基于柯西變異改進的螢火蟲算法優化SVM 模型在光伏發電功率預測中的應用

張仕清 韓新同

（河北工業大學電氣工程學院，天津 300132）

光伏發電是目前應用最為廣泛的新能源之一，但由于其發電功率的不穩定性、可變性和受氣象影響因素大給他的應用潛力打了一個問號。受氣象因素和人們用電習慣影響，光伏發電的“鴨子曲線”問題嚴重，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。

光伏發電的預測，對于我們有效、平穩的利用光伏發電系統有著重要的意義。在參考文獻[1]中提出了過去光電預測領域一個完整的回顧，在參考文獻[2]中提出了一種通過概率預測的方法來對光電輸出功率的預測，參考文獻[3]中研究了太陽輻射和光伏功率輸出的隨機模型和短期高分辨率預測，通過ARMA模型以及卡爾曼濾波等方法確定估計模型的相關參數最終實現對于太陽輻射和太陽能發電的高分辨率預測，并對其相關理論進行了相關的仿真研究。

本文主要提出了一種基于柯西變異改進螢火蟲算法優化回歸型支持向量機進行短期光伏功率預測的模型，并采用新型預測模型進行光伏預測實驗，驗證了本文所提方法的有效性。

1 螢火蟲算法的改進

1.1 柯西變異改進

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，柯西變異公式為：

其中σ 為（0，1）范圍內的一個隨機數。

則螢火蟲位置更新公式變為：

1.2 柯西隨機數改進

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變量α，在這里我們使用柯西隨機數來代替α，則螢火蟲位置更新公式最終變為：

其中σ1、σ2為兩個相互獨立的位于(0,1)范圍內的隨機數。

2 光伏輸出功率預測仿真

通過上文提出的改進型的螢火蟲算法優化支持向量機對具體的光伏發電網絡實例進行預測分析，同時我們引入另外兩個預測模型對該具體實例進行分析，研究風速、溫度、水平輻射等變量對于光伏輸出功率預測的具體影響，以及通過和另外兩個預測模型的對比來驗證模型的準確性和可靠性，本章我們采用位于澳大利亞中部烏魯魯的Yulara Solar System 分布式1.8MW 太陽能光伏電站2 號機組的相關數據。

確定預測模型參數與預測評價指標：

本節我們所需要構建的訓練模型包括改進后螢火蟲算法（IFA）優化支持向量機函數，此外需要額外引入對照模型包括標準螢火蟲算法（FA）優化支持向量機函數以及標準粒子群算法（PSO）優化支持向量機函數。在SVM模型中我們選取高斯核函數，參數c 的搜索范圍設置為[0.1,100],參數g 的搜索范圍設置為[0.01,1000].具體優化模型相關參數見表1。

表1 IFA、FA、PSO 算法參數表

為驗證上文所提出的模型的性能優劣，我們需要選取合適的評價指標對模型預測結果進行合理的評估，在這里我們選用均方根誤差RMSE（Root Mean Squard Error）作為評估模型優劣的指標，RMSE 的計算公式如下：

接下來我們將利用改進后的模型對實際光伏發電數據進行預測分析。

3 實例分析

本節程序模型運行在matlab2018a 環境下，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測精度會產生較大影響，因此我們選用夏季從2019 年1 月1 日開始的一周之內的數據作為訓練樣本，其中所采集的數據間隔保持在每5 分鐘一次，作為與改機模型的對比，我們將相同的訓練數據集送入到標準FA 與PSO 模型中進行訓練將最終預測結果進行對比分析。

首先我們將歷史天氣數據與輸出功率輸入模型中進行訓練學習。之后我們利用訓練完成的模型對預先選取的待測試數據集進行預測，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 的數據，從圖1 中我們可以發現在預測精度上改進后IFA 算法明顯優于標準FA 與PSO 算法，而且我們同樣可以看到PSO 與標準FA 算法在輸出功率較高時并不理想，而改進后的螢火蟲算法在輸出功率較高時仍然有不錯的預測表現，并且預測曲線走勢與實際曲線的走勢基本一致。

圖1 IFA、FA、PSO 三種算法預測值與實際值對比值

為了進一步驗證模型的合理性，我們需要對模型做更進一步的評估監測，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據來進行預測，如圖2 所示，在這里我們可以發現由于雨天情況光伏發電網絡輸出功率變化差異較大，導致不同模型均有不同程度的預測精度降低的情況，但通過三種模型預測曲線的對比我們可以發現改進后的FA 算法所優化SVM最終得到的預測值相較于另外兩種算法仍然具有更為優秀的預測結果，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 三種算法預測值與實際值對比值

4 結論

本文通過建立柯西變異改進后的螢火蟲算法優化SVM 支持向量機模型來對光伏發電廠輸出功率進行回歸分析學習，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，使其位置更新時更具靈活性。之后利用訓練完成的模型對所選取的待預測日期進行預測，從預測結果與真實值的對比曲線中我們可以看出模型所得到的預測結果在正常天氣情況下具有很高的準確性，并且在雨天等非正常天氣情況下也能得到較為理想的預測數據，驗證了本文所提方法的有效性。