[發明專利]基于變分異方差高斯過程回歸的短期風速預測方法

有效

• 申請號: 201911348832.1
• 申請日: 2019-12-24
• 公開（公告）號: CN111144644B
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 張楚;彭甜;夏鑫;王業琴;趙環宇;孫娜;張濤
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/18
• 代理公司: 淮安市科文知識產權事務所 32223
• 代理人: 謝觀素

1.一種基于變分異方差高斯過程回歸的短期風速預測方法，其特征在于，包括如下步驟：

步驟一：收集風電場歷史實測短期風速數據，根據歷史實測風速數據建立風速時間序列，通過完全集合經驗模態分解將其分解為K個本征模態函數分量IMF_k(k＝1,2,3,...,K)和一個殘差變量R_k；

步驟二：對于步驟一中每個本征模態函數分量IMF_k(k＝1,2,3,...,K)和殘差R_k，計算其偏自相關函數值，選擇95％置信水平下顯著的滯后時間序列作為輸入變量，目標向量為輸出變量，并將全部樣本數據的前70％作為訓練樣本，剩余30％作為檢驗樣本；

步驟三：對于步驟一中每個本征模態函數分量IMF_k(k＝1,2,3,...,K)和殘差R_k，建立變分異方差高斯過程回歸模型，輸出最優變分參數Λ和模型最優超參數

所述變分異方差高斯過程回歸模型是引入邊緣變分方法估計異方差高斯過程回歸的預測分布，所述異方差高斯過程記為G3，其由兩個方差相同的高斯過程組成：第一個高斯過程模型稱為G1，對無噪聲目標輸出進行建模；第二個高斯過程模型稱為G2，對數噪聲進行建模，即，z(x_i)＝lg(r(x_i))，該z過程由協方差函數k_z控制，其超參數為θ_z；所述變分異方差高斯過程回歸的步驟如下：

3.1)對于給定的訓練集D＝{(x_i,y_i)(i＝1,2,...,n)}，應用第一個高斯過程G1預測輸出向量y，構建GPR模型，其中x_i表示d維輸入向量，y_i表示對應的輸出向量，n表示訓練樣本的數量；

3.2)根據G1估計訓練數據的噪聲水平，即z_i＝lg{var[y_i,G(x_i,X,y)]}，形成新的數據集D'＝{(x_i,z_i)(i＝1,2,...,n)}；

3.3)運用第二個高斯過程G2對數據集D'建模；

3.4)運用異方差高斯過程G3對數據集D建模，其中，用第二個高斯過程G2預測噪聲水平r_i，采用邊緣變分方法估計異方差高斯過程回歸的預測分布，稱為變分異方差高斯過程；

3.5)若G3不收斂，令G1等于G3并返回3.2)，否則輸出變分參數Λ和模型超參數

步驟四：將步驟三所得的最優變分參數Λ和最優模型超參數以及步驟二中的檢驗樣本代入變分異方差高斯過程回歸預測模型，得到檢驗階段的預測值，并對所有子模態的預測結果進行求和重構，得到原始風速時間序列的預測值；

步驟五：計算預測值和實測值的均方根誤差RMSE、平均絕對誤差MAE、相關系數R和平均絕對百分比誤差MAPE，評價所提出的風速預測模型的性能。

2.根據權利要求1中所述的基于變分異方差高斯過程回歸的短期風速預測方法，其特征在于，在異方差高斯過程回歸模型中，所述3.1)中輸入向量X_*的預測分布p(y_*|X_*,X,y)服從高斯分布，即：

p(y_*|X_*,X,y)～N(m_*,∑_*)

其中，m_*和∑_*分別表示y_*的期望和協方差，N表示正態分布，樣本集的大小，p(y_*|X_*,X,y)為輸入向量X_*的預測分布。

3.根據權利要求2所述的基于變分異方差高斯過程回歸的短期風速預測方法，其特征在于，所述異方差高斯過程回歸模型相應的變分，即變分異方差高斯過程回歸模型為：

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)為任意的變概率密度，p(y)表示異方差高斯過程回歸的邊際對數似然，p(f,z|y)表示潛在變量f(x)和誤差噪聲z(x)的聯合概率分布。