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，需對槳距角進行預(yù)測，從而得到某特定風(fēng)速下的最佳槳距角。支持向量機(Support Vector Machines，SVM)是根據(jù)統(tǒng)計學(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)，對獨立的測試樣本能夠得到較小的誤差，包括支持向量分類機(Support Vector Classification，SVC)和回歸機" title="支持向量回歸機">支持向量回歸機(Support Vector Regression，SVR)。此文用的就是SVR算法，其目的是構(gòu)造一個回歸估計函數(shù)，將非線性函數(shù)的回歸估計問題轉(zhuǎn)化為一個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算法應(yīng)運而生。SVM方法最早是針對模式識別問題提出的，隨著對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和曲線擬合中，得到了用于曲線擬合的回歸型支持向量機SVR，表現(xiàn)出很好的學(xué)習(xí)效果。
1．2 回歸算法原理
    標準的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特征空間，在這個特征空間構(gòu)造回歸估計數(shù)，這種非線性變換是通過定義適當?shù)暮撕瘮?shù)K(xi，xj)來實現(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為對應(yīng)的目標值。定義線性ε不敏感損失函數(shù)為：
   
    即如果目標y值和經(jīng)過學(xué)習(xí)構(gòu)造的回歸估計函數(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函數(shù)為：
   
    要尋找w、b對，使在式(1)不變的前提下最小化。
    同時考慮到當約束條件不可實現(xiàn)時將松弛變量引入，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為標準支持向量數(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，但在計算回歸估計函數(shù)時并不需要顯式計算該非線性函數(shù)，而只需計算核函數(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，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。由于自然界風(fēng)速處于不斷變化中，較短時間3～4 s內(nèi)的風(fēng)速上升或下降總是不斷發(fā)生，因此變槳距機構(gòu)也在不斷動作，在轉(zhuǎn)子電流控制器的作用下，將槳距角的實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，用來檢驗的預(yù)測樣本48個。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)計出最優(yōu)回歸函數(shù)，并找出支持向量。該函數(shù)有6個參數(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)和檢驗的風(fēng)速值。
    Y——訓(xùn)練樣本的輸出。就是樣本中對應(yīng)的槳距角。
    ker——核函數(shù)，要使誤差小需選擇適當?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，回歸估計精度高，但支持向量數(shù)增多，ε取的大，回歸估計精度降低，但支持向量數(shù)少。
    nsv——支持向量的個數(shù)。
    beta——拉格朗日乘子。
    Bias——偏置量。
2．2．2 輸出函數(shù)svroutput
    該函數(shù)利用svr函數(shù)得到的最優(yōu)回歸函數(shù)來計算測試樣本的輸出，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，并標識出支持向量。
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更高維的空間，可以處理類別標簽和特征之間的關(guān)系是非線性時的樣本。2)與多項式核函數(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則，并優(yōu)化該準則，本文選擇了RBF核函數(shù)。
2．3 Matlab仿真
2．3．1回歸擬合
    在Matlab編程實現(xiàn)函數(shù)的回歸擬合，并檢驗數(shù)據(jù)。主函數(shù)程序段如下：
   
2．3．2 函數(shù)回歸擬合并檢驗的仿真結(jié)果
    應(yīng)用Matlab支持向量機工具箱編程實現(xiàn)系統(tǒng)的學(xué)習(xí)訓(xùn)練過程，由80個學(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)模型可以對槳距角進行預(yù)測，只要輸入即時風(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48個樣本值檢驗的結(jié)果?？芍A(yù)測值與實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)擬合理論對槳距角進行了預(yù)測并檢驗，由于支持向量機采用結(jié)構(gòu)最小化原則代替經(jīng)驗經(jīng)驗最小化原則，采用適當?shù)暮撕瘮?shù)，同比其他算法使擬合誤差達到了最小，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，加上外圍電路的設(shè)計，即可應(yīng)用在風(fēng)電系統(tǒng)的控制領(lǐng)域。