支持向量回歸機(jī)在風(fēng)電系統(tǒng)槳距角預(yù)測中的應(yīng)用

在風(fēng)力發(fā)電系統(tǒng)中，隨著風(fēng)速的變化，要使輸出功率最佳，需對(duì)進(jìn)行預(yù)測，從而得到某特定風(fēng)速下的最佳槳距角。支持向量機(jī)(Support Vector Machines，SVM)是根據(jù)統(tǒng)計(jì)學(xué)理論中最小化原則提出來的，由有限數(shù)據(jù)得到的判別函數(shù)，對(duì)獨(dú)立的測試樣本能夠得到較小的誤差，包括支持向量分類機(jī) (Support Vector Classification，SVC)和支持(Support Vector Regression，)。此文用的就是SVR算法，其目的是構(gòu)造一個(gè)回歸估計(jì)函數(shù)，將非線性函數(shù)的回歸估計(jì)問題轉(zhuǎn)化為一個(gè)具有線性等式約束和線性不等式約束的二次規(guī)劃問題?？梢缘玫轿ㄒ坏娜肿顑?yōu)解。此最優(yōu)解，在預(yù)測槳距角中就是最佳槳距角。

1 SVR

1.1 SVR的引入

現(xiàn)有的預(yù)測槳距角算法有基于BP算法和基于LV算法的神經(jīng)網(wǎng)絡(luò)，BP算法收斂速度慢、精度低，LV算法泛化能力差，因此，能改變現(xiàn)有算法不足的支持向量機(jī)算法應(yīng)運(yùn)而生。SVM方法最早是針對(duì)模式識(shí)別問題提出的，隨著對(duì)ε不敏感損失函數(shù)的引入，現(xiàn)已推廣應(yīng)用到非線性回歸估計(jì)和曲線擬合中，得到了用于曲線擬合的回歸型支持向量機(jī)SVR，表現(xiàn)出很好的學(xué)習(xí)效果。

1.2 回歸算法原理

標(biāo)準(zhǔn)的SVR算法，分為線性和非線性兩種。SVR的基本思想是：將輸入樣本空間非線性變換到另一個(gè)特征空間，在這個(gè)特征空間構(gòu)造回歸估計(jì)數(shù)，這種非線性變換是通過定義適當(dāng)?shù)暮撕瘮?shù)K(xi，xj)來實(shí)現(xiàn)的。其中K(xi，xj)=φ(xi)·φ(xj)，φ(x)為某一非線性函數(shù)。

假設(shè)給定了訓(xùn)練數(shù)據(jù)，{(xi，yi)，i=1，2，...，n}，xi為學(xué)習(xí)樣本，yi為對(duì)應(yīng)的目標(biāo)值。定義線性ε不敏感損失函數(shù)為：

即如果目標(biāo)y值和經(jīng)過學(xué)習(xí)構(gòu)造的回歸估計(jì)函數(shù)f(x)的值之間的差別小于ε，則損失等于0。

假設(shè)非線性情形的回歸估計(jì)函數(shù)為：

要尋找w、b對(duì)，使在式(1)不變的前提下最小化。

同時(shí)考慮到當(dāng)約束條件不可實(shí)現(xiàn)時(shí)將松弛變量引入，這樣最優(yōu)化問題為：

利用拉格朗日乘子法來求解這個(gè)約束最優(yōu)化問題，因此構(gòu)造拉格朗日函數(shù)

其中NNSV為標(biāo)準(zhǔn)支持向量數(shù)量。由式(7)和式(8)知，盡管通過非線性函數(shù)將樣本數(shù)據(jù)映射到具有高維甚至無窮維的特征空間，但在計(jì)算回歸估計(jì)函數(shù)時(shí)并不需要顯式計(jì)算該非線性函數(shù)，而只需計(jì)算核函數(shù)，從而避免高維特征空間引起維數(shù)災(zāi)難問題。

2 槳距角預(yù)測與Matlab仿真

2.1 樣本的獲取與預(yù)處理

要使風(fēng)速改變時(shí)，槳距角隨之改變的值為最佳槳距角，就要選擇合適的學(xué)習(xí)樣本，用來訓(xùn)練和檢驗(yàn)。由于自然界風(fēng)速處于不斷變化中，較短時(shí)間3～4 s內(nèi)的風(fēng)速上升或下降總是不斷發(fā)生，因此變槳距機(jī)構(gòu)也在不斷動(dòng)作，在轉(zhuǎn)子電流控制器的作用下，將槳距角的實(shí)際變化情況選做樣本。共選取128組樣本數(shù)據(jù)，其中學(xué)習(xí)樣本80個(gè)，用來檢驗(yàn)的預(yù)測樣本48個(gè)。選擇的訓(xùn)練樣本和測試樣本形式如下表1所示。

并將此樣本存為.txt格式，以便于在Matlab仿真時(shí)的數(shù)據(jù)輸入。

2.2 SVR函數(shù)的參數(shù)選擇

2.2.1 SVR函數(shù)

該函數(shù)根據(jù)訓(xùn)練樣本設(shè)計(jì)出最優(yōu)回歸函數(shù)，并找出支持向量。該函數(shù)有6個(gè)參數(shù)，分別是訓(xùn)練樣本的輸入、訓(xùn)練樣本的輸出、核函數(shù)、懲罰因子、損失函數(shù)和不敏感系數(shù)。輸出參數(shù)為支持向量個(gè)數(shù)、拉格朗日乘子及偏置量。即

[nsv，beta，bias]=svr(X，Y，ker，C，loss，ε);

X——訓(xùn)練樣本的輸入，在本文中就是樣本中用于學(xué)習(xí)和檢驗(yàn)的風(fēng)速值。

Y——訓(xùn)練樣本的輸出。就是樣本中對(duì)應(yīng)的槳距角。

ker——核函數(shù)，要使誤差小需選擇適當(dāng)?shù)暮撕瘮?shù)，這里選擇的是rbf核函數(shù)。

C——懲罰因子，C取的過小，訓(xùn)練誤差變大，系統(tǒng)的泛化能力變差，C取的過大，也會(huì)導(dǎo)致系統(tǒng)的泛化能力變差。

loss——損失函數(shù)。

ε——不敏感系數(shù)，ε取的小，回歸估計(jì)精度高，但支持向量數(shù)增多，ε取的大，回歸估計(jì)精度降低，但支持向量數(shù)少。

nsv——支持向量的個(gè)數(shù)。

beta——拉格朗日乘子。

Bias——偏置量。

2.2.2 輸出函數(shù)output

該函數(shù)利用svr函數(shù)得到的最優(yōu)回歸函數(shù)來計(jì)算測試樣本的輸出，并返回。

2.2.3 svrplot

該函數(shù)用來繪制出最優(yōu)回歸函數(shù)曲線，并標(biāo)識(shí)出支持向量。

2.2.4 svrerror

該函數(shù)用來顯示根據(jù)最優(yōu)回歸函數(shù)計(jì)算的測試樣本的擬合誤差。

2.2.5 核函數(shù)的選擇

常用的核函數(shù)有4種：線性核函數(shù)(linear)、多項(xiàng)式核函數(shù)(polynomial)、徑向基核函數(shù)(RBF)和Sigmoid核函數(shù)。在一般情況下，首先考慮的是RBF，主要基于以下原因：1)RBF可以將樣本映射到一個(gè)更高維的空間，可以處理類別標(biāo)簽和特征之間的關(guān)系是非線性時(shí)的樣本。2)與多項(xiàng)式核函數(shù)相比，RBF需要確定的參數(shù)要少，核函數(shù)參數(shù)的多少直接影響模型的復(fù)雜度。3)對(duì)某些參數(shù)，RBF與sigmoid核函數(shù)具有相似的性能。

衡量SVR的最小誤差和泛化能力準(zhǔn)則，并優(yōu)化該準(zhǔn)則，本文選擇了RBF核函數(shù)。

2.3 Matlab仿真

2.3.1回歸擬合

在Matlab編程實(shí)現(xiàn)函數(shù)的回歸擬合，并檢驗(yàn)數(shù)據(jù)。主函數(shù)程序段如下：

2.3.2 函數(shù)回歸擬合并檢驗(yàn)的仿真結(jié)果

應(yīng)用Matlab支持向量機(jī)工具箱編程實(shí)現(xiàn)系統(tǒng)的學(xué)習(xí)訓(xùn)練過程，由80個(gè)學(xué)習(xí)樣本訓(xùn)練而得到的函數(shù)擬合結(jié)果如下圖1所示。

利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型可以對(duì)進(jìn)行預(yù)測，只要輸入即時(shí)風(fēng)速，就可確定出相應(yīng)槳距角大小。之前利用BP算法的均方誤差為0.290 3，LM算法的均方誤差為0.278 1。圖2為由SVR算法對(duì)48個(gè)樣本值檢驗(yàn)的結(jié)果?？芍?，預(yù)測值與實(shí)際槳距角值基本一致。擬合誤差err=0.175 6。

3 結(jié)束語

文中介紹了支持向量機(jī)的回歸算法理論，用SVR算法代替之前的BP算法和LV算法，研究了風(fēng)力發(fā)電系統(tǒng)中隨風(fēng)速變化槳距角的值，由函數(shù)擬合理論對(duì)槳距角進(jìn)行了預(yù)測并檢驗(yàn)，由于支持向量機(jī)采用結(jié)構(gòu)最小化原則代替經(jīng)驗(yàn)經(jīng)驗(yàn)最小化原則，采用適當(dāng)?shù)暮撕瘮?shù)，同比其他算法使擬合誤差達(dá)到了最小，大大提高了變槳距系統(tǒng)的精度和效率。將該算法應(yīng)用于DSP芯片上稍作改進(jìn)，加上外圍電路的設(shè)計(jì)，即可應(yīng)用在的控制領(lǐng)域。