[发明专利]基于噪声模型支持向量回归技术的短期风速预报方法

摘要

本发明涉及天气预报技术领域，为满足实际应用中(如风力发电、农业生产等)对短期风速预报的要求，为达到上述目的，本发明采取的技术方案是，基于噪声影响的支持向量回归技术的短期风速预报方法，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。本发明主要应用于天气预报。

主权项

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(Augmented Lagrange Multiplier method，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maxα,α*{gDN-SVR=-12Σi,j=1l(αi*-αi)(αj*-αj)K(xi,xj)+Σi=1l(αi*-αi)yi+ClΣi=1l(T(ξi(αi))+T(ξi*(αi*)))}]]>其中C>0是惩罚因子，0<ν<1是常数，s.t.为subject to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。