基于改进乌鸦搜索算法的短期光伏功率预测

刘文康，赵家伟

（辽宁工程技术大学电气与控制工程学院 辽宁 葫芦岛 125105）

0 引言

现如今，愈发恶劣的生态环境让新能源的利用成为当今时代需要处理的首要问题之一，太阳能凭借其无污染以及可再生性在新能源中占据主要地位［1］，光伏发电自然演变成为现如今重要的能量来源。光伏功率预测的结果更为准确，会减小电网运转的危险性。

基于以上问题，本文提出基于改进乌鸦搜索算法的一种光伏功率预测方式，其结合最小二乘积向量模型通过改变原始乌鸦搜索算法中步长和感知概率为特定值的性质，将二者改为可控变量，从而有效提高了光伏功率预测精度，为电网安全运行提供一种可靠的方法。

1 研究现状

1.1 光伏发电预测的重要性

太阳能的无污染以及可再生性使其在全世界范围内广泛应用，越来越多的大型太阳能光伏（photovoltaics，PV）投入使用。但是，光伏发电存在的随时间的不稳定性以及不连续性给光伏电网带来很多不好的影响，更有甚者会干扰到整个电力系统的平稳运行。综上所述，光伏发电的预测对提高整个光伏电网稳定运行以及提高光伏电站投资回报率以减少经济损失起重要作用［2］。

1.2 目前光伏预测中使用的方法

现在光伏预测的方法主要分为物理模型预测法、统计方法、人工智能方法和混合方法［3］。物理方法先预测出太阳辐射强度，将各种模型参数整合起来进行建模预测，从而完成光伏发电功率的预测［4］。统计法是利用之前的发电功率的时间序列数据，再利用算法来统计学习［5］。人工智能预测法则与前两种传统方法存在较大的区别，其需要大量数据通过模型探寻数据规律来进行预测［4］。综上所述，目前光伏功率预测的方法都存在或多或少的问题，故本文提出通过改进乌鸦搜索算法来提高短期光伏功率预测精确度，用其来避免现有一些光伏功率预测方法存在的问题。

1.3 乌鸦搜索算法的原理以及应用

乌鸦搜索算法（crow search algorithm， CSA）由Alireza Askarzadeh 于2016 年提出，主要模拟了自然界中乌鸦将多余的食物藏在隐蔽处，并在必要时将食物取回这一行为。因其较好的工程求解性能而在近年来得到广泛应用。设定每次迭代时乌鸦i的位置更新与随机选择的乌鸦j息息相关。乌鸦i会跟随乌鸦j前往它的存粮地点mj，iter（在代码中就是乌鸦j的位置）。不过这里设置了一个感知概率参数AP，用以判断乌鸦j是否发现乌鸦i的跟踪行为，此时乌鸦j 并没有发现乌鸦i的跟踪行为如式（1）所示：

式（1）中，ri为［0，1］之间均匀分布的随机数，fli，iter为乌鸦i在当前迭代次数iter 下的飞行距离。

如果乌鸦发现跟踪行为如式（2）所示：

乌鸦搜索算法被应用于多种工程寻优领域，获得较好的效果。

2 改进乌鸦搜索算法

2.1 原始乌鸦搜索算法的缺点及改进的必要性

最初的CSA 主要采取的是随机搜索的方式，这样让最后的搜索目标没有目的性，全局搜索能力过差的同时也丧失局部探察的能力，就这些不足之处，国内外多种研究提出各种改进方法。肖子雅［6］利用三角函数来调整单个乌鸦的飞行距离，希望能提高算法的寻优能力。辛梓芸［7］利用共享机制来降低单个乌鸦的无目的性搜寻，同时加以干扰到当前最佳位置，从而使算法不再受局部最优解的限制，但上述方法会增加算法的计算时间以及复杂程度［8］。

2.2 改进乌鸦搜索算法的核心思想

原始的乌鸦搜索算法就是利用步长和感知概率来掌控算法的全局和局部搜寻过程。由上式可知，感知概率会对群体的丰富程度和发散程度产生影响，感知概率越小，群体在给定区域内觅食范围就更大但是收敛的速度也会相对变小。感知概率越大则会获得更小的觅食范围同时获得更大的收敛速度，但是容易出现小范围最佳解的情况。步长会在算法性能方面有所干扰，其越大研究目标伴随同伴的可能性就更低，会让算法有更大的全局搜索能力，反之则是更好的局部搜索能力。

在最初的乌鸦搜索算法中，感知概率和步长都是确定值，但是不能完美地利用，因此，为确定算法的全局搜寻力和收缩能力可以伴随更新转换的推进然后基于自身条件改变，所以将感知概率制造为伴随更新转换数量来转变的改变映射，使未知数的值与更新转换的频率存在反比例关系，并随着更新频率升高而减小到最初设定最小值的时候自动停止［9］。

2.3 改进乌鸦搜索算法的公式

公式（3）为线性递减的。与此同时引入飞行策略来决定步长大小。

ξ为偏度；为位移；σ为尺度。当α＝0.5 且ξ＝1 时，Lévy 稳定分布概率密度函数服从Lévy 分布。

综上所述可总结为下列式子：

3 基于改进乌鸦搜索算法的短期光伏预测模型

3.1 数据采集和分析

本文是以国内某一光伏发电站2018 年所收集到的数据为例子，每隔一个小时进行一次数据采样，同时也记录了多种自然影响因素（风速、阳光照射时间、气压、辐射能量强度、气温、相对空气湿度）的数值变化，并计算其最后的发电量。分析多组数据可知，短期光伏功率预测所得到的原始数据有较大的波动性，无法达到对其进行分析预测的效果。所以一定要对所得的数值进行分解。从而更好地进行计算与分析过程。

3.2 建立改进乌鸦搜索算法的预测模型

首先，录入改进乌鸦搜索算法的初始值，根据式（6）制造原始数据群，与此同时确定最小二乘向量积的模型，让正则化参数和核参数回到最初值。其次，输入训练样本并且计算训练误差。记录个体和全局的最佳位置并一直记录正则化参数和核参数的变化。用个体和总体更新转换后的适应度值与之前得到的最佳位置对比。再次，从中取最优解。最后，进行判断是否满足条件，满足条件即结束，否则将进行循环重复上述步骤。输出结果后再根据下面的流程来进行短期光伏功率预测，见图1。

图1 光伏功率预测流程图

4 实验结果统计以及验证

通过仿真软件进行模型搭建，随机运用2018 年国内一光伏发电站的数据以及当日各种自然影响因素（风速、阳光照射时间、气压、辐射能量强度、气温、相对空气湿度）分别在不同日期取多个采样点。分别用模型搭建基于变分模态分解改进乌鸦搜索算法最小二乘积模型（VMD-ICSA-LSSVM）、基于变分模态分解乌鸦搜索算法最小二乘积模型（VMD-CSA-LSSVM）、基于经验模态分解粒子群优化算法BP 神经网络模型（EMD-PSO-BP）并与实际值对比，结果见图2、图3。

图2 第一天组合模型预测结果

图3 第二天组合模型预测结果

从图2、图3 可以看出，通过改进乌鸦搜索算法搭建的算法模型在短期对光伏功率的预测与实际值贴合度最高，虽然依然存在误差，但是通过学习改进后误差会大幅度减小。实验所得光伏发电功率与预测结果对比证明了本文所提出的改进方法的可靠性。

5 结语

本文首先阐述了光伏发电功率预测在当今时代的重要性，并且分析过往的预测方法，以此为基础提出基于改进乌鸦搜索算法对短期光伏功率的预测，其间考虑多种自然条件的影响，最后通过软件构建模型对结果进行预测并和其他算法与实际值的贴合程度进行对比，结果证明本文所述的方法具有更高的精确度。本文所述方法不进行随机搜索的方式，避免搜索目标没有目的性的后果，提高了全局搜索能力的同时获得局部探察的能力，为今后短期光伏功率预测提供一种更加精确可靠的方法。