基于风速属性优化聚类的时序卷积特征聚合风速预测.pdf

智慧电力Smart Power2023第51卷第10期Vol.51No.10Featured Focus特别推荐0引言“十四五”规划提出“双碳”目标后，电力行业重点围绕以风、光等资源构建新能源电力系统1，其中风速的间歇性与波动性对风能的利用产生较大影响，因此准确的风速预测对电力系统消纳新能源、灵活调度及安全运行有重要意义2。传统的风速预测包括物理法、统计方法（回归差分移动平均模型（Autoregressive Integrated MovingAverage Model，ARIMA）3、卡尔曼滤波4等）和传统机器学习方法神经网络（Back Propagation，BP）5、支持向量机6及极限学习机7等），这类浅层学习方基于风速属性优化聚类的时序卷积特征聚合风速预测李载源1，潘超1，孟涛2（1.现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学）吉林 吉林132012；2.国网吉林省电力科学研究院有限公司，吉林 长春130021）摘要：准确的风速预测对于规模化风电并网及安全运行具有重要意义。利用快速相关滤波筛选风速关联属性因素并结合近邻传播原理优化风速聚类集合，提出基于时序卷积特征聚合的风速预测模型。考虑风速属性与风速序列间的隐含关联性，筛选高关联属性因素构建模型样本集，并通过鲸群算法优化近邻传播聚类分类相似典型集。构建时序卷积层提取多维风速属性特征，并嵌入特征聚合层完成特征降维与信息融合，最终结合记忆层输出风速预测值。以东北地区风场为研究对象进行风速超短期预测并与实测数据对比，验证了预测模型的准确性和泛化能力。关键词：超短期预测；风速关联属性；近邻传播聚类；时序卷积特征聚合中图分类号：TM614文献标志码：A文章编号：2096-4145（2023）10-0001-08Time Series Convolution Feature Aggregation Based Wind SpeedPrediction Considering Wind Speed Attribute Optimization ClusteringLI Zaiyuan1，PAN Chao1，MENG Tao2（1.Key Laboratory of Modern Power System Simulation Control and New Technology of Green Electric Energy，Ministry of Education（Northeast Electric Power University），Jilin132012，China；2.State Grid Jilin Electric Power Research Institute Co.，Ltd.，Changchun 130021，China）Abstract:Accurate wind speed prediction is of great significance for large-scale wind power integration and safe operation.The paperproposes a wind speed prediction model based on temporal convolution feature aggregation，using fast correlation filter to screenattribute factors related to the wind speed and optimizing the wind speed clustering set based on affinity propagation.Considering theimplicit correlation between the wind speed attributes and wind speed series，the high correlation factors are selected to construct themodel sample set，and the whale swarm algorithm is used to optimize the affinity propagation clustering to divide the similar typical set.The temporal convolution layer is constructed to extract multi-dimensional wind speed attribute features，and the feature aggregationlayer is embedded to conduct feature dimension reduction and information fusion.Finally，the wind speed prediction value is output witha memory layer.Taking the wind field in northeast China as the research object，the ultra-short-term prediction of the wind speed iscarried out and compared with the measured data，verifying the accuracy and generalization ability of the prediction model.Key words:ultra-short-term prediction；wind speed correlation attribute；affinity propagation clustering；temporal convolution featureaggregation基金项目：国家重点研发计划资助项目（2022YFB2404000）ProjectSupportedbyNationalKeyR&DProgramofChina（2022YFB2404000）001Smart Power智慧电力2023第51卷第10期Vol.51No.10特别推荐Featured Focus法无法对深层特征进行有效挖掘，易出现欠/过拟合现象8。相对而言深度学习方法在多隐含层结构的深层特征提取和关联表征方面具有较大优势9，文献10构建了自校正小波长短时记忆网络（LongShort-Term Memory，LSTM）预测模型，能够分析不同尺度的时间信息，在时序数据信息的处理方面具有较大优势。文献11利用注意力机制改进时间卷积网络（Temporal Convolutional Network，TCN），改善了预测误差和训练时长，表明 TCN 的膨胀卷积运算和残差连接机制在风速时序特征提取方面更具优势12，目前考虑多维风速关联属性的深度学习模型多采用多通道 LSTM 或多通道 TCN，但随属性维数和网络层数的增加，多通道 LSTM 参数量过高，训练复杂易出现过拟合；多通道 TCN 缺乏长期历史信息记忆功能，模型泛化迁移能力较差。文献13通过主成分分析获取风速的相关气象因素提高了模型预测精度，主成分分析基于线性变换思想构建特征筛选指标，但多维气象属性间存在复杂非线性相关特性，主成分分析降维过程缺乏非线性相关表征，可能降低特征筛选的准确性。文献14通过改进聚类实现多维风速属性数据的优选，并利用双隐含层 LSTM 进行特征挖掘实现了高效、精确的预测。目前多数聚类方法（k-means，k-mediods等）需要人为指定聚类数，泛用性较差。文献15提出基于信息传播机制的近邻传播聚类（AffinityPropagation，AP），无需人为指定聚类数，适用于多维属性数据分类，但受初值选取影响较大，易陷入局部最优，且存在聚类划分边界不稳定的现象16。本文采用快速相关滤波算法（Fast Correlation-Based Filter，FCBF），考虑不同风速属性间的非线性相关特性，基于信息熵筛选与风速序列高关联的属性因素，提高特征降维准确度，据此构建模型样本集。利用近邻传播机制自适应聚类模型样本集并明确划分边界，同时嵌入鲸群优化算法（WhaleOptimization Algorithm，WOA）优选聚类初值，提高近AP 聚类的全局寻优性能。考虑风速与属性因素的隐含关联，在时序卷积网络中嵌入注意力机制实现特征聚合，并结合共享权值门控记忆单元提高超短期预测计算效率，提出基于时序卷积特征聚合（Temporal Convolutional feature Aggregation Network，TCAN）的风速预测模型。将聚类优化后的属性样本输入时序卷积特征聚合网络，通过时序特征提取与降维聚合，结合记忆单元预测风速，并将预测结果与实际值比较，对模型的有效性和准确性进行验证。1考虑关联属性构建样本集风速变化受到气温、压强以及湿度等关联属性的影响，合理选择风速属性能够降低模型输入的复杂度并提高预测精度17。本文采用 FCBF 从风速属性中筛选相关度较高的因素，构建模型训练样本集合。风速属性信息熵的计算式为：H(W)=-t=1nP(w(t)log2P(w(t)H(Vk)=-t=1mP(vk(t)log2P(vk(t)H(Vk/W)=-t=1nP(vk(t)t=1nP(vk(t)/w(t)log2P(vk(t)/w(t)（1）式中：H（W）为风速序列 W 的熵；w（t）为 t 时刻的风速值；H（Vk）为第 k 个风速属性序列 Vk的熵；vk（t）为t 时刻的元素；H（Vk/W）为风速序列 W 确定时第 k个风速属性序列 Vk的信息熵；P 为变量出现的概率。基于信息熵计算风速属性序列与风速序列的对称不确定性，构建相关性度量指标：SU(Vk,W)=2H(Vk)-H(Vk/W)H(Vk)+H(W)（2）式中：SU 为相关性度量指标，其取值范围为0，1，其数值越高说明风速与属性信息的相关性越强，当 SU为 1 时表示风速与属性信息完全相关；反之，则表示完全独立。选择风向、湿度、气温、气压、辐照度及降水量 6 种风速属性，并计算 SU 排序，选择 SU 最大的 3 种关联属性构建模型输入样本：I(t)=()W(t),V(t)1,V(t)2,V(t)3L4（3）式中：I（t）为 t 时刻的模型输入样本；W（t），V1（t），V2（t），V3（t）分别为 t 时刻的风速及 3 种关联属性序列。选择未来步风速作为模型输出样本：O(t)=()w(t+),w(t+2),w(t+)（4）式中：O（t）为 t 时刻的模型输出样本；w(t+)为 t 时刻未来第步的风速值；为采样步长。构建模型样本集如下：(I,O)=(I(1),O(1),(I(n),O(n)（5）式中：(I,O)为模型样本集，含 n 组输入-输出映射对。通过深度学习挖掘各属性间的关联规则，并构建映射函数 f 以描述输入样本与输出样本的时序关联，依据该映射关系实现未来步风速的超短期预测：002智慧电力Smart Power2023第51卷第10期Vol.51No.10Featured Focus特别推荐O(t)=f(I(t)（6）由于实际环境的复杂性，预测风速与实际值始终存在误差，其中机器学习模型的预测误差受训练数据集与模型架构影响较大。为提高模型预测精度，采用聚类算法优化训练集合，并结合时序卷积特征聚合模型进行训练。2WOA-AP聚类优化风场多维风速属性的变化趋势具有关联性18，相似样本间隐含的关联性将直接影响特征提取和预测效果19，本文采用 WOA-AP 聚类优化样本集合，考虑到输入样本的高维复杂性，选择其风速序列为主要特征，并依据风速序列相似度，聚类相似样本于同一典型集合。1）构建相似度矩阵 S=S（i，j）nn，其中 S（i，j）为第 i 行第 j 列风速序列相似度函数，用于表征样本间的空间距离：S(i,j)=-W(i)-W(j)2，ijS(i,i)=1（7）式中：W（i）为 i 时刻的风速序列；对角元素 S（i，i）=1为中心参考度，代表对聚类中心的评判期望。2）吸引度因子 R（i，j）表征中心样本对隶属样本的吸引度，隶属度因子 A（i，j）表征隶属样本对中心样本的归属度，吸引度因子 R（i，j）和隶属度因子A（i，j）在聚类迭代过程中不断更新，更新过程如下：R+1(i,j)=S(i,j)-maxjA(i,)+R(i,),ijS(i,j)-maxjS(i,j),i=j（8）A+1(i,j)=min0,R+1(j,j)+i,jmax0,R+1(j,),ijjmax0,R+1(j,),i=j（9）式中：表示矩阵中的第 k 列；为迭代轮次，初始值 R0（i，j）=0，A0（i，j）=0。3）提出因子衰变控制策略，对吸引度和归属度进行衰减处理：R+1(i,j)=R(i,j)+(1-)Rt+1(i,j)A+1(i,j)=A(i,j)+(1-)At+1(i,j)（10）式中：为衰减系数，且（0，1），以避免迭代过程中出现数据振荡问题。4）循环步骤 1）步骤 3），直到满足收敛条件或达到迭代次数要求，停止更新并产生 u 个聚类中心。研究表明，聚类中心参考度 S（i，i）的初始设置对聚类结果影响较大，易导致聚类结果出现局部最优情况20。故引入聚类评价指标21表征聚类性能：Sil=1m=1mb()-a()max(a(),b()（11）式中：Sil 为聚类评价指标，Sil-1，1，该值越大表明聚类准确率越高；m 为样本数；a()为样本与同类其他样本距离的均值；b()为样本与同类其他样本间距离的最小值。视中心参考度 S（i，i）为种群个体，定义适应度函数 E 为：E=1Sil+1（12）结合鲸群算法（WOA）22以适应度最小化为目标寻优种群个体，提高样本集边界划分的准确性。WOA-AP 依据风速序列相似度将样本集划分为若干相似典型集，针对典型集数据进行深度学习，挖掘属性关联特征，提高预测模型精度与效率。3时序卷积特征聚合风速预测时序卷积特征聚合网络（TCAN）的结构如图 1所示，主要分为 3 层：（1）时序卷积层，对输入的风速属性提取深层特征；（2）特征聚合层，对属性特征经特征聚合模块进行降维聚合；（3）记忆预测层，通过记忆单元捕获聚合特征向量的关键历史信息，并输出风速预测值。3.1时序卷积层将样本所含风速及 3 类关联属性序列输入时序卷积模块，进行深层特征提取，结构如图 2 所示。图 2 中 Xs-2，Xs-1，Xs为模型输入序列，Ys-1，Ys为经双层时序卷积后的输出序列，其中时序卷积单元采用四通道 TCN，每一通道对应单一序列，该单元在一维因果卷积的基础上引入膨胀因子和残差连接，有效增加了历史信息覆盖率和网络深度23，图 1 中因果膨胀卷积结构数学模型为：F(s)=(xf)(s)=i=0-1iXs-di（13）式中：F（）为因果膨胀卷积；x 为模型输入序列；f 为卷积核；s 为索引；d 为每层的膨胀因子，d=2p-1；为卷积核大小；i为卷积核 i 索引处元素；Xs-di为输入序列在索引 s-di 处的元素。003Smart Power智慧电力2023第51卷第10期Vol.51No.10特别推荐Featured Focus残差连接模块通过双卷积跨层连接进行特征提取，并添加权值归一化和随机失活模块加速网络计算。3.2特征聚合层特征聚合层对时序卷积层各通道提取后的特征向量进行降维加权聚合，具体步骤如下：1）信息压缩。通过平均池化将每个通道的特征向量压缩为 11 作为该通道的原始权重，构建14 的原始权重序列，公式如下。U=u1,uj,u4zj=1ki=1kuj(i)Z=z1,zj,z4（14）式中：U为特征矩阵；uj为第 j 个通道的特征序列；Z为通道原始权重序列；zj为该通道对应的原始权重。2）权重提取。信息压缩所得原始权重 Z 通过Relu 函数进行信息聚合，经 sigmoid 函数修正后输出通道权重序列 Q。Q=q1,q2,q4=sigmoid(2Relu(1Z)（15）式中：q1,q2,q4为第 1 到 4 个通道对应的权值，1，2分别为 2 个权值矩阵；sigmoid，Relu 均为非线性激活函数。3）聚合输出。各通道特征向量加权求和得到聚合特征向量 P。P=QUT（16）结合图 2 中的可视化特征变化过程可知，特征聚合层实现了多通道特征向量的维度约简，同时通过加权聚合保留了风速及关联属性特征的关键信息。3.3记忆预测层以获取聚合特征向量关键历史信息为启发，控制记忆单元捕获聚合特征向量相邻时刻的依赖关系，进一步挖掘其深层特征，输出风速预测值。记忆单元将长期历史信息的关键特征存储为状态向量 ct，并通过门控机制读取和修改各时刻的状态向量，并结合共享权值提高计算效率，计算式如下：it=(Wiht-1:pt+bi)ft=(Wfht-1:pt+bf)ot=(Woht-1:pt+bo)ct=ftct-1+ittanh(Wcht-1:pt+bc)ht=ottanh(pt)（17）式中：ht，pt分别为 t 时刻的输出向量和输入向量；“：”为向量拼接符号；it为输入门，控制当前信息的流入；ft为遗忘门，减少上一时刻状态向量 ct-1中的冗余信息；ot为输出门，决定 ct传递多少信息作为当前时刻输出；Wi，Wf，Wo，Wc分别为输入门、遗忘门、输出门与状态向量的权值矩阵；bi，bf，bo，bc为偏置向量；，tanh 为非线性激活函数。记忆单元如图 3 所示。图3记忆单元Fig.3Memory unit图1TCAN网络结构Fig.1Structure of TCAN图2时序卷积单元Fig.2Temporal convolution unit004智慧电力Smart Power2023第51卷第10期Vol.51No.10Featured Focus特别推荐3.4模型评价选 取 平 均 绝 对 百 分 比 误 差（Mean AbsolutePercentage Error，MAPE）、均方根误差（Root MeanSquare Error，RMSE）及拟合优度系数（Coefficient ofDetermination，R2）构建适用于多步预测的多维评价体系。MAPE，RMSE 的值用 EMAP，ERMS表示。EMAP=100%ni=1n|w i-wiwi（18）ERMS=1ni=1n(w i-wi)2（19）R2=1-i=1n(wi-w i)2i=1n(w i-w)2100%（20）式中：wi，w i分别为风速实际值和预测值；w 为风速均值；n 为样本数。3.5基于属性优化聚类的TCAN风速预测模型基于属性优化聚类的 TCAN 风速预测模型流程基本步骤如图 4 所示。图4基于属性优化聚类的TCAN风速预测流程图Fig.4TCAN based wind speed prediction flow chartconsidering attribute optimization clustering4算例仿真选取东北某风场 2021 年春季（3 月 1 日-5 月31 日）实测数据构建模型样本集并进行仿真分析，采样步长为 10 min，模型输入样本的历史步长为144 步（前 24 h），输出样本步长为 6 步（后 1 h），单个样本总计步长为 150 步，样本集共计 13 099 组样本，其中样本集前 80%为训练数据集，后 20%为测试数据集。4.1属性相关性分析选择风速及 6 种关联属性进行归一化处理，采用 FCBF 对属性数据进行筛选，各属性与风速序列的关联度指标 SU（无量纲）如图 5 所示。图5风速属性关联度Fig.5Wind speed attribute correlation degree图 5 的 6 种关联属性均与风速序列存在一定相关性，其中风向、气温、气压 3 种属性的 SU 较高，因此选择这 3 类属性构建模型的输入样本，经归一化处理后的可视化结果如图 6 所示。图6模型输入样本Fig.6Input samples of prediction model由图 6 可看出 3 类风速属性与风速序列间的时序波动一致性，与传统的风速样本数据相比，该输入样本包含了更加丰富的时序信息与隐含联系。4.2聚类分析利用 WOA-AP 算法对样本集进行聚类优化，并计算划分典型集的 Sil 指标（无量纲）评估算法的准确性。设置初始种群数为 25，最大迭代数为 100。WOA-AP与AP聚类算法进行对比，结果如图7所示。005Smart Power智慧电力2023第51卷第10期Vol.51No.10特别推荐Featured Focus图7算法迭代过程Fig.7Diagram showing algorithm iteration聚类划分类别数自动化分为 4 类，其中 AP 聚类算法 Sil 为 0.334 5，WOA-AP 聚类算法 Sil 为0.368 9。由于 WOA 优化模块的鲸群捕猎仿生机制使算法参数更少、寻优性能更强，WOA-AP 聚类算法在收敛速度和全局寻优能力上更具优势，并有效提升了聚类准确性，聚类划分结果见表 1 和图 8。表1WOA-AP聚类结果Table 1WOA-AP clustering results类别1类样本2类样本3类样本4类样本样本数2 6012 7352 6132 548Sil0.353 20.362 70.379 60.380 1图8聚类结果可视化Fig.8Visualization of clustering results由表 1 结合图 8 可知，WOA-AP 聚类算法各类样本的 Sil 指标较高，类内样本相关性高，表明聚类结果具有较高准确度。同时划分边界选取合理，稳定性强，样本数均大于 2 500，保证了后续各类模型训练的数据库规模。经聚类优化后的样本集合作为训练数据输入预测模型以提高预测精度及泛化能力。4.3TCAN预测性能分析经大量仿真模拟结合网格搜索法确定网络结构，TCAN 的时序卷积层数为 3，全连接层隐含单元数为 200，记忆预测层为双隐含层，隐藏层 1 隐含单元数为 128，隐含层 2 隐含单元数为 256，梯度阈值为 0.8。时序卷积模块结构参数见表 2，其中卷积核尺寸无量纲。表2时序卷积模块结构参数Table 2Structural parameters of temporal convolutionmodule网络层卷积层1卷积层2卷积层3卷积核数444卷积核尺寸161418膨胀因子124以 60 号风机为研究对象，利用训练完成的TCAN，TCN 及 LSTM 分别进行 1 h 风速超短期预测，输入时间窗为 144 步，输出时间窗为 6 步，预测采用 6 次模拟取平均所得，不同模型的结果如图 9和表 3 所示。图9不同模型预测结果Fig.9Wind speed prediction results from differentmodels表3不同模型预测误差Table 3Prediction error of different models预测模型LSTMTCNTCANEMAP/%10.46910.0129.748 6ERMS/(ms-1)0.9810.9630.826R2/%87.13587.78689.307图 9 和表 3 表明，3 种模型均实现了风速的有效预测。其中 LSTM 具备记忆功能，但缺乏高效的特征提取模块，存在梯度散失的问题，预测精度相对较低，该结论与文献24基本一致；TCN 的时序卷积实现了高效的特征提取，其预测精度较 LSTM 高，但缺乏对长期历史信息的处理功能；TCAN 综合时序卷积的特征提取能力与记忆单元的长期信息处理能力，相较单一的 TCN，LSTM 网络，网络表征及006智慧电力Smart Power2023第51卷第10期Vol.51No.10Featured Focus特别推荐特征挖掘能力更强，预测精度更高。4.4TCAN预测性能分析为进一步分析组合模型的预测性能，选择本文模 型 FCBF-WOA-AP-TCAN（模 型 1），FCBF-TCAN（模型 2）及 TCAN（模型 3）分别对测试集中 5月 23 日、5 月 25 日、5 月 27 日风速进行 1 h 超短期预测，结果见图 10 和表 4。图10组合模型预测结果对比Fig.10Comparison of prediction results betweencombined models由图 10 可知，在风速波动较为平缓的区段，3 种方法均能对实际风速进行准确预测；但在风速波动剧烈的区段，FCBF-TCAN（模型 2）及 TCAN（模型 3）预测效果相对欠佳，本文模型（模型 1）预测准确性更高。由表 4 可知，由于风速波动性对预测结果的影响较大，各模型的预测效果迥异。其中 TCAN（模型3）的预测效果相对较差，预测误差波动性较强；模型 2 通过 FCBF 属性筛选优化 TCAN 模型的输入，预测精度得到提升，但由于训练样本集的复杂性，模型 2 缺乏对分类变化特征的针对性学习，预测结果泛化适应能力较弱，缺乏稳定性；本文模型（模型1）采用 WOA 克服 AP 聚类算法的局部寻优特性，构建类内关联性强、数据分布均匀的训练集合，在训练数据划分边界选取上更具优势。通过对 WOA-AP 聚类算法优化的各类典型集合进行学习，针对不同风速日变化趋势选择与之适配的模型进行预测，模型易捕获不同类别的变化特征，在不同预测日下均保持了良好的预测性能，训练所得 TCAN 模型预测误差最小，各项指标均满足风速预测技术标准要求。表明本文模型（模型 1）具有较好的预测效果及泛化迁移能力。5结论提出基于风速属性样本优化聚类的时序卷积特征聚合风速预测模型，得出以下结论：1）快速相关滤波算法能有效筛选风速关联属性因素优化样本集，提高了模型预测精度及训练效率。2）将智能优化模块嵌入临近传播聚类机制，对训练样本进行合理分类，满足了类间差异性和类内相似性要求，提高聚类准确性与稳定性。3）时序卷积特征聚合模型进行风速时序特征提取与信息记忆，降低深度学习的复杂度，实现高效的风速属性隐含信息挖掘与多时间尺度信息处理，提升了网络预测精度。通过仿真结果与实测数据对比，验证了该模型的准确性和适用性。参考文献1张博，申建建，程春田，等.基于C藤Copula理论的水风互补系统调峰方法J.中国电机工程学报，2022，42（15）:5523-5535.ZHANG Bo，SHEN Jianjian，CHENG Chuntian，et al.Peak-shaving method of hydro-wind power complementary system based表4组合模型预测误差对比Table 4Comparison of prediction error betweencombined models预测日5月23日5月25日5月27日模型模型1模型2模型3模型1模型2模型3模型1模型2模型3EMAP/%7.7568.5339.8298.1578.95610.0538.0138.6219.938ERMS/(ms-1)0.7990.8621.0130.8420.9231.0210.8620.8840.997R2/%91.82489.43689.02191.00389.14588.63291.10989.42189.015007Smart Power智慧电力2023第51卷第10期Vol.51No.10特别推荐Featured Focuson C-vine Copula theoryJ.Proceedings of the CSEE，2022，42（15）:5523-5535.2田书欣，韩雪.基于正交小波变换的LSTM-ARIMA海上风速组合预测模型J.智慧电力，2023，51（7）:39-43，50.TIAN Shuxin，HAN Xue.LSTM-ARIMA combined forecastingmodel of offshore wind speed based on orthogonal wavelettransform J.Smart Power，2023，51（7）:39-43，50.3韦权，汤占军.基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测J.智慧电力，2022，50（9）:59-66.WEI Quan，TANG Zhanjun.Wind power range prediction based onSSA-VMD-SE-KELM combined with Monte Carlo methodJ.Smart Power，2022，50（9）:59-66.4修春波，任晓，李艳晴，等.基于卡尔曼滤波的风速序列短期预测方法J.电工技术学报，2014，29（2）:253-259.XIU Chunbo，REN Xiao，LI Yanqing，et al.Short-term predictionmethod of wind speed series based on Kalman filtering fusionJ.Transactions of China Electrotechnical Society，2014，29（2）:253-259.5江千军，王磊，桂前进，等.考虑多时间尺度灵活性的含大规模风电电力系统机组组合研究J.智慧电力，2021，49（1）:35-41，70.JIANG Qianjun，WANG Lei，GUI Qianjin，et al.Power systemunit commitment with large-scale wind power considering multi-time scale output flexibilityJ.Smart Power，2021，49（1）:35-41，70.6解振学，林帆，王若谷，等.基于时序动态回归的超短期光伏发电功率预测方法J.智慧电力，2022，50（7）:45-51.XIE Zhenxue，LIN Fan，WANG Ruogu，et al.Ultra-short-termphotovoltaic power prediction method based on time series dynamicregressionJ.Smart Power，2022，50（7）:45-51.7王辉，刘达，王继龙.基于谱聚类和优化极端学习机的超短期风速预测J.电网技术，2015，39（5）:1307-1314.WANG Hui，LIU Da，WANG Jilong.Ultra-short-term wind speedprediction based on spectral clustering and optimized extremelearning machineJ.Power System Technology，2015，39（5）:1307-1314.8朱乔木.基于深度学习的电力系统暂态稳定评估及风电功率预测方法研究D.武汉：华中科技大学，2019.9张汝佳.基于深度迁移模型的短期风速预测D.天津：天津大学，2015.10 赵铁成，谢丽蓉，叶家豪.基于误差修正的NNA-ILSTM短期风电功率预测J.智慧电力，2022，50（1）:29-36.ZHAO Tiecheng，XIE Lirong，YE Jiahao.NNA-ILSTM short termwind power prediction based on error correctionJ.Smart Power，2022，50（1）:29-36.11 袁咪咪，宫法明，李昕.基于CNN-LSTM的多因素时空风速预测J.计算机系统应用，2021，30（8）:133-141.YUAN Mimi，GONG Faming，LI Xin.Multifactor spatio-temporalwind speed prediction based on CNN-LSTMJ.Computer Systems&Applications，2021，30（8）:133-141.12 HU J，LUO Q，TANG J，et al.Conformalized temporalconvolutional quantile regression networks for wind power intervalforecastingJ.Energy，2022，248:123497.13 高鹭，孔繁苗，张飞，等.基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法J.智慧电力，2022，50（4）:27-34.GAO Lu，KONG Fanmiao，ZHANG Fei，et al.Ultra short-termwind power prediction method based on PSO-BiISTM-AM modelJ.Smart Power，2022，50（4）:27-34.14 潘超，李润宇，蔡国伟，等.考虑风速属性约简聚类的组合预测模型J.电网技术，2022，46（4）:1355-1362.PAN Chao，LI Runyu，CAI Guowei，et al.Combined forecastingmodel considering wind speed attribute reduction and clusteringJ.Power System Technology，2022，46（4）:1355-1362.15 韩丽，乔妍，景惠甜.基于误差分类的风电功率区间评估J.电力系统自动化，2021，45（1）:97-104.HAN Li，QIAO Yan，JING Huitian.Power interval evaluationofwind power based on error classifica-tionJ.Automation ofElectric Power Systems，2021，45（1）:97-104.16 苏剑涛，郑书婷，严干贵，等.基于改进FCM聚类算法的风电场等值建模研究J.智慧电力，2021，49（10）:68-74.SU Jiantao，ZHENG Shuting，YAN Gangui，et al.Equivalentmodeling of wind farm based on improved FCM clustering algorithmJ.Smart Power，2021，49（10）:68-74.17 张彬桥，葛苏叶，李成.基于 Copula 函数的马尔科夫 链风速预测模型J.智慧电力，2021，49（11）:24-30，37.ZHANG Binqiao，GE Suye，LI Cheng.Markov chain wind speedprediction model based on Copula functionJ.Smart Power，2021，49（11）:24-30，37.18 王典，潘超，鹿丽，等.计及风-光时序相关特性的源-储并网阶段式规划策略J.东北电力大学学报，2020，40（4）:1-10.WANG Dian，PAN Chao，LU Li，et al.Source-storage stagedplanning strategy considering wind-photovoltaic timing relatedcharacteristicsJ.Journal of Northeast Electric Power University，2020，40（4）:1-10.19 胡帅，向月，沈晓东，等.计及气象因素和风速空间相关性的风电功率预测模型J.电力系统自动化，2021，45（7）:28-36.HU Shuai，XIANG Yue，SHEN Xiaodong，et al.Wind powe