[發明專利]一種基于貝葉斯魯棒函數回歸的多步風速預報方法

有效

• 申請號: 201810207732.6
• 申請日: 2018-03-14
• 公開（公告）號: CN108563829B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 胡清華;汪運;王錚
• 申請（專利權）人: 天津大學;中國電力科學研究院有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 宋平

1.一種基于貝葉斯魯棒函數回歸的多步風速預報方法，其特征在于，包括以下步驟：

1)數據預處理：

將每10分鐘內120個5秒風速點看成是一個單元，并存儲在MATLAB中，然后對每個單元中所有的數據求取平均得到10分鐘平均風速時間序列，然后根據實際情況確定多步預測的預測步長，低分辨率預測輸入的個數以及相應的高分辨率風速輸入的個數；

2)構造魯棒函數回歸的多步風速預報模型：

將傳統的回歸模型和函數回歸模型進行融合，構造出能夠處理多分辨率數據的函數型回歸模型所述的x，y表示模型的輸入和輸出，z表示低分辨率輸入，w、∈表示線性回歸系數和誤差項，x(t)，β(t)是關于t的函數型變量和相應的函數型回歸系數；

進行多步預報時，上述模型可轉化為所述的z_iw_j項處理的是低分辨率數據，即10分鐘平均的風速數據；所述的項處理的是高分辨率數據，即10分鐘內所有的5秒風速數據；

根據函數主成分分析理論，對模型進行近似表示，得到所述的矩陣根據訓練數據直接求取，和都是待求的參數；

假定每一步風速預報誤差都服從多混合高斯分布，將多混合高斯分布用多層生成模型表示為：r_ijk～M(r_ijk|π_j)，π_j～D(π_j|a₀)；所述的N(·)表示高斯分布，K表示混合高斯分布中單高斯的個數，表示高斯分布的方差；所述的r_ijk表示指示變量，M(·)和D(·)分別表示多項式分布和狄利克雷分布,a₀表示的是狄利克雷分布中的參數；

給定變量多拉普拉斯先驗，以實現函數型變量的自動稀疏：

ρ_j～IG(ρ_j|j₀，k₀)

所述的G(·)和IG(·)分別表示Gamma分布和逆Gamma分布，h₀，i₀，j₀，k₀為逆Gamma分布中的先驗參數；

給定模型中其它的參數先驗表示如下：

τ_jk～G(τ_jk|b₀，c₀)

w_j～N(w_j|0，Λ_j)

λ_jd～IG(λ_jd|d₀，e₀)

ζ^P～IG(ζ^P|l₀，m₀)

所述的Λ_j＝diag{λ_j1，…，λ_jD}，表示測量的函數型變量，μ^p(t)∈R^1×J表示函數型變量的均值，J表示網格的數量，I_J×J表示一個J×J的單位矩陣，b₀述c₀，d₀，e₀，f₀，g₀，l₀，m₀表示先驗分布中的先驗參數；

3)利用變分貝葉斯優化模型的參數：

根據步驟2)中對魯棒樣條回歸模型中各個參數的先驗分布，構造最終的聯合概率密度函數：

所述p(·)是變量的概率分布，i＝1，…，N，j＝1，…，T，d＝1，…，D，r＝1，…，K_x，g＝1，…，K_g，k＝1，…，K，p＝1，…，P，R＝{r_ijk},

根據變分貝葉斯的原理，求出魯棒樣條回歸模型中的所有參數的后驗分布，

所述的·是期望運算，T表示已知數據，

4)根據估計的參數和測試集計算預測值：

根據設定好的K_g維B樣條基重新估計函數型回歸系數即然后，最終的第j步的預測結果yp_j為

所述的z_test表示測試集中低分辨率風速輸入向量，表示測試集中第p個高分辨率風速輸入，P表示用函數型變量表示的高分辨率數據風速輸入的個數。