SVR函数的参数选择 - 支持向量回归机在风电系统桨距角预测中的应用

　　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。

　　2.3 Matlab仿真

　　2.3.1回归拟合

　　在Matlab编程实现函数的回归拟合，并检验数据。主函数程序段如下：

　　2.3.2 函数回归拟合并检验的仿真结果

　　应用Matlab支持向量机工具箱编程实现系统的学习训练过程，由80个学习样本训练而得到的函数拟合结果如下图1所示。

　　利用训练好的神经网络模型可以对桨距角进行预测，只要输入即时风速，就可确定出相应桨距角大小。之前利用BP算法的均方误差为0.290 3，LM算法的均方误差为0.278 1。图2为由SVR算法对48个样本值检验的结果。可知，预测值与实际桨距角值基本一致。拟合误差err=0.175 6。

　　3 结束语

　　文中介绍了支持向量机的回归算法理论，用SVR算法代替之前的BP算法和LV算法，研究了风力发电系统中随风速变化桨距角的值，由函数拟合理论对桨距角进行了预测并检验，由于支持向量机采用结构最小化原则代替经验经验最小化原则，采用适当的核函数，同比其他算法使拟合误差达到了最小，大大提高了变桨距系统的精度和效率。将该算法应用于DSP芯片上稍作改进，加上外围电路的设计，即可应用在风电系统的控制领域。