[发明专利]基于变分异方差高斯过程回归的短期风速预测方法

权利要求书

1.一种基于变分异方差高斯过程回归的短期风速预测方法，其特征在于，包括如下步骤：

步骤一：收集风电场历史实测短期风速数据，根据历史实测风速数据建立风速时间序列，通过完全集合经验模态分解将其分解为K个本征模态函数分量IMF_k(k＝1,2,3,...,K)和一个残差变量R_k；

步骤二：对于步骤一中每个本征模态函数分量IMF_k(k＝1,2,3,...,K)和残差R_k，计算其偏自相关函数值，选择95％置信水平下显著的滞后时间序列作为输入变量，目标向量为输出变量，并将全部样本数据的前70％作为训练样本，剩余30％作为检验样本；

步骤三：对于步骤一中每个本征模态函数分量IMF_k(k＝1,2,3,...,K)和残差R_k，建立变分异方差高斯过程回归模型，输出最优变分参数Λ和模型最优超参数

所述变分异方差高斯过程回归模型是引入边缘变分方法估计异方差高斯过程回归的预测分布，所述异方差高斯过程记为G3，其由两个方差相同的高斯过程组成：第一个高斯过程模型称为G1，对无噪声目标输出进行建模；第二个高斯过程模型称为G2，对数噪声进行建模，即，z(x_i)＝lg(r(x_i))，该z过程由协方差函数k_z控制，其超参数为θ_z；所述变分异方差高斯过程回归的步骤如下：

3.1)对于给定的训练集D＝{(x_i,y_i)(i＝1,2,...,n)}，应用第一个高斯过程G1预测输出向量y，构建GPR模型，其中x_i表示d维输入向量，y_i表示对应的输出向量，n表示训练样本的数量；

3.2)根据G1估计训练数据的噪声水平，即z_i＝lg{var[y_i,G(x_i,X,y)]}，形成新的数据集D'＝{(x_i,z_i)(i＝1,2,...,n)}；

3.3)运用第二个高斯过程G2对数据集D'建模；

3.4)运用异方差高斯过程G3对数据集D建模，其中，用第二个高斯过程G2预测噪声水平r_i，采用边缘变分方法估计异方差高斯过程回归的预测分布，称为变分异方差高斯过程；

3.5)若G3不收敛，令G1等于G3并返回3.2)，否则输出变分参数Λ和模型超参数

步骤四：将步骤三所得的最优变分参数Λ和最优模型超参数以及步骤二中的检验样本代入变分异方差高斯过程回归预测模型，得到检验阶段的预测值，并对所有子模态的预测结果进行求和重构，得到原始风速时间序列的预测值；

步骤五：计算预测值和实测值的均方根误差RMSE、平均绝对误差MAE、相关系数R和平均绝对百分比误差MAPE，评价所提出的风速预测模型的性能。

2.根据权利要求1中所述的基于变分异方差高斯过程回归的短期风速预测方法，其特征在于，在异方差高斯过程回归模型中，所述3.1)中输入向量X_*的预测分布p(y_*|X_*,X,y)服从高斯分布，即：

p(y_*|X_*,X,y)～N(m_*,∑_*)

其中，m_*和∑_*分别表示y_*的期望和协方差，N表示正态分布，样本集的大小，p(y_*|X_*,X,y)为输入向量X_*的预测分布。

3.根据权利要求2所述的基于变分异方差高斯过程回归的短期风速预测方法，其特征在于，所述异方差高斯过程回归模型相应的变分，即变分异方差高斯过程回归模型为：

F(q(f),q(z))＝logp(y)-KL(q(f)q(z)||p(f,z|y))

式中，KL(.||.)表示kullback-leibler散度，q(f)和q(z)为任意的变概率密度，p(y)表示异方差高斯过程回归的边际对数似然，p(f,z|y)表示潜在变量f(x)和误差噪声z(x)的联合概率分布。