基于边缘计算的虚拟电厂架构及光伏出力预测算法研究

洪 媛，黄 亮，2，谢长君，张锐明

（1.武汉理工大学，湖北 武汉430070；2.复变时空（武汉）数据科技有限公司，湖北 武汉430070；3.广东广顺新能源动力科技有限公司，广东 佛山528000）

0 引言

众所周知，电力需求的不断增长以及全球范围内能源紧缺和环境污染等问题的日益严峻，使得传统能源发电的弊端日趋严峻。太阳能、风能等可再生清洁能源有着发电成本低、有利于保护环境等优势，成为了未来全球能源发展的主要方向［1］。分布式可再生能源在运行时，其出力的随机性、间歇性和波动性较大，当这些具有发电不确定性的分布式能源接入到传统大电网体系中将会降低电网的安全性和供电可靠性。为了解决这一问题，可以采用虚拟电厂（Virtual Power Plant，VPP）技术对分布式电源进行灵活控制，实现分布式电源的协调控制与能量管理，从而保证电网的安全稳定运行。虚拟电厂通过配套的调控及通讯技术将分布式电源（distributed generation，DG）、可控负荷（dispatchable load，DL）和分布式储能设施（distributed energy storage，DES）聚合成一个整体［2］，使其能够对各类分布式能源资源进行调控，并参与电力市场及其辅助服务市场运营，实现实时电能交易，同时优化资源利用，提高供电可靠性［3］。

但是，随着可再生能源等分布式发电资源数量不断增加以及各类智能化城市、家居等智能终端设备的大量接入，电网企业与电力用户之间、电气设备与控制中心之间会产生大量的数据流［4］，随着人们对智能终端设备应用需求种类的不断增多，智能终端及电气设备使用的时空分布相比于传统也会更加分散，对传统电力系统的数据采集及分析将是一个巨大的挑战［5］。云计算的性能在万物互联带来的海量数据的冲击下，正逐渐达到处理极限。其一，随着终端设备的增加，实时性数据会大量产生，这样对云中心服务器的计算效率带来了很大的挑战；其二，对网络带宽的要求也会伴随着终端设备的增加而大大提高，例如，无人驾驶汽车技术装载在车里的众多摄像头和传感器每秒将产生约1 GB的实时路况捕捉数据信息，这些数据在现有的网络带宽下，难以实时传输［6］。显然，随着大量移动终端设备的接入，集中式的云计算已经无法应对在数据接纳和实时性等方面的要求［7］，那么就需要加入边缘计算。

边缘计算是指在网络边缘侧对海量的边缘数据进行处理，以此来减轻云计算中心的压力和对云计算中心的依赖，从而有效实现边缘网络一定程度的自主性，降低脱网威胁［8］；同时利用边缘计算优化路由、节点、带宽等网络关键参数，有利于实现智能路由［9］。此外，其在电力应用方面目前已有大量理论研究支撑：文献［10］认为结合通信网络、边缘计算和物联网技术的信息物理系统（CPS）将能为泛在感知、智能控制和多能源互联互通的主动配电网的实现提供重要保障，文献［11］则给出在CPS建模过程中可能需要解决的技术问题。在电力需求方面，文献［12］指出边缘计算能够很好地解决可再生能源等分布式发电资源数量不断增加以及电气设备自动化程度的不断提高使得电气设备使用的时空分布更加分散及数据的采集和分析困难等问题。文献［13］基于相关的需求响应协议设计了边缘计算节点的通信协议和架构，并展望了其在需求响应领域中的应用。

为此，本文提出一种将边缘计算运用到虚拟电厂的架构设计的理念，借助于边缘计算的优势解决虚拟电厂在数据分析、处理方面的弊端，将边缘计算应用在虚拟电厂中，可以有效地提高各分布式电源产生的巨量数据的存储和处理效率，减少传输数据所占用的带宽，使得虚拟电厂更加有效及快速地对各类分布式能源进行优化调度，提高其可靠性及实时性；同时将灰色GM（1，2）-马尔可夫预测模型首次用于预测该架构边缘侧的光伏出力，为光伏出力预测提供了新途径并提高其适用性和准确性。

1 基于边缘计算的虚拟电厂

1.1 基于边缘计算的虚拟电厂架构设计

伴随大量分布式能源发电设备和储能设备的离并网以及需求侧响应，虚拟电厂对大数据处理技术的需求显而易见。不仅如此，如天气信息、负载用电历史数据、储能设备运行状态等各种数据决定了虚拟电厂大数据的多源特性。为了解决现有虚拟电厂中的实时性不足等现实问题，本文提出基于边缘计算的虚拟电厂架构。

如图1 所示为虚拟电厂的一种典型结构框架，主要包括分布式可再生能源机组、用户负荷（居民负荷、商业负荷、工业负荷、可控负荷等）、可控发电机组、分布式储能设备（储能电池系统、电动汽车等）和控制协调中心几部分［14］。从图2 可以看出，虚拟电厂通过信息通信技术整合分散在多地域、多样化、多层级的分布式发电机组、分布式储能系统和可控负荷进行协同优化调度，以“虚拟”实体身份参与电力系统调度和市场交易，且自始至终与主网保持双向能量流、通信流和交易流的交换，整体呈现出运行柔性、系统开放、出力可控特征。

基于边缘计算的虚拟电厂架构如图2 所示，其在各分布式能源、用户负荷、分布式储能和分布式燃料机组与虚拟电厂协调控制中心的信息通讯路径内加入边缘计算节点，对智能电表数据进行采集并将传输的发电、用电数据进行处理，以缩短时延和减轻控制协调中心的服务器运算压力。

图1 虚拟电厂典型结构框架Fig.1 Typical structural framework of virtual power plants

在逻辑应用上，边缘计算节点（edge computing node，ECN）可以分成4 类，分别是智能化设备、轻量级计算系统、智能网关系统和智能分布式系统。它们都具有数字化、网络化、智能化等特征，并且能够提供网络、计算、存储等资源技术。ECN的主要功能包括总线协议适配、实时连接、实时数据分析、时间数据序列访问、策略执行、设备即插即用以及资源管理等。在基于边缘计算的虚拟电厂架构体系中，智能电表、气象传感器等属于设备级节点，可以获取实时的分布式能源发电量、储能系统容量、用户负荷数据及气象预测；每个智能网关都支持多类型网络接口和总线协议并适配多种网络拓扑，可以实现系统互联并提供本地计算能力和足量存储空间，此外，还能够和云端系统建立联系进行协同管理；智能分布式系统框架基于分布式架构，可以在边缘侧扩展网络、计算和存储功能，实现资源面向市场需求的动态调度。

图2 基于边缘计算的虚拟电厂架构Fig.2 Virtual power plant architecture based on edge computing

本文设计的基于边缘计算的虚拟电厂架构采用了集中与分散控制模式，将边缘计算节点作为低层控制，虚拟电厂能源管理中心为高层控制。分布式可再生能源发电、用户负荷、分布式燃料机组和分布式储能作为虚拟电厂的组成部分，各个边缘计算节点控制着其对应的部分，能源管理中心将各边缘计算节点连接起来进行信息交互和决策运算。虚拟电厂的优化运行由边缘计算模块与能源管理中心共同完成，边缘计算节点进行数据的采集并做预处理，能源管理中心接收处理结果进行运算并生成最优决策方案。这种结构充分发挥了集中式控制结构和分散式控制结构的各自优势，不仅确保了整个虚拟电厂的协调运行，也提高了决策效率。

在虚拟电厂的运行过程中，边缘计算与云计算都是必不可少的，而且需要相互协同。云计算专注于对非实时和长期数据的分析，在定期维护和业务决策支撑等领域存在优势。边缘计算则聚焦实时的、短周期的数据分析，及时本地处理，能更好地实时智能化处理和执行本地业务。在“云边协同”架构中，边缘计算通过在边缘服务器部署的智能算法对终端采集到的数据进行大数据分析和算法运算，提取出的特征量和预测结果将作为虚拟电厂最优运行决策的重要参考来源。虚拟电厂内部业务包括远程能源管理、光伏消纳等，与电网的联结业务有可再生能源消纳、需求侧竞价等，这些业务在出力过程中可能会存在冲突，需要根据完成效益进行协同。业务的协同为管理协同的进行奠定了基础，管理人员不需要对现有的管理模式进行更改，只需根据传输到云中心的有意义数据并反馈给智能终端，保证运维服务的完善，定期对电力市场交易规则进行更新，将电网资源进行整合并控制不确定性，以确保电网的安全、稳定、可靠的运行。

相较于现有虚拟电厂架构，基于边缘计算的虚拟电厂调度系统具有类型多、数量大的智能终端，未来也会向高密度和集成化的多个子系统方向发展。虚拟电厂调度系统在边缘侧就能进行数据处理，通过小型高性能的计算单元将高层控制的一些业务分散在各边缘节点处进行，这样一来不但网络整体的数据计算和存储能力得到全面扩展，也提高了业务的实时性和准确性。它综合现有各类能源管理系统的优势，能够全面精准展示发电产量和用户能耗。

1.2 边缘计算节点中的智能终端设计

虚拟电厂的协调控制离不开完善的计量技术［15］，该技术能够帮助虚拟电厂掌握其内部不同单元的运行信息状态，控制虚拟电厂分布式电源的出力工况。智能计量技术通过主动性智能化的监控终端，采集发电和用电数据并获取用户冷热电气水等能源消费需求量和能源供给量，实现自助抄表，为确定区域内的能源需求和供给量提供重要的技术支持。想要实现虚拟电厂的智能化运行，必须依赖智能计量技术，实现分布式能源、用户负荷等内部的能量管理平衡，既能实时获取虚拟电厂内部的能量需求，又能够及时进行能量供给决策，以达到能量供需平衡的目标。对终端用户来说，智能化的计量技术可以帮助用户分析其不同能源的消费行为，为优化用户的能源消费行为和获取最佳的用能效益提供关键的决策依据。

本文设计的边缘计算节点中的智能终端不仅具有智能计量技术还具备智能网关的作用，同时还与边缘计算服务器进行通讯并分析用户用电行为和最佳用能效率等。智能终端的系统模块设计如图3所示，硬件总体设计主要分为3个部分：核心部分是主控单元，主要包括MCU芯片，电源模块、安全模块（掉电保护）、电能计量模块，存储模块、RTC时钟、LCD显示、RS485串口模块等部分；其次是受控单元，主要是扩展IO口，控制着负荷开关等，根据应用场景的变化可选择固态开关或普通开关；另外是串口通信和人机交互模块，要想通过智能计量设备内置的算法或与云端后台管理系统中的命令和算法进行远程控制和数据采集监测，则需要实现智能计量设备与云端后台管理系统间的实时通信功能设计，智能终端将采集的分布式能源出力及用户侧负荷通过以太网、WIFI等上传给边缘计算节点的服务器端。

图3 智能终端功能模块图Fig.3 Smart terminal function module diagram

2 边缘侧出力预测优化算法

上文有提到可以通过在边缘服务器中部署算法程序来对终端采集到的数据进行数据分析和数据处理，并将数据计算运行结果作为虚拟电厂的优化决策依据的问题描述。受各种天气因素的影响，可再生能源的发电量具有较大的波动性，因此，对可再生能源发电机组的出力预测成为了边缘侧智能算法的重要组成部分。以预测光伏发电站出力为例，目前主要有两类出力预测方法：统计学和人工智能。统计学方法主要有多元线性回归模型、三维模型等，人工智能方法主要有BP 神经网络、灰色模型、粒子群和支持向量机等［16］。采用神经网络算法预测光伏出力，易出现局部最优的状况［17-18］；为了避免BP神经网络算法预测处理时陷入局部最优，提出了引入自适应学习率调节和陡度因子的BP神经网络算法，能够加快算法的收敛速度［19］；将遗传算法和BP 神经网络算法相结合也能用于预测光伏出力［20-21］；采用支持向量机的办法预测光伏出力时，在预测长期的、数据量较大的光伏出力系统上，收敛性不理想且精确度不高［22-25］；运用马尔可夫链预测模型进行光伏出力预测，对数据波动性较大的光伏系统出力预测有着较高的准确性［26］；采用基于灰色模型预测光伏出力时对原始数据的要求比较高［27］。

针对上述问题，本文建立了一种基于灰色系统GM（1，2）模型和马尔可夫链预测的组合预测模型。

2.1 灰色GM(1,2)-马尔可夫预测模型原理

2.1.1 灰色系统模型

灰色系统模型预测聚焦于各影响因素之间的发展联系，能够把含有不确定因素的系统进行定量预测［28］，通过对历史数据进行累加处理生成有规律的序列并建立灰色微分方程，从而建立起灰色系统预测模型，然后从中发现原始数据波动的规律［29］，以此为基础对未来状态进行规律的、科学的预测［30］。将随机变量作为灰色模型变量，先累加处理历史数据，使处理后的数据具有更强的规律性，之后根据灰色模型得到的相应灰色微分方程进一步处理数据，最后利用逆处理推出原始数据的预测值［31］。

在处理数据量少、数据波动性不大的系统时灰色GM（1，1）预测模型能有较高的准确性，但当数据波动较大时往往不能很好地掌握其波动规律，从而导致预测结果不够精确［32］。而GM（1，2）模型在灰色GM（1，1）预测模型的基础上增加一个与主序列有着较强关联性的从序列，能够在原始数据随机性较大时保证预测结果的高精确性，其模型如下：

取光伏发电功率作为原始数据序列：

其相关因素的从序列为：

建立的灰色生成模型为：

得到相应的微分方程

式（6）中，a为灰色模型的发展系数，b为灰色系统的灰色系数。

通过求解式（6）微分方程得到灰色模型预测方程为：

求得相应的原始数据预测值为：

2.1.2 马尔可夫链模型

马尔可夫链是一个具有离散状态和时间分布的时间序列，存在随机性和无后效性，运用马尔可夫链进行预测可以进行有效的动态预测［33］。下面是其预测模型搭建的基本步骤：

设定随机过程{xn，n ∈T}，其中的时间参数T 满足T ={0，1，2，…}，状态空间I ={i0，i1，i2，…}，如果该随机过程{xn，n ∈T}对任意时间参数T 和状态空间I，满足如式（10）所示的条件分布

则该随机过程{xn，n ∈T}称为马尔可夫链。

当该随机系统中，一种状态变成另一种状态时，称为状态转移，马尔可夫链的一个状态更改为另一个状态的过程中，存在状态转移概率分布，其转移条件概率如式（11）所示

若存在状态Xn= i 转移到Xn+1= j 的转移概率Pij与时间参数n无关，则该马尔可夫链是齐次的，其状态转移矩阵最终是趋于稳定的。

2.1.3 灰色GM（1，2）-马尔可夫预测模型

若原始数据具有较大的波动性和随机性，采用灰色系统模型预测时会产生较大误差。

马尔可夫链能够很好地反映随机过程的特征，具有无后效性的特点，同时光伏发电量受到天气变化的极大影响，这是一个随机过程，波动较大。马尔可夫链预测模型使用状态之间的转移概率来预测未来状态，可以很好地反映随机因素的影响，在原始数据波动性较大的预测中依然可以有效地进行预测。故本文将灰色GM（1，2）模型与马尔可夫链组合起来，以期获得更高的预测精度。

建立灰色GM（1，2）-马尔可夫预测模型总体分为以下几步：

1）通过对光伏发电量序列及其相关因素的分析，确定GM（1，2）预测中相关因素序列x(0)2，取n天的光伏发电量作为原始数据，建立灰色系统GM（1，2）模型；

2）利用灰色系统GM（1，2）模型，预测出发电量；

3）以灰色系统模型的预测结果为基础，选用合适的状态划分方式对n天光伏发电量的实际数据和预测数据进行状态划分，建立马尔可夫链预测模型进行修正来得到最终的预测结果。

灰色GM（1，2）-马尔可夫预测模型流程具体步骤如图4所示。

图4 灰色GM(1，2)-马尔可夫预测模型流程图Fig.4 Gray GM(1，2)-markov predictive model flow chart

之后，对灰色GM（1，2）预测进行马尔可夫修正来进一步提高其准确性。首先，需要进行状态划分，为了修正灰色预测值，可以对误差进行状态划分，从而减小灰色预测值的误差来提高精确度，将发电功率实际值与预测值进行误差分析，计算n 天内灰色GM（1，2）预测值与实际发电量之间的相对误差ε（k）。

其中k = 1，2，…，n，然后把相对误差划分成m 个状态，若ε（k）∈（d1i，d2i），i = 1，2，…，m，那么第k天的相对误差处于Ei状态，d1i，d2i为Ei状态的上界和下界；划分好状态区间后，根据相对误差确定各天相对误差所对应的状态，按照步长的不同，根据式（13）分别求取其对应的状态转移矩阵P(k)；分析预测日所处时间和前K天（含当天）中每一天各自的时间间隔，即确定状态转移步长k，在状态转移矩阵P(k)中按步长k的不同，各自取应的行组成新的矩阵，作为预测下一时刻系统所处状态的概率分布矩阵P；根据概率分布矩阵，确定概率最大的状态为预测日所处的误差状态Ei，则最终的预测值为

由此便完成了对灰色GM（1，2）模型预测值的马尔可夫修正，缩小预测误差，进一步提高灰色GM（1，2）-马尔可夫预测模型的准确性。

2.2 算例仿真

以辽宁省锦州市某光伏电站2015年1月6日至20日的发电量为原始数据，采用灰色GM（1，2）-马尔可夫预测模型对其光伏发电量进行预测。

2.2.1 灰色系统GM（1，2）模型预测

该光伏电站原始数据如表1所示。

表1 6-20日光伏实际功率与辐照强度Table 1 6-20 days of actual PV power and irradiation intensity

搭建MATLAB仿真模型，用灰色系统GM（1，2）模型对其15 d的发电量进行预测，预测结果如图5所示。

图5 灰色系统GM(1，2)模型预测结果Fig.5 Gray system GM(1，2)model prediction results

根据马尔可夫链状态空间划分方法结合实际数据，将相对误差分为5 种状态，划分标准如表2。绘制15 d实际值与灰色系统预测值对比表格并按表2的划分确定相对误差所处的状态如表3。

表2 相对误差划分状Table 2 Relative error division

表3 6-20日光伏实际出力与灰色系统预测出力Table 3 6-20 PV actual output and grey system forecast power

2.2.2 加权马尔可夫链预测

从表2 每天的状态，根据式（6）可以计算出1 到5步长的概率转移矩阵。

选取预测日，以1 日～11 日为例，前5 日的相对误差所在的状态作为初始状态，离预测日远近将转移步数分为1，2，3，4，5，在对应的概率转移矩阵中，取初始状态所在的行向量构成新的矩阵：

计算可得1月11日的最终发力预测值为3 496.5 kWh，同理得到灰色-马尔可夫链预测结果如表4所示。

通过对比表3 和表4，可以看出仅仅通过灰色GM（1，2）模型预测的发电量仍存在较大误差，相对误差最高达17%，对比经过马尔可夫链修正的预测结果，其相对误差明显缩小，最大不超过5%。由此可以看出，将灰色GM（1，2）预测模型同马尔可夫链结合起来，各自的优势得以发挥。运用灰色GM（1，2）模型对边缘侧光伏出力进行预测时，其预测结果虽然具有一定的精度但效果不太理想，利用在预测数据波动性、随机性较大系统时表现较好的马尔可夫链进行修正后，使得最终的预测结果更加精确。

表4 灰色-马尔可夫链预测结果Table 4 Grey-markov chain predictionresults

3 结语

为了解决分布式能源大量接入到电网所带来的冲击以及满足虚拟电厂在数据处理和实时性的要求，提出了基于边缘计算的虚拟电厂架构，在虚拟电厂架构中增加边缘节点把边缘计算技术用于实时数据的处理，从而提高其可靠性及实时性。同时对虚拟电厂边缘侧的光伏出力进行预测，提供了一种光伏出力预测的优化算法并对其进行了算例分析其实用性，为边缘计算及虚拟电厂的应用及发展提供了理论基础和创新思路。

［参考文献］（References）

［1］ 陈熙，付威，季青川，等.综合能源服务改造项目经济效益评价方法研究［J］.湖北电力，2019，43（03）：42-48.CHEN Xi，FU Wei，JI Qingchuan，et al.Research on economic benefit evaluation method of integrated energy service renovation projects［J］.Hubei Electric Power，2019，43（03）：42-48.

［2］ Yuchang Kang，Lo Kwoklun，Kockar Ivana.Optimal energy management for virtual power plant with renewable generation［C］.Proceedings of The 9th Asia-Pacific Power and Energy Engineering Conference（APPEEC），2017.

［3］ 卫志农，余爽，孙国强，等.虚拟电厂的概念与发展［J］.电力系统自动化，2013，37（13）：1-9.WEI Zhinong，YU Shuang，SUN Guoqiang.Concept and development of virtual power plant［J］.Automation of Electric Power Systems，2013，37（13）：1-9.

［4］ 洪博文，李琼慧，何永胜，等.虚拟电厂在分布式光伏发电应用示范区中的应用及前景［J］.电力建设，2017，38（09）：32-37.HONG Bowen，LI Qionghui，HE Yongsheng.Applications and prospect of virtual power plant in distributed photovoltaic generation application demonstration area［J］.Electric Power Construction，2017，38（09）：32-37.

［5］ 赵佶.边缘计算网关设备的构建和部署问题的研究［D］.大连：大连理工大学，2018.ZHAO Ji.Research on the construction and deployment of edge computing gateway devices ［D］.Dalian：Dalian University of Technology，2018.

［6］ 蔡德福，曹侃，唐泽洋，等.大数据技术在电力系统的应用［J］.湖北电力，2016，40（06）：22-26.CAI Defu，CAO Kan，TANG Zeyang，et al.Application of big data technologies in power system［J］.Hubei Electric Power，2016，40（06）：22-26.

［7］ Pandžić Hrvoje，Kuzle Igor，Capuder Tomislav.Virtual power plant mid-term dispatch optimization［J］.Applied Energy，2013，（101）：134-141.

［8］ 施巍松，孙辉，曹杰，等.边缘计算：万物互联时代新型计算模型［J］.计算机研究与发展，2017，54（05）：907-924.SHI Weisong，SUN Hui，CAO Jie，et al.Edge computing-an emerging computing model for the internet of everything era［J］.Journal of Computer Research and Development，2017，54（05）：907-924.

［9］ 楚俊生，张博山，林兆骥.边缘计算在物联网领域的应用及展望［J］.信息通信技术，2018，（05）：31-39.CHU Junsheng，ZHANG Boshan，LIN Zhaoji.Application and expectation of edge computing in internet of things［J］.Information and Communications Technologies，2018，（05）：31-39.

［10］ 刘宗长.CPS、云计算、边缘计算在工业智能中的应用探索［J］.软件和集成电路，2017，（08）：94-95.

［11］ John C.Edison，Lee Edward A.，Matic Slobodan，et al.Timecentric models for designing embedded cyber-physical syste-ms ［R］.Electrical Engineering and Computer Sciences，University of California at Berkeley，2009.

［12］ 李彬，贾滨诚，陈宋宋，等.边缘计算在电力供需领域的应用展望［J］.中国电力，2018，51（11）：154-162.LI Bin，JIA Bincheng，CHEN Songsong，et al.Prospect of application of edge computing in the field of supply and demand［J］.Electric Power，2018，51（11）：154-162.

［13］ 李彬，贾滨诚，曹望璋，等.边缘计算在电力需求响应业务中的应用展望［J］.电网技术，2018，42（01）：79-87.LI Bin，JIA Bincheng，CAO Wangzhang，et al.Application prospect of edge computing in power demand response business［J］.Power System Technology，2018，42（01）：79-87.

［14］ 常巩.计及不确定性因素和偏差电量互补的虚拟电厂群优化调度研究［D］.长沙：长沙理工大学，2018.CHANG Gong.Optimal scheduling research for virtual power plant cluster considering uncertainty and deviation electric quantity complementation ［D］.Changsha： Changsha University of Science and Technology，2018.

［15］ 冯其芝.含微电网的虚拟电厂分层随机优化调度［D］.南京：东南大学，2015.FENG Qizhi.The hierarchical and stochastic optimal dispatch of virtual power plant containing micro-grid［D］.Nanjing：Southeastern University，2015.

［16］ 周潮，邢文洋，李宇龙.电力系统负荷预测方法综述［J］.电源学报，2012，（06）：32-39.ZHOU Chao，XING Wenyang，LI Yulong.Summarization on load forecasting method of electrical power system［J］.Journal of Power Supply，2012，（06）：32-39.

［17］ Paoli Christophe，Voyant Cyril，Muselli Marc，et al.Forecasting of preprocessed daily solar radiation time series using neural networks［J］.Solar Energy，2010，84（12）：2146-2160.

［18］ 袁晓玲，施俊华，徐杰彦.基于BP神经网络的光伏发电短期出力预测［J］.可再生能源，2013，31（07）：11-16.YUAN Xiaoling，SHI Junhua，XU Jieyan.Short-term power forecast for photovoltaic generation based on BP neutral network［J］.Renewable Energy Resources，2013，31（07）：11-16.

［19］ 刘娟，杨俊杰.基于改进的GA-BP 神经网络光伏发电短期出力预测［J］.上海电力学院学报，2018，34（01）：9-13.LIU Juan，YANG Junjie.PV short-term output forecasting based on improved GA-BP neural network［J］.Journal of Shanghai University of Electric Power，2018，34（01）：9-13.

［20］ 栗然，李广敏.基于支持向量机回归的光伏发电出力预测［J］.中国电力，2008，41（02）：74-78.LI Ran，LI Guangmin.Photovoltaic power generation output forecasting based on support vector machine regression technique［J］.Electric Power，2008，41（02）：74-78.

［21］ 朱永强，田军.最小二乘支持向量机在光伏功率预测中的应用［J］.电网技术，2011，35（07）：54-59.ZHU Yongqiang，TIAN Jun.Application of least square support vector machine in photovoltaic power forecasting［J］.Power System Technology，2011，35（07）：54-59.

［22］ Jie Shi，Lee Wei-Jen，Yongqian Liu，et al.Forecasting power output of photovoltaic systems based on weather classification and support vector machines［J］.IEEE Transactions on Industry Applications，2018，48（03）：1064-1069.

［23］ 单英浩，付青，耿炫，等.基于改进BP-SVM-ELM 与粒子化SOM-LSF 的微电网光伏发电组合预测方法［J］.中国电机工程学报，2016，36（12）：3334-3342.SHAN Yinghao，FU Qing，GENG Xuan，et al.Combined forecasting of photovoltaic power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF with particlization［J］.Proceedings of the CSEE，2016，36（12）：3334-3342.

［24］ 王继东，宋智林，冉冉.基于改进支持向量机算法的光伏发电短期功率滚动预测［J］.电力系统及其自动化学报，2016，28（11）：9-13.WANG Jidong，SONG Zhilin，RAN Ran.Short-term photovoltaic power generation rolling forecast based on optimized SVM［J］.Proceedings of the CSU-EPSA，2016，28（11）：9-13.

［25］ 李英姿，贺琳，牛进苍.基于马尔可夫链的光伏并网发电量预测［J］.太阳能学报，2014，35（04）：611-616.LI Yingzi，HE Lin，NIU Jincang.Forecasting power generation of grid-connected solar PV system based on markov chain［J］.Acta Energiae Solaris Sinica，2014，35（04）：611-616.

［26］ 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（01）：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（01）：152-157.

［27］ 王飞，米增强，甄钊，等.基于天气状态模式识别的光伏电站发电功率分类预测方法［J］.中国电机工程学报，2013，33（34）：75-82.WANG Fei，MI Zengqiang，ZHEN Zhao，et al.A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition［J］.Proceedings of the CSEE，2013，33（34）：75-82.

［28］ 周悦，蔡田，卢子敬.基于调度运行数据的稳定极限分析［J］.湖北电力，2017，41（09）：11-14.ZHOU Yue，CAI Tian，LU Zijin.Analysis on stability limit which base on dispatching data［J］.Hubei Electric Power，2017，41（09）：11-14.

［29］ 郑伟洁.灰色系统预测模型的构建及其实证应用［D］.宁波：宁波大学，2014.ZHENG Weijie.Construction and application of grey forecast system model［J］.Ningbo：Ningbo University，2014.

［30］ Min Jin，Xiang Zhou，Zhi M.Zhang，et al.Short-term power load forecasting using grey correlation contest modeling［J］.Expert Systems With Applications，2011，39（01）：773-779.

［31］ XIE Naiming，YUAN Chaoqing，YANG Yingjie.Forecasting China's energy demand and self-sufficiency rate by grey forecasting model and Markov model［J］.International journal of electrical power and energy systems，2015，66（05）：1-8.

［32］ 王璐，沙秀艳，薛颖.改进的GM（1，1）灰色预测模型及其应用［J］.统计与决策，2016，（10）：74-77.

［33］ 李燕斌，张久菊，肖俊明.灰色-马尔可夫链统计组合模型在光伏发电功率短期预测中的应用［J］.电测与仪表，2015，52（23）：111-116.LI Yanbin，ZHANG Jiuju，XIAO Junming.Photovoltaic power short-term forecasting based on Gray-Markov chain statistical combination model［J］.Electrical Measurement &Instrumentation，2015，52（23）：111-116.