基于螢火蟲算法的光伏配電網負荷過載預測研究

范玲

（國網山東省電力公司成武縣供電公司，山東菏澤 274200）

新能源的大規模投入使得配電網絡中的分布式光伏滲透率逐步上升。由于分布式光伏發電系統的輸出會影響電力系統的總負載，為此，需要對光伏配電網負荷過載進行預測。如果負荷因過載發生故障，將導致配電網負荷的大量損失，對電力系統的可靠性和配電網的安全運行產生重大的影響。因此，對光伏配電網負荷過載進行預測具有重要意義。

文獻[1]依據孿生網絡權重共享的特點，解析歷史負荷數據，依據解析結果分類預測負荷，提取相似數據。結合灰狼優化算法優化參數，實現負荷過載預測。文獻[2]依據配電網光伏受到多種因素影響而容易出現各種故障的問題，構建多變量灰色遺傳MGM(1,n,r)預測模型，對該模型使用遺傳算法求解，得到負荷過載預測結果。然而，這兩種方法受到光伏功率間歇性影響，出現負荷波動性耦合現象，使得負荷過載預測精準度降低。為此，提出了基于螢火蟲算法的光伏配電網負荷過載預測研究。

1 基于螢火蟲算法的過載負荷跟蹤

螢火蟲算法是將空間中的每個點看成螢火蟲，將其搜索過程視為位置更新迭代過程。當兩個螢火蟲逐漸靠攏，完成位置迭代處理，進而找到最優位置，實現尋優[3-5]。基于上述原理，計算第i只螢火蟲在位置j處的相對亮度，公式為：

式中，W0表示螢火蟲熒光素的相對亮度；λ表示吸收因子；L表示螢火蟲飛行的笛卡爾距離，計算公式為：

式中，d、c分別表示空間和笛卡爾坐標的維度；Wi,c、Wj,c分別表示第i、j兩只螢火蟲的空間位置[6]。基于此，更新螢火蟲空間位置，公式可表示為：

式中，αij(L)表示螢火蟲的吸引力；δ表示隨機擾動項[7]。

采用加權最小二乘法[8-10]求解目標函數，獲取適配值。為了更好體現算法特征，構建了第i只螢火蟲第t次迭代的過載負荷跟蹤函數，如下所示：

式中，ωm表示第m個測量權重；ζ表示第m個測量數量。

通過添加隨機擾動項擴大搜索空間，提高過載負荷跟蹤性能，避免陷入局部最優。

2 基于螢火蟲算法的負荷過載預測

2.1 光伏功率和過載負荷解耦

因為光伏受太陽輻射的影響，白天只輸出功率，晚上不輸出，所以白天的凈負荷是由光伏輸出功率和實際負荷組成的[11-13]。因此，如果實際的負荷減去了光電輸出，那么凈負荷就等于晚上的實際負荷，并且只對白天凈負荷數據進行解耦[14]。光伏-負荷解耦結構，如圖1 所示。

圖1 光伏-負荷解耦結構

由圖1 可知，利用光伏-負荷解耦模型，通過求解最優的因子，得到了光伏配電網總負荷與過載負荷所占的比例。

2.2 預測模型構建

根據上述解耦的過載負荷，設計預測模型構建流程：

步驟1：用原始電力負荷的時序資料轉化成電能周期；

步驟2：將周期代換到周期指數調整算法中，將原始數據分為周期指標和趨勢指標，用于訓練數據，并對今后的電力數據進行趨勢預測[15]；

步驟3：選取了一種適合度函數來表示該模型的優缺點。因此，將平均絕對百分比誤差（MAPE）作為衡量預測結果是否精準的判據，由此滿足螢火蟲算法的適應性。其公式為：

式中，n表示預測總數；xi、分別表示真實和預測數據。

步驟4：將步驟二的趨勢值作為螢火蟲算法的訓練數據，從而獲得最佳的參數序列；

步驟5：將最優參數代入構建的預測模型中，利用二階自適應系數法對光伏配電網過載負荷數據進行預測，獲取預測的電力負荷數據的趨勢項[16]；

步驟6：將趨勢預報轉化為原序列預報，由此構建預測模型：

式中，Y′n表示趨勢項預測值；Un表示周期指數。

2.3 負荷過載預測

在搜索空間中，螢火蟲會利用自身發出熒光的特性，吸引其他螢火蟲。因此，將熒光素值輸入到構建的預測模型中，進行負荷過載預測，流程如圖2所示。

圖2 負荷過載預測流程

由圖2 可知，設計詳細的步驟：

步驟1：螢火蟲會在判決領域中查找鄰近的集合，在搜索過程中，螢火蟲的熒光量越大，就越能吸引其他螢火蟲，每一次的運動都會根據所選的鄰居而變化。決定領域的規模與鄰近的數目有關，鄰居密度越小，螢火蟲就會在更大的范圍內尋找更多的鄰居；另外，當鄰近區域的數量越多，螢火蟲飛行的區域就越小，當所有螢火蟲都飛行結束后，全部都聚集在一個地方；

在最初的螢火蟲體內，每一個個體都攜帶著同樣的熒光物質和感知半徑。隨著螢火蟲數目和迭代數量的增加，迭代的精度也會隨之提高。

步驟2：固定時間間隔測量光伏配電網，構建配電網負荷過載指數的狀態向量。確定初始權值，獲取在固定時間下的連接權值向量；

步驟3：確定狀態向量后，修改權值修正量；

步驟4：計算權值向量最終值，權值向量各個權值公式可表示為：

式中，Y()表示預測輸出函數。在確定負荷過載指數后，計算期望閾值與實際值之間的差值，公式為：

式中，η′表示期望閾值。滿足上述公式的值，即為對應的權值向量最終值。

步驟5：計算配電網負荷過載指數預測值，對于任一時刻t，配電網負荷過載指數預測值計算公式為：

通過上述內容，完成基于螢火蟲算法的光伏配電網負荷過載預測。

3 實驗

3.1 實驗數據分析

以某市的激光企業為例，選擇2019年3月31日-2019 年5 月31 日的日均過載負荷為研究對象，日過載負荷數據統計結果如表1 所示。

表1 日過載負荷數據

由表1 可知，日過載負荷具有較強周期性，且工作日過載負荷比休息日過載負荷高，可能與周末休息有關，所以需分別研究休息日和工作日。

3.2 實驗結果與分析

對于休息日負荷過載情況，分別使用文獻[1]方法、文獻[2]方法和所提方法預測負荷過載情況，對比結果如圖3 所示。

圖3 不同方法的休息日負荷過載預測

由圖3 可知，文獻[1]方法和文獻[2]方法分別在4 月15 日和4 月10 日過載負荷達到最大為2 100 kW和1 500 kW，但不同時間變化的過載負荷與表1 所示的統計負荷不一致，而所提方法在4 月10 日過載負荷達到最大為2 100 kW，其不同時間變化的過載負荷與表1 所示的統計負荷均一致，表明所提方法能夠有效提高負荷過載預測精準度。

對于工作日負荷過載情況，分別使用分別使用文獻[1]方法、文獻[2]方法和所提方法預測負荷過載情況，對比結果如圖4 所示。

由圖4 可知，文獻[1]方法和文獻[2]方法分別在4 月20 日-4 月30 日 和5 月20 日-5 月31 日出現了過載負荷最大的情況分別為6 600 kW 和6 500 kW，但不同時間變化的過載負荷與表1 所示的統計負荷不一致，而所提方法在4 月15 日過載負荷達到最大，為6 500 kW，且不同時間變化的過載負荷與表1 所示的統計負荷均一致，表明所提方法的負荷過載預測精準度較高。

4 結束語

負荷是電網調度、預測機組利用率的關鍵，文中提出的基于螢火蟲算法的光伏配電網負荷過載預測研究，能夠有效為廣大電網客戶提供個性化的預測，提升供電公司的服務量。由于在光伏配電網中，電池利用率除了取決于自身特性外，還取決于其工作環境。在各種外界環境下，光伏電池能在不同的最大功率點上工作。所以，為了將光電轉換成電能，必須尋找最優的運行條件。