CN108520310A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108520310A CN108520310A CN201810169866.3A CN201810169866A CN108520310A CN 108520310 A CN108520310 A CN 108520310A CN 201810169866 A CN201810169866 A CN 201810169866A CN 108520310 A CN108520310 A CN 108520310A
- Authority
- CN
- China
- Prior art keywords
- support vector
- mixed noise
- wind speed
- noise characteristic
- vector regression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000013598 vector Substances 0.000 title claims abstract description 121
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000009977 dual effect Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012271 agricultural production Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
本发明涉及基于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。
Description
技术领域
本发明涉及风速预报技术领域,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。
背景技术
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(Support vectorregression,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(support vectorregression based on the Gauss-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。
发明内容
本发明提供了一种基于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,本发明的基于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-Support vectorregression model based on Gauss-Laplace Mixture noise characteristics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subject to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。
本发明基于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,用于利用统计学习理论和最优化理论,结合基于 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- 支持向量回归模型对偶问题;
所述决策函数构造模块,用于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);
所述风速预报模块,用于构造基于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。
根据建立的基于G-L混合噪声特性的v-支持向量回归模型的原问题,构造Lagrange泛函,利用最优学习理论,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。
所述基于G-L混合噪声特性的损失函数其中,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。
基于G-L混合噪声特性的v-支持向量回归模型的决策函数为:
其中
本发明的有益效果是:本发明提出一种应用基于G-L混合噪声特性v-支持向量回归技术进行风速预报分析的新的统一理论模型。通过Bayesian原理推导出基于G-L混合噪声特性的损失函数,在此基础上利用统计学习理论、最优化理论构造基于G-L混合噪声特性v-支持向量回归模型,该v-支持向量回归模型具有较高稳定性和鲁棒性;最后利用基于G-L混合噪声特性v-支持向量回归技术得到风速预报;本发明的方法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。
在风速预报中,需要根据噪声特性的实际分布确定预报方法,利用基于G-L 混合噪声特性的v-支持向量回归技术、基于考虑Gauss噪声特性的v-支持向量回归技术和ν-支持向量回归技术进行风速预报,表现出了较好的预报效果。
附图说明
图1 Gauss概率密度函数(pdf)、Laplace概率密度函数(pdf)、Gauss损失函数和Laplace损失函数曲线图;
图2不同参数值下的Gauss-Laplace损失函数;
图3 10分钟以后风速预报结果ν-SVR(C=181,step=1);
图4 10分钟以后风速预报结果GN-SVR(C=181,step=1);
图5 10分钟以后风速预报结果GLM-SVR(C=181,λ1=0.5,λ2=0.5,step=1);
图6 30分钟以后风速预报结果ν-SVR(C=181,step=3);
图7 30分钟以后风速预报结果GN-SVR(C=181,step=3);
图8 30分钟以后风速预报结果GLM-SVR(C=181,λ1=0.5,λ2=0.5,step=3);
图9 60分钟以后风速预报结果ν-SVR(C=181,step=6);
图10 60分钟以后风速预报结果GN-SVR(C=181,step=6);
图11 60分钟以后风速预报结果GLM-SVR(C=181,λ1=0.5,λ2=0.5,step=6);
图12 G-L混合噪声特性v-支持向量回归机的风速预报方法总体流程图。
具体实施方式
下面结合附图,对本发明的技术方案作进一步详细介绍。
本发明的基于G-L混合噪声特性v-支持向量回归机的风速预报方法实施例
该技术包括以下步骤:
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 Gauss-Laplace(简记为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,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-支持向量回归模型对偶问题的最优参数C、λ1及λ2,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。
下面对上述步骤作进一步详细介绍:
步骤1)中,获取具有噪声特性的数据集Dl={(x1,y1),(x2,y2),…,(xl,yl)},其中xi∈Rn,yi∈R,i=1,2,…,l,Rn表示n维欧式空间,R表示实数集,l表示样本数;利用Bayesian原理,推导基于G-L混合噪声特性的最优损失函数,具体过程为:
给定具有噪声特性的数据集Dl,回归函数f(x)是未知的。一般地,最小化目标函数:
其中c(ξi)=c(yi-f(xi))表示在样本点(xi,yi)∈Dl进行预测时所得到预测值f(xi) 与测量值yi(i=1,…,l)比较所产生的损失值,λ是正数。假设噪声特性是加性的,即yi=fi(xi)+ξi(i=1,…,l),且ξi(i=1,…,l)是独立同分布(i.i.d.)的随机变量,ξi(i=1,…,l)的方差为σ2,均值为μ。利用数据g∈Dl估计函数f(x),根据 Bayesian原理可得噪声特性的最优损失函数为:
c(x,y,f(x))=-logp(y-f(x)) (10)
其中p(y-f(x))=p(ξ)表示误差ξ的概率密度函数,c(xi,yi,f(xi))=c(ξi)(i=1,…,l)表示在样本点(xi,yi)进行预测时所得到预测值f(xi)与yi比较所产生的损失值,c(ξ)表示损失函数。
如图1所示,Gauss噪声特性的损失函数为:
如图1所示,Laplace噪声特性的损失函数为:
c(ξ)=c(y-f(x))=|ξ| (12)
如图2所示,Gauss-Laplace混合噪声特性的损失函数为:
步骤2)中,构造并求解最优化问题进一步具体为:
基于G-L混合噪声特性v-支持向量回归模型的原问题为:
其中ξi=yi-ωT·Φ(xi)-b(i=1,2,…,l),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(14)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。
构造Lagrange泛函L(ω,b,α(*),ξ(*)):
根据最优化理论,为求L(ω,b,α(*),ξ(*))的极小值,分别对ω,b,ε,ξ,ξ*求偏导数.由KKT(Karush-Kusn-Tucke)条件得:
把上述极值条件代入L(ω,b,α(*),ξ(*)),并对α,α*求极大值,可得到基于G-L 混合噪声特性v-支持向量回归模型原问题(14)的对偶问题(简记为GLM-SVR)为:
其中C>0是惩罚参数,权重参数λ1,λ2≥0,且λ1+λ2=1,且有
其中的DGLM-SVR表示基于G-L混合噪声特性v-支持向量回归模型的对偶问题,
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。
Lagrange乘子法是Powel和Hestenes于1969年针对等式约束优化问题同时独立提出的优化算法,也称为PH算法;其基本思想是:从原问题的拉格朗日函数出发,再加上适当的罚函数,从而将原问题转化为求解一系列的无约束优化子问题;增广拉格朗日乘子法(Augmented Lagrange Multiplier method,简记为ALM) 是1973年Rockfellar将PH算法推广到求解不等式约束优化问题,也称为PHR 算法;ALM法是解决同时带有等式和不等式约束问题的一类优化方法。其基本思想是:把解等式约束优化问题的乘子法推广到不等式约束优化问题,即先引进辅助变量把不等式约束转化为等式约束,然后再利用最有效条件消去辅助变量。
对于一个求解函数最小值的优化问题(求函数最大值也类似),一般可以描述为下列数学规划模型:
式中x为决策变量,f(x)为目标函数,式为约束条件,U是基本空间, R是U的子集;满足约束条件的解X称为可行解,集合R表示所有满足约束条件的解所组成的集合,称为可行解集合;式(1)、(7)、(14)中的x与式(16) 中x的含义相同,x=(x1,x2,…,xl)T,y=(y1,y2,…,yl)T, (xi,yi)∈Dl,i=1,2,…,l,上标T表示向量转置。p(y-f(x))=p(ξ)表示误差ξ的概率密度函数;c(xi,yi,f(xi))=c(ξi)表示在样本点(xi,yi)处进行预测时所得到预测值f(xi)与yi比较所产生的损失值,c(ξ)表示损失函数。
步骤2)中所述的统计学习理论和最优化理论为现有技术,请参考文献《数据挖掘中的新方法:支持向量机》(作者:邓乃杨,田英杰;出版社:科学出版社,2004.6)、《TheNature of Statistical Learning Theory》(Vapnik V.New York: Springer-Verlag,1995)及《Pattern recognition and machine learning》(C.M.Bishop. Springer,NewYork,2006)这里不再详细说明。
步骤3)中,利用十折交叉验证技术确定最优参数C、λ1、λ2具体为:利用 ALM法求解基于G-L混合噪声特性v-支持向量回归模型对偶问题(2)、(8)、(15) 及利用十折交叉验证技术确定最优参数C、λ1、λ2。提出的基于G-L混合噪声特性v-支持向量回归机应用Matlab7.8程序语言实现,模型GLM-SVR的参数 C∈[1,201],λ1,λ2≥0且λ1+λ2=1。
选取合适的核函数K(·,·)是利用核技术构造核函数K(·,·),把基于G-L混合噪声特性线性v-支持向量回归模型推广为基于G-L混合噪声特性非线性v-支持向量回归模型;其中K(xi,xj)=(Φ(xi)·Φ(xj)),Φ:Rn→H,H为Hilbert空间, (Φ(xi)·Φ(xj))为H空间中的内积。常见核函数有:
(1)多项式核函数:K(xi,xj)=((xi·xj)+1)d;
(2)Gauss径向基核函数:K(xi,xj)=exp(-||xi-xj||2/σ2);
其中d是正数,取d=2或3;σ是正数,取σ=0.2。
可得到基于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。
步骤3)中所述的十折交叉验证技术为现有技术,请参考文献《数据挖掘中的新方法:支持向量机》(作者:邓乃杨,田英杰;出版社:科学出版社,2004.6) 及《The Nature ofStatistical Learning Theory》(Vapnik V.New York:Springer-Verlag, 1995),这里不再详细说明。
步骤4)中,将基于G-L混合噪声特性v-支持向量回归技术应用于风速预报中,构造预报模式为: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。利用这种预报模式预报分析某一时刻i以后step间隔时刻的风速值。如取step=3表示预测某一时刻i以后30分钟的风速值;取step=12表示预测某一时刻i以后120分钟的风速值。
本发明的基于G-L混合噪声特性v-支持向量回归机的风速预报方法实施例
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;
其中,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G-L混合噪声特性的损失函数c(ξ);
对偶问题求解模块,用于利用统计学习理论和最优化理论,结合步骤1)中得到的G-L混合噪声特性的损失函数,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-支持向量回归模型对偶问题;
决策函数构造模块,用于利用十折交叉验证技术确定基于G-L混合噪声特性v-支持向量回归模型对偶问题的最优参数C、λ1及λ2,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);
风速预报模块,用于构造基于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。
该实施例中的G-L混合噪声特性的损失函数c(ξ)、基于G-L混合噪声特性的v-支持向量回归模型的原问题、对偶问题、决策函数f(x)的具体公式及求解方法请参考方法实施例,这里不再一一详细阐述。
利用上述方法进行风速预报时,表现了较好的性能,下面给出了风速预报性能评价的常用指标:
风速预报性能的评价一般用两个时间序列中基于预测值xp和测量值xm间的误差来度量,即εi=xp,i-xm,i(i=1,…,l);
最常用的评价误差度量的指标是平均值绝对误差(the mean absolute error,简记为MAE):
相对平均值绝对误差(the mean absolute percentage error,简记为MAPE):
根平方值法(the root mean square error,简记为RMSE)、标准误差(thestandard error of prediction,简记为SEP)是预测误差中应用比较广泛的方法,RMSE、SEP 在两个时间序列中基于预测值xp和测量值xm定义为:
l为选择样本的数量,xp,i、xm,i分别表示时间序列中第i个样本的预测值与测量值,为样本测量值xm的平均值。用平均值绝对误差、相对平均值绝对误差、根平方值误差、标准误差对ν-SVR、GN-SVR、GLM-SVR三种回归技术进行了评价。
在黑龙江省的风速数据集Dl中,其中的样本是每10分钟测量一次,共收集有6万余个样本,Dl各列属性分别包括均值、方差、最小值、最大值等多个因子。我们取训练样本2880个(从1至2880,即20天的样本),测试样本720个(从 2161至2880,即5天的样本)进行了实验分析。输入向量为其中i,j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=1,3,6。即用向量分别预报某一时刻i以后 10分钟、30分钟、50分钟的风速值,其中i=1,…,720。
1、时刻i以后10分钟的风速预报结果
应用模型ν-SVR、GN-SVR、GLM-SVR预报某一时刻i以后10分钟以后的风速预报结果分别见图3~图5所示。
利用指标MAE、MAPE、RMSE和SEP评价三种模型10分钟以后的风速预报结果如表1所示。
表1:三种模型10分钟以后的风速预报的误差统计(测试样本144)
2、时刻i以后30分钟的风速预报结果
应用模型ν-SVR、GN-SVR、GLM-SVR预报某一时刻i以后30分钟以后的风速预报结果分别见图6~图8所示。
利用指标MAE、MAPE、RMSE和SEP评价三种模型30分钟以后的风速预报结果如表2所示。
表2:三种模型30分钟以后的风速预报的误差统计(测试样本144)
3、时刻i以后50分钟的风速预报结果
应用模型ν-SVR、GN-SVR、GLM-SVR预报某一时刻i以后50分钟以后的风速预报结果分别见图9~图11所示。
利用指标MAE、MAPE、RMSE和SEP评价三种模型50分钟以后的风速预报结果如表3所示。
表3:三种模型50分钟以后的风速预报的误差统计(测试样本144)
可见,应用模型ν-SVR、GN-SVR和GLM-SVR进行预报某一时刻i以后10分钟、30分钟和50分钟的风速预报的实验结果说明,模型GLM-SVR的预报结果比模型ν-SVR和GN-SVR的效果更好。
Claims (9)
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-Support vectorregression model based on Gauss-Laplace Mixture noise characteristics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subject to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,为拉格朗日乘子,yi(i=1,…,l)为样本测量值,K(xi,xj)为核函数。
6.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,用于利用统计学习理论和最优化理论,结合基于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方法推导并求解出基于G-L混合噪声特性v-支持向量回归模型对偶问题;
所述决策函数构造模块,用于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);
所述风速预报模块,用于构造基于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。
7.根据权利要求6中所述基于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,根据建立的基于G-L混合噪声特性的v-支持向量回归模型的原问题,构造Lagrange泛函,利用最优学习理论,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。
8.根据权利要求6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。
9.根据权利要求5、8中所述基于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,基于G-L混合噪声特性的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,l为样本个数,αi、为拉格朗日乘子。RSV为对应的样本,称为支持向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169866.3A CN108520310B (zh) | 2018-03-01 | 2018-03-01 | G-L混合噪声特性v-支持向量回归机的风速预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169866.3A CN108520310B (zh) | 2018-03-01 | 2018-03-01 | G-L混合噪声特性v-支持向量回归机的风速预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520310A true CN108520310A (zh) | 2018-09-11 |
CN108520310B CN108520310B (zh) | 2021-12-03 |
Family
ID=63433404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810169866.3A Expired - Fee Related CN108520310B (zh) | 2018-03-01 | 2018-03-01 | G-L混合噪声特性v-支持向量回归机的风速预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520310B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN111461219A (zh) * | 2020-04-01 | 2020-07-28 | 丰车(上海)信息技术有限公司 | 一种基于光滑支撑向量回归融合的二手车估值方法 |
CN112329805A (zh) * | 2020-08-11 | 2021-02-05 | 河南师范大学 | 基于异方差噪声孪生lssvr的风速预报装置及方法 |
CN112987133A (zh) * | 2021-05-14 | 2021-06-18 | 江苏铨铨信息科技有限公司 | 一种基于svr和var的地面风矢量临近预报方法 |
CN116307282A (zh) * | 2023-05-19 | 2023-06-23 | 济南作为科技有限公司 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005202222A (ja) * | 2004-01-16 | 2005-07-28 | Toshiba Corp | ノイズサプレッサ及びノイズサプレッサを備えた音声通信装置 |
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
CN103020485A (zh) * | 2013-01-08 | 2013-04-03 | 天津大学 | 基于beta噪声核岭回归技术的短期风速预报方法 |
CN103279672A (zh) * | 2013-06-04 | 2013-09-04 | 天津大学 | 基于噪声模型支持向量回归技术的短期风速预报方法 |
CN104992008A (zh) * | 2015-06-24 | 2015-10-21 | 上海大学 | 基于Hilbert空间多核函数相乘的风速预测方法 |
CN106405683A (zh) * | 2016-09-29 | 2017-02-15 | 河南师范大学 | 基于g‑l混合噪声特性核岭回归技术的风速预报方法及装置 |
-
2018
- 2018-03-01 CN CN201810169866.3A patent/CN108520310B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005202222A (ja) * | 2004-01-16 | 2005-07-28 | Toshiba Corp | ノイズサプレッサ及びノイズサプレッサを備えた音声通信装置 |
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
CN103020485A (zh) * | 2013-01-08 | 2013-04-03 | 天津大学 | 基于beta噪声核岭回归技术的短期风速预报方法 |
CN103279672A (zh) * | 2013-06-04 | 2013-09-04 | 天津大学 | 基于噪声模型支持向量回归技术的短期风速预报方法 |
CN104992008A (zh) * | 2015-06-24 | 2015-10-21 | 上海大学 | 基于Hilbert空间多核函数相乘的风速预测方法 |
CN106405683A (zh) * | 2016-09-29 | 2017-02-15 | 河南师范大学 | 基于g‑l混合噪声特性核岭回归技术的风速预报方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN109458308B (zh) * | 2018-12-28 | 2020-07-07 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN111461219A (zh) * | 2020-04-01 | 2020-07-28 | 丰车(上海)信息技术有限公司 | 一种基于光滑支撑向量回归融合的二手车估值方法 |
CN112329805A (zh) * | 2020-08-11 | 2021-02-05 | 河南师范大学 | 基于异方差噪声孪生lssvr的风速预报装置及方法 |
CN112987133A (zh) * | 2021-05-14 | 2021-06-18 | 江苏铨铨信息科技有限公司 | 一种基于svr和var的地面风矢量临近预报方法 |
CN112987133B (zh) * | 2021-05-14 | 2021-08-13 | 郭洪涛 | 一种基于svr和var的地面风矢量临近预报方法 |
CN116307282A (zh) * | 2023-05-19 | 2023-06-23 | 济南作为科技有限公司 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108520310B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiaoyun et al. | Short-term prediction of wind power based on deep long short-term memory | |
Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
Yuan et al. | Short-term wind power prediction based on LSSVM–GSA model | |
CN108520310A (zh) | 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 | |
Peng et al. | Negative correlation learning-based RELM ensemble model integrated with OVMD for multi-step ahead wind speed forecasting | |
Kaloop et al. | Novel application of adaptive swarm intelligence techniques coupled with adaptive network-based fuzzy inference system in predicting photovoltaic power | |
Wang et al. | Probabilistic power flow solution with graph convolutional network | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN103279672B (zh) | 基于噪声模型支持向量回归技术的短期风速预报方法 | |
Peng et al. | Towards robust and understandable fault detection and diagnosis using denoising sparse autoencoder and smooth integrated gradients | |
CN106405683B (zh) | 基于g-l混合噪声特性核岭回归技术的风速预报方法及装置 | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
Zang et al. | Combined empirical and machine learning modeling method for estimation of daily global solar radiation for general meteorological observation stations | |
Li et al. | Research on short-term photovoltaic power prediction based on multi-scale similar days and ESN-KELM dual core prediction model | |
Li et al. | Photovoltaic power prediction method for zero energy consumption buildings based on multi-feature fuzzy clustering and MAOA-ESN | |
Santos et al. | Performance analysis of a DNN classifier for power system events using an interpretability method | |
Guo et al. | Distribution network topology identification based on gradient boosting decision tree and attribute weighted naive Bayes | |
Liu et al. | Fault diagnosis of photovoltaic strings by using machine learning‐based stacking classifier | |
Sarkar et al. | GATE: A guided approach for time series ensemble forecasting | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
Li et al. | A localized NARX Neural Network model for Short-term load forecasting based upon Self-Organizing Mapping | |
Gao et al. | Bayesian deep neural networks for spatio-temporal probabilistic optimal power flow with multi-source renewable energy | |
Khan et al. | Forecasting renewable energy for environmental resilience through computational intelligence | |
CN115222098A (zh) | 一种基于分布式在线学习的短期电力负荷预测方法 | |
Zhu et al. | Multi-resolution spatio-temporal prediction with application to wind power generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211203 |