风电场风功率预测系统研究

第２３卷第７期　２０１３年７月　计算机技术与发展　ＣＯＭＰＵ　ｒＥＲ　ＴＥＣＨＮＯＬＯＧＹ　ＡＮＤ　ＤＥＶＥＬＯＰＭＥＮＴ　Ｖｏｉ．２３　Ｎｏ．７　Ｊｕｌｙ　２０１３　风电场风功率预测系统研究　秦政，包德梅，赖晓路，岳以洋，王媛媛　（国电南京自动化股份有限公司，江苏南京２１０００３）　摘要：对风电场发电功率的准确预测，可以有效优化电网调度，使得电网经济运行，同时提高风电场在电力市场中的竞　争能力。文中提出了基于先进统计方法的风电功率预测系统，以高精度数值气象预报为基础，搭建完备的数据库系统，利　用各种通讯接口采集风电场监控数据。提出并实现了“自适应逻辑网络”（ＡＬＮ），为风电场建立功率预测算法引擎，可以　准确预报风电场未来７２小时短期功率负荷，并能针对单台风机、风电场或风机集群进行预测和上报，为风电场管理提供　重要辅助手段。现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性。　关键词：风功率预测；自适应逻辑网络；预测算法引擎；短期预测　中图分类号：ＴＰ３９　文献标识码：Ａ　文章编号：１６７３—６２９Ｘ（２０１３）０７—００７３一ｏ４　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３—６２９Ｘ．２０１３．０７．０１８　Ｒｅｓｅａｒｃｈ　ｏｎ　Ｗｉｎｄ　Ｐｏｗｅｒ　Ｆｏｒｅｃａｓｔ　Ｓｙｓｔｅｍ　ｆｏｒ　Ｗｉｎｄ　Ｆａｒｍｓ　ＱＩＮ　Ｚｈｅｎｇ，ＢＡＯ　Ｄｅ－ｍｅｉ，ＬＡＩ　Ｘｉａｏ—ｌｕ，ＹＵＥ　Ｙｉ—ｙａｎｇ，ＷＡＮＧ　Ｙｕａｎ—ｙｕａｎ　（Ｇｕｏｄｉａｎ　Ｎａｎｊｉｎｇ　Ａｕｔｏｍａｔｉｏｎ　Ｃｏ．，Ｌｔｄ，Ｎａｎｊｉｎｇ　２１０００３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ａｃｃｕｒａｔｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｆｏｒ　ｗｉｎｄ　ｐｏｗｅｒ　ｏｆ　ｗｉｎｄ　ｆａｒｍｓ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｏｐｔｉｍｉｚｅ　ｇｒｉｄ　ｌｏａｄｉｎｇ　ｓｃｈｅｄｕｌｉｎｇ　ｔＯ　ｏｂｔａｉｎ　ａｌｌ　ｅｃｏｎｏｍｉｃａｌ　ｏｐｅｒａｔｉｏｎ　ｆｏｒ　Ｇｒｉｄ　Ｃｏｍｐａｎｙ．Ｍｅａｎｗｈｉｌｅ　ｔｈｅ　ｍａｒｋｅｔ　ｃｏｍｐｅｔｉｉｔｖｅｎｅｓｓ　ｏｆ　ｗｉｎｄ　ｆａｒｍｓ　Ｃａｎ　ｂｅ　ｅｎｈａｎｃｅｄ　ｔｈｒｏｕｇｈ　ｗｉｎｄ　ｐｏｗｅｒ　ｆｏｒｅｃａｓｔｉｎｇ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａｎ　ａｄｖａｎｃｅｄ　ｓｔａｔｉｓｉｃｓ　ｍｏｄｅｌｔ　ｂａｓｅｄ　ｗｉｎｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｓｙｓｔｅｍ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｓｙｓｔｅｍ　ｃｏｌｌｅｃｔｓ　ｈｉｇｈｌｙ　ａｃｃｕｒａｔｅ　ｎｕｍｅｒｉ－　ｃａｌ　ｗｅａｔｈｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｄａｔａ．ａｃｑｕｉｒｅｓ　ｗｉｎｄ　ｆａｒｍ　ｍｏｎｉｔｏｒｉｎｇ　ｄａｔａ　ｔｈｒｏｕｇｈ　ｍｕｌｉｔｐｌｅ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｉｎｔｅｒｆａｃｅｓ　ｎｄ　ａｂｕｉｌｄｓ　ｃｏｍｐｌｅｔｅ　ｄａｔａｂａｓｅ　ｍａｎａｇｅｍｅｎｔ　ｓｙｓｔｅｍ．Ｔｈｅ　Ａｄａｐｔｉｖｅ　Ｌｏｇｉｃ　Ｎｅｔｗｏｒｋ（ＡＬＮ）ｉｓ　ｐｒｏｐｏｓｅｄ　ａｎｄ　ｅａｌｒｉｚｅｄ　ｔｏ　ｂｕｉｌｄ　ｔｈｅ　ｗｉｎｄ　ｆｏｒｃａｓｅｔｉｎｇ　ｍｏｄｅ１．Ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｌｇｏｒａｉｔｈｍ　ｅｎｇｉｎｅｉｓ　ａｉｍｅｄｔＯｆｏｒｅｃａｓｔａｎｄ　ｓｕｂｍｉｔ　ｓｈｏｒｔｔｅｒｍｐｏｗｅｒｏｕｔｐｕｔ　ｏｆ７２　ｈｏｕｒｓ　ａｈｅａｄｆｏｒ　ａ　ｓｉｎｇｌｅｗｉｎｄｔｕｒｂｉｎｅ．ａｗｉｎｄｆａｒｍ　ｏｒｗｉｎｄ　ｆａｒｍ　ｇｒｏｕｐ．Ｔｈｅ　ｆｉｅｌｄ　ｔｅｓｔｉｎｇ　ｐｒｏｖｅｓ　ｔｈｅ　ｆｅａｓｉｂｉｌｉｔｙ　ａｎｄ　ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｏｆ　ｈｅ　ｐｒｏｐｔｏｓｅｄ　ｓｙｓｔｅｍ　ｆｏｒ　ｂｏｔｈ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ａｎｄ　ｗｉｎｄ　ｏｗｅｒｆｏｒｐｃａｅｓｔｉｎｇ　ｏｆｗｉｎｄｔｕｒｂｉｎｅｓｗｉｔｈ　ｄｉｆｆｅｒｅｎｔ　ｐｏｗｅｒ　ｃａｐａｃｉｔｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｗｉｎｄ　ｐｏｗｅｒ　ｆｏｒｅｃａｓｔｉｎｇ；ａｄａｐｔｉｖｅ　ｌｏｇｉｃ　ｎｅｔｗｏｒｋ；ｆｏｒｅｃａｓｔｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｅｎｇｉｎｅ；ｓｈｏｒｔ　ｔｅｒｍ　ｆｏｒｅｃａｓｉｎｇ　ｔ０　引　言　随机变化的风速、风向导致风电场输出功率具有　波动性、间歇性、随机性的特点，大量风电场集中并网　会对电网的安全、稳定、经济运行带来影响…，并成为　划、提高企业的盈利能力。　国家能源局于２０１１年６月印发了《风电场功率预　测预报暂行管理办法》的文件，要求风电场２０１２年７　月之前必须正式投运风电功率预测系统，风电功率预　测已经成为国家强制性要求。国家电网公司、国家能　源局近期还发布了一系列文件和技术规范，对风电功　限制电网接纳风电的主要障碍之一。通过风电功率预　测，调度运行人员可根据预测的波动情况，合理安排应　对措施，提高电网的安全性和可靠性。将功率预测与　负荷预测相结合，还有利于调度运行人员调整和优化　常规电厂的发电计划，改善电网调峰能力，增加风电的　并网容量，对改善电力系统运行经济性，减少温室气体　率预测预报提出了具体的功能规范、运行管理、技术指　标和指标考核的要求。　在风能预测方法上，主要可分为两类　：基于统　计的方法和基于物理建模的方法。统计方法预测模型　排放具有非常重要的意义　。风电功率预测还可以增　强风电在电力市场中的竞争力，提高上网电价。对风　电场来说，风电功率预测有助于企业合理安排检修计　收稿日期：２０１２－１０－０９　修回日期：２０１３—０１～１０　具有预测准确度高，建模过程相对简单，模型计算速度　快等优点，但是统计方法建模至少需要半年的风电功　率历史数据，如果想达到较好的预测效果，至少需要一　网络出版时闻：２０１３—０４—０８　基金项目：中国华电科技计划项目（ＣＨＤＫＪ　１２—０１—２４）　作者简介：秦政（１９８１一），男，江苏南京人，博士，从事发电厂自动化的研究。　网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／６１．１４５０．ＴＰ．２０１３０４０８．１６０７．０３７．ｈｔｍｌ　・７４・　计算机技术与发展　第２３卷　年的历史数据　。单独使用无法满足我国风电大规模　快速发展、新建风电场多、历史数据少的实际。物理方　法建模不需要发电功率历史数据，但建模过程复杂，模　型运算速度慢，与统计方法比其预测准确度差，但能够　实现模型与风电场同步投运的要求。现有的统计法和　物理模型法工作量大，工作难度高，预报的精度低，一　定程度上制约了风能技术的应用。　文中提出了基于先进统计方法的风电功率预测系　统，以高精度数值气象预报为基础，搭建完备的数据库　系统，利用各种通讯接口采集风电场集控和ＥＭＳ数　据　，采用先进的统计方法“自适应逻辑网络”（ＡＬＮ）　为风电场建立功率预汉４模型，可以准确预报风电场未　来７２小时功率负荷，并能针对单台风机、风电场或风　机集群进行预测。对风电场进行功率预测和上报，为　风电场管理提供重要辅助手段。　１系统的组成　功率预测系统由以下设备组成：功率预测主机、　ＮＷＰ处理服务器、防火墙、反向物理隔离装置、预测系　统客户端（ＰＣ工作站）、网络设备及附属设备。　其中，ＮＷＰ数据服务器从互联网下载气象部门发　布的数值天气预报数据，并解析出风场本地的ＮＷＰ　信息。风功率预测主机包含三个应用服务程序：数据　预处理服务、预测算法引擎服务以及数据库服务。数　据预处理服务器采集来自风电场的数据，包含了气象　数据和风机的运行数据，并将数据转换成规定格式存　人数据库。预测算法引擎服务完成ＡＬＮ的预测建模　并进行风速预测和发电功率预测。数据库服务器保存　所有实时采集数据、预测结果以及性能评估和统计信　息。数据库服务器还将风资源信息和功率预测结果通　过高速光纤专网上报至远方电网电力调度中心或集控　中心（能源公司）。ＰＣ工作站运行用户图形界面，以　曲线、柱状图、电子表格等方式显示预测结果，并可对　系统进行配置和管理操作。　２　基于ＡＬＮ的预测算法引擎　２．１　ＡＬＮ的基本结构　图１描述了一个三层的ＡＬＮ结构（只统计含有　ＬＴｕ和逻辑算符的层）。可以对该ＡＬＮ结构进行简写　ＯＲ（ＡＮＤ（２），ＡＮＤ（２））。ＡＬＮ最大的特点就是将带　有阈值评判的线性关系式（ＬＴＵ，Ｌｉｎｅａｒ　Ｔｈｒｅｓｈｏｌｄ　Ｕｎｉｔ）　作为网络的节点。若令阈值为０，则每个类似的节点　都要对Ｌ，≥０是否成立进行评判。而这些线性关系式　节点的父节点是ＡＬＮ中的逻辑运算符“ＡＮＤ”和　“ＯＲ”　４＋２Ｘ－Ｙ＞Ｏ？　图１　自适应线性逻辑网络结构　由于一个连续函数可以由一组直线段以任意精度　逼近，因此ＡＬＮ可以根据精度要求构造线性函数以及　线性单元间逻辑关系，来拟合任意的连续函数。图２　描述了图１中ＡＬＮ的二维输出空间。图中阴影部分　对应所有样本点（　，ｌ，）落在该区域时，网络输出为　“真”（１）。　Ｘ　图２　自适应线性逻辑网络训练原理　当且仅当所有样本点落在两条直线　，和　以下　时，图１中上方的ＡＮＤ输出为“真”。￡。和　搭出了　“尖顶帐篷”的形状，其连接模式ＡＮＤ也等效于取两　直线的最小值（ＭＩＮ）。同理，第二个ＡＮＤ给出了半个　“平顶帐篷”形状。当且仅当样本点落在阴影区域内　时，ＯＲ的输出为“真”，等效于对两个“帐篷”取最大值　（ＭＡＸ）。ＡＬＮ拟合的最终模型即为“０”空间和“１”空　间的交接的折线段。　２．２　ＡＬＮ训练算法　ＡＬＮ也使用递归最小二乘法来进行ＬＴＵ权系数　的估计。在学习初始化阶段，ＡＬＮ中所有的ＬＴＵ被分　配随机的权系数（如果存在先验知识或约束条件，可　存在其他的分配方法）。　按照样本的顺序，训练样本（Ｘ　，　）作为ＡＬＮ的　输入。逻辑运算值沿着树状网络传递，输出最终值。　以给定训练样本（Ｘ　，　）＝（３，２）为例说明运算法则。　令Ｘ　＝３，样本点的输出估计值Ｙ＝１２—２Ｘ，＝６。　因为估计值与观测值不符，　≠Ｙ＝２。ＡＬＮ使用递归　最小二乘法　’　来更新线性关系的权系数，使得观测　值与估计值误差减小。　假设训练率ＯＬ＝０．２，训练计算如下：　Ｅ＝０．５（Ｙ—　）　＝０．５×１６＝８　第７期　秦政等：风电场风功率预测系统研究　・７５・　丝：（Ｙ—　）　：Ｙ—　：４　Ｏｗｏ　‘Ｏｗｏ　’　生＝（Ｙ—　）　＝（Ｙ—　）　＝１２　ＯＷ１　ＯＷｌ　一　一－ｏ．８　一　署一．４　Ｗ０（ｎｅｗ）＝Ｗ０（ｏｌｄ）一０．８＝１２—０．８＝１１．２　Ｗｌ（ｎｅｗ）＝ｗ１（ｏｌｄ）一２．４＝一２．０—２．４＝一４．４　因此，被激活的直线段方程变为：Ｙ＝１１．２—４．４Ｘ　，以此类推，下一个训练样本被带入网络，以上运算步　骤重复执行，逐步向当前观测值靠拢。在训练完整个　样本空间后，一轮训练过程即完成。一般对一个样本　空间要经过若干轮循环训练。训练的策略一般是不断　减小学习率Ｏｔ。粗学习率便于检测出ＡＬＮ中包含的　线性函数组。一旦合理的线性函数被初筛后，较小的　学习率可以细调拟合程度。　在实际应用中，可以开发计算机搜索算法来识别　哪个线段才是激活的线段。对于给定结构的ＡＬＮ来　说，搜索过程从最后一层开始，倒数第二层上部ＡＮＤ　节点是相关节点，这是因为其逻辑值的改变（从“１”到　“０”）将改变网络的最终输出。倒数第二层下部ＡＮＤ　节点是不相关节点，因为其逻辑值的改变（从“０”到　“１”）不会引起网络输出的改变。只需考虑相关节点，　这样下半部分网络结构就不用再去搜索。因此相关节　点被缩小范围至上半部分两个ＬＴＵ。由于两个ＬＴＵ　的当前输出都是“１”，任意一个节点的改变都会改变　ＡＮＤ节点的输出，因此两个ＬＴｕ都是相关节点。ＡＮＤ　等效于ＭＩＮ，计算最小值，可以确定１２—２Ｘ—Ｙ＝０才　是激活节点。　２．３基于ＡＬＮ的预测算法引擎　预测算法引擎主要包括风速预测模块、气象合成　模块以及功率预测模块。其中，风速预测模块根据风　场历史测风数据进行预测模型的训练，训练得到的模　型再通过实时气象数据预测出短期和超短期风速。气　象合成模块相当于一种仲裁系统，将预测模型输出的　风速预测和数值天气预报的风速预测进行合成，得出　最终的风速预测。最终，通过风场运行数据（风电机　组功率曲线）可以将风速预测映射为风功率预测。　与常规的风功率预测算法如神经网络或经典统计　学方法相比，基于ＡＬＮ的风功率预测算法引擎具有如　下的特点：　（１）预测模型易于数学分析。ＡＬＮ是线性函数平　滑连接（一次或二次可导），网络中的单元节点是带有　阈值的线性函数。同时，在样本空间的某个子集上，只　包含有限数量的单元节点，因此只需对ＡＬＮ中的部分　网络进行分析。　（２）预测模型相比于常规的神经网络模型训练速　度更快。在标准的ＢＰ算法中　］，网络中所有权值　都要根据输出误差进行更新。而ＡＬＮ每次训练修改　的只是单独线段上的权值。预测运算的执行速度也　快，由于只涉及线性运算，一旦训练完毕，预测运算在　几毫秒便可完成。以上特点将大大简化系统对硬件资　源的需求。　（３）预测模型预测精度可调节。训练从线性拟合　开始，当精度小于设定值时，网络分裂成两个平滑连接　的线性单元。线性网络的分裂将持续进行，直到需要　的精度满足为止。通过精度的调节，可以有效屏蔽噪　声对建模的影响。　３现场测试　以我国某风电场的３个月的历史实测风速为原始　数据，对预测算法引擎进行训练。训练完成的结果用　实际运行测风塔的气象观测数据进行预测。短期２４　小时风速预测的结果如图３所示。风场实测样本的平　均风速为５．３　ｍ／ｓ（１９　ｋｍ／ｈ）。预测均方根误差　（ＲＭＳＥ）为１．９　ｍ／ｓ。通过风机制造商提供的风机功　率曲线，可将风速预测映射为风机的功率预测。选取　４种不同型号的风机曲线。其中７５０ｋＷ和１ＭＷ两种　型号的风机功率预测值和实测值如图４和图５所示。　￣￣ｉｇ（ｍ／ｓ）　一实际风速　…　…　……………　…　…　２６　５１　７６　１０１　１２６　１５１　１７６　２０１　２２６　２５１　２７６　３０１　３２６　３５１　３７６　数据点　图３短期风速预测结果　ｊ翥　，ｌｌ＿　。　．　…：ｌ＿　ｌ＿ｌ＿０　＿　｜ｌ＿　ｌ＿＿０　ｌｌｌ＿＿　＿ｌｌＪ　。，　雾　础　＝　・７６・　计算机技术与发展　第２３卷　功率；Ｃａｐ：风电场的开机总容量；ｎ：所有样本个数。　功率（ｋｗ）　（４）下一步工作将对中长期的风功率预测进行研　究，同时还将研究风场集群的集中预报技术。　实际功奉　。。　ｌ０００　８００　６。ｏ　参考文献：　［１］韩民晓，崔军立，姚蜀军．大量风电引入电网时的频率控制　特性［Ｊ］．电力系统自动化，２００８，３２（１）：２９—３３．　［２］　孙元章，吴２６　５Ｉ　７６　ｌ０ｌ　１２６　１５１　１７６　２０１　２２６　２５１　２７６　３０１　３２６　３５１　３７６　４００　２００　０　俊，李国杰．基于风速预测和随机规划的含风　数据点　电场电力系统动态经济调度［Ｊ］．中国电机工程学报，　２００９，２９（４）：４１－４７．　图５　１ＭＷ风机功率预测结果　［３］　白永祥，房大中，侯佑华，等．内蒙古电网区域风电功率预　测系统［Ｊ］．电网技术，２０１０，３４（１０）：１５７—１６２．　［４］杨秀嫒，肖洋，陈树勇．风电场风速和发电功率预测研究　［Ｊ］．中国电机工程学报，２００５，２５（１１）：１—５．　［５］　Ｓｏｍａｎ　Ｓ　Ｓ，Ｚａｒｅｉｐｏｕｒ　Ｈ，Ｍａｌｉｋ　０，ｅｔ　ａ１．Ａ　ｒｅｖｉｅｗ　ｏｆｗｉｎｄ　ｏｗ—ｐ　ｅｒ　ａｎｄ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｅｔｈｏｄｓ　ｗｉｔｈ　ｄｉｆｆｅｒｅｎｔ　ｔｉｍｅ　ｈｏ—　由上式得到风机容量和预测精度的对应关系，如　表１所示。　表１　四种不同型号风机预测精度统计　风电机组容量　６００ＫＷ　７５０ＫＷ　ｌ　ＭＷ　１．３　ＭＷ　预测精度　８５．１４％　８６．９７％　８５．５２％　８５．７７％　ｉｒｚｏｎｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　ｔｈｅ　２０１０　ＩＥＥＥ　Ｎｏｒｔｈ　Ａｍｅｉｒｃａｎ　Ｐｏｗｅｒ　Ｓｙｍｐｏｓｉｕｍ（ＮＡＰＳ）．ＴＸ，ＵＳＡ：ＩＥＥＥ，２０１０：１—８．　［６］Ｆｏｌｅｙ　Ａ　Ｍ，Ｌｅａｈｙ　Ｐ　Ｇ，ＭｃＫｅｏｇｈ　Ｅ　Ｊ．Ｗｉｎｄ　ｐｏｗｅｒ　ｆｏｒｅｃａｓｔｉｎｇ　ａｎｄ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１０　９ｔｈ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅｎｖｉｏｎｍｅｎｔｒ　ａｎｄ　Ｅｌｅｃｔｒｉｃａｌ　以上仿真结果表明，所提出的基于ＡＬＮ的风功率　预测算法完全满足电网对风功率预测系统的要求。值　得强调的是，文中的仿真只是基于３个月的历史风速，　随着风场运行测风数据的不断积累，模型将不断提高　其预测精度。　Ｅｎｇｉｎｅｅｒｉｎｇ（ＥＥＥＩＣ）．Ｐｒａｇｕｅ，Ｃｚｅｃｈ：ＩＥＥＥ，２０１０：６１—６４．　［７］　冯利民，范国英，郑太一，等．吉林电网风电调度自动化系　统设计［Ｊ］．电力系统自动化，２０１１，３５（１１）：３９—４３．　［８］侯昭武，周小珠．智能化无线风能监测仪的设计［Ｊ］．计算　机技术与发展，２０１１，２１（３）：２３２—２３５．　４结束语　（１）风速和风力发电功率预测对电网经济稳定运　行具有重要意义；同时提高了风电场参与市场竞争的　能力。　［９］Ｚｈｏｎｇ　Ｊ，Ｈｏｕ　Ｙ，Ｗｕ　Ｆ　Ｆ．Ｗｉｎｄ　ｐｏｗｅｒ　ｆｏｒｅｃａｓｔｉｎｇ　ａｎｄ　ｉｎｔｅｇｒａ—　ｔｉｏｎ　ｔｏ　ｐｏｗｅｒ　ｇｒｉｄｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１０　ＩＥＥＥ　Ｉｎｔｅｒ－　ｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｇｒｅｅｎ　Ｃｉｒｃｕｉｔｓ　ａｎｄ　Ｓｙｓｔｅｍｓ（ＩＣＧＣＳ）．　Ｓｈａｎｇｈａｉ，Ｃｈｉｎａ：ＩＥＥＥ，２０１０：５５５－５６０．　（２）设计并实现了基于神经网络和经典统计学的　［１Ｏ］Ｓｉｄｅｒａｔｏｓ　Ｇ，Ｈａｔｚｉａｒｇｙｒｉｏｕ　Ｎ　Ｄ．Ａｎ　Ａｄｖａｎｃｅｄ　Ｓｔａｔｉｓｔｉｃａｌ　Ｍｅｔｈ・　ｏｄ　ｆｏｒ　Ｗｉｎｄ　Ｐｏｗｅｒ　Ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐｏｗｅｒ　Ｓｙｓｔｅｍｓ，２００７，２２（１）：２５８—２６５．　“自适应线性逻辑网络（ＡＬＮ）”风电场功率预测模型，　具有易于分析训练、结果稳定可控、执行速度快、消耗　硬件资源少、预测精度高等特点。　（３）虽然风速和发电功率预测难度较大，预测精　度还可进一步提高。比如获取更多历史数据、增加测　［１１］董安正，赵国藩．人工神经网络在短期资料风速估计方面　的应用［Ｊ］．工程力学，２００３，２０（５）：１０—１３．　［１２］Ｋａｒｉｎｉｏｔａｋｉｓ　Ｇ，Ｓｔａｖｒａｋａｋｉｓ　Ｇ，Ｎｏｇａｒｅｔ　Ｅ．Ｗｉｎｄ　ｐｏｗｅｒ　ｆｏｒｅｅａｓ—　ｔｉｎｇ　ｕｓｉｎｇ　ａｄｖａｎｃｅｄ　ｎｅｕｒｌａ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．　ｏｎ　Ｅｎｅｒｇｙ　Ｃｏｎｖｅｒｓｉｏｎ，１９９６，１１（４）：７６２－７６７．　风手段、加入ＮＷＰ数据对突发天气进行有效预测等。　（上接第７２页）　天大学，２００７．　ｏｎ　Ｈｉｄｄｅｎ　Ｍａｒｋｏｖｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｐｅｅｃｈ　ａｎｄ　Ｉ丑ｎｇｕａｌ；ｅ，　１９９１，５（２）：１８１－２０１．　［５］　李绍梅，刘力雄，陈鸿昶．事实说话人辨识系统改进的　ＤＴＷ算法［Ｊ］．计算机工程，２００８，３４（４）：２１８—２１９．　［６］　韩纪庆，张磊，郑铁然．语音信号处理［Ｍ］．北京：清华大　［１Ｏ］文翰，黄国顺．语音识别中的ＤＴＷ算法改进研究［Ｊ］．微　型计算机信息（测控自动化），２０１０，２６（７）：１９５—１９７．　［１１］时［１２］彭［１３］苏学出版社，２００３．　晓．孤立词语音识别系统设计研究［Ｄ］．杭州：浙江大　辉，魏吴，王玮，陆建华．特定人孤立词的语音识别系统研　民，李宝．一种改进的ＤＴＷ语音识别系统　［７］　江官星．非特定人孤立词语音识别系统的研究［Ｄ］．成都：　西南交通大学，２００６．　学，２００６．　［８］　马莉，党幼云．特定人孤立词语音识别系统的仿真与分　究［Ｊ］．控制工程，２０１１，１８（３０）：３９７—４０４．　析［Ｊ］．西安工程科技学院学报，２００７，２１（３）：１０一ｌ２．　ｕ　Ｆ　Ｈ．Ｓｐｅｃｉａｌ　ｓｐｅｅｃｈ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｐ—　ｆ９］　Ｌｅｅ　Ｌ　Ｓ，Ｔｓｅｎｇ　Ｃ　Ｙ，Ｌｉｐｒｏａｃｈｅｓ　ｆｏｒ　ｔｈｅ　ｈｉｇｈｌｙ　ｃｏｎｆｕｓｉｎｇ　Ｍａｎｄａｒｉａｎ　ｓｙｌｌａｂｌｅｓ　ｂａｓｅｄ　［Ｊ］．中国西部科技，２０１１，１０（１）：９３－９４．