在开放环境下,由于数据采集环境、数据测量仪器精度以及人为因素等,导致所收集到的数据中包含很多不确定性,如数据噪声和数据缺失等。因此,构建考虑不确定性的机器学习方法尤为重要。本文主要从实际应用出发,分析风电数据中复杂的噪声特性,研究如何从噪声特性出发构建鲁棒的且适用于风电领域的回归建模方法。主要包括以下四方面的研究内容:(1)基于分层的多混合分布的不确定性建模。通过对数据中不确定性进行分析,本文用统一的不确定性表达方式,即概率分布函数,来表示数据中常见的不确定性,包括数据噪声、数据缺失以及异常点等。考虑到单一分布以及混合分布在描述复杂不确定性时性能的局限性,在混合分布的基础上,本文提出了分层的多混合分布的不确定性表示框架来描述复杂的不确定性。(2)基于混合高斯噪声分布假设的鲁棒回归建模。开放环境下,噪声会随着环境、气候、时间以及应用领域的变化而变化,进而呈现出复杂的非高斯特性以及异方差特性。考虑到当前基于特定噪声分布假设所构建的鲁棒回归模型的局限性,本文分别提出了基于混合高斯噪声分布假设以及贝叶斯异方差假设的鲁棒回归模型,进一步提升了鲁棒回归模型的普适性。模型在风电预测以及风功率曲线拟合上具有较好的效果。(3)考虑噪声差异性和关联性的鲁棒回归建模。在多输出回归任务中,由于每个输出变量的差异性导致相应的噪声分布具有差异性,又因为输出变量之间的关联性使得噪声分布也可能具有一定的关联性,本文分别提出了多混合高斯的噪声分布先验以及嵌入关联性的贝叶斯异方差先验来刻画多输出任务中噪声的差异性和关联性,进而构建了鲁棒的函数回归模型以及异方差多核学习模型,并将其应用到风速多步预测中。(4)基于混合非对称噪声分布假设的广义鲁棒回归建模。针对噪声分布的复杂非高斯特性以及非对称特性,考虑到混合高斯分布在拟合非对称噪声的局限性,本文利用混合非对称高斯分布以及混合非对称指数幂分布的噪声分布假设构建了鲁棒的非对称样条回归模型。通过分析发现,风功率曲线拟合误差具有复杂非对称特性,本文利用所提出的模型估计出了最好的风功率曲线。本文主要关注于风电数据噪声特性分析,以及根据噪声特性构建鲁棒回归模型,并将其应用到风电领域。然而,除了风电领域以外,本文所提出的鲁棒策略以及鲁棒模型在环境、金融等其它领域都具有一定的适用性。