風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)的研究方法

陳丹丹，李永光，張 瑩，劉 祥

(上海電力學(xué)院能源與環(huán)境工程學(xué)院，上海 200090)

風(fēng)能是重要的綠色能源，隨著風(fēng)力發(fā)電成本的大幅下降，已具有與傳統(tǒng)發(fā)電能源競(jìng)爭(zhēng)的潛力［1，2］.但由于受溫度、氣壓、地形、地理位置等諸多因素的影響，風(fēng)能具有很強(qiáng)的隨機(jī)性，因此風(fēng)力發(fā)電的穩(wěn)定性較差，并網(wǎng)后會(huì)嚴(yán)重影響電能質(zhì)量和電力系統(tǒng)的正常運(yùn)行［1，3，4］.風(fēng)電裝機(jī)容量增加后，為了抑制風(fēng)電波動(dòng)給電網(wǎng)帶來的沖擊，需相應(yīng)增加常規(guī)機(jī)組的旋轉(zhuǎn)備用容量，這會(huì)增加系統(tǒng)的運(yùn)行費(fèi)用［3，5-7］.通過研究發(fā)現(xiàn)，如果能對(duì)風(fēng)電場(chǎng)風(fēng)速作出較準(zhǔn)確的預(yù)測(cè)，則有利于及時(shí)調(diào)整電網(wǎng)的調(diào)度計(jì)劃，以提高風(fēng)電的經(jīng)濟(jì)性［5，8-14］.此外，由于風(fēng)電設(shè)備運(yùn)行的環(huán)境較為惡劣，易出事故，因此也需要對(duì)風(fēng)場(chǎng)的風(fēng)速作出預(yù)測(cè)［9］.目前，國(guó)內(nèi)外對(duì)于風(fēng)電場(chǎng)風(fēng)速的預(yù)測(cè)一般可分為用于風(fēng)電場(chǎng)規(guī)劃設(shè)計(jì)的中長(zhǎng)期預(yù)測(cè)，用于電力系統(tǒng)的功率平衡和調(diào)度、交易、暫態(tài)穩(wěn)定評(píng)估等的30 min到72 h的短期預(yù)測(cè)，以及用于發(fā)電系統(tǒng)控制的分鐘級(jí)超短期預(yù)測(cè)［10，15-18］.比較常用的方法有人工神經(jīng)網(wǎng)絡(luò)法［5，11，19-23］、卡 爾 曼 濾 波 法［24，25］、時(shí) 間 序 列法［26，27］等.

1 風(fēng)速預(yù)測(cè)的基本方法

1.1 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)由大量的簡(jiǎn)單處理元件以拓?fù)浣Y(jié)構(gòu)連接形成，可以有效處理很多復(fù)雜問題.運(yùn)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)速則是結(jié)合了天氣預(yù)報(bào)模型和人工神經(jīng)網(wǎng)絡(luò)的功能，通過神經(jīng)網(wǎng)絡(luò)分析天氣預(yù)報(bào)模型所提供的溫度、壓力、風(fēng)速，以及風(fēng)機(jī)本身采集的數(shù)據(jù)等信息，可以預(yù)測(cè)風(fēng)電場(chǎng)中每一臺(tái)風(fēng)力發(fā)電機(jī)周圍的風(fēng)速.該方法的缺點(diǎn)是輸入數(shù)據(jù)的選取及網(wǎng)絡(luò)結(jié)構(gòu)不易確定［9］.

根據(jù)神經(jīng)網(wǎng)絡(luò)連接及計(jì)算方法的不同，人工神經(jīng)網(wǎng)絡(luò)法中常用的有多層前饋神經(jīng)網(wǎng)絡(luò)(Back Propagation，BP)、廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network，GRNN)等.BP 網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，它包括輸入層、一個(gè)或多個(gè)隱層，以及輸出層，層間的神經(jīng)元單向連接，層內(nèi)神經(jīng)元?jiǎng)t相互獨(dú)立［23］.

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

圖2 GRNN網(wǎng)絡(luò)結(jié)構(gòu)

文獻(xiàn)［11］基于BP神經(jīng)網(wǎng)絡(luò)算法建立了風(fēng)電功率預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行了誤差帶預(yù)測(cè).研究結(jié)果表明:神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和輸入數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果有一定的影響;將實(shí)測(cè)功率數(shù)據(jù)作為輸入可以提高30 min內(nèi)的預(yù)測(cè)精度.這為彌補(bǔ)該預(yù)測(cè)方法的缺陷提供了可能的解決途徑，即利用實(shí)測(cè)功率及時(shí)修改神經(jīng)網(wǎng)絡(luò)的輸入，以提高預(yù)測(cè)精度.

1.2 卡爾曼濾波法

由線性系統(tǒng)離散方程可推導(dǎo)出卡爾曼濾波法的預(yù)測(cè)遞推方程［24］.

1.2.1 最優(yōu)濾波方程

式中:(k+1|k+1)——對(duì)k+1時(shí)刻的狀態(tài)估計(jì);

K(k+1)——k+1時(shí)刻的卡爾曼增益矩陣.

由此可看出，卡爾曼濾波算法可用最新測(cè)量值來修正前一時(shí)刻的估算值，具有動(dòng)態(tài)修改權(quán)值的優(yōu)點(diǎn).

1.2.2 最優(yōu)增益矩陣方程

式中:P(k+1|k)——從k時(shí)刻到k+1時(shí)刻的單步預(yù)測(cè)誤差協(xié)方差矩陣;

R(k)——V(k)的協(xié)方差矩陣.

1.2.3 單步預(yù)測(cè)誤差協(xié)方差方程

式中:Q(k)——w(k)的協(xié)方差矩陣.

1.2.4 濾波預(yù)測(cè)的誤差協(xié)方差方程

式中:P(k+1|k+1)——對(duì)k+1時(shí)刻濾波預(yù)測(cè)的協(xié)方差矩陣;

I——單位矩陣.

利用卡爾曼濾波算法，將風(fēng)速作為狀態(tài)變量來建立狀態(tài)空間模型，可以實(shí)現(xiàn)風(fēng)速預(yù)測(cè).但建立卡爾曼狀態(tài)方程及測(cè)量方程比較困難，并且這種方法適用于噪音統(tǒng)計(jì)特性已知的情況下對(duì)在線風(fēng)速進(jìn)行預(yù)測(cè)，但噪音統(tǒng)計(jì)特性往往很難得出［24，25］.

1.3 時(shí)間序列法

(1)隨機(jī)時(shí)間序列法 利用大量的歷史數(shù)據(jù)來建立數(shù)學(xué)模型，進(jìn)而推導(dǎo)出預(yù)測(cè)模型，以達(dá)到預(yù)報(bào)的目的.該方法的優(yōu)點(diǎn)是序列本身具有時(shí)序性和自相關(guān)性，為建模提供了足夠的信息，只需要有限的樣本序列，就可以建立預(yù)測(cè)模型.但該方法也有局限性，低階模型的預(yù)測(cè)精度較低，而高階模型參數(shù)的確定難度較大［12，24，26］.

(2)混沌時(shí)間序列法 是根據(jù)風(fēng)電出力時(shí)間序列的混沌屬性，以及非線性動(dòng)力學(xué)的相關(guān)理論在短期內(nèi)進(jìn)行的預(yù)測(cè)［14，26-35］.因此，將風(fēng)速時(shí)間序列進(jìn)行相空間重構(gòu)，可以將其應(yīng)用于短期風(fēng)速的預(yù)測(cè).

(3)滾動(dòng)式時(shí)間序列法 對(duì)傳統(tǒng)時(shí)間序列法進(jìn)行改進(jìn)，其建模思路為［36］:模型在進(jìn)行超前多步預(yù)測(cè)計(jì)算時(shí)，迭代得到t時(shí)刻的預(yù)測(cè)值后，利用該預(yù)測(cè)值重新估計(jì)模型參數(shù)，得出包含該預(yù)測(cè)值的新的模型方程，再進(jìn)行t+1時(shí)刻的預(yù)測(cè)計(jì)算.計(jì)算結(jié)果證明該方法能有效提高預(yù)測(cè)精度，改善延時(shí)問題，并且具有建模簡(jiǎn)單、可獲得預(yù)測(cè)顯式方程等優(yōu)點(diǎn).

此外，衍生的時(shí)間序列法還有基于EMD的短期風(fēng)速多步預(yù)測(cè)法，以及基于EMD和LS-SVM的短期風(fēng)速預(yù)測(cè)法［37-40］.

1.4 混合算法

(1)時(shí)間序列和卡爾曼濾波的混合算法 利用時(shí)間序列建立一個(gè)能反映信號(hào)變化規(guī)律的低階模型，再?gòu)脑撃Ｐ屯茖?dǎo)出卡爾曼濾波預(yù)測(cè)遞推方程，實(shí)現(xiàn)信號(hào)預(yù)測(cè)［24，36，41］.該混合算法有效彌補(bǔ)了單純時(shí)間序列法建模預(yù)測(cè)的不足，而且在不提高所建時(shí)序模型階次的情況下提高了預(yù)測(cè)精度.

(2)時(shí)間序列和神經(jīng)網(wǎng)絡(luò)的混合算法 利用時(shí)間序列法建模，得到風(fēng)速特性的基本參數(shù)，而后將這些參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量［5，10，42］.文獻(xiàn)［5］和文獻(xiàn)［42］計(jì)算結(jié)果表明，運(yùn)用該方法進(jìn)行風(fēng)速預(yù)測(cè)時(shí)，絕對(duì)平均誤差在22%左右，優(yōu)于時(shí)間序列法.

2 風(fēng)速預(yù)測(cè)方法的綜合分析

2.1 各預(yù)測(cè)方法的分析比較

風(fēng)速預(yù)測(cè)的方法主要有人工神經(jīng)網(wǎng)絡(luò)法、隨機(jī)時(shí)間序列法和混沌序列預(yù)測(cè)法.

人工神經(jīng)網(wǎng)絡(luò)法［11］的理論基礎(chǔ)是非線性數(shù)學(xué)理論［43］，具體的網(wǎng)絡(luò)設(shè)計(jì)方法可利用徑向基函數(shù)法、最小二乘法、傅里葉變換等不同的數(shù)學(xué)方法對(duì)人工神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)進(jìn)行逼近.另外，也可以用現(xiàn)有的軟件如MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱等來建立人工神經(jīng)網(wǎng)絡(luò).運(yùn)用人工神經(jīng)網(wǎng)絡(luò)法能夠預(yù)測(cè)風(fēng)電場(chǎng)中每一臺(tái)風(fēng)機(jī)周圍的風(fēng)速，因此，當(dāng)負(fù)荷變化時(shí)，可快速?zèng)Q定風(fēng)機(jī)的停啟，方便風(fēng)電場(chǎng)調(diào)度.但由于人工神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)及網(wǎng)絡(luò)結(jié)構(gòu)不易確定，而輸入變量的選擇直接影響神經(jīng)網(wǎng)絡(luò)的收斂速度甚至收斂性，因此需要慎重選擇輸入的樣本.而利用時(shí)間序列模型來選擇輸入變量則可以相對(duì)方便地確定神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，將兩種方法結(jié)合起來可有效提高收斂速度，并改善預(yù)測(cè)效果.

隨機(jī)時(shí)間序列法的實(shí)現(xiàn)相對(duì)簡(jiǎn)單，只需要單一的風(fēng)速時(shí)間序列即可建模，但預(yù)測(cè)精度需要取決于模型的階數(shù)，階數(shù)低則預(yù)測(cè)精度低，而階數(shù)高則模型參數(shù)計(jì)算難度大.為解決這一問題，可采用滾動(dòng)式時(shí)間序列法，或者將時(shí)間序列分析和卡爾曼濾波法結(jié)合使用.這兩種算法的實(shí)質(zhì)都是在計(jì)算中利用當(dāng)前步的計(jì)算結(jié)果及時(shí)更新參數(shù)，以優(yōu)化計(jì)算模型.時(shí)間序列分析和卡爾曼濾波算法的結(jié)合可避開建立高階模型和推導(dǎo)測(cè)量方程，在降低建模難度、減少計(jì)算工作量的同時(shí)提高了預(yù)測(cè)精度［24］.

在預(yù)測(cè)風(fēng)速的過程中，當(dāng)部分時(shí)間點(diǎn)的風(fēng)速明顯大于或小于均值時(shí)，可以將其看作非線性系統(tǒng)中的混沌行為，利用數(shù)值分析方法建立的全局或局域性的線性預(yù)測(cè)函數(shù)，即為混沌序列預(yù)測(cè)法.目前常用的3種預(yù)測(cè)法理論上是等價(jià)的，性能也相同［33］，可以根據(jù)實(shí)際需要選擇合適的模型.混沌時(shí)間序列可通過調(diào)整有關(guān)參數(shù)來控制預(yù)測(cè)精度，但由于系統(tǒng)對(duì)初值較敏感，因此只能用于短期風(fēng)速預(yù)測(cè).混沌時(shí)間序列法除了用于風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)外還可以預(yù)測(cè)電網(wǎng)負(fù)荷［30］.

比較各方法的預(yù)測(cè)周期，人工神經(jīng)網(wǎng)絡(luò)法在網(wǎng)絡(luò)設(shè)計(jì)、操作等均較優(yōu)的情況下能夠作出48 h內(nèi)工程允許誤差范圍內(nèi)的預(yù)測(cè)，而時(shí)間序列法及混沌時(shí)間序列法一般只用于2 h內(nèi)的預(yù)測(cè).從單個(gè)風(fēng)電場(chǎng)的實(shí)際需求來看，2 h內(nèi)的預(yù)測(cè)能夠較好地滿足風(fēng)機(jī)調(diào)控的需求，而從整個(gè)電網(wǎng)需求出發(fā)，則需要更長(zhǎng)時(shí)間范圍的預(yù)測(cè)，以便于電網(wǎng)提前調(diào)控分配各區(qū)域的發(fā)電指標(biāo).需要注意的是，越長(zhǎng)時(shí)間范圍的預(yù)測(cè)，在時(shí)間點(diǎn)上的預(yù)測(cè)失真往往越嚴(yán)重.因此，在實(shí)際預(yù)測(cè)風(fēng)速時(shí)，需要根據(jù)不同對(duì)象的需求、綜合考慮預(yù)測(cè)方法實(shí)現(xiàn)的成本等選擇不同的預(yù)測(cè)方法.

2.2 算例誤差分析比較

預(yù)測(cè)周期一般有預(yù)測(cè)時(shí)間及預(yù)測(cè)步數(shù)兩種表示方法.根據(jù)算例采樣點(diǎn)的時(shí)間間隔長(zhǎng)度，可以將精選后的預(yù)測(cè)時(shí)間和步數(shù)進(jìn)行等效換算.

文獻(xiàn)［11］利用人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行風(fēng)速預(yù)測(cè)時(shí)，綜合考慮了實(shí)測(cè)風(fēng)電功率作為輸入數(shù)據(jù)和風(fēng)輪不同高度處的風(fēng)速數(shù)據(jù)對(duì)于預(yù)測(cè)結(jié)果的影響.計(jì)算結(jié)果表明，綜合考慮風(fēng)輪下邊緣處及輪轂高度處的風(fēng)速，比單獨(dú)利用輪轂高度處的風(fēng)速作為神經(jīng)網(wǎng)絡(luò)的輸入值的預(yù)測(cè)精度要高，且當(dāng)預(yù)測(cè)周期越短時(shí)，預(yù)測(cè)誤差越小.文獻(xiàn)［28］利用隨機(jī)時(shí)間序列法對(duì)我國(guó)西北某風(fēng)電場(chǎng)進(jìn)行風(fēng)速預(yù)測(cè)，得出提前10 min的風(fēng)速預(yù)測(cè)值，從該算例所用的時(shí)間序列樣本為每10 min采樣1點(diǎn)來看，其預(yù)測(cè)周期及預(yù)測(cè)步數(shù)都很短，因此計(jì)算精度較高，預(yù)測(cè)平均誤差為7%.而根據(jù)文獻(xiàn)［36］，時(shí)間序列超前1步的預(yù)測(cè)精度較高，可達(dá)6.49%，但隨著預(yù)測(cè)步數(shù)的增大，誤差也迅速增大，超前10步以上的預(yù)測(cè)精度由于誤差太大已不適用于工程計(jì)算.

文獻(xiàn)［27］、文獻(xiàn)［34］和文獻(xiàn)［35］利用混沌時(shí)間序列法進(jìn)行風(fēng)速預(yù)測(cè)，其中文獻(xiàn)［27］預(yù)測(cè)樣本為每小時(shí)采樣1點(diǎn)的風(fēng)速序列，進(jìn)行提前1天的風(fēng)速預(yù)測(cè)，預(yù)測(cè)精度為8.19%.文獻(xiàn)［36］利用滾動(dòng)式時(shí)間序列法超前3步預(yù)測(cè)，預(yù)測(cè)樣本為每分鐘采樣1點(diǎn)的風(fēng)速序列，預(yù)測(cè)結(jié)果誤差為7.01%，隨著超前預(yù)測(cè)步數(shù)的增大，預(yù)測(cè)誤差也增大，但利用時(shí)間序列和卡爾曼濾波的混合算法對(duì)相同樣本進(jìn)行預(yù)測(cè)時(shí)，超前1步的預(yù)測(cè)誤差僅為3.19%.文獻(xiàn)［10］利用時(shí)間序列和神經(jīng)網(wǎng)絡(luò)的混合算法進(jìn)行提前1天的風(fēng)速預(yù)測(cè)，平均誤差為21%，考慮到本算例預(yù)測(cè)周期比較長(zhǎng)，而且是對(duì)海風(fēng)進(jìn)行預(yù)測(cè)，由于海風(fēng)比陸地風(fēng)隨機(jī)性更大，預(yù)測(cè)也更加困難，因此本算例的精度不算太低.

文獻(xiàn)［27］的算例也進(jìn)行了提前一天的風(fēng)速預(yù)測(cè)，其預(yù)測(cè)精度較高的原因可能有:一是混沌系統(tǒng)對(duì)初值敏感，本算例選取的初值較好;二是所預(yù)測(cè)的風(fēng)場(chǎng)風(fēng)速變化較平緩;三是該算法精度比較好.

目前風(fēng)速預(yù)測(cè)的平均誤差為25% ～40%［5］，然而以上各種預(yù)測(cè)方法的算例計(jì)算誤差為3.19%～22%，且其中絕大多數(shù)誤差在10%以內(nèi)，其原因?yàn)槲墨I(xiàn)算例中的預(yù)測(cè)周期較短，多數(shù)只計(jì)算了提前3步甚至提前1步的預(yù)測(cè)，因此得出的預(yù)測(cè)精度遠(yuǎn)遠(yuǎn)高于平均值.此外，選取的風(fēng)速數(shù)據(jù)樣本的采樣間隔時(shí)間也會(huì)影響計(jì)算結(jié)果.一般來說，采樣間隔時(shí)間越長(zhǎng)，預(yù)測(cè)結(jié)果的平均值越準(zhǔn)確，但是對(duì)風(fēng)速變化規(guī)律的預(yù)測(cè)會(huì)失真.文獻(xiàn)［27］、文獻(xiàn)［28］和文獻(xiàn)［36］所采用的數(shù)據(jù)樣本采樣間隔時(shí)間各不相同，但是由于所預(yù)測(cè)的周期較短，因此對(duì)預(yù)測(cè)結(jié)果沒有明顯影響.

目前，國(guó)內(nèi)對(duì)于短期風(fēng)速預(yù)測(cè)的研究還存在以下不足:一是需要根據(jù)風(fēng)速的歷史數(shù)據(jù)預(yù)測(cè)將來的風(fēng)速，如果不知道歷史風(fēng)速數(shù)據(jù)，則不可預(yù)測(cè);二是沒有實(shí)現(xiàn)風(fēng)電功率的預(yù)測(cè)，風(fēng)速預(yù)測(cè)的算法并不完全適用于功率預(yù)測(cè);三是由于功率雜散分布，由風(fēng)速推導(dǎo)風(fēng)電功率將導(dǎo)致誤差進(jìn)一步增大.

3 結(jié)語(yǔ)

風(fēng)速預(yù)測(cè)有針對(duì)一種方法的改進(jìn)或者將幾種方法結(jié)合使用的趨勢(shì).預(yù)測(cè)的準(zhǔn)確度和預(yù)測(cè)方法、預(yù)測(cè)周期、地理位置等有關(guān).一般預(yù)測(cè)周期越短，預(yù)測(cè)地點(diǎn)的風(fēng)速變化越緩和，預(yù)測(cè)精度越高.風(fēng)電的發(fā)展離不開風(fēng)速預(yù)測(cè).隨著各種預(yù)測(cè)法的發(fā)展和完善，我國(guó)風(fēng)電事業(yè)也會(huì)得到進(jìn)一步的發(fā)展.

［1］遲永寧，李群英，李琰，等.大規(guī)模風(fēng)電并網(wǎng)引起的電力系統(tǒng)運(yùn)行與穩(wěn)定問題及對(duì)策［J］.電力設(shè)備，2008，9(11):16-19.

［2］丁明，張立軍，吳義純.基于時(shí)間序列分析的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)模型［J］.電力自動(dòng)化設(shè)備，2005，25(8):32-34.

［3］耿天翔，丁茂生，劉純，等.寧夏電網(wǎng)風(fēng)電功率預(yù)測(cè)系統(tǒng)開發(fā)［J］.寧夏電力，2010(1):1-4.

［4］孟祥星，王宏.大規(guī)模風(fēng)電并網(wǎng)條件下的電力系統(tǒng)調(diào)度［J］.東北電力大學(xué)學(xué)報(bào)，2009，29(1):2-7.

［5］楊秀媛，肖洋，陳樹勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究［J］.電機(jī)工程學(xué)報(bào)，2005，25(11):1-5.

［6］UMMELS B C，GIBESCU M，PILGRUM E，et al.Impacts of wind power on thermal generation unit commitment and dispatch［J］.IEEE Trans on Energy Conversion，2007，22(1):44-51.

［7］顏巧燕，溫步瀛，江岳文.風(fēng)電并網(wǎng)后系統(tǒng)備用容量需求分析［J］.電力與電工，2009(2):26-29.

［8］吳炳琦.風(fēng)電機(jī)組運(yùn)行的預(yù)測(cè)預(yù)警和自動(dòng)監(jiān)控保護(hù)［J］.電氣技術(shù)，2008(3):5-11.

［9］吳國(guó)煬，肖洋，翁莎莎.風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)探討［J］.吉林電力，2005(6):21-24.

［10］吳興華，周暉，黃梅.基于模式識(shí)別的風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)［J］.繼電器，2008，36(1):27-32.

［11］范高鋒，王偉勝，劉純，等.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2008，28(34):118-123.

［12］傅蓉，王維慶，何桂雄.基于氣象因子的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)［J］.可再生能源，2009，27(5):86-89.

［13］屠強(qiáng).風(fēng)電功率預(yù)測(cè)技術(shù)的應(yīng)用現(xiàn)狀及運(yùn)行建議［J］.電網(wǎng)與清潔能源，2009，25(10):4-9.

［14］王麗婕，廖曉鐘，高爽，等.風(fēng)電場(chǎng)發(fā)電功率的建模和預(yù)測(cè)研究綜述［J］.電力系統(tǒng)保護(hù)與控制，2009，37(13):118-121.

［15］雷亞洲，王偉勝，戴慧珠.風(fēng)電對(duì)電力系統(tǒng)運(yùn)行的價(jià)值分析［J］.電網(wǎng)技術(shù)，2002，26(5):10-14.

［16］DAI Hui-zhu，WANG Wei-sheng，LI Han-xiang.Special report relationship between wind farms and power grids［J］.Engineering Sciences，2009，7(2):13-19.

［17］陳兆慶，王崢，陸艷艷，等.華東沿海風(fēng)電場(chǎng)出力預(yù)測(cè)的研究和探討［J］.華東電力，2010，38(3):384-387.

［18］張彥寧，康龍?jiān)?，周世瓊，?小波分析應(yīng)用于風(fēng)力發(fā)電預(yù)測(cè)控制系統(tǒng)中的風(fēng)速預(yù)測(cè)［J］.太陽(yáng)能學(xué)報(bào)，2008，29(5):520-524.

［19］SIDERATOS G，HATZIARGYRIOU N D.An advanced statistical method for wind power forecasting［J］.IEEE Trans.on Power Systems，2007，22(1):258-265.

［20］FLORES Juan J，LOAEAZ Roberto，HéCTOR Rodríguez，et al.Wind speed forecasting using a hybrid neural-evolutive approach［J］.Micai，2009，58(45):600-609.

［21］MENDEZ Juan，LORENZO Javier，HERNANDEZ Mario.Experiments and reference models in training neural networks for short-term wind power forecasting in electricity markets［J］.Iwann，2009，55(17):1 288-1 295.

［22］ALEXIADIS M，DOKOPOULOS P，SAHSAMANOGLOU，et al.Short term forecasting of wind speed and related electrical power［J］.Solar Energy，1998，63(1):61-68.

［23］楊剛，陳鳴.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)和風(fēng)能發(fā)電潛力分析［J］.華東電力，2010，38(2):304-309.

［24］潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型［J］.電網(wǎng)技術(shù)，2008，32(7):82-86.

［25］BOSSANYE E A.Short-term wind prediction using Kalman filters［J］.Wind Engineering，1985，9(1):1-8.

［26］KAMAL L，JAFRI Y Z.Time series models to simulateand forecast hourly averaged wind speed in Wuetta Pakistan［J］.Solar Energy，1997，6l(1):23-32.

［27］羅海洋，劉天琪，李興源.風(fēng)電場(chǎng)短期風(fēng)速的混沌預(yù)測(cè)方法［J］.電網(wǎng)技術(shù)，2009，33(9):67-71.

［28］高文元，劉尊朋，王鵬，等.基于時(shí)間序列法的短期風(fēng)速建模［J］. 甘肅科技，2009，25(7):14-16.

［29］呂金虎，陸君安，陳士華.混沌時(shí)間序列分析及其應(yīng)用［M］.武漢:武漢大學(xué)出版社，2002:57-80.

［30］溫權(quán)，張勇傳，程時(shí)杰.負(fù)荷預(yù)報(bào)的混沌時(shí)間序列分析方法［J］.電網(wǎng)技術(shù)，2001，25(10):13-16.

［31］LINSAY P S.An efficient method of forecasting chaotic time series using linear interpolation［J］.Phys Lett A，1991，153(6-7):353-356.

［32］NAVONE H D，CECEATTO H A.Forecasting chaos from small data sets:a comparison of different nonlinear algorithms［J］.Phys A:Math Gen，1995，28(12):3 381-3 388.

［33］任曉林，胡光銳，徐雄.混沌時(shí)間序列局域線性預(yù)測(cè)方法［J］.上海交通大學(xué)學(xué)報(bào)，1999，33(1):19-21.

［34］王麗婕，廖曉鐘，高爽，等.并網(wǎng)型大型風(fēng)電場(chǎng)風(fēng)力發(fā)電功率-時(shí)間序列的混沌屬性分析［J］.北京理工大學(xué)學(xué)報(bào)，2007，27(12):1 076-1 080.

［35］蔣傳文，侯志儉，張勇傳.基于關(guān)聯(lián)度的高嵌入維混沌預(yù)測(cè)方法研究［J］.系統(tǒng)工程與電子技術(shù)，2002，24(12):65-66.

［36］潘迪夫，劉輝，李燕飛.風(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2008，28(26):87-91.

［37］米增強(qiáng)，楊奇遜，樊小偉.一種基于EMD的短期風(fēng)速多步預(yù)測(cè)方法［J］.電工技術(shù)學(xué)報(bào)，2010，25(4):165-170.

［38］王曉蘭，李輝.基于EMD與LS-SVM的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31(10):2 303-2 307.

［39］戚雙斌，王維慶，張新燕.基于支持向量機(jī)的風(fēng)速與風(fēng)功率預(yù)測(cè)方法研究［J］.華東電力，2009，37(9):1 060-1 063.

［40］周培毅，張新燕.基于時(shí)間序列與支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究［J］.陜西電力，2009(12):1-4.

［41］陶文斌，張粒子，潘弘.基于雙層貝葉斯分類的空間負(fù)荷預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2007，27(7):13-17.

［42］蔡凱，譚倫農(nóng)，李春林，等.時(shí)間序列與神經(jīng)網(wǎng)絡(luò)法相結(jié)合的短期風(fēng)速預(yù)測(cè)［J］.電網(wǎng)技術(shù)，2008，32(8):82-8.

［43］徐富強(qiáng)，鄭婷婷，方葆青.基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的函數(shù)逼近［J］.巢湖學(xué)院學(xué)報(bào)，2010，12(6):11-16.