[发明专利]基于无限混合高斯和样条回归的风电功率曲线拟合方法

摘要

本发明公开了一种基于无限混合高斯和样条回归的风电功率曲线拟合方法，包括进行数据预处理、构造鲁棒的样条回归模型、利用变分贝叶斯优化鲁棒的样条回归模型、得出功率曲线以及概率功率曲线的步骤，本发明的风电功率曲线拟合方法只需要设置一些初始化参数，方法简单，能够容忍训练数据中存在一些非一致样本，精度高、误差小，可以进一步提高风电预报的精度。

主权项

1.一种基于无限混合高斯和样条回归的风电功率曲线拟合方法，其特征在于，包括以下步骤：1)数据预处理：根据实际的风速和功率数据画出经验功率曲线，然后将明显的异常数据去除，处理后的样本表示为所述的xi，yi分别表示风速和功率值，N表示训练样本的长度；2)构造鲁棒的样条回归模型：构造鲁棒样条回归模型yi＝Zi(xi)β+ei，所述的Zi(xi)表示根据样条基计算出的输入向量，β表示回归系数，ei表示服从无限混合高斯模型的回归误差： e t ~ Σ k = 1 K π k N ( e t | 0 , σ k - 1 ) ]]>所述的表示第k个高斯分布的方差；所述的回归系数β服从一个高斯分布；所述的πk表示第k个高斯分布的权值，且πk是关于的一个函数，表示为所述的参数是一个变量，满足一个参数为v的Beta分布超参数v为满足参数为e0、f0的Gamma分布，v＝Gamma{v|e0，f0)，所述的e0、f0的初始值设置为0.0001并根据变分贝叶斯得到的参数的后验分布来更新e0、f0的值；3)利用变分贝叶斯优化鲁棒的样条回归模型：根据步骤2)中对鲁棒样条回归模型中各个参数的先验分布，构造最终的似然函数：p(R，β，w，ρ，τ，ν|Y，Z)＝p(Y|R，Z，β，τ)p(τ)p(R|w)p(β|ρ)p(ρ)p(w|v)p(v)，所述p(.)是变量的概率分布；令Θ＝{R，β，w，ρ，τ，ν}，根据变分贝叶斯的原理，求出鲁棒样条回 Q ( Θ i ) = exp { < ln p ( Θ | Y , Z ) > \ Θ j ≠ i } ∫ exp { < ln p ( Θ | Y , Z ) > \ Θ j