王 越，衛(wèi)志農(nóng)，吳佳佳

（河海大學(xué)能源與電氣學(xué)院，南京211100）

負荷日益增長和用戶對供電質(zhì)量要求的不斷提高，使得傳統(tǒng)配網(wǎng)結(jié)構(gòu)面臨的壓力越來越大。在居民、工業(yè)、商業(yè)負荷均較高的夏季，經(jīng)常會出現(xiàn)負荷持續(xù)高峰，容易造成供電緊張。當(dāng)電能供應(yīng)無法滿足所有用戶需求時，供電部門通常采取拉閘限電措施以達到重要負荷連續(xù)供電和滿足節(jié)能減排的要求。限電措施雖然在一定程度上減小了電網(wǎng)供電壓力，保證了電網(wǎng)在高負荷期間的穩(wěn)定運行，但同時也造成了相關(guān)企業(yè)和個人一定的經(jīng)濟損失。對于配網(wǎng)的正常運行和規(guī)劃而言限電只能作為應(yīng)急措施而不能作為常規(guī)控制手段。

隨著風(fēng)電、光伏等新能源發(fā)電的迅速發(fā)展，將為上述問題的緩解提供有效的途徑。國內(nèi)外對這些新能源發(fā)電以分布式電源形式接入電網(wǎng)的運行和規(guī)劃已經(jīng)做了大量的研究，但是這種混合式配電網(wǎng)仍需解決分布式電源發(fā)電的間歇性、大規(guī)模接入對電網(wǎng)的沖擊、高昂的建造維護費用等諸多問題，特別是經(jīng)常會出現(xiàn)風(fēng)能或光能富足期間不一定能緩解主網(wǎng)壓力，在高負荷期間，卻無法提供足夠電能等情況。

新型配網(wǎng)結(jié)構(gòu)——微網(wǎng)概念的提出在很大程度上解決了分布式電源的這些問題，其在并網(wǎng)和離網(wǎng)兩種模式間的靈活切換的特點可以讓配網(wǎng)的運行和調(diào)度有更多的選擇，來應(yīng)對不同的情況［1，2］。如果微網(wǎng)網(wǎng)內(nèi)條件允許，可以切換到離網(wǎng)運行模式；當(dāng)網(wǎng)內(nèi)微源供電不足可以回到并網(wǎng)運行。微網(wǎng)內(nèi)分布式電源與儲能系統(tǒng)相互配合，再采用合適的控制策略完全能夠保證微網(wǎng)一定時間的離網(wǎng)穩(wěn)定運行［3］。微網(wǎng)的這種綜合管理負荷和微源、靈活切換運行的特點可以最大效率地利用風(fēng)電這樣的間歇式電源，在特定時期可以增強區(qū)域供電，緩解主網(wǎng)壓力。

根據(jù)微源和負荷的預(yù)測結(jié)果，微網(wǎng)可以在主網(wǎng)壓力不大且微源出力理想的情況下控制微源以網(wǎng)內(nèi)供電為主，即使在微源出力變化較大的情況下，仍可使用微燃機和儲能裝置的移峰填谷作用［4］，穩(wěn)定網(wǎng)內(nèi)潮流，平衡負荷和微源，避免了資源的浪費和對主網(wǎng)的沖擊；在實在無法滿足負荷要求的情況下切換到大電網(wǎng)供電為主，甚至切出微源。預(yù)測系統(tǒng)的加入可以幫助配網(wǎng)運行者制定出最經(jīng)濟合理的供配電方案，但預(yù)測的誤差也會對供電可靠性造成影響。

鑒于此，本文將基于人工神經(jīng)網(wǎng)絡(luò)（NN）的預(yù)測系統(tǒng)加入到微網(wǎng)中，以此來預(yù)測風(fēng)電機組的處理和網(wǎng)內(nèi)負荷情況。通過分析比較傳統(tǒng)分布式電源接入與微網(wǎng)結(jié)構(gòu)下用戶的供電可靠性和節(jié)能減排效果，對配網(wǎng)中的微網(wǎng)運行方式提供切實可行的建議和幫助。

1 微網(wǎng)內(nèi)模型

1.1 微網(wǎng)結(jié)構(gòu)

本文采用如圖1所示Benchmark 0.4kV低壓微網(wǎng)結(jié)構(gòu)［5］。

圖1 微網(wǎng)結(jié)構(gòu)Fig.1 Structure of Microgrid

為充分考慮不同負荷的特點，本文設(shè)定負荷點1、5為居民負荷，負荷點4為工業(yè)負荷，負荷點2、3為商業(yè)負荷。

1.2 BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)

目前關(guān)于風(fēng)速預(yù)測的方法較多，但由于受天氣和大氣運動的影響，中長期的風(fēng)速預(yù)測難以保證準(zhǔn)確性，從而導(dǎo)致分析結(jié)果的參考價值較低。關(guān)于在微電網(wǎng)中應(yīng)用預(yù)測技術(shù)，已經(jīng)有很多文獻進行了嘗試并獲得了很好的計算結(jié)果：文獻［6］中將短期負荷預(yù)測應(yīng)用在微網(wǎng)儲能裝置控制策略中取得了很好的削峰填谷效果；文獻［7］提出采用改進的NN算法對離網(wǎng)狀態(tài)下的微電網(wǎng)網(wǎng)內(nèi)負荷進行預(yù)測可以很好的跟蹤微網(wǎng)負荷的動態(tài)特性；文獻［8］則直接指出準(zhǔn)確的網(wǎng)內(nèi)預(yù)測是微網(wǎng)穩(wěn)定運行的關(guān)鍵因素，并在傳統(tǒng)預(yù)測方法的基礎(chǔ)上提出了一種雙層預(yù)測策略。

根據(jù)不同預(yù)測算法的特點，本文選用反向傳播算法（BP算法）［9］預(yù)測微網(wǎng)每日運行24h的微源和負荷數(shù)據(jù)。這種算法既靈活簡便又能保證一定的計算精度，比較適合對微網(wǎng)整體狀況進行評估并做出實時的調(diào)整。

首先利用BP算法設(shè)計神經(jīng)網(wǎng)絡(luò)并加以訓(xùn)練，這一過程是一個輸入前向傳播、反向輸出誤差再循環(huán)記憶的過程［10］。設(shè)輸入模式向量和與之相對應(yīng)的期望輸出由以下公式表示：

其中k＝1，2，…，m；n為學(xué)習(xí)模式對數(shù)，q為輸出層單元格數(shù)。將中間層單元激活值代入S型激活函數(shù)得到中間層j單元的輸出值：

其中Wij為輸入層至中間層的連接權(quán)，θj為中間層單元的閾值，閾值在學(xué)習(xí)中不斷被修正，同理求的輸出端的激活值和輸出值。在順向傳播的過程中得到的網(wǎng)絡(luò)實際輸出值，當(dāng)其與期望輸出值誤差大于設(shè)定值的時候，對網(wǎng)絡(luò)進行反向誤差傳播校正，輸出層校正誤差為：

訓(xùn)練網(wǎng)絡(luò)的過程中，考慮到人工神經(jīng)網(wǎng)絡(luò)方法在進行預(yù)測時，具有很強的自學(xué)習(xí)能力和復(fù)雜的非線性函數(shù)映射能力的特點［11］，因此選擇輸入量為矩陣形式，輸出量也為矩陣形式，選取一個時間點T，形成一個X22矩陣，矩陣大小為n·（NZ－L），令N2＝NZ－L，矩陣大小為n·N2。該矩陣中，每行依次表示L天的歷史數(shù)據(jù)和L＋1天的溫度、濕度等數(shù)據(jù)，NZ為總樣本容量，N2表示最后一個樣本的起始天數(shù)，之后選出X22中第1至第N2－C列，令N＝N2－C，C為訓(xùn)練步長，通常取1，形成矩陣xx作為輸入矩陣用于訓(xùn)練BP網(wǎng)絡(luò)。選出X22的第N＋1至第N2列，即X22的最后一列，作為預(yù)測輸入矩陣x11，最終訓(xùn)練得到輸出矩陣Y，將x11作為預(yù)測輸入矩陣輸入到已訓(xùn)練好的網(wǎng)絡(luò)，就可以得出第NZ天T時刻的預(yù)測數(shù)值。

本文采用的模型中，將一天24h分成24等份，每一個小時記為一個時間周期，被預(yù)測日記為NZ，將此前N－L（N＞L）天的T時刻的歷史數(shù)據(jù)及相應(yīng)的溫度濕度數(shù)據(jù)輸入輸入層神經(jīng)元模塊，然后訓(xùn)練得到最終的預(yù)測網(wǎng)絡(luò)模型，再將第NZ天前L天的風(fēng)速數(shù)據(jù)及第NZ天T時刻的溫度濕度預(yù)測數(shù)據(jù)輸入次網(wǎng)絡(luò)，最終得到對應(yīng)時刻預(yù)測值。模型如圖2所示。

圖2 算法模型Fig.2 Model of the proposed algorithm

1.3 微源出力預(yù)測

由于光伏系統(tǒng)暫時還難以在配網(wǎng)實際運行中提供足夠的電能支持，本文采用的微網(wǎng)結(jié)構(gòu)中微源以風(fēng)電機組為主。微網(wǎng)的中央控制系統(tǒng)可以根據(jù)微源及負荷的預(yù)測結(jié)果和大電網(wǎng)的總體電能情況控制微網(wǎng)的運行方式。

本文首先進行風(fēng)速預(yù)測，將風(fēng)速值帶入風(fēng)電機功率模型得到預(yù)測出力。基于某地區(qū)風(fēng)電場實測數(shù)據(jù)，應(yīng)用所提方法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到輸出矩陣為

在確定模型之后，先要將風(fēng)速數(shù)據(jù)、溫度數(shù)據(jù)和濕度數(shù)據(jù)等輸入量行預(yù)處理。在實際問題中，一般都有多個輸入?yún)?shù)，而每個輸入的量綱可能不同，數(shù)量級也不盡相同，并且系統(tǒng)又是非線性的。因此，從這些角度考慮，為了有利于訓(xùn)練時盡量讓訓(xùn)練能夠收斂以及學(xué)習(xí)過程能順利達到局部最小，數(shù)據(jù)初值的選取不可忽視。為了讓輸入的各個參數(shù)能夠統(tǒng)一，則必需輸入數(shù)據(jù)進行歸一化，變成無量綱的數(shù)據(jù)，作為輸入初值。本文采取將各個輸入數(shù)據(jù)單獨進行歸一化，使之在區(qū)間［0，1］之間，以某一輸入?yún)?shù)的序列為例，歸一化公式為：

其中Y ＝ ｛yi｝是歸一化前的數(shù)據(jù)，｛y′i｝是歸一化后的序列。然后得出第NZ天T時刻的風(fēng)速預(yù)測數(shù)值，直到24個時刻全部預(yù)測完成。最后按照風(fēng)電機輸出功率與風(fēng)速的功率曲線［11］得到每天24h的風(fēng)電出力。

其中：Prate為額定功率；Vci為切入風(fēng)速；Vco為切出風(fēng)速；Vrate為額定風(fēng)速。本文根據(jù)某風(fēng)電場8月實測風(fēng)速預(yù)測一個月內(nèi)各時間點風(fēng)機出力，風(fēng)機切入風(fēng)速3m／s，額定風(fēng)速14m／s，切出風(fēng)速25m／s，額定功率750kW。為簡化計算，每天從9：00開始到21：00取5個時間觀測點。預(yù)測出力與真實值的對比如圖3所示。

圖3 預(yù)測出力與實際出力對比Fig.3 Comparison of predicted output and actual output

1.4 微燃機和儲能裝置

儲能技術(shù)在電力系統(tǒng)中主要起到電力調(diào)峰、提高系統(tǒng)的運行穩(wěn)定性和提高供電質(zhì)量的作用［12］。而在微電網(wǎng)中，由于需要按照主網(wǎng)情況即時與其接通和斷開，在這些切換的過程中會出現(xiàn)短暫的功率不平衡，引起電壓的不穩(wěn)定。為了保證重要負荷的連續(xù)供電，必須引入儲能裝置進行快速的儲能、放能控制。目前的儲能技術(shù)和儲能裝置容量并不能填補離網(wǎng)運行時分布式電源的電能不足，并且為了達到足夠的可靠性，儲能裝置充電完成之前一般不能進行離網(wǎng)運行，儲能裝置特性如下：其中：ES（t）為儲能裝置在t時刻存儲的電能；PWT和PPV（t）分別為微網(wǎng)中風(fēng)電機組和光伏電池的輸出功率；PL（t）為所帶負荷，η為充、放電效率；ESmin、ESmax分別為儲能最小、最大容量（本文取0和額定容量），并規(guī)定只有當(dāng)初始容量不小于額定容量的情況下，微網(wǎng)才能離網(wǎng)運行。

微燃機輸出穩(wěn)定且易于控制，其功率可在一定范圍內(nèi)靈活調(diào)節(jié)，為了保證微網(wǎng)在離網(wǎng)運行時間盡可能長，網(wǎng)內(nèi)一般都安裝有此類分布式電源。但其系統(tǒng)響應(yīng)速度較慢，在并、離網(wǎng)切換的過程中可能會造成系統(tǒng)的頻率波動，影響微網(wǎng)兩種模式的平滑切換。微燃機模型［13］如下：

其中：QMT為燃氣輪機排氣余熱量；PMT為輸出電功率；ηe為發(fā)電效率；η1為熱損系數(shù)；Qhe、Qco分別為余熱的制熱和制冷量；Khe、Kco分別為溴冷機制熱系數(shù)和制冷系數(shù)；VMT為運行時間內(nèi)消耗的天然氣量；Δt為運行時間；L為天然氣低熱值；R為熱電比。

1.5 負荷模型

負荷預(yù)測［13～15］同樣采用BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，輸出矩陣為

本文選擇某工廠、居民小區(qū)、商城一年的歷史數(shù)據(jù)訓(xùn)練BP網(wǎng)絡(luò)，根據(jù)文獻［7］中訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù)，本文采用輸入預(yù)測日前連續(xù)20天數(shù)據(jù)預(yù)測一天24h的負荷情況。跟之前微源出力一樣，為簡化計算，每天取5個觀測時間點，在獲得真實值后，將真實值作為新的輸入數(shù)據(jù)繼續(xù)進行預(yù)測。預(yù)測結(jié)果如圖4所示。

現(xiàn)代教育的多元化，新時代對教師特別是職教老師提出了更高的要求和挑戰(zhàn)。要求教師應(yīng)當(dāng)是復(fù)合型的教師角色，教師要具備淵博的知識結(jié)構(gòu)，要走在學(xué)生的前列。對自己的本職工作要得心應(yīng)手，游刃有余，只有這樣在學(xué)生的心目當(dāng)中才能有美好的形象和很崇高的威信，進而在教育教學(xué)活動中能夠因勢利導(dǎo)、水到渠成。

圖4 負荷預(yù)測值與真實值對比Fig.4 Comparison of predicted load and actual load

2 微網(wǎng)運行及可靠性分析

傳統(tǒng)形式中風(fēng)電以分布式電源直接接入電網(wǎng)，電網(wǎng)運營者以風(fēng)電上網(wǎng)電價全部購入電能，在電網(wǎng)出現(xiàn)電壓跌落時切出全部風(fēng)機。由于風(fēng)機輸出的間歇性，給電網(wǎng)調(diào)度帶來很大的困難。目前儲能技術(shù)尚不成熟，風(fēng)機的直接并網(wǎng)運行，有時會造成資源的浪費，并對主網(wǎng)電能質(zhì)量產(chǎn)生影響。

在以微網(wǎng)形式并入配網(wǎng)后，微網(wǎng)可以根據(jù)實時情況隨時調(diào)整微網(wǎng)運行方式和微源供電模式，節(jié)約主網(wǎng)電能，最大效率利用網(wǎng)內(nèi)分布式電源，在保證網(wǎng)內(nèi)重要負荷供電的同時還能將富足電能供給主網(wǎng)。本文的算例中微網(wǎng)每小時進行一次預(yù)測，每日取5個時間觀測點，規(guī)定微網(wǎng)運行如下：

（1）風(fēng)電輸出滿足網(wǎng)內(nèi)負荷要求時離網(wǎng)運行，微源只對網(wǎng)內(nèi)供電，不考慮對外倒送電能。

（2）離網(wǎng)運行期間出現(xiàn)微源供電不足，啟動微燃機補充電能差值，無法補足則恢復(fù)并網(wǎng)運行。

（3）首先保證重要負荷的連續(xù)供電。

在節(jié)約主網(wǎng)電力，達到電能最優(yōu)配置的同時，微網(wǎng)最基本的任務(wù)還是要保證網(wǎng)內(nèi)負荷的供電可靠性［16］。無論是負荷預(yù)測還是風(fēng)速預(yù)測都存在一定的誤差甚至錯誤，當(dāng)誤差在一定范圍內(nèi)，且根據(jù)預(yù)測結(jié)果所選擇的運行方式在實際情況下仍能保證穩(wěn)定運行，則認為可靠性運行；如根據(jù)預(yù)測結(jié)果選擇的運行方式在實際情況下輸出和負載并不平衡，則認為造成了用戶的供電中斷。傳統(tǒng)分布式電源直接連入配網(wǎng)后用戶的可靠性定義如下［17］：

其中：λc為用戶年平均故障率；λi為低壓網(wǎng)絡(luò)饋線故障率；λup為上層網(wǎng)絡(luò)故障率；rc為平均停電持續(xù)時間；Uc為年平均停電持續(xù)時間。

微網(wǎng)結(jié)構(gòu)并應(yīng)用預(yù)測系統(tǒng)后，網(wǎng)內(nèi)用戶可靠性則變成：

根據(jù)風(fēng)電并網(wǎng)要求，風(fēng)電場需每15min向電力系統(tǒng)調(diào)度部門上報未來15min到4h內(nèi)的預(yù)測功率，如果功率變化超過要求則需將風(fēng)機切出；或者在主網(wǎng)出現(xiàn)電壓頻率波動超過一定限額，也需將風(fēng)電機組全部切出，這就極大地限制了風(fēng)能發(fā)電的效率，使得風(fēng)能資源充足但是變化較快的時間段無法可靠地使用風(fēng)力發(fā)電。微網(wǎng)根據(jù)預(yù)測系統(tǒng)統(tǒng)一管理分布式電源的特點可以高效地利用間歇式電源，在分布式電源發(fā)電充足時，將多余的電能給儲能充電，在分布式電源出現(xiàn)較大波動的時候，儲能裝置進行放電并啟動燃氣輪機，控制網(wǎng)內(nèi)潮流，平衡發(fā)電和負載，繼續(xù)保持微網(wǎng)的穩(wěn)定運行。這樣在大電網(wǎng)高負荷時期，可以最大效率地利用新能源發(fā)電，緩解主網(wǎng)調(diào)度壓力。為比較節(jié)能效果，這里引入風(fēng)電利用率：

其中：Wi、Wj分別為微網(wǎng)內(nèi)各風(fēng)機輸出的電能和各負荷消耗的總電能；m為風(fēng)機臺數(shù)；n為網(wǎng)內(nèi)用戶數(shù)。

3 算例分析

本文采用圖1所示微網(wǎng)模型，3臺750kW風(fēng)電機組出力情況如前所述，2臺100kW的微燃機，發(fā)電效率ηe為0.3，天然氣低熱值L取9.7kWh／m3。網(wǎng)內(nèi)負荷1和5為居民住宅，峰值負荷分別為75 kW；地理位置較遠的負荷4為小型工廠，峰值負荷為150kW；負荷2、3為小型商業(yè)負載，峰值負荷分別為80kW。根據(jù)前面所述預(yù)測方法獲得3臺風(fēng)電機組出力和網(wǎng)內(nèi)負荷情況，如圖5所示。

圖5 微網(wǎng)內(nèi)風(fēng)電和負荷預(yù)測值Fig.5 Predicted value of both wind turbine output and load in microgrid

在風(fēng)機出力不足或者波動較大時，采用微燃機和儲能裝置進行補足和保持網(wǎng)內(nèi)穩(wěn)定運行。本文設(shè)定微網(wǎng)每3h采樣數(shù)據(jù)控制網(wǎng)內(nèi)供能，得到如表1所示時間點的誤差及其對微網(wǎng)的影響：

表1 預(yù)測誤差對微網(wǎng)運行的影響Tab.1 Impact of prediction error on the microgrid operation

其中發(fā)載差為網(wǎng)內(nèi)負荷與微源出力的差值。風(fēng)電大規(guī)模以分布式電源接入電網(wǎng)時，國家規(guī)定［18］其10min內(nèi)的出力變化不得大于其裝機容量的1／10，這在一定程度上限制了風(fēng)能的利用，與分布式電源直接接入相比，微網(wǎng)風(fēng)能利用情況如圖6所示。

圖6 沒有微網(wǎng)時的電能利用情況Fig.6 Utilization of power without microgrid

引入微網(wǎng)結(jié)構(gòu)，并使用預(yù)測系統(tǒng)后如圖7所示。

圖7 采用微網(wǎng)結(jié)構(gòu)后的電能利用情況Fig.7 Utilization of power using microgrid structure

上層網(wǎng)絡(luò)可靠性參數(shù)引用文獻［17］，微網(wǎng)內(nèi)天然氣利用情況及可靠性如表2所示。

表2 天然氣利用情況Tab.2 Utilization of natural gas

表3 可靠性比較Tab.3 Comparison of reliability

由分析結(jié)果可看出，高負荷時風(fēng)電出力相對較小，波動較大，傳統(tǒng)分布式接入不能緩解主網(wǎng)的供電壓力。當(dāng)采用微網(wǎng)結(jié)構(gòu)后，將風(fēng)力發(fā)電充分利用在區(qū)域供電上后，僅需儲能系統(tǒng)的支撐和少量燃氣輪機的出力就可以有效地節(jié)約主網(wǎng)電力。預(yù)測系統(tǒng)的誤差，在高負荷低風(fēng)速時期會在一定程度上影響微網(wǎng)的網(wǎng)內(nèi)潮流，造成功率的不平衡，但適當(dāng)容量的儲能系統(tǒng)可以保證微網(wǎng)此時的穩(wěn)定運行，可靠性參數(shù)也得到了明顯改善；在風(fēng)機出力充足的情況下，繼續(xù)根據(jù)預(yù)測規(guī)劃微網(wǎng)運行則會造成系統(tǒng)的故障，引起網(wǎng)內(nèi)負荷的斷電，使可靠性下降；微燃機由于預(yù)測誤差而造成的天然氣損耗相對較小。

4 結(jié)語

本文采用BP網(wǎng)絡(luò)預(yù)測風(fēng)機出力和即時負荷，并以此規(guī)劃微網(wǎng)的運行。從結(jié)果可以看出，采用預(yù)測系統(tǒng)的微網(wǎng)結(jié)構(gòu)可以在配網(wǎng)高負荷時期很好地緩解主網(wǎng)壓力。在充分利用風(fēng)能資源、節(jié)能減排的同時可以保證網(wǎng)內(nèi)用戶的可靠性要求，但在風(fēng)能資源充足的情況下，天氣變化的影響產(chǎn)生的預(yù)測誤差會造成網(wǎng)內(nèi)負荷的斷電，降低供電可靠性。隨著儲能技術(shù)的發(fā)展，微網(wǎng)在處理負荷較高、波動較大以及分布式電源出力不穩(wěn)定方面將體現(xiàn)出更大的優(yōu)越性。

本文的研究中僅對微網(wǎng)預(yù)測系統(tǒng)提出初步的設(shè)想，完整的微網(wǎng)預(yù)測技術(shù)體系仍有很多技術(shù)難題有待解決本，可在以下方面展開更加深入的研究：

（1）選擇更加合理的預(yù)測方法進一步規(guī)劃不同運行模式和組網(wǎng)結(jié)構(gòu)下的微電網(wǎng)運行。

（2）選擇合適的時間采樣方法來增加計算精度。

（3）與經(jīng)濟性分析相結(jié)合得出最佳微網(wǎng)運行模式。

［1］ 馬力（Ma Li）.混合系統(tǒng)微網(wǎng)控制策略分析（Control strategy analysis of hybrid system in micro－grid）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSUEPSA），2010，22（6）：104－108.

［2］ 丁明，張穎媛，茆美琴（Ding Ming，Zhang Yingyuan，Mao Meiqin）.微網(wǎng)研究中的關(guān)鍵技術(shù)（Key technologies for microgrids being researched）［J］.電網(wǎng)技術(shù)（Power System Technology），2009，33（11）：6－11.

［3］ 李鵬，張玲，王偉，等（Li Peng，Zhang Ling，Wang Wei，etal）.微網(wǎng)技術(shù)應(yīng)用與分析（Application and analysis of microgrid）［J］.電力系統(tǒng)自動化（Automation of Electric Power Systems），2009，33（20）：109－115.

［4］ 王成山，楊占剛，王守相，等（Wang Chengshan，Yang Zhangang，Wang Shouxiang，etal）.微網(wǎng)實驗系統(tǒng)結(jié)構(gòu)特征及控制模式分析（Analysis of structural characteristics and control approaches of experimental microgrid systems）［J］.電力系統(tǒng)自動化（Automation of Electric Power Systems），2010，34（1）：99－105.

［5］ Papathanassiou S，Hatziargyriou N，Strunz K.A benchmark low voltage microgrid network［C］∥CIGRE Symposium，Athens，Greece：2005.

［6］ 陳益哲，張步涵，王江虹，等（Chen Yizhe，Zhang Buhan，Wang Jianghong，etal）.基于短期負荷預(yù)測的微網(wǎng)儲能系統(tǒng)主動控制策略（Active control strategy for microgrid energy storage system based on shortterm load forecasting）［J］.電網(wǎng)技術(shù)（Power System Technology），2011，35（8）：35－40.

［7］ Qiong Cui，Jie Shu，Xianyong Zhang，etal.The application of improved BP neural network for power load forecasting in the island microgrid system［C］∥International Conference on Electrical and Control Engineering，Yichang，China：2011.

［8］ Amjady N，Keynia F，Zareipour H.Short－term load forecast of microgrids by a new bilevel prediction strategy［J］.IEEE Trans on Smart Grid，2010，1（3）：286－294.

［9］ Li Xingpei，Liu Yibing，Xin Weidong.Wind speed prediction based on genetic neural network［C］∥4th IEEE Conference on Industrial Electronics and Applications，Xi＇an，China：2009.

［10］ 周中明，李建平，張鑫，等 （Zhou Zhongming，Li Jianping，Zhang Xin，et al）.ANN在電力系統(tǒng)中期負荷預(yù)測中的應(yīng)用（The application of ANN in middle term load forecasting of power system）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU－EPSA），2003，15（2）：36－39.

［11］ 陶小虎，黃民翔（Tao Xiaohu，Huang Minxiang）.一種基于模糊規(guī)則和神經(jīng)網(wǎng)絡(luò)的負荷預(yù)測方法（A new load forecasting method based on fuzzy rules and ANN）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU－EPSA），2000，12（5）：37－41，54.

［12］ 牛銘，黃偉，郭佳歡，等（Niu Ming，Huang Wei，Guo Jiahuan，et al）.微網(wǎng)并網(wǎng)時的經(jīng)濟運行研究（Research on economic operation of grid－connected microgrid）［J］.電網(wǎng)技術(shù)（Power System Technology），2010，34（11）：38－42.

［13］Lee K Y，Cha Y T，Park J H.Short－term load forecasting using an artificial neural network［J］.IEEE Trans on Power Systems，1992，7（1）：124－132.

［14］Xu Fang－Yuan，Leung M C，Zhou Long.A RBF network for short－term load forecast on microgrid［C］∥International Conference on Machine Learning and Cybernetics，Qingdao，China：2010.

［15］ 周佃民，管曉宏，孫婕，等（Zhou Dianmin，Guan Xiaohong，Sun Jie，et al）.基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測研究（A short－term load forecasting system based on BP artificial neural network）［J］.電網(wǎng)技術(shù)（Power System Technology），2002，26（2）：10－13，18.

［16］ 別朝紅，李更豐，王錫凡（Bie Zhaohong，Li Gengfeng，Wang Xifan）.含微網(wǎng)的新型配電系統(tǒng)可靠性評估綜述（Review on reliability evaluation of new distribution system with micro－grid）［J］.電力系統(tǒng)自動化（Automation of Electric Power Systems），2011，31（1）：1－6.

［17］Costa P M，Matos M A.Assessing the contribution of microgrids to the reliability of distribution networks［J］.Electric Power Systems Research，2009，79（2）：382－389.

［18］DL／T 836－2003，中華人民共和國電力行業(yè)標(biāo)準(zhǔn)供電系統(tǒng)用戶供電可靠性評價規(guī)程［S］.