基于柯西變異改進(jìn)的螢火蟲算法優(yōu)化SVM 模型在光伏發(fā)電功率預(yù)測中的應(yīng)用

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段，電力需求大幅下降，而隨著太陽能的消減，傍晚時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模型的相關(guān)參數(shù)最終實現(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)測實驗，驗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移動位置時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為兩個相互獨立的位于(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)實例進(jìn)行預(yù)測分析，同時我們引入另外兩個預(yù)測模型對該具體實例進(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預(yù)測模型的對比來驗證模型的準(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 的計算公式如下：

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

3 實例分析

本節(jié)程序模型運行在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并不理想，而改進(jìn)后的螢火蟲算法在輸出功率較高時仍然有不錯的預(yù)測表現(xiàn)，并且預(yù)測曲線走勢與實際曲線的走勢基本一致。

圖1 IFA、FA、PSO 三種算法預(yù)測值與實際值對比值

為了進(jìn)一步驗證模型的合理性，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模型選取了相同時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行過程中的早熟問題；在螢火蟲位置更新時，引入柯西變異改進(jìn)，使其位置更新時更具靈活性。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)，驗證了本文所提方法的有效性。