基于改進麻雀搜索算法的光伏功率短期預(yù)測

收稿日期：2022-03-03

基金項目：國家自然科學(xué)基金（51877070）；河北省重點研發(fā)計劃（19214501D）；河北省自然科學(xué)基金（E2021208008）；河北省高層次人才項目

（A201905008）

通信作者：李 爭（1980—），男，博士、教授，主要從事新型電機和執(zhí)行器的設(shè)計、分析和控制以及可再生能源發(fā)電和電力電子方面的研究。

Lzhfgd@163.com

DOI：10.19912/j.0254-0096.tynxb.2022-0251 文章編號：0254-0096（2023）06-0284-06

摘 要：為提高光伏輸出功率預(yù)測精度、保證電網(wǎng)的優(yōu)化調(diào)度和穩(wěn)定運行，提出一種改進麻雀搜索算法（SSA）的光伏輸出功率預(yù)測模型。首先，對實驗平臺收集到的歷史數(shù)據(jù)進行分析，得到關(guān)鍵氣候影響因素；然后，用經(jīng)驗?zāi)B(tài)分解和主成分分析法對數(shù)據(jù)進行維穩(wěn)和降維處理；并建立改進麻雀搜索算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型；最后，進行實例驗證。結(jié)果表明，該預(yù)測模型在斂散精度方面有所提升。

關(guān)鍵詞：經(jīng)驗?zāi)B(tài)分解；主成分分析；改進麻雀搜索算法；光伏輸出功率短期預(yù)測

中圖分類號：TM614""" """""""""" """"""文獻標(biāo)志碼：A

0 引 言

隨著可再生能源的大規(guī)模并網(wǎng)，非傳統(tǒng)問題愈來愈嚴(yán)重［1］。近年來，傳統(tǒng)的光伏功率預(yù)測模型已不適合目前的市場需求。因此，為提升光伏功率預(yù)測模型的斂散精度和預(yù)測效率，需對預(yù)測模型的關(guān)鍵影響因素進行分析。

目前，群體智能算法越來越流行，研究者不斷對其進行改進［2-3］。群體智能算法包括遺傳算法、粒子群算法、麻雀搜索算法等［4-5］。文獻［4］利用遺傳算法優(yōu)化極限學(xué)習(xí)機參數(shù)，通過搜索隱藏偏差和輸入權(quán)值最優(yōu)提高預(yù)測精度。文獻［6］提出用粒子群算法對模型理想?yún)?shù)進行搜索，增加種群多樣性，取得了一定效果。研究者發(fā)現(xiàn)單一模型已不能滿足現(xiàn)狀，越來越多的混合模型出現(xiàn)在人們的視野。

綜上，本文提出EMD-PCA-Tent-SSA-BP光伏功率預(yù)測模型。首先，用經(jīng)驗?zāi)B(tài)分解［7］（empirical mode decomposition，EMD）對氣象序列進行分解；然后，用主成分分析法（principal component analysis，PCA）篩選出關(guān)鍵氣候影響因素［8-9］；并通過[t]分布和混沌序列Tent改進麻雀搜索算法（sparrow search algorithm，SSA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)；最后，建立模型并進行實例驗證。

1 光伏發(fā)電功率影響因素分析

本文建立的光伏功率短期預(yù)測模型主要是以實驗室微電網(wǎng)能量管理平臺為研究對象，每15 min采樣一次，每日采集樣本點96個，包含太陽輻照度、光伏組件溫度和實際發(fā)電功率等數(shù)據(jù)［10］。經(jīng)分析可知，實驗室微電網(wǎng)能量管理平臺提供的數(shù)據(jù)具有較大的波動性，符合光伏電站的實際情況，是典型的光伏輸出功率數(shù)據(jù)。表1為對應(yīng)的采樣技術(shù)指標(biāo)。

考慮到環(huán)境因素會影響光伏功率［8］，根據(jù)式（1）分別計算氣象數(shù)據(jù)與光伏功率數(shù)據(jù)的相關(guān)關(guān)系，可進一步了解影響光伏功率變化的因素。

[r=n∑xy∑x∑yn∑x2-（∑x）2×n∑y2-（∑y）2]"" （1）

式中：[r]——各因素的相關(guān)系數(shù)，其絕對值不超過1；[x]——氣象因素數(shù)據(jù)；[y]——光伏功率數(shù)據(jù)，MW；[n]——數(shù)據(jù)點的總數(shù)量。。

氣象數(shù)據(jù)與光伏功率數(shù)據(jù)的相關(guān)系數(shù)計算結(jié)果見表2。由表2可知，太陽輻照度與光伏功率的正向相關(guān)性最高，光伏組件溫度次之，環(huán)境溫度和大氣壓強相關(guān)性弱，相對濕度呈負相關(guān)；[r]變化范圍從[-1]到1，其大于0時呈正相關(guān)，反之呈負相關(guān)，一般認為[|r|≥0.8]時兩變量高度相關(guān)，[0.5≤|r|lt;0.8]

時兩變量中度相關(guān)，[0.3≤|r|lt;0.5]時兩變量低度相關(guān)，[|r|lt;0.3]時可認為兩變量相關(guān)性極弱或基本不相關(guān)。太陽輻照度相關(guān)系數(shù)高達0.97，與光伏功率高度相關(guān)；組件溫度相關(guān)性系數(shù)為0.63，與光伏功率中度相關(guān)；而環(huán)境溫度、大氣壓強相關(guān)性系數(shù)分別為0.11與0.06，與光伏功率相關(guān)性極弱；相對濕度呈負相關(guān)。為了保證輸入因素對光伏功率的出力性，預(yù)測模型的輸入確定為太陽輻照度和組件溫度，其對應(yīng)關(guān)系如圖1所示。

2 理論基礎(chǔ)

1）經(jīng)驗?zāi)B(tài)分解

經(jīng)驗?zāi)B(tài)分解法（EMD）的關(guān)鍵是經(jīng)驗?zāi)Ｊ椒纸?，將原始信號分解成不同時間尺度的有限個本征莫函數(shù)（intrinsic mode function，IMF）［11］。

EMD基于以下假設(shè)：

①數(shù)據(jù)必須有極大值和極小值點；

②采用極值點間的時間尺度來確定數(shù)據(jù)的局部特性［11］；

③如果數(shù)據(jù)沒有極值點，可通過對數(shù)據(jù)微分求得極值，再通過積分獲得分解數(shù)據(jù)。

2）主成分分析法

通過EMD得到的輸入數(shù)據(jù)變量維數(shù)有所增加，在保證預(yù)算精度的前提下，也要提高預(yù)測模型的運算速度，同時克服過擬合問題，采用PCA方法從原始數(shù)據(jù)中提取出主要線性分量［12］。

3）混沌映射

為緩解算法局部最優(yōu)，采用混沌序列對其優(yōu)化，并且可進一步提升算法全局搜索的能力。其中，Tent在［0，1］段產(chǎn)生的混沌序列分布更加均勻，見式（2）。

[xi=2xi-1+rand（0，1）×1N， 0≤x≤122（1-xi-1）+rand（0，1）×1N， 12≤x≤1] （2）

式中：[N]——Tent混沌序列內(nèi)的粒子數(shù)量。

4）[t]分布

在概率和統(tǒng)計中，[t]分布常應(yīng)用在正態(tài)分布中進行均值計算，如式（3）所示。

[pt（x）=Γn+12nπΓn21+x2n-n+12""] （3）

式中：[Γ（x）]——伽馬函數(shù)。

3 光伏輸出功率預(yù)測模型設(shè)計

3.1 預(yù)測模型的結(jié)構(gòu)設(shè)計

綜上，本文提出EMD-PCA-Tent-SSA-BP神經(jīng)網(wǎng)絡(luò)的光伏輸出功率模型，在預(yù)測模型的實現(xiàn)過程中，首先構(gòu)建用于BP模型訓(xùn)練的數(shù)據(jù)集，利用[t-1]時刻的太陽輻照度與光伏組件溫度的氣象因素數(shù)據(jù)和光伏功率歷史數(shù)據(jù)，預(yù)測t時刻的光伏功率數(shù)據(jù)。

光伏輸出功率預(yù)測模型的具體實現(xiàn)步驟如下：

預(yù)測模型輸入：太陽輻照度[S]、光伏組件溫度[T]、光伏輸出功率[P]［13］。

預(yù)測模型輸出：均方根誤差（RMSE）、平均絕對誤差（MAE）指標(biāo)［14］。

1）數(shù)據(jù)預(yù)處理：利用實驗室的微電網(wǎng)能量管理平臺采集某地的氣象數(shù)據(jù)和光伏實際輸出功率；進一步對太陽輻照度[S]、光伏組件溫度[T]和光伏輸出功率[P]進行數(shù)據(jù)質(zhì)量分析，以天為時間跨度剔除和清洗因操作失誤、設(shè)備故障等原因而造成的“壞數(shù)據(jù)”。

2）通過EMD算法，對氣象數(shù)據(jù)序列進行分解，得到不同頻率的本征分量和剩余分量，將原始氣象時間序列分解成不同的波動序列。

3）用PCA對EMD分解的數(shù)據(jù)進行降維處理，得到關(guān)鍵因子［8］。

4）歸一化PCA處理后的數(shù)據(jù)，得到完整的數(shù)據(jù)集，劃分為測試集和訓(xùn)練集。

5）初始化SSA-BP預(yù)測模型參數(shù)，訓(xùn)練樣本數(shù)據(jù)，得到預(yù)測模型。

6）利用混沌序列Tent和[t]分布優(yōu)化SSA-BP預(yù)測模型，通過訓(xùn)練集數(shù)據(jù)，得到更加精確的預(yù)測模型。

7）對測試集數(shù)據(jù)進行測試。

8）經(jīng)過測試，進一步采用RMSE、MAE值驗證模型有效性［14］。

光伏輸出功率預(yù)測模型的流程如圖2所示。

3.2 評價指標(biāo)

本文選取的評價指標(biāo)分別為平均絕對誤差（MAE）和均方根誤差（RMSE）［15］。評價準(zhǔn)則為：MAE、RMSE的值越小則預(yù)測精確度越高。

[YMAE=1ni=1n（yi-yi）""]""" （4）

[YRMSE=1ni=1n（yi-yi）2""]" （5）

式中：[yi]——光伏電站輸出實際功率值，MW；[yi]——預(yù)測模型輸出的功率預(yù)測值，MW；[n]——樣本集數(shù)量。

4 案例分析

4.1 數(shù)據(jù)預(yù)處理

本文光伏輸出功率預(yù)測模型使用的樣本數(shù)據(jù)為某地區(qū)的光伏電站于2021年1月份的歷史數(shù)據(jù)，包括太陽輻照度、光伏組件溫度、環(huán)境溫度、大氣壓強和相對濕度5個氣象時間序列數(shù)據(jù)以及光伏電站實際發(fā)電功率特征時間數(shù)據(jù)序列。該電站位于江蘇某地，氣候條件穩(wěn)定；數(shù)據(jù)集采集器位于光伏電站的正中央，實驗室微電網(wǎng)能量管理平臺運行情況良好，數(shù)據(jù)來源真實可靠。根據(jù)廠家實驗數(shù)據(jù)可知，光伏組件在實際環(huán)境中轉(zhuǎn)換效率短時間內(nèi)變化不明顯，并且預(yù)測模型數(shù)據(jù)不是電站首年運營數(shù)據(jù)，符合生產(chǎn)活動的實際變化。

在光伏電站運行時，由于通訊設(shè)備故障、操作失誤等原因，往往會造成部分數(shù)據(jù)不準(zhǔn)確，從而影響最終預(yù)測模型的精度，因此需要對“臟數(shù)據(jù)”進行丟棄、補全、替代等處理。

光伏電站的輸出功率為：

[P=ρSiI[1-0.05（Tc+25）]""]""" （6）

式中：[ρ]——總轉(zhuǎn)換效率；[Si]——總受光面積，m2；[I]——總輻照度，W/m2；[Tc]——環(huán)境溫度，℃。對于非正常數(shù)據(jù)，經(jīng)公式處理成正常數(shù)據(jù)，計算平均值。圖3為光伏電站實際發(fā)電功率數(shù)據(jù)與太陽輻照度間的關(guān)系，其中包括數(shù)據(jù)處理前后光伏功率的對比。

solar irradiation intensity of photovoltaic power station

4.2 EMD分解結(jié)果

實驗室能量管理平臺采集到的氣象序列數(shù)據(jù)為非平穩(wěn)信號，且受到環(huán)境氣候變化的影響，致使其具有一定的隨機性和波動性，采用EMD方法對太陽輻照度和光伏組件溫度進行分解，得到其對應(yīng)的不同時間尺度的IMF分量和剩余分量，用以突出彰顯原始氣象序列的局部特征。經(jīng)過分解可知，太陽輻照度和光伏組件溫度分解后得到IMF分量數(shù)分別為10和9，見表3。

4.3 PCA降維結(jié)果

為了去除EMD分解后特征序列數(shù)據(jù)中的噪聲，用PCA對其進行降維處理［8］。經(jīng)PCA分析結(jié)果見表4。

由表4可知，特征值大于1的序列共9個，其余特征值均未超過1，且第9個特征值累計貢獻率已達100%，第10個特征值之后幾乎沒有貢獻率。主成分分析法一般按照特征值大于1來選取特征序列，為使其具有代表性并減少計算，選取前9個特征序列代表原始變量。

4.4 預(yù)測模型參數(shù)設(shè)計

樣本數(shù)據(jù)集共有35040個數(shù)據(jù)，經(jīng)處理得到適合模型的數(shù)據(jù)集，通過對訓(xùn)練集和測試集數(shù)據(jù)不同比例對比，最終選擇9∶1的比例將原始數(shù)據(jù)集分為訓(xùn)練集和測試集。

4.5 預(yù)測結(jié)果分析

為驗證EMD模態(tài)分解對預(yù)測模型的有效性、PCA降維處理對預(yù)測模型的必要性以及EMD-PCA-Tent-SSA-BP模型的有效性和優(yōu)越性，分別進行合理配置，構(gòu)建EMD-BP和EMD-PCA-BP模型。為進一步驗證模型的有效性，分別以晴天、多云、陰天和雨天4種天氣情況對提出的預(yù)測模型進行驗證，并對其預(yù)測效果進行展示，如圖4所示。同時與BP神

經(jīng)網(wǎng)絡(luò)預(yù)測模型、SSA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行對比，各預(yù)測模型在4類天氣條件下的性能對比結(jié)果見表5。

由圖4和表5可知，在測試集樣本數(shù)據(jù)集中，經(jīng)過優(yōu)化處理的預(yù)測模型相較于單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型各項指標(biāo)均有所提升。經(jīng)過EMD分解，輸入變量增多，EMD-BP預(yù)測模型的MAE和RMSE的值有所增加，符合實驗前預(yù)期。經(jīng)過PCA降維處理之后，EMD-PCA-BP預(yù)測模型各項指標(biāo)均有大幅度上升，最大提升效果接近一半，說明PCA降維有必要性。經(jīng)融合[t]分布和Tent混沌映射的改進麻雀搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在預(yù)測精度方面有明顯的提升，相較于單一的BP神經(jīng)網(wǎng)絡(luò)模型，MAE和RMSE的值降幅明顯，甚至達50%以上。

5 結(jié) 論

本文提出一種經(jīng)驗?zāi)B(tài)分解（EMD）、主成分分析法（PCA）、混沌序列（Tent）和麻雀搜索方法（SSA）聯(lián)合的光伏輸出功率預(yù)測模型。在充分考慮預(yù)測模型影響因素的情況下，得出如下結(jié)論：

1）利用經(jīng)驗?zāi)B(tài)分解方法將太陽輻照度和環(huán)境溫度兩種氣象因素序列進行分解，降低了其波動性。

2）利用主成分分析法對經(jīng)EMD分解之后的輸入變量進行降維處理，消除了EMD分解后得到的不同時間序列的冗余性。

3）在麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，利用混沌序列和[t]分布對其進一步優(yōu)化，可提高預(yù)測模型的斂散精度。相較于單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，MAE和RMSE的值下降幅度明顯，甚至達50%以上。

本文基于實際光伏電站歷史數(shù)據(jù)驗證了EMD-PCA-Tent-SSA-BP光伏功率預(yù)測模型的有效性，對光伏發(fā)電的平價上網(wǎng)具有很好的推動作用。

［參考文獻］

［1］" MA T， YANG H X， LU L. Solar photovoltaic system modeling and performance prediction［J］. Renewable and sustainable energy reviews， 2014， 36： 304-315.

［2］" SAREMI S， MIRJALILI S， LEWIS A. Grasshopper optimisation algorithm： theory and application［J］. Advances in engineering software， 2017， 105： 30-47.

［3］nbsp; XUE J K，SHEN B. A novel swarm intelligence optimization""" approach："" sparrow"" search"" algorithm［J］. Systems science amp; control engineering， 2020， 8（1）： 22-34.

［4］" ZHOU Y， ZHOU N R， GONG L H， et al. Prediction of photovoltaic power output based on similar day analysis， genetic"" algorithm"" and"" extreme"" learning"" machine［J］. Energy， 2020， 204： 117894.

［5］" PAN M Z， LI C， GAO R， et al. Photovoltaic power forecasting based on a support vector machine with improved ant colony optimization［J］. Journal of cleaner production， 2020， 277： 123948.

［6］" CHEN X， DING K， ZHANG J W， et al. Online prediction of"" ultra-short-term"" photovoltaic"" power"" using"" chaotic characteristic" analysis，" improved" PSO" and" KELM［J］. Energy， 2022， 248： 123574.

［7］" SANG K W， WANG K， GAO W G. Power prediction of short-term photovoltaic power generation system based on EMD-RVM［J］. Journal of Sichuan University of Science amp; Engineering（natural science edition）， 2019.

［8］" 張雲(yún)欽. 基于深度學(xué)習(xí)的光伏功率預(yù)測模型研究［D］. 太原： 太原理工大學(xué)， 2020.

ZHANG Y Q. Research on photovoltaic power prediction model" based" on"" deep" learning［D］." Taiyuan：" Taiyuan University of Technology， 2020.

［9］" WANG X， HUANG K， ZHENG Y H， et al. Short-term forecasting method of photovoltaic output power based on PNN/PCA/SS-SVR［J］."" Automation"" of"" electric"" power systems， 2016， 40（17）： 156-162.

［10］" 魏小輝. 基于灰色模型與機器學(xué)習(xí)的短期光伏功率預(yù)測［D］. 蘭州： 蘭州大學(xué)， 2019.

WEI X H. Short term photovoltaic power prediction based on"" grey"" model"" and"" machine"" learning［D］."" Lanzhou： Lanzhou University， 2019.

［11］" 劉衛(wèi)健. 面向二次調(diào)頻的儲能電池優(yōu)化配置及高效性研究［D］. 長沙： 湖南大學(xué)， 2018.

LIU W J. Research on optimal configuration and efficiency of energy storage battery for secondary frequency modulation［D］. Changsha： Hunan University， 2018.

［12］" 張雲(yún)欽， 程起澤， 蔣文杰， 等. 基于EMD-PCA-LSTM的光伏功率預(yù)測模型［J］. 太陽能學(xué)報， 2021， 42（9）： 62-69.

ZHANG Y Q， CHENG Q Z， JIANG W J， et al. Photovoltaic power prediction model based on EMD-PCA-LSTM［J］. Acta energiae solaris sinica， 2021， 42（9）： 62-69.

［13］" 徐一倫， 張彬橋， 黃婧， 等. 考慮天氣類型和相似日的IWPA-LSSVM光伏發(fā)電功率預(yù)測［J］. 中國電力， 2023， 56（2）： 143-149.

XU Y L， ZHANG B Q， HUANG J， et al. IWPA-LSSVM photovoltaic power prediction considering weather types and similar days［J］. Electric power， 2023， 56（2）： 143-149.

［14］" 魏書榮， 張鑫， 符楊， 等. 基于GRA-LSTM-Stacking模型的海上雙饋風(fēng)力發(fā)電機早期故障預(yù)警與診斷［J］. 中國電機工程學(xué)報， 2021， 41（7）： 2373-2382.

WEI S R， ZHANG X， FU Y， et al. Early fault warning and diagnosis of offshore doubly fed wind turbine based on GRA-LSTM-Stacking model［J］. Proceedings of the CSEE， 2021， 41（7）： 2373-2382.

［15］" 王秋雯， 陳彥如， 劉媛春. 基于卷積長短時記憶神經(jīng)網(wǎng)絡(luò)的城市軌道交通短時客流預(yù)測［J］. 控制與決策， 2021， 36（11）： 2760-2770.

ZHANG Q W， CHEN Y R， LIU Y C. Metro short-term traffic" flow" prediction" with" ConvLSTM［J］. Control" and decision， 2021， 36（11）： 2760-2770.

SHORT TERM PREDICTION OF PHOTOVOLTAIC POWER BASED ON IMPROVED SPARROW SEARCH ALGORITHM

Li Zheng1，Luo Xiaorui1，Zhang Jie1，Cao Xin2，Du Shenhui1，Sun Hexu1

（1. School of Electrical Engineering， Hebei University of Science and Technology， Shijiazhuang 050018， China；

2. Hebei Construction amp; Investment Group New Energy Co.， Ltd.， Shijiazhuang 050051， China）

Keywords：empirical mode decomposition； principal component analysis； improved sparrow search algorithm； short term prediction of photovoltaic output power