基于改進支持向量機的軌道交通光伏發電預測

黃元生田立霞孫仕澤鄧佳佳趙恒鳳

(1.華北電力大學 經濟與管理學院,河北 保定 071003；2.國家電網有限公司交流建設公司,北京100052；3.中國石油華北石化公司,河北 任丘 062552)

隨著經濟的快速發展,人們對能源的需求日益增加,與之伴隨而來的是環境污染、傳統能源日益枯竭.大力開發可再生無污染的新能源,已逐漸得到社會的認可.在眾多新能源中,太陽能不但清潔無污染,而且儲量豐富.近年來,太陽光伏發電技術逐漸成熟.截至2019年年底,光伏發電累計裝機量達到2.043×108k W,同比增長17.3%.光伏發電量達2.243×1011k W·h,同比增長26.3%,光伏利用1 169 h,同比增長54 h.然而,每年中國都存在著大量的棄光,2019年全中國棄光電量達4.6×109k W·h時,其中,西藏、新疆、青海的棄光率分別達到24.1%、7.4%、7.2%,棄光電量分別達到2.651 0×105、7.703 4×105、7.927 2×105k W·h.

中國鐵路運輸系統作為電網的大用戶,2016年用電量可以高達4.0×1010k W·h[1].隨著時間的推移,中國鐵路電氣化營業里程仍在快速增長,如圖1所示(數據來源于國家鐵路局).截至2019年末,中國電氣化里程已達到1×105km,超過全國鐵路營業里程的70%.在這一背景下,中國鐵路運輸系統對電力的需求還在不斷提升.

圖1 中國鐵路營業里程Fig.1 Operating mileage of Chinese railways

近年來,基于光伏發電的清潔環保、安裝成本低、可操作性強等特點,光伏發電已被廣泛應用.軌道交通站點屋頂、車道旁等具有大面積的空閑地帶,這為安裝光伏電池板進行光伏發電供軌道交通使用提供了地理優勢.本文將光伏發電引入軌道交通牽引供電系統,對光伏發電產業來講,不但可以推進光伏發電的普及與應用,而且還可以減少棄光；對軌道交通來講,不但可以減少軌道交通對煤電的需求,減少環境污染,而且還可以降低軌道交通系統的運行成本.但因光伏發電具有隨機性、波動性,光伏發電并入軌道交通供電系統時會為交通供電系統帶來一系列的沖擊.因此,精確地預測光伏發電量是十分有意義的.

1 研究現狀

1.1 光伏發電應用于軌道交通系統的研究現狀

光伏發電產業是中國乃至全球大力扶持的新能源產業,軌道交通作為用電大戶,引入零碳排放的光伏發電,可以更高效地實現節能減排的目標[2].在鐵路站點、沿線等地具有大量的空閑面積,如果在這些空閑面積上安裝光伏電池板,不但可以增加綠色清潔能源的使用,而且可以降低鐵路系統的用電成本.

王振海等[3-6]從城市軌道交通、鐵路等角度展開研究,研究發現軌道交通供電系統中引入光伏發電具有很大可行性.周超[7]探討了將太陽能光伏發電應用到城市軌道交通的必要性.

樊軍艷等[8-9]以中國太陽輻射量最小的地區——重慶為例展開研究,采用站點屋頂鋪設光伏板的方式進行系統供電.研究發現光伏發電系統引入軌道交通供電系統的經濟、環境效益都很好.因此在中國其他太陽輻射量大的區域,光伏發電與軌道交通供電系統并網具有可發展的空間.

周超等[10-11]分別以深圳地鐵6號線、廣州地鐵魚珠車輛段為例,在車站屋頂鋪設光伏電池板,研究發現將光伏發電引入軌道交通運營產生的經濟效益比較顯著.

王國富等[12]以光伏發電系統接入濟南R1線高架車站為例,對光伏電池板的擺放傾角進行研究,研究發現傾角為12°時,光伏發電系統項目的經濟效益、社會效益較好,且光伏板的安裝傾角不同時,其項目凈現值和投資回收期不同.

鄭欣等[13]以上海城市軌道交通為例,論證了光伏發電和軌道交通相結合的意義,不但可以節約能源,而且還具有很好的經濟、環保、社會效益.

光伏發電與軌道交通供電系統的結合方式主要有:1)光伏發電供交通車站使用,如供站點內的空調、照明[14]、電梯[15]等使用；2)光伏發電供電力機車牽引供電[16]使用；3)將光伏電池裝在機車上,供機車使用[17].在結合的過程中,諸多學者主要針對接入方式[18]、接入后對原系統的影響[19]進行了研究.鄧文麗等[20-21]研究發現采用光伏儲能型的接入方式時系統供電可靠性較高.

1.2 光伏發電預測的研究現狀

光伏發電主要是將太陽光能轉化為電能的一種發電技術,發電量與日照時間、日照強度等直接相關.所以光伏發電具有隨機性、不穩定性.當光伏發電并網時,將直接影響接入系統電能質量及其穩定性.提高光伏發電預測的準確性是保障并網時電網穩定運行的關鍵[22].

舒勝等[23]將光伏發電預測的方法大致分為直接預測法和間接預測法.

直接預測法,即直接預測光伏發電量.如使用BP神經網絡[24]、序數回歸核極限學習機(kernel extreme learning machine,KELM)[25].Dou等[26]提出了一種基于Elman神經網絡的關聯規則和核主成分分析(KPCA)的光伏發電預測方法.Wang等[27]提出了一種混合深度學習模型(LSTM-convolutional network)并將其應用于光伏發電預測.Zhang等[28]提出并驗證了一種基于深度學習的新穎的光伏發電預測方法.Gao等[29-30]提出在不同的天氣條件,光伏發電預測的方法不同:在理想的天氣條件下,可以使用長短期記憶(long short term memory,LSTM)模型；在不理想的天氣條件下,可以使用離散灰色模型(discrete grey model,DGM)和LSTM 結合的模型預測光伏發電量.Sharadga等[31]提到光伏發電預測的關鍵是時間序列分析,而神經網絡要比統計模型更精確,耗時更少.

間接預測法,即通過預測太陽輻射的情況和光伏系統的其他氣象變量來估算光伏系統的輸出功率[32].張玉等[33-34]從影響光伏發電的太陽輻射量、溫度等因素開展光伏發電的預測.

光伏發電廠的選址和光伏電池板的排列對光伏發電效率具有很大的影響.Rediske等[35]采用GIS-MCDM 相結合的方法,建立了大型光伏發電站的選址模型.其中,采用AHP方法對選址的影響因素進行加權,并使用TOSIS法對替代方案進行排序.Lukac等[36]研究發現使用全局優化的方法在建筑物屋頂大規模放置光伏電池板發電效果較佳.

2 光伏發電負荷預測模型

本文在將光伏發電引入軌道交通應用時,采用直接預測方法對光伏發電進行預測.Sharadga等[31]提到用神經網絡模型預測光伏發電要比統計模型更精確,耗時更少.所以本文采用改進后的最小二乘支持向量機對某光伏發電站采集到的歷史光伏發電出力等數據進行分析,進而預測未來一天的光伏發電量.

2.1 最小二乘支持向量機

支持向量機(support vector machine,SVM)由Vapnik于1995年首先提出[37].SVM 是一種新型機器學習算法.Suykens于1999年首次將最小二乘法(least squares,LS)引入SVM,提出了最小二乘支持向量機(least squares support vector machine,LSSVM)[38].LSSVM 在訓練的復雜度、訓練效率方面遠好于傳統SVM.本文采用LSSVM 算法求解光伏發電預測問題.

LSSVM 預測函數如式(1)所示:

其中,xi為第i個輸入向量；y(x)為輸出函數；b為截距；a為拉格朗日乘子,ai∈R,a=[a1,a2,…,an]；k(x,xi)為核函數.

2.2 自適應粒子群(APSO)算法

Kennedy在1995年提出了粒子群優化(particle swarm optimization,PSO)算法[39].在PSO 算法中,對參數的數量要求不高,并且計算時收斂速度較快.基于PSO 算法,本文采用了自適應粒子群(adaptive particle swarm optimization,APSO)算法,即讓PSO 算法中的慣性權重ω根據其當前的適應值自行調整,從而平衡了算法的全局搜索和局部搜索能力[40].

在d維空間中,粒子i的速度向量Vi和位置向量Xi如下所示:

經過數次迭代,達到全局最優時,第i個粒子的速度方程和位置方程如下所示:

其中,ωmax為預設的最大權重；ωmin為預設的最小權重；f為粒子當前的適應度值；favg為粒子的平均適應度值；fmin為粒子的最小適應度值.

2.3 APSO-LSSVM 模型

由2.1可知,核函數的選用對LSSVM 模型起著至關重要的作用.結合光伏發電的不穩定性的特點,本文選用RBF函數作核函數.

其中,(r,σ2)為該LSSVM 模型的參數；Pibest為粒子i的最優位置；PGbest為整個粒子群的全局最優位置.

由2.2可知,APSO 算法可以優化尋優的過程,所以本文選用APSO-LSSVM 模型.

3 求解算法

APSO-LSSVM 模型的求解,主要包括以下4步:

1)原始數據進行歸一化預處理；

2)利用自適應粒子群算法(APSO)尋找最優參數,其中,適應度函數

3)代入最小二乘支持向量機(LSSVM)預測模型,進行求解；

4)將求得的結果進行反歸一化處理,得到原始數據的預測值.

4 算例分析

本文以某光伏發電站為例,自2014年1月1日起,每間隔10 min采集1次天氣情況和光伏發電量,連續采集207 d采集結果如圖2所示.采用改進后的LSSVM 模型進行預測,預測結果如圖3所示.

圖2 訓練樣本光伏發電量Fig.2 Photovoltaic power generation of training sample

圖3 預測光伏發電量Fig.3 Forecast of photovoltaic power generation

5 總結

本文將光伏發電引入軌道交通供電系統中,一方面降低了軌道交通的運營成本,另一方面達到了節能環保的目的.但因光伏發電具有隨機性、不確定性,將光伏發電直接接入軌道交通供電系統,將會對軌道交通供電系統帶來一定的沖擊.本文采用自適應粒子群算法提高了訓練光伏發電歷史數據時粒子的尋優能力,然后將優化后的參數代入最小二乘支持向量機對光伏發電量進行了預測,有效地保證了預測的精度,進而提高光伏發電接入軌道交通供電系統時的穩定性.