基于组合模型的短期风速预测研究

臣　一　Ｃｌｅａｎ　Ｅｎｅｒｇｙ　第２９卷第７期　２０１３年７月　电网与清洁能源　Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　ａｎｄ　Ｃｌｅａｎ　Ｅｎｅｒｇｙ　Ｖ０１．２９　Ｎｏ．７　Ｊｕ１．２０１３　文章编号：１６７４—３８１４（２０１３）０７—００８３—０５　中图分类号：ＴＭ　６１４　文献标志码：Ａ　基于组合模型的短期风速预测研究　章伟，邓院昌　（中山大学工学院，广东广州　５１０００６）　Ｓｈｏｒｔ－Ｔｅｒｍ　Ｗｉｎｄ　Ｓｐｅｅｄ　Ｐｒｅｄｉｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｃｏｍｂｉｎａｔｉｏｎ　Ｍｏｄｅｌ　ＺＨＡＮＧ　Ｗｅｉ，ＤＥＮＧ　Ｙｕａｎ－ｃｈａｎｇ　（Ｓｃｈｏｏｌ　ｏｆ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｕｎ　Ｙａｔ—Ｓｅｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ　５１０００６，Ｇｕａｎｇｄｏｎｇ，Ｃｈｉｎａ）　ＡＢＳＴＲＡＣＴ：Ｗｉｎｄ　ｓｐｅｅｄ　ｉｓ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｏｆ　ｌｒｇｅ　ｓｔａｏｃｈａｓｔｉｃ　ｖｏｌａｔｉｌｉｔｙ，ｗｈｉｃｈ　ａｆｆｅｃｔｓ　ｔｈｅ　ｗｉｎｄ　ｐｏｗｅｒ　ａｎｄ　ｔｈｅ　ｓｔａｂｌｅ　ｏｐｅｒａｔｉｏｎ　方法等。物理方法即数值天气预报法【ｌＪ，即对风电场　处的数值气象预报模型进行插值得出相应的气象　ｏｆ　ｔｈｅ　ｐｏｗｅｒ　ｇｎｄ　ｃｏｎｎｅｃｔｅｄ　ｗｉｔｈ　ｉｔ，ｔｈｕｓ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｗｉｎｄ　信息，再根据风电场地形、障碍物等信息进行预测。　该方法预测精度高，但计算复杂、数据收集量大；统　计方法根据风速的历史数据建立预测模型进行预　测，常见的有持续法［２１、灰色预测Ｉ　３ｌ、时间序列法ｌ　４ｌ等；　基于学习理论的预测方法即通过数据的学习与训　练来建立输入和输出间的关系，从而达到预测的目　的。如人工神经网络法嘲，支持向量机模型［６１等。　本研究利用基于统计理论的灰色一马尔可夫链　模型与基于学习理论的最小二乘支持向量机模型　进行预测，灰色一马尔可夫链预测模型是指，先通过　灰色理论预测出风速值，再根据马尔可夫链的状态　转移矩阵，得出风速误差数据的预测值，最后得出　ｓｐｅｅｄｓ　ｉｓ　ｃｒｕｃｉａｌ　ｉｎ　ｔｈｅ　ｉｎｔｅｇｒａｔｉｏｎ　ｏｆ　ｗｉｎｄ　ｐｏｗｅｒ　ｗｉｔｈ　ｔｈｅ　ｇｒｉｄ．　Ｔｈｉｓ　ｐａｐｅｒ　ｕｓｅｓ　Ｇｒｅｙ－Ｍａｒｋｏｖ　ｃｈａｉｎ　ｍｏｄｅｌ　ａｎｄ　ｌｅａｓｔ　ｓｑｕａｒｅｓ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ　ｍｏｄｅｌ　ｔｏ　ｐｒｅｄｉｃｔ　ｗｉｎｄ　ｓｐｅｅｄｓ，ａｎｄ　ｔｈｅｎ　ｃｏｍｐａｒｅｓ　ｔｈｅ　ａｃｃｕｒａｃｉｅｓ　ｏｂｔａｉｎｅｄ　ｗｉｔｈ　ｅａｃｈ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅ１．　Ｂａｓｅｄ　ｏｎ　ｔｈｉｓ　ｓｔｕｄｙ，ｔｈｅ　ｄｙｎａｍｉｃ　ｗｅｉｇｈｔ　ｃｏｍｂｉｎａｔｉｏｎ　ｍｏｄｅｌ　ａｎｄ　ｔｈｅ　０—１　ｃｏｍｂｉｎａｔｉｏｎ　ｍｏｄｅｌ　ａｌｅ　ｓｔｕｄｉｅｄ．Ｆｕｒｔｈｅｒｍｏｒｅ，　ａｎａｌｙｓｉｓ　ｉｓ　ｍａｄｅ　ｗｉｔｈ　ｔｈｅ　ａｃｔｕａｌｌｙ　ｍｅａｓｕｒｅｄ　ｗｉｎｄ　ｓｐｅｅｄ　ｉｎ　ａ　ｃｅｒｔａｉｎ　ｗｉｎｄ　ｆａｒｍ　ｉｎ　Ｃｈｉｎａ　ａｓ　ａｎ　ｅｘａｍｐｌｅ．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｃｏｍｂｉｎａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ　ｉｓ　ｂｅｔｔｅｒ　ｔｈａｎ　ｔｈｅ　ｓｉｎｇｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ，ａｎｄ　ｈａｓ　ｌａｒｇｅ　ｐｒａｃｔｉｃａｌ　ｖａｌｕｅｓ．　ＫＥＹ　ＷＯＲＤＳ：ｗｉｎｄ　ｓｐｅｅｄ　ｐｒｅｄｉｃｔｉｏｎ；ＧＭ—Ｍａｒｋｏｖ　ｍｏｄｅｌ；　ＬＳＳＶＭ　ｍｏｄｅｌ；ｃｏｍｂｉｎａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ　摘要：风速具有较大的随机波动性，影响了电网的稳定性，风　速预测对于风电并网问题至关重要。本研究采用灰色一马尔　可夫链（ＧＭ—Ｍａｒｋｏｖ）与最小二乘支持向量机（ＬＳＳＶＭ）预测　模型分别对风速进行预测，比较了各单一预测模型的精度；　在此基础上研究了动态权重组合模型与０—１法组合预测模　型。然后以国内某风电场的实测风速数据为例进行分析，结　最终的风速预测结果。最小二乘支持向量机模型以　２００个风速数据为训练样本，对其后１００个数据进行　提前一小时的预测研究。然后再结合这两种预测模　型，完成风速的动态权重组合与０—１法组合预测。　果表明，单一预测方法时好时坏，稳定性较差，组合预测模型　总体效果较好，具有较大的实用价值。　１　灰色一马尔可夫链模型　．关键词：风速预测；灰色一马尔可夫链模型；最小二乘支持向　量机；组合预测　１　灰色模型　灰色预测是一种对含有不确定因素的系统进　随着风电技术的１３益成熟，风电并网容量越来　行预测的方法。主要通过对部分已知信息的分析，　再从中提取有价值的信息，实现对系统运行状态的　正确描述和有效监控川。风速具有波动性的特点，同　时也存在一些不确定因素，因此可把风速序列看成　是一个灰色系统进行研究。以下为利用灰色模型预　测风速的步骤。　越多，对电力系统的影响也越来越明显。对风速进　行预测是解决风电并网问题的重要手段，其在电力　调度、风电场运行中的地位１３趋重要，对整个电力　系统的安全运行具有重要的意义。　风速预测方法有物理方法、统计方法以及学习　■■　毯　÷　Ｃｌｅａｎ　Ｅｎｅｒｇｙ　章伟，等：基于组合模型的短期风速预测研究　对原始风速序　∞（　）列进行一阶累加生成后得　到序列　（１’（．］｝），然后用累加后的序列生成紧邻均值　序列ｚ（　（　）。其中：　ｚ（。’（　）：０．５ｘ‘　（　）＋Ｏ．５ｘ‘　（　一１），ｋ＝２，３，…，凡（１）　建立灰色模型的微分方程：　ｌＪ，＋　１）：６　（２）　ｄｔ　模型中的参数ａ和ｂ可用最小二乘法求得，因此　微分方程的解为：　互　１　（　＋１）：ｆ＼　　∞（１）一＿ａｆ　１／　ｅ　＋　｝ａ　＿　（３）　最后对风速序列进行累减还原得到预测值：　互‘。　（　＋１）＝　‘　’（　＋１）一互‘　’（　），　＝１，…，ｎ　（４）　１。２马尔可夫链模型　马尔可夫链是指在给定当前信息的情况下，过　去的历史状态对于未来即将预测的状态是无关　的嘲。其建模方法主要是对数据序列求得状态转移　矩阵，然后根据转移矩阵对未来的变化趋势做出估　计，从而达到预测的目的。　设随机过程｛“　｝和离散的状态集，＝｛　。，ｉ　，ｉ　，　…｝，若　ｐｌｕ¨ｌ＝ｉ¨￣ｌｕｏ＝ｉｏ，Ｕｌ＝ｉｌ，…，ｌｔｎ＝ｉ　｝：　Ｐ｛Ｕ　ｌ＝　ｌｌｕｎ＝ｉ　ｌ　（５）　则称　｝为马尔可夫链，并记ｐ　）　｛ｕ　＝　＝ｉ／　为在ｍ时刻系统处于状态ｉ的前提下，在ｍ＋ｋ时刻系　统处于状态　的概率。　将数据序列分为若干种状态，记为Ｅ　，Ｅ　，…，　Ｅ　，则状态转移概率为　ｍ　＝　（６）　式中，　＿（＾）为数据序列从状态Ｅ　经过ｋ步到状态Ｅ　的转移个数，　为数据序列处于状态昂的原始数据　个数。　构成相应的ｋ步状态转移矩阵：　ｐ１１（　）　ｐｌ２（　）　ｐｌｎ（　）　ｐ２１（　）　ｐ２２（　）　ｐ２ｎ（　）　：　：　：　（７）　●　●　●　Ｐｎ１（　）　＿Ｐ凡２（　）　ｐ帆（　）　一般的马尔可夫链模型在确定了状态转移矩　阵后，便以当前点转移概率最大的值作为下一步的　转移值，这一方法忽略了其他的转移概率发生的可　能性。在此以当前点转移概率的期望值作为下一步　的转移值，因而ｋ＋ｌ时刻的状态转移值为　ｙ（ｋ＋１）　×毕　毕＋．．　¨×毕（８）　式中，Ｐ　Ｐ　…，　为预测对象所处状态ｋ的概率，　ｓ　ｓ　…，ｓ　＋为对应状态的变动区间，取区间的中　点为预测值。　１．３灰色与马尔可夫链结合模型　采用ＧＭ—Ｍａｒｋｏｖ模型进行风速预测的具体步　骤为：　１）根据灰色模型得到风速的拟合和预测结果，　并求得拟合数据与实际数据问的残差序列ｅ：　，　…，ｅ　，其中ｅ　‘∞（　）一　‘。　（　）；　２）对残差序列进行分析，根据残差向量的分布　情况进行状态划分如下，本文根据试验结果将其划　分为６个状态，并构造一步状态转移概率矩阵，将每　个状态用转移矩阵表示；　［ｓ１，ｓ２，…，ｓ６】＝［（一∞，一０．５），（一０．５，一０．２５），　（一０．２５，０），（０，０．２５），（０．２５，０．５），（０．５，＋∞）］　（９）　３）根据最后一个残差的状态和一步状态转移　概率矩阵，求出残差预测点所处的状态，然后以此　状态的概率期望值作为其变化值ｙ（　＋１）；　４）根据灰色预测值及残差预测值求得风速预　测结果互（ｋ＋１）＝互（　＋１）＋　（　＋１）；再更新原始风速数　据序列继续预测。　２最小二乘支持向量机模型　ｌｓｓｖｍ是ｓｖｍ的改进模型，它将ｓｖｍ中的不等式约　束改为等式约束条件，且将误差平方和损失函数作　为训练集的经验损失，因此就把求解二次规划问题　转划为求解线性方程组的问题，简化了计算的复杂　性，提高了运算速度［９１。　对于给定的训练样本集ｆ（　Ｙ　），（孙ｙ２），…，　（Ｘｔ　）｝，其中筏为样本输入向量，ｙｉ为期望值，　∈Ｒｎ，　ｙｉ∈Ｒ，　为样本数据个数。支持向量回归机算法可表　示为：　ｙ＝ｗ。６（　）＋６　（１０）　式中，６（　）为从输入空间到高维空间的非线性映　射，　为权向量，６为常数。再根据结构风险最小化　原则，寻找　，ｂ的最小化值，常用的优化目标函数　为误差毒的二次项，所以优化问题的目标函数可表　示为　穗　弱　一Ｃｌｅａｎ　Ｅｎｅｒｇｙ　　第２９卷第７期　电网与清洁能源　ｌ　ｌ　ｍｉ　，　）＝＿＿１　＋ｃ∑　（１１）　最大限度地利用各单一方法的信息。组合模型的关　键在于权重系数的求取，权重系数确定方法有最小　●　：孙　厶　ｉ＝１　ｓ．ｔ．ｙｉ＝ｗＳ（ｘ　）＋６《（ｉ＝１，２，…，Ｚ）　式中，　为松弛因子，ｃ为正规化参数。用Ｌａｇｒａｎｇｅ法　求解该优化问题：　ｆ　Ｚ　￡（　，ｂ，　，。）＝　厶　＋ｃ∑　一∑哦（ｉ＝１　ｉ＝１　　咖（兢）＋６《　）　（１２）　式中，ａ￣Ｌａｇｒａｎｇｅ乘子。　根据优化条件可得：　ｏ：　：ｗ　∑　（：１　溉）　＝　Ｏ０扛　１　…ｌ３）Ｌ　Ｊ　茜＝　直　：ｏ—　（筏）＋６　：０　Ｏａ　根据Ｍｅｒｃｅｒ条件定义核函数　（　）　（麓）‘６（　），　消去式（１１）中的Ｗ和　，可得到下面的线性方程组：　＝　（１４）　利用最小二乘法求解式（１４）可得出ａ和ｂ的值，　最后得￣ＩＪＬＳＳＶＭ函数：　ｌ　ｏ，ｋ（ｘ　，ｘｉ）＋ｂ　（１５）　￡＝１　因此，ＳＶＭ的二次规划求解问题即转化为利用　最小二乘法解线性方程组的问题。采用ＬＳＳＶＭ进行　风速预测时，为了后续数据处理的方便，先对风速数　据进行归一化，本文将其归一化到（一ｌ，１）之间；选　用参数数目相对较少的ＲＢＦ函数作为核函数；运用　网格搜索法对参数寻优，并采用交叉验证函数自动　选出最优的参数。　３组合预测模型　单一模型对风速预测的精度有限，因此提出采　用组合预测法，即利用各种预测方法所提供的信息，　将其结合起来，以适当的加权方式得出组合模型㈣。　本文将基于统计理论的灰色一马尔可夫链模型与基　于学习理论的最小二乘支持向量机模型进行组合，　方差法，最小二乘法，最大熵理论法【ｎ　３１等等。　在实际应用中较多使用最小方差法，即以最　小方差为优化目标建立组合模型。组合模型的预　测值为　：哟　Ｊ　＾＾２　＝∑　　ｌ　ｉ＝１　６　｛Ｗ　＞Ｉ０　（１６）　ｌ　２　ｌ∑　：１　ｌ＝１　　式中　组合预测值　为第　种模型的预测值，Ｗ　为　第　种预测方法的权重系数。　最小方差法的权重系数表达式为　２　２　∑∑ｖａｒ（ｅ　）ｖａｒ（　）　ｋ＝ｌ，ｋ≠ｉ　＝１，　≠ｉ　２　２　（１７）　∑∑ｖａｒ（ｅ　）ｖａｒ（　）　ｋ＝ｌ　ｊ＝ｌ　式中，ｅ　和ｖａｒ（ｅ　）为第ｉ种预测方法的预测误差和方　差值。　同时提出采用０—１法进行组合，即以两种模型　中方差最小的预测模型作为组合预测的最终模型。　每进行一步预测进行权重的动态更新。０—１法的组　合权重系数可表示为　｛１　０，，　Ｖ　ｏｔｈｅｒｓ　ａＬｒ㈦　（１８）　４实证分析　以某风力机实测风速数据为例，选取两种风速　样本序列进行分析。为比较预测方法的精度，采用平　均绝对百分比误差和均方根误差作为其评价标准。　平均绝对百分比误差为　Ｅ～＝　×１０ｏ％　）　Ｖ　１　均方根误差为　（２０）　式中，互（　）是第ｋ时刻的预测数据，　（　）是第ｋ时刻的实　际数据。　和Ｅ　岘的值越小，表示模型精度越高。　以６个历史风速数据作为输入特征向量序列，分　Ｃｌｅａｎ　Ｅｎｅｒｇｙ　章伟，等：基于组合模型的短期风速预测研究　Ｖ０１．２９　Ｎｏ．７　别采用ＧＭ—Ｍａｒｋ０ｖ模型及ＬＳＳＶＭ模型对未来１　ｈ的　风速进行预测，结果如图ｌ所示。　１４　１２　，嘶　法和０—１组合法预测，结果如图２所示。　１０　８　函６　区４　２　０　０　１Ｏ　２６　３０　４０　５０　ｔ／ｈ　６０　７Ｏ　８０　９０　１４　１２　１０　２Ｏ　３Ｏ　４０　５０　６０　ｎ　７０　８０　９０　０　●１０　∞　８　商６　匮４　２　ｈ　图ｌ不同样本的风速预测结果　Ｆｉｇ．１　Ｗｉｎｄ　ｓｐｅｅｄ　ｐｒｅｄｉｃｔｉｏｎ　ｒｅｓｕｌｔｓ　ｆｏｒ　ｄｉｆｅｒｅｎｔ　ｓａｍｐｌｅｓ　一＿．ｓ．ｇ）／艘匮　针对这两种单一预测模型，采用动态权重组合　４　２　Ｏ　８　６　４　２　Ｏ　表１为各种预测方法所得出的风速预测误差。　表１不同方法的风速预测误差　１’ａｂ．１　Ｗｉｎｄ　ｓｐｅｅｄ　ｐｒｅｄｉｃｔｉｏｎ　ｅｒｒｏｒ　ｆｏｒ　ｄｉｆｆｅｒｅｎｔ　ｍｅｔｈｏｄｓ　图３为不同风速预测方法的绝对误差。　范围。　表２动态权重组合预测方法的预测误差概率范围　Ｔａｂ．２　Ｐｒｏｂａｂｉｌｉｔｙ　ｒａｎｇｅ　ｏｆ　ｄｙｎａｍｉｃ　ｗｅｉｇｈ　ｃｏｍｂｉｎａｔｉｏｎ　ｗｉｎｄ　ｓｐｅｅｄ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ　从图１、图２可知，各种预测方法都能够较好地　预测风速的变化趋势。与图１相比，图２中的两种组　合预测方法的预测结果更加贴近真实风速数据。　从表１可知，对于风速样本１，采用ＬＳＳＶＭ预测模　型的精度优于ＧＭ—Ｍａｒｋｏｖ预测模型；而对于风速样　本２，采用ＧＭ—Ｍａｒｋｏｖ预测模型的精度优于ＬＳＳＶＭ预　图３不同样本的风速预测绝对误差　Ｆｉｇ．３　Ｗｉｎｄ　ｓｐｅｅｄ　ｐｒｅｄｉｃｔｉｏｎ　ａｂｓｏｌｕｔｅ　ｅｒｒｏｒｓ　ｆｏｒ　ｄｉｆｅｒｅｎｔ　ｓａｍｐｌｅｓ　测模型。ＧＭ—Ｍａｒｋｏｖ模型方法与ＬＳＳＶＭ模型方法各　具优势，因此不能片面地说哪种预测方法更准确。　对于样本１，动态权重组合预测方法的误差小于各单　预测模型的误差；而样本２中的动态权重组合法　一表２为动态权重组合预测方法的预测误差概率　Ｃｌｅａｎ　Ｅｎｅｒｇｙ　第２９卷第７期　电网与清洁能源　８７　得出的误差介于两种单一预测方法的误差之间。０—１　组合法得出的误差值都介于两种单一预测方法之间。　从图３可看出，采用单一预测方法得出的绝对　误差曲线波动性较大，而组合预测方法得出的绝对　误差曲线更稳定。且由表２可知，动态权重组合法中　误差概率小于单一预测方法的占１０％～２０％，并且大　于单一预测方法的概率为０。　经过以上对比可知，采用组合模型预测的风速　优于单一预测方法，因为组合方法综合利用了各单　一预测方法的信息；在组合预测方法中，采用动态　权重的组合预测方法优于０—１组合法。　５结语　本文研究了风电场的风速预测方法，首先建立　了灰色一马尔可夫链模型和最小二乘支持向量机模　型，在此基础上，建立了动态权重组合模型和０—１法　组合模型。以国内某风电场的实测风速数据为例进　行预测分析，结果表明，采用组合模型预测的风速　绝对误差曲线更稳定，且预测精度较好，可作为一　种有效、可行的风速预测方法。　参考文献　…１　孙川永，陶树旺，罗勇，等．高分辨率中尺度数值模式　在风电场风速预报中的应用　太阳能学报，２００９，３０　（８）：１０９７—１０９９．　ＳＵＮ　Ｃｈｕａｎ－ｙｏｎｇ，ＴＡＯ　Ｓｈｕ－ｗａｎｇ，ＬＵＯ　Ｙｏｎｇ，ｅｔ　ａ１．　Ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｈｉｇｈ　ｒｅｓｏｌｕｔｉｏｎ　ｍｅｓｏｓｃａｌｅ　ｍｏｄｅｌ　ｉｎ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｉｎ　ｗｉｎｄ　ｆａｒｍ［Ｊ］．Ａｃｔａ　Ｅｎｅｒｇｉａｅ　Ｓｏｌａｒｉｓ　Ｓｉｎｉｃａ。２００９，３０（８）：１０９７—１０９９（ｉｎ　Ｃｈｉｎｅｓｅ）．　［２】李丽，叶林．基于改进持续法的短期风电功率预测［Ｊ］．　农业工程学报，２０１０，２６（１２）：１８２—１８７．　ＬＩ　Ｌｉ。ＹＥ　Ｌｉｎ．Ｓｈｏｒｔ—ｔｅｒｍ　ｗｉｎｄ　ｐｏｗｅｒ　ｆｏｒｅｃａｓｔｉｎｇ　ｂａｓｅｄ　ｏｎ　ａｎ　ｉｍｐｒｏｖｅｄ　ｐｅｒｓｉｓｔｅｎｃｅ　ａｐｐｒｏａｃｈ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｆ　ｔｈｅ　Ｃｈｉｎｅｓｅ　Ｓｏｃｉｅｔｙ　ｏｆ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，２０１０，２６　（１２）：１８２—１８７（ｉｎ　Ｃｈｉｎｅｓｅ）．　［３］李俊芳，张步涵，谢光龙，等．基于灰色模型的风速一风　电功率预测研究叨．电力系统保护与控制，２０１０，３８（１９）：　１５１－１５９．　ＬＩ　Ｊｕｎ－ｆａｎｇ，ＺＨＡＮＧ　Ｂｕ—ｈａｎ，ＸＩＥ　Ｇｕａｎｇ－ｌｏｎｇ，ｅｔ　ａ１．　Ｇｒｅｙ　ｐｒｅｄｉｃｔｏｒ　ｍｏｄｅｌｓ　ｆｏｒ　ｗｉｎｄ　ｓｐｅｅｄ－ｗｉｎｄ　ｐｏｗｅｒ　ｐｒｅｄｉｃｔｉｏｎ［Ｊ］．Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　Ｐｒｏｔｅｃｔｉｏｎ　ａｎｄ　Ｃｏｎｔｒｏｌ，２０１０，　３８（１９）：１５１－１５９（ｉｎ　Ｃｈｉｎｅｓｅ）．　［４］周培毅，张新燕．基于时间序列与支持向量机的风电场　风速预测研究ｆＪ１．陕西电力，２００９（１２）：１－４．　ＺＨＯＵ　Ｐｅｉ—ｙｉ．Ｚ　ＨＡＮＧ　Ｘｉａｏ—ｙａｈ．Ｓｔｕｄｙ　ｏｎ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｏｆ　ｗｉｎｄ　ｆａｒｍ　ｂａｓｅｄ　ｏｎ　ｔｉｍｅ　ｓｅｒｉｅｓ　ａｎｄ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ［Ｊ］．Ｓｈａａｎｘｉ　Ｅｌｅｃｔｉｒｃ　Ｐｏｗｅｒ．２００９【１２）：１－４　（ｉｎ　Ｃｈｉｎｅｓｅ）．　『５１　肖永山，王维庆，霍晓萍．基于神经网络的风电场风速　时间序列预测研究［Ｊ］．节能技术，２００７（２）：１０６－１０８，１７５．　ＸＩＡＯ　Ｙｏｎｇ—ｓｈａｎ，ＷＡＮＧ　Ｗｅｉ—ｑｉｎｇ，ＨＵＯ　Ｘｉａｏ—ｐｉｎｇ．　Ｓｔｕｄｙ　ｏｎ　ｔｈｅ　ｔｉｍｅ－ｓｅｒｉｅｓ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｏｆ　ｔｈｅ　ｗｉｎｄ　ａｆｒｍ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｅｎｅｒｇｙ　Ｃｏｎｓｅｒｖａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２００７（２）：１０６—１０８，１７５（ｉｎ　Ｃｈｉｎｅｓｅ）．　【６】彭怀午，杨晓峰，刘方锐．基于ＳＶＭ方法的风电场短期　风速预测『Ｊ１．电网与清洁能源，２００９（７）：４８—５２．　ＰＥＮＧ　Ｈｕａｉ－ｗｕ，ＹＡＮＧ　Ｘｉａｏ—ｆｅｎｇ，ＬＩＵ　Ｆａｎｇ—ｒｕｉ．Ｓｈｏｒｔ—　ｔｅｒｍ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｏｆ　ｗｉｎｄ　ｆａｒｍ　ｂａｓｅｄ　ｏｎ　ＳＶＭ　ｍｅｔｈｏｄ［Ｊ］．Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　ａｎｄ　Ｃｌｅａｎ　Ｅｎｅｒｙｇ．２００９（７）：４８—　５２（ｉｎ　Ｃｈｉｎｅｓｅ）．　『７１郭敏，蓝金辉，李娟娟，等．基于灰色残差ＧＭ（１，Ｎ）模　型的交通流数据恢复算法ｌＪ１．交通运输系统工程与信息，　２０１２，１２（１）：４２—４７．　ＧＵＯ　Ｍｉｎ，ＬＡＮ　Ｊｉｎ—ｈｕｉ，ＬＩ　Ｊｕａｎ－ｊｕａｎ，ｅｔ　ａ１．Ｔｍｍｃ　ｌｆｏｗ　ｄａｔａ　ｒｅｃｏｖｅｒｙ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｇｒｅｙ　ｒｅｓｉｄｕａｌ　ＧＭ（１，Ｎ）　ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｓｙｓｔｅｍｓ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２０１２，１２（１）：４２—４７（ｉｎ　Ｃｈｉｎｅｓｅ）．　［８】ＷＡＮＧ　Ｚｈｅｎ—ｙｕ，ＦＵ　Ｍｅｉ—ｃｈｅｎ，ＹＵ　Ｙｕｅ－ｌｏｎｇ，ｅｔ　ａ１．　Ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｕｒｂａｎ　ｌａｎｄ　ｐｒｉｃｅ　ｂａｓｅ　ｏｎ　Ｇｒｅｙ－Ｍａｒｋｏｖ　Ｍｏｄｅｌ［Ｃ］／／Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｎｅｔｗｏｒｋ　Ｔｅｃｈｎｏｌｏｇｙ．Ｈａｒｂｉｎ，ＩＣＣＳＮＴ，２０１２：７０８－７１２．　『９１杜颖，卢继平，李青，等．基于最小二乘支持向量机的　风电场短期风速预测［Ｊ］．电网技术，２００８，３２（１５）：６２—　６６．　ＤＵ　Ｙｉｎｇ，ＬＵ　Ｊｉ—ｐｉｎｇ，ＬＩ　Ｑｉｎｇ，ｅｔ　ａ１．Ｓｈｏｒｔ－ｔｅｒｍ　ｗｉｎｄ　ｓｐｅｅｄ　ｆｏｒｅｃａｓｔｉｎｇ　ｏｆ　ｗｉｎｄ　ｆａｒｍ　ｂａｓｅｄ　ｏｎ　ｌｅａｓｔ　ｓｑｕａｒｅ－　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ［］ｊ．Ｐｏｗｅｒ　Ｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｙ，２００８，　３２（１５）：６２—６６（ｉｎ　Ｃｈｉｎｅｓｅ）．　【１０］林海涛，蒋传文，任博强，等．基于模糊聚类的风速短　期组合预测［Ｊ１．华东电力，２０１０，３８（２）：２９５—２９９．　ＬＩＮ　Ｈａｉ—ｔａｏ，ＪＩＡＮＧ　Ｃｈｕａｎ—ｗｅｎ，ＲＥＮ　Ｂｏ—ｑｉａｎｇ，ｅｔ　ａ１．　Ｓｈｏｒｔ　ｔｅｒｒａ　ｃｏｍｂｉｎｅｄ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｗｉｎｄ　ｓｐｅｅｄ　ｂａｓｅｄ　ｏｎ　ｆｕｚｚｙ　ｃｌｕｓｔｅｒｉｎｇ［Ｊ］．Ｅａｓｔ　Ｃｈｉｎａ　Ｅｌｅｃｔｉｒｃ　Ｐｏｗｅｒ，２０１０，３８　（２）：２９５—２９９（ｉｎ　Ｃｈｉｎｅｓｅ）．　【１　１】张国强，张伯明．基于组合预测的风电场风速及风电机　功率预测［Ｊ］．电力系统自动化，２００９，３３（１８）：９２—９５．　ＺＨＡＮＧ　Ｇｕｏ—ｑｉａｎｇ，ＺＨＡＮＧ　Ｂｏ－ｍｉｎｇ．Ｗｉｎｄ　ｓｐｅｅｄ　ａｎｄ　（下转第９１页）　Ｃｌｅａｎ　Ｅｎｅｒｇｙ　第２９卷第７期　电网与清洁能源　９１　２）在梁板柱墙等薄壁结构，除了暖棚外，可以　考虑在模板外侧加设土工布、保温棉被、电热毯等　保暖或加热措施。　益、环保效益和社会效益，其他类似工程可以借鉴。　参考文献　［１】胡开云．混凝土冬期施工原理及方法【Ｊ］．山西建筑，２０１　１　（２７）：９５—９６．　ＨＵ　Ｋａｉ—ｙｕｎ．Ｗｉｎｔｅｒ　ｃｏｎｃｒｅｔｅ　ｃｏｎｓｔｒｕｃｔｉｏｎ　ｐｒｉｎｃｉｐｌｅｓ　ａｎｄ　６　结语　旁多水利枢纽工程在２０１　１年１　１月一２０１２　年４月采用电能加热，土工布＋保温棉被暖棚蓄热的　冬季混凝土施工方法进行施工，混凝土浇筑总量为　６　７１８　ｍ３，共取样７９组，平均强度超过设计抗压强度　ｍｅｔｈｏｄｓ［Ｊ］．Ｓｈａｎｘｉ　Ａｒｃｈｉｔｅｃｔｕｒｅ，２０１１（２７）：９５—９６（ｉｎ　Ｃｈｉｎｅｓｅ）．　【２】孟庆伟．混凝土冬季施工［Ｊ】．硅谷，２００９（１８）：１０６．　ＭＥＮＧ　Ｑｉｎｇ－ｗｅｉ．Ｗｉｎｔｅｒ　ｃｏｎｃｒｅｔｅ　ｃｏｎｓｔｕｃｔｒｉｏｎ［Ｊ］．Ｇｕｉｇｕ，　２００９（１８）：１０６（ｉｎ　Ｃｈｉｎｅｓｅ）．　的１．２５倍，质量合格。该工程投人冬季混凝土施工费　用９６０万元，比采取燃烧加热，塑料薄膜＋保温棚布　的传统冬季混凝土施工方法节约成本１　２０万元，抢得　了３个月的施工进度，为确保水利枢纽工程在２０　１　３年　发电创造了条件，取得了良好的质量效益、经济效　收稿日期：２０１３—０３—２１。　作者简介：　陈新泉（１９７１一），男，高级工程师，副总工程师。　（编辑李沈）　（上接第８２页）　ａｓｓｏｃｉａｔｅｄ　ｗｉｔｈ　ｐｌｕｇ—ｉｎ　ｈｙｂｒｉｄ　ｅｌｅｃｔｉｒｃ　ｖｅｈｉｃｌｅ　ｃｈａｒｇｉｎｇ　ｉｎ　ＸＩＥ　Ｌｉｎ－ｗｅｉ．Ａｄａｐｔｉｖｅ　ＰＳＯ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｐｔｉｍａｌ　ｐｌａｎｎｉｎｇ　ｏｆ　ｃｈａｒｇｉｎｇ　ｓｔａｔｉｏｎ　ｆｏｒ　ｅｌｅｔｒｉｃ　ｖｅｈｉｃｌｅＯ］．Ｓｈａａｎｘｉ　ｔｈｅ　Ｘｃｅｌ　ｅｎｅｒｇｙ　Ｃｏｌｏｒａｄｏ　ｓｅｒｖｉｃｅ　ｔｅｒｒｉｔｏｒｙ［Ｒ／ＯＬ］＿ｌ２００７—　０５－２０］．ｈｔｔｐ：／／ｗｗｗ．ｎｒｅ１．ｇｏｖ／ａｎａｌｙｓｉｓ／ｐｄｆｓ／４１４１０．ｐｄｆ．　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ。２０１２（１１）：３４—３７（ｉｎ　Ｃｈｉｎｅｓｅ）．　『２０１丁伟，袁家海，胡兆光．基于用户价格响应和满意度的　峰谷分时电价决策模型【Ｊ１．电力系统自动化，２００５，２９　（２０）：１０—１４．　Ｄ１ＮＧ　Ｗｅｉ，ＹＵＡＮ　Ｊｉａ－ｈａｉ，ＨＵ　Ｚｈａｏ－ｇｕａｎｇ．Ｔｉｍｅ—ｏｆ—　ｕｓｅ　ｐｒｉｃｅ　ｄｅｃｉｓｉｏｎ　ｍｏｄｅｌ　ｃｏｎｓｉｄｅｒｉｎｇ　ｕｓｅｒｓ　ｒｅａｃｔｉｏｎ　ａｎｄ　收稿日期：２０１３—０１—１８。　作者简介：　戴诗容（１９８６一），女，硕士研究生，主要研究方向为智能电　网、电动汽车入网等；　雷霞（１９７３一），女，博士，教授，硕士生导师，主要研究方　向为电力市场、配网自动化和调度自动化等；　程道卫（１９８７一），男，硕士，助理工程师，从事电力系统稳定　与控制技术研究。　ｓａｔｉｓｆａｃｔｉｏｎ　ｉｎｄｅｘ［Ｊ］．Ａｕｔｏｍａｔｉｏｎ　ｏｆ　Ｅｌｅｃｔｉｒｃ　Ｐｏｗｅｒ　Ｓｙｓｔｅｍｓ，　２００５，２９（２０）：１０—１４（ｉｎ　Ｃｈｉｎｅｓｅ）．　『２１１谢林伟．基于自适应粒子群算法的电动汽车充电站优化　规划ｆＪ１．陕西电力，２０１２（１１）：３４—３７．　（编辑徐花荣）　（上接第８７页）　ｗｉｎｄ　ｔｕｒｂｉｎｅ　ｏｕｔｐｕｔ　ｆｏｒｅｃａｓｔ　ｂａｓｅ　ｏｎ　ｃｏｍｂｉｎａｔｉｏｎ　ｍｅｔｈｏｄ［Ｊ］．　［１３］陈宁，沙倩，汤奕，等．基于交叉熵理论的风电功率组　合预测方法【Ｊ】．中国电机工程学报，２０１２，３２（４０）：２９－３４．　ＣＨＥＮ　Ｎｉｎｇ，ＳＨＡ　Ｑｉａｎ，ＴＡＮＧ　Ｙｉ，ｅｔ　ａ１．Ａ　ｃｏｍｂｉｎａｔｉｏｎ　ｍｅｔｈｏｄ　ｆｏｒ　ｗｉｎｄ　ｐｏｗｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｃｒｏｓｓ　ｅｎｔｒｏｐｙ　Ａｕｔｏｍａｔｉｏｎ　ｏｆ　Ｅｌｅｃｔｉｒｃ　Ｐｏｗｅｒ　Ｓｙｓｔｅｍｓ，２００９，３３（１８）：　９２—９５（ｉｎ　Ｃｈｉｎｅｓｅ）．　［１２】牛晨光，游晓科，赵震云，等．风电场发电功率短期预　测组合模型研究［Ｊ１．华北电力大学学报：自然科学版，　２０１２，３９（３）：２９—３４．　ＮＩＵ　Ｃｈｅｎ—ｇｕａｎｇ，ＹＯＵ　Ｘｉａｏ－ｋｅ，ＺＨＡＯ　Ｚｈｅｎ—ｙｕｎ，ｅｔ　ｔｈｅｏｒｙ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＣＳＥＥ，２０１２，３２（４）：２９－３４　（ｉｎ　Ｃｈｉｎｅｓｅ）．　收稿日期：２０１３—０３—０６。　ａ１．Ｓｔｕｄｙ　ｏｎ　ｔｈｅ　ｃｏｍｂｉｎａｔｉｏｎ　ｍｏｄｅｌ　ｏｆ　ｓｈｏｒｔ－ｔｅｒｍ　ｗｉｎｄ　作者简介：　ｐｏｗｅｒ　ｇｅｎｅｒａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｎｏｒｔｈ　Ｃｈｉｎａ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｕｎｉｖｅｒｓｉｔｙ：Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ，２０１２，　章伟（１９８８一），女，硕士研究生，从事风资源评估与风速、　风功率预测方面的研究。　３９（３）：２９—３４（ｉｎ　Ｃｈｉｎｅｓｅ）．　（编辑徐花荣）