超短期风力发电量预测技术及其比较分析.pdf

2 0 2 3年 第3 7卷 第4期测 试 技 术 学 报V o l.3 7 N o.4 2 0 2 3(总第1 6 0期)J O U R N A L O F T E S T A N D M E A S U R E M E N T T E C H N O L O G Y(S u m N o.1 6 0)文章编号:1 6 7 1-7 4 4 9(2 0 2 3)0 4-0 2 8 4-0 5 超短期风力发电量预测技术及其比较分析张利平,赵俊梅,刘 丹,陈昌鑫(中北大学 电气与控制工程学院,山西 太原 0 3 0 0 5 1)摘 要:风力发电作为清洁绿色的新能源,是实现“双碳”目标的主力军之一,但是其对新能源消纳系统提出了新要求,故对风力发电量的科学分析和精确预测研究具有现实意义。首先,对风电多维历史数据属性、特点和离群值、噪声平滑等进行分析与预处理,再通过2种回归树集成和4种回归神经网络及其超参数优化算法对不同机组数据进行回归分析,超参数优化运行时间代价较高。回归拟合效果通过5个评价指标进行对比与分析,经过大量仿真实验,证明了三层神经网络的回归模型拟合和预测效果均较好。关键词:回归树集成;回归神经网络;超参数优化;预测技术中图分类号:TM 7 1 5 文献标识码:A d o i:1 0.3 9 6 9/j.i s s n.1 6 7 1-7 4 4 9.2 0 2 3.0 4.0 0 2U l t r a S h o r t T e r m W i n d P o w e r G e n e r a t i o n F o r e c a s t i n g T e c h n o l o g y a n d I t s C o m p a r a t i v e A n a l y s i sZ HA N G L i p i n g,Z HA O J u n m e i,L I U D a n,C H E N C h a n g x i n(S c h o o l o f E l e c t r i c a l a n d C o n t r o l E n g i n e e r i n g,N o r t h U n i v e r s i t y o f C h i n a,T a i y u a n 0 3 0 0 5 1,C h i n a)A b s t r a c t:A s c l e a n a n d g r e e n n e w e n e r g y,w i n d p o w e r g e n e r a t i o n i s o n e o f t h e m a i n f o r c e s t o a c h i e v e t h e“d o u b l e c a r b o n”g o a l.H o w e v e r,i t p u t s f o r w a r d n e w r e q u i r e m e n t s f o r t h e n e w e n e r g y c o n s u m p t i o n s y s t e m,s o i t h a s p r a c t i c a l s i g n i f i c a n c e f o r t h e s c i e n t i f i c a n a l y s i s a n d a c c u r a t e p r e d i c t i o n o f w i n d p o w e r g e n e r a t i o n.F i r s t l y,t h e a t t r i b u t e s,c h a r a c t e r i s t i c s,o u t l i e r s a n d n o i s e s m o o t h i n g o f m u l t i-d i m e n s i o n a l h i s t o r i c a l d a t a o f w i n d p o w e r a r e a n a l y z e d a n d p r e p r o c e s s e d,a n d t h e n t h e d a t a o f d i f f e r e n t u n i t s a r e r e-g r e s s e d a n d a n a l y z e d t h r o u g h t w o r e g r e s s i o n t r e e e n s e m b l e,f o u r r e g r e s s i o n n e u r a l n e t w o r k s a n d t h e i r s u p e r p a r a m e t e r o p t i m i z a t i o n a l g o r i t h m s.T h e c o s t o f s u p e r p a r a m e t e r o p t i m i z a t i o n i s h i g h.T h e r e g r e s-s i o n f i t t i n g e f f e c t i s c o m p a r e d a n d a n a l y z e d t h r o u g h f i v e e v a l u a t i o n i n d e x e s.A l a r g e n u m b e r o f s i m u l a-t i o n e x p e r i m e n t s p r o v e d t h a t t h e r e g r e s s i o n m o d e l f i t t i n g a n d p r e d i c t i o n v e r i f i c a t i o n e f f e c t o f t h e t h r e e-l a y e r n e u r a l n e t w o r k a r e g o o d.K e y w o r d s:r e g r e s s i o n t r e e e n s e m b l e;r e g r e s s i o n n e u r a l n e t w o r k;h y p e r p a r a m e t r i c o p t i m i z a t i o n;f o r c a s t-i n g t e c h n o l o g y0 引 言国家深入贯彻新发展理念,亟待解决资源高效利用问题,实现绿色低碳发展,逐步推进碳达峰、碳中和的“双碳”工作,处理好发展和环境的关系。新能源的利用是电力行业绿色可持续发展的迫切需求,通过发展风能、太阳能等新能源,建设安全稳定的新能源供给消纳体系,可大大减少化石能源的消耗。风力发电是实现“双碳”的主力军之一,其运行和维护费用较低。我国风电具有巨大的市场,累计和新增装机容量稳居全球前列,陆上风电已是最有发展前景的绿色新能源之一。风电是可再生无污染的清洁能源,但也存在随机性、波动性、间歇性、不稳定性等劣势,根据收稿日期:2 0 2 2-0 6-1 5 基金项目:国家自然科学基金青年基金资助项目(6 2 0 0 1 4 2 8);国家自然科学基金资助项目(6 2 0 0 3 3 1 5)作者简介:张利平(1 9 8 0-),男,讲师,硕士,主要从事机器学习和机器视觉在电气工程中的应用研究。E-m a i l:z h a n g l i p i n g n u c.e d u.c n。风速等因素对发电功率与发电量进行科学预测可以大大提高并网后电力系统的安全稳定。文献1以风速为主要特征,利用随机森林和X G B o o s t模型进行功率预测,并搭建了系统模型。文献2 利用模糊聚类算法和K-m e a n s聚类算法,以风速特征进行聚类划分,最终获取风速组合和风功率模型。文献3 重点考虑风速、风力和温度等因素,结合灰色模型和神经网络对发电量进行预测。文献4 利用历史数据的相似性,对其进行扩充和修正,以最高、最低风速、温度为特征,使用单元匹配法、数据扩充法、时间序列法进行预测。文献5 以每小时总发电容量为时间序列,对比分析了有无噪声情况下A RMA模型的发电量预测。文献6 利用B P和R B F网络进行数据预测。本文利用不同机器学习算法对风力发电机组的发电量进行科学预测和分析,为并网提供安全保障,进而提高能源利用率和安全性。1 风力发电数据分析和预处理本文选取某区域的风力发电实际相关数据进行发电量预测分析,此数据每隔半小时采集1次,主要属性包括2 2个,根据属性之间的相关性,输入选取1 2个属性作为主要特征,包括风速、功率、发电机转速、叶片角度、环境温度、机舱温度、齿箱温度、绕组温度、齿箱轴1温度、齿箱轴2温度、电机轴承A温度、电机轴承B温度。其中,风速、叶片角度、环境温度为自然环境参数,转速、机舱温度、齿箱温度、绕组温度等为电气设备监测参数,功率为电网类参数。输出为发电量,将其作为预测量,发电量历史数据是累计的。数据时间段为2 0 2 1年1 0月1日0:3 0至2 0 2 2年4月3 0日2 3:0 0,数据采集频率适度,信息量相对丰富,故对于极少数的缺失数据作忽略考虑。风速和风向随机变动,风力发电机工况复杂多变,难免会出现离群值。风电各类数据中离群值可以定义为比上四分位数大1.5 个四分位差以上或比下四分位数小1.5 个四分位差以上的数据元素。为了降低离群值对预测的影响,采用相邻非离群值的线性插值进行填充7。接着,为了降低数据噪声干扰,进行平滑噪声处理,利用启发式确定窗口,窗口沿着每列数据向下滑动,计算每个窗口中数据的平均值8。经过离群值和数据噪声平滑处理后,由于1 2类特征数据属性不尽相同,一般进行数据归一化处理,本文选取标准差规范化。经过标准差规范化后的风力发电数据均值为0,标准差为1。2 回归树集成和回归神经网络机器学习中,包括支持向量机回归、高斯过程回归和回归树等算法,鉴于风力发电数据维度多、数据量大、数据类型复杂等特点,且要进行超短期预测,故采用回归树集成即提升树和装袋树、全连接的前馈神经网络进行预测比较和分析9。回归树集成是由多个回归树的加权组合构成的预测模型,它是对同样任务的多个不同子模型进行训练,在综合考虑不同子模型的预测结果基础上,做出最终的预测回归结论1 0。图 1 为回归树集成示意图。回归树集成的子模型为弱模型,综合多个不同的子模型便为集成模型。提升树和装袋树算法都是基于决策树学习器的。提升树算法通常使用非常浅的树,这种构造使用相对较少的运行时间和内存。提升树为串行方式,训练时依次训练每个弱学习器,重点关注被前面分错的样本,而不是对样本进行独立的随机抽样构造训练集。预测时使用每个弱学习器分别进行回归预测。然而,为了有效精准的预测,提升树可能比装袋树需要更多的数据集合元素。装袋树一般构造深树,这种构造运行时间较长,比提升树占更多内存,预测更为精准。图 1 回归树集成示意图F i g.1 R e g r e s s i o n t r e e e n s e m b l e d i a g r a m2.1 最小二乘提升树最小二乘提升树回归集成过程中,在每一步,回归集成使一个新的学习者适应不同的情况,可以区分观察到响应和所有学习者的先前预测之间的差异。集成适合于最小化均方误差。最小二乘提升树流程如下:设训练集 (xi,yi)ni=1,M为迭代次数,损失函数L(y,F)=(y-F)2/2,Fm(x)为回归函数,h为激活函数,为随机数字,为学习率。1)设置F0(x)=y;2)从m=1开始循环,直至m=M,计算yi=582(总第1 6 0期)超短期风力发电量预测技术及其比较分析(张利平等)yi-Fm-1(xi),i=1,N;3)根据(m,m)=a r g m i n,Ni=1yi-h(xi;)2,得出学习率等参数;4)求出Fm(x)=Fm-1(x)+mh(x;m)。2.2 装袋树装袋树是并行方式,弱学习器之间不相互依赖,关键是随机采样。随机采样就是从训练集中选取固定数目的样本,每选取1个样本之后,都将样本放回。装袋树的基本流程如下:输入:训练集D=(x1,y1),(x2,y2),(xn,yn),弱学习器L,训练次数T。输出:强学习器H(x)。1)对D进行第t次随机采样,共采样n次,得到包含n个样本的采样集Dt;2)使用采样集Dt训练第t个弱学习器ht(x)=L(Dt);3)t个弱学习器得到的回归结果的模型输出Hx=1TTt=1ht(x)=y 。(1)全连接的前馈神经网络可以调整全连接层的大小,并可以更改层的激活函数。回归神经网络的第一个全连接层具有来自网络输入也就是预测数据的连接,每个后续层具有来自前一层的连接。每个全连接层将输入乘以一个权重矩阵,然后加上一个偏置向量。除了最后一层之外,每个全连接层后面都有一个激活函数。最终的全连接层产生网络的输出,即回归预测响应值9。根据全连接层的个数分为单层前馈神经网络、双层前馈神经网络、三层前馈神经网络等。根据每层的大小也可分为窄神经网络、中型神经网络、宽神经网络。激活函数可以从R e L U,T a n h,S i g m o i d中选择一个。图 2 为回归神经网络基本结构图。图 2 回归神经网络基本结构图F i g.2 B a s i c s t r u c t u r e d i a g r a m o f r e g r e s s i o n n e u r a l n e t w o r k3 超参数优化在机器学习训练模型的过程中,可以灵活调整超参数,进而改变模型复杂度和准确度,挑选出最优的超参数组合,提高模型学习性能,提升回归预测能力。超参数优化的主要目的是通过超参数的不同组合最小化模型的均方误差,常常利用交叉验证的方法来评估不同超参数下的模型泛化性能,故采用超参数空间中交叉验证值最优的超参数作为最优超参数1 1。一般选取最小化五倍交叉验证。对于回归树集成,可以对最小叶子节点个数、学习器数量、学习率等进行超参数优化。回归神经网络可以对全连接层个数、激活函数、正则化强度等进行超参数优化。对于优化器,可以选择贝叶斯优化、网格搜索、随机搜索中的一个。同时,可以对迭代次数和训练时间进行设置调整。贝叶斯优化使用一个采集函数,算法用它来确定下一个要评估的点。采集函数可以平衡具有低目标函数模型点处的采样,并探索还没有被很好建模的区域。网格搜索对给定超参数的所有组合进行穷举,遍历所有存在的组合,找到模型最优的一组超参数,需要耗费时间1 2。随机搜索通过随机的方式围绕特定的一些点获得最佳点,不遍历所有组合,可以节约时间,避免高的优化代价。4 仿真实验和分析本文对随机选取某风力发电企业中2个机组的电力数据,利用含有1 2个属性的历史数据对机组的发电量进行预测,主要比较和分析回归树集成和神经网络技术的回归预测效果。机组数据为8 4 0 4*1 2,机组数据为8 4 2 0*1 2。电脑主要配置参数为单C P U i 7-8 5 5 0 U,内存1 6 G。对实际风力发电数据首先利用回归树集成的2种方法和神经网络的4种方法进行回归预测,其中提升树参数设置:最小叶大小为8,学习器数量为3 0,学习率为0.1;装袋树参数设置:最小叶大小为7,学习器数量为2 7。中型神经网络设置为:全连接层数量为1,第1层大小为3 0,激活函数为R e L U,迭代限制1 0 0 0,正则化强度为0;宽型神经网络中第1层大小为1 0 0,其余设置和中型相同,二者均为1个全连接层。双层神经网络设置为:2个全连接层,每层大小均为1 0,激活函数为R e L U,迭代限制1 0 0 0,正则化强度为0。三层神682测 试 技 术 学 报2 0 2 3年第4期经网络与双层神经网络相比,3个全连接层,每层均为1 0,其他参数相同。对于 机 器 学 习 回 归 算 法 的 优 劣 主 要 从RM S E,R2,M S E,MA E,T i m e 5个角度进行评价和比较1 3。RM S E为均方根误差;R2为拟合系数,定义为R2=1-S S E/S S T,S S E和S S T分别为残差平方和、总平方和;M S E 为均方误差;MA E为平均绝对误差;T i m e为运行时间。表 1 和表 2 分别为基于机组和的风电数据的5种回归算法的评价指标结果。B S T、B G T、MN N、WN N、D N N、T N N分别为提升树、装袋树、中型神经网络、宽型神经网络、双层神经网络和三层神经网络。通过观察表 1 和表 2,可以发现提升树的相关系数R2为负,各类误差最大,故其回归效果最差;宽神经网络回归效果最好,各类误差小,相关系数R2最接近1;装袋树效果不错,相关系数R2略比宽神经网络低,各类误差也较小;三层神经网络的各类指标也较好。表 1 机组机器学习算法的回归结果T a b.1 R e g r e s s i o n r e s u l t s o f m a c h i n e l e a r n i n g a l g o r i t h m o f u n i t 评价指标 B S TB G TMN NWN ND N NT N NRM S E0.0 8 0 70.0 1 3 30.0 1 3 70.0 1 1 50.0 1 3 90.0 1 2 3R2-1.3 70.9 40.9 30.9 50.9 30.9 4M S E0.0 0 6 50.0 0 0 20.0 0 0 20.0 0 0 10.0 0 0 20.0 0 0 2MA E0.7 8 4 00.0 0 7 80.0 0 9 60.0 0 7 70.0 0 9 50.0 0 8 2T i m e/s9.0 9 2 16.1 0 0 52 7.8 17 3.6 71 6.0 52 2.2 7表 2 机组机器学习算法的回归结果T a b.2 R e g r e s s i o n r e s u l t s o f m a c h i n e l e a r n i n g a l g o r i t h m o f u n i t 评价指标B S TB G TMN NWN ND N NT N NRM S E0.0 9 4 50.0 0 9 10.0 1 2 10.0 0 7 80.0 1 3 10.0 1 2 9R2-1.9 70.9 70.9 50.9 80.9 40.9 4M S E0.0 0 8 90.0 0 0 10.0 0 0 10.0 0 0 0 60.0 0 0 20.0 0 0 2MA E0.0 9 3 00.0 0 5 80.0 0 9 30.0 0 6 0 00.0 1 0 10.0 0 9 8T i m e/s4.1 5 9 45.6 7 3 82 7.9 0 67 6.5 4 31 8.0 6 52 5.6 9 7 下面对装袋树、宽型神经网络、三层神经网络进行超参数优化,比较回归效果。优化器均选择贝叶斯优化,采集函数为每秒期望改善,迭代次数为3 0。B G THO、MN NHO和T N NHO分别为装袋树优化、宽神经网络优化、三层神经网络优化算法。表 3 为3种算法对机组数据的评价指标结果。表 3 机组机器学习超参数优化的回归结果T a b.3 R e g r e s s i o n r e s u l t s o f m a c h i n e l e a r n i n g a l g o r i t h m o f u n i t 评价指标B G T HOMN NHOT N NHORM S E0.0 0 8 1 20.0 4 8 91.0 0 7R20.9 80.2-3 3 2.1 5M S E0.0 0 0 0 50.0 0 2 3 91.0 0 1 3MA E0.0 0 4 5 50.0 4 0 10.9 9 9 3T i m e/s1 6 8.7 71 7 3.3 65 3 8.5 4 从表 3 中明显看出,回归神经网络经过超参数优化效果大大下降,而且运行时长增大许多;装袋树的回归效果有所提升,但运行时间增加不少。对于网格搜索、随机搜索的超参数优化,通过仿真实验,运行时间长(尤其是网络搜索消耗时间最长),拟合效果改善不大,故未列写出来。根据回归树集成和回归神经网络及其超参数优化的回归拟合结果、评价指标,下面利用4种算法对2 0 2 2年4月3 0日的5个时间点的机组发电量进行预测分析。预测发电量1 4分别为双层神经网络模型、装袋树、装袋树超参数优化后、三层神经网络的预测结果。误差1 4分别为4种算法预测结果和真实发电量之间的误差。真实发电量和预测发电量的单位为MW。表 4 为5个时间点中的真实发电量、预测发电量和误差情况表。从表 4 可以看出,误差4是最小的,三层神经网络预测验证结果最好。通过实验和结果数据表明,拟合模型效果好的不一定预测效果好。对于2 2:3 0和2 3:0 0 2个时间点预测误差较大,主要是因为风速和功率相对之前下降了许多,而发电量是累计的数据,故模型还有提升的空间。图 3 为5个时间点的发电量和预测发电量的误差图。图中,wp为实际发电量,D N N、B G T、B G THO、T N N分别为双层神经网络、装袋树、装袋树优化后、三层神经网络预测的发电量。图 3 表明三层神经网络预测验证效果最好。782(总第1 6 0期)超短期风力发电量预测技术及其比较分析(张利平等)表 4 5个时间真实和预测发电量及误差的情况表T a b.4 5-d a y a c t u a l a n d p r e d i c t e d p o w e r f a c t o r s a n d e r r o r s单位:MW参数2 1:0 02 1:3 02 2:0 02 2:3 02 3:0 0真实发电量2 2.8 8 9 6 9 92 2.8 9 0 2 7 62 2.8 9 0 7 52 2.8 9 1 2 2 42 2.8 9 1 5 9 9预测发电量12 2.8 3 52 2.8 0 92 2.72 2.7 1 12 2.7 5 5误差10.0 5 4 70.0 8 1 30.1 9 0 80.1 8 0 20.1 3 6 6预测发电量22 2.5 5 62 2.5 7 72 2.5 8 62 2.5 6 02 2.5 9 1误差20.3 3 3 70.3 1 3 30.3 0 4 80.3 3 1 20.3 0 0 6预测发电量32 2.7 1 12 2.6 5 02 2.6 5 72 2.6 4 52 2.6 1 1误差30.1 7 8 70.2 4 0 30.2 3 3 80.2 4 6 20.2 8 0 6预测发电量42 2.8 3 52 2.8 8 32 2.8 9 82 2.9 0 82 2.8 1 5误差40.0 5 4 70.0 0 7 3-0.0 0 7 2-0.0 1 6 80.0 7 6 6图 3 实际和预测发电量的误差图 F i g.3 E r r o r d i a g r a m o f a c t u a l a n d p r e d i c t e d p o w e r g e n e r a t i o n5 结 论 本文介绍了回归树集成、前馈回归神经网络等算法的基本原理。回归树集成结合许多回归树的结果,减少了过度拟合的影响,大大提高泛化能力;回归神经网络通过全连接层数和每层数量对数据进行拟合,学习训练能力强。同时,对二者的相关算法进行回归拟合实验及超参数优化仿真实验,通过对不同机组的风力发电数据进行大量的仿真实验,及通过5个评价指标进行对比分析和评测,证明拟合效果好的模型不一定预测效果好。实验结果表明三层神经网络回归拟合和预测验证综合效果最佳。参考文献:1刘宇.风电系统功率预测与模糊优化控制研究D.南京:东南大学,2 0 2 1.2秦本双.基于实测数据的风电场风速和风功率预测研究D.吉林:东北电力大学,2 0 1 8.3章勇高,王妍,孙佳,等.基于灰色神经网络优化组合的风力发电量预测研究J.电测与仪表,2 0 1 4,5 1(2 2):3 0-3 4.Z HA N G Y o n g g a o,WA N G Y a n,S U N J i a,e t a l.S t u d y o n w i n d p o w e r c a p a c i t y p r e d i c t i o n b a s e d o n t h e o p t i m a l c o m b i n a t i o n o f t h e g r e y n e u r a l n e t w o r kJ.E l e c t r i c a l M e a s u r e m e n t&I n s t r u m e n t a t i o n,2 0 1 4,5 1(2 2):3 0-3 4.(i n C h i n e s e)4唱友义,孙赫阳,顾泰宇,等.采用历史数据扩充方法的风力发电量月度预测J.电网技术,2 0 2 1,4 5(3):1 0 5 9-1 0 6 8.C HA N G Y o u y i,S U N H e y a n g,G U T a i y u,e t a l.M o n t h l y f o r e c a s t o f w i n d p o w e r g e n e r a t i o n u s i n g h i s-t o r i c a l d a t a e x p a n s i o n m e t h o dJ.P o w e r S y s t e m T e c h n o l o g y,2 0 2 1,4 5(3):1 0 5 9-1 0 6 8.(i n C h i n e s e)5高阳,朴在林,张旭鹏,等.基于噪声场合下A RMA模型的风力发电量预测J.电力系统保护与控制,2 0 1 0,3 8(2 0):1 6 4-1 6 7.G A O Y a n g,P I A O Z a i l i n,Z HA N G X u p e n g,e t a l.P r e d i c t i o n o f w i n d p o w e r g e n e r a t i o n b a s e d o n A RMA w i t h a d d i t i v e n o i s e m o d e lJ.P o w e r S y s t e m P r o t e c-t i o n a n d C o n t r o l,2 0 1 0,3 8(2 0):1 6 4-1 6 7.(i n C h i-n e s e)6李晓云,王晓凯.基于B P-R B F组合神经网络的废气监测盲区S O2浓度预测J.测试技术学报,2 0 1 8,3 2(3):1 9 1-1 9 6.L I X i a o y u n,WA N G X i a o k a i.P r e d i c t i o n o f S O2 c o n-c e n t r a t i o n i n t h e b l i n d a r e a o f e x h a u s t g a s m o n i t o r i n g b a s e d o n B P-R B F c o m b i n e d n e u r a l n e t w o r kJ.J o u r-n a l o f T e s t a n d M e a s u r e m e n t T e c h n o l o g,2 0 1 8,3 2(3):1 9 1-1 9 6.(i n C h i n e s e)7李国,江晓东.基于提升回归树与随机森林的风电功率集成预测方法J.电力系统及其自动化学报,2 0 1 8,3 0(1 1):7 0-7 4.L I G u o,J I A N G X i a o d o n g.W i n d p o w e r g e n e r a t i o n e n s e m b l e f o r e c a s t i n g m e t h o d b a s e d o n b o o s t e d r e-g r e s s i o n t r e e a n d r a n d o m f o r e s tJ.P r o c e e d i n g s o f t h e C S U-E P S A,2 0 1 8,3 0(1 1):7 0-7 4.(i n C h i n e s e)(下转第 2 9 4 页)882测 试 技 术 学 报2 0 2 3年第4期相同,给出的技术参数存在一定的局限性。在以后的研究中,还应考虑实际工作环境对烟度计滤光片性能的影响,获取相关试验数据,优化技术参数,使烟度计滤光片的量值溯源更加可靠。参考文献:1姚春德,耿鹏,魏立江,等.柴油/甲醇组合燃烧(DM C C)减少重载柴油机烟度排放的试验研究J.环境科学学报,2 0 1 3,3 3(1 1):3 1 4 6-3 1 5 2.Y A O C h u n d e,G E N G P e n g,WE I L i j i a n g,e t a l.R e-d u c t i o n o f s m o k e e m i s s i o n s f r o m h e a v y d u t y d i e s e l e n g i n e w i t h d i e s e l/m e t h a n o l c o m p o u n d c o m b u s t i o nJ.A c t a S c i e n t i a e C i r c u m s t a n t i a e,2 0 1 3,3 3(1 1):3 1 4 6-3 1 5 2.(i n C h i n e s e)2包帅善.柴油机烟度排放测试技术的发展J.柴油机设计与制造,2 0 0 6,1 4(2):1-8.B A O S h u a i s h a n.D e v e l o p m e n t o f d i e s e l e n g i n e s m o k e e m i s s i o n t e s t i n g t e c h n o l o g yJ.D e s i n g&M a n u f a c-t u r e E n g i n e,2 0 0 6,1 4(2):1-8.(i n C h i n e s e)3许建军,贾会,尚梦帆,等.我国烟度计测量技术进展J.中国新技术新产品,2 0 2 0(4):6 2-6 3.X U J i a n j u n,J I A H u i,S HA N G M e n g f a n,e t a l.P r o-g r e s s o f s m o k e m e t e r m e a s u r e m e n t t e c h n o l o g y i n C h i n aJ.N e w T e c h n o l o g y&N e w P r o d u c t s o f C h i-n a,2 0 2 0(4):6 2-6 3.(i n C h i n e s e)4陈燕.滤纸式烟度计与透射式烟度计测量方法的区别J.上海计量测试,2 0 0 4(2):3 0-3 1.C h e n Y a n.T h e d i f f e r e n c e b e t w e e n f i l t e r p a p e r s m o k e m e t e r a n d t r a n s m i s s i o n s m o k e m e t e rJ.S h a n g h a i M e a s u r e m e n t a n d T e s t i n g,2 0 0 4(2):3 0-3 1.(i n C h i-n e s e)5J J G 9 7 6-2 0 1 0透射式烟度计检定规程S.北京:中国计量出版社,2 0 1 0.6中国环境科学研究院.G B 3 8 4 7-2 0 1 8柴油车污染物排放限值及测量方法S.北京:中国环境出版集团,2 0 1 9.7王广成.透射式烟度透射比值加权前后对示值误差的影响J.中国计量,2 0 1 6(3):8 8-8 9.WA N G G u a n g c h e n g.T h e i n f l u e n c e o f w e i g h t e d t r a n s m i s s i o n r a t i o o f t r a n s m i t t e d s m o k e o n t h e e r r o r o f i n d i c a t i o n v a l u eJ.C h i n a M e t r o l o g y,2 0 1 6(3):8 8-8 9.(i n C h i n e s e)8J J F 1 1 3 9-2 0 0 5计量器具检定周期确定原则和方法S.北京:中国计量出版社,2 0 0 6.9郑超.不透光烟度计在环境监测过程校准中的滤光片使用顺序研究J.黑龙江环境通报,2 0 2 0,3 3(4):2 4-2 5.Z H E N G C h a o.S t u d y o n t h e u s e s e q u e n c e o f f i l t e r i n t h e c a l i b r a t i o n o f o p a q u e o p a c i m e t e r i n e n v i r o n m e n t a l m o n i t o r i n gJ.H e i l o n g j i a n g E n v i r o n m e n t a l J o u r n a l,2 0 2 0,3 3(4):2 4-2 5.(i n C h i n e s e)1 0J J G 1 0 3 4-2 0 0 8光谱光度计标准滤光器检定规程S.北京:中国计量出版社,2 0 0 8.1 1J J F 1 0 9 4-2 0 0 2测量仪器特性评定S.北京:中国计量出版社,2 0 0 3.(上接第 2 8 8 页)8康海港,段班祥.M a t l a b数据分析M.北京:机械工业出版社,2 0 2 1.9马昌凤,柯艺芬,谢亚君.机器学习算法(MA T L A B版)M.北京:清华大学出版社,2 0 2 1.1 0葛滨.基于集成学习算法的风机有功功率预测及风电机组优化调度研究D.天津:河北工业大学,2 0 2 0.1 1刘峡壁,马霄虹,高一轩.人工智能 机器学习与神经网络M.北京:国防工业出版社,2 0 2 0.1 2许一帆.基于EWT分解和D E-GWO超参数优化的短期风速组合预测模型研究D.重庆:重庆大学,2 0 2 0.1 3王磊,王晓东.机器学习算法导论M.北京:清华大学出版社,2 0 1 9.492测 试 技 术 学 报2 0 2 3年第4期