基于蟻群算法實現太陽能光伏發(fā)電功率預測*

劉 琳 邱 菊 陳 曦

（1.國網信息通信產業(yè)集團有限公司 北京 100192）（2.北京中電普華信息技術有限公司 北京 100192）（3.北京國網信通埃森哲信息技術有限公司 北京 100000）

1 引言

光伏發(fā)電是可再生供電的重要組成部分，具有間歇性、隨機波動性等特點［1～3］，這些特點容易給電力系統的安全、穩(wěn)定運行帶來威脅。為了進一步提高太陽能光伏發(fā)電功率的利用率，對光伏電站的使用壽命［4～6］進行評估與計算，這也需要檢測出太陽能光伏發(fā)電功率的功率，以便更好地評估光伏電站的性能參數。因此，跟蹤、評估光伏電池輸出的功率是十分必要的。光伏發(fā)電輸出功率容易受到外界多種因素信息的影響，比如電網中產生的電網諧波、導致電壓發(fā)生信息偏離的誤差參數、電網負荷、電磁場影響下的不平衡因素等［7～10］。這就造成了大量的電網潛在故障發(fā)生，當大量的光伏矩陣數據信息被接入配電網后，對電網中的潮流分布、功率損耗、節(jié)點電壓等各個方面也會造成嚴重影響。傳統的配電網方法使得計算速度、精度等均不能滿足大型有源配電網的運行控制要求［11～12］。這就需要一種算法來實現復雜的配網結構。

本文引入一種蟻群算法，其作為優(yōu)化算法能夠解決組合優(yōu)化的問題，該算法根據蟻群覓食行為來演變得出的算法［13～15］，通過模擬螞蟻群體尋找食物過程的優(yōu)化算法來評估太陽能光伏發(fā)電功率，為配網的穩(wěn)定運行提供保障。

2 預測模型體系構架

在《光伏電站接入電網技術規(guī)定》的相關標準中，比如GB/T 14549、GB/T 12325、GB/T 1232、GB/T 15543等中規(guī)定了多個對光伏電站可靠性影響的因素［13～14］，比如公用電網諧波、供電電壓偏差、電壓波動和閃變、電壓不平衡度、時變光照強度、電網故障等因素。這些因素中，每種參數都對光伏發(fā)電功率造成間接或者直接的影響。太陽能光伏矩如圖1所示，光伏之間以串聯和并聯連接的方式實現電流、電壓和功率的輸出，如何評估其輸出功率是本文要解決的技術問題。

圖1 m*n光伏矩陣示意圖

在本文設計中，首先設計出預測模型體系的構架，如圖2所示，在該架構中，由于太陽能光伏發(fā)電是通過大量多個光伏陣列矩陣構成，光伏發(fā)電組成的配電網存在多維、離散、非線性的問題，需要進行優(yōu)化設計。本文采用蟻群算法對輸出功率信號進行優(yōu)化。假設將某個地區(qū)劃分為區(qū)域1、區(qū)域2、區(qū)域N等，以將配電網進行網絡分區(qū)，然后將區(qū)域1、區(qū)域2、區(qū)域N等的數據進行初始化處理，可將區(qū)域1的初始化優(yōu)化解集記作為X1=［x11，x12，…，x1n］，將區(qū)域2的初始化優(yōu)化解集記作為X2=［x21，x22，…，x2n］，將區(qū)域N的初始化優(yōu)化解集記作為XN=［xN1，xN2，…，xNn］，其中光伏發(fā)電輸出電流和電壓之間的關系為

圖2 預測模型體系構架

光伏發(fā)電輸出功率和輸出電壓之間的關系為

在式（1）中，Ipv為光伏發(fā)電輸出電流，Isc為光生電流，IO為二極管飽和電流，q為1.6*10-19C的電子電荷，Rb為光伏電池并聯電阻，Rs為光伏電池串聯電阻，Ib為并聯電阻電流，U為光伏電池輸出電壓，A為光伏電池特性因子，Ka為波爾茲曼常數，其值為1.38*10-23J/K，T為光伏電池工作時的溫度。在實際工作時，最大輸出功率Pmax=300Wp；最佳工作電壓Ump=32.5V，最佳工作電流=9.08A；開路電壓Uoc=38.4V；短路電流Is=9.62A。

功率輸出特性還容易受周圍環(huán)境的影響，除了上文提到的因素之外，功率輸出特性還受光照等條件的影響。上述功率輸出信息輸出后，進行信息融合，然后利用蟻群算法實現對太陽能光伏發(fā)電功率的預測、評估，蟻群算法具有隨機分布的特點，該特性能夠彌補網絡的流量負載、設備能耗的不定性等，在進行算法計算時，螞蟻元素數據包能夠實時探測光伏發(fā)電配電網周圍的網絡環(huán)境，然后再根據探測到的網絡狀態(tài)信息情況，進一步地選擇比較合適的信息傳輸鏈路，最終以啟發(fā)式的方式構建信息傳遞巡游路徑，由于信息鏈路路徑的自組織性，尤其是在帶有節(jié)能機制的信息傳輸網絡中，采用蟻群算法不容易改變信息傳輸網絡的能耗狀態(tài)。使得網絡損耗較少，保證了信息傳遞的穩(wěn)定性。通過遺傳算法的數據通過計算機處理系統傳遞到遠程無線監(jiān)控系統，供更高一個層次的管理中心或者管理人員進行處理。下文將詳細介紹蟻群算法。

3 蟻群算法

下面結合蟻群算法對本實施步驟進行說明，在應用函數計算時，目標函數的解為輸出功率，設輸出功率函數y=f（x），將其范圍定義為（0，Up），根據光伏發(fā)電的光輸出特性，在利用光伏陣列（xi，yi）進行輸出功率時，可以通過取值其最值，比如最大值和最小值，極大值記作為xi+1。

為了提高這些功率的分布效率，將這些極大值分布式分散，通過記錄區(qū)域1、區(qū)域2和區(qū)域N，以分布式分布在這些區(qū)域內，極大值點構成為N=xi+1，為了提高這些區(qū)域計算能力，通過Oi來表示，令i=1，2，3，…，M，則每個子區(qū)域可以借助于長度長度公式來表示，則有：

然后，在這個邊界范圍內對光伏發(fā)電的功率進行評估。啟動蟻群算法模型時，還要對TSP問題進行示例性說明，如圖3所示。

圖3 多個查詢節(jié)點路徑連接示意圖

在圖3中，假設令每個圓圈表示一個查詢節(jié)點，再將查詢節(jié)點與查詢節(jié)點之間的距離用E（i，j）來表示，其中，1≤i≤n，1≤j≤n，TSP的主要目的在于將尋找問題遍歷每個查詢節(jié)點的路徑，使查詢路徑成本最低。下面介紹幾個公式。

信息濃度的修正公式：

其中：

其中，ρ表示在信息查詢過程中，設置的信息殘留具有的系數大小，該系數大小能夠表示出路徑查詢能力，1-ρ表示在設置的時間區(qū)間（t，t+n）內，螞蟻元素在進行信息查詢過程中，信息元素具有信息素的揮發(fā)程度。

下面再引出第m只螞蟻從查詢節(jié)點i向查詢節(jié)點運動的轉移概率，該概率公式為

其中δ表示信息元素在應用過程中，能夠穿透外界故障元素可以看到的能見度因數，通過數學表達的形式可以記作為查詢節(jié)點之間的距離的倒數；α表示蟻群元素在應用過程中，輸出信息素濃度相對重要參數；β表示能見度因數與外界故障數據信息因素相比時，具有的無障礙因素影響能力；Node表示在與查詢節(jié)點i連接時，具有的節(jié)點標識。并且螞蟻尚未游走過的查詢節(jié)點的集合。基于上述介紹，下面介紹蟻群算法實施的具體過程，如圖4所示。

圖4 蟻群算法流程示意圖

1）初始化；將功率信息初始化，初始化總群，設y（t）=ymax，并且將所有螞蟻元素矩陣的所有元素初始化為0，將該起始位置通過隨機選擇的方式對每個螞蟻元素和節(jié)點信息進行選擇。

2）將m只螞蟻隨機放置在n個查詢節(jié)點上，令循環(huán)次數為Nc，按Nc+1的順序進行循環(huán)。

3）設定螞蟻元素禁忌表索引號k=1，通過k+1進行循環(huán)；

4）根據式（7）狀態(tài)轉移概率公式計算螞蟻選擇查詢節(jié)點j的概率；

5）選擇各種數據信息參數，將最大狀態(tài)轉移概率的查詢節(jié)點通過不同形式的查詢方式實現數據信息查詢，將不同螞蟻元素按照不同數據屬性轉移到查詢節(jié)點，查詢一個，記錄一個，存儲一個，分別將查詢到的不同數據信息記錄到禁忌表中。

6）判斷，如果訪問完集合中的所有查詢節(jié)點，k

7）然后核對終止條件，檢查是否滿足終止條件，如果滿足終止條件，則進行進一步操作。

8）判斷是否形成新的群體，如果要形成新的群體，則重新對信息素矩陣進行更新。

9）判斷是否滿足終止遺傳條件，當滿足終止遺傳條件時，則輸出計算結果。

10）輸出當前群體中的最優(yōu)解并存儲。

在上述步驟中，通過蟻群算法的迭代運算搜索最優(yōu)解，在一些情況下，能夠在迭代很少次數便可找到最優(yōu)解，在一些情況下，直到迭代到最大次數才找到最優(yōu)解，在應用蟻群算法時，最優(yōu)的個體適應值結合最大的迭代次數能夠在已知范圍內進行自適應地尋找，在不斷的迭代計算過程中，假設仍舊未找出合適的功率輸出路徑，本系統能夠保留較小的解，而此時的輸出，即為當前蟻群計算的最優(yōu)解。

4 仿真分析

本文基于Matlab2013b仿真軟件進行仿真與驗證，首先，在Matlab2013b軟件上建立基于Sim ulink—Function的光伏陣列發(fā)電的仿真模型。如圖5所示。本文采用（5×10）光伏陣列樣品進行試驗，光伏組件的工作參數：P=300Wp；電壓U=32.5V；電流=9.08A；開路電壓=38.4V；短路電流=9.62A。在仿真圖中，仿真參數電容C1=200μF；電容C2=500μF；電感L=30mH；負載R=30Ω；載波頻率PWM=30kHz。

圖5 基于Simulink仿真模型圖

基于上文介紹，蟻群算法的種群規(guī)模選擇為100，將交叉算子的發(fā)生率設置為0.68，將模型中的數據信息量不斷進行更新，其系數設置為0.8，當通過蟻群算法計算完畢后，設置的迭代進化代數可以記作為100。計算完畢后，模型參數輸出的平均輸出功率為7500W，對比示意表如表1所示。

表1 采用蟻群算法樣本輸出的平均功率對比表

通過上述數據可知，采用蟻群算法的平均功率更接近實際輸出的平均值。并且穩(wěn)定性能較好。采用蟻群算法的仿真曲線圖如圖6所示。

圖6 基于Simulink仿真模型圖

由仿真結果可知，當設定終止代數為100時，采用遺傳蟻群算法的光伏發(fā)電輸出功率已經趨于穩(wěn)定，在每次迭代計算時間，就會接近功率平均輸出值，然后隨著每次逼近，輸出功率逐漸趨近于最大功率。計算過程中，在尋優(yōu)精度上，采用遺傳蟻群算法使得計算結果更加容易趨近于理想值。

通過使用本文設計的方案，用戶可能正確地評估太陽能光伏發(fā)電輸出功率，增加了光伏電站的可靠性，能夠將每個太陽能光伏矩陣實現電力輸出，電能工作效率大大提高，約10%以上。太陽能利用率也大大提高。

5 結語

本文采用蟻群算法實現對太陽能發(fā)電功率輸出的評估，提高了功率輸出的優(yōu)化能力，通過建立仿真模型，驗證了這種蟻群算法的有效性，使得用戶能夠快速找到全局最大功率。根據該算法，用戶能夠恰當地評估光伏發(fā)電功率的輸出，有效地降低網絡損耗，均勻分布線路上的負荷，從而提升節(jié)點電壓，改善配電網的運行狀況、提高配電網的安全性。

通過預算分析，本文提出的方案具有一定的經濟價值，能有效地縮減企業(yè)的生產成本，具有明顯的經濟效益。