为一个包含有初步的 360 个数据的学习子集，包含有 100 个数据的确认子集和包含有 190 个数据的测试子集。接下来，我们仅讨论第二个风电站（7×100kW）的测量结果。
这三个基本的人工神经网络结构已经经过了测试：
（1）具有与时步一一对应的 12 个输出的网络被称为 ANN-a。
（2）具有一个输出，能互动应用来预测所有 12 个时步的网络被称为 ANN-b。它的结构在最优化时已经将JV(q)所有时步的预测误差考虑在内。
（3）一个跟前一个类似的网络，被称为 ANN-c，在对它进行最优化时，只需考虑JV(q)的第一时步的测量误差。
高阶项最高是二次总是在考虑范围之内，而神经元通过循环链接完全联通。最优化结构参数向量如下所示：
其中，r1是历史风电功率数，r2是历史风速值。
应用 ANN 模型，通过反复试验获得的均方根标准的改进情况如表 2 所示。由于ANN 发的应用使得混步预测取得了很大的进步。ANN-a 和 ANN-b 在长期预测上比 ANN-c 表现更加优异。这是因为在这些网络的结构最优化过程中将它们在整个取值范围内的表现予以了考虑。在进行超前预测时，表现最好的则是ANN-c，ANN-c 就是专门为此类预测设计的。虽然如果为每一个时步设计一个不同的模型话能够得到更好的结果，但是从在线运行的视角看来，此方法并不可取。 最后需要强调的是， 对于一个成熟模型的完全统计评估来说，我们所能够顾及的时间段当然是微不足道的。但是由于成熟模型（如下表所示）的在线应用，这种方法也足以被选为典型方法。此外，通过对在其他地点更长时间段内的测试，可知相对于通过所推荐的方法获得的结果，以上的结果完全是具有代表性的。
表 2：各种方法的 RMS 误差以及使用 ANN 法之后的改进
4.1 已有控制系统的实现
在欧盟工程 JOU2-CT92-0053 ?13?框架协议下，一个用于风油混合动力系统的最优化操作管理的高级控制系统（CS）正在开发之中。此系统已经建好并正在对利姆诺斯岛上的风油混合动力系统进行评估。
CS 的目标是通过推荐能源系统操作的最优化集合对象来帮助系统操作者，以使在节省最多燃料的同时不使顾客得到的服务质量下降。此集合对象是由一个经济调度模块产生的，这个模块考虑到了负载情况和风电功率预测情况（如表3所示）。能源系统的安全由安全评估模块保证，这个模块能够监督操作集合对象的产生并能够拒绝可能导致能源系统动态不安全状态的因素。
表3：导航控制系统的结构
风电功率预测是由风电功率预测（WPF）模块提供，此模块对控制系统的详细操作如表4所示。各种初级预测模型和高级预测模型已经整合在了WPF模块中。由于ANN-a RHONN模型比ANN-b和ANN-c 具有更好的全局表现，我们选择使用ANN-a 。每次CS开始工作，初级预测方法就会替换掉高级方法。之后，需要一段短暂的时间来使高级方法自动适应新的情况。当调整到得出的结果比初级方法优异的时候，高级模块就会提供预测结果。
以五天时间为限，能源系统的在线操作统计情况如[14]所示。控系统通过利用高级预测模型，能够：（1）减少柴油单元的启停次数，甚至减少30% 。（2）降低负载损耗。（3）提高燃料节约率1-2% 。（4）提高风能利用率。
五 结论
本文展示了一个基于神经网络的风电功率时序预测模型。此模型在预测近似自适应能源系统短期规划函数方面的表现经过了测试。这个模型要比初级模型表现出色，并且所得结果也比其他已知替代模型所得相似结果优异。这些优势源自于自调节神经网络法以及这里推荐的用于最优化预测模型结构的算法。
这一取代了试错法的算法的目标就是使预测模型的归纳能力最大化。由于其能够应用于任何的时序统计非线性问题，所以具有广泛价值。
最后，在希腊利诺斯岛上，这一成熟模型已经在实验性风油混合动力系统中投入应用。
表4：WPF操作模块流程图
六 感谢
作者要感谢欧盟对 Joule-II项目的资助：现在的工作就是JOU2-CT92-0053部分。
七 参考文献
[1] L.Landberg et al,\ local wind predictions \4th
European
Wind
Energy
Conference,EWEC
93,Lubeck-Travemunde,Germany,1993,pp.677-680.
[2] E.A. Bossanyi,\wind prediction using Kalman filters\Wind Engineering,vol.9,No.1,1985.
[3] E.A. Bossanyi,\of the 7th BWEA Wind Energy Conference, 27-29 March 1985,pp.219-226.