0 引言

风力发电在电力系统源侧的占比日益增加。根据全球风能委员会 （Global Wind Energy Council，GWEC）2016年度报告显示， 仅 2015年全球新增风电机组容量超过60 GW，与2014年相比增幅高达22%[1]。然而，由于风电的间歇性和波动性，导致其难以满足电力系统实时调度的需求，严重影响了电网的可靠性与风电的消纳能力。

为降低风电波动性，保证风电的有效消纳，基于风电场特性的多能联合调度策略得到了迅速发展，出现了风力发电系统与基于化石燃料的分布式发电机组联合运行、风力发电系统与抽水储能相结合的共同运行方式[2]。然而，受到风电场建设区域内水资源和天然气等化石燃料资源的蕴藏分布情况、地形地貌条件所限，以及多能互补系统投资维护成本高等因素的影响，上述方法无法普遍推广应用。近年来，随着储能技术的日益成熟，为控制风电波动而形成了相对有效的储能系统（ESS）与风电场联合运行的应用方式[3]。与传统多能互补系统相比，风电-ESS系统具有安装便捷、操作简易、维护成本较低的优点。国内外针对风电-ESS系统的运行和设计展开了大量研究，出现了运用模糊控制来优化ESS运行策略、利用随机规划框架构建高风电渗透下的ESS调度模型、采用多元预测算法分析风电数据技术，以期降低风电的波动性[4]～[6]。

随着电力市场化进程及电力系统绿色清洁能源替代进程的不断推进，风电所具有的零排放与零边际价格特性，使其在电力市场中扮演着重要角色，市场化下的风电经济调度策略研究具有重要意义。然而，现有的研究主要以平滑风电功率作为提升目标，而忽略了风电场的经济性。文献[7]利用多目标算法设计出了一种可以减小风电波动的运行方案。但是，该方案的应用使风电场的利润仅为1.2美元/MW，无法满足风电场的成本回收要求。另外，部分文献选择风电场经济性为主要目标，但未考虑并网功率波动的影响。文献[8]提出了一个涉及电力市场，并具有经济前景的风电场储能调度策略，但此策略下的风电输出波动幅度过大，将严重影响电力系统的可靠性。因此，设计既能合理地抑制风电并网波动，又能够最大限度地提升风电场经济收益的调度策略是当前的研究重点。

本文基于典型电力市场结构与运行模式，构建了一种市场环境下基于多级储能系统的风电场经济调度策略。该策略以误差概率分析与人工神经网络算法为基础，提出了考虑风电不确定性的区间预测方法与电价预测方法；针对日前、实时市场交易模式特征，设计了两级ESS联合调度策略，在提高风力发电的经济效益的同时，保证风电波动抑制能力；最后通过实际算例分析验证了策略的有效性。

1 风功率与电价预测

对风功率和电价的准确预测是风电-ESS系统能否有效执行运行策略的关键。风功率预测是电力系统中涉及能量管理和可靠性控制的重要问题。准确预测风功率的输出可以促进储能系统的优化运行。电价预测有助于风电场根据价格的变化趋势，调整并网电量，提高运行经济性。

探究式教学既不能开展直奔主题的所谓“探究”，也不能蜕变成脱离教师的“自由”探究。在探究教学中，学生的主体地位应该得到保证，但这并不等于学生就一定能开展主体性学习，如果缺乏教师的引导，仍不会有好的教学效果。学生进行探究性课题的研究，会遇到很多困难，比如有的课题知识基础薄弱，有的课题操作性较差。在这类探究性学习活动中，教师的指导、参谋作用是很重要的。

1.1 风功率预测

第一级ESS应用于日前市场。依据风功率预测值和反映日前市场价格的出清电价（Market Clearing Price，MCP）设计相应的调度策略，以提高风电场的经济收益。日前市场调度主要是对风功率进行削峰填谷、功率转移，所以第一级ESS所需的标准为大容量、长储能周期。由于大容量ESS需要高投资成本建设运维，为避免投资收支对风电场经济性的不利影响，应选择相同储能容量下成本低的ESS。在目前应用于电力系统的各种储能装置中，要求大规模的电池储能系统能够大量储存能量，用于负荷与可再生能源的平衡。钠硫电池和锂电池储能系统均满足容量要求，在成本方面，由于钠硫电池建设成本约为锂电池的60%，具有更好的经济性，因此，本文选择钠硫电池系统作为第一级ESS[14]。

旅游演艺产品按照不同的分类方式，划分为不同的类型。本文采用《中国旅游报》的6类型划分法，即以张家界《天门狐仙》为代表的山水实景类、以《土风苗韵》为代表的景区综艺类、以迪士尼公园巡游为代表的巡游类、以《张家界·魅力湘西》为代表的剧院类、各地巡演类、以九寨沟“藏王宴舞”为代表的宴舞类。张家界的旅游演艺主要是山水实景演艺、剧院类演艺以及景区综艺类演艺。

本文以德克萨斯州西部某功率为78 MW的风电场为例进行储能调度分析，对其经济效益和并网电量波动性进行评估。为侧重于风电场侧调度策略设计，简化分析过程，故忽略负荷情况。

本文采用ANN算法对风电场进行短期功率预测。以美国德克萨斯州西部某78 MW装机容量的风电场为例，依据日前市场的运行模式，进行步长为1 h的未来24 h短期风功率预测。根据现有的研究经验，采用多输入、单输出的3层ANN模型。其中，输入层有4个输入神经元，激活函数选择purlin函数；输出层为1个输出神经元，即输出预测的风功率；隐含层的神经元个数选择9个，激活函数为tansig函数，网络训练函数选择trainlm函数[10]。将风电场两个月（4月1日-6月1日）的历史功率数据作为样本训练网络结构；将6月2-4日的风电功率数据作为测试样本，检测算法的有效性。图1为测试样本的预测结果与实际值比较。

当然，在这里可以砍价，一般来说销售人员会先自动下降30-40%，然后会不停地让你出价，这会让你很为难，你如果还价高了会有吃亏的感觉；但如果你还价低了，他们可能会告诉你去低价区看看，让你很尴尬。一般来讲，经过观察，砍掉一半应该是一个合理的选择，最多你可以从30%的价格砍起。

  

图1 实际和预测的风功率Fig.1 Actual and forecasted wind power

如图1所示，基于该ANN模型的风功率短期预测结果与实际值接近，预测精度较高。该ANN模型有正确的输入输出映射关系，可用于风功率短期预测。但是，由于历史风功率数据随机性形成的积累误差，部分预测结果会出现大于实际值的情况。例如，6月2日18：00-6月3日6：00的预测结果持续大于实际值。

若在储能调度时直接应用该预测结果，则会存在以下问题。在系统运行方面，由于风电场是依据风功率预测情况来确定并网电量的，因此，风功率预测值大于实际值的情况会造成实际并网电量的短缺，影响电力系统可靠性。在市场交易方面，风电场会因为实际并网的缺额受到相应惩罚，产生经济损失，而电力系统为了维持可靠性会调取其他成本更高的电能来补充缺额，从而造成电价的突然抬升。

为保证预测可靠性，应对风功率做保守性估计。根据以往研究，在未来可能出现的波动范围，风功率可以用区间表示，相对于短期预测结果为唯一确定值，该区间有更高的可信度[11]，[12]。选取波动区间的下限作为调度策略的输入数据，从而保证风电的可靠性。本文利用区间预测方法对风功率波动区间进行预测，通过对风功率短期预测误差进行分析，结合预测误差分布特点，最终确定某一置信水平下的风功率波动区间[11]。

对风电场4月1日-6月1日两个月的风功率短期预测误差值进行分析，得到其误差频率分布直方图（图2）。

  

图2 风功率预测误差频率分布直方图Fig.2 Forecast error frequency distribution histogram of wind power

式中：μ，σ 分别为 0.96，3.69。

 

从图2中可以看出，风功率短期预测误差服从正态分布，其概率密度函数为

主动脉瓣狭窄：可见明显加快的主动脉瓣向速度，患者收缩期最大开放幅度低于16毫米；主动脉瓣关闭不全：舒张期可见主动脉瓣下返流信号，关闭间隙不小于2毫米；瓣环及二尖瓣钙化：可见明显增强瓣环以及二尖瓣回声，厚度不低于3毫米；主动脉瓣钙化：主动脉瓣叶僵硬，增厚幅度不小于3毫米，活动明显受限[3]。

 

式中：β 为置信水平；分别为波动区间的上限和下限。

因为风功率短期预测误差服从正态分布，具有对称性，所以采用对称概率区间，即

 

考虑到风电机组的出力有固定的上下限限制，上式所确定的风功率区间可能会超过机组的上下限，所以区间的最小值和最大值应为

 

式中：PWmax，PWmin分别为风电机组出力的上、下限。

考虑风电场的经济性以及电力系统的可靠性，选择区间下限进行调度，以避免出现并网功率短缺的情况。

根据对风功率区间预测的结果可知，95%置信度下的预测误差约为7 MW。因此，第二级ESS设置为7 MW·h的锂离子电池，初始容量为2 MW·h，循环效率为92%，固定运营成本为0.83美元/MW。每15 min的最大充放电功率为3 MW。

  

图3 区间预测下限Fig.3 Interval prediction lower limit

从图3可以看出，随着置信度取值的增大，风功率区间下限预测结果减小。高的置信度体现为高的数据可信度，应用置信度大的数据能更好地避免风电并网功率出现缺额的情况，从而保证风电场经济性和电网可靠性。因此，本文选择β为0.95时的概率区间预测下限结果作为调度的数据基础。

1.2 电力价格预测

节点结算电价（SPP）作为电力市场的基本要素之一，是实时市场中买卖双方结算交易电量的最终价格，直接影响着市场参与者的收益[13]。因此，实时市场的节点结算电价的准确预测在风电-ESS调度策略中有着重要的意义。

1.第一次检修这辆车的修理厂，对该车更换了点火线圈、火花塞，显得技术不够专业。这是选择题，故障现象是题干，故障原因是选项，必须选对导致本车故障的选项。如果本车只有一个故障原因则是单选题，经过诊断(包括查阅资料、分析与检测)在正确选项上画勾。如果本车有两个或以上故障原因则是多选题，错选和多选肯定不得分，因为无效修车会造成备件及工时浪费，对正确选项没有全部选中给一定的分，在修理中应继续选。

由于电力供应变化、系统阻塞和需求波动等因素的影响，SPP的实时价格会随着时间和地点的变化而不断改变。与风功率难以预测的特性相比，SPP与负荷的相关性更为密切，它表征了一个总线节点上所有负荷的集中价格变化，因而变化范围相对较小，具有很强的周期性。本节同样采用ANN算法对SPP进行预测，其ANN模型与上节风功率预测应用的ANN类似，只是将输入层节点改为5，增加一个天气数据输入。从德州电力可靠性委员会（ERCOT）获得过去两个月的SPP历史数据及相关的天气数据等作为ANN的输入数据。图4给出了某典型日24 h的SPP预测值和实际值。

  

图4 预测SPP值和实际SPP值Fig.4 Actual and forecasted SPP

由图4可以看出，基于ANN算法预测的SPP结果理想，真实值与预测值之间的平均误差为0.72%，仅在个别尖峰时刻出现较大误差，不影响调度计划。因此，该预测结果可以作为风电-ESS系统的调度数据。

From the two linear equations above,the complex amplitudes can be solved for the forward and backward propagating waves,respectively.This is actually the principle of the two-microphone method.24–26Then,according to Eq.(2),the velocity potential on the source plane is calculated as below:

2 基于现货市场的风电-ESS调度策略设计

2.1 两级ESS设计

根据日前和实时市场的不同运行模式，本文对应选择两级储能系统。

根据风电出力预测值P和短期预测误差概率密度函数f（x），可得风功率波动的区间：

由于风功率波动性较大，不确定性较强，难以满足中长期交易的要求，因此风电主要参与电力现货市场交易。根据典型现货市场的运行模式，现货市场一般由日前市场和实时市场构成，并依据发电商出力和负荷需求的预测结果进行未来24 h的电能交易。基于现货市场的上述特性，对风功率进行准确预测是研究风电场参与电力市场交易的重要基础。

第二级ESS应用于实时市场。不同于第一级ESS以提升经济收益为目标，第二级ESS则以实际风功率和实时市场SPP为基础，配合实时调度策略，消除由预测误差所带来的影响，平滑最终并网电量的波动。因此，第二级ESS容量较第一级偏小，但对响应时间的要求更为严格。此外，针对其频繁改变充放电状态的需求，第二级ESS需要具备可循环次数高和运行成本低的特性。在常用的ESS中，锂电池储能系统能够在短时间内反应，满足实时调度的需求。同时，锂电池储能系统的可循环次数高达数万次，运行成本低，约为钠硫电池的一半，有利于减少风电场因设备运行产生的经济损失[14]。因此，本文将第二级ESS选择为锂电池储能系统。

2.2 日前储能调度设计

依据两级ESS设计，日前储能调度的主要目标是要提高风电场的经济收入。根据MCP的变化趋势，将一天中的24 h分为尖峰时段和非尖峰时段。对历史MCP进行计算，过去两个月MCP均值为10美元/MW，将MCP大于均值的时间段设为价格尖峰时段，其余为非尖峰时段，得到图5所示的时段划分，其中13：00-21：00为尖峰时段，其余为非尖峰时段。根据MCP和风力发电的历史数据进行统计分析，典型非尖峰时段通常存在高风电输出、低MCP的特点，尖峰时段的特点是高MCP、低风电输出。

  

图5 尖峰和非尖峰时段划分Fig.5 Peak period and off-peak period division

依据MCP与风电出力特性，在非尖峰时段，第一级ESS优先储能，再将风电余量并入电网，相应运行策略目标函数描述如下：

 

目标函数须满足以下约束条件。

为缓解青年教师的暂时性居住困难，今年杭州市江干区投入1000余万元，为辖区学校的青年教师量身打造集体公寓。这些青年教师集体公寓通过保留、改建、新建等方式建设，实行准物业化管理，配置消防安全、基本生活设施和青年教师学习空间，实现“拎包入住”。

功率平衡约束：

雨后空蒙的湖光，依稀可见的湖岸线，照片中的夏小凡留下一个侧影，头微扬，目视远方，抿着嘴，神情倔强。照片送达夏小凡手中时，高志明清楚地看到她眼中的惊喜，抬头瞟他一眼时，似乎还含了几分——爱恋之意？

 

充电约束：

 

储能约束：

 

 

风力发电约束：

 

在尖峰时段，由于MCP较高，ESS应采取并网放电行为以弥补风电出力不足，同时最大限度地提高风电场收入。尖峰时段运行策略的目标函数可以描述为

 

相应约束条件如下。

当前二铵市场盘稳运行，虽说较之前的预测来说，国内市场交易量始终“雷声大雨点小”，但多数厂家仍保持较为积极的心态，究其原因无外乎前期出口利好支撑，订单量维持较为可观水平；原料方面，磷矿石货紧价扬对磷肥价格的拉动作用较强；开工率方面，环保压力较大，市场开工率始终维持较低水平。在多重利好的刺激下，后期进入9月份，二铵涨价可以说势在必行，但相对于价格方面的优势，二铵的市场却显得有些平静，在一片呼声中，经销商能否把握时机呢？

功率平衡约束：

 

放电约束：

 

储能约束：

 

风力发电约束：

 

式中：t为ESS的执行时间；i为执行时间间隔的序列号；η为第一级 ESS效率；E （i）为第一级ESS中的储存能量；Emax，Emin为第一级ESS的储能容量最大值和最小值；SOCmin，SOCmax为第一级ESS的荷电状态最小值和最大值；pDA为日前调度模式下的功率输出；pw max，pw min为风电场最大、最小出力；pwf_low为风电区间预测下限；pc为第一级ESS的充电功率；为每个时间段内充电功率的最大值；pd为从第一级ESS中输出的功率；为每个时间间隔中输出功率最大值；MCP为出清电价。

2.3 实时储能调度设计

实时储能调度以第一级ESS的调度结果为基础，以消除预测误差为目标进行二次调度，平滑实际风电并网功率。依据实时市场每15 min更新一次的运行模式，第二级ESS的调度计划也以15 min的时间间隔进行调整。

（1）辛镇地区高压盐水层的形成机理是研究区下覆地层广泛分布盐膏层，高矿化度地层水沿断层向上部储层渗透聚集，由于生油岩成熟进入排烃阶段，沙四段泥岩处于欠压实状态，异常压力做为动力，使油气进入储集层驱替地层水，在构造高部位为油层，在低部位为上油下水或水层。

表1为实时市场中可能出现的事件列表，不同的事件情况执行不同的策略。

 

表1 实时优化运行中的事件Table 1 Circumstances scenario on real-time operation

  

事件 风电 电价事件 1 p wa（i）＞p wf_low（i） S P P a（i）＞S P P f（i）事件 2 p wa（i）＞p wf_low（i） S P P a（i）＜S P P f（i）事件 3 p wa（i）＜p wf_low（i） S P P a（i）＞S P P f（i）事件 4 p wa（i）＜p wf_low（i） S P P a（i）＜S P P f（i）

表1中，pwa为实际风功率；pwf_low为风功率区间预测下限；SPPf为预测电价；SPPa为实时电价。

在事件1中，若实际风功率和SPP均高于预测数据，则第二级ESS将执行放电策略，以获得最大限度的经济收益。

在事件2中，若实际风功率大于预测数据，但SPP低于预测，则第二级ESS转换为充电状态。

在事件3中，若实际风功率小于预测数据，但SPP高于预测，则第二级ESS将采取放电模式，以补偿日前计划中的缺陷。基于该方案，风电场可以利用第二级ESS来补偿因未预测到的风力减小而造成的经济损失。

在事件4中，若实际风功率和SPP均低于预测数据，则第二级ESS将输出电量直到弥补了风力发电的不匹配或者达到SOC的最小值。

除此之外，无论实际状况处于上述4种事件的哪一种，都需要保证15 min内最终并网的电量的波动不超过风电场总装机容量的3%，以达到平滑效果[15]。

3 算例分析

根据预测时间的长短，风功率预测分为超短期预测、短期预测、中期预测和长期预测。超短期预测一般指不超过30 min的预测；短期预测为不超过72 h的预测；中期预测一般以周、月为单位；长期预测主要用在风电厂设计的可行性评估中，以年为单位[9]。超短期预测和短期预测一般用于现货市场中，中期预测一般用于期权期货的交易。常用的短期预测方法有人工神经网络 （ANN）算法、卡尔曼滤波法等等。其中，ANN算法为近来发展迅速的一种算法，它是对人脑神经元进行抽象，通过神经元之间的不同连接权和阈值设置，对非线性系统无限逼近。在预测类似风功率这样的非线性数据时，ANN算法具有良好的非线性逼近能力，预测精度较高、速度快，与其他算法相比具有很大的优势。

工业经验表明，当ESS的大小相当于风电场容量的15%～20%时，可以进行有效的小时调度[15]。因此，本文选择124.8 MW·h的大规模钠硫电池作为第一级ESS。参考典型风电-ESS系统设置，设第一级ESS的初始SOC为12.5%，储能效率为80%，固定运营成本为2.19美元/MW，每小时的最大充放电功率为20 MW[8]。

图3为应用区间预测方法得到的6月5日置信度β为0.95和0.85时的风功率区间下限预测结果。

风电场与两级ESS在日前市场和实时市场中的配合流程如图6所示。风电-ESS调度及运行结果如图7～9所示。

  

图6 风电场与两级ESS配合流程Fig.6 Flow chart of cooperation between wind farm and two-stage ESS

  

图7 第一级ESS的运行结果Fig.7 Results of the primary ESS operation

  

图8 第二级ESS的运行结果Fig.8 Results of the secondary ESS operation

  

图9 不同调度策略之间的结果比较Fig.9 Comparison of different dispatch plans

由图7可见，第一级ESS在非尖峰时段持续充电，直到达到容量限制为止。在13：00-21：00的尖峰时段，随着MCP的上升，第一级ESS尽可能地将电能输出到电网中。21：00后MCP降低，第一级ESS将遵循非尖峰时段运行策略，再次回到充电模式。

图8给出了第二级ESS的运行结果。由图8可见，第二级ESS起到消除风功率预测误差、平滑并入电网功率的作用。

图9对比了基于两级ESS的风电混合储能调度结果和无ESS时风电场的并网功率。在13：00-19：00电价较高的尖峰时段，使用策略后的两级ESS并网电量较无ESS的结果有了明显提高，因增加了这部分并网电量而提升了风电场收益。虽然19：00-21：00这一时段也是尖峰时段，但因为第一级ESS能量已全部输出，且第二级ESS容量有限，所以并网功率下降。

为验证调度策略带来的经济效益提升，将两种情景下的收入对比结果列于表2。

 

表2 经济效益对比Table 2 Comparison of economic benefits

  

工作情景 总收入/美元 单位功率收入/美元·M W-1两级E S S 1 6 7 5 6.9 9 1 2.4 7无E S S 1 5 9 2 9.9 2 1 0.8 5增量/% 5.1 9 1 4.9 2

与无ESS的风电场原始出力相比，在置信度为95%的情况下，采用基于两级ESS的风电储能调度策略，使风电场的总体收入从15 929.92美元增加到16 756.9美元，提高了5.19%，并且每MW的收益提升了14.92%。

喝母乳的小宝宝没聚肚之前，大便次数多到7～8次1天，甚至更多，也都是正常的，属于生理性的。如果生下来一直这样不需担心，也不需就医，是不是腹泻主要和平时比。

除提升经济效益外，也平滑了并网电量的波动。为了量化波动平滑的有效性，参考文献[16]选择Plevel作为风电场最终并网功率的平滑度评价指

 

式中：Pg是并网功率；Pw max是风电机组的出力上限。

Plevel计算结果显示，使用基于两级ESS的风电混合储能调度策略后，Plevel从0.82下降至0.73，说明并网功率波动较无ESS时有了缓解，从而证明本文提出的调度策略可以有效地平滑风电场并网电量的波动。

4 结论

本文提出了基于多级储能系统的风电场经济调度策略，以日前和实时市场下的两级ESS储能系统为基础，在提高风电场经济效益的同时，也减少并网电量的波动。

随着我国企业的改革和创新的不断推进，公司的治理结构也不断优化，要想从财务治理结构透视财务管理目标。还需要积极转变企业的经营管理理念，在治理结构的优化过程中进一步提高对财务管理目标的关注，首先，企业的管理层要积极明确企业财务管理的重要性，并紧随公司治理结构的调整，制定明确的财务管理目标，为财务管理工作的实施提供的导向。其次，也要积极加大对财务管理的关注。积极健全和优化企业的财务管理制度。协同企业的治理结构，切实保证企业财务管理工作和企业改革的有序开展。

通过对案例的分析研究，验证了两级ESS优化运营策略的有效性。在经济效益方面，风电场每MW收入提高了近15%，这将极大地提高风电场的运营积极性。在促进并网平滑性方面，减小了风电场并网电量的波动，进一步保证电力系统的安全稳定运行。标。Plevel值是相邻两时段并网功率占机组出力上限比值的差值累加。因此，Plevel值越小说明并网功率Pg越平滑。Plevel的计算公式如下：

事故调查是吸取经验教训、预防类似事故发生的重要途径，在化工过程安全管理中有重要的作用。事故调查要求查明事故的根本原因，总结事故教训，提出防范和整改措施[2-3]。但是目前国内的化学品事故调查普遍缺乏系统、科学、一致的方法论，进而导致了事故调查报告的根本原因分析不彻底、不清晰的问题，妨碍了从事故调查报告有效地吸取地经验教训，使得类似的事故反复重演[13]。

参考文献：

[1]GWEC.Market Forecast for 2012-2016[EB/OL].http：//www.gwec.net/global-figures/market-forecast-2012-2016， 2016-07-08．

[2]赵飞，许剑，徐玉杰，等．基于复合储能系统平抑风电场波动功率研究 [J]．电网与清洁能源，2015，31（7）：98-105．

[3]杨苹，马艺玮．储能技术在风力发电中的应用[J]．系统科学与数学，2012，32（4）：410-417．

[4]X Li．Fuzzy adaptive kalman filter for wind power output smoothing with battery energy storage system[J]．IET Renewable Power Generation，2012，6（5）：340-347．

[5]H Akhavan Hejazi，H Mohsenian Rad．Optimal operation of independent storage systems in energy and reserve markets with high wind penetration [J]．IEEE Transactions on Smart Grid，2014，5（2）：1088-1097．

[6]H V Haghi，S Lotfifard，Z Qu．Multivariate predictive analytics of wind power data for robust control of energy storage[J]．IEEE Transactions on Industrial Informatics，2016，12（4）：1350-1360．

[7]陈峦，黄琦，陈池．基于目标参数和储能容量约束的风电功率平滑策略[J]．中国电力，2013，46（6）：63-69．

[8]Liu Meng，L Franklin，Lee Wei Jen．Dispatch scheduling for a wind farm with hybrid energy storage based on wind and LMP forecasting [J]．IEEE Transaction on Industry Applications，2015，51（3）：1970-1976．

[9]刘峰.基于主成分-神经网络的风电场输出功率短期预测研究[D].北京：华北电力大学，2013.

[10]黄日星，康重庆，夏清.电力市场中的边际电价预测[J].电力系统自动化，2000，24（22）：9-12．

[11]蔺海明，刘天琪，李兴源.考虑风电出力和负荷不确定性的电力系统有功优化潮流 [J].电网技术，2013，37（6）：1584-1589．

[12]周松林，茆美琴，苏建徽．风电功率短期预测及非参数估计[J]．中国电机工程学报，2009，29（18）：10-16．

[13]张显，王锡凡.短期电价预测综述 [J].电力系统自动化，2011，31（25）：92-101．

[14]R Carnegie，D Gotham，D Nderitu，et al．SUFG energy storage report[R]．NewYork：State Utility Forecasting Group，2013．

[15]张晴，李欣然，杨明，等．净效益最大的平抑风电功率波动的混合储能容量配置方法 [J]．电工技术学报，2016，31（14）：40-47．

[16]廖勇，何金波，姚骏，等．基于变桨距和转矩动态控制的直驱永磁同步风力发电机功率平滑控制[J]．中国电机工程学报，2009，29（18）：71-77.