参考文献
[1] 张智刚，康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J] . 中国电机工程学报，2022，42(8) ：2806-2818．
[2] 鲁宗相，林弋莎，乔颖，等. 极高比例可再生能源电力系统的灵活性供需平衡[J] . 电力系统自动化，2022，46(16) ：3-16．
[3] 王绍敏，王守相，赵倩宇，等. 基于频域分解和精度加权集成的分布式风电功率预测方法[J] . 电力建设，2023，44(5) ：84-93．
[4] 王渝红，史云翔，周旭，等. 基于时间模式注意力机制的 BiLSTM 多风电机组超短期功率预测[J]. 高电压技术，2022，48(5) ：1884-1892．
[5] 陈玺. 基于 ISSA-LSTM 的超短期风电功率预测[D].银川：宁夏大学，2022．
[6] 王顺. 基于物理- 数据融合的风电功率组合预测方法研究[D]. 沈阳：沈阳工业大学，2022．
[7] 冉靖，张智刚，梁志峰，等. 风电场风速和发电功率预测方法综述[J] . 数理统计与管理，2020，39(6) ：1045-1059．
[8] 王燕. 时间序列分析——基于R [M] . 北京：中国人民大学出版社，2015．
[9] 陈昊，高山，王玉荣，等. 基于广义自回归条件异方差偏度峰度模型的风电功率预测方法[J] . 中国电机工程学报，2017，37(12) ：3456-3461．
[10] 邹金，朱继忠，赖旭，等. 基于时空自回归移动平均模型的风电出力序列模拟[J] . 电力系统自动化，2019，43(3) ：101-107.
[11] 朱乔木，李弘毅，王子琪，等. 基于长短期记忆网络的风电场发电功率超短期预测[J] . 电网技术，2017，41(12) ：3797-3802．
[12] 杨子民，彭小圣，郎建勋，等. 基于集群动态划分与 BLSTM 深度学习的风电集群短期功率预测[J] .高电压技术，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] 张雲钦，程起泽，蒋文杰，等. 基于 EMD-PCA-LSTM 的光伏功率预测模型[J]. 太阳能学报，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] 彭秀艳，张彪. 基于 EMD-PSO-LSTM 组合模型的船舶运动姿态预测[J] . 中国惯性技术学报，2019，27(4) ：421-426．
[17] 张辰睿. 基于机器学习的短期电力负荷预测和负荷曲线聚类研究[D]. 杭州：浙江大学，2021.
[18] 王维高，魏云冰，滕旭东. 基于 VMD-SSA-LSSVM 的短期风电预测[J] . 太阳能学报，2023，44(3) ：204-211.
[19] 王金玉，金宏哲，王海生，等.ISSA 优化 Attention 双向 LSTM 的短期电力负荷预测[J]. 电力系统及其自动化学报，2022，34(5) ：111-117.
