基于RNA-CS混合算法優化的風光發電預測模型研究

官達，凌云

(湖南工業大學，湖南株洲412000)

國內發電系統主要以火電為主，引發的資源及環境問題越來越得到社會各界人士的重視。為了解決資源及環境危機，風能發電、太陽能發電逐步成為研究重點。主要是以50 MW以下的風電、光伏發電、小型火電、水電等多樣化分布式電源。

然而，風力發電和太陽能發電很大程度上受溫度、光照、風速、風向等自然因素的影響[1-2]，這些自然因素無法人為控制，具有隨意性，導致電能的波動性和間歇性。分布式電源的波動性和間歇性對主電網造成較大沖擊波動，直接影響電網的電能質量 (主要包括電壓和頻率)，嚴重時將造成電網的大面積的停電，造成重大的經濟損失。因此，風力與太陽能發電的準確預測，對于保障電網安全穩定的運行至關重要。

1 風、光分布式電源模型研究

1.1 風力發電模型

風力發電的原理主要是利用風能推動風機葉片，經過齒輪變速系統等一些列傳動系統，再帶動發電機旋轉發電。能源變換的方式為風能轉化為機械能，再由機械能轉換為電能。依據能量守恒定律見公式 (1)。

式中 E為風力發電輸出能量；m為風葉質量；v為風速；Qh為能量損耗。

對于風力發電，其捕捉風能的能力可以看成風機旋轉時的掃掠面積上通過的風速。則公式 (1)可以改寫成公式 (2)。

式中 ρ為空氣密度；A為風機旋轉時的掃掠面積，掃掠面積是風葉半徑旋轉時的圓形面積。

能量損耗Qh為發電機系統整個過程機械損耗、摩擦損耗和其他損耗的總和，一般發電系統確定后，這部分損耗具有穩定值。因此，對于風力發電輸出的電能主要決定于風速的三次方。

對于風速，其大小很大程度上受到自然環境的影響。根據文獻 [2]可知，風速的規律服從威布爾分布特性，分布函數如公式 (3)所示:

式中 f(v)為風速的分布函數；k為風機葉片的形狀參數，根據規程一般取值1.8～2.8；vp為平均風速；v為實時測量的風速。

實時風速v和平均風速vp存在公式 (4)所示關系。

式中 k風機葉片的形狀參數；Δ為速度系數，一般取值為1.05～1.2。

1.2 光伏發電模型

光伏發電系統主要是依靠光伏電板在接收太陽輻射，通過光伏板的物理反應產生電能。現有的光伏板主要是PN結，能量轉換主要是通過吸收光能轉換成電能。由于一個光伏板其吸收光能轉換成電能的能力有限，一般情況下都會涉及一些列光伏板，經過串并聯使得單個的光伏板形成光伏板陣列[3]。根據設計需求，不同的光伏發電系統設計不同大小的光伏板陣列，進而輸出實際需求的電能。

經過串并聯設計后的光伏板陣列能夠輸出穩定的功率，但是光伏板在吸收光能和輸出電能的過程中也會受到各種環境因素的影響。根據文獻 [3]可知，光伏板陣列輸出的電能功率為公式 (5)。

式中 P為光伏板陣列輸出的電能功率；λ為光伏板陣列重復因素；Q為整個光伏板陣列的總容量；Ft為某一時刻下光照輻射度；F0為標準下光照輻射度；Tt為某一時刻下實際溫度；T0為標準環境下的溫度，按照標準環境下，取值為25°，Qs為系統能量的損耗。

對于能量損耗Qs為發電機系統整個過程各種損耗的總和，一般發電系統確定后，這部分損耗具有穩定值。因此，對于光伏發電輸出的電能主要決定于某時刻的輻射Ft。

2 基礎算法研究

2.1 RNA遺傳算法

RNA遺傳算法是基于基礎遺傳算法 (GA)改進而得到的，同時具有基礎遺傳算法進程中的選擇、交叉、變異操作[4-6]。改進方式主要是依靠RNA單鏈序列堿基進行研究，對堿基進行操作算子，有效地改善基本遺傳算法的缺陷。

為了增大算法的全局搜索能力，同時保證收斂速度，設置不同的高位變異概率和低位變異概率。在初始進化階段，為了增大全局搜索能力，設置較高的高位變異概率。在進化末端，為了提高收斂速度，設置較低的低位變異概率。高位變異概率和低位變異概率分別為公式 (6)、(7)所示。

式中 P0為設置的初始變異概率；Pmax為變異的最大變化范圍值；k為變化率 (20/G，G為最大進化代數)；gx為當前進化的代數；gm為進化的代數中值。

設置P0初始變異概率為0.01，Pmax為0.1，k變化率為0.04(G取值為500)，gm取值為250。代入相應的數值，得到公式 (8)、(9)。高位變異率和低位變異率隨進化代數的變化。

2.2 布谷鳥優化算法

布谷鳥是由于其叫聲類似于 “布谷”而來。布谷鳥算法基于布谷鳥飛行，繁殖特性衍生而來。布谷鳥繁殖主要是寄主形式，將蛋產在其他鳥或者種群的巢中，由寄主進行孵化和育雛。因此，寄生的蛋存在被寄主發現的可能，一旦寄主發現將被拋棄。2009年 Yang和Deb結合萊維飛行 (Levy)，提出了布谷鳥算法。布谷鳥算法支持幾個規則:①布谷鳥一次只產一個蛋，并且隨機選擇寄主巢穴；②最優的蛋和最優的巢將遺留下一代；③寄主巢數量是一定的，且存在寄主發現假蛋概率，一旦發現將被拋棄。

布谷鳥搜尋路徑主要根據Levy飛行，Levy飛行是由法國數學家萊維提出。布谷鳥全局搜索能力和局部搜索能力權衡因子為參數Pa，通常被設定為0.25。這意味著布谷鳥算法用四分之三的時間用于全局搜索，發現最優范圍。用剩余四分之一的時間用于最優范圍內尋找最優結果。全局搜索過程中，位置搜索被描述為公式 (10):

式中g為當前種群進化代數；i為當前種群；α為步長因子。

Yang對Levy(λ)飛行進行傅里葉變換得到Levy(λ)飛行跳躍函數公式 (11):

由于存在被發現概率Pa，因此在搜所的過程中一些鳥巢 (含有布谷鳥蛋)將被寄主發現。被發現的巢將被拋棄，這些巢將被替代為公式(12):

式中gd為當前被拋棄種群進化代數；id為當前被拋棄種群；β為位置因子；jd和ed為任意選擇路徑。

布谷鳥搜尋步驟如下:

步驟1，設置參數初始化。

步驟2，計算各種群及個體的適應度。

步驟3，根據公式 (10)— (12)進行萊維飛行搜索及替代。

步驟4，條件判別，達到則結束，沒有達到則返回步驟2。

布谷鳥算法具有很強的全局搜索能力，同時含有較少的參數，易于控制。但是，布谷鳥算法容易過早地收斂，陷入局部最優，導致尋優結果不精確[7-8]。

3 RNA-CS混合算法

布谷鳥算法具有很強的全局搜索能力，同時含有較少的參數，易于控制。但是，布谷鳥算法容易有過早的收斂，陷入局部最優，導致尋優結果不精確。為了解決布谷鳥算法收斂速度慢和容易陷于局部最優的問題，RNA遺傳算法和CS算法被結合形成一種新的RNA-CS算法。混合算法的目的主要是利用RNA遺傳特性補償布谷鳥算法的缺點。

混合算法為RNA遺傳算法通過其特有的單鏈堿基交叉算子操作，優化布谷鳥算法初始種群。初始種群分為兩個組進行優化，一組初始種群個體采用高、低位變異概率優化萊維飛行特性，優化全局搜索步長，防止其過早收斂步入局部最優。另一組初始種群個體采用RNA遺傳算法進行選擇、交叉、變異后尋得最優結果。最后，兩組最優結果合并得到優化后新的初始種群個體。

RNA-CS混合算法執行步驟如下:

步驟1，算法參數設計初始化。

步驟2，執行RNA遺傳算法中堿基交叉算子，形成初始種群，并計算種群個體適應度。

步驟3，初始種群個體被隨機分成兩組。

步驟4，執行RNA遺傳算法，得到第一組下的最優結果。

步驟5，執行CS操作，并采用RNA遺傳算法高低位變異概率進行萊維飛行優化，得到第二組下的最優結果。

步驟6，結合兩組最優結果，形成新的種群。

步驟7，停止判斷。當達到停止條件時，結束尋優，輸出最優結果。當沒有達到時，返回步驟2。

4 仿真分析

為了驗證所提出RNA-CS混合優化算法，結合某地區風力發電場及光伏發電場進行測試仿真。對其中某一天的風速和輻射每隔15min進行測量，測量結果如圖1—2所示。

圖1 風速測量

圖2 光照輻射度測量

為了對比驗證，采用單獨的基礎遺傳算法(GA)、基礎布谷鳥優化算法 (CS)分別搭建仿真模型。對比輸出功率結果如圖3—4所示。

圖3 風電預測結果對比

圖4 光伏發電預測結果對比

從圖3—4中可以看出，相對于其他兩種模型(GA模型和CS模型)，RNA-CS模型的預測結果更接近實際風電、光伏輸出功率值。

為了進一步對比優化結果，采用均方根誤差eMSE，平均相對誤差eMAPE，絕對誤差σMAPE。計算如下:

式中s為計算值的總個數，此處設定為20。通過計算結果見表1。

表1 對比結果

從表1可以得知，三種預測模型下，RNA-CS模型相對于GA模型和CS模型均方根誤差eMSE，分別低56.15%和62.04%；平均相對誤差eMAP，分別低62.15%和55.03%；絕對誤差σMAPE分別低73.86%和66.97%。

5 結語

RNA-CS混合優化算法子在基礎遺傳算法的基礎上進行優化，以單鏈RNA為迭代運算的基礎。結合了遺傳算法和布谷鳥算法各自的優點，同時互補各自的缺點，更好地權衡全局搜索和局部搜索能力。從仿真結果可以看出，相對于基礎遺傳算法GA和基礎布谷鳥算法CS，其具有較高的精確度。可以作為風電和光伏發電預測的重要手段，有效地提高預測的精準度，更好地提高整個電網的負荷預測能力，提高電網的安全性和穩定性。