支持向量回归机在风电系统桨距角预测中的应用
加入技术交流群
2 桨距角预测与Matlab仿真
2．1 样本的获取与预处理
要使风速改变时，桨距角随之改变的值为最佳桨距角，就要选择合适的学习样本，用来训练和检验。由于自然界风速处于不断变化中，较短时间3～4 s内的风速上升或下降总是不断发生，因此变桨距机构也在不断动作，在转子电流控制器的作用下，将桨距角的实际变化情况选做样本。共选取128组样本数据，其中学习样本80个，用来检验的预测样本48个。选择的训练样本和测试样本形式如下表1所示。本文引用地址：https://www.eepw.com.cn/article/187585.htm
并将此样本存为．txt格式，以便于在Matlab仿真时的数据输入。
2．2 SVR函数的参数选择
2．2．1 SVR函数
该函数根据训练样本设计出最优回归函数，并找出支持向量。该函数有6个参数，分别是训练样本的输入、训练样本的输出、核函数、惩罚因子、损失函数和不敏感系数。输出参数为支持向量个数、拉格朗日乘子及偏置量。即
[nsv，beta，bias]=svr(X，Y，ker，C，loss，ε)；
X——训练样本的输入，在本文中就是样本中用于学习和检验的风速值。
Y——训练样本的输出。就是样本中对应的桨距角。
ker——核函数，要使误差小需选择适当的核函数，这里选择的是rbf核函数。
C——惩罚因子，C取的过小，训练误差变大，系统的泛化能力变差，C取的过大，也会导致系统的泛化能力变差。
loss——损失函数。
ε——不敏感系数，ε取的小，回归估计精度高，但支持向量数增多，ε取的大，回归估计精度降低，但支持向量数少。
nsv——支持向量的个数。
beta——拉格朗日乘子。
Bias——偏置量。
2．2．2 输出函数svroutput
该函数利用svr函数得到的最优回归函数来计算测试样本的输出，并返回。
2．2．3 svrplot
该函数用来绘制出最优回归函数曲线，并标识出支持向量。
2．2．4 svrerror
该函数用来显示根据最优回归函数计算的测试样本的拟合误差。
2．2．5 核函数的选择
常用的核函数有4种：线性核函数(linear)、多项式核函数(polynomial)、径向基核函数(RBF)和Sigmoid核函数。在一般情况下，首先考虑的是RBF，主要基于以下原因：1)RBF可以将样本映射到一个更高维的空间，可以处理类别标签和特征之间的关系是非线性时的样本。2)与多项式核函数相比，RBF需要确定的参数要少，核函数参数的多少直接影响模型的复杂度。3)对某些参数，RBF与sigmoid核函数具有相似的
性能。
衡量SVR的最小误差和泛化能力准则，并优化该准则，本文选择了RBF核函数。
评论