一种基于深度学习的电力系统自然频率特性系数区间预测方法

技术领域

本发明涉及电力系统及其自动化领域，具体是一种基于深度学习的电力系统自然频率特性系数区间预测方法。

背景技术

当今社会，电力是人们生活中不可或缺的一部分。维持电力系统的安全、稳定、经济运行对于整个社会的发展而言至关重要。而电力系统的安全、经济运行则依赖于良好的频率质量，过高或过低的频率都将对整个系统带来严重危害，甚至引发大停电事故。自动发电控制(Automatic Generation Control,AGC)系统是控制互联电网频率的重要手段。在AGC控制过程中，一般通过计算区域控制偏差(Area Control Error,ACE)来确定系统有功调节量。AGC系统包含众多控制模式，不同控制模式具有不同的ACE计算方式。其中，联络线频率偏差控制(Tie-line frequency Bias Control)是目前应用最为广泛的控制模式。该模式的控制目标为将互联电网频率与联络线功率均控制在计划值附近。该模式下的ACE计算中，B系数是确定ACE的关键参数，其整定值决定了系统调整量对联络线功率偏差和频率偏差的偏向程度，将直接影响到频率控制性能的优劣，如式(1)所示。

ACE＝(P

式中，P

理想情况下，应将B系数整定的与电力系统自然频率特性β系数相等，这样可使得互联电网中每个控制区的AGC仅负责本区域的负荷扰动。当B系数略大于β系数时，系统有功调节量将大于系统功率偏差，可使得系统频率更快地恢复到计划值，但过大的B系数将使有功调节量及相关运行费用大幅增加。当B系数小于β系数时，将引起系统欠调甚至反调，危害系统频率质量。综上可见，B系数的整定原则是使其近似跟踪β系数，可略大于β系数，但应避免其小于β系数的的情形。

目前，我国工业界主要采用固定系数法来整定B系数，即取为年最大负荷的1％～2％，并每年调整一次。然而，β系数受负荷波动、备用容量、机组启停方式等系统运行状态的影响，是非线性时刻变化的。因此，固定系数法难以满足B≈β，将引起系统的超调、欠调甚至反调。为使B系数更好地跟踪β系数，国内外学者提出了分段B系数整定法，包括：以系统频率偏差的大小为分段依据的两段式B系数整定，以保障B＞β；将频率偏差量划分为4个等级，随着频率偏差量的增大，不断增大B系数的整定值，以确保B＞β；根据系统运行方式建立了全天分时段B系数整定模型，使其更好地近似β系数；根据火电、水电机组一次调频死区设置情况而建立的三段式B系数整定方法。上述分段B系数整定法可在一定程度上缓解系统欠调、反调现象，但仍不能较好地满足B≈β。为更好地跟踪β系数的变化，有学者提出时变B系数整定方法，即通过实时在线计算β系数来整定B系数。然而，该方法对数据的实时采集处理以及调度自动化水平提出了高要求。此外，由于β系数的在线计算需要在扰动发生后方可进行，故该方法控制时延较高，不利于频率的快速恢复。对此，有文献提出了β系数点预测方法，可根据系统功率扰动量对β系数的取值进行预测，为B系数的整定提供了参考。然而该方法仅考虑了功率扰动对β系数的影响，且预测误差的存在可能使得B<β的情况发生。

发明内容

本发明的目的是提供一种基于深度学习的电力系统自然频率特性系数区间预测方法，包括以下步骤：

1)确定自然频率特性系数β的主要影响因素。

所述自然频率特性系数β用于反映稳定状态下电力系统有功功率和频率的关系，包括负荷静态频率特性K

自然频率特性系数β如下所示：

式中，ΔP为系统功率偏差。Δf为频率偏差。

所述自然频率特性系数β的主要影响因素包括系统功率扰动、备用容量和机组启停方式。

2)利用DNN模型建立影响因素与自然频率特性系数β间的映射关系。

所述DNN模型的输入为自然频率特性系数β的影响因素，输出为自然频率特性系数β。

所述DNN模型包括输入层、若干隐藏层和输出层。层与层之间以全连接的方式连接在一起。

层与层之间的数据传递公式如下所示：

a

式中，a

所述DNN模型的预测输出

式中，a

隐藏层的激活函数如下所示：

s(t)＝max(0.01t,t) (4)

输出层的激活函数如下所示：

s(t)＝t (5)

DNN模型的参数θ＝{W,b}迭代更新如下：

θ

式中，θ

其中，第k次更新时参数的变化量Δθ

式中，dθ

第k次更新时θ的梯度dθ

r

式中，ρ是衰减率。τ表示学习率的衰减率。

3)建立自然频率特性系数的区间预测模型。

建立自然频率特性系数β区间预测模型的步骤包括：

3.1)建立自然频率特性系数β的误差分解方程，即：

式中，ε

其中，模型误差ε

式中，

自然频率特性系数β的总预测误差ε＝ε

式中，

3.2)给定置信水平100(1-α)％，其中α为显著性水平。

3.3)计算自然频率特性系数β在给定置信水平下的置信区间，即：

式中，L

根据区间预测模型，若能估计总预测误差的方差

4)获取Bootstrap训练集，并对DNN模型进行训练。

所述区间预测方法包括N个通过Bootstrap训练集训练得到的DNN模型。每个DNN模型的Bootsrap训练集相互独立。所述Bootstrap训练集为利用有放回的方式从m个训练样本中进行m次抽样得到的训练集。所述训练样本的数据包括系统功率扰动、备用容量、机组启停方式及自然频率特性系数。

5)估计总预测误差方差

计算自然频率特性系数β预测结果置信区间的步骤包括：

5.1)利用N个DNN模型分别计算自然频率特性系数β的预测结果，并以所有DNN模型输出的平均值为自然频率特性系数β的最终预测结果

式中，

5.2)计算第i个输入数据对应的模型误差方差

通过m个训练样本计算数据误差的均值

5.3)计算第i个输入数据对应的总预测误差方差

5.4)计算第i个输入数据对应的自然频率特性系数β的上下限，即：

式中，L

值得说明的是，本发明首先分析自然频率特性系数β的主要影响因素；然后利用DNN强大的非线性特征提取能力建立系统功率扰动、备用容量、机组启停方式与自然频率特性系数β间的映射关系，实现β系数的点预测；最后结合Bootstrap方法得到β系数预测结果的置信区间。

本发明的技术效果是毋庸置疑的，本发明提出的基于DNN的自然频率特性系数点预测模型利用了DNN模型强大的非线性特征提取能力，可实现β系数的准确预测，能够有效追踪β系数的变化情况。

本发明所提结合Bootstrap的自然频率特性系数区间预测方法能够得到给定置信度下的β系数预测上下限，可为频率偏差B系数的整定提供参考依据。若将B系数整定为β系数的预测上限值，则可极大程度地避免B系数小于β系数，大大提高电力系统的安全性和经济性。

本发明可广泛应用于电力系统自然频率特性系数β区间预测，可作为AGC控制策略中频率偏差系数B整定的参考。

附图说明

图1为自然频率特性系数随功率扰动的变化情况；

图2为自然频率特性系数随备用容量的变化情况；

图3为DNN的结构；

图4为PowerFactory仿真界面。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

一种基于深度学习的电力系统自然频率特性系数区间预测方法，包括以下步骤：

1)确定自然频率特性系数β的主要影响因素。

所述自然频率特性系数β用于反映稳定状态下电力系统有功功率和频率的关系，包括负荷静态频率特性K

自然频率特性系数β如下所示：

式中，ΔP为系统功率偏差。Δf为频率偏差。

所述自然频率特性系数β的主要影响因素包括系统功率扰动、备用容量和机组启停方式。在分析过程中，上述主要因素可由如下方式获得：系统功率扰动量可通过分析负荷实时变化获得，负荷实时变化可通过广义相量测量系统(WAMS)得到，机组备用容量和启停方式也可由WAMS系统实时得到。自然频率特性系数β也可基于WAMS系统的频率数据、负荷数据等计算得到。在对自然频率特性系数β进行预测的过程中，需将系统未来功率扰动作为输入，可通过预测得到，后续实施方案将验证本发明所提方法对功率扰动预测误差的鲁棒性。而对于机组备用容量和启停方式而言，短时间内不会发生较大变动，可用当前时刻实测数据作为自然频率特性系数β预测的输入。

系统功率扰动的值和自然频率特性系数β的值正相关；当系统功率扰动的值大于扰动阈值后，自然频率特性系数β稳定；

备用容量的值和自然频率特性系数β的值正相关；当备用容量的值大于备用容量阈值后，自然频率特性系数β稳定；

表1列出了固定功率扰动下(20MW)，机组启停方式对自然频率特性系数的影响。由表1可见，当有机组停运时，由于在线机组所能提供的一次调频能力减弱，β系数将减小。且由于不同机组的一次调频能力存在差异，不同机组的停运将对β系数带来不同的影响。表1中，机组1和机组2为同类型机组，故机组1/机组2停运时，β系数相同。机组3和机组4同理。

表1机组启停方式对自然频率特性系数的影响

2)利用DNN模型建立影响因素与自然频率特性系数β间的映射关系。

所述DNN模型的输入为自然频率特性系数β的主要影响因素，输出为自然频率特性系数β。

所述DNN模型包括输入层、若干隐藏层和输出层。层与层之间以全连接的方式连接在一起。

层与层之间的数据传递公式如下所示：

a

式中，a

所述DNN模型的预测输出

式中，a

隐藏层的激活函数如下所示：

s(t)＝max(0.01t,t) (4)

输出层的激活函数如下所示：

s(t)＝t (5)

当激活函数应用于公式2时，激活函数中的t指代W

DNN模型的参数θ＝{W,b}迭代更新如下：

θ

式中，θ

其中，第k次更新时参数的变化量Δθ

式中，dθ

第k次更新时θ的梯度dθ

r

式中，ρ是衰减率。τ

3)建立自然频率特性系数的区间预测模型。

建立自然频率特性系数β区间预测模型的步骤包括：

3.1)建立自然频率特性系数β的预测方程，即：

式中，ε

其中，模型误差ε

式中，

β系数的总预测误差ε＝ε

式中，

3.2)给定置信水平100(1-α)％，其中α为显著性水平。

3.3)计算自然频率特性系数β在给定置信水平下的置信区间，即：

式中，L

根据区间预测模型，若能估计总预测误差的方差

4)获取Bootstrap训练集，并对DNN模型进行训练。

所述区间预测方法包括N个通过Bootsrap训练集训练得到的DNN模型。每个DNN模型的Bootsrap训练集相互独立。所述Bootsrap训练集为利用有放回的方式从m个训练样本中进行m次抽样得到的训练集。所述训练样本的数据包括系统功率扰动、备用容量、机组启停方式和自然频率特性系数。机组启停方式为0-1变量，1表示机组开启，0表示机组关停。

5)估计总预测误差方差

计算自然频率特性系数β预测结果置信区间的步骤包括：

5.1)利用N个DNN模型分别计算自然频率特性系数β的预测结果，并以所有DNN模型输出的平均值为自然频率特性系数β的最终预测结果

式中，

5.2)计算第i个输入数据对应的模型误差的方差

通过m个训练样本计算数据误差的均值

5.3)计算第i个输入数据对应的总预测误差方差

5.4)计算第i个输入数据对应的自然频率特性系数β的上下限，即：

式中，L

6)将AGC控制策略中频率偏差B系数整定为自然频率特性系数β的预测上限，据此可在系统实际运行过程中计算区域控制偏差ACE：

ACE＝(P

式中，P

根据ACE的计算值可确定电力系统有功调节量，实现电力系统有功功率的合理调节。

采用本方法整定频率偏差B系数的优势在于能有效避免B<β的情况发生，从而避免出现欠调或反调现象，有利于系统频率稳定性。此外，由于本发明所提区间预测方法所得自然频率特性系数β的置信区间较窄，将频率偏差B系数整定为自然频率特性系数β的预测上限后，所得系统ACE可较好地反映系统实际功率缺额，进而确定合理的系统功率调节量，避免出现过调现象。

实施例2：

一种基于深度学习的电力系统自然频率特性系数区间预测方法，包括以下步骤：

1)建立DNN模型，对电力系统自然频率特性系数进行预测；

2)结合Bootstrap方法，计算电力系统自然频率特性系数预测结果的置信区间。

实施例3：

一种基于深度学习的电力系统自然频率特性系数区间预测方法，主要步骤见实施例2，其中，计算电力系统自然频率特性系数预测结果置信区间的步骤包括：

1)确定自然频率特性系数及其影响因素

电力系统自然频率特性是电网的固有特性，反映了稳定状态下系统有功功率和频率的关系，它包括负荷静态频率特性及发电机静态频率特性，常用自然频率特性系数β来表示，如式(1)所示。

其中，β为系统自然频率特性系数；ΔP为系统功率偏差；K

在电力系统运行过程中，β系数并非固定不变，它受系统功率扰动、备用容量、机组启停方式、负荷性质等因素的影响而表现出非线性和时变性。由于负荷静态频率特性对β系数的影响较小，本发明主要考虑了系统功率扰动、备用容量及机组启停方式对β系数的影响。上述相关因素对β系数的影响如图1、图2和表1所示，相关数据由PowerFactory仿真软件生成。

由图1可见，随着功率扰动的增大，β系数也随之增大。但当扰动增大到一定程度后，发电机组的一次调频能力趋于饱和，β系数的变化曲线也趋于平缓。

图2展示了固定功率扰动(60MW)下，β系数随备用容量的变化情况。其中，R表示系统备用容量。由图2可见，当功率扰动与备用容量较为接近时，由于扰动大小逼近了机组调节能力的上限，此时β系数较小。随着备用容量的增大，β系数随之增大。当备用容量增大到一定程度后，系统所留备用容量已足以补偿系统功率扰动，故β系数基本保持不变。

表1列出了固定功率扰动下(20MW)，机组启停方式对自然频率特性系数的影响。由表1可见，当有机组停运时，由于在线机组所能提供的一次调频能力减弱，β系数将减小。且由于不同机组的一次调频能力存在差异，不同机组的停运将对β系数带来不同的影响。其中，机组1和机组2为同类型机组，故机组1/机组2停运时，β系数相同。机组3和机组4同理。

表1机组启停方式对自然频率特性系数的影响

2)特征向量选择

特征向量选择即确定DNN的输入向量及输出向量。本发明构建DNN模型的目的在于实现β系数的预测。因此，DNN的输出即为实际的β系数。为实现β系数的准确预测，DNN的输入应为影响β系数的关键因素。由1)的分析可见，β系数的关键影响因素包括功率扰动量、系统备用容量以及机组开机方式。其中，功率扰动量和系统备用容量可直接用相应的数值表示。对于机组开机方式，本发明则采用0-1向量来表示，1表示机组运行，0表示机组停运。另外，需要说明的是，作为DNN输入的功率扰动量一般需要在扰动发生后才能获得。为提前预测未来某时刻β系数的取值，可采用该时刻功率扰动量的预测值作为DNN的输入。

确定好特征向量后，便可收集相应数据，并形成训练样本用于DNN模型的训练。

3)基于DNN模型的自然频率特性系数点预测

深度神经网络(DNN)是传统浅层神经网络的拓展，它是多隐藏层结构，具备强大的特征提取能力，可自动挖掘隐含在训练数据中的复杂非线性关系。在分析β系数影响因素的基础上，本发明进一步利用DNN构建了β系数点预测模型。

DNN的结构如图3所示。

DNN由输入层、多个隐藏层以及输出层构成。同时，层与层之间以全连接的方式连接在一起。层与层之间的数据传递公式如式(2)所示。

a

其中，a

式(2)和式(3)中，函数s(·)为激活函数，在隐藏层，本发明选用LReLU(LeakyRectified Linear Unit)作为激活函数，可有效提高DNN模型的学习性能。由式(4)可知，LReLU激活函数是一个分段函数，当输入值t小于或等于零时，输出值等于0.01t；当输入值t大于零时，输出值等于输入值t。

s(z)＝max(0.01t,t) (4)

在输出层选用线性激活函数作为激活函数，可以很大程度上减少计算量，其表达式如下。

s(t)＝t (5)

确定了DNN的基本框架后，便可通过训练样本对DNN进行训练。DNN的训练是利用有标签样本来调整参数θ＝{W,b}，使得损失函数L最小，本发明选用的损失函数为均方差损失函数，如式(6)所示。

其中，m为样本数量，y为训练样本实际输出，即真实的β系数。

本发明选用的训练算法为结合学习率衰减策略的均方根传播算法。均方根传播算法可以保持参数的平方梯度的移动平均数不变，使每个参数的步长自适应地更新，从而加快了参数的收敛速度。此外，学习率衰减策略随着训练的进行逐渐降低学习率，避免了算法来回振荡。该算法的具体步骤如式(7)-(11)所示：

r

θ

式中，dθ

训练完成后，便形成了基于DNN的自然频率特性系数点预测模型。

4)自然频率特性系数区间预测

自然频率特性系数点预测模型可预测得到β系数的取值，为B系数的整定提供参考依据。然而，该预测模型必然存在误差，若直接将B系数整定为β系数的预测值，则可能出现B<β这一不利于频率恢复的情况。

对β系数的预测值而言，其误差包含两个部分：模型误差以及数据误差。模型误差指模型训练效果不佳而引起的误差，引起训练效果不佳的因素包括训练过程中陷入局部最优、训练样本有限等。数据误差指因训练数据存在噪声等数据质量问题引起的误差。故存在误差的预测值可表示为：

其中，y为自然频率特性系数的实际值，

本发明假设模型误差与数据误差相互独立且服从期望值为0的正态分布：

其中，

现有文献已证明，即使误差的实际分布不服从正态分布，基于正态分布假设的误差分析仍可取得良好效果。故本发明关于误差服从正态分布的假设是合理可行的。

β系数的总预测误差ε为模型误差ε

其中，

若能求得总预测误差的方差

其中，L

5)Bootstrap方法及误差方差计算

为避免B<β的情况，本发明进一步结合Bootstrap方法，得到了给定置信度下β系数的预测上下限。若将B系数整定为β系数的上限值，则可极大程度地避免B<β的情况发生。

本发明采用Bootstrap方法来计算预测误差的方差。Bootstrap是一种重采样技术，其基本原理如下：假设共有m个训练样本，采用有放回的方式从m个训练样本中进行抽样，抽样m次，便可得到一个新的包含m个训练样本的训练集，称为Bootstrap训练集。这样重复N次，便可得到N个Bootsrap训练集。通过每一个Bootstrap训练集都可以训练一个DNN模型，一共可得到N个DNN模型。通过N个训练好的DNN模型，可分别对模型误差与数据误差的方差进行计算。

对于模型误差方差的计算，首先，将N个DNN所得β系数预测结果的平均值作为最终预测输出，则第i个样本的预测输出可由下式得到。

其中，

由此，可得到模型误差的方差为：

对于数据误差方差的计算，第i个样本的预测输出

其中，μ

由模型误差方差和数据误差方差的计算结果可得到总预测误差方差，如式(19)所示。

于是，由式(15)便可得到第i个样本对应的β系数上下限，如式(20)所示。

实施例4：

一种基于深度学习的电力系统自然频率特性系数区间预测方法的验证试验，包括以下步骤：

1)训练样本获取

为验证本发明所提自然频率特性系数区间预测方法的有效性，本发明利用PowerFactory仿真软件，通过调整自然频率特性系数的各影响因素共生成了685个样本。其中600个作为训练样本，余下85个用作测试样本。PowerFactory仿真界面如图4所示。

2)基于Bootstrap方法的重采样

采用Bootstrap方法对训练集进行有放回的抽样，共抽样600次，便可得到一个新的包含600个训练样本的训练集，称为Bootstrap训练集。重复上述过程100次，最终形成了100个Bootstrap训练集(即Bootstrap训练集个数N设为100)。

3)样本预处理

样本中包含的系统功率扰动、备用容量、机组启停方式以及自然频率特性系数具有不同的量纲且数值上具有较大差别，这不利于DNN模型的训练，为此，需要对样本进行归一化预处理。本发明采用z-score方法对样本的输入数据和输出数据进行归一化预处理，如式(1)所示。z-score标准化方法利用样本均值和标准差来进行归一化处理，经过z-score处理的数据满足均值为0，标准差为1。

式中，x

另外，值得说明的是，本发明中机组启停方式采用0-1向量来表示，无需进行归一化处理。因此，本发明仅对系统功率扰动、备用容量和自然频率特性系数进行归一化预处理。

4)DNN模型训练

对100个Bootstrap训练集进行归一化预处理后，便利用每个训练集对DNN进行训练，最终可训练得到100个DNN模型。DNN模型的训练过程中，迭代次数设为2000次。

5)预测误差方差计算及β系数区间预测

根据100个DNN模型的训练结果，可计算得到自然频率特性系数预测结果的模型误差方差、数据误差方差和总预测误差方差。将置信水平设定为95％，便可得到β系数的预测区间。

具体仿真结果如下：

I)训练方法对比

本发明将对比如下区间预测方法：

M1：基于DNN的Bootstrap方法，其中，DNN包含4个隐藏层，每层50个神经元；

M2：基于浅层反向传播(Backpropagation，BP)神经网络的Bootstrap方法，其中BP神经网络包含1个隐藏层，隐藏层神经元数为200；

M3：基于极限学习机(Extreme Machine Learning，ELM)的Bootstrap方法，其中ELM包含1个隐藏层，隐藏层神经元数为200。

本发明所用计算机硬件环境为Intel(R)Core(TM)i7-7500U CPU@2.70GHz 8GBRAM。

II)自然频率特性系数区间预测的准确性

为验证本发明所提自然频率特性系数区间预测方法M1的有效性，将通过如下几个指标来衡量M1-M3的区间预测结果的准确性。

β系数的点预测误差可用平均绝对百分比误差(Mean Absolute PercentageError，MAPE)来衡量，如式(2)所示。

其中，m

所得预测区间是否有效涵盖了β系数的真实值由预测区间覆盖率(PredictionInterval Coverage Probability，PICP)来衡量，如式(3)所示。

所得预测区间的宽度一般由平均预测区间宽度(Mean Prediction IntervalWidth，MPIW)来量化，如式(4)所示。为更直观展示预测区间宽度的大小，本发明进一步定义相对平均预测区间宽度(Relative Mean Prediction Interval Width，RMPIW)，如式(5)所示。

一般而言，较好的预测结果应具有较小的MAPE，较小的RMPIW以及较高的PICP。M1-M3所得区间预测结果对比如表2所示。

表2区间预测结果对比

由表2可见，在隐藏层神经元总数均相同的情况下，具有深层结构的M1能够取得最优的预测结果，其各项指标均优于仅具有浅层结构的M2及M3，验证了DNN在特征提取方面的有效性。

3)自然频率特性系数区间预测结果对功率扰动量预测误差的鲁棒性

本发明所用特征向量包含系统功率扰动量。由于在功率扰动发生前，该扰动量是未知的，故在对未来β系数进行预测时，所用输入为功率扰动量的预测值。由于功率扰动量的预测存在误差，将预测值作为输入必然影响β系数区间预测的准确性。为验证本发明所提区间预测方法M1对功率扰动量预测误差的鲁棒性，将通过在真实功率扰动量的基础上添加服从正态分布的预测误差来生成功率扰动量的预测值，并测试了M1在不同功率扰动量误差情况下的预测效果，如表3所示。

表3 M1对功率扰动量预测误差的鲁棒性

由表3可见，随着功率扰动量预测误差的增大，区间预测的准确性呈下降趋势。但在误差为1％-5％的范围内，M1仍能保持较高的预测区间覆盖率，且可将相对平均预测区间宽度保持在13％以内，预测精度能够满足实际需求，可为B系数的整定提供参考。由此可见，本发明所提自然频率特性系数区间预测方法M1对于功率扰动量预测误差具备良好的鲁棒性。

实验结果表明，本发明所提基于DNN和Bootstrap的电力系统自然频率特性系数区间预测方法能够以高精度追踪β系数的变化，所得预测区间能够有效涵盖β系数的真实值，且该方法对功率扰动量预测误差具备良好的鲁棒性。

本发明在总结分析β系数主要影响因素的基础上，提出了基于DNN及Bootstrap的β系数区间预测方法。本发明首先确定了自然频率特性系数β的三个主要影响因素：系统功率扰动、备用容量、机组启停方式；然后利用DNN强大的非线性特征提取能力，实现β系数的准确点预测；最后，基于DNN点预测模型及Bootstrap方法得到了β系数的置信区间。β系数的预测上限值可为B系数的整定提供参考，在很大程度上避免B系数整定值小于β系数的情况发生。此外，由算例仿真可见，本发明所提区间预测方法能够取得良好的预测精度，且对功率扰动量预测误差具备良好的鲁棒性，验证了本发明所提方法的有效性。