[发明专利]G-L混合噪声特性v-支持向量回归机的风速预报方法

权利要求书

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D_l，利用Bayesian原理，得到基于G-L混合噪声特性的经验风险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；

2)利用统计学习理论和凸优化技术，结合步骤1)中得到的基于G-L混合噪声特性的经验风险损失函数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。

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v-支持向量回归模型的原问题为：

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，y_i(i＝1,…,l)为样本测量值，ξ_i、ξ_i^*(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P_GLM-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。

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，步骤2)中，构造Lagrange泛函：

应用凸优化技术，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，α^(*)＝(α₁,…,α_l,α₁^*,…,α_l^*),ξ^(*)＝(ξ₁,…,ξ_l,ξ₁^*,…,ξ_l^*),ξ_i^(*)包含ξ_i、ξ_i^*(i＝1,…,l),α_i^(*)包含为Lagrange乘子,γ、η_i、为引进的辅助变量。

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，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，y_i(i＝1,…,l)为样本测量值，K(x_i,x_j)为核函数。