变权重组合预测模型
光伏发电系统功率预测方法的研究现状

文章编号:2095-6835(2023)19-0031-03光伏发电系统功率预测方法的研究现状*夏权(兰州资源环境职业技术大学,甘肃兰州730021)摘要:随着煤炭、石油等化石燃料资源紧张及环境保护等理念的提出,很多国家越来越关注太阳能等可再生资源的开发和应用,中国也积极地开发利用太阳能进行发电,光伏发电系统正是利用太阳能电池将太阳能直接转换成电能的发电方式,并凭借安装简单、无污染、易维护等优势,受到了社会的广泛关注和应用。
但光伏发电系统很容易受到光照强度、天气类型、大气温度、湿度等外部环境的影响,造成发电输出功率出现不稳定性、间歇性等问题,给电网带来一定程度的影响,因此光伏发电系统功率预测成为目前电力部门和相关领域的主要研究方向。
对光伏发电系统、光伏发电预测的意义等进行了介绍,对光伏发电系统输出特性进行了分析,研究了光伏发电系统输出功率预测方法。
关键词:光伏发电系统;功率预测;预测方法;输出特性中图分类号:TM615文献标志码:A DOI:10.15913/ki.kjycx.2023.19.010光伏发电系统作为一种新型发电系统,利用太阳能电池将太阳能转化为电能,可以有效减少对能源的浪费,而且太阳能的可再生性、环保性等优势还可以有效缓解环境问题。
近年来,太阳能以无污染、环保性、可再生、安全可靠等优势成为世界的重点关注方向,也是目前很多国家的主要应用能源。
光伏发电系统也因安装维护便捷、低排放等优势受到广泛应用,是目前较有潜力的发电系统。
但光伏发电系统在转换电能的过程中,会受到很多外界因素的影响,具有一定的波动性、周期性,影响其正常运行,为了缓解这些外界因素的影响,建立光伏发电系统功率预测系统至关重要。
本文介绍了光伏发电系统、光伏发电预测的意义,分析了光伏发电系统的输出特性,研究分析光伏发电系统输出功率预测方法,阐述这些预测方法的特征,希望给相应的研究提供理论依据。
1光伏发电系统简介及光伏发电预测的意义1.1光伏发电系统简介光伏发电系统是利用太阳能电池将太阳能直接转换成电能的一种发电系统,利用的是光生伏特效应,由太阳能电池、蓄电池、控制器、逆变器等主要部件组成,具有较高的可靠性、使用寿命长、不污染环境等优势,并且能够独立发电,能够并网运行,受到了各个企业的青睐,有着较为广阔的发展空间。
变权重组合预测模型在区域电网负荷预测中的应用

() 1 建立 了西藏林芝 电网最大负荷 的最优组合预测模型 ,预测 出21、21年 电网的最大 负荷分 别为2 . MW和4. MW。根据 00 05 35 3 37 9
这 一结 果 ,林 芝 电网 “ 一五 ” “ 二 五 ”年 均 增 长 率 分 别为 十 十
【0 潘峰 ,陈浩忠,杨镜非,等. 1】 基于支持向量机的电力系统短期 负
技 术 创 新
() 2 基于变 权重组合预测方法构建 的西藏 林芝 电网最大负荷预 测模型能够有效地利用各种信息 ,降低模型的预测 误差 ,有效地改进 单项 预测模 型的误差 , 组合模型 的拟合均方误差均低于各单项预测模 型 , 体表现 良好 。 整 () 3 本次负荷预 测以历年的最大负荷基础进 行预测 ,整个西藏 的负荷特性 与当地的地理环境、气候关系十分密切 ,全球气候变化与 当地 小气候 的变化 对负荷预测影 响十分明显 。( 如林芝 出现 暖冬必将 影响最大负荷的数值) 。
效果最好 ,其预测结果拟合出的曲线与实际值 曲线几乎重合 。因此 , 可以用变权 重组合模型来预测林芝电网未 来几 年的最大负荷值 。预测 结果见表4 。
卑 静 2 1 00 21 01 2 1 02 2 1 03 2 1 0变权组合预测模 型研 究Ⅱ. 】系统工程理论与 实
Ap r a h s 2 0 E , 5 6 5 1 po c e , 0 0I EE 6 — 6
【】 郝 卫 平 , 7 李琼 慧 ,赵 一农 . 我国 电力弹性 系数 的现 实 意义Ⅱ. 】 中国
电 力 , 2 0 , 3 ( :8 9 0 3 65 ) -
表 4 林 芝 电 网 2 1 —2 1年 最 大 负荷 ( 00 05 MW )
时间序列模型在电力需求预测中的应用研究

时间序列模型在电力需求预测中的应用研究【摘要】随着经济、社会和工业的飞速发展,用电的需求量迅速增长,电力行业也逐渐成为影响全球社会经济发展地位的重要的因素,不准确的需求预测增加了电力行业的运行成本,特别是在市场环境中,精度即意味着金钱,准确的电力需求预测是有价值的。
论文以某市为例,利用某市用电量的相关数据,分别应用移动平均法、时间序列法建立模型并对模型进行预测和分析,并对其进行了预测与分析,再通过对这两种预测方法分别赋予不同的权重建立加权组合预测模型来改进预测误差,通过比较分析得出加权组合模型预测的精度更高。
关键词:移动平均法;电力需求预测;时间序列法;加权组合预测法0.引言电力需求预测是电力行业中至关重要的任务之一,对于电力系统的稳定运行、资源调配和规划决策具有重要意义。
准确地预测电力需求可以帮助电力公司合理安排发电计划、优化电力供应链,并提高电力系统的效率和可靠性。
传统的电力需求预测方法主要基于统计学方法或基于经验规则的模型。
然而,这些方法在面对复杂的电力系统和多变的外部因素时往往表现不佳。
为了应对这些挑战,时间序列模型逐渐成为电力需求预测领域的研究热点。
时间序列模型利用历史数据中的时间相关性来预测未来的电力需求。
它们可以捕捉到不同时间间隔内的趋势、周期性和季节性变化,以及其他相关因素的影响。
这种模型的优势在于能够自适应地学习数据中的模式和规律,并在预测过程中考虑到时间的因素。
通过深入研究时间序列模型在电力需求预测中的应用,可以为电力公司和相关研究人员提供有益的参考和指导,进一步提升电力需求预测的准确性和可靠性,推动电力行业的可持续发展。
1.传统的电力需求预测方法及其局限性对用电需求的短期预测是构成电力系统规划的一个关键环节,用电需求预测是电力系统正常工作的基本依据,预测的准确性将对电力系统的经济和安全起到决定性的作用,因而对用电需求进行精确预测,特别是对电力系统的短期和超短期预测,是保证电力系统安全、经济发展的前提和保证。
基于变权重组合模型的路基沉降预测方法

基于变权重组合模型的路基沉降预测方法
杨友元
【期刊名称】《铁道建筑》
【年(卷),期】2012(000)003
【摘要】通过监测数据的沉降预测分析,是解决当前高速铁路路基沉降计算精度不足的主要途径.由于采用常见的反S形成长曲线模型在路基沉降预测时,不能完全预测出沉降曲线的整个发展过程,本文提出了一种基于多种曲线变权重组合的沉降预测模型.该方法结合多种反S形成长曲线模型,赋予一个未知的权重系数,通过最小方差方法对权重系数进行求解,从而得到沉降预测公式.工程实例的计算结果表明:该方法具有较好的适应性和较高的精度,可以应用于高速铁路路基最终沉降量的预测.【总页数】4页(P85-88)
【作者】杨友元
【作者单位】武广铁路客运专线有限责任公司,湖北武汉430060
【正文语种】中文
【中图分类】TU433
【相关文献】
1.黄土路基沉降变权重组合模型预测方法研究 [J], 窦顺;夏琼
2.变权重组合模型在路基沉降预测中的应用 [J], 郭亚宇;庞旭卿
3.基于灰色-时序组合模型的建筑物沉降预测方法 [J], 马成龙;刘帅;苗昌奇;刘江
4.基于IOWHA算子的路基沉降加权组合预测方法研究 [J], 赵亚红;王金星;张丽华;
周文国;郝延锦
5.软土路基沉降变权重组合S型曲线预测方法研究 [J], 赵明华;刘煜;曹文贵
因版权原因,仅展示原文概要,查看原文内容请购买。
投资组合的风险与收益模型分析

投资组合的风险与收益模型分析投资组合是投资者通过配置多种不同的资产形成的投资组合,以达到在投资风险不变的情况下获得更高的收益目的。
投资组合的优劣是由其风险与收益平衡程度决定的。
因此,通过风险与收益模型的分析,可以帮助投资者更加准确地评估投资组合的风险和收益,制定合理的投资决策。
一、投资组合的风险模型投资组合的风险是指其预期收益的波动性或不确定性。
由于不同资产的价格变化具有一定的随机性,因此,投资组合的风险很难通过某一单一指标来衡量。
常用的风险模型包括方差模型、协方差模型和随机模拟模型等。
1. 方差模型方差模型是最简单直观的风险模型,它用投资组合中各资产的预期收益率和其权重,计算出投资组合的预期收益率和方差,以此来评估投资组合的风险程度。
根据方差模型,投资者可以通过分散投资资产、选择高信用等级的债券、降低投资组合中某些资产的权重等方式来降低投资组合的风险。
2. 协方差模型协方差模型考虑了投资组合中各资产之间的关联性,它通过计算资产间的协方差,来衡量投资组合的风险。
与方差模型相比,协方差模型更能反映投资组合的多样性,因此更加准确。
投资者可以通过降低资产间的关联性、增加投资组合中不同种类的资产等方式来降低投资组合的风险。
3. 随机模拟模型随机模拟模型通过采用蒙特卡罗方法等随机模拟技术,模拟多种不同市场情况下的投资组合收益率变化,并对其分析、评估。
相对于前面两种模型,随机模拟模型更能反映现实的市场波动性,因此更加真实可靠。
投资者可以通过不断模拟和调整投资组合来降低投资组合的风险。
二、投资组合的收益模型投资组合的收益是指投资者在特定投资期间内所获得的资本收益。
由于不同资产的收益率的高低程度和变化节奏各异,因此,投资组合的收益率往往也是多种不同资产收益率的组合。
常用的收益模型包括期望收益率模型、收益率分布模型和时间序列模型等。
1. 期望收益率模型期望收益率模型通过计算投资组合中各项资产预期收益率的加权平均值,来确定投资组合的期望收益率。
基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测马宏忠;肖雨松;孙永腾;李勇;朱雷;许洪华【期刊名称】《高电压技术》【年(卷),期】2024(50)1【摘要】为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。
首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。
然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。
最后将各子序列的预测结果叠加重构,得到最终预测结果。
算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。
【总页数】11页(P210-220)【作者】马宏忠;肖雨松;孙永腾;李勇;朱雷;许洪华【作者单位】河海大学能源与电气学院;国网江苏省电力有限公司南京供电分公司【正文语种】中文【中图分类】TM4【相关文献】1.基于组合预测模型的变压器油中溶解气体质量浓度的预测2.基于改进型灰色理论的变压器油中溶解气体预测模型3.基于组合预测模型的变压器油中溶解气体浓度预测4.基于非负矩阵分解与改进极端学习机的变压器油中溶解气体浓度预测模型5.基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测因版权原因,仅展示原文概要,查看原文内容请购买。
黄土路基沉降变权重组合模型预测方法研究
0 引 言
文献标 志码 :A
文章编号 :10 82 (0 2 0 0 3 0 0 3— 85 2 1 )4— 0 0— 4
利 用各种预测模型所提供 的信息 ,有效地减少单个 预
窦
顺 ,等 : 黄土路基沉降变权重组合模型预测方法研究
・ 1・ 3
精度 反映的是预测模型对观测期数据适合程度 。拟合
精度水平取决于历史数据与估计水平的精确性 ,其 中
其 中之一 为主要依据 ,再结合另一个精度指标进行综
合考虑 。
估计水平涉及到模型 函数形式的设定 、正确变量选择 及参数估计 ;预测精度取决于模型结构稳定性 、外 生 变量预测与实 际数据 的精确性 以及模型设定与估计水 平 的精 确性 。检验任一拟合方法是否准确 ,是通过 实测 沉降数据预测最终沉降量的方法 ,除检验其拟合 精度 外 ,还必须检验其预测精度 。常用 的拟合精度 指标 有绝对 误差 平方 和 、相 对 误差 平方 和 及标 准 差 等。 预 测 误 差 指 标 可 用 相 对 误 差 ,见 式 ( 。 5)
( f )=∑W( ( i) f )
式中 ()为变权组合预测模型的第 t t 期值 。
() 2
由此可 以看出 ,问题 的关键在于最佳加 权系数 的
确定 。根据最小 二乘法原理 ,最佳加权 系数 应使预测
误差 的平方和 s达 到最小值 ,计算式为
S=∑ [( 一 ( ] y£ 夕 ) )
收稿 日期 :2 1 0 02— 4—1 8
值 ,t ,2 =1 ,… , 夕()为第 i Ⅳ; t 个模 型的第 t 期预
投资学中的资产定价权重模型
投资学中的资产定价权重模型在投资学领域,资产定价权重模型是一种用于确定资产或投资组合预期收益率的模型。
该模型的基本理念在于利用不同资产的权重以及相应的风险因子来计算投资回报。
在本文中,我们将探讨资产定价权重模型的原理、应用以及相关的扩展研究。
一、资本资产定价模型(CAPM)资本资产定价模型是最具代表性的资产定价权重模型之一。
其核心思想是资产的预期收益率与市场整体风险的线性关系。
CAPM模型的公式如下所示:Er = Rf + β × (Em - Rf)其中,Er表示资产的预期收益率,Rf为无风险利率,β为资产的系统风险系数,Em为市场整体的预期收益率。
通过计算β值,我们可以估计资产的预期收益率,并进行风险管理与资产配置等决策。
二、多因子模型除了CAPM模型外,还存在许多基于不同因子的多因子模型。
这些因子可以包括市场风险、规模因子、价值因子、动量因子等。
多因子模型的基本思想是通过权衡不同因子的权重来确定资产或投资组合的收益率。
通过增加因子的数量和选择合适的因子组合,可以提高模型的解释力和预测准确性。
三、资产定价权重模型的应用资产定价权重模型在实际投资中有着广泛的应用。
投资者可以通过该模型来评估资产的风险和收益潜力,从而进行优化的资产配置。
同时,基金经理和投资机构也可以运用资产定价权重模型来评估投资组合的风险敞口,并制定相应的投资策略。
四、资产定价权重模型的发展与挑战随着投资学的发展,资产定价权重模型也在不断演进和完善。
例如,研究者们通过引入更多的因子和数据,推出了各种改进的多因子模型,提高了模型的解释能力。
然而,资产定价权重模型仍然面临着许多挑战,包括因子选择、模型稳定性以及数据质量等方面的问题。
综上所述,资产定价权重模型在投资学领域起着重要的作用。
无论是CAPM模型还是多因子模型,都为投资者和机构提供了一种科学且有效的方法来评估资产风险和收益。
然而,我们也应该认识到模型的局限性,继续进行研究和改进,以适应不断变化的市场环境。
基于变权重组合模型的路基沉降预测方法
形 成长 曲线 模 型预测 路 基 沉 降 时 , 能 完全 预测 出沉 不
降曲线 的整个 发展 过程 , 文 提 出 了一 种 基 于 多 种 本
曲线变权 重 组合 的沉 降预测 模 型 。该 方 法结合 多种 反
收 稿 日期 :0 10 —2 修 回 日期 :0 2 O —0 2 1 —92 ; 2 1 -1 1
到 了应 用 和推广 。
Y = 口 ¨ ” e
bl
() 2
‘ ) … 3
S = 口一( o—b ep 一( )] ) x [ £
() 4
研 究 表 明 : 这几 种 生 长 曲线 模 型 在预 测 精度 要
路 基 工程沉 降监 测 表 明 , 些 沉 降 曲线 表 现 出反 一 s 的特 点 , 此 一 些 学 者 尝 试 采 用 V rus 模 型 、 形 对 eh l t G m et 模 型 、 oi i 模 型 、 iul o pr z Lg t sc Web l 曲线 等对 其 进 行 拟 合分 析 , 预测路 基 的最终 沉 降量 引。 由于采 用 反 s 。
常 见 的 反 s形 成 长 曲线 模 型 有 : eh l 模 型 、 V rus t
G mpr 模 型 、 oi i 模 型和 We u 曲线模 型 四种 , o et z Lg t sc il bl 理论 公式 分别 为
s ㈩ ㈩
算精 度不 足 的主要 瓶 颈 问题 , 近些 年 来 高 速 铁路 路 在
求不 高 的情 况下 , 全 可 以用 于 预 测红 黏 土 地基 的沉 完 降 , 是如 果在 精度要 求很 高 的情况 下 , 不能完 全预 但 也
基于熵权法的交通流组合预测模型研究
基于熵权法的交通流组合预测模型研究孙秀娟;陆新秀;刘法胜;任传祥【摘要】针对基于智能算法的组合预测模型算法复杂、计算周期较长等问题,将信息熵理论应用于交通流量预测,利用客观数据所包含的隐藏信息,建立基于熵权法的变权重组合预测模型.以具体某路段的交通流量为基础数据,分别用基于熵权法的组合预测模型和其他几种预测模型进行分析比较.仿真实验结果表明,该组合预测模型的预测精度和运算速度优于其他几种模型.【期刊名称】《山东科技大学学报(自然科学版)》【年(卷),期】2018(037)004【总页数】7页(P111-117)【关键词】智能交通;熵权法;MATLAB仿真;交通流预测;遗传算法【作者】孙秀娟;陆新秀;刘法胜;任传祥【作者单位】山东科技大学电气与自动化工程学院,山东青岛266590;山东科技大学电气与自动化工程学院,山东青岛266590;山东科技大学交通学院,山东青岛266590;山东科技大学交通学院,山东青岛266590【正文语种】中文【中图分类】U491.1+4在智能交通研究领域中,无论是进行交通规划,还是实施交通诱导与控制,都需要提供交通信息并对交通状态进行动态估计。
因此,对交通流量的预测一直是智能交通理论研究和工程应用的热点。
目前,在交通流量预测的理论和方法已经有许多研究成果,主要有基于统计理论的模型[1]、基于神经网络理论的模型[2]、基于动态分配理论的模型[3]、基于非线性预测理论的模型和基于交通模拟仿真的模型等[4]。
常见的具体方法有:ARIMA法、历史趋势法、卡尔曼滤波模型、神经网络模型等。
相关研究表明,单一模型或方法在预测精确性、快速性、动态反馈性、鲁棒性或实用性等方面各有优缺点[5-7]。
1969 年,Bates等 [8]首次提出组合预测方法,指出它能发挥各个模型的优点,相互弥补缺陷,有效提高预测精度。
此后,组合预测法一直是国内外预测界研究的热点课题,在智能交通预测领域也得到了广泛应用。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
变权重组合预测模型
1.符号说明
设对于同一预测问题,我们有n 种预测方法(或模型),)(1t y ∧
,)(2t y ∧
,…,)(t y n ∧
,并假设:
)(t y :第t 期的实际观差值(t=1,2,…,n );
)(t y i ∧
:第i 个预测模型预测的第t 期的值; )(t i ω:第i 个预测模型在第t 期的加权值;
满足
∑=n
i i
t 1
)(ω
=1 ),...,2,1(n t =
0)(≥t i ω ),...,2,1(n i =
)()()(1
t y t t y n
i i i
∑=∧
∧
=
ω
,变权组合预测模型预测的第t 期的值。
2.变权组合预测模型最佳变权重确定
变权重组合预测模型的确定关键在于确定变权系数,下面给出几种确定变权系数的方法。
2.1 以相对误差的最大值达到最小为目标确定最佳变权系数
基于决策论中极大极小准则,我们求得变权系数)(t i ω应使
)
()
()(max
t y t y t y L -=∧
达到最小,其中)()()(1
t y t t y i n
i i ∧
=∧
∑=ω;1)(1
=∑=n
i i t ω;0)(≥t i ω;),...,2,1(n i =。
这问题可以通过线性规划的方法解决,为此先引进记号
)(/)()(t y t y t y e t ⎥⎦
⎤
⎢⎣⎡-=∧-
⎪⎩
⎪⎨
⎧<≥=+=
-
-
--
000
2
t t t t
t t e e e e e u ⎪⎩
⎪⎨
⎧<-≥=-=
-
--
-
00
02
t t t t
t t e e e e e v 显然有t t t v u e +=-;t t t v u e -=-
,从而可建立如下的线性规划模型 ()⎪⎪⎪⎪⎪⎩⎪⎪⎪⎪⎪
⎨⎧==≥≥≥≥==+-≥--∑=-
n
t n i t v u z t v u e v u z z I i
t t n i i t t t t t ,...,1;, (1)
0)(;0;0;01)(00min 1
'ωω
由于()1)(),...,(,)()(,...)()(1)()()
(11
1-⎪⎪⎪⎭
⎫
⎝⎛=-=∑=∧
∧∧
-
T
n n
i n i i t t t t y t y t y t y t y t y t e ωωω 所以把模型')(I 整理得
()⎪⎪⎪
⎪⎩⎪
⎪⎪⎪
⎨⎧=≥≥≥≥==+-≥---;
,...,1;0)(;0;0;011
0min n t t v u z W R v u W Y v u z z
I i t t t T
t t t t t t ω 其中 ())(1,....,1维n R T
=
()T
n t w
t w W )(),...,(1t = ⎪⎭
⎫ ⎝⎛=-
--
)(/)(),...,(/)(1t y t y t y t y Y
n
t
线性规划模型)(I 含有12++N nN 个未知量,有N 3个约束条件,可以通过其对偶问题求得最优解,从而得到最佳的变权重系数)(t w i ,n t n i ,...,1;,...,2,1==。
2.2以绝对误差和达到最小为目标确定最佳的变权系数
基于最小一乘法的思想,我们求得的最优变权系数)(t w i 应使
∑
=∧
-=
N
t t y t y Q 1
)()(
达到最小,其中)()()(1
t y t w
t y n
i i i
∑=∧
∧
=
这个问题也可以用线性规划的方法解决,同样引进些记号
)()(t y t y e t -=∧
-
⎪⎩
⎪⎨⎧<≥=+=
-
-
--
0002
t t t t
t t e e e e e u
⎪⎩
⎪⎨⎧<-≥=-=
-
--
-
0002
t t t t
t t e e e e e v
从而可建立如下线性规划模型:
t t t v u e += t t t v u e -=
()'Ⅱ⎪⎪⎪
⎪⎪⎩
⎪
⎪⎪⎪
⎪⎨⎧
==≥≥≥==+-+∑∑==n t n i t v u t w v u e v u i t t n i i t t t N
i t t ,...,1;,...,1;0)(;0;01)(0)
(min 1
1
ω
又由于∑∑=
-=-=∧
∧
)())()(()()()(t w e
t y t y t w
t y t y e i it
i i
t
整理()'
Ⅱ得
()Ⅱ⎪⎪⎪⎪⎩
⎪
⎪⎪
⎪⎨⎧
=≥≥≥==+-+∑=;, (1)
0;0;01
0)
(min 1
n t v u W R v u W E v u t
t t
t T t t t t N
i t t ω 其中 ()T
n t t w t w W )(),...,(1=
())(1,....,1维n R T
=
()nt t t e e E , (1)
线性规划模型()Ⅱ含有N nN 2+个未知量,有N 2个约束条件,可以通过其对偶问题求得最优解,从而得到最佳的变权重系数)(t w i ,(n t n i ,...,1;,...,2,1==)。
2.3以误差平方和达到最小为目标函数
基于最小二乘法的思想,我们的最佳变权系数)(t w i 应使
∑
=∧⎪⎭
⎫
⎝⎛-=
n
i t y t y S 1
2
)()( 达到最小。
由于
[][]T
n nt t i i
t t w t w e e t y t y t w
t y t y e )(),...,(,...,))()()(()()(11=-=
-=∑∧
∧
所以
[][][][]t t T
t T
n nt t T nt
t n t W A W t w t w e e e e t w t w e =∙=)(),...,(,...,,...,)(),...,(11112
其中[]T
n t t w t w W )(),...,(1=
[][]nt t T nt t t e e e e A ,...,,...,11∙=
故此问题可以用下面规划方法解决
()Ⅲ⎪⎪⎩
⎪⎪⎨
⎧=≥=N t W W R S t t T
,...,2,10
1
min 又由于 []
N
N T N W T W N
W W W N W W W W W A W W A W
e e e e e e
S N N N N 1
111
2
220
210
2
2121
..10
..1min ...min min ...min min (i)
min 121≥≥≥≥≥≥≥++=+++=+++=
所以得()Ⅲ的最优解:
)/()(1
1
R A R R A W t T
t t --= ()N t ,...,2,1=
())(1,....,1维n R T
=。