基于Spiking神經網(wǎng)絡的光伏發(fā)電系統(tǒng)功率預測

盧怡含，王　林，晉　飛,劉忠輝，唐　敏

(1.國網(wǎng)昌邑市供電公司,山東 昌邑 261300; 2.國網(wǎng)濰坊供電公司,山東 濰坊 261000)

?

基于Spiking神經網(wǎng)絡的光伏發(fā)電系統(tǒng)功率預測

盧怡含1，王林2，晉飛2,劉忠輝2，唐敏2

(1.國網(wǎng)昌邑市供電公司,山東 昌邑 261300; 2.國網(wǎng)濰坊供電公司,山東 濰坊 261000)

針對光伏發(fā)電系統(tǒng)輸出功率的隨機性,提出了一種基于Spiking神經網(wǎng)絡的光伏發(fā)電功率預測模型,它采用精確脈沖時間的編碼方式,能接近真實的生物神經系統(tǒng),并具有 強大的計算能力?？紤]天氣類型、太陽輻照強度、環(huán)境溫度等主要影響因素,采用近似歐式距離 選取相似日的方法,應用實際光伏發(fā)電系統(tǒng)的歷史發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)對Spiking神經網(wǎng)絡、BP神經網(wǎng)絡和支持向量機三種預測模型 進行測試和評估。預測結果與實測值的比較表明:Spiking神經網(wǎng)絡模型相比于BP神經網(wǎng)絡和支持向量機模型具有較高的預測精度和較強的適用性,可作為解決光伏發(fā)電系統(tǒng)功率預測可行方法之一。

光伏系統(tǒng);Spiking神經網(wǎng)絡;脈沖響應模型;Spikeprop算法;發(fā)電功率預測

光伏發(fā)電系統(tǒng)的輸出功率受到天氣類型、太陽輻照強度和環(huán)境溫度等因素的影響,其功率的變化具有隨機性和波動性,因此有必要對光伏發(fā)電系統(tǒng)的輸出功率進行準確預測,有效降低大規(guī)模光伏接入對電力系統(tǒng)的影響,提高電力系統(tǒng)的安全性和穩(wěn)定性[1-2]。

目前,針對光伏發(fā)電系統(tǒng)輸出功率的隨機性,國內外提出的用于發(fā)電功率預測的傳統(tǒng)方法主要是基于數(shù)理統(tǒng)計理論的預測模型,如馬爾可夫鏈(Markov Chain)模型、自回歸滑動平均(Auto Regressive Moving Average, ARMA)模型,但是這些方法在考慮天氣變化等不穩(wěn)定因素的影響以及系統(tǒng)的非線性時,預測結果精度不高[3-4]。而支持向量機(Support Vector Machine, SVM)模型能較好解決小樣本、非線性、高維數(shù)等問題,但是必須給定一個誤差參數(shù)c,數(shù)據(jù)處理時間較長,且核函數(shù)必須滿足Mercer條件[5]。人工神經網(wǎng)絡(Artificial Neural Network, ANN)可以模仿人腦訓練已有的信息,掌握不同因素間的內部規(guī)律,執(zhí)行復雜的數(shù)學映射,特別適合處理光伏發(fā)電功率和外部影響因素間的非線性關系[6]。其中,反向傳播人工神經網(wǎng)絡(Back Propagation Artificial Neural Network, BP-ANN)因具有很強的學習能力、組織性、容錯性和推理意識功能等優(yōu)點而被廣泛應用于光伏功率預測中[7],但是其在處理大量歷史數(shù)據(jù)以及預測精度方面仍面臨著巨大的挑戰(zhàn)。

近些年來,研究人員發(fā)現(xiàn)Spiking神經元采用時間編碼(Temporal encoding)方法進行信息的傳遞和計算,能更真實地描述實際的生物神經系統(tǒng)。這種基于神經元建立的神經網(wǎng)絡被稱為Spiking神經網(wǎng)絡(Spiking Neural Network, SNN),也被稱為第三代神經網(wǎng)絡[8]。Spiking神經網(wǎng)絡在模式識別和分類中具有優(yōu)越的性能[9],特別適用于解決高維聚類和非線性分類等問題[10]。而且已經證實SNN可以完成任意前向Sigmoid神經網(wǎng)絡的功能,逼近任意連續(xù)函數(shù),比其他類型的神經網(wǎng)絡具有更強的計算能力和更好的適用性。因此本文將SNN應用到光伏發(fā)電系統(tǒng)功率預測中,并利用實際光伏發(fā)電系統(tǒng)的數(shù)據(jù)對該模型進行測試,以驗證SNN預測模型的可行性。

1　Spiking神經網(wǎng)絡

1.1Spiking神經網(wǎng)絡結構

Spiking神經網(wǎng)絡的基本單元Spiking神經元的模型選用脈沖響應模型(Spike Response Model, SRM),模型的具體結構及工作原理參見文獻[11]。SNN的連續(xù)層中任意神經元h和i間的連接結構如圖1所示。

圖1　第h和第i個神經元間多個有延遲突觸終端的連接

SNN特有的多突觸結構以及時間編碼方式,使其不僅具有強大的計算能力和較好的適用性,而且特別善于處理基于時間的問題。

1.2網(wǎng)絡訓練算法

本文采用三層前向Spiking神經網(wǎng)絡,如圖2所示。

圖2　三層前向Spiking神經網(wǎng)絡

網(wǎng)絡訓練算法采用Bohte提出的含有監(jiān)督學習方法-SpikeProp(Spike Propagation, SpikeProp)算法[12],算法步驟如下:

步驟1準備一個歸一化到[0, 1]的初始數(shù)據(jù)集。

步驟2將權值初始化為小的隨機值。初始化SNN參數(shù),如PSP衰減時間常數(shù)τ和網(wǎng)絡學習率η。

步驟3對三層前向Spiking神經網(wǎng)絡中的輸入層H、隱含層I和輸出層J重復步驟4～步驟7‘cnt’次(cnt為迭代次數(shù))。其中每層神經元的個數(shù)分別為n、p和q,各層中任意一個神經元分別用h∈[1,n]、i∈[1,p]和j∈[1,q]表示。

步驟4將訓練樣本集中的輸入向量作為網(wǎng)絡訓練輸入,對應期望輸出向量作為網(wǎng)絡輸出。

步驟6計算網(wǎng)絡訓練誤差E:

步驟7修正網(wǎng)絡權值以最小化網(wǎng)絡的訓練誤差。對訓練集中的每一對輸入、輸出向量,重復步驟4)～7),直到整個系統(tǒng)的誤差足夠小。

2　基于SNN的光伏發(fā)電功率預測模型

2.1預測模型的相似日選取

單位面積的光伏發(fā)電系統(tǒng)輸出功率[13]計算公式為

ps=ηSI(1-0.05(t0+25))

(1)

式中:η為光伏電池轉換效率,%;S為光伏陣列面積,m2;I為太陽輻照強度,kW/m2;t0為環(huán)境溫度,℃。

根據(jù)式(1)可知,影響光伏發(fā)電系統(tǒng)輸出功率的主要因素是天氣類型、太陽輻照強度、環(huán)境溫度、光伏電池的轉換效率和陣列面積等。對于同一光伏發(fā)電系統(tǒng),轉換效率和陣列面積等影響因素已經包含在歷史發(fā)電數(shù)據(jù)中,不再考慮。因此預測模型輸入變量的選擇需考慮天氣類型、太陽輻照強度和環(huán)境溫度等影響因素。

不同類型天氣的太陽輻照強度、云量、環(huán)境溫度等影響因素不同,對應光伏發(fā)電系統(tǒng)的輸出功率也不同,因此天氣類型是影響光伏發(fā)電功率預測的一個主要因素。但是一天中的天氣會出現(xiàn)如晴轉多云、多云轉小雨等多變現(xiàn)象,若僅將天氣類型作晴天、多云、陰天、雨天等簡單分類,則會對天氣因素處理不夠精細,導致模型失效。因此,本文在上述簡單分類的基礎上,通過計算和排序歐式距離的方法來確定相似日,具體步驟如下:

步驟1根據(jù)預測日的天氣類型預報信息從樣本庫中挑選出相同日類型的歷史發(fā)電日組成粗選集。粗選集是將各種天氣類型大致劃分為晴天、多云、陰天和雨天。

步驟2計算粗選集中每個歷史發(fā)電日與預測日的最高、最低溫度和太陽輻照強度的歐氏距離:

式中:t0h、t0l為預測日的最高、最低溫度預報值;tih、til為粗選集中第i個歷史發(fā)電日的最高、最低溫度;I0為預測日太陽輻照強度預報值;Ii為粗選集中第i個歷史發(fā)電日的太陽輻照強度。

步驟3將計算出的每個歷史發(fā)電日的歐氏距離di,按照升序排列,并選取前a個,本文a=6。

步驟4選取這a個歐式距離對應的歷史發(fā)電日組成預測日的相似日集。

2.2樣本數(shù)據(jù)預處理

本文采用的是光伏發(fā)電數(shù)據(jù)采集系統(tǒng)數(shù)據(jù)庫中的原始氣象數(shù)據(jù)和歷史發(fā)電數(shù)據(jù),由于數(shù)據(jù)通道通信錯誤、數(shù)據(jù)整理錯誤等原因,量測數(shù)據(jù)中會出現(xiàn)一些異常數(shù)據(jù)。因此,采用解析分析法對異常數(shù)據(jù)進行剔除和補充以提高預測精度。同時,預測模型中的光伏系統(tǒng)歷史發(fā)電功率、環(huán)境溫度和太陽輻照強度等各個數(shù)據(jù)具有不同的物理意義,而且數(shù)量級也相差很大,不具有可比性。因此,在對網(wǎng)絡進行訓練之前還必須對數(shù)據(jù)進行歸一化處理,將訓練和測試樣本數(shù)據(jù)尺度變換到區(qū)間[0,1]內,以消除原始數(shù)據(jù)形式不同所帶來的不利,進而提高網(wǎng)絡的泛化能力和預測精度。對不同量綱數(shù)據(jù)進行歸一化處理的公式為

2.3預測模型的輸入、輸出編碼

SNN是基于精確的脈沖發(fā)射時間進行信息傳遞和計算的,因此必須將模擬量數(shù)據(jù)轉換成脈沖發(fā)射時間。本文采用Time-to-first-Spike方法[14]對SNN的輸入、輸出進行編碼,該方法的前提條件是假設Spiking神經元只發(fā)射一個脈沖。神經元發(fā)射脈沖的時刻與模擬量的值成比例,一般模擬量的值越大,對應發(fā)射脈沖的時間越早。在經歸一化到區(qū)間[0,1]內的數(shù)據(jù)中,最大值1對應的神經元將首先發(fā)射脈沖,并記該脈沖發(fā)射時間為0,而數(shù)據(jù)中最小值0對應的神經元最后發(fā)射脈沖,并記該脈沖發(fā)射時間為Tmax。將模擬量轉換成脈沖發(fā)射時間的公式為

T=Tmax(1-p*)

式中:p*為歸一化后的樣本模擬量數(shù)據(jù);Tmax為最大脈沖發(fā)射時間;T為神經元的脈沖發(fā)射時間,ms。

2.4預測模型結構的確定

2.4.1輸入、輸出層神經元個數(shù)的確定

輸入層神經元的個數(shù)n對應于模型輸入量的個數(shù),本模型選取相似日08∶00～17∶00每間隔1 h的整點時刻發(fā)電功率、相似日和預測日的最高、最低溫度、太陽輻照強度等6個影響因素,共16個量作為輸入量,對應16個神經元。輸出層神經元個數(shù)q對應于模型輸出量的個數(shù),輸出是預測日08∶00～17∶00的10個整點時刻發(fā)電功率,對應10個神經元。預測模型輸入、輸出層神經元對應的變量如表1所示。

表1　預測模型輸入、輸出變量

注:表中“x”表示輸入變量,“y”表示輸出變量。

2.4.2隱含層神經元個數(shù)的確定

目前,關于SNN的隱含層神經元個數(shù)的選取沒有明確的方法和公式可以應用,隱含層神經元個數(shù)p的確定是網(wǎng)絡訓練中的關鍵內容之一。本文按照確定BP-ANN隱含層神經元個數(shù)的經驗公式,經過多次試驗,確定SNN隱含層最佳神經元數(shù)為15。常用經驗公式為

p=log2n

式中:p為隱含層神經元個數(shù);n為輸入層神經元個數(shù);q為輸出層神經元個數(shù);a為1～10之間的整數(shù)。

綜上所述,基于SNN的光伏發(fā)電功率預測方法的實現(xiàn)流程如圖3所示。

圖3　預測方法流程圖

3　算例分析

以某光伏發(fā)電系統(tǒng)作為研究對象,選取2011年和2012年的歷史發(fā)電數(shù)據(jù)和對應的氣象數(shù)據(jù),對SNN、BP-ANN和SVM三種預測模型進行仿真實驗,并對三種模型的預測結果進行比較驗證分析。SNN、BP-ANN和SVM的程序在MALAB2010a上運行,所用計算機的操作系統(tǒng)是Windows 7旗艦版32位,硬件配置是英特爾酷睿i5處理器,CPU主頻3.20 GHz,RAM 4 GB。

3.1參數(shù)設置

3.1.1SNN參數(shù)設置

根據(jù)文獻[15]中關于網(wǎng)絡參數(shù)的設定,并結合光伏發(fā)電功率自身的特點,經過多次試驗設置可以獲得如下最佳預測結果的SNN參數(shù)。

連續(xù)層任意兩個神經元之間突觸子連接個數(shù)m是SNN的結構中的一個很重要的因素。本文在測試過程中對m的取值進行了探討,發(fā)現(xiàn)不同的m值對訓練時網(wǎng)絡收斂性的影響。一般情況下,減少突觸子連接個數(shù)m的值會導致收斂代數(shù)增加,而增加m的值使其超過16時,會大大增加網(wǎng)絡的計算量,而網(wǎng)絡的收斂性卻沒有明顯改變。因此,綜合選取的m值為16,相應的突觸延遲dk選取從1～16 ms遞增的整數(shù)值。

輸入、輸出編碼窗口中最大脈沖時間Tmax=5 ms,則脈沖在0 ms和5 ms時從輸入層H傳遞到隱含層I,然后再從隱含層I傳遞到輸出層J,每兩層之間有m(m=16)個突觸子連接,突觸延遲dk最小1 ms、最大16 ms。因此SNN的輸入、輸出之間有時間延遲ΔT,范圍從0+2×1=2 ms到5+2×16=37 ms。

3.1.2BP-ANN及SVM參數(shù)設置

通過多次試驗設置可以獲得如下最佳預測結果的BP-ANN和SVM參數(shù)。

BP-ANN的參數(shù)項和SNN相似,包括以下幾項:網(wǎng)絡各層神經元數(shù)和SNN相同;網(wǎng)絡算法采用誤差反向傳播(Error Back Propagation, EBP)算法;傳遞函數(shù)為Sigmoid函數(shù);網(wǎng)絡學習率η取為0.01。

SVM的參數(shù)項較少,主要包括:核函數(shù)為徑向基函數(shù)(Radial Basis Function, RBF);核函數(shù)中參數(shù)用網(wǎng)格搜索算法尋優(yōu),其中寬度參數(shù)δ2范圍為2-8～21,搜索步長為0.5;懲罰系數(shù)c范圍為21～210,搜索步長為0.5。

綜上,SNN、BP-ANN和SVM預測模型的主要最優(yōu)結構參數(shù)設置如表2所示。

表2　SNN、BP-ANN和SVM預測模型的最優(yōu)結構參數(shù)

注:表中“”表示預測模型中不存在此參數(shù)。

3.2預測結果及評估

SNN、BP-ANN和SVM預測模型對4種天氣類型的光伏發(fā)電功率的預測結果分別如圖4～7所示。

圖4　晴天預測結果

圖5　多云天預測結果

圖6　陰天預測結果

圖7　雨天預測結果

由圖4可以看出,晴天的光伏電站的發(fā)電功率曲線波動不大,三種預測模型的預測曲線與實際曲線基本吻合。但是SNN的預測曲線更接近實際曲線,特別是在實際發(fā)電功率曲線發(fā)生微弱波動的 11∶00～13∶00時間段,SNN預測曲線的變化趨勢和實際曲線的變化趨勢基本保持一致,說明SNN在發(fā)電功率波動性不大的情況下有更高的預測精度。

由圖5可以看出,多云天氣下三種模型的預測結果誤差偏大。可能是訓練樣本中多云天氣的樣本數(shù)較少、多云天氣的云團厚薄和移動趨勢難以預測等原因所致。然而,在實際發(fā)電功率曲線波動較大的11∶00～13∶00和14∶00～16∶00時間段,相比于BP-ANN和SVM,SNN的預測曲線和實際曲線更貼合,更能反映實際功率的變化趨勢。這表明SNN的局部預測效果更好,適用性更好。

從圖6可以看到,由于陰天的樣本數(shù)較少,而且天氣情況復雜多變,晴轉陰、多云轉陰,全天陰天,再加上云團的厚薄等因素都會對預測結果產生影響,三種預測模型在實際發(fā)電功率曲線波動較大的時間段如10∶00～13∶00的預測誤差較大。但是通過對比可以發(fā)現(xiàn),對于預測誤差較大的11∶00～13∶00時間段,SNN的預測曲線更接近實際曲線,其更能反映此種天氣條件下實際光伏發(fā)電功率的變化趨勢,可明顯降低預測誤差。

由圖7可以看出,實際曲線波動性較大,三種模型在波動較大的時間段預測結果誤差較大。雖然在某些時間段如9∶00～10∶00,SNN的預測結果并沒有BP-ANN和SVM的預測結果精確,但是在實際曲線波動較大的10∶00～13∶00時間段,SNN的預測值更接近實際值,說明SNN有更好的學習和映射能力。

針對以上三種模型的預測結果,采用平均絕對百分比誤差(Mean Absolute Percent Error, MAPE)指標對三種預測模型進行比較和分析:

式中:Xr為預測日實際發(fā)電功率;Xf為預測發(fā)電功率;N為數(shù)據(jù)總數(shù);i為數(shù)據(jù)序號。

為了更加直觀而詳細了解各種天氣類型下三種預測模型的預測誤差情況,給出了SVM、BP-ANN和SNN預測模型對各種天氣類型的光伏發(fā)電系統(tǒng)功率預測結果的MAPE,如表3所示。

從表3中可以看出:在晴天天氣類型時,三種預測模型的MAPE均小于10%,預測結果均較為準確,其中SNN預測模型預測結果的MAPE較SVM低2.37%,較BP-ANN低2.85%;在多云天、陰天、雨天等發(fā)電功率波動較大的天氣類型時,三種模型的預測結果相對于晴天都有較大的誤差,但是SNN的整體預測結果相比于SVM和BP-ANN明顯具有更高的精度,這說明SNN預測模型更加適用于隨機性和波動性較大的天氣類型。

表3　SVM、BP-ANN和SNN預測模型的MAPE

4　結　語

本文提出了一種基于Spiking神經網(wǎng)絡的光伏發(fā)電系統(tǒng)功率預測模型。采用比較歐式距離確定相似日的方法,應用某光伏發(fā)電系統(tǒng)的歷史發(fā)電數(shù)據(jù)和相應的氣象數(shù)據(jù)對SNN預測模型和傳統(tǒng)的BP-ANN、SVM預測模型進行比較驗證分析。測試結果表明:SNN預測模型相對于BP-ANN和SVM預測模型有更好的學習、映射能力以及更高的預測精度,對光伏系統(tǒng)歷史發(fā)電功率與環(huán)境溫度、太陽輻照強度等數(shù)據(jù)間非線性關系的處理能力和適用性也較高。

[1] 丁明, 王偉勝, 王秀麗, 等. 大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述[J]. 中國電機工程學報, 2014, 34(1): 2-14.

DING Ming, WANG Weisheng, WANG Xiuli, et al. A review on the effect of large-scale PV generation on power systems [J]. Proceedings of the CSEE, 2014, 34(1): 2-14.

[2] 楊海威, 謝宜宏, 熊毅, 等. 基于實測功率數(shù)據(jù)的風光輸出特性分析[J]. 黑龍江電力, 2015,37(4): 343-346.

YANG Haiwei, XIE Yihong, XIONG Yi, et al. Output characteristic analysis of wind and solar hybrid generation system based on real measured power data [J]. Heilongjiang Electric Power, 2015,37(4): 343-346.

[3] 丁明, 徐寧舟. 基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預測方法[J]. 電網(wǎng)技術, 2011, 35(1): 152-157.

DING Ming, XU Ningzhou. A method to forecast short-term output power of photovoltaic generation system based on markov chain[J]. Power System Technology, 2011, 35(1): 152-157.

[4] XU W. The designing of establishing modeling simulation and forecasting methods for short-term solar irradiance based on time-scale[J]. Journal of Changzhou Institute of Technology, 2009, 22(1): 41-44.

[5] SHI Jie, LEE Weijei, LIU Yongqian, et al. Forecasting power output of photovoltaic systems based on weather classification and support vector machines [J]. IEEE Transactions on Industry Applications, 2012, 48(3): 1064-1069.

[6] 王守相, 張娜. 基于灰色神經網(wǎng)絡組合模型的光伏短期出力預測[J]. 電力系統(tǒng)自動化, 2012, 36(19): 37-41.

WANG Shouxiang, ZHANG Na. Short-term output power forecast of photovoltaic based on a grey and neural network hybrid model[J]. Automation of Electric Power Systems, 2012, 36(19): 37-41.

[7] 陳昌松, 段善旭, 殷進軍. 基于神經網(wǎng)絡的光伏陣列發(fā)電預測模型的設計[J]. 電工技術學報, 2009, 24(9): 153-158.

CHEN Changsong, DUAN Shanxu, YIN Jinjun. Application of recurrent neural networks to generated power forecasting for photovoltaic system[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.

[8] MAASS W. Networks of spiking neurons: the third generation of neural network models[J]. Neural Networks, 1997, 10(9): 1659-1671.

[9] ROWCLIFFE P, FENG J. Training spiking neuronal networks with applications in engineering tasks[J]. IEEE Transactions on Neural Networks, 2008, 19(9): 1626-1640.

[10] BOHTE S M, POUTRE H L, KOK J N. Unsupervised clustering with spiking neurons by sparse temporal coding and multi-layer spike Neural Network[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 426-435.

[11] GERSTNER W, KISTLER W M. Spiking neuron models. Single neurons, populations, plasticity[M]. NY: Cambridge University Press, 2002.

[12] BOHTE S M, KOK J N, LA POUTRE H. Error-backpropagation in temporally encoded networks of spiking neurons[J]. Neurocomputing, 2002, 48(1): 17-37.

[13] LI Y Z, NIU J. Forecast of power generation for grid-connected photovoltaic system based on Markov chain[C]//Power and Energy Engineering Conference, 2009. APPEEC 2009. Asia-Pacific. IEEE, 2009: 1-4.

[14] 崔文博, 藺想紅, 徐滿意. 脈沖神經網(wǎng)絡圖像分割的編碼方法[J]. 計算機工程, 2012, 38(24): 196-199.

CUI Wenbo, LIN Xianghong, XU Manyi. Coding method of image segmentation in spiking neural network[J]. Computer Engineering, 2012, 38(24): 196-199.

[15] GHOSH-DASTIDAR S, ADELI H. Improved spiking neural networks for EEG classification and epilepsy and seizure detection[J]. Integrated Computer-Aided Engineering, 2007, 14(3):187-212.

(責任編輯侯世春)

Photovoltaic system power forecasting based on Spiking neutral network

LU Yihan1, WANG Lin2, JIN Fei2, LIU Zhonghui2, TANG Min2

(1.State Grid Changyi Power Supply Company, Changyi 261300, China; 2.State Grid Weifang Power Supply Company, Weifang 261000, China)

Aiming at the randomness of photovoltaic system output power, this paper proposed the forecasting model of PV power generation based on Spiking neural network. It is a model that uses coding method with computing capability and accurate pulse time, which is closer to the real biological nerve system. Considering the main influencing factors such as weather types, sunshine intensity, temperature etc., the paper adopted the approximate Euclidean distance to select similar days, and the historical generation data and meteorological data of the practical PV system to test and evaluate three forecasting models, including Spiking neural network, BP neural network and support vector machine. The results of the comparison between the forecast and the actual measured values reveal that Spiking neural network model, compared with BP neural network model and support vector machine model, has relatively high forecast accuracy and robust applicability, and can provide an effective and feasible way to forecast the PV system power generation.

photovoltaic system(PV); Spiking neural network; pulse response model; Spikeprop algorithm; power generation forecasting

2015-10-17;

2015-11-01。

盧怡含(1989—),女,助理工程師,主要研究方向為電力系統(tǒng)繼電保護。

TM615.2

A

2095-6843(2016)03-0263-07