DOI: 10.11817/j.issn.1672-7207.2018.10.031

配置储能装置的光伏预测配网优化研究

夏向阳¹，易浩民¹，陈向群²，陈仲伟³，熊德智²，黄瑞²，

王逸超³，曾小勇¹，邓丰¹，胡蓉朝辉¹，黄海¹

(1. 长沙理工大学 电气与信息工程学院，湖南 长沙，410114；

2. 国网湖南省供电服务中心(计量中心)，湖南 长沙，410004；

3. 国网湖南省电力公司 经济技术研究院，湖南 长沙，410004)

摘要：在分析区域光伏并入配网时交流母线PCC点电压波动机理的前提下，提出一种配置储能装置的光伏预测配网优化运行方法。该方法分析光伏发电输出功率与多种气象因素的相关性，将多种气象因素作为多个信息源处理，运用信息融合理论将其加权为一个综合影响因子λ，建立以λ为输入的BP神经网络预测模型，将模型输出的预测值实时传送给储能装置，采用基于滤波原理的光伏发电输出功率平滑控制，实现光伏功率平滑输出，这种方法可以和分时电价有效结合，既提高配网运行经济性的同时稳定节点电压，降低节点电压越限的可能。研究结果表明：所述预测模型具有较高的预测精度，对配网的安全优化运行有一定作用。

关键词：电压波动；信息融合；粒子群算法；BP神经网络；优化运行

中图分类号：TM615             文献标志码：A         文章编号：1672-7207(2018)10-2618-07

Optimal operation of photovoltaic forecast distribution network based on information fusion theory

XIA Xiangyang¹, YI Haomin¹, CHEN Xiangqun², CHEN Zhongwei³, XIONG Dezhi², HUANG Rui²,WANG Yichao³, ZENG Xiaoyong¹, DENG Fen¹, HU Rongzhaohui¹, HUANG Hai¹

(1. College of Electrical and Information Engineering,Changsha University of Science and Technology, Changsha 410114, China;

2. Metering Center of State Grid Hunan Electric Power Company, Changsha 410004, China;

3. Hunan Electric Power Corporation Economic & Technical Research Institute, Changsha 410004, China)

Abstract: An optimized operation method of PV forecasting distribution network with energy storage device was proposed based on the analysis of the voltage fluctuation mechanism of AC busbar PCC point when regional PV was incorporated into the distribution network. The method analyzed the correlation between photovoltaic power output and various meteorological factors. Treating various meteorological factors as multiple information sources, and using information fusion theory to weight it into a comprehensive impact factor λ, BP neural network prediction was established taking λ as an input. The model transmitted the predicted value of the model output to the energy storage device in real time, and adopted the smoothing control of the photovoltaic power generation output power based on the filtering principle to realize the smooth output of the photovoltaic power. The results show that the method can be effectively combined with the time-sharing electricity price, and the distribution network operation is improved. The economical stability of the PCC point voltage at the same time reduces the possibility that the node voltage exceeds the limit. The prediction model has higher prediction accuracy and has a certain effect on the safety optimization operation of the distribution network.

Key words: voltage fluctuation; information fusion; particle swarm optimization algorithm; BP neural network；optimized operation

随着传统化石能源的日益减少，全球能源减排进程不断加快，大力发展分布式能源已经成为必然选择^[1-2]。而光伏发电作为一种环保、可持续、建设周期短的新能源备受关注。截至2015年9月底，我国光伏发电装机已超过38.00 GW，其中光伏的地面集中式电站近32.00 GW，分布式光伏为6.25 GW。据我国可再生能源“十三五”规划，到2020年，光电发电规模目标由之前规划提出的100.00 GW上调50%至150.00 GW，未来在能源发电中将会有更高比率的分布式光伏能源^[3]，可见将来光伏发电将在分布式能源发电中占有重要地位，会有越来越多的分布式光伏接入主动配电网中。但由于光伏出力的波动性和随机性，其输出功率受多种气象和环境因素以及自身结构特性影响，在配网中利用效率不高。光伏功率输出过高和不足都会影响电网的安全可靠运行，这也限制了大规模光伏系统并网运行，因此，有必要深入研究光伏发电的预测模型，及时、准确地预测光伏功率和采取相应的配网功率控制策略对电网的安全和调度具有重要意义。光伏功率预测即根据历史发电数据和当前运行状态对未来一定时段的光伏功率进行预测，按预测的时间尺度可分为超短期光伏功率预测、短期光伏功率预测和中长期光伏功率预测^[4]。按建模方式不同可分为以光伏电站的自身参数和地理信息为基础的物理方法和以大量历史数据为基础的统计方法。按光伏发电的预测思路不同，又可归纳为通过预测太阳辐射强度间接预测光伏发电功率和通过光伏功率历史数据直接预测光伏发电功率2类^[5]。在光伏功率预测方面，目前国内外研究者已采用许多不同的理论方法和预测模型对光伏发电的输出功率进行研究，研究理论主要有聚类理论、贝叶斯理论、相似日理论等，研究方法主要为小波分析方法、随机森林方法、时间序列方法、概率预测方法、神经网络方法，支持向量机方法、马尔科夫链方法、卡尔曼滤波方法和多元线性回归方法及其它们的综合算法^[6-8]。袁晓琳等^[9]分析了一种计及天气型指数的光伏发电短期出力预测模型，采用欧式距离法确定天气类型之间的倍率关系，结果表明该统一模型比以天气分类分别建立子模型在不同天气情况下的光伏功率预测结果更加精确，但其没有考虑预测功率后的配网优化问题。代倩等^[10]以气温、湿度代替太阳辐射强度作为输入量，采用自组织特征映射对天气类型聚类进行识别，建立无辐照度端机功率预测模型，但其算法容易陷入局部最小问题。丁明等^[11]应用光伏阵列模型的太阳能辐射-输出功率特性，通过马尔可夫链直接预测光伏系统的输出功率，但该方法仅对天气不变或变化不大的情况下有较好预测结果，适应性不强。MANDAL等^[12-13]将小波分析算法与智能预测算法相结合，将光伏功率分解到不同频段(能量段) 上分别进行功率预测，这种组合算法可以提高预测的精度，但所需要的输入变量增多，也增加了算法的复杂性。在配网分布式能源功率优化方面，程莎莎等^[14]分析了一种基于风光互补的储能装置，该装置能实现风光储能系统的功率平衡，稳定风力发电和光伏出力的波动，提高储能装置的寿命。严干贵等^[15]利用蓄电池和超级电容器在储能机理上的互补性，引出2种储能装置组成的混合储能系统，将储能系统作为滤波装置，提出了基于低通滤波原理的混合储能系统控制方式来减小功率输出波动。但程莎莎等^[14-15]研究中涉及的储能设备硬件成本较高，对其合理接入配网的位置和容量还要进行一定的经济性评估。夏向阳等^[16]提出了一种基于DSP控制的单相光伏并网逆变器设计技术方案，可以较好地实现电网电压锁相控制，但在电流控制算法上仍存在不足。李清然等^[17]考虑了一种光伏电源有功/无功综合控制方案来防止配网电压越限，但存在有功功率上限预测不便确定的问题，不能精确计算有功功率与电压的关系。基于以上分析，为了减少神经网络的输入变量，本文作者充分考虑多种气象因素对光伏功率的影响，在分析光伏接入配网引起交流母线PCC点电压波动机理的前提下，提出一种新型的基于数据融合理论的BP神经网络预测模型来预测光伏输出功率。将多种气象因素按照相关性以一定的倍率进行信息融合成1个综合影响因子λ，通过BP神经网络对输入变量λ进行训练，最后得到光伏的预测输出功率。将光伏预测功率应用于配网优化运行之中，采取基于滤波原理的光伏发电输出功率平滑控制，这种方式可以和分时电价有效结合，在满足负载需求的前提下，预测功率高电网电价高时直接向电网出售电能，预测功率高电网电价低时将电能存储在蓄电池中。既提高配网运行经济性的同时稳定PCC点电压，降低节点电压越限的可能，对电网的调度和规划有一定的指导作用。

1  光伏发电PCC点电压波动机理

1.1  光伏发电直接并入配网

首先分析光伏发电系统接入配网对交流母线PCC点的影响。考虑变压器阻抗、配网线路阻抗以及光伏电池内阻抗，其接入配网的模型如图1所示。图1中：X_g为滤波电抗；R_l+jX_l为配网线路阻抗；X_t为配网等效戴维南串联电抗；P_g为光伏系统考虑注入的有功功率；Q_g为无功功率；i_g为相应的P_CC点电流；V_g为PCC点电压；V_s为线路末端电压，这里不考虑接入负载。

由图1及线路电压公式可得当配网线路阻抗给定时的PCC点电压，

        (1)

由式(1)进行推导可得

         (2)

可知PCC点电压V_g波动与光伏输出的有功功率P_g与无功功率Q_g有关。

1.2  以光储微网形式并入配网

光伏以光储微网的形式并入配网的拓扑结构图如图2所示。系统由光伏电池单元组成的光伏发电系统、蓄电池与超级电导储能组成的混合储能系统以及变压器和变换器组成。图2中：R+jX为线路阻抗；U₁为变压器与线路阻抗之间的电压；P_L+jQ_L为负载所需的功率；P_G+jQ_G为光伏系统输出功率；P_B+jQ_B和P_S+jQ_S分别为蓄电池储能和超导储能输出或吸收功率。根据线路传输电压损耗公式可得PCC点的电压U_PCC为

       (3)

由式(3)可得：在线路阻抗一定的情况下，交流母线P_CC点的电压主要由注入该节点的有功或无功功率决定，光伏输出功率波动或者负载投切都会影响并网交流母线P_CC点的电压波动。

图1  光伏接入配网等效模型

Fig. 1  Equivalent model of photovoltaic access distribution network

图2  基于混合储能的光储微网拓扑结构

Fig. 2  Topological structure diagram of microgrid based on hybrid energy storage

2  光伏功率信息融合理论

2.1  光伏功率的相关性分析

对于由太阳能电池板组成的光伏发电系统，在电池板角度固定时，单位面积上的输出功率P_g在工程上可按下式表示：

         (4)

其中：η为光伏电池光电转换效率；S为光伏电池的总面积；I为光辐射强度；T₀为环境温度。在光伏自身结构确定时，光电转换效率和面积均为常数，光伏的输出功率主要与光辐射强度和环境温度有关。然而，事实上，光伏输出的功率不仅仅取决于光辐射强度和环境温度，而且与多种其他气象因素有关。康重庆等^[18-19]通过Person相似度的距离分析法分析了光伏发电功率的相关性，得出光伏输出每小时发电量G与温度T_a、气压p_a、湿度H、风速w_s以及表征天气类型的云量C_t、低云量C₁、太阳总辐射度I_r等有关。本文直接引用文献[18]中表征光伏功率与气象因素相关性的参数，选取其中与光伏每小时发电量有关的气象因素相关性，如表1所示。

表1  光伏功率与气象因素的相关性系数

Table 1  Correlation between photovoltaic power and meteorological factors

从表1可以看出：对光伏功率影响最大的是太阳总辐射度I_r，相关性为0.931；光伏功率与温度T_a和风速的相关性w_s分别为0.527和0.311。而气压p_a、湿度H、云量C_t和低云量C₁与光伏功率呈现负相关的特性。

2.2  信息融合理论原理

信息融合起初被称为数据融合，起源于1973年美国国防部资助开发的声纳信号处理系统，是一个从单个和多个信息源获取的数据和信息进行关联和综合，以获得精确的位置和身份估计，并对态势和威胁进行全面、及时评估的信息处理过程，这是对其估计、评估和额外信息源需求评价的一个持续精练过程，同时也是信息处理过程不断自我修正的过程，以获得改善结果^[20]。本文将影响光伏功率的多个气象因素当成多个信息源处理，力求把这些数据以一定的关系进行信息融合成1个参考信息，将该综合信息看成是网络模型的输入对其训练，以减少模型的输入变量，进而在降低模型复杂度的同时，充分考虑低云量等多个气象因素对光伏功率的影响。因此，借鉴前面相关性分析，取低云量C₁作为参考倍率，为-1，则表1中变量T_a，p_a，H，w_s，C₁，C₂，I_r和G之间的比例关系可转换为2.58：-1.83: -2.73:1.52: -1.55: -1.00:4.56，可取综合影响因子λ_t如下式所示：

        (5)

其中：k_1t，k_2t，…，k_7t分别表示每小时的温度、气压、湿度、风速、云量、低云量和光照强度系数。t的取值范围为[1，11]，分别对应1 d中7:00—17:00这11个整小时点。为了防止模型输入不饱和，这7个系数为经过归一化的值。数据归一化公式为

              (6)

其中：k_i为气象因素系数。

为了能反映1 d中气象因素与综合影响因子的映射关系，选取λ为1 d的平均综合影响因子，即

             (7)

3  基于光伏预测模型及储能配合的光伏功率平滑控制

3.1  BP神经网络模型的设计

图3所示为本文提出的整个光伏预测配网优化的流程框图。首先将光伏发电系统采集的历史发电功率和相应的气象因素进行信息融合处理，利用处理好的数据对网络模型进行训练，最终通过训练好的网络模型预测光伏的出力。本文所选用的预测方式是短期每小时预测，最后将得出的预测功率应用于配网优化运行之中。

由于BP神经网络具有较强的非线性映射、学习和自适应能力，因此，采用BP神经网络对其数据进行训练。这种建模方式与以往的按照天气划分如晴天、雨天分别建立子模型不同，本文不对其进行分类，其结构原理如图4所示。图4中，输入的节点数为13个，包括BP神经网络预测日前1 d和预测日的平均综合影响因素λ(t)和λ(t+1)，预测日前1 d的7:00—17.00每小时光伏输出功率G(t)。输出的节点有11个，分别为预测日7:00—17.00每小时光伏输出功率G(t+1)。考虑到过多的隐含层层数除了导致预测模型复杂性增加外，还可能会造成过度拟合从而影响预测结果的问题，在实际应用中一般采用1~2层隐含层^[20]。本文选取的隐含层个数为1层。图4中：w_ij为连接输入层和隐含层的权值；w_ik为连接隐含层和输出层之间的权值；θ_j为隐含层各神经元的阈值；θ_k为输出层各神经元的阈值。模型建立完成后，为了避免网络参数陷入局部最小，加强训练的质量和速度，可以对输入层和隐含层的权值w_ij和隐含层和输出层之间的权值w_jk进行参数优化。

图3  光伏短期预测功率流程图

Fig. 3  Power optimization flow chart of photovoltaic

图4  BP神经网络模型

Fig. 4  Model of BP neural network

3.2  基于储能装置配合的光伏输出功率平滑控制

从模型中得出的光伏预测功率可以应用于配网的优化运行，配网运营者可以提前一天预知光伏输出功率的大小，一方面当光伏功率输出过多时会引起配网馈线过电压，另一方面光伏输出功率的波动性也会影响接入点PCC电压的稳定性。一般可以通过以下几种方式解决电压越限问题：增加储能装置；通过潮流控制器把多余的光伏输出功率引到其它负载需求较大的馈线上，起到供需平衡的作用；利用无功补偿装置在由光伏功率输出过多引起的过电压情况下通过无功功率交换降低节点电压；利用光伏发电系统自身的控制技术，使用光伏的有功/无功控制降低配网电压，必要的时候对光伏的功率进行削减；通过配网中其它分布式能源或负载的主动控制稳定配网的电压；利用载变压器(OLTC)可以从整体上调整配网电压。

本文采取的控制方式是基于滤波原理的光伏发电输出功率平滑控制，这种方式可以和分时电价有效结合，在满足负载需求的前提下，预测功率高电网电价高时直接向电网出售电能，预测功率高电网电价低时将电能存储在蓄电池中，待电价高时利用储能向电网售电，在输出功率低电价低时从电网大量购电，同时可以存储部分能源于储能装置中，待电价高时利用储能向电网售电。既提高配网运行经济性，同时稳定PCC点电压，降低节点电压越限的可能。

图 5 所示为利用一阶巴特沃兹低通滤波器实现对间歇式电源功率平滑控制的基本框图，该方法中滤波器的时间常数可以固定，也可以通过储能装置的状态实时调整。波动的光伏输出功率 P_DG通过低通滤波器之后得到一个功率参考值P_{DG_ref}，P_{DG_ref}是期望平稳输出到联络线上的功率值，如果储能装置可以提供功率P_{bat_ref}=P_{DG_ref}-P_DG，则联络线功率达到期望的 P_line=P_{DG_ref}，其中，P_{bat_ref}＞0 表示电池放电，P_{bat_ref}＜0 表示电池充电。

图5  基于低通滤波器的储能平滑控制基本框图

Fig, 5  Basic control block diagram based on low pass filter

4  实例验证

在基于上述理论分析基础上，为了验证所提出策略的有效性，本文预测模型采用Matlab实现神经网络的迭代和计算过程。实际光伏功率数据来源于与某公司合作的屋顶光伏发电系统，相关气象数据来源于当地的气象站。如前所述，取预测日前1 d的发电功率和综合影响因子及预测日的综合影响因子作为模型的输入，模型的输出为预测日的光伏预测输出功率。取具有典型天气类型代表性的晴天、雨天、多云情况的实际功率与预测功率进行对比，如图6所示。其中，图6(a)所示为晴天的预测结果，横轴表示时间，分别表示上午7:00至下午17:00，间隔为1 h，纵轴为输出功率，从图6(a)中可以看出该模型对晴天具有较高的预测精度。图6(b)所示为雨天的预测结果。由于雨天天气变化情况较复杂，各种气象数据波动大，所得预测功率与实际功率存在一定误差，减少这种误差可以通过更准确地获取气象数据来获取；图6(c)所示为多云的预测结果。由于在多云天气下云量难以测量，所得预测功率与实际功率有一定误差，但误差在允许范围之内。

将此预测功率应用到配网中与储能技术相结合，储能装置容量为20 kW。以图6所示的晴天预测功率为例，若在10:00—13:00光伏输出功率过多，引起配网节点电压越限，本文通过利用一阶巴特沃兹低通滤波器实现对光伏输出功率平滑控制，优化后的光伏输出功率如图7所示。

图6  预测功率与实际功率对比曲线

Fig. 6  Comparison of predicted power and actual power

图7  光伏优化实际输出功率

Fig. 7  Optimized actual output power of PV

5  结论

1) 针对光伏系统接入配网会引起PCC点电压波动的问题，提出一种基于信息融合理论的光伏功率预测方法来短期预测光伏输出功率。该模型采用以综合影响因子λ为输入的BP神经网络，利用改进的粒子群算法对模型的权值参数进行优化。最后将此预测功率结合储能技术应用于配网优化运行之中。

2) 该模型对光伏功率预测具有较高的准确性。与蓄电池储能相结合，能起到削峰填谷、平滑功率输出的作用。这种控制方式可以维持配网馈线电压在允许电压范围之内，同时有效稳定光伏输出，提高光伏输出功率的消纳能力和配网的安全稳定运行，并对配网的规划和调度有一定的指导作用。

参考文献：

[1] 裴玮, 孔力, 齐智平. 光伏发电参与配电网电压调节的控制策略研究[J]. 太阳能学报, 2011, 32(11): 1629-1635.

PEI Wei, KONG Li, QI Zhiping. Cooperative voltage regulation strategy in distribution network with high penetration level of generations[J]. Acta Energiae Solaris Sinica, 2011, 32(11): 1629-1635.

[2] 李建宁, 刘其辉, 李赢, 等. 光伏发电关键技术的研究与发展综述[J]. 电气应用, 2012, 31(5): 70-76.

LI Jianning, LIU Qihui, LI Ying, et al. Research and development of key technologies of photovoltaic power generation[J]. Electrotechnical Application, 2012, 31(5): 70-76.

[3] ZHAO Hailong. Photovoltaic industry outlook in 2016 [EB/OL]. [2015-12.14]. http://www.pvnews.cn/chanyepinglun/.

[4] GLASSLEY W, KLEISSL J, SHIU H, et al. Current state of the art in solar forecasting,final report: appendix A California renewable energy forecasting, resource data and mapping[R]. California: California Institute for Energy and Environment, 2010: 112-117.

[5] 赵书强, 王明雨, 胡永强, 等. 基于不确定理论的光伏出力预测研究[J]. 电工技术学报, 2015, 30(16): 213-220.

ZHAO Shuqiang, WANG Mingyu, HU Yongqiang, et al. Research on the prediction of PV output based on uncertainty theory[J]. Transactions of China Electrotechnical Society, 2015, 30(16): 213-220.

[6] 龚莺飞, 鲁宗相, 乔颖, 等. 光伏功率预测技术[J]. 电力系统自动化, 2016, 40(4): 140-151.

GONG Yingfeng, LU Zongxiang, QIAO Ying, et al. An overview of photovoltaic energy system output forecasting technology[J]. Automation of Electric Power Systems, 2016, 40(4): 140-151.

[7] 叶林, 陈政, 赵永宁, 等. 基于遗传算法-模糊径向基神经网络的光伏发电功率预测模型[J]. 电力系统自动化, 2015, 39(16): 16-22.

YE Ling, CHEN Zheng, ZHAO Yongning, et al. Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network[J]. Automation of Electric Power Systems, 2015, 39(16): 16-22.

[8] 嵇灵, 牛东晓, 汪鹏. 基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究[J]. 中国管理科学, 2015, 23(3): 118-122.

JI ling, NIU Dongxiao, WANG Peng. Photovoltaic load forecasting based on the similar day and bayesian neural network[J]. Chinese Journal of Management Science, 2015, 23(3): 118-122.

[9] 袁晓玲, 施俊华, 徐杰彦. 计及天气类型指数的光伏发电短期出力预测[J]. 中国电机工程学报, 2013, 33(34): 57-64.

YUAN Xiaoling, SHI Junhua, XU Jieyan. Short-term power forecasting for photovoltaic generation considering weather type index[J]. Proceedings of the CSEE, 2013, 33(34): 57-64.

[10] 代倩, 段善旭, 蔡涛, 等. 基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究[J]. 中国电机工程学报, 2011, 31(34): 28-35.

DAI Qian, DUAN Shanxu, CAI Tao, et al. Short-term PV generation system forecasting model without irradiation based on weather type clustering[J]. Proceedings of the CSEE, 2011, 31(34): 28-35.

[11] 丁明, 徐宁舟. 基于马尔可夫链的光伏发电系统输出功率短期预测方法[J]. 电网技术, 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.

[12] MANDAL P, MADHIRA S T S, MENG J, et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques[J]. Procedia Computer Science, 2012, 12(3): 332-337.

[13] 高阳, 张碧玲, 毛京丽, 等. 基于机器学习的自适应光伏超短期出力预测模型[J]. 电网技术, 2015, 39(2): 307-311.

GAO Yang, ZHANG Biling, MAO Jingli, et al. Machine learning based adaptive very-short-term forecast model for photovoltaic power[J]. Power System Technology, 2015, 39(2): 307-311.

[14] 程莎莎, 张琦, 黄湘源. 用于平抑风电波动功率的混合储能系统及其控制系统[J]. 电工电气, 2013, 5(8): 17-21.

CHENG Shasha, ZHANG Qi, HUANG Xiangyuan. Hybrid energy storage system and control system for balance and inhibition of wind power fluctuation in power output[J]. Electrotechnics Electric, 2013, 5(8): 17-21.

[15] 严干贵, 朱星旭, 李军徽, 等. 内蕴运行寿命测算的混合储能系统控制策略设计[J]. 电力系统自动化, 2013, 37(1): 110-114.

YAN Gangue, ZHU Xingxu, LI Junhui, et al. Control strategy design for hybrid energy storage system with intrinsic operation life measurement and calculation[J]. Automation of Electric Power Systems, 2013, 37(1): 110-114.

[16] 夏向阳, 唐伟, 冉成科, 等. 基于DSP控制的单相光伏并网逆变器设计[J]. 电力科学与技术学报, 2011, 26(3): 52-56.

XIA Xiangyang, TANG Wei, RAN Chengke, et al. Design of single phase photovoltaic grid-connected inverter based on DSP control[J]. Journal of Electric Power Science and Technology, 2011, 26(3): 52-56.

[17] 李清然, 张建成. 含分布式光伏电源的配电网电压越限解决方案[J]. 电力系统自动化, 2015, 39(22): 117-123.

LI Qingran, ZHANG Jiancheng. Solutions of voltage beyond limits in distribution network with distributed photovoltaic generators[J]. Automation of Electric Power Systems, 2015, 39(22): 117-123

[18] 康重庆, 夏清, 刘梅. 电力系统负荷预测[M]. 北京: 中国电力出版社, 2007: 208-213.

KANG Chongqing, XIA Qing, LIU Mei. Power system load forecasting[M]. Beijing: China Electric Power Press, 2007: 208-213.

[19] YONA A, SENJYU T, FUNABASHI T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system[C]//IEEE Power Engineering Society General Meeting. Tampa, FL, USA: Institute of Electrical and Electronics Engineers, 2007: 1-6.

[20] 潘泉, 王增福, 梁彦, 等. 信息融合理论的基本方法与进展(Ⅱ)[J]. 控制理论与应用, 2012, 29(10): 1233-1244.

PAN Quan, WANG Zengfu, LIANG Yan, et al. The basic method and development of information fusion theory(II)[J]. Control Theory & Applications, 2012, 29(10): 1233-1244.

(编辑  陈灿华)

收稿日期：2017-10-12；修回日期：2017-12-22

基金项目(Foundation item)：国家自然科学基金资助项目(51307009)(Project(51307009) supported by the National Natural Science Foundation of China)

通信作者：夏向阳，博士，教授，硕士生导师，从事新能源并网控制和柔性直流输电控制研究；E-mail：xia_xy@126.com