基于改进集成聚类和BP神经网络的电压偏差预测

1 引言

随着新型电力电子化装置的大量接入，电能质量问题日益严重。越来越多变电站升级电能质量监测系统，得到海量的实时电能质量监测数据。通过挖掘海量监测数据，可预测电能质量的变化趋势，及时做出预警及应对措施，以保证电网安全、稳定、经济运行[1]。

在临床上，糖尿病是一种常见的多发病，其中以2型糖尿病最为多见，占比约为95%左右。针对此类患者，临床单独采用胰岛素加以治疗时，无法有效控制其血糖水平[1]。而作为一种噻唑烷二酮类降糖口服药，吡格列酮可保护胰岛β细胞，且可增加胰岛素敏感性，因而可发挥有效的血糖控制效果[2]。因此本文随机抽取我院收治的80例糖尿病患者，随机分为2组，各40例，即对糖尿病采用二甲双胍与吡格列酮联合治疗的临床价值做了探讨，现报道如下。

电能质量问题包括稳态电能质量问题和暂态电能质量问题。稳态电能质量问题包括电压偏差、频率偏差、电压波动与闪变、谐波及三相不平衡度五项指标[2]。其中，电压偏差的危害最为明显。电压过高造成设备过电压，威胁绝缘，减少使用寿命；电压过低导致用户设备不能正常使用。因此，预测电压偏差变化趋势并及时采取应对措施对于电力系统的正常运行具有很高的应用价值。由于不同的电能质量指标数据具有不同的特征，不能把五项稳态指标用一个预测模型来预测，否则会造成精度差的问题。本文将对电压偏差建立预测模型。

常用的预测方法主要有时间序列法、灰色预测法、支持向量机预测法等。时间序列法注重数据的拟合，对影响电能质量的不确定性因素考虑不足；灰色预测法对数据的离散程度有要求，当数据离散程度较大时，预测精度较差；支持向量机预测法在处理随机波动性较强的数据时，精度较差，且数据集规模过大时，训练时间长，速度慢[3]。

目前，对电能质量预测的研究文献较少，而负荷预测方法已比较成熟，可参考负荷预测的方法来进行电能质量预测。文献[4-6]采用基于小波分析的预测方法，将负荷数据进行分解，能够改善预测精度，但是预测精度过多依赖于历史相似日的选取，预测结果不稳定。文献[7,8]采用基于决策树的负荷预测模型，模式简单，易于理解，但是在选取属性进行扩展时，对属性的内部相关性考虑欠缺，且易受噪音影响。文献[9-11]采用综合预测方法，结合多种预测模型的有效信息，优势互补，改善了预测精度，但是模型的权重确定困难，建模难度大。文献[12-14]采用偏最小二乘回归分析法进行负荷预测，通过提取成分，最大限度地利用了数据信息，但是如何提高成分解释能力仍然难度较大。

采用动压法测试风量时，从断面Ⅱ—Ⅱ处的静压管和全压管分别引一条胶皮管接到倾斜压差计上，断面Ⅱ—Ⅱ处的面积S2=4.96 m2，通过U型水柱计读数断面Ⅱ—Ⅱ的动压，通过公式(9)计算风机风量。

电能质量预测的方法尚不成熟，研究文献极少。文献[15]提出一种基于Monte Carlo抽样的电铁电能质量预测方法，即先用Monte Carlo抽样方法对牵引负荷进行随机波动处理，然后再对负序、谐波等指标进行预测，但是此方法预测对象有限制，仅适用于具有单相独立性、随机波动性等电铁一类的电能质量预测。文献[16]提出了一种间接预测方法，即先建立时间序列预测模型对有功功率进行预测，再通过有功功率与电能质量稳态指标的相关性建立神经网络预测模型，但是有功功率的预测结果较大程度影响电能质量的预测结果。文献[17]采用神经网络的预测模型对变电站和风电、光伏等用户的电能质量进行预测，但是此预测方法过于单一，且对预测精度没有做具体分析和说明。

本文针对电压偏差非线性、周期性的特点并结合实时气象数据提出一种基于改进集成聚类和BP神经网络的电压偏差预测方法。首先对气象数据采用主成分分析法(Principal Component Analysis，PCA)降维；然后采用改进集成聚类对气象主成分聚类，根据聚类结果提取与待预测点同类的历史数据；最后建立BP神经网络预测模型。将本文预测方法应用到上海市某电站电压偏差数据，结果证明本文提出的预测方法精度更高。

2 改进集成聚类算法描述

市政工程概预算编制过程中存在的问题及其对造价控制的影响研究……………………………………………………… 江智伟（2-187）

2.1 PCA降维

由于气象因素较多，且包含无关变量，在应用BP神经网络进行电压偏差预测时，若将全部气象因素作为输入，会导致BP神经网络学习效率低甚至不能完成学习，因此有必要对气象数据进行降维处理。

(3)将步骤(2)得到的K个聚类中心μk(k=1,2,…,K)作为K-means聚类的初始聚类中心，对步骤(1)得到的气象主成分进行K-means聚类，得到K个类簇。

V=eigvec[cov(X)]

(1)

式中，X为归一化的数据矩阵；cov(X)为协方差矩阵；V的列向量为cov(X)的正交单位特征向量。

将X降至L维后的数据矩阵为：

P=XVL

(2)

式中，VL为矩阵V的前L列。

2.2 AP聚类分析

AP聚类是Frey和Dueck 于2007年提出的一种新的聚类算法[19,20]。AP聚类过程在信息传递的过程，吸引信息矩阵R和归属信息矩阵A在数据点之间交换信息，不断迭代更新，直到结束。r(i, k)、a(i, k)分别为i点与k点之间的吸引信息矩阵元素和归属信息矩阵元素，r(i, k)、a(i, k)的值越大,则k点成为聚类中心的可能性就越大,并且i点隶属于以k点为聚类中心的类簇的可能性也越大。其计算公式为：

(3)

式中，s(i,k)为i点与k点之间的相似度。

(4)

式中，若xi∈ci,dki=1；若xi∉ci,dki=0。

输入向量为与待测点的气象因素同类的历史数据集，为4维向量；输出向量为整点时刻的电压偏差，为1维向量。本文取10次预测结果的均值作为最终预测结果。

(5)

相对于传统聚类，AP聚类算法有如下优点：①无需事先指定聚类个数K；②无需随机选取初值，多次执行算法得到的结果相同；③误差平方低于其他单一聚类方法；④通过输入相似度矩阵来启动算法，因此对距离矩阵的对称性没要求，数据适用范围大。AP算法的流程图如图1所示。

2.3 K-means聚类分析

K-means聚类算法原理简单、操作快速。其核心思想为：以数据对象到该类聚类中心的距离平方和最小为目标，把n个数据对象按照特定标准划分为K个聚类[21]。具体步骤如下：

女孩毕业后，这条连接两所大学的窄街拆迁了，煎饼摊被挪到了更偏的地方，很难找。但根深蒂固的记忆帮了女孩，她一路寻一路问：要找那家鏊子有80厘米的煎饼摊，门口，摊煎饼的人放着好几盆茉莉花和珠珠花。对了，就是那个既摊棕色煎饼又摊米黄煎饼的老徐煎饼档。

(1)从n个数据对象X={x1,x2,…,xn}中，随机选择K个对象作为初始聚类中心μk(k=1,2,…,K)。

各种聚类方法SSE值对比如表2所示。传统K-means聚类简单且效率高，以类簇内对象均值为聚类中心，目标为得到紧凑独立的簇，但是需事先给定聚类数K值，且受初始聚类中心的影响大，导致K-means聚类算法不稳定。AP聚类无需随机选取初值，重复执行AP算法得到的结果相同，稳定性好，但其聚类中心为原始数据集中的点，此聚类中心不一定为最优聚类中心。本文提出的改进集成聚类算法将AP聚类和K-means聚类相结合，实现两类算法的优势互补，由表2可知，改进集成聚类算法的误差平方和最小，类簇间的分散性高，类簇内的紧凑性好。

(2)对于未选中的其他对象，则根据某种评价相似的标准，分别将他们划分给与其最相似的类别，形成K个簇C={ck,k=1,2,…,K}。

我插队时，公社有张姓文教助理，人称张助理。别的公社都选女孩到广播站，他跟我聊过几句后，就偏挑我去。到了1973年考大学，（1973年是“考试入学”，1977年是“全面恢复高考”），我考得很好，随后体检，透视，姓张的小大夫很奇怪，破例问我的名字，透半天，说你肺有问题，不容分说，把体检表抽一旁去。从县医院出来，我心说完了。你说咋这巧，迎面就见到张助理，他一听说：扯淡！走，透视的是我侄儿。推门叫出小张大夫，对我说：你喊一嗓子。

(3)计算各类数据对象到该类别聚类中心μk的距离平方和J(C)，直至最小。计算类内所有数据的均值作为新的聚类中心，其表达式为：

(6)

由于AP聚类算法迭代过程容易产生振荡，所以每次迭代都加一个阻尼系数λ，λ∈(0,1)，即

(4)判断聚类中心和J(C)值是否发生变化，若变化转步骤(2)，若不变，则聚类结束。

衡量相似性的标准有欧氏距离、余弦相似度等。本文选择欧氏距离衡量气象数据间的相似性。

该影片在中国上映之后，根据中国票房网统计，它在国内票房达到了5.36亿元，排进了2017年国产票房榜前十名。此外，该片在腾讯网的评分为8.6分，获得了不错的口碑与成绩。该片之所以在国内受欢迎，除了与其主题、故事的叙述方式及演员精湛的表演分不开之外，还与影片的字幕翻译有关，而好的译文离不开译者所选择的翻译策略，下面笔者将从认知学角度在关联理论的框架下分析该影片字幕翻译策略，以期为今后相关的电影字幕翻译提供借鉴。

3 BP神经网络

针对电压偏差非线性、周期性的特点，本文选取神经网络建立预测模型。神经网络具备很强的学习能力，能更好地适应数据空间的变化和各种复杂的数据关系。

BP神经网络的特点是信号前向传递，误差反向传递。BP神经网络凭借其良好的性能广泛应用于分类识别、逼近、回归、压缩等领域[22,23]。其结构如图2所示。

4 案例分析

4.1 电压偏差预测流程

本文选取2012年4月10日～5月15日、2013年4月10日～5月15日、2014年4月1日～4月26日共2352个整时点气象数据和电压偏差数据作为历史数据，对接下来的工作日2014年4月27日、4月28日以及节假日5月1日整时点的电压偏差进行预测。本文气象数据来自于上海浦东国际机场所使用的气象数据，电压偏差数据来自上海市某变电站的真实数据，组成如下的数据集记录：[整点时刻 气温 露点 湿度 气压 风向 风速 状况 电压偏差]。

基于改进集成聚类和BP神经网络的电压偏差预测方法流程如图3所示。其步骤如下。

其中，C为与吸嘴结构有关的系数，取0.10～0.25，这里C取0.25。经计算得Δpn=54.25 Pa。

(1)为减小数据集的规模，提炼有效的气象数据信息，首先对预处理后的气象数据进行PCA降维处理。

(2)将降维后的气象数据进行AP聚类分析，得到聚类数K和K个聚类中心μk(k=1,2,…,K)。

PCA降维算法将多个具有相关性的变量，重新组合成一组相互独立的主成分变量，其表达式为[18]：

(4)根据步骤(3)的结果选择与待测点的气象因素同类的历史数据集作为训练样本数据集，运用BP神经网络进行训练并预测电压偏差。

4.2 改进集成聚类算法

(1)PCA降维处理

由于影响电压偏差的因素很多，为避免信息冗余现象，需对影响因素进行降维。分析数据集中数据的相关性，相关系数如表1所示。绘制相关性强度图，如图4所示。由表1和图4可知，气象因素中气温、湿度、风速、露点与电压偏差的相关性较高，但同时气象因素内部间的相关性也较高。所以，为避免信息重复现象，将气象数据进行PCA降维处理，得到一组相互独立又信息量大的主成分。根据贡献率，本文将原始气象数据PCA降维为4维。

(2)AP聚类

AP聚类的输入为数据点之间的相似度矩阵S，本文数据点i和j之间的相似度为s(i,j)=-(xi-xj)2。图5为AP聚类迭代过程。

将降维后的气象数据进行AP聚类，由图5可知，迭代约10次便趋于稳定，得到聚类数K为21，并且得到21个高质量聚类中心。

(3)K-means聚类

病株主要特点：发病率相对较高，贯穿整个玉米发育期。在玉米苗期受害比较严重，最初是心叶正面会出现不规则的透明褪绿点，后连接成面侵染整个叶片，并且在病叶背面会出现不规则形状的蜡白色脉突。后续导致病株矮于健株，叶片较健株更为宽短肥厚。

将AP聚类得到的K和聚类中心作为K-means聚类的聚类数和初始聚类中心，反复迭代，直到聚类中心不再发生变化，得到最终聚类结果。

改进集成聚类算法的基本思想可表述如下：对气象数据进行PCA降维得到其主成分；对主成分进行AP(Affinity Propagation)聚类，得到聚类数K和聚类中心，并将其作为K-means聚类的聚类数和初始聚类中心，进而得到最终聚类结果。

(4)聚类评价指标SSE

误差平方和(SSE)指标ISSE的表征量为各样本到其所在类簇聚类中心的欧氏距离和，其表达式为：

(7)

式中，ci为类簇Xi的聚类中心；d(ci,x)为向量间的欧氏距离。

Ying Liu （2016）［25］指出在受产业转移过程中污染影响的农户也不总是获得与工业化相关的非农就业收益。 Guo Wen-bo （2011）［26］实证研究表明产业转移与产业结构对经济的增长是不充分的。Wang Z Z （2017）［27］认为尽管产业转移能加快乡村振兴的进程，但对乡村居民收入没有积极作用。

4.3 BP神经网络预测

(1) BP神经网络设计

植物水通道蛋白在调节细胞内水稳态方面起着重要作用。水通道蛋白属于一个跨膜通道蛋白MIP超家族，主要起着促进水分双向跨膜运动的作用。干旱和盐胁迫等逆境胁迫都会诱导或下调水通道蛋白的转录和表达［24］。许多研究证明水通道蛋白参与植物体内水分的运输。拟南芥的水通道蛋白γ－TIP在非洲爪蟾卵母细胞中的异源表达增加了水分的渗透率［25］。拟南芥AthH2基因的反义表达载体明显降低了原生质体水分的渗透率［26］。

(2) 预测结果

本文提出的改进预测方法与传统BP神经网络预测方法、结合PCA降维的BP神经网络预测方法程序均在MATLAB平台上成功运行，将其结果进行对比。分别预测工作日2014年4月27日、4月28日以及节假日5月1日的电压偏差，以测试工作日与节假日期间由于人们社会活动的不同，在电能质量发生较大波动的情况下，算法的稳定性是否良好。工作日2014年4月27日和4月28日预测结果如图6、图7所示，节假日2014年5月1日预测结果如图8、图9所示。表3为预测结果对比，并计算其平均相对误差：

(8)

式中，n为样本量；Li为实际值；Fi为预测值。

由图6～图9和表3可知，本文改进方法比传统BP神经网络、PCA+BP神经网络预测结果的平均相对误差都低，说明本文的改进方法中PCA降维和AP+K-means聚类两个步骤均能够提高预测精度；节假日较工作日的电压偏差整体有增大，但是本文方法仍有较高的预测精度，说明本文改进方法在外界环境有一定变化时，仍有较高的稳定性。

将4月27日、4月28日、5月1日三天三种方法预测结果的相对误差落在某一范围内的频数用直方图表示，得到误差分布直方图，如图10～图12所示。从图10～图12的直方图中可以看出，本文方法相对误差在0附近更为集中。最终预测结果如表4所示。本文改进方法平均相对误差为2.987%，比传统神经网络方法降低了9.069%，而且传统神经网络方法和PCA+BP神经网络方法的预测结果相对误差控制在3%以内的概率分别为16.67%、23.61%，而本文改进方法相对误差控制在3%以内的概率达到59.72%，极端相对误差只是小概率事件。综上所述，本文的改进方法在电压偏差预测中效果更好，可为下一步电压偏差预警及电压偏差问题策略制定提供可靠依据。

5 结论

本文针对电压偏差非线性、周期性的特点，同时考虑气象因素，将聚类算法与BP神经网络结合，建立了基于改进集成聚类与BP神经网络的电压偏差预测模型。

下面通过在Matlab-Simulink环境下进行的数值仿真来验证上述的基于LQR的状态反馈控制器和轨迹追踪器设计方法的有效性。根据文献[10]提供的球杆系统实验平台各参数的实际数值，可得到系统空间状态表示的常数矩阵：

(1)由于影响电压偏差预测精度的因素过多，为避免信息干扰和信息重复，将气象数据进行PCA降维，得到一组相互独立又信息量大的主成分，对气象主成分做聚类分析。

(2)将K-means聚类与AP聚类算法相结合，形成改进集成聚类算法，实现两类算法的优势互补,结果证明改进集成聚类算法效果更好。

给予饮食指导，嘱患者注意调整饮食结构，摄入合理的饮食，避免摄入不易消化、油腻、生冷、辛辣刺激性食物，并形成良好的进食习惯；在此基础上，给予多潘立酮片（规格为10 mg/片）10 mg，3次/d餐前30min口服。治疗2周为1个疗程。

(3)选择与待预测整时点同类的历史数据集作为训练样本，运用BP神经网络进行训练并预测，将其预测结果与传统BP神经网络、PCA+BP神经网络预测结果相比较，结果证明本文提出的方法整体预测指标更好。

虽然本文提出的预测模型能够较好地预测短期电压偏差，但仍有提高的空间。例如，AP聚类算法的输入为N×N矩阵，内存开销大，且算法复杂度高；BP神经网络算法样本依赖性强且初始权重为随机给定，导致其预测结果稳定性欠佳。因此可基于以上问题，对本文预测模型做进一步改进。

参考文献 (References)：

[1] 丁泽俊, 刘平, 欧阳森, 等(Ding Zejun, Liu Ping, Ouyang Sen, et al.). 电能质量预测与预警机制及其应用(Mechanism of power quality forecast and early warning and their application)[J]. 电力系统及其自动化学报(Proceedings of the CSU-EPSA)，2015，27(10)：87-92.

[2] 胡铭, 陈珩(Hu Ming, Chen Heng). 电能质量及其分析方法综述(Survey of power quality and its analysis methods)[J]. 电网技术(Power System Technology)，2000，24(2)：36-38.

[3] Jigoria-Opera D, Lustrea B, Kilyeni St, et al. Daily load forecasting using recursive artificial neural network vs. classic forecasting approaches [A]. 5th International Symposium on Applied Computational Intelligence and informatics[C]. Timisoara, Romania, 2009. 487-490.

[4] 邰能灵, 侯志俭, 李涛，等(Tai Nengling, Hou Zhijian, Li Tao, et al.). 基于小波分析的电力系统短期负荷预测方法(New principle based on wavelet transform for power system short-term load forecasting)[J].中国电机工程学报(Proceedings of the CSEE)，2003，23(1)：46-51.

[5] 曲正伟, 张坤, 王云静，等(Qu Zhengwei, Zhang Kun, Wang Yunjing, et al.). 基于PSO-OMP优化的WD-ASD超短期负荷预测(Short-term load forecasting based on WD-ASD optimized by PSO-OMP)[J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2017，36(12)：39-45.

[6] 李如琦, 褚金胜, 王宗耀，等(Li Ruqi, Chu Jinsheng, Wang Zongyao, et al.). 小波分析及其在短期负荷预测中的应用(Wavelet analysis and its use in short-term load forecasting)[J]. 现代电力(Modern Electric Power)，2009，26(3)：63-67.

[7] 孙英云, 何光宇, 翟海青，等(Sun Yingyun, He Guangyu, Zhai Haiqing, et al.). 一种基于决策树技术的短期负荷预测算法(A short-term load forecasting method based on decision-tree approaches)[J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2004，23(3)：55-58, 75.

[8] 高亦凌, 胡翼, 辛洁晴，等(Gao Yiling, Hu Yi, Xin Jieqing, et al.). 基于决策树主变最佳负荷预测研究(Study of transformer optimal load forecasting method based on decision tree)[J]. 电网与清洁能源(Power System and Clean Energy)，2014，30(3)：93-97.

[9] 康重庆, 夏清, 沈瑜，等(Kang Chongqing, Xia Qing, Shen Yu, et al.). 电力系统负荷预测的综合模型(Integrated model of power system load forecasting)[J]. 清华大学学报(自然科学版)(Journal of Tsinghua University (Science and Technology))，1999，39(1)：8-11.

[10] 程旭, 康重庆, 夏清，等(Cheng Xu, Kang Chongqing, Xia Qing, et al.). 短期负荷预测的综合模型(Integrated model of short-term load forecasting)[J]. 电力系统自动化(Automation of Electric Power Systems)，2000，24(9)：42-44.

[11] 李春祥, 牛东晓, 孟丽敏，等(Li Chunxiang, Niu Dongxiao, Meng Limin, et al.). 基于三指标量的中长期负荷预测综合模型(Comprehensive models for mid-long term load forecast based on three target quantities)[J]. 华东电力(East China Electric Power)，2008，36(6)：10-14.

[12] 毛李帆, 江岳春, 龙瑞华，等(Mao Lifan, Jiang Yuechun, Long Ruihua, et al.). 基于偏最小二乘回归分析的中长期电力负荷预测(Medium- and long-term load forecasting based on partial least squares regression analysis)[J]. 电网技术(Power System Technology)，2008，30(19)：71-77.

[13] 蔡金錠,王慧(Cai Jinding, Wang Hui). 非线性偏最小二乘回归在电力负荷预测中的应用(Application of non-linear partial least square regression in electricity load prediction)[J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2006, 25 (2)：15-17, 58.

[14] 季泽宇,袁越,邹文仲(Ji Zeyu, Yuan Yue, Zou Wenzhong). 改进偏最小二乘回归在电力负荷预测中的应用(Application of improved partial least square regressive model in power load forecasting)[J]. 电力需求侧管理(Power Demand Side Management)，2011，13(1)：10-14.

[15] 秦浩庭, 李群湛, 刘燕，等(Qin Haoting, Li Qunzhan, Liu Yan, et al.). 基于Monte Carlo的电铁电能质量预测方法(Prediction of the power quality caused by electrified railways based on Monte Carlo)[J]. 电力系统保护与控制(Power System Protection and Control)，2011，39(13)：64-70, 77.

[16] 苏卫卫, 马素霞, 齐林海(Su Weiwei, Ma Suxia, Qi Linhai). 基于ARIMA和神经网络的电能质量稳态指标预测(Predicting of power quality steady indicators based on ARIMA and neural network)[J]. 计算机技术与发展(Computer Technology and Development)，2014, 24(3)：163-167.

[17] 刘可, 薛俊茹, 宋锐，等(Liu Ke, Xue Junru, Song Rui, et al.). 青海电网数字化在线监测平台短期电能质量预测功能应用与分析(Application and analysis of short-term power quality prediction of digital on-line monitoring platform for Qinghai power grid)[J]. 科技信息(Science and Technology Information)，2012，34(15)：690-691.

[18] 张斌, 庄池杰, 胡军，等(Zhang Bin, Zhuang Chijie, Hu Jun, et al.). 结合降维技术的电力负荷曲线集成聚类算法(Ensemble clustering algorithm combined with dimension reduction techniques for power load profiles)[J].中国电机工程学报(Proceedings of the CSEE)，2015，35(15)：3741-3749.

[19] Fery B J, Dueck D. Clustering by passing messages between data points [J]. Science, 2007, 305(5814): 972-976.

[20] Dueck D, Frey B J. Non-metric affinity propagation for unsupervised image categorization [A]. IEEE International Conference on Computer Vision[C]. Rio de Janeiro, Brazil, 2007. 1-8.

[21] Parmeet K. Outlier detection using k means and fuzzy min max neural network in network data[A]. 2016 8th International Conference on Computational Intelligence and Communication Networks[C]. Jabalpur and Dehradum, India, 2016 .693-696.

[22] 刘波, 张焰, 陈煜，等(Liu Bo, Zhang Yan,Chen Yu, et al.). 基于GA-改进BP神经网络算法在大电网短路电流预测中的应用(Short-circuit current forecast application of big electrical network based on improved BP artificial neural network combined with genetic algorithm)[J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2006，25(4)：43-46.

[23] 安晨帆, 杜志叶, 李慧慧，等(An Chenfan, Du Zhiye, Li Huihui, et al.). 基于组合赋权和BP神经网络的500kV交流输电线路电磁环境评估方法研究(Study of 500kV of AC transmission line electromagnetic environment evaluation method based on combination empowerment and BP neural network)[J]. 电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2016，35(3)：62-68.