。实验结果表明,它具有良好的性能。(4)人工智能方法由于人工智能技术以及其他预测方法的发展,各种新的预测方法不断被提出。例如,人工神经网络(ANN)、模糊逻辑法、支持向量机法以及遗传算法等。Mohandes等人深入研究了ANN算法,并将实验结果和AR模型进行比较,结果显示:ANN法优于AR法,虽然ANN占用更多的计算资源,但是计算机系统是不断得到改进的,弥补了这种计算的复杂度。Damousis等人研究了一种基于空间相关性的模糊方法,在较为平坦的地势上这种方法有很好的预测效果,但是在地形复杂的区域,其性能很差。Mohandes等人在风速预测领域引入了支持向量机的方法,该方法和神经网络方法进行对比分析,分析结果显示:支持向量机方法的均方根误差比神经网络法小很多,其性能较优[23]。1.2.4含新能源发电的电力系统风险评估研究现状目前,研究含新能源发电的电力系统风险评估还处于初始阶段。新能源发电中风电占绝大比例,风电场的可靠性建模、风电场对电力系统可靠性的影响、含风电场发输电系统的可靠性计算等方面都是需要进行深入的研究。风速是不断变化的,时间序列的趋势性和随机性很强,研究可靠性模型就是确定风速的随机模型。目前风速模型主要有三种:第一种为正态分布[24],通过历史数据的分析得到风速分布的均值和方差,得到概率分布函数;第二种为Weibull分布,其分布函数为:(1-2)第三种为Rayleigh分布,其分布函数为[25]:(1-3)式(1-2)和(1-3)中:-和分布函数形状有关的因子;-风速的大小。确定风速概率模型后,结合风机、火电机组运行模型,得到系统容量模型,然后评估新能源发电系统的可靠性。文献[26]建立了基于蒙特卡罗仿真的含风电场的发输电系统可靠性分析模型,该模型不仅考虑了风速的随机性,风电机组强迫停运率及其与气候的相关性,而且计及了输电网络故障率和输电线路有功功率限制。文献