基于特征選擇和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障分類監(jiān)測(cè)研究

童 超， 郭 鵬

（華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京102206）

風(fēng)電機(jī)組在惡劣的自然環(huán)境下工作，極易出現(xiàn)故障并造成巨大的經(jīng)濟(jì)損失.因此，應(yīng)對(duì)風(fēng)電機(jī)組進(jìn)行有效的實(shí)時(shí)監(jiān)測(cè)和故障診斷.早期的狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)主要是依靠?jī)x器獲取參數(shù)（如頻率、振幅和速度），并與固有的參數(shù)進(jìn)行比較來(lái)確定故障類型.近年來(lái)，隨著計(jì)算機(jī)和信號(hào)處理技術(shù)的迅速發(fā)展，多將監(jiān)測(cè)數(shù)據(jù)傳輸給計(jì)算機(jī)進(jìn)行綜合分析，得到頻譜圖、倒頻譜圖和包絡(luò)線等，從而實(shí)現(xiàn)風(fēng)電機(jī)組狀態(tài)的在線監(jiān)測(cè)和遠(yuǎn)程監(jiān)測(cè).也有學(xué)者通過(guò)對(duì)風(fēng)電機(jī)組建模［1］來(lái)進(jìn)行監(jiān)測(cè)分析.同時(shí)，人工智能和機(jī)器學(xué)習(xí)方法（如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等［2］）也被應(yīng)用于風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)中.郭鵬等［3］采用非線性狀態(tài)估計(jì)技術(shù)作為建模方法，對(duì)風(fēng)電機(jī)組塔架振動(dòng)特性及其影響因素進(jìn)行細(xì)致分析的基礎(chǔ)上，建立了塔架振動(dòng)模型，用于風(fēng)電機(jī)組振動(dòng)狀態(tài)監(jiān)測(cè).楊宏暉等［4］提出自適應(yīng)增強(qiáng)支持向量機(jī)集成算法，并結(jié)合風(fēng)機(jī)噪聲信號(hào)的人耳聽(tīng)覺(jué)譜特征，對(duì)風(fēng)機(jī)故障進(jìn)行分類識(shí)別.龍泉等［5］提出了一種基于粒子群優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）的風(fēng)電機(jī)組齒輪箱故障診斷方法.筆者選擇結(jié)構(gòu)簡(jiǎn)單、應(yīng)用范圍廣的BP神經(jīng)網(wǎng)絡(luò)對(duì)槳距角不對(duì)稱故障進(jìn)行分類監(jiān)測(cè).

但是，直接采用BP神經(jīng)網(wǎng)絡(luò)對(duì)不對(duì)稱故障進(jìn)行分類存在以下問(wèn)題：首先，由于數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（SCADA系統(tǒng)）記錄47個(gè)常用的風(fēng)電機(jī)組參數(shù)，這些參數(shù)之間關(guān)系復(fù)雜.雖然數(shù)據(jù)越多，BP神經(jīng)網(wǎng)絡(luò)分析得到的信息會(huì)越充分、準(zhǔn)確性越高，但是由于數(shù)據(jù)維數(shù)過(guò)高、數(shù)據(jù)過(guò)于龐大，會(huì)出現(xiàn)“維數(shù)災(zāi)難”的問(wèn)題［6］，這勢(shì)必將影響分類器的分類性能；其次，雖然多個(gè)參數(shù)可能具有很好的分類信息，但是若它們具有非常高的相關(guān)性，則將它們一起作為特征向量幾乎得不到什么信息，不但增加復(fù)雜度且沒(méi)有獲得更多信息.因此，有必要對(duì)各個(gè)特征向量的分類能力進(jìn)行評(píng)價(jià)，選擇出分類能力強(qiáng)的特征信號(hào)，剔除冗余信息，降低特征向量的維數(shù).目前，特征選擇的研究呈現(xiàn)出多樣化和綜合性的趨勢(shì)，各種新的搜索算法和評(píng)價(jià)標(biāo)準(zhǔn)都被應(yīng)用到特征選擇算法中［7］.楊志新等［8］提出了一種基于小波包變換與ReliefF算法的RES識(shí)別方法，用于雷達(dá)輻射源信號(hào)識(shí)別，利用ReliefF算法對(duì)雷達(dá)輻射源信號(hào)各個(gè)頻段特征的分類能力進(jìn)行評(píng)價(jià)，從而選擇出分類能力強(qiáng)的信號(hào)特征組成特征向量；李宗杰等［9］采用自組織的SOM網(wǎng)絡(luò)進(jìn)行特征選擇；楊飛虎［6］提出RF－MI特征選擇算法和ISU－GA特征選擇算法，用于網(wǎng)絡(luò)流量識(shí)別，降低了后續(xù)分類算法的時(shí)間和空間復(fù)雜度.郭嘉［10］針對(duì)回聲狀態(tài)網(wǎng)絡(luò)分類方法面向特征維數(shù)高、特征間關(guān)系復(fù)雜數(shù)據(jù)時(shí)的特征選擇問(wèn)題，提出了一種基于微分進(jìn)化算法的封裝式特征選擇方法.

筆者參考上述降低特征向量維數(shù)的方法，在運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分類之前，選擇ReliefF算法對(duì)數(shù)據(jù)進(jìn)行降維處理.ReliefF算法是目前公認(rèn)的性能較好的一種特征有效評(píng)估方法［8］，具有較高的運(yùn)行效率且對(duì)數(shù)據(jù)集的數(shù)據(jù)類型沒(méi)有限制，同時(shí)克服了Relief算法僅解決兩種類別數(shù)據(jù)的分類問(wèn)題和沒(méi)有對(duì)數(shù)據(jù)缺失情況進(jìn)行處理的缺點(diǎn).

1 槳距角不對(duì)稱故障分析

槳葉與發(fā)電機(jī)、軸承和齒輪箱均有直接聯(lián)系，且槳葉故障的維修費(fèi)用在風(fēng)電場(chǎng)總維修費(fèi)用中占較大比重，與電廠的盈利息息相關(guān).槳葉的原始故障包括槳距角不對(duì)稱（Blade angle asymmetry）和槳距角不可信（Blade angle implausibility）兩大故障［11］.筆者選取槳距角不對(duì)稱故障進(jìn)行詳細(xì)分析.

槳距角不對(duì)稱故障是由槳距角不同引起的.所研究風(fēng)電機(jī)組的報(bào)警系統(tǒng)有以下規(guī)定：在自動(dòng)槳距控制模式下，2個(gè)葉片槳距角的偏差0.5°持續(xù)10s或偏差4°持續(xù)200ms，就會(huì)進(jìn)行槳距角不對(duì)稱報(bào)警.在高風(fēng)速下，變槳距控制系統(tǒng)調(diào)節(jié)葉片槳距角，而在低風(fēng)速時(shí)槳葉固定不動(dòng).當(dāng)某一葉片槳距角與其他葉片槳距角顯著不同時(shí)，就會(huì)造成停機(jī).

圖1為發(fā)生槳距角不對(duì)稱故障時(shí)風(fēng)機(jī)功率與槳距角的變化趨勢(shì)圖，在101采樣點(diǎn)處功率下降至0，風(fēng)電機(jī)組停機(jī).圖2為101采樣點(diǎn)處3個(gè)葉片各自槳距角的放大示意圖，可以發(fā)現(xiàn)2號(hào)葉片的槳距角明顯超前于1號(hào)和3號(hào)葉片的槳距角.2號(hào)葉片的槳距角與1號(hào)葉片的槳距角之差為1.1°，大于0.5°，因此此處槳距角不對(duì)稱故障引起了機(jī)組停機(jī).

圖1 槳距角不對(duì)稱故障時(shí)風(fēng)機(jī)功率與槳距角的變化趨勢(shì)圖Fig.1 Tendency chart of wind power and blade angle under asymmetrical fault conditions

圖2 在101采樣點(diǎn)處3個(gè)葉片各自槳距角的放大示意圖Fig.2 Enlarged drawing of three blade angles at sampling point 101

2 ReliefF算法變槳故障特征選擇

所研究的風(fēng)電機(jī)組為張家口某風(fēng)電場(chǎng)的GE 1.5MW變槳變速機(jī)組.該機(jī)組的額定功率為1.5 MW，切入風(fēng)速為3m／s，額定風(fēng)速為12m／s，切出風(fēng)速為25m／s.該機(jī)組的SCADA系統(tǒng)每隔10min記錄一次各重要部件傳感器的測(cè)量參數(shù)，如功率、塔架繞曲及電壓等共47個(gè)參數(shù).由于參數(shù)量較多，為了避免“維數(shù)災(zāi)難”并且去除數(shù)據(jù)的冗余性，選擇ReliefF算法進(jìn)行數(shù)據(jù)降維處理.

ReliefF算法的核心思想是：好的特征應(yīng)使同類樣本接近，使不同類樣本遠(yuǎn)離.ReliefF算法首先從數(shù)據(jù)集中隨機(jī)選擇一個(gè)樣本，然后從該樣本的同類和不同類中均選擇出k個(gè)最近鄰樣本，根據(jù)權(quán)重計(jì)算公式（1）更新每一個(gè)特征的權(quán)重.由于抽樣了m次，所以上述過(guò)程迭代m次，最終得到每一個(gè)特征的平均權(quán)重.保留特征權(quán)重大于預(yù)設(shè)權(quán)值的特征，組成一個(gè)特征子集［6］.算法詳細(xì)描述如下.

輸入：訓(xùn)練數(shù)據(jù)集D、樣本抽樣次數(shù)m、最近鄰樣本個(gè)數(shù)k、特征數(shù)目n和特征權(quán)重閾值δ.

輸出：特征值大于閾值δ的組成特征子集S.算法過(guò)程：

（1）初始化.置S為空集，置所有特征權(quán)重

（2）從j＝1到m進(jìn)行如下操作

①?gòu)腄中隨機(jī)選擇一個(gè)樣本R；

②從R的同類樣本集中找出R的k個(gè)最近鄰樣本Hi（i＝1，2，…，k），從R 的不同類樣本集中找出R的k個(gè)最近鄰樣本

③從F＝1到n進(jìn)行如下操作

式中：p（C）表示類的分布概率；Cla（R）表示R所屬的類別；Hi表示類Cla（R）中R的第i個(gè)最近鄰樣本；Mi（C）表示類C中R的第i個(gè)最近鄰樣本；Dif（F ， R1，R2）表示R1與R2在第F個(gè)特征上的差異度.

（3）從F＝1到n進(jìn)行如下操作

對(duì)于連續(xù)型特征

式（2）和式（3）中：R1、R2表示2個(gè)樣本；R1［］F和R2［］F分別為R1和R2中第F個(gè)特征的值.

在ReliefF算法中，特征屬性與類別屬性的相關(guān)性越高，算法賦予的特征權(quán)重也就越高，因此可以有效地去除無(wú)關(guān)特征，但是該算法的局限在于無(wú)法去除冗余性的特征.為此，采用相關(guān)度分析將冗余的分類能力弱的特征去除.相關(guān)度計(jì)算公式如下

式中：xi和yi為特征值；ˉx和ˉy為特征均值；r為相關(guān)度.

對(duì)于給定的相關(guān)度閾值，兩兩分析參數(shù)的相關(guān)性，在相關(guān)性強(qiáng)的一對(duì)特征屬性中，權(quán)重大的被保留，權(quán)重小的被去除.因此，最終保留下來(lái)的特征屬性與類別屬性相關(guān)性高且冗余信息小.

提取槳距角不對(duì)稱故障時(shí)的數(shù)據(jù)以及部分風(fēng)機(jī)正常運(yùn)行時(shí)的數(shù)據(jù)，用于ReliefF算法，相關(guān)度閾值設(shè)為0.95時(shí)，計(jì)算出各個(gè)參數(shù)特征分類能力的權(quán)值，前10名示于表1.

表1 特征參數(shù)權(quán)值排名Tab.1 Weight ranking of various characteristic parameters

本研究的主要目標(biāo)是建立風(fēng)電機(jī)組槳距角不對(duì)稱故障分類模型，槳距角不對(duì)稱故障是由槳距角不同引起的，葉片槳距角偏差是槳距角不對(duì)稱故障的重要衡量標(biāo)準(zhǔn)，因此應(yīng)將槳距角偏差加入到最終選擇的參數(shù)集中.

結(jié)合ReliefF算法所得到的結(jié)果，選擇8個(gè)與槳距角不對(duì)稱故障最相關(guān)的參數(shù)建立分類模型，這8個(gè)參數(shù)分別為：槳葉1槳距角偏差、槳葉2槳距角偏差、槳葉3槳距角偏差、功率因數(shù)設(shè)定值、機(jī)艙位置、塔架加速度、傳動(dòng)系統(tǒng)加速度和機(jī)艙旋轉(zhuǎn).其中，槳葉1槳距角偏差為槳葉1與槳葉2槳距角之差，槳葉2槳距角偏差為槳葉2與槳葉3槳距角之差，槳葉3槳距角偏差為槳葉3與槳葉1槳距角之差.

圖3為某次發(fā)生槳距角不對(duì)稱故障當(dāng)天各個(gè)被選特征參數(shù)的變化趨勢(shì)圖，當(dāng)天槳距角不對(duì)稱故障發(fā)生時(shí)刻為13：03：28，對(duì)應(yīng)于圖中第79個(gè)采樣點(diǎn)（即虛線所示位置）.

由圖3可以看出，這8個(gè)被選特征參數(shù)在虛線附近均發(fā)生了明顯的變化，其中后5個(gè)參數(shù)為ReliefF算法選擇的參數(shù)，從圖3可以發(fā)現(xiàn)這5個(gè)參數(shù)相關(guān)性低、冗余信息小，充分體現(xiàn)了ReliefF算法所選擇的特征屬性與類別屬性的相關(guān)性高、特征屬性間冗余信息小的特征.

圖3 某次發(fā)生槳距角不對(duì)稱故障當(dāng)天各個(gè)被選特征參數(shù)的變化趨勢(shì)圖Fig.3 Tendency chart of various characteristic parameters in the case of a certain asymmetrical fault

3 BP神經(jīng)網(wǎng)絡(luò)變槳故障分類

分類器的設(shè)計(jì)采用BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)簡(jiǎn)單，是目前神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣的一類網(wǎng)絡(luò)，已經(jīng)成功解決了許多領(lǐng)域的實(shí)際問(wèn)題［12］.網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖4.

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of the BP neural network

該網(wǎng)絡(luò)由輸入層、隱含層和輸出層3部分組成，能夠?qū)崿F(xiàn)連續(xù)的非線性映射.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程由正向傳播和誤差反向傳播2個(gè)過(guò)程組成.在正向傳播過(guò)程中，輸入層各神經(jīng)元接收輸入信息，并傳遞給隱含層各神經(jīng)元；隱含層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)需求，隱含層可以設(shè)計(jì)為單隱含層或多隱含層結(jié)構(gòu)；最后一個(gè)隱含層傳遞到輸出層各神經(jīng)元的信息經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層輸出信息處理結(jié)果.當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段.通過(guò)網(wǎng)絡(luò)將誤差信號(hào)沿原連接通路返回，同時(shí)修改各層神經(jīng)元的權(quán)值直至達(dá)到期望目標(biāo)［13］.

采用第2節(jié)ReliefF算法分析得到的結(jié)論，網(wǎng)絡(luò)輸入?yún)?shù)為8個(gè)，即槳葉1槳距角偏差、槳葉2槳距角偏差、槳葉3槳距角偏差、功率因數(shù)設(shè)定值、機(jī)艙位置、塔架加速度、傳動(dòng)系統(tǒng)加速度和機(jī)艙旋轉(zhuǎn).采用3層BP神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)數(shù)為1，通過(guò)輸出值判斷是否為槳距角不對(duì)稱故障，若正常，則輸出為1，若故障，則輸出為0.隱含層的激活函數(shù)為Singmoid型正切函數(shù)tansig，學(xué)習(xí)效率為0.1，訓(xùn)練目標(biāo)的誤差為0.000 000 4.

整理出槳距角不對(duì)稱故障18個(gè)點(diǎn)及正常工況342個(gè)點(diǎn)，組合成樣本集，共360個(gè)樣本，其中80%作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，而剩余的20%用于檢驗(yàn)分類的準(zhǔn)確性.

圖5顯示了BP神經(jīng)網(wǎng)絡(luò)能較好地收斂于給定的相對(duì)誤差，其中最佳驗(yàn)證性能為0.024 194，出現(xiàn)在第8次迭代時(shí).圖6給出了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分類與實(shí)際類別的對(duì)比.由圖6可知，在72個(gè)驗(yàn)證數(shù)據(jù)中，70個(gè)數(shù)據(jù)分類正確，2個(gè)數(shù)據(jù)分類錯(cuò)誤，分類的準(zhǔn)確率為97.22%，準(zhǔn)確性較高.

圖5 BP神經(jīng)網(wǎng)絡(luò)算法性能圖Fig.5 Performance of the BP neural network

在分類算法中，支持向量機(jī)（SVM）算法也是較常用的方法.利用與BP神經(jīng)網(wǎng)絡(luò)相同的訓(xùn)練集構(gòu)建SVM分類器，并采用相同的測(cè)試數(shù)據(jù)進(jìn)行分類測(cè)試，結(jié)果示于圖7.由圖7可知，在72個(gè)驗(yàn)證數(shù)據(jù)中，68個(gè)數(shù)據(jù)分類正確，4個(gè)數(shù)據(jù)分類錯(cuò)誤，分類準(zhǔn)確率為94.44%.

圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分類與實(shí)際類別的對(duì)比Fig.6 Comparison between BP neural network prediction and actual classification

圖7 SVM算法預(yù)測(cè)分類與實(shí)際類別的對(duì)比Fig.7 Comparison between SVM prediction and actual classification

對(duì)比圖6和圖7可知，從分類準(zhǔn)確率看，對(duì)于槳距不對(duì)稱故障這一對(duì)象，BP神經(jīng)網(wǎng)絡(luò)算法比SVM算法的分類效果好.

4 結(jié) 論

采用ReliefF算法對(duì)槳距角不對(duì)稱故障相關(guān)參數(shù)進(jìn)行特征選擇，選取槳葉1槳距角偏差、槳葉2槳距角偏差、槳葉3槳距角偏差、功率因數(shù)設(shè)定值、機(jī)艙位置、塔架加速度、傳動(dòng)系統(tǒng)加速度和機(jī)艙旋轉(zhuǎn)這8個(gè)特征參數(shù)，避免了“維數(shù)災(zāi)難”.采用BP神經(jīng)網(wǎng)絡(luò)對(duì)槳距角不對(duì)稱故障進(jìn)行分類，發(fā)現(xiàn)該算法可有效分辨出是否發(fā)生了槳距角不對(duì)稱故障，其準(zhǔn)確率高于SVM算法.該方法有利于現(xiàn)場(chǎng)操作人員及時(shí)判斷故障類型，掌握故障信息，進(jìn)行故障維護(hù)，從而減少風(fēng)電場(chǎng)經(jīng)濟(jì)損失.

［1］徐大平，高峰，呂躍剛.基于混雜系統(tǒng)的風(fēng)力發(fā)電機(jī)組建模與控制［J］.動(dòng)力工程，2009，29（4）：369－374.XU Daping，GAO Feng，Lü Yuegang.Modelling and control of wind turbine based on hybrid system［J］.Journal of Power Engineering，2009，29（4）：369－374.

［2］吳娜，孫麗玲，楊普.風(fēng)力機(jī)狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)研究［J］.華北水利水電學(xué)院學(xué)報(bào)，2012，33（2）：86－90.WU Na，SUN Liling，YANG Pu.Research on wind turbine condition monitoring and fault diagnosis［J］.Journal of North China Institute of Water Conservancy and Hydroelectric Power，2012，33（2）：86－90.

［3］郭鵬，徐明，白楠，等.基于SCADA運(yùn)行數(shù)據(jù)的風(fēng)電機(jī)組塔架振動(dòng)建模與監(jiān)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（5）：128－135.GUO Peng，XU Ming，BAI Nan，et al.Wind turbine tower vibration modeling and monitoring driven by SCADA data［J］.Proceedings of the CSEE，2013，33（5）：128－135.

［4］楊宏暉，陳兆基，戴鍵.基于自適應(yīng)增強(qiáng)SVM集成算法的風(fēng)機(jī)故障診斷［J］.檢測(cè)技術(shù)，2010，29（7）：72－74.YANG Honghui，CHEN Zhaoji，DAI Jian.Fault diagnosis for fan based on self－adaptive boosting SVM ensemble［J］.Measurement ＆ Control Technology，2010，29（7）：72－74.

［5］龍泉，劉永前，楊勇平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法［J］.太陽(yáng)能學(xué)報(bào)，2012，33（1）：120－124.LONG Quan，LIU Yongqian，YANG Yongping.Fault diagnosis method of wind turbine gearbox based on BP neural network trained by particle swarm optimization algorithm［J］.Acta Energiae Solaris Sinica，2012，33（1）：120－124.

［6］楊飛虎.特征選擇算法及其在網(wǎng)絡(luò)流量識(shí)別中的應(yīng)用研究［D］.南京：南京郵電大學(xué)，2012.

［7］KUSIAK A，VERMA A.A data－mining approach to monitoring wind turbines［J］.IEEE Transactions on Sustainable Energy，2012，3（1）：150－157.

［8］楊志新，段美軍.ReliefF算法在雷達(dá)輻射源信號(hào)識(shí)別中的應(yīng)用［J］.成都大學(xué)學(xué)報(bào)，2012，31（2）：151－153.YANG Zhixin，DUAN Meijun.Application of ReliefF algorithm in radar emitter signal recognition［J］.Journal of Chengdu University，2012，31（2）：151－153.

［9］李宗杰，梁海峰.基于特征選擇和K－means聚類預(yù)處理的風(fēng)電場(chǎng)功率預(yù)測(cè)［C］／／中國(guó)高等學(xué)校電力系統(tǒng)及其自動(dòng)化專業(yè)第二十七屆學(xué)術(shù)年會(huì).北京：中國(guó)電機(jī)工程學(xué)會(huì)，2012.

［10］郭嘉.回聲狀態(tài)網(wǎng)絡(luò)分類方法及其應(yīng)用研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2011.

［11］KUSIAK A，VERMA A.A data－driven approach for monitoring blade pitch faults in wind turbines［J］.IEEE Transactions on Sustainable Energy，2011，2（1）：87－96.

［12］韓英莉，顏云輝.基于BP神經(jīng)網(wǎng)絡(luò)的帶鋼表面缺陷的識(shí)別與分類［J］.儀器儀表學(xué)報(bào)，2006，27（12）：1692－1694.HAN Yingli，YAN Yunhui.Discernment and classification of banding strip surface defect based on BP neural network［J］.Chinese Journal of Scientific Instrument，2006，27（12）：1692－1694.

［13］黃金花，彭暉.風(fēng)電場(chǎng)短期風(fēng)電功率的神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)研究［J］.電工電氣，2009（9）：57－60.HUANG Jinhua，PENG Hui.Study of wind power short－term prediction of wind farm based on neural network［J］.Jiangsu Electrical Apparatus，2009（9）：57－60.