基于改進(jìn)烏鴉搜索算法的短期光伏功率預(yù)測

劉文康，趙家偉

（遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院 遼寧 葫蘆島 125105）

0 引言

現(xiàn)如今，愈發(fā)惡劣的生態(tài)環(huán)境讓新能源的利用成為當(dāng)今時代需要處理的首要問題之一，太陽能憑借其無污染以及可再生性在新能源中占據(jù)主要地位［1］，光伏發(fā)電自然演變成為現(xiàn)如今重要的能量來源。光伏功率預(yù)測的結(jié)果更為準(zhǔn)確，會減小電網(wǎng)運轉(zhuǎn)的危險性。

基于以上問題，本文提出基于改進(jìn)烏鴉搜索算法的一種光伏功率預(yù)測方式，其結(jié)合最小二乘積向量模型通過改變原始烏鴉搜索算法中步長和感知概率為特定值的性質(zhì)，將二者改為可控變量，從而有效提高了光伏功率預(yù)測精度，為電網(wǎng)安全運行提供一種可靠的方法。

1 研究現(xiàn)狀

1.1 光伏發(fā)電預(yù)測的重要性

太陽能的無污染以及可再生性使其在全世界范圍內(nèi)廣泛應(yīng)用，越來越多的大型太陽能光伏（photovoltaics，PV）投入使用。但是，光伏發(fā)電存在的隨時間的不穩(wěn)定性以及不連續(xù)性給光伏電網(wǎng)帶來很多不好的影響，更有甚者會干擾到整個電力系統(tǒng)的平穩(wěn)運行。綜上所述，光伏發(fā)電的預(yù)測對提高整個光伏電網(wǎng)穩(wěn)定運行以及提高光伏電站投資回報率以減少經(jīng)濟(jì)損失起重要作用［2］。

1.2 目前光伏預(yù)測中使用的方法

現(xiàn)在光伏預(yù)測的方法主要分為物理模型預(yù)測法、統(tǒng)計方法、人工智能方法和混合方法［3］。物理方法先預(yù)測出太陽輻射強(qiáng)度，將各種模型參數(shù)整合起來進(jìn)行建模預(yù)測，從而完成光伏發(fā)電功率的預(yù)測［4］。統(tǒng)計法是利用之前的發(fā)電功率的時間序列數(shù)據(jù)，再利用算法來統(tǒng)計學(xué)習(xí)［5］。人工智能預(yù)測法則與前兩種傳統(tǒng)方法存在較大的區(qū)別，其需要大量數(shù)據(jù)通過模型探尋數(shù)據(jù)規(guī)律來進(jìn)行預(yù)測［4］。綜上所述，目前光伏功率預(yù)測的方法都存在或多或少的問題，故本文提出通過改進(jìn)烏鴉搜索算法來提高短期光伏功率預(yù)測精確度，用其來避免現(xiàn)有一些光伏功率預(yù)測方法存在的問題。

1.3 烏鴉搜索算法的原理以及應(yīng)用

烏鴉搜索算法（crow search algorithm， CSA）由Alireza Askarzadeh 于2016 年提出，主要模擬了自然界中烏鴉將多余的食物藏在隱蔽處，并在必要時將食物取回這一行為。因其較好的工程求解性能而在近年來得到廣泛應(yīng)用。設(shè)定每次迭代時烏鴉i的位置更新與隨機(jī)選擇的烏鴉j息息相關(guān)。烏鴉i會跟隨烏鴉j前往它的存糧地點mj，iter（在代碼中就是烏鴉j的位置）。不過這里設(shè)置了一個感知概率參數(shù)AP，用以判斷烏鴉j是否發(fā)現(xiàn)烏鴉i的跟蹤行為，此時烏鴉j 并沒有發(fā)現(xiàn)烏鴉i的跟蹤行為如式（1）所示：

式（1）中，ri為［0，1］之間均勻分布的隨機(jī)數(shù)，fli，iter為烏鴉i在當(dāng)前迭代次數(shù)iter 下的飛行距離。

如果烏鴉發(fā)現(xiàn)跟蹤行為如式（2）所示：

烏鴉搜索算法被應(yīng)用于多種工程尋優(yōu)領(lǐng)域，獲得較好的效果。

2 改進(jìn)烏鴉搜索算法

2.1 原始烏鴉搜索算法的缺點及改進(jìn)的必要性

最初的CSA 主要采取的是隨機(jī)搜索的方式，這樣讓最后的搜索目標(biāo)沒有目的性，全局搜索能力過差的同時也喪失局部探察的能力，就這些不足之處，國內(nèi)外多種研究提出各種改進(jìn)方法。肖子雅［6］利用三角函數(shù)來調(diào)整單個烏鴉的飛行距離，希望能提高算法的尋優(yōu)能力。辛梓蕓［7］利用共享機(jī)制來降低單個烏鴉的無目的性搜尋，同時加以干擾到當(dāng)前最佳位置，從而使算法不再受局部最優(yōu)解的限制，但上述方法會增加算法的計算時間以及復(fù)雜程度［8］。

2.2 改進(jìn)烏鴉搜索算法的核心思想

原始的烏鴉搜索算法就是利用步長和感知概率來掌控算法的全局和局部搜尋過程。由上式可知，感知概率會對群體的豐富程度和發(fā)散程度產(chǎn)生影響，感知概率越小，群體在給定區(qū)域內(nèi)覓食范圍就更大但是收斂的速度也會相對變小。感知概率越大則會獲得更小的覓食范圍同時獲得更大的收斂速度，但是容易出現(xiàn)小范圍最佳解的情況。步長會在算法性能方面有所干擾，其越大研究目標(biāo)伴隨同伴的可能性就更低，會讓算法有更大的全局搜索能力，反之則是更好的局部搜索能力。

在最初的烏鴉搜索算法中，感知概率和步長都是確定值，但是不能完美地利用，因此，為確定算法的全局搜尋力和收縮能力可以伴隨更新轉(zhuǎn)換的推進(jìn)然后基于自身條件改變，所以將感知概率制造為伴隨更新轉(zhuǎn)換數(shù)量來轉(zhuǎn)變的改變映射，使未知數(shù)的值與更新轉(zhuǎn)換的頻率存在反比例關(guān)系，并隨著更新頻率升高而減小到最初設(shè)定最小值的時候自動停止［9］。

2.3 改進(jìn)烏鴉搜索算法的公式

公式（3）為線性遞減的。與此同時引入飛行策略來決定步長大小。

ξ為偏度；為位移；σ為尺度。當(dāng)α＝0.5 且ξ＝1 時，Lévy 穩(wěn)定分布概率密度函數(shù)服從Lévy 分布。

綜上所述可總結(jié)為下列式子：

3 基于改進(jìn)烏鴉搜索算法的短期光伏預(yù)測模型

3.1 數(shù)據(jù)采集和分析

本文是以國內(nèi)某一光伏發(fā)電站2018 年所收集到的數(shù)據(jù)為例子，每隔一個小時進(jìn)行一次數(shù)據(jù)采樣，同時也記錄了多種自然影響因素（風(fēng)速、陽光照射時間、氣壓、輻射能量強(qiáng)度、氣溫、相對空氣濕度）的數(shù)值變化，并計算其最后的發(fā)電量。分析多組數(shù)據(jù)可知，短期光伏功率預(yù)測所得到的原始數(shù)據(jù)有較大的波動性，無法達(dá)到對其進(jìn)行分析預(yù)測的效果。所以一定要對所得的數(shù)值進(jìn)行分解。從而更好地進(jìn)行計算與分析過程。

3.2 建立改進(jìn)烏鴉搜索算法的預(yù)測模型

首先，錄入改進(jìn)烏鴉搜索算法的初始值，根據(jù)式（6）制造原始數(shù)據(jù)群，與此同時確定最小二乘向量積的模型，讓正則化參數(shù)和核參數(shù)回到最初值。其次，輸入訓(xùn)練樣本并且計算訓(xùn)練誤差。記錄個體和全局的最佳位置并一直記錄正則化參數(shù)和核參數(shù)的變化。用個體和總體更新轉(zhuǎn)換后的適應(yīng)度值與之前得到的最佳位置對比。再次，從中取最優(yōu)解。最后，進(jìn)行判斷是否滿足條件，滿足條件即結(jié)束，否則將進(jìn)行循環(huán)重復(fù)上述步驟。輸出結(jié)果后再根據(jù)下面的流程來進(jìn)行短期光伏功率預(yù)測，見圖1。

圖1 光伏功率預(yù)測流程圖

4 實驗結(jié)果統(tǒng)計以及驗證

通過仿真軟件進(jìn)行模型搭建，隨機(jī)運用2018 年國內(nèi)一光伏發(fā)電站的數(shù)據(jù)以及當(dāng)日各種自然影響因素（風(fēng)速、陽光照射時間、氣壓、輻射能量強(qiáng)度、氣溫、相對空氣濕度）分別在不同日期取多個采樣點。分別用模型搭建基于變分模態(tài)分解改進(jìn)烏鴉搜索算法最小二乘積模型（VMD-ICSA-LSSVM）、基于變分模態(tài)分解烏鴉搜索算法最小二乘積模型（VMD-CSA-LSSVM）、基于經(jīng)驗?zāi)B(tài)分解粒子群優(yōu)化算法BP 神經(jīng)網(wǎng)絡(luò)模型（EMD-PSO-BP）并與實際值對比，結(jié)果見圖2、圖3。

圖2 第一天組合模型預(yù)測結(jié)果

圖3 第二天組合模型預(yù)測結(jié)果

從圖2、圖3 可以看出，通過改進(jìn)烏鴉搜索算法搭建的算法模型在短期對光伏功率的預(yù)測與實際值貼合度最高，雖然依然存在誤差，但是通過學(xué)習(xí)改進(jìn)后誤差會大幅度減小。實驗所得光伏發(fā)電功率與預(yù)測結(jié)果對比證明了本文所提出的改進(jìn)方法的可靠性。

5 結(jié)語

本文首先闡述了光伏發(fā)電功率預(yù)測在當(dāng)今時代的重要性，并且分析過往的預(yù)測方法，以此為基礎(chǔ)提出基于改進(jìn)烏鴉搜索算法對短期光伏功率的預(yù)測，其間考慮多種自然條件的影響，最后通過軟件構(gòu)建模型對結(jié)果進(jìn)行預(yù)測并和其他算法與實際值的貼合程度進(jìn)行對比，結(jié)果證明本文所述的方法具有更高的精確度。本文所述方法不進(jìn)行隨機(jī)搜索的方式，避免搜索目標(biāo)沒有目的性的后果，提高了全局搜索能力的同時獲得局部探察的能力，為今后短期光伏功率預(yù)測提供一種更加精確可靠的方法。