基于改進(jìn)支持向量機(jī)的軌道交通光伏發(fā)電預(yù)測(cè)

黃元生田立霞孫仕澤鄧佳佳趙恒鳳

(1.華北電力大學(xué) 經(jīng)濟(jì)與管理學(xué)院,河北 保定 071003；2.國(guó)家電網(wǎng)有限公司交流建設(shè)公司,北京100052；3.中國(guó)石油華北石化公司,河北 任丘 062552)

隨著經(jīng)濟(jì)的快速發(fā)展,人們對(duì)能源的需求日益增加,與之伴隨而來(lái)的是環(huán)境污染、傳統(tǒng)能源日益枯竭.大力開(kāi)發(fā)可再生無(wú)污染的新能源,已逐漸得到社會(huì)的認(rèn)可.在眾多新能源中,太陽(yáng)能不但清潔無(wú)污染,而且儲(chǔ)量豐富.近年來(lái),太陽(yáng)光伏發(fā)電技術(shù)逐漸成熟.截至2019年年底,光伏發(fā)電累計(jì)裝機(jī)量達(dá)到2.043×108k W,同比增長(zhǎng)17.3%.光伏發(fā)電量達(dá)2.243×1011k W·h,同比增長(zhǎng)26.3%,光伏利用1 169 h,同比增長(zhǎng)54 h.然而,每年中國(guó)都存在著大量的棄光,2019年全中國(guó)棄光電量達(dá)4.6×109k W·h時(shí),其中,西藏、新疆、青海的棄光率分別達(dá)到24.1%、7.4%、7.2%,棄光電量分別達(dá)到2.651 0×105、7.703 4×105、7.927 2×105k W·h.

中國(guó)鐵路運(yùn)輸系統(tǒng)作為電網(wǎng)的大用戶(hù),2016年用電量可以高達(dá)4.0×1010k W·h[1].隨著時(shí)間的推移,中國(guó)鐵路電氣化營(yíng)業(yè)里程仍在快速增長(zhǎng),如圖1所示(數(shù)據(jù)來(lái)源于國(guó)家鐵路局).截至2019年末,中國(guó)電氣化里程已達(dá)到1×105km,超過(guò)全國(guó)鐵路營(yíng)業(yè)里程的70%.在這一背景下,中國(guó)鐵路運(yùn)輸系統(tǒng)對(duì)電力的需求還在不斷提升.

圖1 中國(guó)鐵路營(yíng)業(yè)里程Fig.1 Operating mileage of Chinese railways

近年來(lái),基于光伏發(fā)電的清潔環(huán)保、安裝成本低、可操作性強(qiáng)等特點(diǎn),光伏發(fā)電已被廣泛應(yīng)用.軌道交通站點(diǎn)屋頂、車(chē)道旁等具有大面積的空閑地帶,這為安裝光伏電池板進(jìn)行光伏發(fā)電供軌道交通使用提供了地理優(yōu)勢(shì).本文將光伏發(fā)電引入軌道交通牽引供電系統(tǒng),對(duì)光伏發(fā)電產(chǎn)業(yè)來(lái)講,不但可以推進(jìn)光伏發(fā)電的普及與應(yīng)用,而且還可以減少棄光；對(duì)軌道交通來(lái)講,不但可以減少軌道交通對(duì)煤電的需求,減少環(huán)境污染,而且還可以降低軌道交通系統(tǒng)的運(yùn)行成本.但因光伏發(fā)電具有隨機(jī)性、波動(dòng)性,光伏發(fā)電并入軌道交通供電系統(tǒng)時(shí)會(huì)為交通供電系統(tǒng)帶來(lái)一系列的沖擊.因此,精確地預(yù)測(cè)光伏發(fā)電量是十分有意義的.

1 研究現(xiàn)狀

1.1 光伏發(fā)電應(yīng)用于軌道交通系統(tǒng)的研究現(xiàn)狀

光伏發(fā)電產(chǎn)業(yè)是中國(guó)乃至全球大力扶持的新能源產(chǎn)業(yè),軌道交通作為用電大戶(hù),引入零碳排放的光伏發(fā)電,可以更高效地實(shí)現(xiàn)節(jié)能減排的目標(biāo)[2].在鐵路站點(diǎn)、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(tǒng)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(kāi)研究,研究發(fā)現(xiàn)軌道交通供電系統(tǒng)中引入光伏發(fā)電具有很大可行性.周超[7]探討了將太陽(yáng)能光伏發(fā)電應(yīng)用到城市軌道交通的必要性.

樊軍艷等[8-9]以中國(guó)太陽(yáng)輻射量最小的地區(qū)——重慶為例展開(kāi)研究,采用站點(diǎn)屋頂鋪設(shè)光伏板的方式進(jìn)行系統(tǒng)供電.研究發(fā)現(xiàn)光伏發(fā)電系統(tǒng)引入軌道交通供電系統(tǒng)的經(jīng)濟(jì)、環(huán)境效益都很好.因此在中國(guó)其他太陽(yáng)輻射量大的區(qū)域,光伏發(fā)電與軌道交通供電系統(tǒng)并網(wǎng)具有可發(fā)展的空間.

周超等[10-11]分別以深圳地鐵6號(hào)線、廣州地鐵魚(yú)珠車(chē)輛段為例,在車(chē)站屋頂鋪設(shè)光伏電池板,研究發(fā)現(xiàn)將光伏發(fā)電引入軌道交通運(yùn)營(yíng)產(chǎn)生的經(jīng)濟(jì)效益比較顯著.

王國(guó)富等[12]以光伏發(fā)電系統(tǒng)接入濟(jì)南R1線高架車(chē)站為例,對(duì)光伏電池板的擺放傾角進(jìn)行研究,研究發(fā)現(xiàn)傾角為12°時(shí),光伏發(fā)電系統(tǒng)項(xiàng)目的經(jīng)濟(jì)效益、社會(huì)效益較好,且光伏板的安裝傾角不同時(shí),其項(xiàng)目?jī)衄F(xiàn)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(fā)電和軌道交通相結(jié)合的意義,不但可以節(jié)約能源,而且還具有很好的經(jīng)濟(jì)、環(huán)保、社會(huì)效益.

光伏發(fā)電與軌道交通供電系統(tǒng)的結(jié)合方式主要有:1)光伏發(fā)電供交通車(chē)站使用,如供站點(diǎn)內(nèi)的空調(diào)、照明[14]、電梯[15]等使用；2)光伏發(fā)電供電力機(jī)車(chē)牽引供電[16]使用；3)將光伏電池裝在機(jī)車(chē)上,供機(jī)車(chē)使用[17].在結(jié)合的過(guò)程中,諸多學(xué)者主要針對(duì)接入方式[18]、接入后對(duì)原系統(tǒng)的影響[19]進(jìn)行了研究.鄧文麗等[20-21]研究發(fā)現(xiàn)采用光伏儲(chǔ)能型的接入方式時(shí)系統(tǒng)供電可靠性較高.

1.2 光伏發(fā)電預(yù)測(cè)的研究現(xiàn)狀

光伏發(fā)電主要是將太陽(yáng)光能轉(zhuǎn)化為電能的一種發(fā)電技術(shù),發(fā)電量與日照時(shí)間、日照強(qiáng)度等直接相關(guān).所以光伏發(fā)電具有隨機(jī)性、不穩(wěn)定性.當(dāng)光伏發(fā)電并網(wǎng)時(shí),將直接影響接入系統(tǒng)電能質(zhì)量及其穩(wěn)定性.提高光伏發(fā)電預(yù)測(cè)的準(zhǔn)確性是保障并網(wǎng)時(shí)電網(wǎng)穩(wěn)定運(yùn)行的關(guān)鍵[22].

舒勝等[23]將光伏發(fā)電預(yù)測(cè)的方法大致分為直接預(yù)測(cè)法和間接預(yù)測(cè)法.

直接預(yù)測(cè)法,即直接預(yù)測(cè)光伏發(fā)電量.如使用BP神經(jīng)網(wǎng)絡(luò)[24]、序數(shù)回歸核極限學(xué)習(xí)機(jī)(kernel extreme learning machine,KELM)[25].Dou等[26]提出了一種基于Elman神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)規(guī)則和核主成分分析(KPCA)的光伏發(fā)電預(yù)測(cè)方法.Wang等[27]提出了一種混合深度學(xué)習(xí)模型(LSTM-convolutional network)并將其應(yīng)用于光伏發(fā)電預(yù)測(cè).Zhang等[28]提出并驗(yàn)證了一種基于深度學(xué)習(xí)的新穎的光伏發(fā)電預(yù)測(cè)方法.Gao等[29-30]提出在不同的天氣條件,光伏發(fā)電預(yù)測(cè)的方法不同:在理想的天氣條件下,可以使用長(zhǎng)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(jié)合的模型預(yù)測(cè)光伏發(fā)電量.Sharadga等[31]提到光伏發(fā)電預(yù)測(cè)的關(guān)鍵是時(shí)間序列分析,而神經(jīng)網(wǎng)絡(luò)要比統(tǒng)計(jì)模型更精確,耗時(shí)更少.

間接預(yù)測(cè)法,即通過(guò)預(yù)測(cè)太陽(yáng)輻射的情況和光伏系統(tǒng)的其他氣象變量來(lái)估算光伏系統(tǒng)的輸出功率[32].張玉等[33-34]從影響光伏發(fā)電的太陽(yáng)輻射量、溫度等因素開(kāi)展光伏發(fā)電的預(yù)測(cè).

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

2 光伏發(fā)電負(fù)荷預(yù)測(cè)模型

本文在將光伏發(fā)電引入軌道交通應(yīng)用時(shí),采用直接預(yù)測(cè)方法對(duì)光伏發(fā)電進(jìn)行預(yù)測(cè).Sharadga等[31]提到用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)光伏發(fā)電要比統(tǒng)計(jì)模型更精確,耗時(shí)更少.所以本文采用改進(jìn)后的最小二乘支持向量機(jī)對(duì)某光伏發(fā)電站采集到的歷史光伏發(fā)電出力等數(shù)據(jù)進(jìn)行分析,進(jìn)而預(yù)測(cè)未來(lái)一天的光伏發(fā)電量.

2.1 最小二乘支持向量機(jī)

支持向量機(jī)(support vector machine,SVM)由Vapnik于1995年首先提出[37].SVM 是一種新型機(jī)器學(xué)習(xí)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(jī)(least squares support vector machine,LSSVM)[38].LSSVM 在訓(xùn)練的復(fù)雜度、訓(xùn)練效率方面遠(yuǎn)好于傳統(tǒng)SVM.本文采用LSSVM 算法求解光伏發(fā)電預(yù)測(cè)問(wèn)題.

LSSVM 預(yù)測(cè)函數(shù)如式(1)所示:

其中,xi為第i個(gè)輸入向量；y(x)為輸出函數(shù)；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(shù).

2.2 自適應(yīng)粒子群(APSO)算法

Kennedy在1995年提出了粒子群優(yōu)化(particle swarm optimization,PSO)算法[39].在PSO 算法中,對(duì)參數(shù)的數(shù)量要求不高,并且計(jì)算時(shí)收斂速度較快.基于PSO 算法,本文采用了自適應(yīng)粒子群(adaptive particle swarm optimization,APSO)算法,即讓PSO 算法中的慣性權(quán)重ω根據(jù)其當(dāng)前的適應(yīng)值自行調(diào)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(jīng)過(guò)數(shù)次迭代,達(dá)到全局最優(yōu)時(shí),第i個(gè)粒子的速度方程和位置方程如下所示:

其中,ωmax為預(yù)設(shè)的最大權(quán)重；ωmin為預(yù)設(shè)的最小權(quán)重；f為粒子當(dāng)前的適應(yīng)度值；favg為粒子的平均適應(yīng)度值；fmin為粒子的最小適應(yīng)度值.

2.3 APSO-LSSVM 模型

由2.1可知,核函數(shù)的選用對(duì)LSSVM 模型起著至關(guān)重要的作用.結(jié)合光伏發(fā)電的不穩(wěn)定性的特點(diǎn),本文選用RBF函數(shù)作核函數(shù).

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

由2.2可知,APSO 算法可以?xún)?yōu)化尋優(yōu)的過(guò)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(shù)據(jù)進(jìn)行歸一化預(yù)處理；

2)利用自適應(yīng)粒子群算法(APSO)尋找最優(yōu)參數(shù),其中,適應(yīng)度函數(shù)

3)代入最小二乘支持向量機(jī)(LSSVM)預(yù)測(cè)模型,進(jìn)行求解；

4)將求得的結(jié)果進(jìn)行反歸一化處理,得到原始數(shù)據(jù)的預(yù)測(cè)值.

4 算例分析

本文以某光伏發(fā)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(fā)電量,連續(xù)采集207 d采集結(jié)果如圖2所示.采用改進(jìn)后的LSSVM 模型進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果如圖3所示.

圖2 訓(xùn)練樣本光伏發(fā)電量Fig.2 Photovoltaic power generation of training sample

圖3 預(yù)測(cè)光伏發(fā)電量Fig.3 Forecast of photovoltaic power generation

5 總結(jié)

本文將光伏發(fā)電引入軌道交通供電系統(tǒng)中,一方面降低了軌道交通的運(yùn)營(yíng)成本,另一方面達(dá)到了節(jié)能環(huán)保的目的.但因光伏發(fā)電具有隨機(jī)性、不確定性,將光伏發(fā)電直接接入軌道交通供電系統(tǒng),將會(huì)對(duì)軌道交通供電系統(tǒng)帶來(lái)一定的沖擊.本文采用自適應(yīng)粒子群算法提高了訓(xùn)練光伏發(fā)電歷史數(shù)據(jù)時(shí)粒子的尋優(yōu)能力,然后將優(yōu)化后的參數(shù)代入最小二乘支持向量機(jī)對(duì)光伏發(fā)電量進(jìn)行了預(yù)測(cè),有效地保證了預(yù)測(cè)的精度,進(jìn)而提高光伏發(fā)電接入軌道交通供電系統(tǒng)時(shí)的穩(wěn)定性.