基于自适应Kmeans和LSTM的短期光伏发电预测.pdf

精准的光伏发电功率预测是电网日常调度管理与安全稳定运行的关键。文中提出了一种基于自适应Kmeans和长短期记忆(LSTM)的短期光伏发电功率预测模型。根据短期光伏发电特性，选取了预测模型的初始训练集。采用自适应Kmeans对初始训练集以及预测日的光伏发电功率进行聚类。在各类别的初始训练集数据上分别训练LSTM,结合训练完成的LSTM进行发电功率的预测。考虑三种典型天气类型，采用所提方法进行仿真分析。结果表明,与其他三种方法相比,文中提出的方法的精度有了明显提升,误差更小。关键词：光伏发电功率；预测；自适应Kmeans;LSTM;聚类D0I:10.19753/j.issn1001-1390.2023.07.015中图分类号：TM615Prediction of short-term photovoltaic power generation based on(School of Electrical Engineering and Automation,Anhui University,Hefei 230601,China)Abstract:Accurate prediction of photovoltaic power generation is the key to daily dispatch management,and safe and sta-ble operation of the power grid.Therefore,a short-term photovoltaic power generation prediction model based on adaptiveKmeans and long short-term memory(LSTM)is proposed in this paper.According to the short-term photovoltaic powergeneration characteristics,the initial training set of the prediction model is selected.The adaptive Kmeans is adopted tocluster the photovoltaic power generation of the initial training set and the prediction day.A LSTM is trained on the initialtraining set data of each category,and combining the trained LSTM to predict the power generation.Finally,consideringthree typical weather types,the proposed method is used for simulation analysis.The results show that,compared with theother three methods,the accuracy of the proposed method is improved significantly,and the error is smaller.Keywords:photovoltaic power,prediction,adaptive Kmeans,LSTM,clustering0引 言太阳能已被证明是最清洁，最丰富的可再生能源之一。许多大型太阳能光伏（PhotoVoltaic，PV）电站在世界许多国家被广泛应用，以减少由化石能源引起的环境污染和碳排放。然而，光伏发电的时变性、间歇性，会给光伏并网带来不利影响,甚至严重影响整个电力系统的稳定运行2。准确预测光伏发电功率对于提高电力系统的稳定性并确保最佳机组投人和经济调度至关重要3-4近年来，光伏发电引起了国内外研究人员的极大兴趣。预测光伏发电功率方法可分为物理法、统计法、机器学习法、深度学习法等。物理方法是通过数值天气预报，卫星遥感测量和地面测量设备获得气象和地质参数。但是需要具有合适且频繁校准的服务设施和相关设备5。统计方法是一种数据驱动的方法，可从一9 4一文献标识码Aadaptive Kmeans and LSTMChen Yao,Chen Xiaoning文章编号：10 0 1-139 0(2 0 2 3)0 7-0 0 9 4-0 6历史样本中提取特征以通过最小化误差来预测光伏输出功率的未来行为6。机器学习法以神经网络7-10 和支持向量机（SupportVectorMachine,SVM）1-3为代表。文献11采用Kmeans对训练样本和测试样本分别进行聚类,再根据聚类的结果结合SVM进行预测，取得了良好的预测效果。深度学习（Deep Learning，DL)在语音识别、图像分类等方面逼近甚至超越人类14。而深度学习模型中的长短期记忆（Long ShortTermMemory，LST M）【15-16 模型是对循环神经网络（R e c u r r e n t Ne u r a lNe t w o r k，R NN）的优化，恰好具有记忆能力，可以有效地学习历史序列数据中的规律信息。基于上述分析,本文提出基于自适应Kmeans 和LSTM的光伏输出功率预测方法。首先，根据短期光伏发电特征,选取了初始训练集。考虑传统Kmeans 聚类数目k 难以准确估定，引人Davies-Bouldin 指数对第6 0 卷第7 期2023年7 月15日Kmeans聚类进行评估，实现自动设置聚类的个数，得到自适应Kmeans。然后,根据总辐射、湿度和温度,采用自适应Kmeans对初始训练集以及预测日的光伏发电功率进行聚类。最后，在各类别的初始训练集数据上分别训练LSTM,结合训练完成的LSTM进行发电功率的预测。在晴天、多云、雨天情形下基于实测数据进行算例分析,并与Kmeans-LSTM、LST M 和BP模型进行对比,验证了本文模型的准确性和有效性。1光伏发电的研究方法1.1 自适应 Kmeans在三种典型天气类型情形下，对光伏输出功率分别进行聚类,可以更有针对性的构建预测模型,进一步提高预测精度。传统的Kmeans在不了解数据集的情况下无法主动确定聚类的个数，因此不适合直接对输入数据集进行聚类,因此,本文引人一种自适应Kmeans，它可以根据输人数据集自动设置聚类的个数，其主要思想是一种基于距离的迭代过程17。Kmeans 算法步骤为：（1）从数据集中随机选择k个样本作为初始聚类中心M,22,2;(2)计算剩余样本到聚类中心的欧氏距离,并将其分配到最近的聚类中心,形成k个簇，距离的度量公式在式(1)中给出：D(a,b)=/(as-br)2=式中n表示空间的维数;,和b分别是和b的第k个属性；(3)通过距离度量方法更新聚类中心，更新为隶属电测与仪 表Electrical Measurement&Instrumentation速、总辐射、气压等因素对光伏发电有着不同程度的影响。因此,选择准确、与光伏发电相关性强的影响因素,对于聚类有效性的提高有重要意义。文献18 计算了光伏输出功率与各因素之间的皮尔逊相关系数，结果表明，总辐射的相关系数最大，湿度和温度的相关系数较小,风速的相关系数最小。因此,选择总辐射、湿度和温度三个因素作为自适应Kmeans聚类的输人数据，进行聚类。输入数据集，设k=2，设置kmax值运行Kmeans，计算集群的DBI更新k=k+1Nkkmax?IY计算最小DBI输出，kbest结束图 1自适应 Kmeans 聚类流程图Fig.1Flow chart of adaptive Kmeans clustering1.2 LSTM如图2 所示,RNN的输入x,结合RNN当前的状(1)态A,得到输出ht。而当前的状态A,是上一时刻的状态A,-1和当前的输入x,共同作用决定的。因此,这种结构适合解决与时间序列相关的问题。hoVol.60 No.7Jul.15,2023开始立h该簇的全部样本的均值；（4)重复步骤（2）和步骤（3）,直到算法收敛为止。为了减少人工选择聚类数k所带来的误差，引人定量指标来搜索样本的最佳聚类,实现自动确定最佳聚类数k。提出的自适应过程的关键是聚类评估，与此相关指标众多,而Davies-Bouldin 指数使用数据集固有的数量和特征,适用于Kmeans 聚类的评估。定义如下：1DBI台ji式中C,和C分别表示i和j样本到相应簇中心的距离的平均值;D,表示集群i的中心到集群j之间的欧氏距离；DBI越小，则集群性能越好，可以得到最佳聚类数kibest o为了避免生成过多的簇，利用阈值限制簇的数量，记为kmax，自适应Kmeans聚类过程如图1所示。光伏发电功率之所以随机性强、波动幅度大，很大程度上与气象以及环境因素有关。而温度、湿度、风AX图2 RNN网络结构框图Fig.2 Network structure block diagram of RNNC;+C)然而太长的时间序列会导致当前节点对历史节点max(2)DijX0的感知能力不足，出现梯度消失问题。同时当前预测和所需信息之间的跨度长短不一，这种长期依赖（Lo n g-T e r m D e p e n d e n c i e s）问题是传统循环神经网络不能解决的。因此,LSTM作为一种特殊的循环神经网络被提出。LSTM具有的特殊的记忆单元与门结构,能够很好地解决RNN的梯度消失以及长期依赖问题,有效学习时间序列中的相关性特征。LSTM的结构如图3所示。一9 5一第6 0 卷第7 期2023年7 月15日hi-1，Fig.3LSTM unit structure具体原理如下：遗忘门f(t)通过当前的输人x,和上一时刻的输出h,-1,对上一时刻状态C,-1中的元素设置权重,权重取值范围从0 到1。如式(3)所示：f(t)=(W,ht-1,x,+by)新状态的更新由输人门(t)完成，输入门根据x,，h,-1决定C,-1状态的哪些部分写人当前时刻的状态C,中去。如式(4)所示：i(t)=g(W,h-1,x,+b,)同时,新状态的候选值g,由tanh函数产生,计算g,的公式如下：g(t)=(W,ht-1,x,+bg)新状态C,由f(t）、t）、g,、C,-1共同决定,如式(6)所示：C(t)=f,Ct-1+itgt类似地,输出门0,表示如式(7)所示：O,=(W,ht-1,x,+bo)而LSTM最终的 h,是由输出门O,与C,决定的，如(8)所示：h,=O,tanh(C,)式(3）式(8)中,W是权重矩阵;b是偏置项。2整体预测框架由于在相似的天气情形下光伏输出功率曲线存在明显的相似性特征，故本文对三种典型天气下的光伏输出功率进行预测。首先，考虑待预测日的天气状况，选择历史相似日数据作为初始训练集；其次，对所有数据归一化,得到训练集和测试集。然后，对每种天气下的历史数据和预测日数据采用自适应Kmeans进行聚类分析,结合LSTM进行训练与预测。最后得到本文光伏发电功率预测模型的结果，具体流程见图4。3实例分析考虑天气类型，对晴天、多云、雨天的光伏功率运用本文的预测模型分别进行预测。数据来源于安徽省某一地市的现场实测数据，包含总辐射、湿度、温度以及光伏发电功率。数据为2 0 19 年8 10 月份的数据，一9 6 一电测与仪 表Electrical Measurement&Instrumentationht-1,Xihi1,xi输出门记忆单元gtC,f遗忘门h-1,xt图3LSTM 单元结构Vol.60 No.7Jul.15,2023选取的时间段为6:30 到17:30,采样间隔为15min，即一天的采样点数目为45。预测日为10 月2 9 日（晴天），10 月31日（多云），10 月12 日（雨天）。相邻时间段内气象因素所导致功率的波动性较小19。因此，h选择与预测日相近的相同天气的相似日数据作为初始训练集。根据预测日的类型，分别选取相近的10 天作为初始训练集，如表1所示。预测步骤k-2.10部分参数设置根据DBI的值确定最佳k值隐含层数-2Units=50Dropout=0.5(3)batch_size=16图4光伏输出功率的预测过程(4)Fig.4 Prediction process of PV output power表1相似日以及预测日Tab.1Similar day and forecast day(5)特征(6)(7)(8)输入气象数据和光伏发电功率（归一化）生成初始训练集、测试集自适应Kmeans聚类建立LSTM模型训练模型预测结果晴天多云9月7 日9月2 5日9月8 日10月1日9月9 日10月2 日9月2 2 日10月4日9月2 7 日10月8 日相似日9月2 8 日9月2 9 日10月3日10月18 日10月19 日预测日10月2 9 日3.1聚类分析以相似日、预测日的总辐射、湿度和温度为输入，分别对三种天气类型下的光伏发电功率进行聚类。初始训练集为450 个时间采样点，加上预测日的数据，一共49 5个数据。按照之前的分析，采用自适应Kmeans进行聚类。考虑数据的长度,kmx设置为10。以10 月29日（晴天)为例进行分析。k的取值范围为2,10。k取不同值时的DBI如图5所示。由图5可得，k取9 时,DBI最大，为1.6 6 53；k取3时,DBI最小,为1.39 57。此时,聚类效果最佳。因雨天9月5日9月14日9月2 0 日9月2 4日9月2 6 日10月9 日9月30 日10月15日10月5日10月17 日10月7 日10月2 0 日10月10 日10月2 7 日10月11日10 月31 日10月12 日第6 0 卷第7 期2023年7 月15日此，晴天时初始训练集和预测日的数据分为3类，这里称为类1、类2、类3。类似地，分别对多云和雨天时的初始训练集和预测日的数据运用自适应Kmeans进行聚类。多云时k取3时,DBI最小，为1.12 8 7。雨天时k取3,DBI最小,为1.52 34。1.81.6中1.41.2123456 78910聚类数k图5不同k值的DBIFig.5 DBI with different k values3.2预测结果及分析在对LSTM神经网络之前必须对所有数据（相似日、预测日的气象数据和光伏发电功率)进行归一化处理,则各数值统一取值为0 到1之间。对输人数据进行归一化可避免神经元饱和,增加LSTM网络模型预测的准确性,其公式为：yi-yminZ;=Ymax-Ymin式中y,为最初数据；ymax，Y mi n 分别为最大值和最小值；z,为最终的结果。由3.1节可知，晴天、多云、雨天时分别使用自适应Kmeans 进行聚类,将每类初始训练集进行 LSTM神经网络的训练，进而对该类下的预测日的光伏发电功率作出预测。最后，按照时间点合成预测日的预测值。基于python的keras包提供的layers.LSTM搭建LSTM网络。预测模型的输入为总辐射、湿度和温度。以晴天为例,类0 的LSTM的参数设置及其对应训练误差和测试误差情况如表2,采用式(10)计算误差EMAPE。由表2 可知，隐含层数为2，每层神经元数为50。经测试,3个类的LSTM的参数相同。为了防止过度拟合，Dropout设置为0.5。为了避免出现很容易收敛和陷人局部最优解，需要选择合适的batch_size。这里，batch_size=16。采用Kmeans-LSTM模型（模型二）、LSTM模型（模型三)和BP模型（模型四)与本文预测模型（模型一）进行对比。在模型二、模型三和模型一中，LSTM和Kmeans参数设置相同,BP为单隐含层，采用误差反向传播学习算法。在三种典型天气下四种方法的预测结果分别如图6 图8 所示。使用EMAPe和ERMSE两种评价指标分析误差，其公式如下：电测与仪 表Electrical Measurement&InstrumentationKEMAPE1K表2晴天LSTM的参数设置结果Tab.2Parameter setting results of LSTM in sunny day隐含层数Units520150100520250100520350100800700600500400300(9)2001000051015202530354045时间采样点/15min图6 时晴天预测结果（10 月2 9 日）Fig.6Forecasting results of sunny day(October 29)8000051015202530354045时间采样点/15min图7 多云预测结果(10 月31日）Fig.7Forecasting results of cloudy day(October 31)30025020051505000图8 雨天预测结果(10 月12 日）Fig.8 Forecasting results of rainy day(October 12)一9 7 一Vol.60 No.7Jul.15,2023P-P.prei 100%)P.tiEMAPE（训练)3.583.493.063.333.473.122.743.343.373.132.752.71实际值模型一模型二一模型三模型四实际值一模型一一模型二一模型三模型四实际值模型模型模型模型四1020时间采样点/15min(10)EMAPE(测试)3.283.423.724.163.293.533.193.423.313.013.524.04304050第6 0 卷第7 期2023年7 月15日ERMSE=式中Pt为功率实际值;Pprei为功率预测值;K为数据数量。晴天时光伏功率的波动幅度较小，四种模型在上、下午的结果与实际值较为符合。但在早上、中午和傍晚，四种模型的预测结果出现了不同程度的偏差，但本文提出的模型的效果最佳。多云天气下，云层受风力作用其位置和厚度不停变化，导致光伏板上接收到光照强度发生较大波动。因此，相比晴天,光伏功率的随机性较强,规律性较弱。图7 中,四种模型预测的光伏功率曲线轨迹大体一致，但本文模型更贴近实际值。雨天，光伏板接收到的光照很弱，光伏板上的温度低,环境温度、大气湿度较等气象因素变化剧烈,导致发模型一模型二天气EMAPE/%晴天3.23多云5.65雨天10.464丝结束语文章从数据挖掘的角度,基于安徽某一地市的实测数据,提出基于自适应Kmeans 和 LSTM 的一种预测短期光伏发电功率的模型。(1)针对传统Kmeans 的不足，引人Davies-Bouldin指数评估Kmeans聚类结果，得到自适应Kmeans,实现自动设置聚类的个数。以总辐射、湿度和温度为输入，采用自适应Kmeans分别对三种天气类型下的光伏发电功率进行聚类；(2)将每类初始训练集进行LSTM神经网络的训练，进而预测该类下的预测日的光伏发电功率，并按照时间点合成预测日的预测值；(3)提出的模型在晴天和多云时的预测性能与稳定性较好,雨天时预测性能得到一定提升。因此,在光伏功率预测方面具备一定参考价值。参考文献1 SAHU,B K.A study on global solar PV energy developments and poli-cies with special focus on the top ten solar PV power producingcountriesJ.Renewable Sustainable Energy Reviews,2015,43:621-634.2 SOBRINA S,SAM K-K,NASRUDIN A R.Solar photovoltaic generationforecasting methods:A reviewJJ.Energy Conversion Management,2018,156:459-497.3王洪坤，葛磊蛟，李宏伟，等分布式光伏发电的特性分析与预测一9 8 一电测与仪表Electrical Measurement&Instrumentation电效率不高，同时光伏功率波动幅度很大。因此，部分时(11)间段的误差较大。图8 可以明显看出,四种模型中,本文模型预测的功率曲线更符合实际功率曲线的变化趋势。分别使用式（10）和式（11)计算晴天、多云、和雨天的EMAPE、ER M SE，得到误差指标统计结果如表3。在三种天气状况下,与其他三种方法相比，本文提出的模型即模型一的EMAPE、ER M s E均为最小。对于EMAPE误差指标，模型一在晴天、多云、雨天时分别为3.2 3%、5.65%、10.46%。相比模型二，EMAPE的值分别减少26.25%、18.35%、9.0 4%；可以得出，使用Davies-Boul-din指数评估Kmeans聚类结果即使用自适应Kmeans聚类分析的有效性。模型三在晴天、多云、雨天时EMAPE的值分别为6.0 1%、8.8 4%、14.0 8%。相比模型四，EMAPe的值分别减少7 1.0 4%、2 9.50%、2 2.8 9%；因此,本文提出的模型的效果和稳定性更好。表3四种模型的误差指标Tab.3Error indicators for the four models模型三ERMSE/MWEMAPE/%2.044.388.786.923.8611.5Vol.60 No.7Jul.15,2023模型四ERMSE/MWEMAPE/%3.586.0110.058.843.9114.08方法综述J电力建设，2 0 17，38(7)：1-9.Wang Hongkun,Ge Leijiao,LI Hongwei,et al.Review of characteris-tic analysis and prediction methods of distributed photovoltaic power gen-erationJ.Electric Power Construction,2017,38(7):1-9.4荆博，谭伦农，钱政光，等光伏发电短期预测研究进展综述J.电测与仪表，2 0 2 0,54(12)：1-6.Jing Bo,TanLunnong,Qian Zheng,et al.An overview of research pro-gress of short-term photovoltaic forecasts J.Electrical Measurement&Instrumentation,2020,54(12):1-6.5 PIERRO M,BUCCIF,DE FELICE M,et al.Multi-model ensemble forday ahead prediction of photovoltaic powergeneration J.Solar Energy,2016,134:132-146.6 XU R.The restriction research for urban area building integrated grid-con-nected PV power generationpotentialJ.Energy,2016,113:124-143.7 朱显辉，于越，师楠，等.BP神经网络的分层优化研究及其在风电功率预测中的应用J.高压电器，2 0 2 2，58（2）：158-16 3，17 0.Zhu Xianhui,Yu Yue,Shi Nan,et al.Research on Hierarchical Opti-mization of BP Neural Network and Its Application in Wind Power Pre-dictionJ.High Voltage Apparatus,2022,58(2):158-163,170.8 岳欣华，邓彩霞，张兆茹.BP神经网络与形态学融合的边缘检测算法J哈尔滨理工大学学报，2 0 2 1，2 6（5）：8 3-9 0.Yue Xinhua,Deng Caixia,Zhang Zhaoru.BP Neural Network Fusewith Morphology Edge Detection Method J.Journal of Harbin Univer-sity of Science and Technology,2021,26(5):83-90.9袁钰林，郑运鸿，游一民，等基于随机森林与长短时记忆神经网络的真空接触器故障诊断方法研究J.高压电器，2 0 2 2，58（5）：103-111.ERMSE/MW5.1911.184.45EMAPE/%10.2812.5418.26ERMSE/MW9.3712.614.98第6 0 卷第7 期2023年7 月15日Yuan Yulin,Zheng Yunhong,You Yimin,et al.Research on Fault Di-agnosis Method of Vacuum Contactor Based on RF-LSTM Model J.High Voltage Apparatus,2022,58(5):103-111.10张华赢，吴显，游奕弘.基于循环神经网络的配电网非线性负荷建模J电网与清洁能源，2 0 2 2，38(2)：53-6 0.ZhangHuaying,Wu Xian,You Yihong.Modeling of Nonlinear Loads inthe Distribution Network Based on Recurrent Neural Network J.PowerSystem and Clean Energy,2022,38(2):53-60.【11万伟，刘红旗，孙洪昌，等用电异常行为预警方法J哈尔滨理工大学学报，2 0 2 2，2 7（4)：53-6 2.Wan Wei,LiuHongqi,Sun Hongchang,et al.Early Warning Method ofAbnormal Electricity Consumption Behavior Based on Data Driven J.Journal of Harbin University of Science and Technology,2022,27(4):53-62.12安国庆，史哲文，马世峰，等基于RF特征优选的WOA-SVM变压器故障诊断J.高压电器，2 0 2 2，58（2）：17 1-17 8.An Guoqing,Shi Zhewen,Ma Shifeng,et al.Fault Diagnosis of WOA-SVM Transformer Based on RF Feature Optimization JJ.High VoltageApparatus,2022,58(2):171-178.13李梦涵，赵学文，李建琦，等基于VMD-SVM的小电流接地系统故障选线方法J.电网与清洁能源，2 0 2 1，37（8）：1-8.14 LECUN Y,BENGIO Y,HINTON G.Deep learningJ.Nature,2015,521(7553):436-444.(上接第9 3页）10吴兆平，杨俊杰，高聪慧，等低压电力线载波通信路由算法研究J电测与仪表，2 0 15，52(12)：10 8-112.11 J Manfred Zimmermann,Klaus Dostert.A Multipath Model for the Power-line ChannelJ.IEEE transactions on communication,2002,50(4):553-558.12杨挺，王林林，黄志勇，等基于极小连通支配集的电力线载波路由算法J天津大学学报（自然科学与工程技术版），2 0 17，50(12):1235-1240.13焦邵华，刘万顺，郑卫文，等配电网载波通信的衰耗分析J电力系统自动化，2 0 0 0，2 4（8）：37-40.14郭宁辉中压配网载波通信自动组网研究D华北电力大学,2 0 14.Guo Ninghui.Automatic Networking Research on Medium-voltage Power-line Carrier communication D.North China Electric Power University,2014.15王林林电力信息物理系统中低压电力线载波通信可靠组网方法研究D.天津大学，2 0 18.Wang Linlin.Research on Reliable Networking Method of Low VoltagePower Line Carrier Communication in Power Grid Cyber Physical SystemD.Tianjin University,2018.16谢娜娜，蒋文豪.基于节点近邻的网络重要节点排序方法的研究J.电脑迷，2 0 18(8)：2 3.电测与仪表Electrical Measurement&Instrumentation15孙景钉，胡长洪，项烨，等基于多核模糊C均值聚类的配电网短期负荷预测J】.浙江电力，2 0 2 2，41（3）：6 5-7 1.16李岩，刘玉娇，李国亮，等基于改进BEMD与Res-LSTM电气设备故障辩识方法J高压电器，2 0 2 2，58（11）：8 2-8 7，10 5.17LU S X,LIN G Y,LIU H L,et al.A weekly load data mining ap-proach based on hiddenmarkov model J.IEEE Access,2019,7:34609-34619.18JLI LL,CHENG P,LIN H C,et al.Short-Term Output PowerForecast-ing of Photovoltaic Systems Based on The Deep Belief Net J.Ad-vances in Mechanical Engineering,2017,9(9):1-13.19程泽,李思宇，韩丽洁，等基于数据挖掘的光伏阵列发电预测方法研究J.太阳能学报，2 0 17，38（3）：7 2 6-7 33.Cheng Ze,Li Siyu,Han Lijie,et al.PV power generation forecastbased on data mining methodJ.Acta Energiae Solars Sinica,2017,38(3):726-733.作者简介：陈晓宁（19 7 8 一），男，副教授，硕士生导师，从事红外光电的相关研究。收稿日期：2 0 2 0-0 3-13；修回日期：2 0 2 2-12-17(杜景飞编发）Xie Nana,Jiang Wenhao.Research on the method of ranking importantnodes based on the nearest neighbor of nodes J.PC Fan,2018(8):23.17 Mantawy A H,Abdel-magid Y L,Selim S Z.Integrating genetic algo-rithms,tabu search,and simulated annealing for the unit commitmentproblemJ.IEEE Transactions on Power System,2002,14(3):829-835.作者简介：陈子璇（19 9 6 一），女，硕士研究生，从事电力线载波通信技术研究。赵洪山(19 6 5一），男，教授，博士，从事智能配电网载波通信与自动化、风电机组的故障预测与优化检修等研究。王阳（19 9 6 一），男，硕士研究生，从事电力线载波通信技术研究。陈浩（19 9 6 一），男，硕士研究生，从事电力线载波通信技术研究。李政洁(19 9 7 一），男，硕士研究生，从事综合需求响应研究。Vol.60 No.7Jul.15,2023陈瑶（19 9 4一），女，硕士研究生，从事光伏发电和数据处理工作。Email:王艳（19 8 1一)，女，讲师，博士，从事中压电力线载波通信、电力系统继电保护研究。Email:18288061 收稿日期：2 0 2 0-0 4-0 3；修回日期：2 0 2 1-0 7-16（王克祥编发）99-