方差噪声特性的损失函数；2)利用凸优化理论和Lagrange乘子法，结合步骤1)中得到的基于异方差噪声特性损失函数，建立基于异方差噪声特性的孪生近端最小二乘支持向量回归技术的原问题，推导并求解基于异方差噪声特性孪生近端最小二乘支持向量回归技术的对偶问题；3)利用遗传算法确定基于异方差噪声特性孪生近端最小二乘支持向量回归技术对偶问题的惩罚参数及核参数，选取合适的核函数；构造基于异方差噪声特性孪生近端最小二乘支持向量回归技术的上界和下界函数，最后构造决策函数；4)构造基于异方差噪声特性的孪生近端最小二乘支持向量回归技术的风速预报模式：输入向量为其中i,j为相关联的两个时刻；输出值为x
i+step
，p表示输入的维数，step表示提前预测的步数，当step＝1、3时，分别表示利用前p次的风速预测后10分钟、30分钟的风速。2.根据权利要求1所述的异方差噪声孪生近端核岭回归技术的风速预报方法，其特征在于，利用Bayesian原理和最大化后验概率方法，求解出基于异方差噪声特性的损失函数为其中，是异方差变量，ξ
i
为已知的独立不同分布的随机变量。3.根据权利要求1所述的异方差噪声孪生近端核岭回归技术的风速预报方法，其特征在于，所述基于异方差噪声特性的孪生近端最小二乘支持向量回归技术的原问题为：在于，所述基于异方差噪声特性的孪生近端最小二乘支持向量回归技术的原问题为：在于，所述基于异方差噪声特性的孪生近端最小二乘支持向量回归技术的原问题为：在于，所述基于异方差噪声特性的孪生近端最小二乘支持向量回归技术的原问题为：其中，是异方差变量，C1,C2是惩罚参数，n为样本个数，y
i
(i＝1,L,n)为测量值，ξ
i
(i＝1,L,n)为松弛变量，为欧式空间R
n
到内积空间Η的映射，ω1,ω2为参数向量，T为转置，b1,b2∈R；式中的P
TPLSSVR
‑
HGN
表示基于异方差噪声特性孪生近端最小二乘支持向量回归技术的原问题。4.根据权利要求3所述的异方差噪声孪生近端核岭回归技术的风速预报方法，其特征在于，构造Lagrange泛函：在于，构造Lagrange泛函：
应用Lagrange乘子法，得到基于异方差噪声特性孪生近端最小二乘支持向量回归技术原问题的对偶问题，其中，为Lagrange乘子。5.根据权利要求4所述的异方差噪声孪生近端核岭回归技术的风速预报方法，其特征在于，所述基于异方差噪声特性的孪生近端最小二乘支持向量回归技术对偶问题为：在于，所述基于异方差噪声特性的孪生近端最小二乘支持向量回归技术对偶问题为：其中，...

【专利技术属性】
技术研发人员：周婷，袁秋云，张仕光，
申请(专利权)人：山东管理学院，
类型：发明
国别省市：