基于改进BP神经网络的光伏发电系统输出功率短期预测模型.pdf

第４０卷第１１期２０１２年６月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ、，＿０ｌ｜４０Ｎｏ．１１Ｊｕｎ．１，２０１２基于改进ＢＰ神经网络的光伏发电系统输出功率短期预测模型丁明，王磊，毕锐（合肥工业大学教育部光伏系统工程研究中心，安徽合肥２３０００９）摘要：随着光伏发电系统的大规模应用，其输出功率预测技术可以有效地缓解该类随机能源对电力系统的不利影响。提出了一种基于改进ＢＰ神经网络的光伏发电系统输出功率短期预测模型，利用输出功率的历史值、过往及预测日气象信息，对输出功率进行直接预测。通过对影响输出功率各项因素的分析，得出了预测模型输入变量选择的理论依据；为了提高模型在各种天气条件下的预测精度，提出了相似日选择算法和训练样本确定方法；针对传统ＢＰ学习算法易陷入局部极小点、收敛速度慢等缺陷，利用增加动量项和可变学习率相结合的方法对其进行了改进。最后通过预测结果分析，验证了所提模型和算法的有效性。关键词：预测；光伏发电系统；人工神经网络；相似日选择算法；训练样本确定方法；ＢＰ算法—ＡｓｈｏｒｔｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｔｏｆｏｒｅｃａｓｔｏｕｔｐｕｔｐｏｗｅｒｏｆｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＤ１ＮＧＭｉｎｇ，ＷＡＮＧＬｅｉ，ＢＩＲｕｉ（ＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＰｈｏｔｏｖｏｌｔａｉｃＳｙｓｔｅｍＥｎｇｉｎｅｅｒｉｎｇｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ２３０００９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｉｎｇａｐｐｌｉｃａｔｉｏｎｏｆｌａｒｇｅ－ｓｃａｌｅｐｈｏｔｏｖｏｌｔａｉｃ（ＰＶ）ｓｙｓｔｅｍ，ｏｕｔｐｕｔｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｔｅｃｈｎｉｑｕｅｃａｎｍｉｔｉｇａｔｅｔｈｅａｄｖｅｒｓｅｅｆｆｅｃｔｓｏｆｓｕｃｈｒａｎｄｏｍｅｎｅｒｇｙｏｎｐｏｗｅｒｓｙｓｔｅｍｓ．Ａｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄｔｏｆｏｒｅｃａｓｔｏｕｔｐｕｔｐｏｗｅｒｏｆＰＶｓｙｓｔｅｍｄｉｒｅｃｔｌｙ，ｗｈｉｃｈｕｓｅｓｈｉｓｔｏｒｉｃａｌｏｕｔｐｕｔｄａｔａａｎｄｍｅｔｅｏｒｏｌｏｇｙｉｎｆｏｒｍａｔｉｏｎ，ｍｅｔｅｏｒｏｌｏｇｙｉｎｆｏｒｍａｔｉｏｎｏｆｆｏｒｅｃａｓｔｄａｙ．ＦａｃｔｏｒｓｔｈａｔａｆｆｅｃｔＰＶｓｙｓｔｅｍｏｕｔｐｕｔａｒｅａｎａｌｙｚｅｄｔｏｏｂｔａｉｎｔｈｅｏｒｅｔｉｃａｌｂａｓｉｓｆｏｒｔｈｅｓｅｌｅｃｔｉｏｎｏｆｉｎｐｕｔｖａｒｉａｂｌｅｓ；ｓｉｍｉｌａｒｄａｙｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍａｎｄｔｒａｉｎｉｎｇｓａｍｐｌｅｓｄｅｔｅｒｍｉｎａｔｉｏｎｍｅｔｈｏｄａｒｅｐｒｏｐｏｓｅｄｔｏｉｍｐｒｏｖｅｆｏｒｅｃａｓｔｉｎｇａｃｃｕｒａｃｙｉｎｄｉｆｆｅｒｅｎｔｗｅａｔｈｅｒｔｙｐｅｓ；ｔｒａｄｉｔｉｏｎａｌＢＰａｌｇｏｒｉｔｈｍｉｓｉｍｐｒｏｖｅｄｔｏａｖｏｉｄｌｏｃａｌｍｉｎｉｍａａｎｄｓｐｅｅｄｃｏｎｖｅｒｇｅｎｃｅｂｙｃｏｍｂｉｎｉｎｇｉｎｃｒｅａｓｉｎｇｍｏｍｅｎｔｕｍｍｅｔｈｏｄｗｉｔｈｖａｒｙｉｎｇｌｅａｒｎｉｎｇｒａｔｅｍｅｔｈｏｄ；ａｎｄｔｈｅｒｅｓｕｌｔｓｖａｌｉｄａｔｅｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌａｎｄａｌｇｏｒｉｔｈｍ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５０８３７００１），ｔｈｅＮａｔｉｏｎａｌＨｉｇｈＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔｏｆＣｈｉｎａ（８６３Ｐｒｏｇｒａｍ）（Ｎｏ．２００７ＡＡ０５Ｚ２４０），ＳｐｅｃｉａｌＦｕｎｄｏｆｔｈｅＮａｔｉｏｎａｌＰｒｉｏｒｉｔｙＢａｓｉｃＲｅｓｅａｒｃｈＣｈｉｎａ（９７３Ｐｒｏｇｒａｍ）（Ｎｏ．２００９ＣＢ２１９７０２），ａｎｄｔｈｅＦｕｎｄｏｆＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（Ｎｏ．２０１０ＨＧＸＪ００６１）．Ｋｅｙｗｏｒｄｓ：ｆｏｒｅｃａｓｔｉｎｇ；ｐｈｏｔｏｖｏｌｍｉｃｓｙｓｔｅｍ；ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ｓｉｍｉｌ￣ｄａｙｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ；ｔｒａｉｎｉｎｇｓａｍｐｌｅｓｄｅｔｅｒｍｉｎａｔｉｏｎｍｅｔｈｏｄ；ＢＰａｌｇｏｒｉｔｈｍ．中图分类号：ＴＭ６１５；ＴＭ７１５文献标识码：Ａ文章编号：１６７４－３４１５（２０１２）１１－００９３・０７０引言近些年，光伏发电由于清洁能源特性得到了快速的发展。但是，由于受到太阳辐射强度和天气因基金项目：国家自然科学基金项目（５０８３７００１）；国家８６３高技术基金项目（２００７ＡＡ０５Ｚ２４０）；国家重点基础研究专项经费项目（９７３项目）（２００９ＣＢ２１９７０２）；合肥工业大学校基金（２０１ＯＨＧＸＪ００６１）素的影响，光伏发电系统的输出功率具有波动性和间歇性，大规模光伏发电系统并网运行会影响电力系统的安全、稳定、经济运行【ｌ之］。对光伏发电系统输出功率的准确预测，有利于电力系统调度部门适时调整调度计划，从而有效地减轻光伏发电系统接入对电网的不利影响。光伏发电系统输出功率预测方法的研究，可以归纳为以下两类：（Ｉ）基于太阳辐射强度的间接预—测方法。如文献［３】基于Ｈｏｔｔｅｌ辐射模型和ＬｉｕＪｏｒｄａｎ．．９４．．电力系统保护与控制辐射模型计算出太阳辐射强度，对光伏发电系统输出功率进行预测。文献［４】提出了一种基于适应性ＮＡＲＸ网络的光伏发电系统输出功率短期预测模型，该模型输入由Ｈｏｔｔｅｌ辐射模型计算的太阳辐射量和公共天气预报信息共同组成。文献【５】采用了前馈神经网络、径向基函数神经网络、递归神经网络三种不同的人工神经网络对太阳辐射强度进行预测，进而计算光伏发电系统输出功率。基于太阳辐射强度预测光伏发电系统输出功率虽然被视为一种有效的预测方法，但是此方法依赖于复杂的太阳辐射强度模型和详细准确的公共天气预报信息，并且对于含有不同类型光伏发电单元的系统来说，转换效率、安装角度等参数也存在差异，确定光伏发电系统输出模型的参数值难度提高。（２）利用光伏发电系统历史输出功率数据的直接预测方法。如文献【６］通过统计光伏发电系统历史功率数据，基于马尔科夫链直接预测其输出功率。文献［７］参考光伏阵列自身的历史输出功率数据，加入公共天气预报信息，利用人工神经网络方法直接预测光伏发电系统出力。文献［８】利用粒子群优化算法和遗传算法相结合的方法对人工神经网络进行训练，采用训练好的网络直接预测光伏发电系统出力。利用光伏发电系统历史输出功率数据的直接预测方法避免了预测模型的复杂建模，省去了太阳辐射强度测量装置的投资，简化了预测过程，但是需要一段时间的历史输出功率数据积累作为保证，并且对于模型输入参数的选择也提出了较高的要求。本文提出了一种基于改进ＢＰ神经网络、结合光伏发电系统历史输出功率数据和气象信息的短期输出功率直接预测模型，不需要建立复杂的太阳辐射强度计算模型，也不需要采用太阳辐射强度测量装置。最后通过实际系统算例，验证了所提模型在预测光伏发电系统输出功率方面的准确性和简便性。ｌ预测模型输入变量筛选影响光伏发电系统输出功率的因素很多，有太阳辐射强度、逆变器转换效率、太阳能电池板安装角度、温度、气压等［９－１０１。如果将每个影响因素都作为预测模型的输入，必将增加模型的复杂度，而且输入变量的增多也必将提高光伏发电系统历史数据收集工作的难度，所以准确地分析与输出功率关联性强的因素并将其作为输入量，直接关系着预测模型的可用性和准确性。对于由固定安装角度太阳能电池板组成的光伏发电系统，其最大直流输出功率可以由式（１）［１１１所描述。ｅｓ：ｒ／ＳＩ［１－０．００５（ｔｏ＋２５）］（１）式中：是光伏阵列的光电转换效率（％）；Ｓ是光伏阵列的总面积（ｍ）；，是光伏阵列接收到的太阳辐射强度（ｋＷ・ｍ）；ｔｏ是太阳能电池板的工作温度（。ｃ）。考虑到对于既定的光伏发电系统来说，几乎所有的光伏并网逆变器都以相对稳定的功率转换效率运行在最大功率点跟踪（ＭａｘｉｍｕｍＰｏｗｅｒＰｏｉｎｔＴｒａｃｋｉｎｇ，ＭＰＰＴ）模式，其输出功率数据具有高度的自相关性，输出功率数据中已包含光伏阵列的系统信息。虽然功率转换效率、光电转换效率会随着时间变化，但是在系统的使用周期内其变化量是非常小的，以至于在短期预测中可以认为是常数。所以预测模型的输入变量中可不用考虑逆变器的功率转换效率、光伏阵列的光电转换效率、光伏阵列的总面积等隐含在历史输出功率数据中的因素，但是太阳辐射强度、环境温度等因素在预测模型的输入中应该予以考虑。本文选择位于美国俄勒冈州的Ａｓｈｌａｎｄ光伏发电系统（纬度：４２．１９。，经度：１２２．７０。，海拔５９５ｍ）作为研究对象，其总容量为１５ｋＷ［１２１。研究时段为０６：００～１９：００，２０：００至次日０５：００输出功率为零，故不计入研究时段内，时间间隔为１ｈ，输出功率值为每小时的平均值。相应的气象信息来源于一个公共的天气预报网站【ｌ引。天气类型因素对光伏发电系统输出功率的影响是非常明显的，这种影响来源于不同天气类型条件下太阳辐射强度的巨大差异。图１是相同季节类型、不同天气类型条件下Ａｓｈｌａｎｄ１５ｋＷ光伏发电系统的输出功率曲线，相应日期的气象信息见表１。从图１中可以看出，在相同的季节类型条件下，输出功率曲线随着天气类型的不同变化很大，这种差异不仅体现在输出功率的变化趋势上，也体现在输出功率值的大小上。丁明，等基于改进ＢＰ神经网络的光伏发电系统输出功率短期预测模型一９５．进而影响了光伏表１气象信息Ｔａｂｌｅ１Ｍｅｔｅｏｒｏｌｏｇｙｉｎｆｏｒｍａｔｉｏｎ季节性的太阳辐射强度差异也导致了光伏发电系统输出功率的季节性变化。图２是相同天气类型、不同季节类型条件下Ａｓｈｌａｎｄ１５ｋＷ光伏发电系统的输出功率曲线，相应日期的气象信息见表２。从图中可以看出，在相同的天气类型条件下，输出功率曲线具有相同的变化趋势，但是其功率大小随着季节类型的不同具有一定的差异，这主要是不同季节太阳辐射强度差异所致。：：１２妻嚣６一２０１０年０２月１９日一２Ｏ１０年０４月Ｉ８日…２０１０年０６月ｌ２日一２０１０年１０月０５日图２不同季节类型条件下的输出功率曲线Ｆｉｇ．２Ｏｕｔｐｕｔｐｏｗｅｒｃｕｒｖｅｉｎｄｉｆｆｅｒｅｎｔｓｅａｓｏｎｓ表２气象信息Ｔａｂｌｅ２Ｍｅｔｅｏｒｏｌｏｇｙｉｎｆｏｒｍａｔｉｏｎ气温对输出功率也有一定的影响。图３是相同季节类型、相同天气类型、不同气温条件下Ａｓｈｌａｎｄ１５ｋＷ光伏发电系统的输出功率曲线，相应日期的气象信息见表３。由于选择的是连续的三天，所以可以认为此三天的太阳辐射强度近似。从图中可以看出，在相同的季节类型、天气类型，相近的太阳辐射强度条件下，随着气温的升高，光伏发电系统输出功率略有下降，这主要是由于气温的升高导致了太阳能电池板工作温度的升高，发电系统输出功率。—１２０１０年０７月０５日一２０１０年０７ｊ＝了０６Ｈ一２０１０年０７月Ｏ７口图３不同气温条件下的输出功率曲线Ｆｉｇ．３Ｏｕｔｐｕｔｐｏｗｅｒｃｕｒｖｅｉｎｄｉｆｆｅｒｅｎｔｔｅｍｐｅｒａｔｕｒｅｓ表３气象信息Ｔａｂｌｅ３Ｍｅｔｅｏｒｏｌｏｇｙｉｎｆｏｒｍａｔｉｏｎ从上面的分析可以发现，光伏发电系统输出功率和天气类型、季节类型、气温密切相关，所以预测模型输入变量为隐含光伏发电系统信息的历史输出功率序列、天气类型、季节类型和气温。２相似日选择算法￣ｎｉ］ｌｌ练样本的确定方法从图ｌ～图３中可以看出，晴天条件下光伏发电系统输出功率随着日升日落有一个上升．保持一下降的基本过程，具有高度的相似性；而在阴天、雨天等其他天气类型条件下，上升．保持一下降的基本过程被破坏，输出功率曲线规律性不强，相似度不高，这也直接加大了非晴天条件下光伏发电系统输出功率预测的难度。之前的大部分文献［３－４，６－７，１４］要么只对晴天条件下的输出功率进行预测，要么就是将不同的天气类型进行量化后作为预测模型的输入来预测不同天气类型的光伏发电系统出力，对于非晴天天气类型的预测精度不高，误差较大。本文通过提出相似日选择算法和针对预测日气象信息确定训练样本的方法，使得所选择的相似日、训练样本与预测目具有相同的天气类型和季节类型，且气温接近，训练过程和预测过程针对性更强，提高了模型在非晴天条件下对光伏发电系统输出功率预测的精度。为了从光伏发电系统历史记录中选择出和预测日天气类型、季节类型一致，气温最接近的日期，将其输出功率序列和气温信息作为预测模型输入的一部分，相似日选择算法被提出，算法步骤如下：一９６．电力系统保护与控制１）选择出和预测日天气类型、季节类型一致的ｎ条历史记录，形成样本集Ｊ［）。２）计算预测日和样本集Ｄ中历史记录的气温欧氏距离，计算公式如式（２）所示。１．ｒ３∑ｄ＝ｌ（ｙ『一Ｉ，ｉ＝１２一，（２）Ｌｊ式中：，，分别为预测日的最高气温、最低气温和平均气温值；１，陀，分别为样本集Ｄ中第ｉ条记录的最高气温、最低气温和平均气温值。…３）将气温欧氏距离集｛，，，｝按照值的大小升序排序，最小值所对应的日期即为预测日所对应的相似日。训练样本的确定方法依赖于相似日选择算法，按照气温欧氏距离升序排列的前ｋ个日期的历史记录形成训练样本，利用训练样本就可以对神经网络进行训练，再利用训练好的神经网络就可以进行输≤出功率预测（１＜七，ｋ的大小可根据实际需要所指定。３预测模型设计３．１ＢＰ神经网络人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＡＮＮ）被视为预测太阳辐射强度和光伏发电系统输出功率的一种有效方法，而ＢＰ神经网络是目前研究最为成熟、应用最为广泛的人工神经网络模型之一引，本文就是采用ＢＰ神经网络来设计光伏发电系统输出功率短期预测模型。３．２预测模型本文所提出的光伏发电系统输出功率预测模型结构如图４所示，由输入层、隐含层、输出层所组成，隐含层为一层。一相似日６：００￣１９：００，一ＸＩ７相似县墼墨壹墨：墨低气温、平均气温值，琴型＝：００每小时输出功率平均值预测日的躺Ｘ１８－Ｘ２０一、—————低气温、平均气温值＼／广十厂输入层ｉ隐含层ｉ输出层图４预测模型结构Ｆｉｇ．４Ｓｔｒｕｃｔｕｒｅｏｆｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ３．２．１输入层由前面的分析可以知道，预测模型的输入变量为相似日输出功率序列、气温信息，预测Ｆｔ气温信息，因此输入变量共有２０个，见表４所列。表４预测模型输入变量Ｔａｂｌｅ４Ｉｎｐｕｔｖａｒｉａｂｌｅｓｏｆｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ输入变量输入变量名称相似日６：００￣１９：００的每小时输出功率平均值相似日的最高气温、最低气温、平均气温值预测日的最高气温、最低气温、平均气温值３．２．２输出层由于光伏发电系统输出功率模型预测的是预测日６：００～１９：００的每小时输出功率平均值，因此输出变量共有ｌ４个。３．２．３隐含层人工神经网络精度的提高可以通过采用一个隐含层而增加其神经元的方法来实现，这在结构实现上要比增加隐含层数目简单，故光伏发电系统输出功率预测模型采用单隐含层结构。隐含层神经元个数的选择直接关系到神经网络的规模和精度。根据Ｋｏｌｍｏｇｏｒｏｖ定理Ｌ１引，如果输入变量的个数为，则隐含层神经元个数一般可取２ｎ＋１个，也可以采用反复试验法【】７Ｊ来确定隐含层神经元的数目。３．２．４归一化公式光伏发电系统输出功率预测模型的输入变量单位不同，数量级差别也较大，而神经元的输出通常都被限制在一定的范围内。本文设计的预测模型采用单端Ｓ型激励函数，输出被限制在０～１之间，所以需要对原始数据进行归一化处理，以避免神经元过饱和。归～化公式如式（３）所示。＝Ｘｍａｘ－－Ｘｍｉｎ（３）ｖ：二／ｎ—Ｙｍｉｎ式中：麟、Ｘｍｉ分别为原始输入数据、原始输入数据中的最大值、最小值；Ｙｎ、ＹｍＹｍｉ分别为原始输出数据、原始输出数据中的最大值、最小值。３．３学习算法ＢＰ神经网络训练过程直接关系到光伏发电系统输出功率模型的预测精度。传统的ＢＰ神经网络训练采用的是误差反向传播学习算法，存在着容易陷入局部极小点、收敛速度慢等问题。国内外学者从不同的角度对传统ＢＰ学习算法进行了改进，归纳起来可分为两类Ｌｌ副：１）基于标准梯度下降法的改进，如增加动量项的ＢＰ学习算法，可变学习率的ＢＰ学习算法等；２）基于数值优化算法的改进，丁明，等基于改进ＢＰ神经网络的光伏发电系统输出功率短期预测模型．９７．如拟牛顿法，Ｌｅｖｅｎｂｅｒｇ．Ｍａｒｑｕａｒｄｔ算法，共轭梯度法等。本文将增加动量项的ＢＰ学习算法和可变学习率的ＢＰ学习算法结合起来，对传统ＢＰ学习算法进行改进，以提高收敛速度，减小陷入局部极小点的概率。设有Ｐ个训练样本，为最大训练次数，ｗ为连接权值，ｗ（Ｏ为第，次迭代的权值，ＡＷＢＰ（为根据传统ＢＰ学习算法第ｔ次迭代的权值改变量，’为第ｔ次迭代的网络总误差，８为系统允许误差，７为学习率。各层的输出计算公式，各层的误差计算公式，网络总误差计算公式，根据传统ＢＰ学习算法的权值调整公式等可射文献［１９１。３．３．１传统ＢＰ学习算法传统ＢＰ学习算法的流程图如图５所示，算法步骤如下：１）初始化权值Ｗ，设当前为第ｆ次迭代。２）依次输入ＪＰ个样本，设当前输入的是第Ｐ个样本，计算各层的输出和反传误差。３）若ｐ＜Ｐ，则ｐ＝ｐ＋ｌ，转到步骤２），否则转到步骤４）。４）按照权值调整公式调整各层的连接权值。５）按照新的连接权值，计算各层的输出、反传误差和网络总误差Ｅ（，若＜ｓ或ｆ＞，则终止‘训练过程，否则，闩＋ｌ，转到步骤２）进行新一轮的训练。图５传统ＢＰ学习算法流程图Ｆｉｇ．５ＦｌｏｗｃｈａｒｔｏｆｔｒａｄｉｔｉｏｎａｌＢＰｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ３．３．２改进ＢＰ学习算法改进ＢＰ学习算法是将增加动量项的ＢＰ学习算法和可变学习率的ＢＰ学习算法结合起来。在可变学习率的ＢＰ学习算法中，通过检查更新后的权值是否降低了网络总误差来对学习率参数进行自动调整，大幅加快网络收敛速度［２０１。式（４）给出了本文中所采用的学习率调整公式。叩＝｛０．．２７５５ｒ／（ｔ一－ＥＥ≤（ｔ一－１）＞Ｅ。（ｔ一－２２）ｃ４在增加动量项的ＢＰ学习算法中，权值的改变量是由当前误差曲面的负梯度变化量和前一次迭代修正所采纳的权值变化量所组成，见式（５）。通过动量项的作用可有效提高收敛速度，并有助于网络从误差曲面的极小值中跳出【们。ｗ（ｔ）＝ＡｗＢＰ（ｆ）＋ｃｒ（ｗ（ｔ－１）－ｗ（ｔ一２））（５）式中，为动量因子，通常取０．９５。改进ＢＰ学习算法的流程图如图６所示。与传统ＢＰ学习算法相比，改进ＢＰ学习算法在权值调整方面进行了改进，首先利用式（４）动态调整学习率，然后再利用式（５）对各层连接权值进行调整。图６改进ＢＰ学习算法流程图Ｆｉｇ．６ＦｌｏｗｃｈａｒｔｏｆｉｍｐｒｏｖｅｄＢＰｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ４预测结果分析本文所提出的光伏发电系统输出功率预测模型．９８．电力系统保护与控瑚采用ＭｉｃｒｏｓｏｆｔＶｉｓｕａｌＳｔｕｄｉｏ２００８中的ＶｉｓｕａｌＣ＋＋编程实现，数据库采用的是ＭｉｃｒｏｓｏｆｔＳＱＬＳｅｒｖｅｒ２０００，用以存放Ａｓｈｌａｎｄ１５ｋＷ光伏发电系统２０１０年１月１日～２０１０年１２月３１日的历史输出功率数据和历史气象信息。对预测模型进行准确的评估，需要采用一定的评估指标，评价预测最常用的指标是平均绝对百分比误差（ＭｅａｎＡｂｓｏｌｕｔｅＰｅｒｃｅｎｔａｇｅＥｒｒｏｒ，ＭＡＰＥ），如式（６）所示。—ｌ一ｌ雎：％（６）ＮⅣ式中：是数据总个数；为第ｉ个预测值；为第ｉ个实际值。为了避免Ｉ一Ｉ／趋近无穷，如●‘一Ｉ一果ＪＦ＝接近于零，相应的这组值将会被舍去。为了验证本文所提出的预测模型在预测精度、训练收敛速度方面的改进，选择２０１０年６月１３目和２０１０年４月１４日，分别利用两种模型进行预测。模型一为基于传统ＢＰ神经网络的预测模型，且不采用本文所提出的相似日选择算法和训练样本的确定方法。模型二为本文所提出的基于改进ＢＰ神经网络的预测模型。模型一和模型二的网络结构一样，输入、输出变量一样。２０１０年６月１３日季节类型为夏季，天气类型为晴，最高温度３０。Ｃ，最低温度１１ｏＣ，平均温度２１。Ｃ。模型一、模型二的预测值和实际值见表５。可以看出，模型二的预测精度非常高，平均绝对百分比误差仅为１２．８％，而模型一的平均绝对百分比误差为３４．０％。模型一的预测值较实际值偏小，这主要是由于模型一选择预测日前一段时间的历史记录作为训练样本，训练样本中包含了非晴天历史信息，非晴天输出功率较晴天明显要小，影响了预测值的大小。在收敛速度方面，模型一、模型二的网络训练迭代次数见表６，模型二迭代次数较模型一减少了３８．Ｏ％，还是较为有效地提高了收敛速度。２０１０年４月１４日季节类型为春季，天气类型为小雨，最高温度１４。Ｃ，最低温度６ｏＣ，平均温度１１。Ｃ。模型一、模型二的预测值和实际值见表７。模型一的平均绝对百分比误差为１２９．６％，模型二的平均绝对百分比误差为７６．４％。可以看出，相比晴天条件下的预测，无论是模型一，还是模型二，预测精度都有很大程度的下降，这主要是由于非晴天条件下的太阳辐射强度波动较大，输出功率序列规律性不强，预测难度加大。但是采用模型二，预测误差较大的时段集中在８：００之前和１７：００之后，且绝对百分比误差还是在可以接受的范围之内。在收敛速度方面，模型一、模型二的网络训练迭代次数见表８，模型二迭代次数较模型一减少了６２．９％，说明模型二在提高训练收敛速度方面的效果还是较为明显的。表５２０１０年６月１３日预测值和实际值Ｔａｂｌｅ５Ｆｏｒｅｃａｓｔａｎｄａｃｔｕａ１ｖａｌｕｅｓｏｎＪｕｎｅ１３，２０１０时间／／实釉善时间预测值预测值百分比误对百分比ＷＷ差误差０６：００８１８３４７６．５４７．１０７：００８３５２ｌｌ１ｌ８８５５５．７１２．００８：００２８３０５７７７５８９４５２．０２．００９：００５０１２９３９０９１８３。４５．４２．３１０：００７５４１１１９４０ｌ１７２４３５．７１．８Ｉ１：００１００９４１３６３８１３３７４２４．５２．０１２：００１１６３６１４３４６１４０８ｌ１７．４１．９ｌ３：００ｌ１０３４１４１８３１３９６２１．２１Ｉ３１４：００１０７１６１３７６８１３３７４１９．９２．９１５：００９５７７ｌ２ｌ７０ｌ１８９３ｌ９．５２－３１６：００６８０５８６６７８３２２１８．２４．１１７：００３１７９３８５０３６４０１２．７５．８ｌ８：００１６８８９４２１３８８２１．６３２．１１９：００２８９７ｌ１８５５６．２６１．６表６预测模型迭代次数比较Ｔａｂｌｅ６Ｉｔｅｒａｔｉｏｎｓｃｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ表７２０１０年４月１４Ｅｌ预测值和实际值Ｔａｂｌｅ７ＦｏｒｅｃａｓｔａｎｄａｃｔｕａｌｖａｌｕｅｓｏｎＡｐｒｉｌ１４，２０１０丁明，等基于改进ＢＰ神经网络的光伏发电系统输出功率短期预测模型．９９．表８预测模型迭代次数比较Ｔａｂｌｅ８Ｉｔｅｒａｔｉｏｎｓｃｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ从预测结果的分析来看，相比基于传统ＢＰ神经网络的预测模型来说，本文所提出的预测模型不论是在预测精度上还是在训练收敛速度上，都有一定程度的提高，在对非晴天条件下输出功率的预测方面，也收到了较好的效果。５结论本文提出了一种基于改进ＢＰ算法的神经网络光伏发电系统输出功率短期预测模型，该模型直接预测输出功率，避免了复杂建模，简化了预测过程。通过分析影响光伏发电系统出力的各项因素，选择了历史输出功率序列，相关的气象信息作为预测模型的输入；为了提高模型在不同天气条件下的预测精度，提出了相似日选择算法和针对预测日气象信息确定训练样本的方法，能有效提高模型在晴天、阴天、雨天等各种天气条件下的预测准确性；针对传统ＢＰ学习算法训练时间长、易陷入局部极小点的固有缺点，提出采用附加动量法和自适应学习率相结合的改进ＢＰ学习算法，有效地提高了预测速度和预测精度；最后通过两组实例数据的对比分析，验证了所提模型和算法的有效性。射文献［１］张洋，李强，李朝晖，等．光伏．储能联合微网系统工程方案设计【Ｊ］．电力系统保护与控制，２０１０，３８（２３）：２１２．２ｌ４．—ＺＨＡＮＧＹａｎｇ，ＬＩＱｉａｎｇ，ＬＩＺｈａｏｈｕｉ，ｅｔａ１．Ｃｏｎｃｅｐｔｕａｌｄｅｓｉｇｎｆｏｒｔｈｅｐｒｏｊｅｃｔｏｆｍｉｃｒｏｇｒｉｄｓｙｓｔｅｍｉｎｔｅｒｃｏｎｎｅｃｔｅｄｗｉｔｈｐｈｏｔｏｖｏｌｔａｉｃｇｅｎｅｒａｔｉｏｎ＆ｅｎｅｒｇｙｓｔｏｒａｇｅ［Ｊ］．Ｐｏｗｅｒ—ＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（２３）：２１２２１４．［２］周念成，闫立伟，王强钢．光伏发电在微电网中接入及动态特性研究［Ｊ］．电力系统保护与控制，２０１０，３８（１４）：１１９－１２７．—ＺＨＯＵＮｉａｎｃｈｅｎｇ，ＹＡＮＬｉ－ｗｅｉ，ＷＡＮＧＱｉａｎｇ－ｇａｎｇ．Ｒｅｓｅａｒｃｈｏｎｄｙｎａｍｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃａｎｄｉｎｔｅｇｒａｔｉｏｎｏｆｐｈｏｔｏｖｏｌｔａｉｃｇｅｎｅｒａｔｉｏｎｉｎｍｉｃｒｏｇｒｉｄｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（１４）：１１９１２７．［３］ＭｄＨａｂｉｂｕｒＲａｈｍａｎ，ＳｕｓｕｍｕＹａｍａｓｈｉｒｏ．ＮｏｖｅｌｄｉｓｔｒｉｂｕｔｅｄｐｏｗｅｒｇｅｎｅｒａｔｉｎｇｓｙｓｔｅｍｏｆＰＶ－ＥＣａＳＳｕｓｉｎｇｓｏｌａｒｅｎｅｒｇｙｅｓｔｉｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＥｎｅｒｇｙ—Ｃｏｎｖｅｒｓｉｏｎ，２００７，２２（２）：３５８３６７．Ｅ４］ＣＡＩＴａｏ，ＤＵＡＮＳｈａｎ－ｘｕ，ＣＨＥＮＣｈａｎｇ－ｓｏｎｇ．Ｆｏｒｅｃａｓｔｉｎｇ—ｐｏｗｅｒｏｕｔｐｕｔｆｏｒｇｒｉｄｃｏｎｎｅｃｔｅｄｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｓｙｓｔｅｍｗｉｔｈｏｕｔｕｓｉｎｇｓｏｌａｒｒａｄｉａｔｉｏｎｍｅａｓｕｒｅｍｅｎｔ［Ｃ】／／２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＰｏｗｅｒＥｌｅｃｔｒｏｎｉｃｓｆｏｒＤｉｓｔｒｉｂｕｔｅｄＧｅｎｅｒａｔｉｏｎＳｙｓｔｅｍｓ（ＰＥＤＧ２０１０），Ｈｅｆｅｉ，Ｃｈｉｎａ，２０１０．Ｅｓ］ＡｔｓｕｓｈｉＹｏｎａ，ＴｏｍｏｎｏｂｕＳｅｎｊｙｕ，ＡｈｍｅｄＹｏｕｓｕｆＳａｂｅｒ，—ｅｔａ１．Ａｐｐｌｉｃａｔｉｏｎｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｏｎｅｄａｙ－ａｈｅａｄ２４ｈｏｕｒｓｇｅｎｅｒａｔｉｎｇｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｆｏｒｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍ［Ｃ】／／２００７ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓＡｐｐｌｉｃａｔｉｏｎｓｔｏＰｏｗｅｒＳｙｓｔｅｍｓ（ＩＳＡＰ），ＴｏｋｉＭｅｓｓｅ，Ｎｉｉｇａｔａ，２００７．［６］丁明，徐宁舟．基于马尔可夫链的光伏发电系统输出功率短期预测方法［Ｊ】．电网技术，２０１１，３５（１）：１５２－１５７．—ＤＩＮＧＭｉｎｇ，ＸＵＮｉｎｇｚｈｏｕ．Ａｍｅｔｈｏｄｔｏｆｏｒｅｃａｓｔｓｈｏｒｔ－ｔｅｒｍｏｕｔｐｕｔｐｏｗｅｒｏｆｐｈｏｔｏｖｏｌｔａｉｃｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＭａｒｋｏｖＣｈａｉｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１１，３５（１）：１５２－１５７．［７］陈昌松，段善旭，殷进军．基于神经网络的光伏阵列发电预测模型的设计［Ｊ］．电工技术学报，２００９，２４（９）：１５３－１５８．ＣＨＥＮＣｈａｎｇ・ｓｏｎｇ，ＤＵＡＮＳｈａｎ－ｘｕ，Ｙ１ＮＪｉｎ－ｊｕｎ．Ｄｅｓｉｇｎｏｆｐｈｏｔｏｖｏｌｍｉｃａｒｒａｙｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｎｅｕｔｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２００９，２４（９）：１５３－１５８．［８］ＤａｖｉｄｅＣａｐｕｔｏ，ＦｒａｎｃｅｓｃｏＧｒｉｍａｃｃｉａ，ＭａｒｃｏＭｕｓｓｅｔｔａ，ｅｔａ１．ＰｈｏｔｏｖｏｌｔａｉｃｐｌａｎｔｓｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｂｙｍｅａｎｓｏｆＡＮＮｔｒａｉｎｅｄｂｙａｈｙｂｒｉｄｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｒｎ［Ｃ】／／Ｔｈｅ２０１０ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ（ＩＪＣＮＮ），Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ，２０１０．［９］李冬辉，王鹤雄，朱晓丹，等．光伏并网发电系统几个关键问题的研究［Ｊ］．电力系统保护与控制，２０１０，—３８（２１）：２０８２１４．ＬＩＤｏｎｇ．ｈｕｉ．ＷＡＮＧＨｅ－ｘｉｏｎｇ，ＺＨＵＸｉａｏ－ｄａｎ，ｅｔａ１．Ｒｅｓｅａｒｃｈｏｎｓｅｖｅｒａｌｃｒｉｔｉｃａｌｐｒｏｂｌｅｍｓｏｆｐｈｏｔｏｖｏｌｍｉｃ—ｇｒｉｄｃｏｎｎｅｃｔｅｄｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（２１）：２０８－２１４．［１０］徐维．并网光伏发电系统数学模型研究与分析【Ｊ】．电力系统保护与控制，２０１０，３８（１０）：１７－２１．ＸＵＷｅｉ．ＲｅｓｅａｒｃｈａｎｄａｎａｌｙｓｉｓｏｎｔｈｅｍａｔｈｅｍａｔｉｃｍｏｄｅｌｏｆＧＣＰＶｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（１Ｏ）：１７－２１．［１１］ＡｔｓｕｓｈｉＹｏｎａ，ＴｏｍｏｎｏｂｕＳｅｎｊｙｕ，ＴｏｓｈｉｈｉｓａＦｕｎａｂａｓｈｉ．Ａｐｐｌｉｃａｔｉｏｎｏｆｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｓｈｏｒｔ－ｔｅｒｍ－ａｈｅａｄｇｅｎｅｒａｔｉｎｇｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｆｏｒｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍ［Ｃ】／／２００７ＩＥＥＥＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＳｏｃｉｅｔｙ、ＧｅｎｅｒａｌＭｅｅｔｉｎｇ（ＰＥＳ），Ｔａｍｐａ，ＦＬ，ＵｎｉｔｅｄＳｔａｔｅｓ，２００７．［１２１ＦｒａｎｋＶｉｇｎｏｌａ．４３５０３９４９．ｚｉｐ［ＥＢ／ＯＬ］．［２０１１－０３－１６］．—ｈｔｔｐ：／／ｓｏｌａｒｄａｔ．ｕｏｒｅｇｏｎ．ｅｄｕｇｉｂｉｎ／ＳｈｏｗＳｉｎｇｌｅＥｌｅｍｅｎｔＰｒｏｆｉｌｅＦｉｌｅｓ．ｃｇｉ．（下转第１４８页ｃｏｎｔｉｎｕｅｄｏｎｐａｇｅ１４８）一１４８一电力系统保护与控制１＿６．—ＷＵＣｈａｏ，ＬＵＣｈａｏ，ＨＡＮＹｉｎｇｄｕｏ，ｅｔａ１．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ—ｏｆｍｏｄｅｓｈａｐｅｂａｓｅｄｏｎａｍｂｉｅｎｔｓｉｇｎａｌｓａｎｄＡＲＭＡＰｍｅｔｈｏｄ［Ｊ】．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１０，３４（６）：ｌ－６．［６８］吴超，陆超，韩英铎，等．基于广域测量类噪声信号的节点间振荡相位辨识［Ｊ］．清华大学学报：自然科学版，２０１０，５０（１０）：１６１３－１６１８．—ＷＵＣｈａｏ．ＬＵＣｈａｏ，ＨＡＮＹｉｎｇｄｕｏ，ｅｔａ１．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｏｓｃｉｌｌａｔｉｏｎｐｈａｓｅｒｅｌａｔｉｏｎｓｈｉｐａｍｏｎｇｎｏｄｅｓｂａｓｅｄｏｎｗｉｄｅａｒｅａｍｅａｓｕｒｅｄａｍｂｉｅｎｔｓｉｇｎａｌｓ（Ｊ１．ＪｏｕｒｎａｌｏｆＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ：ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１０，５０（１０）：１６１３－１６１８．［６９］顾丽鸿，周孝信，严剑峰，等．特高压联网区域实时小干扰稳定分析策略［Ｊ］．中国电机工程学报，２０１０，３０（１３）：１－７．—ＧＵＬｉ－ｈｏｎｇ，ＺＨＯＵＸｉａｏ－ｘｉｎ，ＹＡＮＪｉａｎｆａｎｇ，ｅｔａ１．Ｒｅａｌｔｉｍｅｓｍａｌｌｓｉｇｎａｌｓｔａｂｉｌｉｔｙａｎａｌｙｓｉｓｏｆｐｏｗｅｒｓｙｓｔｅｍｓｉｎｔｅｒｃｏｎｎｅｃｔｅｄｂｙｕｌｔｒａｈｉｖｏｌｔａｇｅｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１０，３０（１３）：１－７．［７０］陈树恒，李兴源．基于ＷＡＭＳ的交直流并联输电系统模型辨识算法［Ｊ］．中国电机工程学报，２００８，２８（４）：４８．５３．ＣＨＥＮＳｈｕ－ｈｅｎｇ，ＬＩＸｉｎｇ－ｙｕａｎ．ＭｏｄｅｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｎＡＣ／ＤＣｐａｒａｌｌｅｌｔｒａｎｓｍｉｓｓｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＷＡＭＳ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００８，２８（４）：４８－５３．［７１］ＳｏｏｓＡ，ＭａｌｉｋＯＰＡｎＨ２ｏｐｔｉｍａｌａｄａｐｔｉｖｅｐｏｗｅｒｓｙｓｔｅｍｓｔａｂｉｌｉｚｅｒ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎ，—２００７，１７（１）：１４３１４９．［７２］陆超，金小明，李鹏．基于ＭＩＭＯ辨识的复杂系统多控制器最优设计［Ｊ】．电力自动化设备，２００９，２９（３）：１１５．１１９．ＬＵＣｈａｏ，Ｊ１ＮＸｉａｏ－ｍｉｎｇ，ＬＩＰｅｎｇ．ＯｐｔｉｍａｌｄｅｓｉｇｎｏｆｍｕｌｔｉｐｌｅｃｏｎｔｒｏｌｌｅｒｓｂａｓｅｄｏｎＭＩＭＯｉｄｅｎｔｉｆｉｃａｔｉｏｎｆｏｒｌａｒｇｅｓｃａｌｅｐｏｗｅｒｓｙｓｔｅｍ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＡｕｔｏｍａｔｉｏｎＥｑｕｉｐｍｅｎｔ，２００９，２９（３）：ｌ１５－１１９．［７３］叶华，刘玉田．基于在线递推闭环子空间辨识的模型预测阻尼控制［Ｊ】＿中国电机工程学报，２００９，２９（２８）：５５．６１．—ＹＥＨｕａ，ＬＩＵＹｕｔｉａｎ．Ｍｏｄｅｌｐｒｅｄｉｃｔｉｖｅｄａｍｐｉｎｇｃｏｎｔｒｏｌｂａｓｅｄｏｎｏｎ．１ｉｎｅｒｅｃｕｒｓｉｖｅｃｌｏｓｅｄｌｏｏｐｓｕｂｓｐａｃｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００９，２９（２８）：５５．６１．—收稿日期：２０１卜０７１８；—修回Ｅｔ期：２０１卜１０３１作者简介：贾勇（１９８６－），男，博士研究生，研究方向为广域测—量及电力系统动态分析；Ｅｍａｉｌ：ｙｏｎｇｊｇｙ＠ｈｏｔｍａｉｌ．ｃｏｍ何正友（１９７０－），男，博士，教授，博士生导师，主要从事现代信号处理和信息理论在电力系统故障分析中的应用、新型继电保护原理、配网自动化等方面的研究工作。（上接第９９页ｃｏｎｔｉｎｕｅｄｆｒｏｍｐａｇｅ９）［１３］２０１１ＷｅａｔｈｅｒＵｎｄｅｒｇｒｏｕｎｄ，Ｉｎｃ［ＥＢ／ＯＬ］．［２０１１－０３－１６】．ｈｔｔｐ：Ｈｗｗｗ．Ｗｕｎｄｅｒｇｒｏｕｎｄ．ｃｏｍ／ｈｉｓｔｏｒｙ／ａｉｒｐｏｒｔ／ＫＭＦＲ／２０１０／１／１／ＭｏｎｔｈｌｙＨｉｓｔｏｒｙ．ｈｔｍｌ＃ｃａｌｅｎｄａｒ．［１４］ＣＨＥＮＣｈａｎｇ－ｓｏｎｇ，ＤＵＡＮＳｈａｎ－ｘｕ，ＣＡＩＴａｏ，ｅｔａ１．Ｅｎｅｒｇｙｔｒａｄｉｎｇｍｏｄｅｌｆｏｒｏｐｔｉｍａｌｍｉｃｒｏｇｒｉｄｓｃｈｅｄｕｌｉｎｇｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｃ】／／２００９ＩＥＥＥ６ｔｈＩｎｔｅｍａｔｉｏｎａｌＰｏｗｅｒＥｌｅｃｔｒｏｎｉｃｓａｎｄＭｏｔｉｏｎＣｏｎｔｒｏｌ’Ｃｏｎｆｅｒｅｎｃｅ（ＩＰＥＭＣ０９），ａｎ．Ｃｈｉｎａ，２００９．［１５］ＡｄｎａｎＳｏｚｅｎ，ＥｒｏｌＡｒｃａｋｈｏｇｌｕ，ＭｅｈｍｅｔＯｚａｌｐ，ｅｔａ１．ＦｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋａｐｐｒｏａｃｈｏｆｓｏｌａｒｐｏｔｅｎｔｉａｌｉｎＴｕｒｋｅｙ［Ｊ］．ＲｅｎｅｗａｂｌｅＥｎｅｒｇｙ，２００５，３０（７）：ｌ０７５．１０９０．［１６］钱敏平，龚光鲁．随机过程论［Ｍ】．北京：北京大学出版社，２０００．——ＱＩＡＮＭｉｎｐｉｎｇ，ＧＯＮＧＧｕａｎｇｌｕ．Ｒａｎｄｏｍｐｒｏｃｅｓｓｔｈｅｏｒｙ［Ｍ］．Ｂｅｉｊｉｎｇ：ＰｅｋｉｎｇＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２０００．１１７ＪＢａｈｍａｎＫｅｒｍａｎｓｈａｈｉ．Ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｆｏｒｅｃａｓｔｉｎｇｎｅｘｔｌ０ｙｅａｒｓｌｏａｄｓｏｆｎｉｎｅＪａｐａｎｅｓｅｕｔｉｌｉｔｉｅｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，１９８，２３（１－３）：１２５－１３３．—１ｌ８１ＺＨＡＮＧＹｕｎｏｎｇ，Ｌ１ｗ＿ｅｉ，ＹＩＣｈｅｎ．ｆｕ，ｅｔａ１．Ａ—ｗｅｉｇｈｔｓｄｉｒｅｃｔｌｙ－ｄｅｔｅｒｍｉｎｅｄｓｉｍｐｌｅｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｎｏｎｌｉｎｅａｒｓｙｓｔｅｍｉｄｅｎｔｉｆｉｃａｔｉｏｎ［Ｃ１／／ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＦｕｚｚｙＳｙｓｔｅｍｓ，ＨｏｎｇＫｏｎｇ，Ｃｈｉｎａ，２００８．［１９］田雨波．混合神经网络技术［Ｍ】．北京：科学出版社，２００９．—ＴＩＡＮＹｕｂｏ．Ｈｙｂｒｉｄｎｅｕｒａｌｎｅｔｗｏｒｋｔｅｃｈｎｏｌｏｇｙ［Ｍ］．Ｂｅｉｊｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ，２００９．［２０］张雨浓，杨逸文，李巍．神经网络权值直接确定法【Ｍ】．广州：中山大学出版社，２０１０．ＺＨＡＮＧＹ＿ｕ．ｎｏｎｇ，ＹＡＮＧＹｉ．ｗｅｎ，ＬＩＷｅｉ．Ｗｅｉｇｈｔｓｄｉｒｅｃｔｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｍ］．Ｇｕａｎｇｚｈｏｕ：ＺｈｏｎｇｓｈａｎＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２０１０．收稿日期：２０１１－Ｏ７一Ｏ５作者简介：丁明（１９５６－），男，硕士，教授，博士生导师，研究方向为电力系统规划及可靠性、新能源及其利用、柔性输电系统的仿真与控制等；王磊（１９８７－），男，硕士研究生，研究方向为新能源与分布式发电；Ｅ－ｍａｉｌ：ｗａｎｇ＿ｌｅｉ＿１９８７＠１２６．ｃｏｍ毕锐（１９７９－），男，博士研究生，研究方向为分布式发电系统。