灰色_马尔科夫模型在风电场风速预测中的应用

合集下载

基于灰色-辨识模型的风电功率短期预测

迭代辨识模型，从分段函数的角度对风电场实际风速一风电功率曲线进行拟合，取得合适的ＦＩＲ－ＭＡ模型。利用该模型对额定

容量为８５０ｋＷ的风电机组进行建模，采用平均绝对误差和均方根误差，以及单点误差作为评价指标，与风电场的实测数据进
（ＩｎｓｔｉｔｕｔｅｏｆＥｌｅｃｔｒｉｃａｌＡｕｔｏｍａｔｉｏｎ，ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ２１４１２２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏｐｒｅｄｉｃｔｔｈｅｏｕｔｐｕｔｐｏｗｅｒｏｆｗｉｎｄｔｕｒｂｉｎｅａｃｃｕｒａｔｅｌｙ，ｂａｓｅｄｏｎｔｈｅＧＭ（１，１）ｍｏｄｅｌａｎｄｔｈｅｉｄｅｎｔｉｉｆｃａｔｉｏｎｍｅｔｈｏｄ，ａ
ｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｓｈｏｒｔ — ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｉｓｐｒｅｓｅｎｔｅｄｆｏｒｔｈｅｒｅａｌｗｉｎｄｆａｒｍ．Ｔｈｅｒｅｖｉｓｉｏｎｏｆｒｅｓｉｄｕａｌｅｒｒｏｒｉｓａｐｐｌｉｅｄｔｏｆｏｒｅｃａｓｔｔｈｅｗｉｎｄｓｐｅｅｄａｎｄｇｅｔｔｈｅａｃｃｕｒａｔｅｐｒｅｄｉｃｔｅｄｗｉｎｄｓｐｅｅｄｓｅｒｉｅｓ．Ｔｈｅｎ，ｉｎｏｒｄｅｒｔｏｉｎｃｒｅａｓｅｔｈｅｐｒｅｄｉｃｔｉｏｎｐｒｅｃｉｓｉｏｎｏｆｗｉｎｄｐｏｗｅｒ，ｔｈｅＦＩＲ－ＭＡｉｔｅｒａｔｉｖｅｉｄｅｎｔｉｉｆｃａｔｉｏｎｍｏｄｅｌｉｓａｄｏｐｔｅｄｔｏｉｆｔｔｈｅｒｅａｌｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｅｑｕｅｎｔｉａｌｗｉｎｄｓｐｅｅｄａｎｄｗｉｎｄｐｏｗｅｒａｎｄｇｅｔｔｈｅｐｒｏｐｅｒＦＩＲ－ＭＡｍｏｄｅ１．Ｂｙｍｏｄｅｌｉｎｇｔｈｅｗｉｎｄｔｕｒｂｉｎｅｗｈｏｓｅｒａｔｅｄｃａｐａｃｉｔｙｉｓ８５０ｋＷ，ｔｈｉｓｐａｐｅｒｃｏｍｐａｒｅｓｔｈｅｐｒｅｄｉｃｔｅｄｗｉｎｄｇｅｎｅｒａｔｉｏｎｐｏｗｅｒｗｉｔｈｔｈｅｏｂｓｅｒｖｅｄｄａｔａｕｓｉｎｇｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔａｇｅｅｒｒｏｒ，ｒｏｏｔｍｅｎａｓｑｕａｒｅｅｒｒｏｒａｎｄｓｉｎｇｌｅｐｏｉｎｔｅｒｒｏｒａｓｉｔｓｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｓｈｏｗｓｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｔｈｅｐｒａｃｔｉｃａｌａｐｐｌｉｃａｂｉｌｉｔｙｏｆｔｈｅｐｒｅｓｅｎｔｅｄｍｅｔｈｏｄ，

利用马尔可夫模型进行天气预测的方法(七)

利用马尔可夫模型进行天气预测的方法天气预测一直是人们十分关注的话题，无论是农民需要知道未来的降雨情况，还是旅行者需要了解目的地的天气情况，都需要准确的天气预测。

传统的气象预测方法通过收集大量的气象数据，使用数学模型进行预测。

然而，随着人工智能技术的发展，利用马尔可夫模型进行天气预测成为了一种新的方法。

本文将介绍马尔可夫模型在天气预测中的应用方法。

马尔可夫模型是一种描述随机变量之间的转移概率的数学模型。

在天气预测中，我们可以将不同的天气状态看作是一个随机变量，而不同天气状态之间的转移概率可以用马尔可夫模型来描述。

在利用马尔可夫模型进行天气预测时，首先需要对历史天气数据进行分析，计算不同天气状态之间的转移概率，然后根据当前的天气状态和转移概率，预测未来的天气状态。

马尔可夫模型在天气预测中的应用有很多优势。

首先，它能够利用历史数据进行预测，不需要依赖复杂的物理模型。

其次，马尔可夫模型能够比较灵活地应对不同的天气变化，无论是季节性变化还是突发性天气变化，都能够进行有效的预测。

此外，由于马尔可夫模型的计算效率比较高，因此能够在短时间内进行大量的天气预测，满足多种需求。

然而，马尔可夫模型也存在一些局限性。

首先，它假设未来的状态只与当前的状态有关，与之前的状态无关。

这在一定程度上限制了其对天气预测的准确性。

其次，马尔可夫模型对数据的要求比较高，需要大量的历史数据来进行训练，否则容易出现过拟合的情况。

因此，在利用马尔可夫模型进行天气预测时，需要谨慎选择合适的历史数据，并进行充分的训练和验证。

在实际应用中，利用马尔可夫模型进行天气预测需要经过以下几个步骤。

首先，收集并整理历史天气数据，包括气温、湿度、风向等多个指标。

其次，对历史数据进行分析，计算不同天气状态之间的转移概率。

然后，根据当前的天气状态和转移概率，预测未来的天气状态。

最后，对预测结果进行验证和调整，不断优化模型的准确性。

除了马尔可夫模型，还有其他一些方法可以用于天气预测，例如神经网络模型、回归模型等。

灰色马尔可夫预测模型在台风诱发灾害研究中的应用的开题报告

灰色马尔可夫预测模型在台风诱发灾害研究中的应用的开
题报告
一、选题的背景和意义
灰色马尔可夫预测模型是一种运用灰色理论和马尔可夫链方法相结合的时间序列预测模型。

在自然灾害研究领域中，应用该模型可对台风诱发的灾害进行预测和预警，对于减少灾害损失具有重要意义。

二、研究的目的和内容
本研究旨在运用灰色马尔可夫预测模型，分析台风对某地区造成的灾害，提升该地区的防灾减灾能力。

具体内容包括：
（1）收集并整理该地区近年来台风灾情数据；
（2）基于灰色马尔可夫预测模型构建台风灾害预测模型；
（3）应用模型对该地区未来一段时间内的台风灾害进行预测和预警；
（4）提出相应的防灾减灾措施和应对策略。

三、研究的方法和步骤
本研究采用以下方法和步骤：
（1）文献调研，收集该地区近年来的台风数据；
（2）建立灰色马尔可夫预测模型，选取相应的灰色预测模型和马尔可夫链模型；
（3）应用模型进行数据预测，并与实际数据进行对比验证；
（4）分析预测结果，提出相应的措施和策略。

四、研究的预期结果
本研究预期能够：
（1）采用灰色马尔可夫预测模型对台风诱发的灾害进行预测；
（2）提出一定的防灾减灾措施和应对策略；
（3）为进一步研究台风灾害防治提供参考和借鉴。

五、研究的进度安排
本研究的具体进度安排如下：
（1）2021年6-8月：文献调研与理论研究；（2）2021年9-11月：数据收集与模型构建；（3）2021年12月-2022年3月：数据预测与分析；（4）2022年4-6月：撰写论文并进行答辩。

基于灰色模型的风速_风电功率预测研究

第38卷第19期电力系统保护与控制Vol.38 No.19 2010年10月1日 Power System Protection and Control Oct. 1, 2010 基于灰色模型的风速-风电功率预测研究李俊芳，张步涵，谢光龙，李妍，毛承雄（电力安全与高效湖北省重点实验室（华中科技大学），湖北武汉 430074）摘要：风场中风速变化带来的风电功率波动是影响风电质量的重要因素。

基于灰色模型，对超短时平稳风速进行了一步至四步预测，并且检验了预测误差情况。

对不稳定风和阵风进行风速预测，以平稳风为例，根据实际风电功率和对应时序风速的关系建模，得到了风电功率随风速变化的各类模型下的拟合参数。

为了提高风电功率的预测精度，通过从分段函数和整体建模两个角度比较各种模型的准确程度，得到了适宜于作为风电功率特性曲线的函数模型。

通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较，得到了更适宜作为风电功率特性的模型。

用我国某风场的数据验证了方法的有效性。

关键词：风场；灰色模型；实时风速预测；风电功率特性曲线；信赖域法Grey predictor models for wind speed-wind power predictionLI Jun-fang，ZHANG Bu-han，XIE Guang-long，LI Yan，MAO Cheng-xiong（Electric Power Security and High Efficiency Lab，Huazhong University of Science and Technology，Wuhan 430074，China）Abstract：High variability in generated wind power that results from the wind speed is the key factor that impacts power quality B．ased on grey predictor models this paper presents one，-step to four-step average ten-minute wind speed forecasting and gives the residual error for steady wind Wind speed predictions for unsteady wind and gust are also made Then taking the steady．．，wind speed for instance fitt，ing parameters in various models that wind power changes with wind speed are obtained by modelling the relationship between real wind power and sequential wind speed. In order to enhance the forecasting precision of wind power, the function model fitting for wind power characteristic is established through comparing the precision of different models from the aspect of piecewise function and overall model This paper compares the two modelling methods and finds the appropriate one Compared．．the simulated value with actual value better model fitting for wind power characteristics is obtained Finally the actual data from，．，wind farm in China proves that this method is effective．This work is supported by Special Fund of the National Basic Research Program of China (No.2009CB219702).Key words：wind farm；grey predictor model；real time wind speed forecasting；wind power characteristic；trust region method 中图分类号： TM715 文献标识码：A 文章编号： 1674-3415(2010)19-0151-090 引言随着新能源发电在世界各国的开展，风能发电由于其具有比传统能源发电更加清洁环保、以及取之不尽用之不竭的特点，是目前世界上首选的可再生能源发电模式。

基于GM(1,1)模型与灰色Verhulst模型的风速预测

电功率预测研究。
ＷｉｎｄＳｐｅｅｄＰｒｅｄｉｃｔｉｏｎＢａｓｅｄｏｎＧＭ（１，１）ＭｏｄｅｌａｎｄＶｅｒｈｕｌｓｔＭｏｄｅｌ
ＪＩＮＸｉａｏｚｈａｏ，ＷＡＮＧＪｕａｎｊｕａｎ，ＺＨＡＯＷｅｎｌｅｔ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＩｎｆｏｒｍａｔｉｏｎ，ＤａｌｉａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｄａｌｉａｎ１１６０２８Leabharlann ，Ｃｈｉｎａ）摘
１１６０２８）
要：在阐述灰色系统理论的基础上，将ＧＭ（１，１）模型与灰色Ｖｅｒｈｕｌｓｔ模型应靳小钊（１９８９一），男，硕士研究生，研
究方向为风速及风
用至风力发电预测中，最终利用这两种模型分别对某Ｅｔ１０：２０至１１：００的风速数据进行分析建模，预测１１：１０与１１：２０的风速。最后通过残差分析得出Ｖｅｒｈｕｌｓｔ模型的预测精度更高，更适合应用于风速预测分析。
电器与能效管理技术（２０１５Ｎｏ．４）
・分布式电源及并网技术・
基于ＧＭ（１，１）模型与灰色Ｖｅｒｈｕｌｓｔ模型的风速预测水
靳小钊，王娟娟，赵闻蕾

基于灰色-马尔可夫链的短期风速及风电功率预测

基于灰色-马尔可夫链的短期风速及风电功率预测章伟;邓院昌【期刊名称】《中国电力》【年(卷),期】2013(046)002【摘要】Wind speed has the characteristics of large stochastic volatility, which affects the wind power and the stability of the grid connected with it. Good predictions of wind speed and wind power are the key to solve the integration problem of wind power with grid. A comparison between grey models and Markov chain models for predicting wind speed is made. The gray-Markov chain prediction model and the wind speed prediction error are obtained by analyzing the error transfer series of the fitted values with grey models and establishing Markov state transition probability matrices. The expected values of the transfer matrices are used to correct the traditional Markov chain, and the improved gray-Markov chain model can thus be obtained to predict the wind power directly. Comparing with the real power curve, the improved grey-Markov model is better in prediction accuracy.%风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键.为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析.通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值.并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析.结果表明,改进型灰色-马尔可夫链模型预测精度更高.【总页数】5页(P98-102)【作者】章伟;邓院昌【作者单位】中山大学工学院,广东广州 510006【正文语种】中文【中图分类】TM614【相关文献】1.基于OS-ELM的风速修正及短期风电功率预测 [J], 张颖超;肖寅;邓华;王璐2.基于风速升降特征的短期风电功率预测 [J], 叶小岭;陈浩;郭晓杰;邓华;王雅晨3.基于风速融合和NARX神经网络的短期风电功率预测 [J], 徐遵义; 王俊雪4.基于风速分频和权值匹配的RBF超短期风电功率预测方法 [J], 杨茂;董昊5.基于门控递归单元神经网络的风速误差修正模型短期风电功率预测 [J], 刘俐利因版权原因，仅展示原文概要，查看原文内容请购买。

年风力发电量的灰色预测模型及其优化

182电力技术1　引言现如今化石燃料的消耗正在逐渐加大，由此引发的严重的污染问题时刻挑战着人类，而人类还要面对着现存的资源正在不断干枯的挑战。

而对环境无污染无消极作用的风能等洁净的可再生能源有可观的发展前景，能够在将来的发电比例中占有很大的成分，所以，未来关乎人类的生存与发展以及减少环境污染的问题，风力发电都有着至关重要的作用。

灰色预测法是一种直接预测功率的方法，但其前提是以风电场的历史发电量预测模型为基础来进行预测。

由于所有应用灰色理论进行研究的系统有一个共同的特性就是系统的已知和未知信息各占一部分，而风力发电系统中恰好影响其发电变化的原因是不能确定的，故而可以被视作一个灰色系统。

目前电力负荷预测中大多应用灰色理论所以将其应用在中长期风电功率预测中也是可行的。

本文主要对灰色GM（1,1）模型在富锦9号风机的年风力发电量预测中的应用进行了一定的研究。

2　灰色预测法简介灰色预测法是一种直接预测功率的方法，但其前提是以风电场的历史发电量预测模型为基础来进行预测。

灰色理论研究的系统具有系统的已知和未知信息各占一部分的特点，风力发电容量的变化受不确定因素影响，所表现出来的变化看似无任何规律可言，正是由于这个特点，可以将其视为一个灰色系统，进行研究。

灰色预测模型预测时需要较少的历史数据，模型结构相对简单，计算过程简易，虽然无需考虑其分布规律，但丝毫不影响其预测的准确度，有诸如上述的这些优点，所以得到了广泛的应用。

本文利用新陈代谢GM(1 ,1) 模型对富锦风电场某发电机组的年发电容量进行了预测及检验，还弥补了常规模型仅对最近几个数据预测精度高的缺点，对年风力发电量的预测具有重要意义。

3　新陈代谢GM(1,1)模型的应用第一次样本数据选择富锦11号风电机组于1960年至1967年的年发电量，以此来建立灰色模型GM(1,1)，预测1968年的风电机组年发电量；第二次样本数据选择富锦9号风电机组于1960年至1967年的年发电量，以此来建立灰色模型GM(1,1)，预测1968年的风电机组年发电量；以此类推，将每次得到的最新数据代替最老的发电数据，以此方式进行新陈代谢，代谢到最终预测出2020年风电机组的年发电量结束。

利用马尔可夫模型进行天气预测的方法(五)

天气预测一直是人们关注的话题。

无论是日常生活中出门前的穿衣搭配，还是农业生产中的灌溉安排，都需要对未来天气有所了解。

而利用马尔可夫模型进行天气预测成为了一种新的方法。

本文将介绍这一方法的原理和应用。

马尔可夫模型是一种基于概率的动态系统建模方法。

它假设当前状态只与前一时刻的状态相关，与更早的状态无关。

这种假设在天气预测中是合理的，因为天气的变化通常是连续的，而且当前的天气状态往往与前一时刻的状态相关。

利用马尔可夫模型进行天气预测的方法可以分为两个步骤。

首先是模型的训练，然后是利用训练好的模型进行预测。

在模型训练阶段，我们需要收集历史天气数据。

这些数据可以包括每天的气温、湿度、风向风速等信息。

然后，我们将这些数据转化为状态序列，比如晴天、多云、雨天等。

接着，我们统计相邻两天之间的状态转移概率。

这个转移概率矩阵将成为我们的模型参数。

在模型预测阶段，我们首先需要确定当前的天气状态。

这可以通过观测实际的天气情况来得到。

然后，我们利用训练好的马尔可夫模型，根据当前状态和状态转移概率矩阵，计算出下一时刻各种天气状态的概率分布。

最后，我们根据这个概率分布，选择概率最大的那种天气状态作为预测结果。

利用马尔可夫模型进行天气预测的方法有几个优点。

首先，它能够较好地捕捉天气状态之间的动态关系，因此对于短期的天气预测效果较好。

其次，它能够利用历史数据进行训练，因此对于历史较为稳定的地区，预测效果也较好。

另外，马尔可夫模型的参数较少，计算量较小，因此在实际应用中也比较方便。

然而，利用马尔可夫模型进行天气预测也有一些局限性。

首先，它假设当前状态只与前一时刻的状态相关，而与更早的状态无关。

这在某些情况下可能不成立，比如气象系统受到外部因素影响较大的情况。

其次，马尔可夫模型对状态转移概率的估计需要充分的历史数据，而对于新出现的天气情况，其预测效果可能不如其他方法。

总的来说，利用马尔可夫模型进行天气预测是一种新的方法，它在一些特定的情况下能够取得较好的效果。

基于灰色模型的风电场风速预测

基于灰色模型的风电场风速预测（兰州大学数学与统计学院）摘要风能具有洁净、可再生、利用方便等优点，而且风资源的开发对人类生活环境的影响很小。

风电场的选址、电能储存输送和电网稳定运行等都与风速预测有重要关系，因此风速预测对风电场的规划设计、电力运功行、提高电网的稳定性及降低运行成本有重要意义，但是风速具有较大的波动性，导致预测精度不高。

针对这种急需风速预测的情况，利用灰色理论建立数学模型，依据风电场实际风速观测的数据，对电场的风速进行了提前1小时的预测，预测数据的精度为~~~~~%，这表明该模型的预测结果可以给风电部门在调配电量运输和控制发电机组数量决策提供了较好的参考价值。

关键词：风力发电灰色理论风速预测1前言目前，我国风力发电产业正处于快速发展阶段，但是风能具有不稳定的特点，在特殊天气中，风速样本数据往往出现极端值，电场并网发电后会给影响电网的稳定性。

这是电力调度部门面对的首要问题，如果对发电机运行的数量和转速不能很好的预测会带来巨大的问题，若风速过小，则会导致发电量不够，容易引起电网崩溃；若风速过大，则会损坏风机叶片。

因此，极端风速的预测在风力发电中是一个非常重要的内容，但是风速极端值数据容量小，进行预测是一个非常困难的工作。

基于以上情况，本文主要采取灰色预测的方法来完成对风速的预测，得到几分钟、十几分钟、几小时或几台年之后的预测值。

根据风电场定期记录的风速数据进行预测，预测结果将为风电部门的电力配送提供重要的参考价值，可以提高电网运行的安全性，降低发电的成本，从而增加每年的风电量，提高风电产业的经济效益。

2问题重述目前，对风力发电的研究越来越深入和广泛，但关于风电场风速预测的研究还不能达到令人满意的程度。

现在关于风速预测的研究还在继续，预测方法也有很多，比如最简单的方法是持续法，即把最近一点的风速观测值作为下一点的预测值；其他预测方法还有卡尔曼滤波法、时间序列法、人工神经网络法、模糊逻辑法、空间相关法等。

年风力发电量的灰色预测模型及其优化

年风力发电量的灰色预测模型及其优化作者：李雯雯高阳陈炫宏来源：《山东工业技术》2017年第18期摘要：本文提出并优化了一种新型GM（1，1）模型，该模型的基本思想和方法主要是借鉴灰色系统理论。

风力放电系统看似没有任何规律可言，所以可以将其看作一个灰色系统进行研究，该灰色系统预测时需要的历史数据少，模型易懂，但预测精度绝不失水准，还具有计算简易、不考虑分布规律的优势，研究了灰色理论在富锦风电场年风力发电量预测中的应用以及灰色GM（1，1）模型的预测准确度与其建模维数之间的关系。

并且，本文提出的模型在很大程度上打破了传统模型仅仅是最近的几个数据预测精度高的局限，充分将灰色理论应用于富锦风电场年风力发电量的预测之中，以此为基础研究了GM（1，1）模型的预测准确度与其建模维数之间的关系。

最后对模型优化进行了初步研究。

关键词：GM（1，1）模型；灰色理论；风力发电；模型优化DOI：10.16640/ki.37-1222/t.2017.18.1631 引言现如今化石燃料的消耗正在逐渐加大，由此引发的严重的污染问题时刻挑战着人类，而人类还要面对着现存的资源正在不断干枯的挑战。

灰色预测法是一种直接预测功率的方法，但其前提是以风电场的历史发电量预测模型为基础来进行预测。

目前电力负荷预测中大多应用灰色理论所以将其应用在中长期风电功率预测中也是可行的。

本文主要对灰色GM（1，1）模型在富锦9号风机的年风力发电量预测中的应用进行了一定的研究。

2 灰色预测法简介灰色预测法是一种直接预测功率的方法，但其前提是以风电场的历史发电量预测模型为基础来进行预测。

灰色-马尔科夫模型在风电场风速预测中的应用

０引言
我国的风能资源非常丰富，作为一种清洁能源，近
年来得到广泛的开发和利用，而风电场风能资源状况的评估，是风力发电项目开发中最基础的工作，风速预测是风能资源评估的基础工作『２．７一。风速预测包括基于数值天气预报对风速的预测和基于风速时间序列的风速预测等８］。本文采用风速时间序列来预测风电场风速，风能的评估是对风电场的大时间尺度评估，在本文中以小时为间隔的风速时间序列进行风速预测。由于
４
Ｉ鼽卷
方法，其根据状态之间的转移概率来预测下一个状态，
ｎ一划分的风速状态个数；
列数据近似平稳，然后由马尔科夫模型通过状态转移概率矩阵预测风速。仿真结果验证了所提方法的有
效性。
关键词：风速预测；灰色模型；马尔科夫模型
ＤＯｌ：１０．３９６９／Ｊ．ＩＳＳＮ．２０９５－３４２９．２０１３．０１．００４
但如获得风速历史数据较少且平稳性差，用上述方法来预测风速得到的精度会很差。
针对以上问题，本文采用灰色一马尔科夫模型对小时风速序列进行预测，该方法是基于将灰色模型和马
尔科夫模型的优点相结合。灰色模型主要用于时间短、
Ａｂｓｔｒａｃｔ：ＡＧｒａｙ－Ｍａｒｋｏｖｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄｂｙｔｈｉｓｐａｐｅｒ，ＴｈｅｍｏｄｅｌｃｏｎｓｉｓｔｓｏｆｇｒａｙＧＭ（１，１）

灰色模型在西北电网风电发电量预测中的应用

ｌ％【风电的随机性和波动性给全网的电量平衡和２１１。
（（（ｔ（）… （￡）１２，））））＝（（））（
）∑ ）：
３对（立白化微分方程））建
加生成得到规律性较强的序列，再用指数曲线拟合得到预测值，即指数增长型，灰色Ｇ（１Ｍ１），模型的预测步骤如下：１假定原始数据为ｎ）元序列
＝
（（１（２，ｆ）） … （））
２对原始数据序列进行一阶累加生成）
■匿
》－－
ＣｌａｎｒｙｅｎＥｅｇ
第２卷第４７期
２１年４０１月
电网与清洁能源
ＰｗｒＳｓｅａｄＣｅｎＥｎｒｙｏｅｙｔｍｎｌａｅｇ
Ｖｏ｜Ｎｏ４ｌ２７．Ａｐ．ｒ２０１１
ＡＴＢＳＲＡＣＴ：ｈｓｐｐｒｂｉａｐｅｉｔｎＴｉａｅｕｌｒｄｃｉｍｏｅｏｉｄｔｏｄｌｆｗｎｐｗｒｇｎｒｔｎｂｓｄｏｒｙｔｅｒ．ｎｔｅｍｏｅ，ｗｉｈｏｅｅｅａｉａｅｎｇａｈｏｙＩｈｄｌｈｌｔｅｏｅｏｇｎｌｄｔｒｍｏｔｅｎｈａｋｒｕｄｖｌｅｒｉｒｉａａａｗｅｅｓｏｈｄａｄｔｅｂｃｇｏｎａｕｓｗｅｅｒｃｎｔｃｅ，ｔｅｐｅｉｔｎｒｎｅｗａａａｙｅ，ｗｈｃｅｏｓｕｔｄｒｈｒｄｃｉａｇｏｓｎｌｚｄｉｈｔｅｅｏｅｒｉｅｈｒｄｃｉｎｃｕａｙｈｒｆｒａｓｄｔｅｐｅｉｔａｃｒｃ．Ｆｎｌ，ａｒｃｉａｏｉａｌｙｐａｔｌｃｃｅｏｐｌａｉｎｓｇｅｔａｈｓｎｗｍｅｈｅｆｒｅｌｓａｆａｐｉｔｕｇｓｓｔｔｔｉｅｔｏｐｒｍｓｗｌｃｏｈｄｏｏｉｄｐｗｅｅｅａｉｎｆｒｃｔｉｈｏｔｗｓｏｒｄ．ｎｗｎｏｒｎｒｔｏｅａｎｔｅｎｒｈｅｔｗｅｇｏｓｐＫＥＹＯＲＤＳＷ：Ｎｒｗｓｈｎｒ：ａｄｅ；ｎｏ￣ｏｔｅｔＣｉａｇｉｇｙｍｏｌｄｐｗｅｈｄｒｗｉ

利用马尔可夫模型进行天气预测的方法(十)

天气预测一直是人们关注的话题，尤其是对于农业、旅游等行业来说，准确的天气预测可以减少损失，提高效率。

而利用马尔可夫模型进行天气预测成为了一种有效的方法。

马尔可夫模型是一种统计模型，用来描述随机过程的转移规律。

在天气预测中，我们可以将天气的变化看作是一个随机过程，而马尔可夫模型可以帮助我们推断出未来天气的可能状态。

首先，我们需要对天气状态进行建模。

通常情况下，我们可以将天气状态分为晴天、多云、阴天、雨天等几种。

然后，我们需要收集一定时期内的天气数据，包括气温、湿度、风力等信息。

这些数据将被用来构建马尔可夫模型的状态转移矩阵。

状态转移矩阵是马尔可夫模型的核心，它描述了不同天气状态之间的转移概率。

例如，如果过去几天的天气状态是晴天，那么明天是多云的概率是多少？这个概率就可以通过状态转移矩阵来计算。

在构建状态转移矩阵时，我们需要注意数据的平稳性。

也就是说，我们需要确保收集的数据能够代表未来的天气状态，而不是受到特定时期的影响。

这通常需要对数据进行一定的处理和分析，以确保模型的准确性。

当我们构建好了马尔可夫模型后，就可以利用这个模型来进行天气预测了。

假设今天的天气状态是晴天，我们可以通过状态转移矩阵计算出明天是多云、阴天、雨天的概率分布。

然后，我们可以根据这个概率分布来做出相应的预测。

当然，马尔可夫模型也有一些局限性。

首先，它假设未来的状态只与当前的状态有关，而与过去的状态无关。

这在某些情况下可能不成立，特别是对于天气这种复杂的系统来说。

其次，马尔可夫模型需要大量的历史数据来进行训练，而在某些情况下可能很难满足这个条件。

因此，在实际应用中，我们通常会结合其他的方法和模型来进行天气预测，以提高预测的准确性和可靠性。

例如，可以将马尔可夫模型与神经网络模型相结合，利用神经网络来学习复杂的非线性关系，再利用马尔可夫模型来进行状态转移的预测。

总的来说，利用马尔可夫模型进行天气预测的方法是一种有效的途径，但在实际应用中需要考虑到模型的局限性，结合其他方法来提高预测的准确性。

基于改进灰色系统模型的风电功率预测研究

基于改进灰色系统模型的风电功率预测研究张毅;孙鹤旭;郭英军;鲁志平【摘要】文章提出了基于灰色模型的超短期风电功率预测方法.灰色预测模型需要的运算数据较少,计算时间短,适于风电系统在线预测.首先,对GM(1,1)模型、灰色Verhulst模型和DGM模型预测步骤及理论公式进行阐述,并分析了相互关系及适用范围;其次,在运用改进模型进行功率预测时提出滚动预测机制,进行等维数据更新;最后,针对模型优化问题,讨论所取不同原始数据点数对预测精度的影响,并且研究了不同初始条件和不同背景值对预测误差的影响.以某风电场实际风机运行数据为研究对象,进行了风电功率预测,结果表明,模型所选数据点数和背景值提高了预测精度,改善了预测性能.【期刊名称】《可再生能源》【年(卷),期】2018(036)012【总页数】6页(P1865-1870)【关键词】风电功率预测;灰色模型;背景值;最小二乘法;初始条件【作者】张毅;孙鹤旭;郭英军;鲁志平【作者单位】河北工业大学人工智能与数据科学学院, 天津 300130;河北科技大学, 河北石家庄 050000;河北工业大学人工智能与数据科学学院, 天津 300130;河北科技大学, 河北石家庄 050000;河北工业大学人工智能与数据科学学院, 天津300130;河北科技大学, 河北石家庄 050000;河北工业大学人工智能与数据科学学院, 天津 300130;大唐新能源试验研究院, 北京 100033【正文语种】中文【中图分类】TK810 引言风能作为一种清洁的可再生资源越来越受到重视。

2017年，中国风电新增装机容量达到1 966万kW，累计装机容量突破1.88亿kW。

然而，风能具有随机性、波动性和不确定性，对电力系统安全性、稳定性和经济性产生重要影响。

因此，全球各组织机构正在积极开发高精度的风电功率预测系统，努力增强系统的安全性、可靠性和可控性，优化电网调度，减少旋转备用容量，提高风电场容量系数，满足电力市场交易需要，积极参与电力市场竞价。

风电机组运行状态参数的非等间隔灰色预测

ａｋ＾ｕ－＾（）＾ｕ（））ｔ）＝ｘ１（１－０＋ｘ１（ｋ＋１ｅΔ ＾＾ａ＾ａ
１（（）ｔｔ１ｎ－１）ｎ－１式中：ｎ为时间序列中数据的个数；ｔ１为时间序列中第１个数据的采样时刻；ｔｎ为时间序列中第ｎ个数
＾ｕ－（）＾ｕ（）ａｋ））＝ｘ１（１－ｘ１（ｋ＋１ｅ＾＋＾ａ＾ａ
（
）
…，（）ｋ＝０，１，ｎ９）式（称为ＧＭ（模型的时间响应函数模９１，１），（，）型即为ＧＭ１１模型灰色预测的具体计算公式。还原为非等间隔数列中与时间ｋ有关的响应函数为：
第３６卷第９期２０１２年５月１０日
Ｖｏｌ．３６Ｎｏ．９Ｍａ１０，２０１２ｙ
：／ＤＯＩ１０．３９６９１０２６．２０１２．０９．００６．ｉｓｓｎ．１０００－ｊ
风电机组运行状态参数的非等间隔灰色预测
（）２
（）３
２风电机组运行状态的灰色关联预测模型
２．１非等间隔时间序列提取目前，大多数风电机组数据采集与监控（系统可以对机组各子系统的运行状态参ＳＣＡＤＡ）数进行监测和存储，一般为每１ｍ所以ｉｎ存储１次，从ＳＣＡＤＡ系统中得到的机组运行状态参数是一组等间隔的时间序列。距离当前时刻越近的信息越能反映机组运行状态趋势，距离当前时刻较远的信息包含机组运行状态的变化规律。为了准确预测机组运行状态，需充分考虑机组运行状态的变化规律，但大量的输入会增大计算量，进而影响预测的时效性。为了解决这样的矛盾，本文以选取不等间隔时刻为约束，从机组运行状态参数时间序列中每１０ｍｉｎ随机抽取一个运行参数，这样得到一组新的非等间隔以这种方法抽取多组非等间隔时间序列。时间序列，２．２原始数据弱化处理风电机组的运行状态受不确定因素的影响变化很大，如风的间歇性、外界温度等。为了避免强烈的不确定因素干扰导致运行状态参数时间序列失真的问题，本文提出了应用平均弱化缓冲方法对原始时间序列进行处理的方法。平均弱化缓冲数据处理方

基于灰色模型的风速-风电功率预测研究

基于灰色模型的风速-风电功率预测研究李俊芳;张步涵;谢光龙;李妍;毛承雄【期刊名称】《电力系统保护与控制》【年(卷),期】2010(038)019【摘要】风场中风速变化带来的风电功率波动是影响风电质量的重要因素.基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况.对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数.为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型.通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型.用我国某风场的数据验证了方法的有效性.【总页数】9页(P151-159)【作者】李俊芳;张步涵;谢光龙;李妍;毛承雄【作者单位】电力安全与高效湖北省重点实验室(华中科技大学),湖北,武汉,430074;电力安全与高效湖北省重点实验室(华中科技大学),湖北,武汉,430074;电力安全与高效湖北省重点实验室(华中科技大学),湖北,武汉,430074;电力安全与高效湖北省重点实验室(华中科技大学),湖北,武汉,430074;电力安全与高效湖北省重点实验室(华中科技大学),湖北,武汉,430074【正文语种】中文【中图分类】TM715【相关文献】1.基于改进的灰色模型和支持向量机的风电功率预测 [J], 邵一川;张吉;贾海波;李鑫;马连博2.基于粒子群动态灰色模型的短期风电功率预测 [J], 李晓娓;高聪;吴定会;高步瑾3.基于风速融合和NARX神经网络的短期风电功率预测 [J], 徐遵义; 王俊雪4.基于风速分频和权值匹配的RBF超短期风电功率预测方法 [J], 杨茂;董昊5.基于门控递归单元神经网络的风速误差修正模型短期风电功率预测 [J], 刘俐利因版权原因，仅展示原文概要，查看原文内容请购买。

基于GM(1,1)模型与灰色Verhulst模型的风速预测

基于GM(1,1)模型与灰色Verhulst模型的风速预测
靳小钊;王娟娟;赵闻蕾
【期刊名称】《低压电器》
【年(卷),期】2015(000)004
【摘要】在阐述灰色系统理论的基础上,将GM(1,1)模型与灰色Verhulst模型应用至风力发电预测中,最终利用这两种模型分别对某日10:20至11:00的风速数据进行分析建模,预测11:10与11:20的风速.最后通过残差分析得出Verhulst模型的预测精度更高,更适合应用于风速预测分析.
【总页数】3页(P46-48)
【作者】靳小钊;王娟娟;赵闻蕾
【作者单位】大连交通大学电气信息学院,辽宁大连116028;大连交通大学电气信息学院,辽宁大连116028;大连交通大学电气信息学院,辽宁大连116028
【正文语种】中文
【中图分类】TM614
【相关文献】
1.基于GM（1,1）模型与灰色Verhulst模型的地铁竖井沉降预测 [J], 高良博;唐诗华;贾伟;孙昌瑜
2.基于GM（1,1）模型与灰色Verhulst模型的风速预测 [J], 靳小钊;王娟娟;赵闻蕾;
3.灰色GM（1,1）模型和Verhulst模型在青岛市海水养殖产量预测中的应用 [J], 杜小伟;刘群
4.基于灰色系统GM(1,1)模型和Verhulst模型的矿石价格预测对比研究 [J], 王凯歌;郑志琴;杨啸铭
5.基于GM(1,1)、DGM与Verhulst模型的降水量灰色预测\r——以龙口和栖霞两地为例 [J], 翟少婧;程志攀
因版权原因，仅展示原文概要，查看原文内容请购买。

2011电工杯建模竞赛——用灰色理论预测风电功率

2011“电工杯”建模竞赛问题一——运用灰色理论对风电功率进行实时预测因为风具有间歇性的特点，而且短时间内风速具有一定的稳定性，我们取待测时点前短期的数据为历史数据，采用灰色预测GM （1，1）模型给出下一时段的风电功率。

整个预测的输入、求解与输出全过程均可通过Matlab 编程实现，具体程序代码见附录。

GM （1，1）是一阶的微分方程，设有风电功率的原始时间序列（待输入）： ()()()()()()()()()n ,,3,2,1 00000P P P P P ⋯=，预测得到的风电功率记为()0P 。

对原始时间序列进行累加生成递推数列：()()()()()()()()()n ,,3,2,1 11111P P P P P ⋯=其中()()()()t P t P t j ∑==101，由灰色模型理论，即可组建微分方程： u aP dt dP =+)1()1(其中，a 与u 分别为发展系数和灰色作用量，是模型的待定系数。

通过最小二乘法可以求得a 与u 。

将求得的参数代入u aP dt dP =+)1()1(，并对其求解可得计算式： ()()a ue a uP t P at +-=+-))1((1)0(1由于a 和u 是通过最小二乘法求出的近似值，故()()11+t P 是一个近似表达式，符号上将其区别于()()11+t P 。

对函数表达式()()11+t P 及()()t P1 进行离散，并将两者做差以便还原)0(P 原序列，得到近似数据序列()()()()()()t P t P t P 11011 -+=+通过以上的模型可以得到一个新的预测序列：()()()()()()()()()()()()()⋯⋯++⋯=,2,1,,,3,2,10000000n P n P n P P P P P基于以上的预测原理，我们将待测时点前4小时（共16个时点）内的风电功率构成原始序列，用以上步骤得到实时预测所要求的，未来4小时内16时点的预测风电功率。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（0）（1）
（1）
令：（t ）＝（k＋１）
（0）
１．２灰色－马尔科夫预测模型的建立１．２．１状态划分经过灰色模型对风速时间序列的处理后，该序列即可作为马尔科夫模型的输入数据。马尔科夫模型预测是对时间序列进行马尔科夫状态划分，具体方法是： “ 变量划分法 ” ，以原小时风速数据序列（t ）为基采用线，划分成与（t ）曲线平行的若干平行条状区域，每个
） k ） ∈ 如果相邻数据比值δ（0（
（１）
，则该小 e ， e 时风速时间序列可以看成平稳序列，比值不在此范围
（n＋１）（n＋１）
－２
２
则该风速序列不是平稳时间序列，需要对此风速序列进行数据变换，使其变换成平稳序列，变换方法是取对数变换，使处理后的风速数据符合平稳时间序列要
３，４］。求［１，根据灰色ＧＭ（１，１）模型：
３结语
本文利用灰色－马尔科夫预测一步小时风速，预测精度较高。但是其预测精度与状态区间划分有较大关系，其区间划分有一定的主观性，如能大致预测下步风速范围，使下步风速在状态区间内，则一步风速预测将更为准确。
收稿日期：２０１２－１０－３１修回日期：２０１２－１２－１１
简讯 “ 特高压 ” 能够极大地解决未来的能源危机
发电与空调
ＰｏｗｅｒＧｅｎｅｒａｔｉｏｎ＆ＡｉｒＣｏｎｄｉｔｉｏｎ
Mi —原风速数据以一定概率进入不同风速状态 Qi的样本数； M（）—由风速状态Qi经ｍ步转移到Qj的原始风 ij m 速数据样本数。构造风速状态转移概率矩阵P （m）来预测风速状态： P１１（m） P１２（m） … P１n（m） P２１（m） P２２（m） … P２n（m） P （m）＝ … … … … （m） Pn１ Pn２（m） … Pnn（m）马尔科夫模型本来是处理一步转移概率矩阵P （1），但当预测风速状态难以确定时，就要计算多步转移概率矩阵P （m），设预测的小时风速处于Qk状态，假设P （1）中的第k行的ｍａｘPkj＝Pkd，则下一步将转移到Qd状态［４￣６］。１．２．３确定风速预测值当风速转移状态Qd确定后，也就确定了风速预测值的变化范围［Q１d， Q２d］，风速预测值取该变化范围的均值，则：（k ）＝１／２× （Q１d＋Q２d ）（７）
６］条状区域构成一个马尔科夫状态［５，，其任意状态区间
７．２６．８６．１７．２７．６８．８９．１７．６８．３８．４７．１８．４
－２２
， e ， e ））对原小时风速序列进行对数变换， y （0 （ k ）＝１ｎx （0（ k ），经
（n＋１）（n＋１）
８］。常见风速时间序列预测方法有神经网络法、自回高［２，７，８］归风速时间序列法、卡尔曼状态法等［２，，以上风速预
测方法都需要长周期的小时历史风速数据，并且在预测较平稳的风速小时序列时才可以达到较高的精度，但如获得风速历史数据较少且平稳性差，用上述方法来预测风速得到的精度会很差。针对以上问题，本文采用灰色－马尔科夫模型对小时风速序列进行预测，该方法是基于将灰色模型和马尔科夫模型的优点相结合。灰色模型主要用于时间短、数据资料少的预测，是通过时间序列数据累加生成的模块建立起弱化时间序列随机性而平稳性增强的新时
作者简介：贺军（1974），男，安徽人，工程师，从事火电厂在线监测工作；张锦文（1965），男，湖北人武汉人，本科，高级工程师，主要从事电站技术监督和材料技术工作。
１４
Ｎｏ．１／２０１３总第１４９期第３４卷
发电技术方法，其根据状态之间的转移概率来预测下一个状态，马尔科夫方法预测对象要求时间序列是平稳数据，灰色模型的累加则可以将波动性大的数据变换成近似平稳的数据［４￣６］。 n —划分的风速状态个数；
发电与空调
ＰｏｗｅｒＧｅｎｅｒａｔｉｏｎ＆ＡｉｒＣｏｎｄｉｔｉｏｎ
发电技术
灰色－马尔科夫模型在风电场风速预测中的应用
贺军，张锦文
（华电电力科学研究院，浙江杭州３０００３１）
摘要：提出一种灰色-马尔科夫综合风速预测模型。该模型由灰色GM （1， 1 ）模型使得小时风速序列数据近似平稳，然后由马尔科夫模型通过状态转移概率矩阵预测风速。仿真结果验证了所提方法的有效性。关键词：风速预测；灰色模型；马尔科夫模型ＤＯＩ： 10.3969/J.ISSN.2095-3429.2013.01.004
３，５］间序列［１，，而马尔科夫方法适合平稳数据的状态预测
速，风能的评估是对风电场的大时间尺度评估，在本文中以小时为间隔的风速时间序列进行风速预测。由于小时风速时间序列风速样本间隔大，得到的风速呈现出波动很大的非平稳数据特性，建模预测难度很大，故目前预测小时风速平均相对误差通常达到２０％或更
（1））１）－（k＋１）＝ x（0（
b -ak b e ＋ a a （k ）
（２）（３）（４）
２算例分析
２．１某风场风速数据
表１某风场２０１０年１０月５日风速数据时间，ｈ风速，ｍ／ｓ１２３４５６７８９１０１１１２
得到：（k＋１）＝（k＋１）－
Ｎｏ．１／２０１３总第１４９期第３４卷
１５
发电与空调
ＰｏｗｅｒＧｅｎｅｒａｔｉｏｎ＆ＡｉｒＣｏｎｄｉｔｉｏｎ
发电技术１００
$ % % % % % % % % % % % % % % % % % % % &
１１１５５５１００１１００２２对１０月５日１２：００的风速进行预测，得到１２：００风速代入式（８）则k＝１２时，预测小最大可能出现在Ｍ２状态，）－０．７＋y （２）｝／２＝８．８１－０．３５＝８．４６，而时风速值为：｛（１２００的风速为８．４，相对误差为０．７１％，已经接近实际１２：真实值。
Abstract：ＡＧｒａｙ－Ｍａｒｋｏｖｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄｂｙｔｈｉｓｐａｐｅｒ，ＴｈｅｍｏｄｅｌｃｏｎｓｉｓｔｓｏｆｇｒａｙＧＭ（１，１）ｍｏｄｅｌｍａｋｅｓｔｈｅｈｏｕｒｗｉｎｄｓｐｅｅｄｔｈｅａｐｐｒｏｘｉｍａｔｅｓｔａｔｉｏｎａｒｙｓｅｑｕｅｎｃｅｄａｔａ，ａｎｄｔｈｅｎｂｙｔｈｅＭａｒｋｏｖｍｏｄｅｌｂｙｔｈｅｓｔａｔｅｔｒａｎｓｉｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｒｉｘｔｏｐｒｅｄｉｃｔｗｉｎｄｓｐｅｅｄ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ． Key words：ｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔ；ｇｒｅｙｍｏｄｅｌ；Ｍａｒｋｏｖｍｏｄｅｌ
中国在特高压输电领域的成功实践，震动了国际同行。比较有代表性的反应，当属诺贝尔物理学奖获得者、美国能源部长朱《能棣文２０１０年１１月２９日在华盛顿国家新闻俱乐部发表题为源领域竞争正在成为美国新的卫星时刻》的演讲，他满怀深意地指出： “ 中国挑战美国创新领导地位并快速发展的相关领域包括：最高电压、最高输送容量的特高压交流输电。 ” 国际大电网委员会（ＣＩＧＲＥ）Ａ３．２２工作组的最终技术报告《交流８００ｋＶ以上的变电站设备技术规范综述》（报告编号４５６）中，对中国特高压交流输电技术和试验示范工程的有关评价为： “特高压交流试验示范工程的成功建设是特高压交流关键技术和关键设备重要的突破性成果，对保证中国的电力可靠供应、推动特高压输电技术在世界范围内的研究和应用具有重大意义。 ” 部分国外资深技术专家在“２００９特高压输电技术国际会议” 上，对中国发展特高压交流输电技术和建设特高压交流试验示范工程发表的公开评论摘录如下：国际大电网委员会（ＣＩＧＲＥ）秘书长： “今年１月试验示范工程的投运是一个伟大的技术成就，无疑也是电力工业发展史上的一个重要里程碑。 ” “当我们讲到未来，意味着更高的电力消耗和更多的可再生能源，风能、水电、太阳能通常都是不太稳定的，或是间断式的，只有通过坚强的互联系统和一些储能技术才能让我们更好地发挥可再生能源的潜力。采用更高的输电电压，如特高压或在较小系统中的超高压，可提高输电容量、减少损耗和基础建设投资。 ” 国际电工委员会（ＩＥＣ）副主席： “谈到特高压，ＩＥＣ坚信，这种输电技术能够极大地解决未来的能源危机。之所以这么说，关键在于它拥有大容量、高效率、长距离输电优势，这是解决问题的关键。” “祝贺中国在发展特高压技术方面所做出的努力和取这些工作非常有助于推动ＩＥＣ框架内的新技术工作，得的成就。确保中国领先世界的新兴技术能用于国际标准制定，进而服务全球市场。 ” 世界能源理事会（ＷＥＣ）联网工作组主任： “特高压输电技术代表了当今电网最重要的发展趋势之一，在大容量、长距离电力输送和大电网互联方面起着至关重要的作用。” “中国发展特高压是负荷中心远离能源中心的客观条件决定的，也是满足经济快速发展的必然选择。特高压交、直流系统不仅对中国，对全球其他国家，包括工业化国家同样具有重要意义。 ” （摘自 “北极星电力网” ）
）计算y（0（ k ）级比在
）从上表计算小时风速级比δ（0 （１０）埸
－２
２
e
（n＋１）
， e
（n＋１）