參考文獻
[1] 張智剛，康重慶. 碳中和目標下構建新型電力系統的挑戰與展望[J] . 中國電機工程學報，2022，42(8) ：2806-2818．
[2] 魯宗相，林弋莎，喬穎，等. 極高比例可再生能源電力系統的靈活性供需平衡[J] . 電力系統自動化，2022，46(16) ：3-16．
[3] 王紹敏，王守相，趙倩宇，等. 基于頻域分解和精度加權集成的分布式風電功率預測方法[J] . 電力建設，2023，44(5) ：84-93．
[4] 王渝紅，史云翔，周旭，等. 基于時間模式注意力機制的 BiLSTM 多風電機組超短期功率預測[J]. 高電壓技術，2022，48(5) ：1884-1892．
[5] 陳璽. 基于 ISSA-LSTM 的超短期風電功率預測[D].銀川：寧夏大學，2022．
[6] 王順. 基于物理- 數據融合的風電功率組合預測方法研究[D]. 沈陽：沈陽工業大學，2022．
[7] 冉靖，張智剛，梁志峰，等. 風電場風速和發電功率預測方法綜述[J] . 數理統計與管理，2020，39(6) ：1045-1059．
[8] 王燕. 時間序列分析——基于R [M] . 北京：中國人民大學出版社，2015．
[9] 陳昊，高山，王玉榮，等. 基于廣義自回歸條件異方差偏度峰度模型的風電功率預測方法[J] . 中國電機工程學報，2017，37(12) ：3456-3461．
[10] 鄒金，朱繼忠，賴旭，等. 基于時空自回歸移動平均模型的風電出力序列模擬[J] . 電力系統自動化，2019，43(3) ：101-107.
[11] 朱喬木，李弘毅，王子琪，等. 基于長短期記憶網絡的風電場發電功率超短期預測[J] . 電網技術，2017，41(12) ：3797-3802．
[12] 楊子民，彭小圣，郎建勛，等. 基于集群動態劃分與 BLSTM 深度學習的風電集群短期功率預測[J] .高電壓技術，2021，47(4) ：1195-1203.
[13] ORESHKIN B N, CARPOV D, CHAPADOS N, et al.NBEATS： Neural basis expansion analysis for interpretable time series forecasting[C]//International Conference on Learning Representations, Millennium Hall, Addis Ababa, Ethiopia，2020．
[14] 張雲欽，程起澤，蔣文杰，等. 基于 EMD-PCA-LSTM 的光伏功率預測模型[J]. 太陽能學報，2021，42(9) ：62-69.
[15] LIU H, TIAN H G, LI Y F.Comparison of new hybrid FEEMD-MLP , FEEMD-ANFIS，Wavelet Packet-MLP and Wavelet Packet-ANFIS for wind speed predictions[J].Energy Conversion and Management，2015，89(1) ：1-11.
[16] 彭秀艷，張彪. 基于 EMD-PSO-LSTM 組合模型的船舶運動姿態預測[J] . 中國慣性技術學報，2019，27(4) ：421-426．
[17] 張辰睿. 基于機器學習的短期電力負荷預測和負荷曲線聚類研究[D]. 杭州：浙江大學，2021.
[18] 王維高，魏云冰，滕旭東. 基于 VMD-SSA-LSSVM 的短期風電預測[J] . 太陽能學報，2023，44(3) ：204-211.
[19] 王金玉，金宏哲，王海生，等.ISSA 優化 Attention 雙向 LSTM 的短期電力負荷預測[J]. 電力系統及其自動化學報，2022，34(5) ：111-117.
