基于噪声模型支持向量回归技术的短期风速预报方法与流程

技术特征：
1.一种基于噪声影响的支持向量回归技术的短期风速预报方法，其特征是，包括如下步骤：应用Bayesian原理导出基于一般噪声模型的损失函数,给定具有噪声影响的数据集Dl＝{(x1,y1),...,(xi,yi),...,(xl,yl)},其中xi∈Rn,yi∈R,i＝1,...,l,Rn表示n维欧式空间,R表示实数集，l表示样本个数，求取最优损失函数；在此基础上构造基于噪声模型的支持向量回归机,最后利用基于噪声模型的支持向量回归技术得到短期风速预报；构造基于噪声模型的支持向量回归机具体为：(1)利用增广拉格朗日乘子法(AugmentedLagrangeMultipliermethod，简记为ALM)求解噪声支持向量回归模型，确定最优参数C、ν、m、n；选取合适的核函数K(·,·)；其中m、n为Beta噪声模型的损失函数中的参数，由噪声分布的期望μ和方差σ2确定,即m＝[(1-μ)·μ2/σ2]-μ,n＝[(1-μ)/μ]·m；(2)构造并求解最优化问题其中C>0是惩罚因子，0<ν<1是常数，s.t.为subjectto的缩写，DN-SVR表示基于噪声模型支持向量回归的对偶问题,表示基于噪声模型支持向量回归对偶问题的目标函数；得到最优解为拉格朗日乘子；(3)构造基于噪声模型支持向量回归的决策函数其中RSV为对应的样本,称为支持向量,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。2.根据权利要求1所述的基于噪声影响的支持向量回归技术的短期风速预报方法，其特征是，求取最优损失函数：利用数据集Dl估计函数f(x),应用Bayesian原理的方法来得到最优损失函数c(x,y,f(x))＝-logp(y-f(x))，(7)其中p(y-f(x))＝p(ξ)表示噪声ξ的概率密度函数，c(xi,yi,f(xi))＝c(ξi)表示在样本点(xi,yi)进行预测时所得到预测值f(xi)与测量值yi比较所产生的损失，c(ξ)表示损失函数；得Gauss噪声模型的损失函数为:得Beta噪声模型的损失函数为:c(ξi)＝c(yi-f(xi))＝(1-m)logξi+(1-n)log(1-ξi)(9)。3.根据权利要求1所述的基于噪声影响的支持向量回归技术的短期风速预报方法，其特征是，确定最优参数C、ν、m、n具体为：利用ALM法求解基于噪声模型的支持向量回归对偶问题式(5)及利用十折交叉验证方法确定最优参数C、ν、m、n，提出的基于噪声模型的支持向量回归机应用Matlab7.1程序语言实现,取N-SVR的参数集C∈[1,201],ν∈(0,1)，m,n∈(1,+∞)。4.根据权利要求1所述的基于噪声影响的支持向量回归技术的短期风速预报方法，其特征是,利用核技巧构造合适的核函数K(·,·),把基于噪声模型的线性支持向量回归机推广为基于噪声模型的非线性支持向量回归机；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:(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是正整数,如取d＝2或3；σ是正数。5.根据权利要求1所述的基于噪声影响的支持向量回归技术的短期风速预报方法，其特征是，构造并求解最优化问题进一步具体为：基于噪声模型支持向量回归的原问题：其中ξi＝yi-ωT·Φ(xi)-b,式中的PN-SVR表示基于噪声模型支持向量回归的原问题，表示基于噪声模型支持向量回归原问题的目标函数；通过构造Lagrange泛函可得到基于噪声模型支持向量回归原问题式(10)的对偶问题(简记为N-SVR)为:其中C>0为常数，是惩罚因子，0<ν<1是常数,包含ξi,包含αi,γ、ηi、为引进的辅助变量。6.根据权利要求1所述的基于噪声影响的支持向量回归技术的短期风速预报方法，其特征是，在构造决策函数后，将基于噪声模型支持向量回归技术应用于短期风速预报中，构造模式为：输入向量为输出值为xi+6+step，其中step为预测间隔时间,利用这种模式预报分析某一时刻i+6以后step时刻的短期风速。