[1]陈浩奇, 吴宇翔, 樊嘉宏, 等. 湖南电网风力发电能力监测及管理研究[J]. 湖南电力, 2023,43(2):97-101. [2]罗雁飞, 肖长远, 孙茂文, 等. 风力发电机组叶片扫塔原因分析及预防措施[J]. 湖南电力, 2023,43(1):116-120,126. [3]吴亚宁, 罗毅, 雷成, 等. 基于改进型PEM 和L 指标的含风电场电力系统静态电压稳定评估[J]. 中国电力, 2022, 55(9):192 - 203. [4]戚创创, 王向文. 考虑风向和大气稳定度的海上风电功率短期预测[J]. 电网技术, 2021, 45(7):2773-2780. [5]陈标, 何建军, 舒忠虎, 等. 覆冰影响的南方山地风电场风资源评估方法[J]. 湖南电力, 2021 41(5):42-47,52. [6]苗长新, 李昊, 王霞, 等. 基于数据驱动和深度学习的超短期风电功率预测[J]. 电力系统自动化, 2021,45(14):22-29. [7]李丽, 叶林. 基于改进持续法的短期风电功率预测[J]. 农业工程学报, 2010,26(12):182-187. [8]LIU H, TIAN H Q, LI Y F. An EMD-recursive ARIMA method to predict wind speed for railway strong wind warning system[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2015,141:27-38. [9]刘兴, 王艳, 纪志成. 基于随机森林的风电功率短期预测方法[J].系统仿真学报, 2021,33(11):2606-2614. [10]魏超. 基于SVM的短期风电功率预测[J]. 中国新技术新产品, 2022(20):76-79. [11]王愈轩, 梁沁雯, 章思远,等. 基于LSTM-XGboost组合的超短期风电功率预测方法[J]. 科学技术与工程, 2022,22(14):5629-5635. [12]WANG S X, ZHANG N, WU L, et al. Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method[J]. Renewable Energy, 2016,94:629-636. [13]HARBOLA S, COORS V. One dimensional convolutional neural network architectures for wind prediction[J]. Energy Conversion and Management, 2019,195:70-75. [14]HAN L T, JING H T, ZHANG R C, et al. Wind power forecast based on improved long short term memory network[J]. Energy, 2019,189:116300. [15]张红涛, 韩婧, 谭联, 等. 基于FCM和SSA-ELM的 超短期风功率预测[J]. 工程科学与技术, 2020,52(6):234-241. [16]刘大贵, 王维庆, 张慧娥, 等. 马尔科夫修正的组合模型在新疆风电中长期可用电量预测中的应用[J].电网技术, 2020,44(9):3290-3297. [17]张晋华, 黄远为, 冯源. 基于云模型-LSTM的光伏功率中期预测[J]. 湖北电力, 2021,45(2):49-55. [18]孙庆凯, 王小君, 张义志, 等. 基于 LSTM 和多任务学习的综合能源系统多元负荷预测[J]. 电力系统自动化, 2021,45(5):63-70. [19]王琛, 王颖, 郑涛, 等. 基于ResNet-LSTM网络和注意力 机制的综合能源系统多元负荷预测[J]. 电工技术学报, 2022,37(7):1789-1799. [20]王鑫,吴际,刘超等.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报, 2018,44(4):772-784. [21]谢勇,项薇,季孟忠, 等.基于Xgboost和LightGBM算法预测住房月租金的应用分析[J]. 计算机应用与软件, 2019,36(9):151-155,191. [22]顾桐, 许国良, 李万林, 等. 基于集成LightGBM和贝叶斯优化策略的房价智能评估模型[J]. 计算机应用, 2020,40(9):2762-2767. [23]KE L, QI M, FINLEY T, et al. LightGBM: a highly efficient gradient boosting decision tree[C]//Proceedings of the 2017 Advances in Neural Information Processing Systems.California: NIPS, 2017:3146-3154. [24]颜诗旋, 朱平, 刘钊. 基于改进LightGBM模型的汽车故 障预测方法研究[J]. 汽车工程, 2020,42(6):815-819. [25]纪德洋, 金锋, 冬雷,等. 基于皮尔逊相关系数的光伏电站数据修复[J]. 中国电机工程学报, 2022,42(4):1514-1523. [26]张华, 龙呈, 胡思洋,等. 基于层次聚类法与皮尔逊相关系数的配电网拓扑校验方法[J]. 电力系统保护与控制,2021,49(21):88-96. |