留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测

倪安安 王育飞 薛花

倪安安, 王育飞, 薛花. 基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测[J]. 现代电力, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
引用本文: 倪安安, 王育飞, 薛花. 基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测[J]. 现代电力, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
Anan NI, Yufei WANG, Hua XUE. A Method to Forecast Ultra-Short-Term Output of Photovoltaic Power Generation Based on Chaotic Characteristic-Improved Whale Optimization Algorithm and Relevance Vector Machine[J]. Modern Electric Power, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
Citation: Anan NI, Yufei WANG, Hua XUE. A Method to Forecast Ultra-Short-Term Output of Photovoltaic Power Generation Based on Chaotic Characteristic-Improved Whale Optimization Algorithm and Relevance Vector Machine[J]. Modern Electric Power, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390

基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测

doi: 10.19725/j.cnki.1007-2322.2020.0390
基金项目: 上海市科技创新行动计划(19DZ2204700,20DZ2205500)
详细信息
    作者简介:

    倪安安(1994),女,硕士,通信作者,研究方向为新能源发电预测与应用,E-mail:naa513488@126.com

    王育飞(1974),男,博士,教授,研究方向为电力储能应用技术、电能质量分析与控制和混沌理论与应用,E-mail:energystorage@126.com

    薛花(1979),女,博士,副教授,研究方向为大功率新能源并网逆变技术、非线性理论与控制方法,E-mail:distributepower@163.com

  • 中图分类号: TM73

A Method to Forecast Ultra-Short-Term Output of Photovoltaic Power Generation Based on Chaotic Characteristic-Improved Whale Optimization Algorithm and Relevance Vector Machine

Funds: Shanghai Science and Technology Innovation Action Plan (19DZ2204700, 20DZ2205500)
  • 摘要: 通过挖掘光伏序列的混沌特性,提出一种基于混沌特征改进的鲸鱼优化算法(whale optimization algorithm, WOA)相关向量机(relevance vector machine, RVM)预测方法,确定RVM参数与光伏发电输出功率混沌特征间的物理联系。首先,利用伪近邻法和复自相关法计算光伏序列的混沌参数,重构相空间,确定RVM高斯核的径向范围;然后,利用WOA对RVM参数进行寻优,提高核函数泛化能力和收敛速度,完善超短期预测方法;最后,运用实际光伏发电输出功率数据,仿真分析5个典型日的预测效果。结果表明,所提方法在不同天气情况下具有良好的预测准确度和适应性。
  • 图  1  基于WOA优化的RVM预测方法

    Figure  1.  WOA-optimization based RVM forecasting method

    图  2  基于混沌特征改进的WOA-RVM预测方法

    Figure  2.  The forecasting method based on chaotic characteristic-improved whale optimization algorithm and relevance vector machine

    图  3  混沌参数计算

    Figure  3.  Calculation of chaotic parameters

    图  4  不同预测方法的适应度值进化曲线对比

    Figure  4.  Fitness values comparison of the proposed method and that of WOA-RVM method

    图  5  绝对误差曲线对比

    Figure  5.  Comparison of absolute error curves

    图  6  各种天气情况下不同预测方法的预测结果

    Figure  6.  Forecasting results by different forecasting methods under various weather situation

    表  1  预测方法的输入变量与输出变量

    Table  1.   Input and output variables of forecasting method

    输入变量输出变量
    ${X_1} = \left[ {{x_1},{x_{1 + \tau }}, \cdots ,{x_{1 + (m - 1)\tau }}} \right]$${y_1} = {x_{1 + (m - 1)\tau + 1}}$
    $ \vdots $$ \vdots $
    ${X_k} = \left[ {{x_k},{x_{k + \tau }}, \cdots ,{x_{k + (m - 1)\tau }}} \right]$${y_k} = {x_{k + (m - 1)\tau + 1}}$
    $ \vdots $$ \vdots $
    ${X_{N - 1}} = \left[ {{x_{n - (m - 1)\tau - 1}},{x_{n - (m - 2)\tau - 1}}, \cdots ,{x_{n - 1}}} \right]$${y_{N - 1}} = {x_n}$
    下载: 导出CSV

    表  2  不同天气情况下预测误差分析

    Table  2.   Analysis of forecasting errors under various weather situations

    预测方法评价指标
    ${N_{{\rm{MAPE}}}}$${N_{{\rm{RMSE}}}}$${N_{{\rm{MAE}}}}$R-square
    总体所提方法0.05565.26402.854495.8600
    WOA-LSSVM0.06455.33343.134395.7557
    WOA-SVM0.07545.37173.077195.6865
    RVM0.09045.42563.278395.5974
    BP0.07405.46563.424693.6549
    LSTM0.07195.43842.936694.8081
    晴转多云所提方法0.05996.47423.323792.3630
    WOA-LSSVM0.06636.54413.642292.0791
    WOA-SVM0.07116.67393.835691.8487
    RVM0.09316.69443.910191.7822
    BP0.07077.80814.059387.6305
    LSTM0.10158.45695.613391.0401
    所提方法0.03162.45701.759499.1097
    WOA-LSSVM0.03642.74952.008798.8687
    WOA-SVM0.03492.62741.892498.945
    RVM0.04843.02782.272798.6025
    BP0.04422.78772.230697.0017
    LSTM0.03842.68271.796698.2320
    多云所提方法0.05531.50231.140297.4530
    WOA-LSSVM0.07971.98371.633096.6387
    WOA-SVM0.13051.61541.189697.3320
    RVM0.11392.02991.576396.1028
    BP0.09169.89476.982293.0346
    LSTM0.09992.57202.256595.4068
    多云转晴所提方法0.05523.83862.388598.0510
    WOA-LSSVM0.05613.90742.566597.9953
    WOA-SVM0.05544.02902.657397.8681
    RVM0.09174.02302.719797.8570
    BP0.06503.90492.470095.9870
    LSTM0.06844.80313.00496.1364
    阴雨天所提方法0.07598.57925.660491.0570
    WOA-LSSVM0.08428.52295.821090.1962
    WOA-SVM0.08508.60185.810590.0772
    RVM0.10488.53795.912890.2248
    BP0.08909.16185.690189.1287
    LSTM0.08568.49746.049790.2842
    下载: 导出CSV
  • [1] 孙宏斌, 郭庆来, 潘昭光. 能源互联网: 理念、架构与前沿展望[J]. 电力系统自动化, 2015, 39(19): 1−8. doi:  10.7500/AEPS20150701007

    SUN Hongbin, GUO Qinglai, PAN Zhaoguang. Energy internet: concept, architecture and frontier outlook[J]. Automation of Electric Power Systems, 2015, 39(19): 1−8(in Chinese). doi:  10.7500/AEPS20150701007
    [2] 杨锡运, 任杰, 李相俊, 等. 储能系统平滑光伏电站功率波动的变参数斜率控制方法[J]. 电力系统自动化, 2016, 40(24): 56−63. doi:  10.7500/AEPS20160129005

    YANG Xiyun, REN Jie, LI Xiangjun, et al. Slope control method with variable coefficients of battery energy storage system for smoothing photovoltaic power fluctuation[J]. Automation of Electric Power Systems, 2016, 40(24): 56−63(in Chinese). doi:  10.7500/AEPS20160129005
    [3] 谭津, 邓长虹, 杨威, 等. 微电网光伏发电的Adaboost天气聚类超短期预测方法[J]. 电力系统自动化, 2017, 41(21): 33−39. doi:  10.7500/AEPS20170217006

    TAN Jin, DENG Changhong, YANG Wei, et al. Ultra-short-term photovoltic power forecasting in microgrid based on Adaboost clustering[J]. Automation of Electric Power Systems, 2017, 41(21): 33−39(in Chinese). doi:  10.7500/AEPS20170217006
    [4] LIU L, JI T, LI M, et al. Short- term local prediction of wind speed and wind power based on singular spectrum analysis and locality-sensitive hashing[J]. Journal of Modern Power Systems and Clean Energy, 2018, 6(2): 317−329. doi:  10.1007/s40565-018-0398-0
    [5] UTPAL K, KOK S, MEHDI S, et al. Forecasting of photovoltaic power generation and model optimization: A review[J]. Renewable and Sustainable Energy Reviews, 2018, 81(1): 912−928.
    [6] 黎敏, 林湘宁, 张哲原, 等. 超短期光伏出力区间预测算法及其应用[J]. 电力系统自动化, 2019, 43(3): 10−18. doi:  10.7500/AEPS20180322001

    LI Min, LIN Xiangning, ZHANG Zheyuan, et al. Interval prediction algorithm for ultra-short-term photovoltaic output and its application[J]. Automation of Electric Power Systems, 2019, 43(3): 10−18(in Chinese). doi:  10.7500/AEPS20180322001
    [7] WAN C, LIN J, WANG J, et al. Direct quantile regression for nonparametric probabilistic forecasting of wind power generation[J]. IEEE Transactions on Power Systems, 2017, 32(4): 2767−2778. doi:  10.1109/TPWRS.2016.2625101
    [8] WAN C, LIN J, SONG Y, et al. Probabilistic forecasting of photovoltaic generation: an eficient statistical approach[J]. IEEE Transactions on Power Systems, 2017, 32(3): 2471−2472. doi:  10.1109/TPWRS.2016.2608740
    [9] 刘卫亮, 刘长良, 林永君, 等. 计及雾霾影响因素的光伏发电超短期功率预测[J]. 中国电机工程学报, 2018, 38(14): 4086−4095.

    LIU Weiliang, LIU Changliang, LIN Yongjun, et al. Super short-term photovoltaic power forecasting considering influence factor of smog[J]. Proceedings of the CSEE, 2018, 38(14): 4086−4095(in Chinese).
    [10] 赵文清, 郭丙旭, 李刚, 等. 基于智能水滴算法优化Elman神经网络的光伏电站输出功率预测[J]. 太阳能学报, 2017, 38(6): 1553−1559.

    ZHAO Wenqing, GUO Bingxu, LI Gang, et al. Output power forecasting of PV plant based on Elman neural network optimized by intelligent water frop algorithm[J]. Acta Energiae Solaries Sinica, 2017, 38(6): 1553−1559(in Chinese).
    [11] 黎静华, 黄乾, 韦善阳, 等. 基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用[J]. 电网技术, 2017, 41(10): 3292−3300.

    LI Jinghua, HUANG Qian, WEI Shanyang, et al. Improved deep learning method based on S-BGD and gradient pile strategy and its application in PV output prediction[J]. Power System Technology, 2017, 41(10): 3292−3300(in Chinese).
    [12] 张倩, 马愿, 李国丽, 等. 频域分解和深度学习算法在短期负荷及光伏功率预测中的应用[J]. 中国电机工程学报, 2019, 39(8): 2221−2230+5.

    ZHANG Qian, MA Yuan, LI Guoli, et al. Applications of frequency domain decomposition and deep learning algorithms in short-term load and photovoltaic power forecasting[J]. Proceedings of the CSEE, 2019, 39(8): 2221−2230+5(in Chinese).
    [13] SUN Y, LIU Y, LIU H. Temperature Compensation for a six-axis force/torque sensor based on the particle swarm optimization least square support vector machine for space manipulator[J]. IEEE Sensors Journal, 2016, 16(3): 798−805. doi:  10.1109/JSEN.2015.2485258
    [14] TIPPING M E. Sparse Bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research, 2001, 1(3): 211−244.
    [15] 武小梅, 林翔, 谢旭泉, 等. 基于VMD-PE和优化相关向量机的短期风电功率预测[J]. 太阳能学报, 2018, 39(11): 3277−3285.

    WU Xiaomei, LIN Xiang, XIE Xuquan, et al. Short-term wind power forecasting based on variationalmode decomposition-permutation entropyand optimized relevance vector machine[J]. Acta Energiae Solaries Sinica, 2018, 39(11): 3277−3285(in Chinese).
    [16] MIRJALILI S, LEWIS A. The whale optimization algorithm[J]. Advances in Engineering Software, 2016, 95(5): 51−67.
    [17] 王育飞, 付玉超, 孙路, 等. 基于混沌-RBF神经网络的光伏发电功率超短期预测模型[J]. 电网技术, 2018, 42(4): 1110−1116.

    WANG Yufei, FU Yuchao, SUN Lu, et al. Ultra-short term prediction model of photovoltic output power based on chaos-RBF neural network[J]. Power System Technology, 2018, 42(4): 1110−1116(in Chinese).
    [18] 王育飞, 付玉超, 薛花. 计及太阳辐射和混沌特征提取的光伏发电功率DMCS-WNN预测法[J]. 中国电机工程学报, 2019, 39(S1): 63−71.

    WANG Yufei, FU Yuchao, XUE Hua. DMCS-WNN prediction method of photovoltaic power generation by considering solar radiation and chaotic feature extraction[J]. Proceedings of the CSEE, 2019, 39(S1): 63−71(in Chinese).
    [19] 张淑清, 师荣艳, 张立国, 等. 混沌预测模型改进及在电力日负荷预测中的应用[J]. 仪器仪表学报, 2016, 37(1): 208−214. doi:  10.3969/j.issn.0254-3087.2016.01.028

    ZHANG Shuqing, SHI Rongyan, ZHANG Liguo, et al. Improvement of chaotic forecasting model and its application in power daily load forecasting[J]. Chinese Journal of Scientific Instrument, 2016, 37(1): 208−214(in Chinese). doi:  10.3969/j.issn.0254-3087.2016.01.028
    [20] 刘俊. 分布式数据处理系统中作业性能优化关键技术研究[D]. 重庆: 重庆大学, 2016.
    [21] BOYD M. High-speed monitoring of multiple grid-connected photovoltaic array configurations and supplementary weather station[J]. Journal of solar energy engineering, 2017, 139(3): 48−53.
  • [1] 李春平, 张沛, 彭春华, 尹瑞, 时珉.  基于随差遗忘长短期记忆的风电功率实时预测 . 现代电力, 2021, 38(1): 110-118. doi: 10.19725/j.cnki.1007-2322.2020.0200
    [2] 魏明奎, 叶葳, 沈靖, 周泓, 蔡绍荣, 王渝红, 沈力.  基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法 . 现代电力, 2021, 38(1): 17-23. doi: 10.19725/j.cnki.1007-2322.2020.0201
    [3] 肖白, 王涛.  太阳能光伏-光热联合发电的优化运行模型 . 现代电力, 2020, 37(2): 163-170. doi: 10.19725/j.cnki.1007-2322.2019.1003
    [4] 赵冬梅, 马泰屹, 王闯.  基于相空间重构和长短期记忆算法的电力系统无功负荷预测模型 . 现代电力, 2020, 37(5): 470-477. doi: 10.19725/j.cnki.1007-2322.2020.0235
    [5] 张国斌, 张佳辉, 郭瑞君, 高正平, 牛玉广.  基于自适应混沌粒子群算法的冷-热-电联供系统调度策略 . 现代电力, 2020, 37(6): 551-558. doi: 10.19725/j.cnki.1007-2322.2019.1070
    [6] 谭风雷, 张兆君, 吴兴泉, 武广斌, 马宏忠.  支持向量机优化的线性插值法在变压器油温预处理中的应用 . 现代电力, 2020, 37(6): 591-597. doi: 10.19725/j.cnki.1007-2322.2019.1112
    [7] 李雯, 魏斌, 韩肖清, 郭玲娟.  基于DPK-means和ELM的日前光伏发电功率预测 . 现代电力, 2020, 37(4): 351-357. doi: 10.19725/j.cnki.1007-2322.2019.0929
    [8] 田剑刚, 张沛, 彭春华, 时珉, 王铁强, 尹瑞, 王一峰.  基于分时长短期记忆神经网络的光伏发电超短期功率预测 . 现代电力, 2020, 37(6): 629-637. doi: 10.19725/j.cnki.1007-2322.2019.1026
    [9] 屠亚南, 于艾清.  基于平抛模型的光伏多峰最大功率点预测跟踪方法 . 现代电力, 2019, 36(3): 27-33.
    [10] 李正明, 高赵亮, 梁彩霞.  基于FCM和CG-DBN的光伏功率短期预测 . 现代电力, 2019, 36(5): 62-67.
    [11] 张祥龙, 刘燕华, 张东英.  基于相关性分析的风电场功率限值分配算法 . 现代电力, 2018, 35(1): 1-5.
    [12] 李琰, 王岩, 高峰, 魏林君, 郝全睿, 刘超.  光伏电站与VSC-HVDC无通信虚拟同步机协调控制策略 . 现代电力, 2017, 34(5): 74-81.
    [13] 葛景, 都洪基, 马进, 赵大伟, 钱敏慧, 朱凌志.  基于相关辨识法的大型光伏电站广域阻尼控制器设计 . 现代电力, 2017, 34(3): 76-81.
    [14] 徐敏姣, 徐青山, 袁晓冬.  基于改进EMD及Elman算法的短期光伏功率预测研究 . 现代电力, 2016, 33(3): 8-13.
    [15] 阎洁, 刘永前, 韩爽, 王一妹, 张晋华, 朱戎.  考虑流动相关性的风电场机组分组功率预测方法 . 现代电力, 2015, 32(1): 25-30.
    [16] 杜翠, 徐晓波, 刘宗歧, 刘文霞.  气象数据弱相关的光伏出力短期预测 . 现代电力, 2015, 32(6): 1-6.
    [17] 张华彬, 杨明玉.  基于最小二乘支持向量机的光伏出力超短期预测 . 现代电力, 2015, 32(1): 70-75.
    [18] 杨再鹤, 向铁元, 郑丹.  基于小波变换和SVM算法的微电网短期负荷预测研究 . 现代电力, 2014, 31(3): 74-79.
    [19] 李光明, 刘祖明, 何京鸿, 赵恒利, 张树明.  基于多元线性回归模型的并网光伏发电系统发电量预测研究 . 现代电力, 2011, 28(2): 43-48.
    [20] 王林川, 白 波, 于奉振, 袁明哲.  基于QPSO参数优化的WLSSVM短期负荷预测 . 现代电力, 2010, 27(5): 49-52.
  • 加载中
图(6) / 表 (2)
计量
  • 文章访问数:  28
  • HTML全文浏览量:  10
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-11
  • 刊出日期:  2021-06-03

基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测

doi: 10.19725/j.cnki.1007-2322.2020.0390
    基金项目:  上海市科技创新行动计划(19DZ2204700,20DZ2205500)
    作者简介:

    倪安安(1994),女,硕士,通信作者,研究方向为新能源发电预测与应用,E-mail:naa513488@126.com

    王育飞(1974),男,博士,教授,研究方向为电力储能应用技术、电能质量分析与控制和混沌理论与应用,E-mail:energystorage@126.com

    薛花(1979),女,博士,副教授,研究方向为大功率新能源并网逆变技术、非线性理论与控制方法,E-mail:distributepower@163.com

  • 中图分类号: TM73

摘要: 通过挖掘光伏序列的混沌特性,提出一种基于混沌特征改进的鲸鱼优化算法(whale optimization algorithm, WOA)相关向量机(relevance vector machine, RVM)预测方法,确定RVM参数与光伏发电输出功率混沌特征间的物理联系。首先,利用伪近邻法和复自相关法计算光伏序列的混沌参数,重构相空间,确定RVM高斯核的径向范围;然后,利用WOA对RVM参数进行寻优,提高核函数泛化能力和收敛速度,完善超短期预测方法;最后,运用实际光伏发电输出功率数据,仿真分析5个典型日的预测效果。结果表明,所提方法在不同天气情况下具有良好的预测准确度和适应性。

English Abstract

倪安安, 王育飞, 薛花. 基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测[J]. 现代电力, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
引用本文: 倪安安, 王育飞, 薛花. 基于混沌特征改进鲸鱼优化算法-相关向量机的超短期光伏发电输出功率预测[J]. 现代电力, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
Anan NI, Yufei WANG, Hua XUE. A Method to Forecast Ultra-Short-Term Output of Photovoltaic Power Generation Based on Chaotic Characteristic-Improved Whale Optimization Algorithm and Relevance Vector Machine[J]. Modern Electric Power, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
Citation: Anan NI, Yufei WANG, Hua XUE. A Method to Forecast Ultra-Short-Term Output of Photovoltaic Power Generation Based on Chaotic Characteristic-Improved Whale Optimization Algorithm and Relevance Vector Machine[J]. Modern Electric Power, 2021, 38(3): 268-276. doi: 10.19725/j.cnki.1007-2322.2020.0390
    • 近年来,光伏发电在能源供应体系中的作用愈加凸显[1]。然而,由于光伏发电输出功率影响因素多、耦合复杂、随机性强且变化频率快,导致光伏发电输出功率预测难度大,准确率难以满足电网实际需求,部分地区弃光现象严重,给电力系统的调峰调频和并网消纳带来一定挑战。利用储能系统对光伏发电输出功率波动进行实时平抑,可增加光伏发电的利用率,保证电网安全稳定运行;提高光伏发电输出功率预测准确度能有效帮助储能系统制定平滑控制策略[2]

      目前,针对光伏发电输出功率预测的研究方法总体可分为物理法、统计法和元启发式学习法[3]。其中物理法基于气象因素和光伏组件参数间光电能量转换的物理联系进行预测,建模过程复杂且要求气象数据质量较高[4];统计法基于光伏电站历史数据的统计学规律,应用概率统计、聚类和谱分析等方法展开预测,建模过程简单,所需信息易于获取,在实际工程中应用前景广阔[5-7];元启发式学习方法通过挖掘光伏发电输出功率、气象等历史数据的变化规律,基于人工智能算法寻找历史数据与未来光伏发电输出功率之间的映射关系[8]。目前利用数学方法模拟神经元活动的误差反向传输(back propagation, BP)和长短期记忆(long short-term memory, LSTM)神经网络方法,以及利用核函数进行回归预测的支持向量机(support vector machine, SVM)、最小二乘支持向量机(least squares support vector machine, LSSVM)方法,已在光伏预测领域得到广泛应用[9-11]。其中SVM利用支持向量样本集决定预测结果,具有一定的鲁棒性,但计算复杂、耗时长。LSSVM利用误差变量的正则项确定最终的决策函数,一定程度上降低了SVM支持向量样本集的求解难度,提高了收敛速度。为进一步提高这类预测方法的稳定性和适用性,通常采用寻优算法优化参数以获得组合预测方法,提高算法预测准确度[12]。然而,这些方法并未从根本上解决SVM惩罚系数难以确定、核函数受Mercer条件限制的问题。文献[13]提出一种基于贝叶斯框架的稀疏有监督学习方法相关向量机(relevance vector machine, RVM),RVM可以在先验参数结构下结合自相关判定,移除统计学上不相关的数据点获得稀疏化的概率方法,相较SVM极大地减少了核函数的运算量,具有良好的稀疏性、泛化能力,已在趋势预测领域得到一定的应用[14]。考虑到RVM的泛化能力受核函数影响,采用寻优算法迭代RVM的解析解获得最优核函数参数,能进一步提高预测方法准确度和适应性。鲸鱼优化算法(whale optimization algorithm, WOA)是通过模拟座头鲸捕杀猎物行为设计的一种启发式算法,具有结构简单、调节参数少且全局寻优能力强等优点[15],因此,基于WOA优化RVM对光伏发电输出功率进行预测是一种提高预测准确度的可能途径。文献[16]通过分析光伏序列的混沌特性,利用混沌相空间重构方法挖掘光伏时间序列的动力学本质,结合径向基神经网络预测光伏发电输出功率,表明混沌理论可用于提高光伏发电输出功率预测准确度。在此基础上,文献[17]将光伏电站气象因素和混沌特征结合,优化方法输入量品质,同时采用双模式布谷鸟算法改进小波神经网络,进一步提高预测准确度。

      为提高方法适应性、改善预测准确度,本文通过提取光伏时间序列混沌特征,挖掘其隐藏的动力学信息与预测方法间的物理联系,提出一种基于光伏发电输出功率混沌特征改进的WOA-RVM预测方法。建模过程简单,具有一定的实际应用潜力。

    • 为从光伏发电输出功率时间序列中得到有用的混沌特征进行分析,需对原始序列进行相空间重构,将光伏发电输出功率原始的动力学行为以混沌吸引子形态在相空间内无奇异地呈现出来。相空间重构的关键在于选取合适的混沌参数:时间延迟$\tau $和嵌入维数m [18]

    • 混沌对初值具有敏感依赖性,初值的微小差异会导致吸引子轨道演化的巨大差别,影响预测准确度。由于光伏序列在采集过程中难免混入噪声,为在m维空间内恢复体现光伏系统规律性的混沌吸引子,采用抗噪性能较好的伪近邻法计算m。取光伏序列${{X}}$中任意相点${X_i}$,则在高维相空间内存在其最邻近相点${X_i}^{NN}$,相点间欧式距离为${R_i}$,其中

      $${R_i} = \left\| {{X_i} - {X_i}^{NN}} \right\| = \sqrt {{{\sum\limits_{j = 1}^m {\left[ {{x_{i + (j - 1)\tau }} - x_{i + (j - 1)\tau }^{NN}} \right]} }^2}} $$ (1)

      当相空间的维数增加到m+1维时,两点间的距离变为${R_{i{\rm{ + }}1}}$,两邻近点之间的距离变化为:

      $${R_{i + 1}} - {R_i} = \left\| {X{}_{i + m\tau } - X_{{}_{i + m\tau }}^{NN}} \right\|$$ (2)

      ${R_{i{\rm{ + }}1}}$大于${R_i}$,则认为混沌吸引子中两个不相邻的点投影到低维轨道上变成相邻的两点,称这两个点为伪近邻点,即这样的近邻点是虚设的。真正的近邻点距离为${R_m}$,定义两邻近点距离与${R_m}$的比率为:

      $${a_i}{\rm{ = }}\frac{{\left\| {X{}_{i + m\tau } - X_{{}_{i + m\tau }}^{NN}} \right\|}}{{{R_m}}}$$ (3)

      式中:${a_i}$为伪近邻率,当两邻近点距离不随维度m增大而变化时,即${R_{i{\rm{ + }}1}}$${R_i}$相等。通过迭代${X_i}$${X_i}^{NN}$的值,${a_i}$和设定判据的伪近邻率同时到达零点,此时对应的m即为最小嵌入维数。

    • 时间延迟$\tau $为延迟坐标,决定吸引子的耗散程度,即光伏序列各时刻点的相关性。由于光伏系统是复杂的非线性系统,故采用复自相关法计算$\tau $[19]。光伏序列${{X}}$的复自相关函数${C_\tau }$定义如下:

      $${C_\tau } = \frac{1}{N}\sum\limits_{i = 0}^{N - 1} {\sum\limits_{j = 1}^{m - 1} {({x_i} - \bar x)(} } {x_{i + j\tau }} - \bar x)$$ (4)

      式中:${x_k}$k时刻的光伏发电输出功率,$\bar x = \dfrac{1}{N}\displaystyle\sum\limits_{k = 1}^N {{x_k}}$$N = n - (m - 1)\tau $为相点总数,$\bar x$为样本均值。理论上所有大于或等于$\tau $处,复自相关函数为0。

      相空间重构后得到的相轨迹矩阵如下式所示:

      $${{X}} = \left[ {\begin{array}{*{20}{c}} {{X_1}} \\ {{X_2}} \\ \vdots \\ {{X_N}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {x(1)}&{x(1 + \tau )}& \cdots &{x(1 + (m - 1)\tau )} \\ {x(2)}&{x(2 + \tau )}& \cdots &{x(2 + (m - 1)\tau )} \\ \vdots & \vdots & \ddots & \vdots \\ {x(n - (m - 1)\tau )}&{x(n - (m - 2)\tau )}& \cdots &{x(n)} \end{array}} \right]$$ (5)

      式中:${X_k} = \left[ {{x_k},{x_{k + \tau }}, \cdots ,{x_{k + (m - 1)\tau }}} \right] $为相点。

    • RVM可以有效解决小样本、高维、非线性系统的回归问题,故在建立高维空间内光伏序列的动力学方法基础上,采用RVM构造预测方法。

      RVM预测方法中,给定输入–输出数据集$\left\{ {{x_i},{t_i}} \right\}_{i = 1}^n$,其中${x_i}$为输入量,${t_i}$为目标值,n为样本总个数。基于概率论理论,输入与输出之间满足如式(6)所示的非线性关系。

      $$\left\{ \begin{aligned} &y\left( {x,\omega } \right) = \sum\limits_{i = 1}^n {{\omega _i}k(x,{x_i}) + {\omega _0}} \\ &{t_i} = y\left( {x,\omega } \right) + {\varepsilon _i} \\ \end{aligned} \right.$$ (6)

      式中:${\omega _0}$为方法的偏差;$\omega = \left( {{\omega _0},{\omega _1},\cdots,{\omega _n}} \right)$为权值,假设其服从$(0,{\alpha ^{{\rm{ - }}1}})$高斯分布,每一个权值${\omega _i}$定义高斯分布的先验概率分布来约束最大似然估计超参数$\alpha $,通过跟踪过去的评估结果,选择合适的$\alpha $来评估泛化能力,实现方法的回归拟合;${\varepsilon _i}$为独立分布的高斯白噪声;$k\left( {x,{x_i}} \right)$为径向基(RBF)核函数,又称为高斯核函数,其表达式如下:

      $$ k\left( {x,{x_i}} \right) = \exp \left( { - \frac{{\left\| {x - {x_i}} \right\|}}{{2{\delta ^2}}}} \right) $$ (7)

      式中:$\delta $为高斯核核宽,用训练向量参数化的核函数来定义基函数$\phi ({x_i}) \equiv k\left( {x,{x_i}} \right)$,RVM基函数矩阵为${{\varPhi }} = {\left[ {{{\varPhi }}({x_1}),{{\varPhi }}({x_2}), \cdots ,{{\varPhi }}({x_N})} \right]^{\rm{T}}}$。其中,${{\varPhi }}({x_i}) = $$ {\left[ {1,k\left( {{x_i},{x_1}} \right),k\left( {{x_i},{x_2}} \right), \cdots k\left( {{x_i},{x_N}} \right)} \right]^{\rm{T}}}$

      根据相轨迹矩阵,构建预测方法的输入和输出变量如表1所示,即将相空间中的第k个相点作为输入变量,将第k+1个相点的最后一维作为输出变量。

      表 1  预测方法的输入变量与输出变量

      Table 1.  Input and output variables of forecasting method

      输入变量输出变量
      ${X_1} = \left[ {{x_1},{x_{1 + \tau }}, \cdots ,{x_{1 + (m - 1)\tau }}} \right]$${y_1} = {x_{1 + (m - 1)\tau + 1}}$
      $ \vdots $$ \vdots $
      ${X_k} = \left[ {{x_k},{x_{k + \tau }}, \cdots ,{x_{k + (m - 1)\tau }}} \right]$${y_k} = {x_{k + (m - 1)\tau + 1}}$
      $ \vdots $$ \vdots $
      ${X_{N - 1}} = \left[ {{x_{n - (m - 1)\tau - 1}},{x_{n - (m - 2)\tau - 1}}, \cdots ,{x_{n - 1}}} \right]$${y_{N - 1}} = {x_n}$

      根据输入和输出之间的映射关系,基函数矩阵变为:

      $$\varPhi ({x}_{p})={\left[1,k\left({x}_{p},{x}_{k}\right),k\left({x}_{p},{x}_{k+\tau }\right),\cdots k\left({x}_{p},{x}_{k+(m-1)\tau }\right)\right]}^{\rm{T}} $$ (8)

      式中:$p = k + (m - 1)\tau $

      核宽$\delta $愈大,径向范围愈大,若超出这一范围,高斯核函数快速衰减至0,RVM核函数失去泛化能力,因此需要根据光伏序列的相轨迹矩阵调整核宽参数。随着维度的增加,通过高斯核函数暴力枚举迭代得到RVM核参数,将增加时间复杂度。各向异性高斯核通过提取同一纬度样本的欧式距离来设定核参数,其效果优于传统高斯核的特征选择[20]。欧氏距离

      $${d_k} = \sqrt {\sum\limits_{k = 1}^{(m - 1)\tau } {{{({x_k} - {x_{k + (m - 1)\tau + 1}})}^2}} } $$ (9)

      可见,随着维度的增加,光伏相空间矩阵的欧式距离d增大,为使高斯核函数工作在限定范围内,通过将各个相点的欧式距离作为核宽赋值给对应的基函数矩阵,采用各向异性高斯核自适应确定高斯核核宽,即核函数径向范围,核函数表达式如下:

      $$ k\left( {{x_{k + (j - 1)\tau }},{x_{k + (m - 1)\tau {\rm{ + }}1}}} \right) = \exp \left( { - \frac{{\left\| {{x_{k + (j - 1)\tau }} - {x_{k + (m - 1)\tau {\rm{ + }}1}}} \right\|}}{{2{\delta _k}^2}}} \right) $$ (10)

      式中:$j \in \left[ {0,m - 1} \right]$${\delta _k} = {d_k}$

    • 为提高RVM方法在各典型天气下的适应性,采用WOA优化RVM核函数的核宽和最大似然估计超参数$\alpha $,WOA寻优步骤为:

      1)包围猎物。

      WOA算法通过搜索代理包围目标来寻找最佳位置,这一行为可由如下方程表示:

      $$\left\{ \begin{aligned} &\vec D = \left| {\vec C{{\vec S}^*}(t) - \vec S(t)} \right| \\ &\vec S(t + 1) = {{\vec S}^*}(t) - \vec A \cdot \vec D \\ \end{aligned} \right.$$ (11)

      式中:t是当前迭代次数;${\vec S^*}(t)$表示当前最优位置;$\vec S(t)$是当前位置;$\vec A$$\vec C$如下式所示:

      $$\left\{ \begin{aligned} & \vec A = 2\vec a \cdot \vec r - \vec a \\ &\vec C = 2 \cdot \vec r \\ \end{aligned} \right.$$ (12)

      式中:$\vec a \in \left[ {0,2} \right]$,随着迭代次数的增加作线性衰减;$\vec r \in \left[ {0,1} \right]$,取值随机,通过调整$\vec A$$\vec C$的值,不停更新位置。

      2)泡泡网捕食。

      通过式(13)螺旋更新位置:

      $$\vec S(t + 1) = {\vec D^{'}} \cdot {{\rm{e}}^{bl}} \cdot \cos (2{\rm{\pi }}l) + {\vec S^*}(t)$$ (13)

      式中,b是定义对数螺旋形状的常量系数;l是属于$\left[ { - 1,1} \right]$区间的随机数;${\vec D^{'}}$是第i次迭代时与猎物的距离。

      3)搜索猎物。

      利用$\vec A$更新搜索代理的位置,根据式(14)进行全局搜索:

      $$\left\{ \begin{aligned} & \vec D = \left| {\vec C \cdot {{\vec S}_{\rm{rand}}} - \vec X} \right| \\ & \vec S(t + 1) = {{\vec S}_{\rm{rand}}} - \vec A \cdot \vec D \end{aligned} \right.$$ (14)

      式中,${\vec S_{\rm{rand}}}$是一个随机位置向量。

      接着,建立基于WOA优化的RVM预测方法,其流程如图1所示。

      图  1  基于WOA优化的RVM预测方法

      Figure 1.  WOA-optimization based RVM forecasting method

      具体实现步骤如下:

      1) 确定WOA中搜索代理数量${m_{\rm{agent}}}$为3,单个搜索代理最大寻优次数为1000,最大迭代次数${T_{\max }}$为20,寻优参数上限${u_b}$${2^0}$、下限${l_b}$${2^{10}}$

      2)初始化鲸群位置,并根据RVM预测方法,计算初始的预测值,以最小均方差作为适应度函数,然后根据式(15)计算出每个个体的适应度值。

      $$f(x) = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{({y_i} - \mathop {{y_i}}\limits^ \wedge )}^2}} } $$ (15)

      式中,${\vec S^*}(t)$为最优位置;${y_i}$为实际值;$\mathop {{y_i}}\limits^ \wedge $为预测值。

      3)包围猎物,搜索代理根据式(11)调整系数$\vec A$$\vec C$,连续激活WOA,不断更新最优解;

      4)根据式(12)中$\vec a$的线性衰减缩小包围圈,通过迭代不断缩小$\vec a$的值,通过式(13)螺旋更新位置;

      5)根据式(14)搜索猎物,利用$\vec A$来更新搜索代理的位置,使WOA能够遍历整个序列寻找最优解,进行全局搜索;

      6)以真实值和预测值的最小均方差作为适应度值,重复步骤3)、4)、5),达到最大迭代次数时,输出全局最优解作为RVM方法的核函数参数,得到最终的WOA-RVM预测方法。

    • 为进一步提高RVM的回归拟合能力,基于光伏发电输出功率混沌特征的提取,利用WOA算法对RVM核函数参数进行寻优,建立一种改进的WOA-RVM光伏发电输出功率组合预测方法。具体流程如图2所示。首先,基于光伏发电输出功率时间混沌特征提取重构相空间,恢复原始序列混沌吸引子动力学演化轨迹;接着,基于相轨迹矩阵自适应确定RVM高斯核径向范围;然后,选取合适的训练集和预测集,利用组合预测方法进行光伏发电输出功率超短期预测。

      图  2  基于混沌特征改进的WOA-RVM预测方法

      Figure 2.  The forecasting method based on chaotic characteristic-improved whale optimization algorithm and relevance vector machine

    • 为验证所提方法在光伏发电输出功率超短期预测上的有效性和优越性,选择美国国家标准与技术研究所(NIST)提供的光伏阵列61 天出力数据进行仿真[21]。采样时段为6:00—19:00,采样步长5 min,一天共157个采样点,光伏阵列额定功率243 kW,在Matlab 2016a环境下分析5种典型天气下的光伏发电输出功率超短期预测效果。

    • 分别采用伪近邻法和复自相关函数法确定混沌相空间重构参数,统计量结果见图3

      图  3  混沌参数计算

      Figure 3.  Calculation of chaotic parameters

      图3(a)知,在m为6处,3个判据同时为0,因此m为6。图3(b)中,时间延迟为21处初次出现复自相关函数为0,因此时间延迟$\tau $为21。

    • 为验证混沌特征提取对WOA-RVM方法的提高效果,选取光伏发电输出功率的前56天作为训练集,分别从后几天(以晴天为代表的非突变天气和以多云转晴、晴转多云、多云、阴雨天为代表的突变天气)中各挑选1天作为测试集,分别从收敛速度和预测绝对误差两方面进行比较。

      图4为两种预测方法适应度进化曲线对比,随着迭代次数的增加,所提预测方法迅速收敛,而WOA-RVM预测方法前期收敛速度较慢,且收敛时预测准确度低于所提方法。

      图  4  不同预测方法的适应度值进化曲线对比

      Figure 4.  Fitness values comparison of the proposed method and that of WOA-RVM method

      图5为所提方法与WOA-RVM的绝对误差曲线对比,所提方法预测的准确度和适应性明显高于WOA-RVM方法。

      图  5  绝对误差曲线对比

      Figure 5.  Comparison of absolute error curves

    • 为客观对比分析所提方法的预测性能,利用WOA优化LSSVM和SVM核宽参数得到WOA-LSSVM和WOA-SVM组合预测方法,并将所提方法、WOA-LSSVM、WOA-SVM、RVM、BP和LSTM方法基于单步循环滚动局域预测机制,进行光伏发电输出功率超短期预测,同时考虑到BP和LSTM鲁棒性较差,分别独立运行30次取均值得到最终预测值,各方法预测结果见图6

      图  6  各种天气情况下不同预测方法的预测结果

      Figure 6.  Forecasting results by different forecasting methods under various weather situation

      图6可见,在5种典型天气下,各预测方法都与实际值有不同程度的偏差,其中BP和LSTM方法整体偏差较大。各预测方法在晴天时跟踪性能较好,阴雨天气误差波动最为剧烈。在图6(a)晴转多云天气和图6(d)多云转晴天气10:00—11:00这部分光伏发电输出功率急剧上升或下降的时段,从局部放大图上可以看出,BP和LSTM方法预测结果均出现了较显著的偏差,无法很好反映出光伏发电输出功率变化趋势,而利用核函数进行拟合的WOA-LSSVM、WOA-SVM和RVM方法误差波动较小,跟踪性能较好。在图6多云天气9:00—10:00和图6(c)(e)阴雨天气11:00—12:00,这部分波动较频繁的时段,BP和LSTM方法跟踪性能明显较差,预测准确度有待进一步提升,WOA-LSSVM、WOA-SVM和RVM方法虽有一定的时滞现象,但能较好反映光伏发电输出功率波动情况,误差波动范围有所减小。所提预测方法通过重构混沌相空间提取原始光伏发电输出功率时间序列的隐藏信息,建立混沌特征与RVM高斯核函数的物理联系,对光伏发电输出功率突变和波动更加敏感,尤其在光伏发电输出功率低而剧烈波动的拐点处,跟踪性能最好。

      为定量分析预测结果,利用标准化平均相对误差百分比(${N_{{\rm{MAPE}}}}$)、标准化均方根误差百分比(${N_{{\rm{RMSE}}}}$)、标准化平均绝对误差百分比(${N_{{\rm{MAE}}}}$)和决定系数百分比(R-square)对预测结果进行评价,对比结果见表2。各项指标表达式分别为:

      表 2  不同天气情况下预测误差分析

      Table 2.  Analysis of forecasting errors under various weather situations

      预测方法评价指标
      ${N_{{\rm{MAPE}}}}$${N_{{\rm{RMSE}}}}$${N_{{\rm{MAE}}}}$R-square
      总体所提方法0.05565.26402.854495.8600
      WOA-LSSVM0.06455.33343.134395.7557
      WOA-SVM0.07545.37173.077195.6865
      RVM0.09045.42563.278395.5974
      BP0.07405.46563.424693.6549
      LSTM0.07195.43842.936694.8081
      晴转多云所提方法0.05996.47423.323792.3630
      WOA-LSSVM0.06636.54413.642292.0791
      WOA-SVM0.07116.67393.835691.8487
      RVM0.09316.69443.910191.7822
      BP0.07077.80814.059387.6305
      LSTM0.10158.45695.613391.0401
      所提方法0.03162.45701.759499.1097
      WOA-LSSVM0.03642.74952.008798.8687
      WOA-SVM0.03492.62741.892498.945
      RVM0.04843.02782.272798.6025
      BP0.04422.78772.230697.0017
      LSTM0.03842.68271.796698.2320
      多云所提方法0.05531.50231.140297.4530
      WOA-LSSVM0.07971.98371.633096.6387
      WOA-SVM0.13051.61541.189697.3320
      RVM0.11392.02991.576396.1028
      BP0.09169.89476.982293.0346
      LSTM0.09992.57202.256595.4068
      多云转晴所提方法0.05523.83862.388598.0510
      WOA-LSSVM0.05613.90742.566597.9953
      WOA-SVM0.05544.02902.657397.8681
      RVM0.09174.02302.719797.8570
      BP0.06503.90492.470095.9870
      LSTM0.06844.80313.00496.1364
      阴雨天所提方法0.07598.57925.660491.0570
      WOA-LSSVM0.08428.52295.821090.1962
      WOA-SVM0.08508.60185.810590.0772
      RVM0.10488.53795.912890.2248
      BP0.08909.16185.690189.1287
      LSTM0.08568.49746.049790.2842
      $${N_{{\rm{MAPE}}}} = \frac{1}{{{N_{{\rm{total}}}}}}\frac{1}{{{P_{{\rm{inst}}}}}}\sum\limits_{i = 1}^L {\left| {\frac{{{y_i} - \widehat {{y_i}}}}{{{y_i}}}} \right|} \times 100\text{%} $$ (16)
      $${N_{{\rm{RMSE}}}} = \frac{1}{{{P_{{\rm{inst}}}}}}\sqrt {\frac{1}{{{N_{{\rm{total}}}}}}\sum\limits_{i = 1}^L {{{({y_i} - \widehat {{y_i}})}^2}} } \times 100\text{%} $$ (17)
      $$ {N_{{\rm{MAE}}}} = \frac{1}{{{N_{{\rm{total}}}}}}\frac{1}{{{P_{{\rm{inst}}}}}}\sum\limits_{i = 1}^L {\left| {{y_i} - \widehat {{y_i}}} \right| \times 100\text{%}} $$ (18)
      $$ R - {\rm{square}} = \left(1 - \dfrac{{\displaystyle\sum\limits_{i = 1}^n {{{({y_i} - \widehat {{y_i}})}^2}} }}{{\displaystyle\sum\limits_{i = 1}^n {{{({y_i} - \overline {{y_i}} )}^2}} }}\right) \times 100\text{%} $$ (19)

      式中:${N_{\rm{total}}}$为预测点个数;${P_{\rm{inst}}}$为额定装机容量;${y_i}$为实际出力;$\widehat{{y_i}}$为预测值;$\mathop {{y_i}}\limits^ - $为实测值的均值。

      表2可以看出,5种典型天气情况下,所提预测方法通过挖掘光伏发电输出功率的混沌特征并将WOA和RVM两种方法结合起来,预测准确度得到进一步提升。从表2可以看出,除了个别指标略差于LSTM预测方法,所提出的方法在不同天气条件下的表现一般优于所有对比方法,表中以粗体显示。并且在以晴天为代表的非突变天气情况下,各预测方法的预测性能差异最小,且预测效果要优于突变天气情况。所提方法总体${N_{{\rm{MAPE}}}}$比WOA-LSSVM、WOA-SVM、RVM、BP和LSTM预测方法分别降低13.80%、26.26%、38.49%、24.86%和22.67%,其中在光伏发电输出功率波动频繁的多云天气总体提升最多。

      同时,从表2中可以看到,所提方法总体${N_{{\rm{RMSE}}}}$比其他预测方法分别降低1.31%、2.00%、2.97%、3.69%和3.21%,其中在晴转多云和阴雨天天气下提升较多;总体${N_{{\rm{MAE}}}}$比其他预测方法分别降低8.93%、7.24%、12.93%、16.65%和2.80%,其中在波动剧烈的多云天气和光伏发电输出功率急剧上升的多云转晴天气下提升较多;所提方法R-square在各种天气情况下均超过90%,优于所有对比方法,表明各个天气情况下所提方法均能对光伏发电输出功率进行较好拟合,具有一定适应性。

    • 实例证明所提的预测方法不仅预测准确度高、适应性强,而且建模过程简单,具有以下优点:

      1)充分挖掘光伏混沌特性对RVM核函数泛化能力的影响,基于混沌特征确定RVM的基函数矩阵,再利用WOA对RVM参数进行寻优,相较WOA-RVM自回归预测方法,泛化能力得到提高;

      2)在5种天气条件下的预测性能指标均高于优化后的LSSVM和SVM预测方法,方法的拟合能力指标R-square均超过90%,尤其在波动较大的天气下,跟踪性能更好;

      3)通过提取光伏发电输出功率的混沌特征避免了多次寻找最邻近相点,预测过程简单,便于工程实践,为将超短期预测结果应用于光伏发电功率平滑控制领域奠定了理论基础。

参考文献 (21)

目录

    /

    返回文章
    返回