張仕清 韓新同

（河北工業(yè)大學(xué)電氣工程學(xué)院，天津 300132）

光伏發(fā)電是目前應(yīng)用最為廣泛的新能源之一，但由于其發(fā)電功率的不穩(wěn)定性、可變性和受氣象影響因素大給他的應(yīng)用潛力打了一個(gè)問號。受氣象因素和人們用電習(xí)慣影響，光伏發(fā)電的“鴨子曲線”問題嚴(yán)重，也就是在光伏功率最高的正午時(shí)段，電力需求大幅下降，而隨著太陽能的消減，傍晚時(shí)的電力需求卻急劇上升，其需求曲線就像一只鴨子。

光伏發(fā)電的預(yù)測，對于我們有效、平穩(wěn)的利用光伏發(fā)電系統(tǒng)有著重要的意義。在參考文獻(xiàn)[1]中提出了過去光電預(yù)測領(lǐng)域一個(gè)完整的回顧，在參考文獻(xiàn)[2]中提出了一種通過概率預(yù)測的方法來對光電輸出功率的預(yù)測，參考文獻(xiàn)[3]中研究了太陽輻射和光伏功率輸出的隨機(jī)模型和短期高分辨率預(yù)測，通過ARMA模型以及卡爾曼濾波等方法確定估計(jì)模型的相關(guān)參數(shù)最終實(shí)現(xiàn)對于太陽輻射和太陽能發(fā)電的高分辨率預(yù)測，并對其相關(guān)理論進(jìn)行了相關(guān)的仿真研究。

本文主要提出了一種基于柯西變異改進(jìn)螢火蟲算法優(yōu)化回歸型支持向量機(jī)進(jìn)行短期光伏功率預(yù)測的模型，并采用新型預(yù)測模型進(jìn)行光伏預(yù)測實(shí)驗(yàn)，驗(yàn)證了本文所提方法的有效性。

1 螢火蟲算法的改進(jìn)

1.1 柯西變異改進(jìn)

為了能夠使螢火蟲在每次迭代搜尋下一個(gè)移動位置時(shí)有更為寬泛的搜尋范圍，我們在其搜尋公式中加入了柯西變異改進(jìn)，柯西變異公式為：

其中σ 為（0，1）范圍內(nèi)的一個(gè)隨機(jī)數(shù)。

則螢火蟲位置更新公式變?yōu)椋?/p>

1.2 柯西隨機(jī)數(shù)改進(jìn)

在螢火蟲移動公式中存在一個(gè)為了防止純粹的貪心搜索而引入的隨機(jī)變量α，在這里我們使用柯西隨機(jī)數(shù)來代替α，則螢火蟲位置更新公式最終變?yōu)椋?/p>

其中σ1、σ2為兩個(gè)相互獨(dú)立的位于(0,1)范圍內(nèi)的隨機(jī)數(shù)。

2 光伏輸出功率預(yù)測仿真

通過上文提出的改進(jìn)型的螢火蟲算法優(yōu)化支持向量機(jī)對具體的光伏發(fā)電網(wǎng)絡(luò)實(shí)例進(jìn)行預(yù)測分析，同時(shí)我們引入另外兩個(gè)預(yù)測模型對該具體實(shí)例進(jìn)行分析，研究風(fēng)速、溫度、水平輻射等變量對于光伏輸出功率預(yù)測的具體影響，以及通過和另外兩個(gè)預(yù)測模型的對比來驗(yàn)證模型的準(zhǔn)確性和可靠性，本章我們采用位于澳大利亞中部烏魯魯?shù)腨ulara Solar System 分布式1.8MW 太陽能光伏電站2 號機(jī)組的相關(guān)數(shù)據(jù)。

確定預(yù)測模型參數(shù)與預(yù)測評價(jià)指標(biāo)：

本節(jié)我們所需要構(gòu)建的訓(xùn)練模型包括改進(jìn)后螢火蟲算法（IFA）優(yōu)化支持向量機(jī)函數(shù)，此外需要額外引入對照模型包括標(biāo)準(zhǔn)螢火蟲算法（FA）優(yōu)化支持向量機(jī)函數(shù)以及標(biāo)準(zhǔn)粒子群算法（PSO）優(yōu)化支持向量機(jī)函數(shù)。在SVM模型中我們選取高斯核函數(shù)，參數(shù)c 的搜索范圍設(shè)置為[0.1,100],參數(shù)g 的搜索范圍設(shè)置為[0.01,1000].具體優(yōu)化模型相關(guān)參數(shù)見表1。

表1 IFA、FA、PSO 算法參數(shù)表

為驗(yàn)證上文所提出的模型的性能優(yōu)劣，我們需要選取合適的評價(jià)指標(biāo)對模型預(yù)測結(jié)果進(jìn)行合理的評估，在這里我們選用均方根誤差RMSE（Root Mean Squard Error）作為評估模型優(yōu)劣的指標(biāo)，RMSE 的計(jì)算公式如下：

接下來我們將利用改進(jìn)后的模型對實(shí)際光伏發(fā)電數(shù)據(jù)進(jìn)行預(yù)測分析。

3 實(shí)例分析

本節(jié)程序模型運(yùn)行在matlab2018a 環(huán)境下，在程序搭建過程中我們選用了libsvm3.1 版本工具箱，由于不同天氣狀況對于模型預(yù)測精度會產(chǎn)生較大影響，因此我們選用夏季從2019 年1 月1 日開始的一周之內(nèi)的數(shù)據(jù)作為訓(xùn)練樣本，其中所采集的數(shù)據(jù)間隔保持在每5 分鐘一次，作為與改機(jī)模型的對比，我們將相同的訓(xùn)練數(shù)據(jù)集送入到標(biāo)準(zhǔn)FA 與PSO 模型中進(jìn)行訓(xùn)練將最終預(yù)測結(jié)果進(jìn)行對比分析。

首先我們將歷史天氣數(shù)據(jù)與輸出功率輸入模型中進(jìn)行訓(xùn)練學(xué)習(xí)。之后我們利用訓(xùn)練完成的模型對預(yù)先選取的待測試數(shù)據(jù)集進(jìn)行預(yù)測，這里我們選取屬于澳大利亞夏季的一月份的某晴天天氣的8:00～18:00 的數(shù)據(jù)，從圖1 中我們可以發(fā)現(xiàn)在預(yù)測精度上改進(jìn)后IFA 算法明顯優(yōu)于標(biāo)準(zhǔn)FA 與PSO 算法，而且我們同樣可以看到PSO 與標(biāo)準(zhǔn)FA 算法在輸出功率較高時(shí)并不理想，而改進(jìn)后的螢火蟲算法在輸出功率較高時(shí)仍然有不錯(cuò)的預(yù)測表現(xiàn)，并且預(yù)測曲線走勢與實(shí)際曲線的走勢基本一致。

圖1 IFA、FA、PSO 三種算法預(yù)測值與實(shí)際值對比值

為了進(jìn)一步驗(yàn)證模型的合理性，我們需要對模型做更進(jìn)一步的評估監(jiān)測，在這里我們同樣對三個(gè)模型選取了相同時(shí)間段的陰雨天的天氣數(shù)據(jù)來進(jìn)行預(yù)測，如圖2 所示，在這里我們可以發(fā)現(xiàn)由于雨天情況光伏發(fā)電網(wǎng)絡(luò)輸出功率變化差異較大，導(dǎo)致不同模型均有不同程度的預(yù)測精度降低的情況，但通過三種模型預(yù)測曲線的對比我們可以發(fā)現(xiàn)改進(jìn)后的FA 算法所優(yōu)化SVM最終得到的預(yù)測值相較于另外兩種算法仍然具有更為優(yōu)秀的預(yù)測結(jié)果，并且與實(shí)際變化曲線也有更好程度上的擬合。

圖2 雨天IFA、FA、PSO 三種算法預(yù)測值與實(shí)際值對比值

4 結(jié)論

本文通過建立柯西變異改進(jìn)后的螢火蟲算法優(yōu)化SVM 支持向量機(jī)模型來對光伏發(fā)電廠輸出功率進(jìn)行回歸分析學(xué)習(xí)，通過在螢火蟲算法迭代過程中引入柯西變異參量，有效的防止了算法運(yùn)行過程中的早熟問題；在螢火蟲位置更新時(shí)，引入柯西變異改進(jìn)，使其位置更新時(shí)更具靈活性。之后利用訓(xùn)練完成的模型對所選取的待預(yù)測日期進(jìn)行預(yù)測，從預(yù)測結(jié)果與真實(shí)值的對比曲線中我們可以看出模型所得到的預(yù)測結(jié)果在正常天氣情況下具有很高的準(zhǔn)確性，并且在雨天等非正常天氣情況下也能得到較為理想的預(yù)測數(shù)據(jù)，驗(yàn)證了本文所提方法的有效性。