[发明专利]基于支持向量机的增识度超回归负荷建模多曲线拟合模型

权利要求书

1.基于支持向量机的增识度超回归负荷建模多曲线拟合模型，其特征在于包括，

单训练集拟合函数构建模块，面向单一曲线观测值训练集，基于支持向量回归机算法，实现非线性对象的拟合函数；

多增量学习集拟合函数构建模块，面向多个曲线观测值训练集，获得多个对应的拟合函数；

外推预测学习集构建模块，利用多个拟合函数，以同样的自变量向量作为每个拟合函数的激励输入，代入每个拟合函数进行计算，获得每个拟合函数的输出向量作为外推观测值，构建所有输出向量的集合作为增识度学习集；

向量间距最小优化模块，基于增识度学习集，以向量间距离最小为寻优指标，寻找增识度学习集的聚合中心，以此中心作为表征了所有曲线综合特征的数据训练集；

多曲线拟合函数构建模块，利用设定的自变量向量及中心向量，组合成增识度学习训练集，基于支持向量回归机算法，实现包含所有曲线基本特征的拟合函数。

2.根据权利要求1所述的基于支持向量机的增识度超回归负荷建模多曲线拟合模型，其特征在于，所述单训练集拟合函数构建模块，采用非线性ε-支持向量回归机算法：

⑴给定训练集其中

⑵选取以σ²为参数的高斯径向基核函数以及适当的精度ε和惩罚参数C＞0；

⑶构造并求解凸二次规划问题

minα(*)∈R2l12Σi=1lΣj=1l(αi*-αi)(αj*-αj)K(xi,xj)+ϵΣi=1l(αi*+αi)-Σi=1lyi(αi*-αi),]]>

s.t.Σi=1l(αi-αi*)=0]]>

0≤αi(*)≤C,i=1,...,l,]]>

得解

⑷计算选取位于开区间(0,C)中的的分量或若选到的是则

b‾=yj-Σi=1l(α‾i*-α‾i)K(xi,xj)+ϵ;]]>

若选到的是则

b‾=yk-Σi=1l(α‾i*-α‾i)K(xi,xk)-ϵ;]]>

⑸构造决策函数

y(1)=Σi=1l1(α‾i*(1)-α‾i(1))K(1)(xi(1),x)+b‾(1).]]>