詹慶才，聶曉波，張道農(nóng)，趙禹，鄭繼濤

（1.北京四方繼保自動(dòng)化股份有限公司，北京 100085；2.北京交通大學(xué)電氣工程學(xué)院，北京 100044；3.華北電力設(shè)計(jì)院工程有限公司，北京 100120；4.北京市供用電建設(shè)承發(fā)包公司，北京 100062）

隨著能源危機(jī)和環(huán)境問(wèn)題的日益突顯，世界可再生能源已進(jìn)入了大發(fā)展階段。風(fēng)能以其獨(dú)有的特點(diǎn)和優(yōu)勢(shì)，已成為能源發(fā)展的重要領(lǐng)域。截至2013年底，我國(guó)累計(jì)建成約705座風(fēng)電場(chǎng)，總裝機(jī)達(dá)到3966.82萬(wàn)kW。

隨著風(fēng)電大力發(fā)展，風(fēng)電場(chǎng)建設(shè)規(guī)模的擴(kuò)大，在分析風(fēng)電場(chǎng)接入電力系統(tǒng)時(shí)，需要考慮風(fēng)電場(chǎng)輸出功率波動(dòng)范圍大的特點(diǎn)。風(fēng)能具有間歇性和隨機(jī)波動(dòng)性，風(fēng)速的變化直接導(dǎo)致風(fēng)電場(chǎng)的有功功率和無(wú)功功率的變化，輸出功率具有很強(qiáng)的波動(dòng)性，很不穩(wěn)定。當(dāng)風(fēng)電穿越運(yùn)行時(shí)會(huì)產(chǎn)生嚴(yán)重的影響，同時(shí)，也會(huì)影響電能質(zhì)量和經(jīng)濟(jì)調(diào)度以及電力競(jìng)價(jià)。因此，積極開(kāi)展風(fēng)電功率預(yù)測(cè)研究的工作，提高預(yù)測(cè)的準(zhǔn)確性，對(duì)電網(wǎng)調(diào)度、提高風(fēng)電的接入能力以及減少系統(tǒng)運(yùn)行成本等方面具有現(xiàn)實(shí)意義。

風(fēng)電功率預(yù)測(cè)是指以風(fēng)電場(chǎng)的歷史功率、歷史風(fēng)速、地形地貌、數(shù)值天氣預(yù)報(bào)、風(fēng)電機(jī)組運(yùn)行狀態(tài)等數(shù)據(jù)建立風(fēng)電場(chǎng)輸出功率的預(yù)測(cè)模型，以風(fēng)速、功率或數(shù)值天氣預(yù)報(bào)數(shù)據(jù)作為模型的輸入，結(jié)合風(fēng)電場(chǎng)機(jī)組的設(shè)備狀態(tài)及運(yùn)行工況，得到風(fēng)電場(chǎng)未來(lái)的輸出功率[1]。

現(xiàn)有的風(fēng)電功率預(yù)測(cè)系統(tǒng)主要存在以下幾個(gè)問(wèn)題：

1）一般只采集風(fēng)電場(chǎng)上網(wǎng)功率數(shù)據(jù)，缺乏與風(fēng)電場(chǎng)信息系統(tǒng)的連接，不具備實(shí)時(shí)更新限電、檢修等風(fēng)力機(jī)運(yùn)行信息的能力；

2）預(yù)測(cè)結(jié)果數(shù)據(jù)一般只能上送調(diào)度，與風(fēng)電場(chǎng)有功控制系統(tǒng)缺乏數(shù)據(jù)接口，無(wú)法進(jìn)行信息共享，大大限制了風(fēng)電功率預(yù)測(cè)系統(tǒng)的應(yīng)用范圍；

3）一般只利用單一測(cè)風(fēng)塔的風(fēng)速數(shù)據(jù)訂正數(shù)值氣象預(yù)報(bào)，缺乏綜合多來(lái)源氣象數(shù)據(jù)的訂正能力，對(duì)風(fēng)資源的實(shí)時(shí)分析能力不足；

4）一般只能簡(jiǎn)單計(jì)及地形和風(fēng)力機(jī)排布的影響，缺乏復(fù)雜條件下風(fēng)電場(chǎng)局地氣象分析能力，不適用于復(fù)雜地形條件下的風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè);

5）預(yù)測(cè)模型對(duì)風(fēng)電功率的波動(dòng)性考慮不足，預(yù)測(cè)準(zhǔn)確率低，實(shí)用性差。

針對(duì)上述問(wèn)題，本文研究和開(kāi)發(fā)了基于一體化實(shí)時(shí)信息平臺(tái)的風(fēng)電功率預(yù)測(cè)系統(tǒng)。

1 風(fēng)電功率預(yù)測(cè)方法

國(guó)外在發(fā)展短期風(fēng)電功率預(yù)報(bào)技術(shù)方面已有10余年的歷史，已有多套預(yù)測(cè)軟件包應(yīng)用于發(fā)電計(jì)劃和電力市場(chǎng)交易，如丹麥Risoe國(guó)家實(shí)驗(yàn)室的Prediktor和丹麥科學(xué)技術(shù)大學(xué)的Zephyr和WPPT、美國(guó)eWind、德國(guó)WPMS和Previento、西班牙LocalPre-RegioPred等。早期的風(fēng)電預(yù)報(bào)系統(tǒng)采用單一的物理模型法或統(tǒng)計(jì)法，預(yù)測(cè)輸入來(lái)自NWP（Numerical Weather Prediction）數(shù)據(jù)。隨著風(fēng)電場(chǎng)通信設(shè)施的完善，NWP氣象服務(wù)的成熟，現(xiàn)在的預(yù)報(bào)系統(tǒng)兼用多家NWP數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)未輸入，并采用綜合法進(jìn)行預(yù)測(cè)。

根據(jù)所采用的數(shù)學(xué)模型不同，風(fēng)電功率預(yù)測(cè)法可分為持續(xù)預(yù)測(cè)法、ARMA模型[2-4]、卡爾曼濾波法和智能方法等。持續(xù)預(yù)測(cè)方法[5]是最簡(jiǎn)單的預(yù)測(cè)模型，通常認(rèn)為最近一點(diǎn)的風(fēng)速為下一點(diǎn)的風(fēng)速預(yù)測(cè)值[6]，其預(yù)測(cè)誤差較大，預(yù)測(cè)結(jié)果不穩(wěn)定。ARMA模型、向量自回歸模型[7]、卡爾曼濾波算法[8-9]、時(shí)間序列法和卡爾曼濾波算法結(jié)合后的算法[10]為改進(jìn)算法。另外，還有人工神經(jīng)網(wǎng)絡(luò)方法[6，11-12]等智能方法。文獻(xiàn)[13-16]分別對(duì)運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)、OLSSFLA-RBF神經(jīng)網(wǎng)絡(luò)、AdaBoost與BP相結(jié)合的神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行了風(fēng)電功率預(yù)測(cè)的研究。文獻(xiàn)[17]對(duì)持續(xù)法、AR、ARIMA、線性神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、LM神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、ELM神經(jīng)網(wǎng)絡(luò)、ANFIS神經(jīng)網(wǎng)絡(luò)、NLN神經(jīng)網(wǎng)絡(luò)等多種方法在風(fēng)速預(yù)測(cè)中的應(yīng)用進(jìn)行了比較，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)方法優(yōu)于線性方法，但以上文獻(xiàn)所提神經(jīng)網(wǎng)絡(luò)方法沒(méi)有對(duì)處于復(fù)雜地形的風(fēng)電場(chǎng)功率預(yù)測(cè)問(wèn)題進(jìn)行相關(guān)研究。文獻(xiàn)[18-19]提出了通過(guò)混沌預(yù)測(cè)方法和組合預(yù)測(cè)模型提高預(yù)測(cè)精度的方法。文獻(xiàn)[20]介紹了提出一種基于Markov鏈理論的預(yù)測(cè)算法，對(duì)風(fēng)電功率預(yù)測(cè)性能進(jìn)行了分析。文獻(xiàn)[21]介紹了在吉林電網(wǎng)調(diào)度中心投入運(yùn)行的風(fēng)功率預(yù)測(cè)系統(tǒng)。文獻(xiàn)[22]介紹了在內(nèi)蒙古電網(wǎng)投入運(yùn)行的區(qū)域風(fēng)電功率預(yù)測(cè)系統(tǒng)，重點(diǎn)介紹了基于MM5模式的中尺度數(shù)值預(yù)報(bào)方法，并指出風(fēng)電功率預(yù)測(cè)的誤差主要來(lái)自數(shù)字天氣預(yù)報(bào)數(shù)據(jù)NWP。文獻(xiàn)[23]探討了甘肅酒泉風(fēng)電基地風(fēng)電預(yù)測(cè)預(yù)報(bào)系統(tǒng)的實(shí)現(xiàn)方案。

2 WRF中尺度數(shù)值預(yù)報(bào)

本文采用了新一代中小尺度模式WRF開(kāi)展復(fù)雜地形條件下的風(fēng)電場(chǎng)風(fēng)速模擬。WRF模式是由美國(guó)研究、業(yè)務(wù)及大學(xué)的科學(xué)家共同參與開(kāi)發(fā)研究的新一代中尺度預(yù)報(bào)模式和同化系統(tǒng)。WRF模式為完全可壓縮、非靜力模式，水平方向采用Arakawa C交錯(cuò)網(wǎng)格，垂直方向采用地形跟隨質(zhì)量坐標(biāo)。模式采用高階數(shù)值計(jì)算方法，包括二階和三階的Runge-Kutta時(shí)間積分方案，二階至六階的對(duì)流方案。

本文應(yīng)用WRF模式，主要對(duì)內(nèi)陸山地風(fēng)電場(chǎng)近地層風(fēng)速進(jìn)行模擬，并運(yùn)用高精細(xì)邊界層模式進(jìn)行山地條件下風(fēng)電場(chǎng)風(fēng)速動(dòng)力降尺度模擬，為風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)提供基礎(chǔ)。限于篇幅，對(duì)高精細(xì)數(shù)值模式的建模方法和過(guò)程不予贅述。

3 風(fēng)電功率預(yù)測(cè)原理

3.1 分位數(shù)回歸

分位數(shù)回歸采用加權(quán)殘差絕對(duì)值之和的方法估計(jì)參數(shù)，其優(yōu)點(diǎn)體現(xiàn)在以下幾方面:

1）對(duì)模型中的隨機(jī)擾動(dòng)項(xiàng)不需做任何分布的假定，這樣整個(gè)回歸模型就具有很強(qiáng)的穩(wěn)健性；

2）分位數(shù)回歸本身沒(méi)有使用一個(gè)連接函數(shù)來(lái)描述因變量的均值和方差的相互關(guān)系，因此分位數(shù)回歸有著比較好的彈性性質(zhì)；

3）分位數(shù)回歸由于是對(duì)所有分位數(shù)進(jìn)行回歸，因此對(duì)于數(shù)據(jù)中出現(xiàn)的異常點(diǎn)具有耐抗性；

4）不同于普通的最小二乘回歸，分位數(shù)回歸對(duì)于因變量具有單調(diào)變換性；

5）分位數(shù)回歸估計(jì)出來(lái)的參數(shù)具有在大樣本理論下的漸進(jìn)優(yōu)良性。

3.2 分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)

風(fēng)速及風(fēng)電場(chǎng)功率的預(yù)測(cè)是一個(gè)涉及因素繁多、十分復(fù)雜的非線性過(guò)程，并且具有高度的不確定性，因而單一的線性預(yù)測(cè)模型不足以挖掘風(fēng)電功率數(shù)據(jù)中的所有信息。而神經(jīng)網(wǎng)絡(luò)模型具有自學(xué)習(xí)、自組織和自適應(yīng)性，可以充分逼近任意復(fù)雜的非線性關(guān)系，對(duì)于非線性復(fù)雜系統(tǒng)的建模、預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)更實(shí)用、更經(jīng)濟(jì)。因此，選擇神經(jīng)網(wǎng)絡(luò)方法來(lái)對(duì)風(fēng)電場(chǎng)的風(fēng)電功率進(jìn)行非線性預(yù)測(cè)研究，將會(huì)在很大程度上簡(jiǎn)化建模工作，提高預(yù)測(cè)精度。

分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)結(jié)合了分位數(shù)回歸和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)分位數(shù)回歸的參數(shù)辨識(shí)過(guò)程，是實(shí)現(xiàn)復(fù)雜地形下強(qiáng)波動(dòng)性風(fēng)電功率短期預(yù)測(cè)的有效手段。

如圖1所示，在分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)中，隱節(jié)點(diǎn)采用Sigmoid型函數(shù)，輸出節(jié)點(diǎn)采用線性函數(shù)，誤差的表達(dá)式變?yōu)椋?/p>

圖1 分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)示意圖Fig.1 Sketch of quartile regression neural network

式中，τ為分位數(shù)；P為概率函數(shù)。

由于概率函數(shù)不是處處可微，對(duì)概率函數(shù)進(jìn)行近似處理。設(shè)：

則：

處理后概率函數(shù)處處可微，就可以使用梯度下降方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)。

4 風(fēng)電功率預(yù)測(cè)系統(tǒng)結(jié)構(gòu)與功能

4.1 風(fēng)電功率預(yù)測(cè)系統(tǒng)硬件平臺(tái)

風(fēng)電功率預(yù)測(cè)系統(tǒng)采用分布式結(jié)構(gòu)，由數(shù)值天氣預(yù)報(bào)系統(tǒng)和風(fēng)電功率預(yù)測(cè)系統(tǒng)組成。系統(tǒng)硬件平臺(tái)結(jié)構(gòu)及與其他應(yīng)用系統(tǒng)網(wǎng)絡(luò)的連接情況如圖2所示。

圖2 風(fēng)電功率預(yù)測(cè)系統(tǒng)硬件平臺(tái)Fig.2 Hardware platform of the wind power forecasting system

4.2 系統(tǒng)軟件架構(gòu)

如圖3所示，系統(tǒng)的軟件主要分為5個(gè)部分：風(fēng)速預(yù)測(cè)模塊、實(shí)時(shí)數(shù)據(jù)采集模塊、不良數(shù)據(jù)辨識(shí)模塊、風(fēng)功率預(yù)測(cè)模塊、人機(jī)界面HMI模塊。

圖3 風(fēng)電功率預(yù)測(cè)系統(tǒng)軟件邏輯視圖Fig.3 Software logical view of the w ind power forecasting system

4.3 系統(tǒng)間數(shù)據(jù)流接口

與風(fēng)電功率預(yù)測(cè)相關(guān)的各應(yīng)用系統(tǒng)間的數(shù)據(jù)傳輸流如圖4所示。系統(tǒng)可與風(fēng)電場(chǎng)側(cè)風(fēng)力機(jī)監(jiān)控系統(tǒng)、升壓站監(jiān)控系統(tǒng)、測(cè)風(fēng)塔直接通信采集數(shù)據(jù)。其中，要采集的主要數(shù)據(jù)類(lèi)型如下。

1）數(shù)值天氣預(yù)報(bào)數(shù)據(jù)：時(shí)間分辨率為15 min，包括至少3個(gè)不同層高的風(fēng)速、風(fēng)向、氣溫、氣壓、濕度等參數(shù)。

圖4 系統(tǒng)間數(shù)據(jù)流傳輸流Fig.4 Data flow of the w ind power forecasting system

2）測(cè)風(fēng)塔實(shí)時(shí)測(cè)風(fēng)數(shù)據(jù)：測(cè)風(fēng)塔位置在風(fēng)電場(chǎng)5 km范圍內(nèi)且不受風(fēng)電場(chǎng)尾流影響，宜在風(fēng)電場(chǎng)主導(dǎo)風(fēng)向的上風(fēng)向。至少包括了10 m、70 m及以上高程的風(fēng)速、風(fēng)向、氣溫、氣壓、濕度信息。

3）風(fēng)電場(chǎng)實(shí)時(shí)功率SCADA數(shù)據(jù)。

4）風(fēng)力機(jī)實(shí)時(shí)運(yùn)行數(shù)據(jù):包括風(fēng)力機(jī)當(dāng)前的運(yùn)行狀態(tài)、風(fēng)速、風(fēng)向、偏航狀態(tài)、實(shí)時(shí)功率等。

5 應(yīng)用軟件

5.1 數(shù)值天氣預(yù)報(bào)客戶端程序

NWP文件服務(wù)器上安裝了最新版V3.1.1的WRF模式軟件的。該軟件可顯示和處理基本氣象觀測(cè)數(shù)據(jù)、圖形圖像產(chǎn)品、數(shù)值預(yù)報(bào)格點(diǎn)資料，為繪制天氣圖和制作預(yù)報(bào)產(chǎn)品進(jìn)行交互操作，并具有常用的資料處理工具[24]。

通過(guò)調(diào)用該天氣預(yù)報(bào)客戶端軟件，調(diào)度員可以在圖形化界面上在線查看電網(wǎng)各風(fēng)電場(chǎng)所在區(qū)域?qū)崟r(shí)風(fēng)速、風(fēng)向、氣壓、降水、溫度等數(shù)值預(yù)報(bào)結(jié)果。

5.2 風(fēng)電功率預(yù)測(cè)應(yīng)用軟件

風(fēng)電功率預(yù)測(cè)系統(tǒng)應(yīng)用軟件包括功率預(yù)測(cè)功能模塊和人機(jī)界面功能模塊。功率預(yù)測(cè)功能模塊位于風(fēng)電功率預(yù)測(cè)數(shù)據(jù)庫(kù)與應(yīng)用服務(wù)器，是系統(tǒng)的核心模塊，人機(jī)界面功能模塊運(yùn)行于風(fēng)電功率預(yù)測(cè)工作站，是預(yù)測(cè)系統(tǒng)人機(jī)界面接口。功率預(yù)測(cè)模塊由人機(jī)界面功能模塊定時(shí)調(diào)用啟動(dòng)運(yùn)行。

風(fēng)電預(yù)測(cè)軟件可對(duì)單個(gè)風(fēng)電場(chǎng)整場(chǎng)功率進(jìn)行短期和超短期預(yù)測(cè)，也可對(duì)日前發(fā)電曲線和日前發(fā)電量進(jìn)行預(yù)測(cè)。

人機(jī)界面管理系統(tǒng)為調(diào)度員、預(yù)報(bào)員、系統(tǒng)維護(hù)人員等提供了內(nèi)容豐富、操作靈活方便的人機(jī)接口。通過(guò)人機(jī)界面系統(tǒng)，調(diào)度員可查看到日前預(yù)報(bào)結(jié)果、超短期預(yù)報(bào)結(jié)果，還可查看各風(fēng)力機(jī)當(dāng)前的運(yùn)行狀態(tài)和預(yù)測(cè)結(jié)果。

預(yù)報(bào)員看利用基礎(chǔ)數(shù)據(jù)服務(wù)查詢歷史數(shù)據(jù)、NWP數(shù)據(jù)，通過(guò)建模向?qū)Ы缑孢x擇算法，訓(xùn)練模型，設(shè)置默認(rèn)預(yù)測(cè)方案；也可以查看已有的預(yù)測(cè)結(jié)果，并對(duì)其進(jìn)行誤差分析，生成報(bào)表。

系統(tǒng)維護(hù)人員可以查看預(yù)測(cè)系統(tǒng)子模塊是否正常運(yùn)行、運(yùn)行日志和升級(jí)系統(tǒng)等。

6 功率預(yù)測(cè)結(jié)果及誤差分析

利用本文的系統(tǒng)對(duì)冀北電網(wǎng)投運(yùn)的風(fēng)電場(chǎng)A、風(fēng)電場(chǎng)B共2個(gè)風(fēng)電場(chǎng)進(jìn)行了單個(gè)風(fēng)電場(chǎng)在線短期和超短期風(fēng)電功率預(yù)測(cè)，2個(gè)風(fēng)電場(chǎng)風(fēng)力機(jī)臺(tái)數(shù)分別為100臺(tái)和120臺(tái)，裝機(jī)容量分別為121.5 MW和220 MW。風(fēng)電場(chǎng)功率輸出模型誤差約為2.2%，系統(tǒng)預(yù)測(cè)相對(duì)均方根誤差約為18%，兩個(gè)風(fēng)電場(chǎng)的預(yù)測(cè)與實(shí)際結(jié)果對(duì)比情況分別如圖5和圖6所示。研究結(jié)果表明：風(fēng)電場(chǎng)功率誤差主要來(lái)自SCADA實(shí)時(shí)數(shù)據(jù)和NWP數(shù)據(jù)，來(lái)自SCADA實(shí)時(shí)數(shù)據(jù)的精度誤差和NWP數(shù)據(jù)的誤差會(huì)嚴(yán)重影響預(yù)測(cè)系統(tǒng)的預(yù)報(bào)精度，是整個(gè)風(fēng)電預(yù)測(cè)系統(tǒng)最大的2個(gè)誤差環(huán)節(jié)。

圖5 風(fēng)電場(chǎng)A的72 h短期功率預(yù)測(cè)與實(shí)際結(jié)果Fig.5 72 h short-term power prediction and the actual result in W ind Farm A

7 結(jié)論

本文設(shè)計(jì)的風(fēng)電功率預(yù)測(cè)系統(tǒng)具備以下特點(diǎn)：

1）與風(fēng)電場(chǎng)信息系統(tǒng)進(jìn)行連接，具備實(shí)時(shí)更新限電、檢修等風(fēng)力機(jī)運(yùn)行信息的能力；

圖6 風(fēng)電場(chǎng)B的72 h短期功率預(yù)測(cè)與實(shí)際結(jié)果Fig.6 72 h short-term power prediction and the actual result in W ind Farm B

2）預(yù)測(cè)結(jié)果數(shù)據(jù)除了上送調(diào)度中心，還與風(fēng)電場(chǎng)有功控制系統(tǒng)有數(shù)據(jù)接口，可以進(jìn)行信息共享，大大擴(kuò)展了風(fēng)電功率預(yù)測(cè)系統(tǒng)的應(yīng)用范圍；

3）除了利用單一測(cè)風(fēng)塔的風(fēng)速數(shù)據(jù)訂正數(shù)值氣象預(yù)報(bào)，還有效綜合多來(lái)源氣象數(shù)據(jù)的訂正能力，對(duì)風(fēng)資源的實(shí)時(shí)分析能力較強(qiáng)；

4）除了能簡(jiǎn)單計(jì)及地形和風(fēng)力機(jī)排布的影響，還具備對(duì)復(fù)雜條件下風(fēng)電場(chǎng)局地氣象分析能力，適用于復(fù)雜地形條件下的風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)；

5）預(yù)測(cè)模型充分考慮了風(fēng)電功率的波動(dòng)性，預(yù)測(cè)準(zhǔn)確率較高，實(shí)用性較好。

另外，考慮到預(yù)測(cè)所需要的SCADA實(shí)時(shí)數(shù)據(jù)經(jīng)常會(huì)存在異常和不完備的情況以及單一采用WRF模式的NWP數(shù)據(jù)誤差的問(wèn)題，本文認(rèn)為后續(xù)可以考慮引入風(fēng)電場(chǎng)的PMU動(dòng)態(tài)數(shù)據(jù)作為補(bǔ)充或替代數(shù)據(jù)源進(jìn)行相關(guān)的對(duì)比預(yù)測(cè)研究以及考慮對(duì)WRF模式和MM5模式進(jìn)行綜合分析的模式。

[1] 黃雅莉，賀志峰.國(guó)外風(fēng)電消納的主要經(jīng)驗(yàn)及借鑒[J].陜西電力，2013，41（10）：19-24.HUANG Yali，HE Zhifeng.Main experience of wind power consumption at abroad and its reference for China[J].Shaanxi Electric Power，2013，41（10）：19-24（in Chinese）.

[2] ANDREW B.Simulation of short-term wind speed forecast errors using a muti-varivate ARMA （1，1） time-series model[D].Stockholm，Sweden:Royal Institute of Technology，2005：76-80.

[3] 楊媛媛，楊京燕，馬昌建，等.計(jì)及過(guò)負(fù)荷風(fēng)險(xiǎn)的風(fēng)電并網(wǎng)電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度[J].陜西電力，2012，40（10）：7-11，25.YANG Yuanyuan，YANG Jingyan，MA Changjian，et al.Dynamic economic dispatch in wind power integrated system considering risk of overload[J].Shaanxi Electric Power，2012，40（10）：7-11，25（in Chinese）.

[4] 栗然，王飛.直驅(qū)型風(fēng)電系統(tǒng)低電壓穿越技術(shù)仿真分析[J].陜西電力，2011，39（11）：35-38.LI Ran，WANG Fei.Simulation analysis on low voltage ride-through technologies for direct drive wind power system[J].Shaanxi Electric Power，2011，39（11）：35-38（in Chinese）.

[5] BARBARA G B，RICHARD W K，ALLAN H M.Time series models to simulate and forecast wind speed and wind power[J].Journal of Climate and Applied Meteorology，1984（23）:1184-1195.

[6] LEXIADIS M A，DOKOPOLOS P，SAHSAMANOGLOU H，et al.Short term forecasting of wind speed and related electrical power[J].Solar Energy，1998，63（1）:61-68.

[7] 李躍華，梁志瑞，張國(guó)飛，等.雙饋風(fēng)電系統(tǒng)參數(shù)協(xié)調(diào)控制策略研究[J].陜西電力，2013，41（6）：14-19.LI Yuehua，LIANG Zhirui，ZHANG Guofei，et al.Study on parameter coordination control policy of doubly-fed wind power system[J].Shaanxi Electric Power，2013，41（6）：14-19（in Chinese）.

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

[9] 邵慶華，邵昱，趙波，等.風(fēng)速擾動(dòng)情況下的風(fēng)電并網(wǎng)電壓穩(wěn)定性研究[J].陜西電力，2013，41（3）：15-17，SHAO Qinghua，SHAO Yu，ZHAO Bo，et al.Study on voltage stability of regional power grid-connected wind farms under wind disturbance[J].Shaanxi Electric Power，2013，41（6）：15-17（in Chinese）.

[10] 車(chē)木佳，馮毅.太陽(yáng)能最大功率跟蹤裝置的設(shè)計(jì)[J].節(jié)能技術(shù)，2011，29（6）：552-559.CHE Mujia.FENG Yi.Design of a new type of solar MPPT system[J].Energy Conservation Technology，2011，29（6）：552-559（in Chinese）.

[11] 趙吳鵬，王彪.傳動(dòng)鏈模型對(duì)風(fēng)機(jī)低電壓穿越能力的影響[J].節(jié)能技術(shù)，2012，30（4）：335-352.ZHAO Wupeng，WANG Biao.Drive-train model for wind turbine lvrt capability influence[J].Energy Conservation Technology，2012，30（2）:335-352（in Chinese）.

[12] KARINIOTAKIS G N，STAVRAKAKIS G S，NOGARET E F.Wind power forecasting using advanced neural networks models[J].IEEE Trans on Energy Conversion，1996，11（4）:762-767.

[13] 熊圖.運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電場(chǎng)功率[J].電網(wǎng)與清潔能源，2014，30（1）:109-113.XIONG Tu.Wind power forecasting using generalized regression neural network[J].Power System and Clean Energy，2014，30（1）:109-113（in Chinese）.

[14] 彭健，王斐，洪翠，等.基于OLS-SFLA-RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)電出力預(yù)測(cè)[J].電網(wǎng)與清潔能源，2013，29（9）:62-67.PENG Jian，WANG Fei，HONG Cui，et al.Wind power forecasting based on OLS-SFLA-RBF neural network[J].Power System and Clean Energy，2013，2（9）:62-67（in Chinese）.

[15] 柳玉，郭虎全.基于AdaBoost與BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)研究[J].電網(wǎng)與清潔能源，2012，28（2）:80-83.LIU Yu，GUO Huquan.Wind speed prediction based on AdaBoost and BP neural networks[J].Power System and Clean Energy，2012，28（2）:80-83（in Chinese）.

[16] 張靠社，楊劍.基于Elman神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[J].電網(wǎng)與清潔能源，2012，28（12）:87-91.ZHANG Kaoshe，YANG Jian.Short-term wind power forecasting based on the elman neural network[J].Power System and Clean Energy，2012，28（12）:87-91 （in Chinese）.

[17] SFETSOS A.A comparison of various forecasting techniques applied to mean hourly wind speed time series[J].Renewable Energy，2000（21）:23-35.

[18] 羅海洋，劉天琪，李興源，等.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.LUO Haiyang，LIU Tianqi，LI Xingyuan，et al.Chaotic forecasting method of short-term wind speed in wind farms[J].Power System Technology，2009，33（9）:67-71（in Chinese）.

[19] 魏陽(yáng)，李凌云，馬明娟，等.基于模糊綜合評(píng)價(jià)法的聚光型太陽(yáng)能光熱發(fā)電風(fēng)險(xiǎn)評(píng)價(jià)研究[J].陜西電力，2012，40（3）：1-5.WEI Yang，LI Lingyun，MA Mingjuan，et al.Study on risk assessment of concentrating solar power based on fuzzy comprehensive evaluation method[J].Shaanxi Electric Power，2012，40（3）：1-5（in Chinese）.

[20] 周封，金麗斯，王丙全，等.基于高階Markov鏈模型的風(fēng)電功率預(yù)測(cè)性能分析[J].電力系統(tǒng)保護(hù)與控制，2012，40（6）:6-11.ZHOU Feng，JIN Lisi，WANG Bingquan，et al.Analysis of the wind power forecasting performance based on highorder Markov chain models[J].Power System Protection and Control.，2012，40（6）:6-11（in Chinese）.

[21] 范高鋒，王偉勝，劉純.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)[J].電網(wǎng)技術(shù)，2008，32（22）:82-86.FAN Gaofeng，WANG Weisheng，LIU Chun.Artificial neural network based wind power short term prediction system[J].Power System Technology，2008，32（22）:82-86（in Chinese）.

[22] 陳虎，孟克其勞，馬建光.基于MATLAB的風(fēng)力發(fā)電機(jī)組建模和仿真研究[J].節(jié)能技術(shù)，2012，30（1）：24-28.CHEN Hu，MENG Keqilao，MA Jianguang.The modeling and simulation study of wind turbine based on MATLAB[J].Energy Conservation Technology，2012，30（1）：24-28（in Chinese）.

[23] 馬彥宏，汪寧渤，劉福潮，等.甘肅酒泉風(fēng)電基地風(fēng)電預(yù)測(cè)預(yù)報(bào)系統(tǒng)[J].電力系統(tǒng)自動(dòng)化，2009，33（16）:88-99.MA Yanhong，WANG Ningbo，LIU Fuchao，et al.A wind power forecast system for jiuquan wind power base in Gansu province[J].Automation of Electric Power Systems，2009，33（16）:88-99（in Chinese）.

[24] 周鵬，常蘭，李鵬，等.WRF模式在南京數(shù)值天氣預(yù)報(bào)中的應(yīng)用[J].氣象科學(xué)，2011，31（5）:598-603.ZHOU Peng，CHANG Lan，LI Peng，et al.The application of WRF model in the weather forecast of Nanjing[J].Journal of the Meteorological Sciences，2011，31（5）:598-603（in Chinese）.