基于改進(jìn)烏鴉搜索算法的短期光伏功率預(yù)測(cè)

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(shí)代需要處理的首要問(wèn)題之一，太陽(yáng)能憑借其無(wú)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(lái)源。光伏功率預(yù)測(cè)的結(jié)果更為準(zhǔn)確，會(huì)減小電網(wǎng)運(yùn)轉(zhuǎn)的危險(xiǎn)性。

基于以上問(wèn)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(cè)方式，其結(jié)合最小二乘積向量模型通過(guò)改變?cè)紴貘f搜索算法中步長(zhǎng)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(cè)精度，為電網(wǎng)安全運(yùn)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(cè)的重要性

太陽(yáng)能的無(wú)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(lái)越多的大型太陽(yáng)能光伏（photovoltaics，PV）投入使用。但是，光伏發(fā)電存在的隨時(shí)間的不穩(wěn)定性以及不連續(xù)性給光伏電網(wǎng)帶來(lái)很多不好的影響，更有甚者會(huì)干擾到整個(gè)電力系統(tǒng)的平穩(wěn)運(yùn)行。綜上所述，光伏發(fā)電的預(yù)測(cè)對(duì)提高整個(gè)光伏電網(wǎng)穩(wěn)定運(yùn)行以及提高光伏電站投資回報(bào)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(cè)中使用的方法

現(xiàn)在光伏預(yù)測(cè)的方法主要分為物理模型預(yù)測(cè)法、統(tǒng)計(jì)方法、人工智能方法和混合方法［3］。物理方法先預(yù)測(cè)出太陽(yáng)輻射強(qiáng)度，將各種模型參數(shù)整合起來(lái)進(jìn)行建模預(yù)測(cè)，從而完成光伏發(fā)電功率的預(yù)測(cè)［4］。統(tǒng)計(jì)法是利用之前的發(fā)電功率的時(shí)間序列數(shù)據(jù)，再利用算法來(lái)統(tǒng)計(jì)學(xué)習(xí)［5］。人工智能預(yù)測(cè)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(guò)模型探尋數(shù)據(jù)規(guī)律來(lái)進(jìn)行預(yù)測(cè)［4］。綜上所述，目前光伏功率預(yù)測(cè)的方法都存在或多或少的問(wèn)題，故本文提出通過(guò)改進(jìn)烏鴉搜索算法來(lái)提高短期光伏功率預(yù)測(cè)精確度，用其來(lái)避免現(xiàn)有一些光伏功率預(yù)測(cè)方法存在的問(wèn)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(shí)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(lái)得到廣泛應(yīng)用。設(shè)定每次迭代時(shí)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(huì)跟隨烏鴉j前往它的存糧地點(diǎn)mj，iter（在代碼中就是烏鴉j的位置）。不過(guò)這里設(shè)置了一個(gè)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(shí)烏鴉j 并沒(méi)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(diǎn)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(méi)有目的性，全局搜索能力過(guò)差的同時(shí)也喪失局部探察的能力，就這些不足之處，國(guó)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(lái)調(diào)整單個(gè)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(lái)降低單個(gè)烏鴉的無(wú)目的性搜尋，同時(shí)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(huì)增加算法的計(jì)算時(shí)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(zhǎng)和感知概率來(lái)掌控算法的全局和局部搜尋過(guò)程。由上式可知，感知概率會(huì)對(duì)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(huì)相對(duì)變小。感知概率越大則會(huì)獲得更小的覓食范圍同時(shí)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(zhǎng)會(huì)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(huì)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(zhǎng)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?xiàng)l件改變，所以將感知概率制造為伴隨更新轉(zhuǎn)換數(shù)量來(lái)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(shí)候自動(dòng)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(shí)引入飛行策略來(lái)決定步長(zhǎng)大小。

ξ為偏度；為位移；σ為尺度。當(dāng)α＝0.5 且ξ＝1 時(shí)，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(cè)模型

3.1 數(shù)據(jù)采集和分析

本文是以國(guó)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(gè)小時(shí)進(jìn)行一次數(shù)據(jù)采樣，同時(shí)也記錄了多種自然影響因素（風(fēng)速、陽(yáng)光照射時(shí)間、氣壓、輻射能量強(qiáng)度、氣溫、相對(duì)空氣濕度）的數(shù)值變化，并計(jì)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(cè)所得到的原始數(shù)據(jù)有較大的波動(dòng)性，無(wú)法達(dá)到對(duì)其進(jìn)行分析預(yù)測(cè)的效果。所以一定要對(duì)所得的數(shù)值進(jìn)行分解。從而更好地進(jìn)行計(jì)算與分析過(guò)程。

3.2 建立改進(jìn)烏鴉搜索算法的預(yù)測(cè)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(shí)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(jì)算訓(xùn)練誤差。記錄個(gè)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(gè)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(duì)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(lái)進(jìn)行短期光伏功率預(yù)測(cè)，見(jiàn)圖1。

圖1 光伏功率預(yù)測(cè)流程圖

4 實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)以及驗(yàn)證

通過(guò)仿真軟件進(jìn)行模型搭建，隨機(jī)運(yùn)用2018 年國(guó)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(yáng)光照射時(shí)間、氣壓、輻射能量強(qiáng)度、氣溫、相對(duì)空氣濕度）分別在不同日期取多個(gè)采樣點(diǎn)。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(yàn)?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(shí)際值對(duì)比，結(jié)果見(jiàn)圖2、圖3。

圖2 第一天組合模型預(yù)測(cè)結(jié)果

圖3 第二天組合模型預(yù)測(cè)結(jié)果

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

5 結(jié)語(yǔ)

本文首先闡述了光伏發(fā)電功率預(yù)測(cè)在當(dāng)今時(shí)代的重要性，并且分析過(guò)往的預(yù)測(cè)方法，以此為基礎(chǔ)提出基于改進(jìn)烏鴉搜索算法對(duì)短期光伏功率的預(yù)測(cè)，其間考慮多種自然條件的影響，最后通過(guò)軟件構(gòu)建模型對(duì)結(jié)果進(jìn)行預(yù)測(cè)并和其他算法與實(shí)際值的貼合程度進(jìn)行對(duì)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(méi)有目的性的后果，提高了全局搜索能力的同時(shí)獲得局部探察的能力，為今后短期光伏功率預(yù)測(cè)提供一種更加精確可靠的方法。