第３０卷第２期 ２０１７年２月 广东电力 ＧＵＡＮＣＤｏＮＧ ＥＬＥＣＴＲＩＣ Ｐ０ＷＥＲ Ｖｏ１．３【】ＮＯ．２ Ｆｅｂ．２（）１７ ｄｏｉ：１ ０．３９６９／ｊ．ｉｓｓｎ．１ ００７—２９０Ｘ．２（）１ ７．０２．００５ 基于混合算法优化神经网络的风电预测模型 董朕，殷豪，孟安波 （广东工业大学自动化学院，广东广州５１Ｏ００６） 摘要：针对粒子群算法陷入局部最优以及Ｅｌｍａｎ神经网络泛化能力不足等缺点，提出一种混合小波包分解 （ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＷＰＤ）和催化粒子群算法（ｃａｔｙｔｉｃ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＣＰＳ０）优化Ｅ１． ｍａｎ神经网络（ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＥＮＮ）的短期风电预测方法。通过小波包变换对风电功率样本进行多层序 列分解，对单支重构所得的风电功率子序列采用催化粒子群算法优化的神经网络（ＣＰＳＯ－ＥＮＮ）进行预测，最后 叠加各子序列的预测值，得出实际预测结果。在实例分析中，利用某风电场实际运行数据进行仿真验证，结果 表明新模型具有较高的预测精度。 关键词：催化粒子群算法；神经网络；小波包分解；子序列；风电功率预测 中图分类号：ＴＭ７１５ ．１ 文献标志码：Ａ 文章编号：１００７．２９Ｏｘ（２（）１７）Ｏ２．００２９．０５ Ｗｉｎｄ Ｐｏｗｅｒ Ｆｏｒｅｃａｓｔｉｎｇ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ Ｏｐｔｉｍｉｚｅｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｏｆ Ｈｙｂｒｉｄ Ａｌｇｏｒｉｔｈｍ ＤｏＮＧ Ｚｈｅｎ，ＹＩＮ Ｈａｏ，Ｍ ＥＮＧ Ａｎｂｏ （Ｃｏｌｌｅｇｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ，Ｇｕａｎｇｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ，Ｏｕａｎｇｄｏｎｇ ５１０００６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ａｌｌｕｓｉｏｎ ｔｏ ｓｈｏｒｔｃｏｍｉｎｇｓ ｏｆ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ ｂｅｉｎｇ ｌｉｋｅｌｙ ｔｏ ｒｕｎ ｉｎｔｏ ｐａｒｔｉａｌ ｏｐｔｉｍｉ— ｚａｔｉｏｎ ａｎｄ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｏｆ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂｅｉｎｇ ｉｎｓｕｆｆｉｃｉｅｎｔ，ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｋｉｎｄ ｏｆ ｍｅｔｈｏｄ ｆｏｒ ｓｈｏｒｔ—ｔｅｒｍ ｗｉｎｄ ｐｏｗｅｒ ｆｏｒｅｃａｓｔｉｎｇ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＷＰＤ）ａｎｄ ｃａｔａｌｙｔｉｃ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ（ＣＰＳＯ）ａｌ— ｇｏｒｉｔｈｍ ｆｏｒ ｏｐｔｉｍｉｚｉｎｇ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＥＮＮ）．Ｔｈｉｓ ｍｅｔｈｏｄ ｕｓｅｓ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｔｏ ｄｅｃｏｍｐｏｓｅ ｗｉｎｄ ｐｏｗｅｒ ｓａｍ－ ｐｉｅｓ ｉｎｔｏ ｍｕｌｔｉ－ｌｅｖｅｌ ｓｅｑｕｅｎｃｅｓ，ａｄｏｐｔｓ ＣＰＳＯ—ＥＮＮ ｏｐｔｉｍｉｚｅｄ ｂｙ ＣＰＳＯ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｔｈｅ ｓｕｂ－ｓｅｑｕｅｎｃｅ ｏｆ ｗｉｎｄ ｐｏｗｅｒ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ，ａｎｄ ｆｉｎａｌｌｙ ｏｖｅｒｌａｙｓ ｆｏｒｅｃａｓｔｉｎｇ ｖａｌｕｅ ｏｆ ｅａｃｈ ｓｕｂ—ｓｅｑｕｅｎｃｅ ｔｏ ｏｂｔａｉｎ ａｃｔｕａｌ ｆｏｒｅｃａｓｔｉｎｇ ｒｅｓｕｌｔｓ．Ｓｉｍｕｌａｔｉｎｇ ｖｅｒｉｆｉｃａｔｉｏｎ ｆｏｒ ａｃｔｕａｌ ｏｐｅｒａｔｉｏｎａｌ ｄａｔａ ｏｆ ｏｎｅ ｗｉｎｄ ｐｏｗｅｒ ｆｉｅｌｄ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｉｓ ｎｅｗ ｍｏｄｅｌ ｈａｓ ｈｉｇｈｅｒ ｆｏｒｅｃａｓｔｉｎｇ ｐｒｅｃｉｓｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｃａｔａｌｙｔｉｃ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ；ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ；ｓｕｂ—ｓｅｑｕｅｎｃｅ； ｗｉｎｄ ｐｏｗｅｒ ｆｏｒｅｃａｓｔｉｎｇ 近年来，风电能源以其清洁性及应用技术日益 成熟而备受青睐，在电网规划中的比重也逐年上 升。但是风电出力固有的波动性和间歇性给电网带 来的冲击严重影响电能质量和供电可靠性，成为制 约风电并网的瓶颈。对风电场输出功率进行预测， 可为电网安排发电计划、停机检修提供可靠参考， 有利于保证系统的安全可靠和经济运行ｌ】 ；因 此，提高风电预测的精度对大规模风电的逐步并网 具有重要意义。Ｅｌｍａｎ神经网络在信息处理规模 以及学习能力等方面表现突出，在预测领域得到广 泛应用［ ；但是随着预测影响因素和学习样本增 多，神经网络的计算量和权值数将急剧增加，其收 敛速度慢、容易陷入局部最优的缺点就暴露出来。 神经网络的预测性能与神经元间连接系数密切相 关［６。］，目前网络参数优化的方法主要有遗传算 法［ 、蚁群算法 、模拟退火法、粒子群算法［１｛１］ 收稿日期：２０１６－１０－（１２ 基金项目：广东省科技计划项目（２０１６Ａ０１０１０４０１６）；广东电网公 司科技项目（ＧＤＫＪＱＱ２（Ｈ５２Ｏ６６） 广东电力 第３０卷 以及多种算法结合［１妇等，但这些算法均有过早收 敛问题。针对风电功率的特点和已有优化算法的不 第ｄ维执行横向交叉，则它们的子代可表示为： Ｍｆｉ， ＝ｒ｝ｐ《， ＋（１一ｒｆ）ｐ《，，＋ｃ （ｐ《， 一ｐ２，Ｊ）．（１） 足，本文提出一种混合小波包变换（ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＷＰＤ）与催化粒子群算法（ｃａｔｙｔｉｃ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＣＰＳＯ）优化Ｅｌｍａｎ Ｍｆｉ， ＝ｒ！ｐ８， ＋（１一ｒ！）ｐ８，ｉ＋ｃ！（ｐ２，Ｊ—ｐ《， ）．（２） 式中：ｒ｝、ｒ （ｄ＝１，２…，Ｄ）为［０，１］之间的均 匀分布随机数；ｃ 、ｃ 为［一１，１］之间的均匀分 布扩展系数；Ｍ 、Ｍ 为中庸解，分别为Ｐ ， 神经网络（ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＥＮＮ）的风电预 测方法（ＷＰＤ．ＣＰＳＯ．ＥＮＮ）。该方法首先采用小波 和Ｐ ，，的子代；ｐ８， 为父代粒子Ｐ ， 的第ｄ维，ｐ８，， 包对原始风电功率时间序列进行分解，然后用Ｅｌ－ ｍａｎ神经网络对单支重构的各子序列进行预测， 同时为保证预测精度，使用催化粒子群算法来优化 神经网络的权值、阈值，最后叠加全部子序列预测 值得到实际预测结果。通过对某风电场进行提前 ２４ ｈ预测，取得了良好的预测效果。 １催化粒子群算法 粒子群算法（ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ， ＰＳＯ）以粒子全局最优值 和个体历史最优值Ｐ 作引导的寻优机制使得粒子群算法的前期收敛速度 较快，局部搜索能力强；然而，其不足之处在于算 法在迭代后期容易出现早熟问题，全局收敛能力欠 佳。相反，交叉优化算法（ｃｒｉｓｓｃｒｏｓｓ ｓｗａｒｍ ｏｐｔｉ． ｍｉｚａｔｉｏｎ，ＣＳＯ）作为一种新颖的随机搜索算法， 虽然前期收敛速度不如ＰＳＯ，但是这里改进后的 ＣＳＯ引入贪婪选择思想，始终使种群粒子保持其 历史最优值Ｐ ，同时利用算法自带的横向交叉和 纵向交叉机制，使ＣＳＯ拥有更快的总体收敛速度 和强大的全局收敛能力。受此启发，为了结合两种 算法的优点，提高算法的性能，提出了一种新颖的 催化粒子群算法（ＣＰＳＯ）。 这里纵横交叉算法可以看作为一种用来提高粒 子群算法收敛性能的催化剂，其主要内容如下。 １．１纵横交叉算法 纵横交叉算法主要包括横向交叉和纵向交叉两 个主要算子。横向交叉执行对解空间的全局搜索， 纵向交叉则引入维度层面的算术交叉，相当于一个 小概率的突变，该搜索机制将被作为一个催化剂来 提高Ｐｓｏ的收敛速率和增强算法的全局收敛能力。 １．１．１横向交叉 横向交叉是２个不同粒子的所有维之间进行的算 术交叉，交叉前须对种群中所有粒子进行两两不重复 配对，然后执行横向交叉机制更新粒子。在Ｄ维搜 索空间中，假设粒子ｉ和粒子 的父代Ｐｂ， 和Ｐ ，ｆ的 为粒子Ｐ ，，的第ｄ维。 由式（１）和式（２）可知，横向交叉由两部分组 成：第一部分为类似于遗传算法的实值算术交叉， 第二部分加入了扩展系数。 横向交叉得到的中庸解通过竞争机制与其父代 （第一阶段中改造ＰＳｏ更新后得到的个体最优值 Ｐ ）进行适应度比较，选择适应度小的作为新一代 。然后，新一代的个体最优值Ｐ 将被作为新的 父代粒子，进入到第三阶段的纵向交叉操作。 １．１．２纵向交叉 纵向交叉是所有粒子维度层面的算术交叉，交 叉前须对所有粒子的所有维进行配对，假设粒子 的第ｄ 和第ｄ：维进行纵向交叉，则第ｄ 维的子 代可表示为： Ｍ ， ＝ｒ３ ｐ ＋（１一ｒ ３）ｐｄ。２ ，． （３） 式中：ｒ，为［（），１］之间的均匀分布随机数。 由式（３）可知，纵向交叉同样采用类似的繁殖 机制来产生中庸解。但是，该交又是粒子维度层面 的交叉，它能使陷入局部最优的某一维从中摆脱出 来，以此来保持和增加种群多样性。由于粒子各个 维的取值范围可能不同，因而，为了使每一维产生 的子代均能介于其取值范围以内，交叉前须对所有 粒子的每一维进行归一化处理。 由于种群中的粒子在进化过程中始终保持其个 体历史最优值Ｐ ，因此，须对ＰＳＯ进行相应的改 造，以适应算法要求。 １．２改造ＰＳＯ 改造ＰＳＯ的更新公式与传统ＰＳＯ不同。在种 群数量为Ｍ时，假设粒子ｉ（ｉ＝１，２，…，Ｍ）的 速度和位置矢量分为：Ｖｌ＝（ ， ，…， ）和 Ｘ ＝（Ｘ ，Ｘ ，…， ），则其更新公式为： ｖ ＝ｗ ＋ｃ１ ｒ１（ｍ ８一ｐ８， Ｃ ２ ｒ２（ｇ８一ｇ８， ）．（４） ＝ｐ８。 ＋ ． （５） 式中：ｒ 、ｒ。为［（），１］之间的均匀分布随机数； Ｃ 、Ｃ２为加速因子；Ｗ为惯性权重；ｐ《， 第２期 董朕，等：基于混合算法优化神经网络的风电预测模型 （ｄ＝１，２，…，Ｄ）为粒子ｆ的个体历史最优位 置；ｇｇ为当前种群中全局最优位置；ｍｂｄ为所有 粒子第ｄ维的平均值；ｖ 为粒子更新后的速度； 为粒子更新后的位置。 假设神经网络输入层、隐含层和输出层的节点 数分别为／７，、ｈ、ｍ，则变量维数Ｄ＝凡×ｈ＋ｍ ×ｈ－Ｉ－ｈ＋ 。用式（６）均方误差公式（适应度函数 ｋ ）衡量每个粒子的适应值。 Ⅳ ｍ 因为ＣＰＳＯ在寻优过程中结合了ＰＳＯ中个体最 优值ｇ 对种群的引导机制，所以算法前期收敛速度 非常快；同时又引入ＣＳＯ的横向交叉和纵向交叉机 ｋ ＝ １∑∑（ｐ 一 ） ． ’ｋ＝１ ｔ：１ ＾ （６） 式中：Ｐ 、Ｐ 分别是神经网络的实际输出和目标 制，结合两者的优点，使催化粒子群算法具备更加 强大的全局收敛能力和更快的总体收敛速率。 ２催化粒子群算法优化神经网络 Ｅｌｍａｎ神经网络在神经元之间既有主要的前馈 连接又有内部的反馈连接，与ＢＰ神经网络相比具 有更强的动态行为和计算能力Ｅ他］，使训练好的网络 具备非线性映射和动态特性；然而Ｅｌｍａｎ神经网络 同样容易陷入局部最优，而且当影响因素和学习样 本增多时，神经网络的计算量和权值数将急剧增加， 导致收敛速度慢。∞算法具有全局搜索能力强 和收敛速度快的特点，为克服神经网络以上缺点提 供了可能。（ Ｓｏ训练神经网络的过程如图１所示。 图１ ＣＰＳＯ．ＥＮＮ流程图 输出；Ｎ为训练样本数。 ３基于小波包和ＣＰＳＯ．ＥＮＮ的预测模型 ３．１小波包分解 ＷＰＤ在同一级尺度上能同时对低频和高频部 分进行分解，形成一个完整二叉树结构，如图２所 示，分解得到２ｊ个子序列，７为分解层数，也就 是尺度数。综合考虑总体计算速度和预测精度，本 文采用试错法多次实验，最后确定对原始风电功率 时间序列采用３层小波包分解。以１２天数据样本 点为例，共２８８点，进行３层小波包分解，结果如 图３所示。 图２ ３层小波包分解结构图 ３．２基于混合算法的风电功率预测模型 针对风电功率波动性大和非线性强的特点，本 文对风电功率预测建模采用ＷＰＤ．ＣＰＳＯ．ＥＮＮ模 型，并与ＷＰＤ．ＰＳＯ．ＥＮＮ作比较，所提的混合算 法模型如图４所示。该模型首先利用小波包分解将 原始负荷时间序列分解成多个频率的子序列，然后 运用ＰＳ０．ＥＮＮ、ＣＰＳＯ．ＥＮＮ预测模型对各子序列 进行预测，最后叠加各子序列的预测值，得到实际 预测结果。 广东电力 第３（）卷 喜２０ ｒ ＡＡＡ３ 垂 ． 差 ｝＾ … ｎ Ｕ ｌ００ ２００ ３ＵＵ ０ １００ ２００ ３００ 谆０卜叫婚 ———一 至 ｒ ．ＡＤＡ３ 督 占＿＿— 广 ＿ ０ 羹 １￣ ＤＡＡ３ ０．０ １００ ２００ ３００ 羹三 ０ １００ ２００ ３００ 奏 、Ｌ———————Ｊ———————— ——————＿Ｊ 一，Ｌ——————— ———————— ——————一． ． 、０ １００ ２００ ３００ ‘０ １００ ２００ ３００ 图４基于混合算法的风电功率预测模型 ４预测结果和对比分析 神经网络隐含层节点数通过试错法确定，具体 参数如下：输入层、隐含层和输出层节点数分别为 ２４、６和２４；训练代数为１００代；学习速率为 （）．１；目标误差为０．（）１。ＣＰＳＯ中，纵向交叉概率 Ｐ 设为（）．８，加速因子ｃ 、ｃ 的值设为２，惯性 权重ｗ值设为０．４，解空间维数设为Ｄ＝３２×６＋ ６ｘ ２４＋６＋２４＝３３６，种群大小设为Ｍ＝５（），最大 迭代次数设为～ ＝５００。 为了有效和全面地评价各预测模型的准确率， 分别采用平均绝对百分比误差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｐｅｒ． ｃｅｎｔａｇｅ ｅｒｒｏｒ，ＭＡＰＥ），以下记为ＥＭＡＰＥ。 Ｅ一＝ 耋Ｉ Ｉ． 式中：Ｐ，为ｔ时刻实际功率值；Ｐ 为ｔ时刻预测 功率值。 神经网络的训练样本为预测日前９（）天的数据， 风电场的额定装机容量Ｐ 。＝２０ Ｍｗ。采用上述３ 种混合模型对某实际风电场的风电数据进行时间分 辨率为１ ｈ的连续３天预测仿真。ＷＰＤ．ＣＰＳＯ． ＥＮＮ最优预测结果如图５所示，预测误差如图６ 所示。每天２４个时刻点的预测误差由式（７）计算得 出，求平均后得到每天的预测误差，所有算法的误 差分析如表１所示。 表１算法的性能比较 由图５可知ＷＰＤ．ＣＰＳＯ．ＥＮＮ模型能很好地 捕捉到风电功率的变化规律，预测结果十分接近实 际值，充分表明了该模型的可行性和高精度性。 参 时间，ｈ 图５ ＣＰＳＯ算法预测与实际运行曲线对比 时间／ｈ 图６ ＣＰＳＯ算法预测误差 由表１可知：对比ＷＰＤ．ＰＳＯ．ＥＮＮ、ＷＰＤ． ＣＰＳＯ．ＥＮＮ与ＷＰＤ．ＥＮＮ，前两者明显具有更高 的预测精度，说明经优化后的神经网络能有效提高 预测能力；ＷＰＤ．ＣＰＳＯ．ＥＮＮ是所有混合模型中表 现最好的，与ＷＰＤ．ＥＮＮ模型相比，该模型的 ＭＡＰＥ分别减小了５．２１％、４．９３％、６．１４％，与 第２期 董朕，等：基于混合算法优化神经网络的风电预测模型 ３３ ＷＰＤ．ＰＳＯ．ＥＮＮ模型相比，该模型的ＭＡＰＥ分别 减小了２．１７％、１．９９％、２．７４％，有效提高了预 测的整体精度，说明通过ＣＰＳＯ优化神经网络的 参数，有效提高神经网络的泛化能力，具有更高的 预测精度。 Ｗｉｎｄ Ｓｐｅｅｄ ｉｎ Ｗｉｎｄ Ｆａｒｍ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ＣＳＵ－ＥＰＳＡ， ２（）１１，２３（４）：２７－３１． ［６］黄小华，李德源，吕文阁，等基于人工神经网络模型的风速 预测＿Ｊ］．太阳能学报，２０１１，３２（２）：１９３—１９７． ＨＵＡＮＧ Ｘｉａｏｈｕａ，ＬＩ Ｄｅｙｕａｎ，ＬＵ Ｗｅｎｇｅ，ｅｔ ａｌ，Ｗｉｎｄ Ｓｐｅｅｄ Ｆｏｒｅｃａｓｔｉｇ ｗｉｔｈ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ Ｍｏｄｅｌ［Ｊ］． Ａｃｔａ Ｅｎｅｒｇｉａｅ Ｓｏｌａｒｉｓ Ｓｉｎｉｃａ，２０１１，３２（２）：１９３－１９７． ５结论 ［７３米增强，刘兴杰，张艳青，等．基于混沌分析和神经网络的风 提出采用催化粒子群算法来优化Ｅｌｍａｎ神经 网络的权值和阈值。利用ＣＰＳＯ全局搜索能力强、 收敛精度高的优点，构建ＣＰＳＯ．ＥＮＮ的预测模型。 实验证明： ａ）ＣＰＳＯ．ＥＮＮ比ＥＮＮ、ＰＳｏ．ＥＮＮ具有更高 的预测精度，有效克服了神经网络的缺点，提高了 其泛化能力。 ｂ）为进一步提高预测的精度，利用小波包变 换对负荷时间序列进行分解，实验结果表明， ＷＰＤ．ＣＰＳＯ．ＥＮＮ的预测结果更接近于真实值。 参考文献： ［１］张丽英，叶廷路，辛耀中，等．大规模风电接人电网的相关问 题及措施【Ｊ］．中国电机工程学报，２０１０，３０（２５）：１—９． ＺＨＡＮＧ Ｌｉｙｉｎｇ，ＹＥ Ｔｉｎｇｌｕ，ＸＩＮ Ｙａｏｚｈｏｎｇ，ｅｔ ａ１．Ｐｒｏｂｌｅｍｓ ａｎｄ Ｍｅａｓｕｒｅｓ ｏｆ Ｐｏｗｅｒ Ｇｒｉｄ Ａｃｃｏｍｏｄａｔｉｎｇ Ｌａｒｇｅ Ｓｃａｌｅ Ｗｉｎｄ Ｐｏｗｅｒ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ＣＳＥＥ，２（１１（），３０（２５）：１—９， ［２３周双喜，王海超，陈寿孙．风力发电运行价值分析＿Ｊ］．电网 技术，２００６，３０（１４）：９８—１０２． ＺＨＯＵ Ｓｈｕａｎｇｘｉ，ＷＡＮＧ Ｈａｉｃｈａｏ，ＣＨＥＮ Ｓｈｏｕｓｕｎ．Ａｎａｌｙｓｉｓ ｏｎ Ｏｐｅｒａｔｉｏｎ Ｖａｌｕｅ ｏｆ Ｗｉｎｄ Ｐｏｗｅｒ Ｒｅｓｏｕｒｃｅｓ，［Ｊ］．Ｐｏｗｅｒ Ｓｙｓ－ ｔｅｒｎ Ｔｅｃｈｎｏｌｏｇｙ，２００６，３０（１４）：９８－１０２． ［３］陈宁，于继来基于电气剖分信息的风电系统有功调度与控制 ［Ｊ］．中国电机工程学报，２００８，２８（１６）：５１—５８． ＣＨＥＮ Ｎｉｎｇ，ＹＵ Ｊｉｌａｉ．Ａｃｔｉｖｅ Ｐｏｗｅｒ Ｄｉｓｐａｔｃｈ ａｎｄ Ｒｅｇｕｌａｔｉｏｎ ｏｆ Ｗｉｎｄ Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｎ Ｅｌｅｃｔｒｉｃａｌ Ｄｉｓｓｅｃｔｉｎｇ Ｉｎｆｏｒｍａ ｔｉｏｎ ｏｆ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｎｅｔｗｏｒｋ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ＣＳＥＥ， ２００８，２８（１６）：５１—５８． ［４］朱晟，蒋传文，侯志俭．基于气象负荷因子的Ｅｌｍａｎ神经网 络短期负荷预测［Ｊ］．电力系统及其自动化学报，２００５，１７ （１）：２３—２６． ＺＨＵ Ｓｈｅｎｇ，ＪＩＡＮＧ Ｃｈｕａｎｗｅｎ，ＨＯＵ Ｚｈｉｊｉａｎ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａ Ｗｅａｔｈｅｒ Ｃｏｍｐｏｎｅｎｔ Ｂａｓｅｄ Ｅｌｍａｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｔｏ Ｓｈｏｒｔ—ｔｅｒｍ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ＣＳＵ—ＥＰ－ ＳＡ，２０（）５，１７（１）：２３—２６． Ｉｓ］戴浪，黄守道，黄科元，等．风电场风速的神经网络组合预测 模型［Ｊ］．电力系统及其自动化学报，２０１１，２３（４）：２７—３１． ＤＡＩ Ｌａｎｇ，ＨＵＡＮＧ Ｓｈｏｕｄａｏ，ＨＵＡＮＧ Ｋｅｙｕａｎ，ｅｔ ａ１．Ｃｏｍ－ ｂｉｎａｔｉｏｎ Ｆｏｒｅｃａｓｔｉｎｇ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ 速直接多步预测ｌ＿Ｊ］．太阳能学报，２０１１，３２（６）：９０１—９０６． ＭＩ Ｚｅｎｇｑｉａｎｇ，ＬＩＵ Ｘｉｎｇｊｉｅ，ＺＨＡＮＧ Ｙａｎｑｉｎｇ，ｅｔ ａ１．Ｄｉｒｅｃｔ Ｍｕｌｔｉ－ｓｔｅｐ Ｆｏｒｅｃａｓｔｉｎｇ ｏｆ Ｓｈｏｒｔ－ｔｅｒｍ Ｗｉｎｄ Ｓｐｅｅｄ Ｂａｓｅｄ ｏｎ Ｃｈａｏｓ Ａｎａｌｙｓｉｓ ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］．Ａｃｔａ Ｅｎｅｒｇｉａｅ Ｓｏｌａｒｉｓ Ｓｉｎｉｃａ，２０１１，３２（６）：９０１—９０６． ［８］陈海燕，蔡嗣经，郑明贵．中国能源可持续发展的遗传神经网 络评价［Ｊ］．太阳能学报，２０１０，３１（９）：１２２０—１２２４． ＣＨＥＮ Ｈａｉｙａｎ，ＣＡＩ Ｓｉｊｉｎｇ，ＺＨＥＮＧ Ｍｉｎｇｇｕｉ．Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｃｈｉｎａ’ｓ Ｓｕａｔａｉｎａｂｌｅ Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｅｎｅｒｇｙ Ｂａｓｅｄ ｏｎ ＧＡ－ＢＰ Ｍｏｄｅｌ［Ｊ］．Ａｃｔａ Ｅｎｅｒｇｉａｅ Ｓｏｌａｒｉｓ Ｓｉｎｉｃａ，２０１０，３１（９）： １２２０．１２２４． ［９］ＫＨＡＪＥＨ Ｍ，ＨＥＺＡＲＹＡＮ Ｓ Ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ＡＣＯ－ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｅｔｈｏｄ ｆｏｒ Ｍｏｄｅｌｉｎｇ ｏｆ Ｍａｎｇａｎｅｓｅ ａｎｄ Ｃｏ－ ｂａｌｔ Ｅｘｔｒａｃｔｉｏｎ ｏｎｔｏ Ｎａｎｏｍｅｔｅｒ Ｓｉ０２ ｆｒｏｍ Ｗａｔｅｒ Ｓａｍｐｌｅｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｄｕｓｔｒｉａｌ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｈｅｍｉｓｔｒｙ，２０１３，１９ （６）：２１００．２１０７． ［１Ｏ］ＢＡＳＨＩＲ ｚ Ａ，ＥＬ—ＨＡＷＡＲＹ Ｍ Ｅ．Ａｐｐｌｙｉｎｇ Ｗａｖｅｌｅｔｓ ｔｏ Ｓｈｏｒｔ．ｔｅｒｍ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｕｓｉｎｇ Ｐｓｏ—ｂａｓｅｄ Ｎｅｕｒａｌ Ｎｅｔ． ｗｏｒｋｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ，２００９，２４ （１）：２０．２７． ［１ １］ＺＨＵＯ Ｌｉ，ＺＨＡＮＧ Ｊｉｎｇ，ＤＯＮＧ Ｐｅｉ，ｅｔ ａ１．Ａｎ ＳＡ－ＧＡ－ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ－ｂａｓｅｄ Ｃｏｌｏｒ Ｃｏｒｒｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ＴＣＭ Ｔｏｎｇｕｅ Ｉｍａｇｅｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１４（１３４）： １１１—１１６． ［１２］张海，浦健，张啸澄 基于粒子群优化算法的Ｅｌｍａｎ神经网 络凝汽器真空模型Ｉｓ］．热力发电，２０１０，３９（４）：７—１１． ＺＨＡＮＧ Ｈａｉ，ＰＵ Ｊｉａｎ，ＺＨＡＮＧ Ｘｉａｏｃｈｅｎｇ Ａ Ｍｏｄｅｌ ｆｏｒ Ｐｒｅｄｉｃｔｉｎｇ Ｖａｃｕｕｍ ｉｎ ｔｈｅ Ｃｏｎｄｅｎｓｅｒ Ｂａｓｅｄ ｏｎ Ｅｌｍａｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｂｙ Ｕｓｉｎｇ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ＿Ｊ］．Ｔｈｅｒｍａｌ Ｐｏｗｅｒ Ｇｅｎｅｒａｔｉｏｎ，２（）１｛】，３９（４）：７－１１． 作者简介： 董朕（１９９０），男，河南信阳人。在读硕士研究生，主要研究 方向为人工智能算法在电力系统中的应用。 殷豪（１９７２），女，重庆人。副教授，工学硕士，主要研究方 向为电力系统稳定与控制。 孟安波（１９７１），男，重庆梁平人。副教授，工学博士，主要 研究方向为电力系统自动化、系统分析与集成。 （编辑王晓华）
