基于機器學(xué)習(xí)的風(fēng)光功率預(yù)測系統(tǒng)研究

中圖分類號：TP181 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2025）13-0113-05

Abstract：Withtherapiddevelopmentofrenewableenergytechnologies，addressingtheinherentstochasticity，fluctuations， andintermitencyofwindandsolarpowergenerationthroughadvancedartificialinteligencehasbecomecriticalforindustry advanceent.Thisstudyproposesasmaitintegrated，andonestopforecastingsystemarchitecturecomprisingtwocoreodules： amachinelearningalgorithmmanagementplatformformodeldevelopmentandoptimization，andaforecastingsupportservice platformforoperationaldecision-making.Thesystemprovidesend-to-endtechnicalsupportspanningmodeltraining，algorithm selection，scenario-specificservices，energytradingassistance，andbenefitalocationmechanisms.Byenablingnationwidesharing ofdataresources，optimizedalgorithms，andcloudplatforms，thisframeworkofersanovelsolutiontoenhanceprediction accuracy，timeliness，and grid integration efficiency for hybrid renewable energy systems.

Keywords： machine learning; wind power; solar power; power forecasting; system

近年來，隨著全球氣候變化的日益嚴(yán)峻，人們對減少二氧化碳排放的需求不斷增長，截至2024年底，我國以風(fēng)電、太陽能發(fā)電為主的新能源發(fā)電裝機規(guī)模達(dá)到 ，首次超過火電裝機規(guī)模。構(gòu)建以新能源為主體的新型電力系統(tǒng)，持續(xù)推進(jìn)能源綠色轉(zhuǎn)型和“雙碳”戰(zhàn)略，主要涵蓋能源生產(chǎn)、供給、消費和安全保障等全生命周期，內(nèi)涵非常豐富，包括但不限于以非化石能源為主的能源生產(chǎn)體系，以新型電力系統(tǒng)為主要特征的能源供給體系，以綠色、智慧、低碳為主要特征的能源消費體系，以及穩(wěn)定可靠的能源安全保障體系，這4個關(guān)鍵環(huán)節(jié)均與天氣氣候密切相關(guān)。

由于風(fēng)光等新能源具有隨機性、波動性和間歇性的特點，當(dāng)大規(guī)模的風(fēng)力、光伏發(fā)電站接入電網(wǎng)中，不穩(wěn)定性的發(fā)電特點及棄風(fēng)棄光的低利用率現(xiàn)象給電網(wǎng)調(diào)度上帶來了巨大影響2，亟需更為精準(zhǔn)的風(fēng)光電功率預(yù)測技術(shù)作為基礎(chǔ)支持3。機器學(xué)習(xí)算法具有自動化、高效率、可塑性和普適性強等優(yōu)點，可通過學(xué)習(xí)從大量數(shù)據(jù)中自動獲取規(guī)律并利用所得的規(guī)律對新數(shù)據(jù)進(jìn)行分類及預(yù)測。黃萬超利用多種機器學(xué)習(xí)方法，如隨機森林、極限學(xué)習(xí)、支持向量機和深度學(xué)習(xí)等，為風(fēng)電場和光伏系統(tǒng)的規(guī)劃、運營與管理提供了新的思路和技術(shù)支持。孫榮富等@利用“機器學(xué)習(xí) + 數(shù)據(jù)庫\"的數(shù)據(jù)挖掘技術(shù)提高短期功率預(yù)測精度。寇金弛設(shè)計了基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測系統(tǒng)，為調(diào)度端和電力交易用戶提供技術(shù)支持。李潤澤改進(jìn)深度學(xué)習(xí)模型用于新能源發(fā)電功率，有效提高了長時間序列的發(fā)電功率預(yù)測精度。

隨著人工智能技術(shù)的迅猛發(fā)展，機器學(xué)習(xí)已經(jīng)廣泛應(yīng)用于新型能源體系。本文利用機器學(xué)習(xí)等先進(jìn)技術(shù)，研究建立數(shù)智化、集約化、一站式風(fēng)光功率預(yù)測系統(tǒng)，實現(xiàn)從模型研發(fā)、算法優(yōu)選到場景服務(wù)、交易支持和收益分配的全鏈條、全流程支撐，為構(gòu)建開放、創(chuàng)新、協(xié)同的新型能源體系生態(tài)系統(tǒng)，提供新的思路和技術(shù)支持。

1總體設(shè)計

1.1 系統(tǒng)組成

風(fēng)光功率預(yù)測系統(tǒng)主要分為機器學(xué)習(xí)算法管理平臺和預(yù)報支撐服務(wù)平臺2部分，實現(xiàn)組件在線開發(fā)、可視化交互模型搭建，基于檢驗評估結(jié)果的自動優(yōu)選、模型評價，具備全流程的統(tǒng)計、監(jiān)控、報警功能，提供數(shù)據(jù)、算法、平臺的全國共享共用。系統(tǒng)組成如圖1所示。

機器學(xué)習(xí)算法管理平臺通過數(shù)據(jù)探索快速建立標(biāo)簽數(shù)據(jù)，為功率預(yù)測挖掘數(shù)據(jù)特征提供支撐，支持對數(shù)據(jù)的管理和檢索。通過模型工廠實現(xiàn)預(yù)報訂正算法模型池構(gòu)建，支持用戶界面可視化交互模型構(gòu)建，并支持包括原子組件和組合組件的多層次建模方式。支持面向不同用戶應(yīng)用建立不同的評估體系，實現(xiàn)基于評估結(jié)果的算法模型優(yōu)選。

預(yù)報支撐服務(wù)平臺提供數(shù)據(jù)源分析、子模型對比分析、預(yù)報誤差分析功能，支持從數(shù)據(jù)到模型組件算法及預(yù)報結(jié)果的全鏈條分析。通過應(yīng)用分析、配置管理、運行監(jiān)控實現(xiàn)采集存儲、分析統(tǒng)計、交互展示，提供對數(shù)據(jù)源分析、子模型對比分析、預(yù)報誤差和模擬預(yù)測等業(yè)務(wù)功能的支撐。

1.2 總體架構(gòu)

系統(tǒng)總體架構(gòu)從上到下依次為應(yīng)用端、云端PaaS、云端IaaS三層，云端依托氣象大數(shù)據(jù)云平臺“天擎”支撐，基于氣象觀測數(shù)據(jù)應(yīng)用業(yè)務(wù)標(biāo)準(zhǔn)和氣象綜合業(yè)務(wù)監(jiān)控與運維體系開展系統(tǒng)建設(shè)，如圖2所示。

1）應(yīng)用端：主要實現(xiàn)應(yīng)用和服務(wù)。采用B/S架構(gòu)，利用基于JavaScript的WebGIS框架平臺，實現(xiàn)多源數(shù)據(jù)的疊加顯示、空間分析、數(shù)據(jù)產(chǎn)品采集分發(fā)等功能。通過WebGIS服務(wù)器響應(yīng)空間數(shù)據(jù)和屬性數(shù)據(jù)請求，對空間數(shù)據(jù)進(jìn)行分析和控制，同時利用應(yīng)用網(wǎng)關(guān)、遠(yuǎn)程服務(wù)與業(yè)務(wù)數(shù)據(jù)庫進(jìn)行交互，完成業(yè)務(wù)數(shù)據(jù)的查詢。

2）云端PaaS：主要分為數(shù)據(jù)層、算法層和業(yè)務(wù)層，基于云架構(gòu)設(shè)計。數(shù)據(jù)層基于氣象大數(shù)據(jù)云平臺提供基礎(chǔ)的數(shù)據(jù)存儲服務(wù)，集成了星地空一體化氣象觀測數(shù)據(jù)，以及GIS數(shù)據(jù)等基礎(chǔ)數(shù)據(jù)，為開展風(fēng)光功率預(yù)測提供數(shù)據(jù)支持。算法層包含數(shù)據(jù)質(zhì)控訂正、檢驗評估、降尺度、大數(shù)據(jù)分析和機器學(xué)習(xí)等多種算法，為開展數(shù)據(jù)質(zhì)量評估和分析應(yīng)用提供算法支撐。業(yè)務(wù)層包含數(shù)據(jù)偏差訂正、模型優(yōu)選組合、評估分析等應(yīng)用功能，基于氣象服務(wù)綜合分析應(yīng)用平臺提供的產(chǎn)品和功能支撐，為數(shù)據(jù)、算法、平臺的全國共享共用提供支撐服務(wù)。

3）云端IaaS：主要為基礎(chǔ)設(shè)施層，包含云端的虛擬資源池、分布式物理資源池和數(shù)據(jù)存儲池等，以為支撐業(yè)務(wù)運行、業(yè)務(wù)備份、業(yè)務(wù)測試而劃分的業(yè)務(wù)資源池、備份資源池和仿真資源池。項目總體架構(gòu)如圖2所示。

2 系統(tǒng)功能

2.1機器學(xué)習(xí)算法管理平臺

機器學(xué)習(xí)算法管理平臺包含數(shù)據(jù)預(yù)處理、預(yù)報模型分析與評價、預(yù)報算法組件及示范算法和預(yù)報模型集成優(yōu)選等模塊，實現(xiàn)數(shù)據(jù)集管理、算法超市、模型評價應(yīng)用等功能，如圖3所示。

應(yīng)用端 風(fēng)光功率預(yù)測Web應(yīng)用 =本地化綜合 輸電密集通道 1服務(wù)應(yīng)用 綜合服務(wù)應(yīng)用 =↑ 一氣象大數(shù)據(jù)云平臺 機器學(xué)習(xí)算法管理 氣象等算法支撐 一氣象觀測數(shù)據(jù)應(yīng)用業(yè)務(wù)標(biāo)準(zhǔn) 1 氣象綜合業(yè)務(wù)監(jiān)控與運維體系云端PaaS 數(shù)據(jù)質(zhì)量控制 可解釋性分析 數(shù)據(jù)偏差訂正 模型優(yōu)選評估↑ ↑象服務(wù)合 風(fēng)險態(tài)勢 影響分析 交互加工 產(chǎn)品分發(fā) 檢驗評估 服務(wù)評價數(shù)據(jù)質(zhì)控 檢驗評估 時空 多源數(shù)據(jù) 大數(shù)據(jù)分析 機器學(xué)習(xí)算法庫 訂正 算法 降尺度 集成 支撐 支撐數(shù)據(jù)撐 梯度風(fēng) 輻射觀測 10m風(fēng) 雷達(dá)觀測 衛(wèi)星觀測 社會化 GIS數(shù)據(jù) _-一=氣 基礎(chǔ)設(shè)施 虛業(yè)務(wù)資源池 分備物理池 仿池 =-==

機器學(xué)習(xí)算法管理平臺

數(shù)據(jù)集管理 算法超市 算法評價應(yīng)用

樣本集管理 數(shù)據(jù)導(dǎo)入 數(shù)據(jù)前處理 后處理 任務(wù)管理 執(zhí)行日志監(jiān)控主體管理 深度學(xué)習(xí) 可視化 組件開發(fā)模塊 自定義模型/ 結(jié)果數(shù)據(jù) 算法開發(fā)輸出管理 模型檢驗 模型評價 通用算法組件 分析 服務(wù)模型上線 模型上線特征管理 原子組件 組合組件 模型版本管理 服務(wù) 異常報警K8S Redis RabbitMQ MySQL Doris

數(shù)據(jù)集管理針對氣象監(jiān)測數(shù)據(jù)和新能源場站的歷史功率數(shù)據(jù)、設(shè)備運行數(shù)據(jù)、地形地貌數(shù)據(jù)等，實現(xiàn)對原始數(shù)據(jù)、主體數(shù)據(jù)、樣本集數(shù)據(jù)和數(shù)據(jù)特征的統(tǒng)一處理。能夠?qū)崿F(xiàn)快速建立標(biāo)簽數(shù)據(jù)，挖掘數(shù)據(jù)特征提供可視化的界面操作，并支持對主體數(shù)據(jù)的管理和交付知識文檔的檢索。提供創(chuàng)建特征、更新特征、查看特征狀態(tài)、查看特征列表及刪除特征等功能，對于數(shù)據(jù)集管理過程中產(chǎn)生的各類輸出結(jié)果進(jìn)行管理和檢索查詢。

算法超市主要搭建了豐富的模型庫，涵蓋傳統(tǒng)的物理模型、統(tǒng)計模型，以及機器學(xué)習(xí)模型、深度學(xué)習(xí)模型等，如支持向量機、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體長短期記憶網(wǎng)絡(luò)（LSTM）等。支持用戶自定義開發(fā)原子組件，作為模型中的一個基礎(chǔ)方法。同時，也支持用戶將各原子組件以圖的方式進(jìn)行組合連接，形成組合組件，組合組件視為一個模型中的分支邏輯，并通過模型版本管理實現(xiàn)版本的更新和迭代。用戶創(chuàng)建的原子組件和組合組件會收錄到組件庫中，供有權(quán)限的其他算法開發(fā)人員使用，開放上傳自研組件或者算法接口，經(jīng)過驗證和評估后納入算法管理平臺，實現(xiàn)組件或者模型共享復(fù)用和成果轉(zhuǎn)化。

算法評價和應(yīng)用是利用云計算和邊緣計算能力，為模型訓(xùn)練提供高效算力支持。采用分布式訓(xùn)練技術(shù)，加速模型收斂速度，縮短訓(xùn)練周期。提供模型上線跟蹤服務(wù)包括模型上下線管理、流程審批、資源管理和環(huán)境管理，以及上線后的任務(wù)監(jiān)控、指標(biāo)監(jiān)控、模型評分和異常告警等功能。運用模型評估指標(biāo)體系，如均方根誤差（RMSE）平均絕對誤差（MAE）等，對訓(xùn)練出的模型進(jìn)行實時評估與優(yōu)化。此外，引入自動超參數(shù)調(diào)整技術(shù)，提高模型的泛化能力和預(yù)測精度。

典型算法應(yīng)用場景有氣象訂正算法、功率預(yù)測算法等。氣象訂正算法是為了能夠滿足功率預(yù)測算法提升預(yù)測精度、減少預(yù)測偏差的要求。基于電場所在區(qū)域代表性的數(shù)值天氣預(yù)報數(shù)據(jù)及測風(fēng)塔、機頭風(fēng)速儀等探測設(shè)備采集的實際探測數(shù)據(jù)，使用機器學(xué)習(xí)算法或傳統(tǒng)統(tǒng)計方法，對數(shù)值天氣預(yù)報的要素預(yù)報進(jìn)行訂正，使其更符合真實值。主要分為短期融合訂正算法、中期訂正等，支持多源數(shù)據(jù)、多要素的建模及預(yù)測和多進(jìn)程并發(fā)計算。短期訂正是對次日零時至未來 風(fēng)速和輻照度至少1種算法的偏差訂正。中期訂正針對未來7 2～2 4 0 h 風(fēng)速和輻照度偏差訂正。

功率預(yù)測算法是基于電場所在區(qū)域代表性的數(shù)值天氣預(yù)報數(shù)據(jù)及電場歷史運行發(fā)電數(shù)據(jù)，使用機器學(xué)習(xí)算法，對兩者的映射規(guī)律進(jìn)行建模。通過調(diào)整模型結(jié)構(gòu)、學(xué)習(xí)算法、訓(xùn)練數(shù)據(jù)規(guī)格、數(shù)據(jù)處理方法和算法參數(shù)等，滿足電網(wǎng)調(diào)度對各個業(yè)務(wù)場景的功率預(yù)測要求。主要分為超短期功率預(yù)測算法、短期功率預(yù)測算法、中期功率預(yù)測算法和長期電量預(yù)測。超短期功率預(yù)測算法是針對未來 的有功功率準(zhǔn)確率優(yōu)化，最少包含3種超短期功率預(yù)測算法，支持實測功率時序預(yù)測算法，以及氣象與時序融合算法。短期功率預(yù)測算法是針對次日零時到未來 的有功功率準(zhǔn)確率優(yōu)化，支持限電過濾處理算法，最少包含3種短期功率預(yù)測算法。中期功率預(yù)測是針對未來 到未來 2 4 0 h 的有功功率準(zhǔn)確率優(yōu)化，支持限電過濾處理，最少包含1種中期功率預(yù)測算法。長期電量預(yù)測是針對未來12個月的逐月電量及總電量準(zhǔn)確率優(yōu)化，預(yù)測曲線不應(yīng)出現(xiàn)跳變、拉直線等異常情況。

2.2 預(yù)報支撐服務(wù)平臺

預(yù)報支撐服務(wù)平臺包含手繪過濾、服務(wù)配置管理、宏觀透視、模擬預(yù)測分析、預(yù)報誤差分布展示、系統(tǒng)監(jiān)控報警列表展示和運行狀態(tài)查詢等模塊，實現(xiàn)配置管理、應(yīng)用分析和運行監(jiān)控等功能，如圖4所示。

配置管理包含模型訓(xùn)練配置、預(yù)測配置、數(shù)據(jù)配置、版本配置和服務(wù)配置等，實現(xiàn)預(yù)測步長、評價函數(shù)、自動優(yōu)選、訓(xùn)練周期、過濾函數(shù)和算法參數(shù)等基礎(chǔ)配置功能。同時，通過服務(wù)配置管理可以實現(xiàn)服務(wù)用戶和場景指定具體預(yù)報算法、指定分發(fā)方式等高級定制化配置功能。支持手繪模型和手繪過濾功能，通過手動交互式形成采樣數(shù)據(jù)、實測數(shù)據(jù)散點圖等，手動構(gòu)建預(yù)報模型，并且能夠通過數(shù)據(jù)點擊形成上下限曲線，基于曲線對異常數(shù)據(jù)點進(jìn)行過濾，將過濾后的曲線數(shù)據(jù)入庫提供平臺調(diào)用。

應(yīng)用分析包含可視化展示、模型分析和預(yù)測、數(shù)據(jù)源統(tǒng)計分析等，實現(xiàn)對平臺服務(wù)情況的宏觀透視、信息總覽、數(shù)據(jù)樣本分布和預(yù)報誤差分布等可視化展示功能。實現(xiàn)預(yù)報誤差分布展示、子模型對比檢驗分析、模擬預(yù)測分析等全鏈條分析功能，支持模型回測、建模分析、結(jié)果驗證，支持參數(shù)通過網(wǎng)格搜索、貝葉斯搜索完成自動參數(shù)尋優(yōu)，為模型的對比適配提供支撐。實現(xiàn)各數(shù)據(jù)源每日指標(biāo)統(tǒng)計結(jié)果等自動統(tǒng)計生成功能，統(tǒng)計數(shù)據(jù)源的歷史同比、環(huán)比、時長可用性情況，實現(xiàn)數(shù)據(jù)源分析報告一鍵生成，提供基于數(shù)據(jù)源的訂正模型數(shù)據(jù)回算支持。

運行監(jiān)控實現(xiàn)對系統(tǒng)運行情況的監(jiān)控、報警、查詢和統(tǒng)計分析功能，針對數(shù)據(jù)采集、文件上報、預(yù)測準(zhǔn)確率等容易出現(xiàn)異常的環(huán)節(jié)建立告警提示功能。其中，預(yù)測準(zhǔn)確率類異常報警包含短中期、超短期等全周期預(yù)報結(jié)果，對模型曲線異常、上報準(zhǔn)確率過低、數(shù)據(jù)中斷和配置未生效等信息進(jìn)行監(jiān)控，支持語音、震動、彈窗等多種方式報警提醒，同時，支持對報警閾值、報警級別、報警方式和報警內(nèi)容進(jìn)行自定義，實現(xiàn)按需定制化的報警，以及報警信息歷史查詢、報警信息實時列表展示等功能。

3 關(guān)鍵技術(shù)

3.1模型可解釋性分析技術(shù)

在風(fēng)光功率預(yù)測領(lǐng)域，實現(xiàn)模型的解釋性是為了確保機器學(xué)習(xí)模型的透明度和可信性，通過可解釋性技術(shù)，不僅能驗證模型的合理性，還能指導(dǎo)特征工程、優(yōu)化模型設(shè)計。可解釋性分析方法在本系統(tǒng)采用2種方法，分別為選擇局部可解釋模型敏感性分析和夏普里值（SHapleyAdditiveexPlanations，SHAP）分析。

局部可解釋模型敏感性分析通過觀察模型對輸入特征的微小變化的敏感性來解釋模型的決策。對每個輸入特征進(jìn)行微小的擾動，記錄模型輸出的變化，并計算特征的靈敏度指標(biāo)，如導(dǎo)數(shù)或差分。使用數(shù)值計算方法，如有限差分法或自動微分，來計算靈敏度。通過特征靈敏度曲線或熱圖，顯示每個特征對模型輸出的影響程度。

夏普里值（SHAP值）分析是衡量每個輸入特征對模型輸出的貢獻(xiàn)程度。定義特征組合的空間，并計算每個特征組合下模型的輸出。根據(jù)夏普里值的定義，計算每個特征在所有可能的特征組合中的平均邊際貢獻(xiàn)來確定特征的重要性，最后使用柱狀圖或表格展示每個特征的重要性排名。

式中： 為所有的樣本集合;S為樣本的一個子集; 為SHAP值;ISI！·（ ）為不同樣本的貢獻(xiàn)權(quán)重； f （ x ） 為模型對樣本的預(yù)測值 為特征子集 s 的預(yù)測值（通過邊緣其他特征計算）

3.2 微服務(wù)技術(shù)

機器學(xué)習(xí)算法管理平臺利用SpringCloud Aliba-ba技術(shù)構(gòu)建微服務(wù)架構(gòu)，將各個功能模塊拆分成獨立的服務(wù)。例如，模型訓(xùn)練服務(wù)、模型部署服務(wù)等都可以作為獨立的微服務(wù)存在。實現(xiàn)了分布式配置、服務(wù)注冊與發(fā)現(xiàn)、熔斷和限流等功能，增強了系統(tǒng)的彈性和可靠性，更易于擴展和維護(hù)，支持微服務(wù)之間的松耦合，提高了整個平臺的靈活性。

1）微服務(wù)架構(gòu)：將不同功能模塊拆分成獨立的微服務(wù)，每個微服務(wù)負(fù)責(zé)一個特定的業(yè)務(wù)功能，通過SpringCloudAlibaba進(jìn)行注冊、發(fā)現(xiàn)和通信。2）分布式配置中心：使用SpringCloudAlibaba的配置中心，集中管理和動態(tài)更新微服務(wù)的配置信息，對于不同環(huán)境的配置變更，可以實現(xiàn)動態(tài)調(diào)整，無須重新部署。3）服務(wù)注冊與發(fā)現(xiàn)：SpringCloudAlibaba提供的Nacos作為服務(wù)注冊與發(fā)現(xiàn)中心，確保微服務(wù)能夠自動注冊和發(fā)現(xiàn)，使得微服務(wù)之間的通信更為便捷。4）熔斷和限流：利用SpringCloudAlibaba的Sen-tinel實現(xiàn)微服務(wù)的熔斷和限流，提高系統(tǒng)的穩(wěn)定性，避免微服務(wù)因為異常情況導(dǎo)致整體系統(tǒng)崩潰。

4結(jié)束語

基于機器學(xué)習(xí)的風(fēng)光功率預(yù)測系統(tǒng)的設(shè)計與應(yīng)用，為解決構(gòu)建新型電力系統(tǒng)提出來的更高要求，提供了一種有效的解決方案。平臺通過對機器學(xué)習(xí)算法的管理，實現(xiàn)了算法的優(yōu)選評估、統(tǒng)一管理和優(yōu)化配置，顯著提高了功率預(yù)測的準(zhǔn)確性和時效性，為智慧化調(diào)度體系提供了技術(shù)支持，有效促進(jìn)風(fēng)光新能源并網(wǎng)消納。目前系統(tǒng)實現(xiàn)了單電場功率預(yù)測、區(qū)域集中功率預(yù)測等多種場景應(yīng)用，未來為了更好地適應(yīng)新能源電力交易的新要求，將探索更多先進(jìn)算法的集成，并加強平臺的智能化水平，引入自適應(yīng)學(xué)習(xí)和自動調(diào)參等功能，以更好地滿足電力系統(tǒng)發(fā)展的需求。

參考文獻(xiàn)：

[1]申彥波.新能源體系建設(shè)中的氣象問題與技術(shù)進(jìn)展[J]南方能源建設(shè)，2025，12（1）：31-42.

[2]鄭曉亮，楊曉亮，來文豪.新能源發(fā)電預(yù)測方法分類及研究進(jìn)展[J].科學(xué)技術(shù)與工程，2024，24（34）：14503-14521.

[3]安鑫喆.時空信息融合的風(fēng)電功率預(yù)測方法[D].西安：西安建筑科技大學(xué)，2024.

[4]陳金車，王金艷，蘇士翔，等.3種機器學(xué)習(xí)方法預(yù)報風(fēng)電功率的對比[J].蘭州大學(xué)學(xué)報（自然科學(xué)版），2022，58（1）：124-129.

[5]黃萬超.機器學(xué)習(xí)技術(shù)在風(fēng)力與光伏發(fā)電系統(tǒng)短期功率預(yù)測中的應(yīng)用與比較研究[J].現(xiàn)代工業(yè)經(jīng)濟和信息化，2024，14（10）：137-138.

[6]孫榮富，張濤，和青，等.風(fēng)電功率預(yù)測關(guān)鍵技術(shù)及應(yīng)用綜述[J].高電壓技術(shù)，2021，47（4）：1129-1143.

[7]寇金弛.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測系統(tǒng)設(shè)計[D].沈陽：沈陽工程學(xué)院，2021.

[8]李潤澤.基于機器學(xué)習(xí)的新能源發(fā)電功率預(yù)測研究[D].恩施：湖北民族大學(xué)，2021.