基于改进支持向量机的轨道交通光伏发电预测

黄元生田立霞孙仕泽邓佳佳赵恒凤

(1.华北电力大学 经济与管理学院,河北 保定 071003；2.国家电网有限公司交流建设公司,北京100052；3.中国石油华北石化公司,河北 任丘 062552)

随着经济的快速发展,人们对能源的需求日益增加,与之伴随而来的是环境污染、传统能源日益枯竭.大力开发可再生无污染的新能源,已逐渐得到社会的认可.在众多新能源中,太阳能不但清洁无污染,而且储量丰富.近年来,太阳光伏发电技术逐渐成熟.截至2019年年底,光伏发电累计装机量达到2.043×108k W,同比增长17.3%.光伏发电量达2.243×1011k W·h,同比增长26.3%,光伏利用1 169 h,同比增长54 h.然而,每年中国都存在着大量的弃光,2019年全中国弃光电量达4.6×109k W·h时,其中,西藏、新疆、青海的弃光率分别达到24.1%、7.4%、7.2%,弃光电量分别达到2.651 0×105、7.703 4×105、7.927 2×105k W·h.

中国铁路运输系统作为电网的大用户,2016年用电量可以高达4.0×1010k W·h[1].随着时间的推移,中国铁路电气化营业里程仍在快速增长,如图1所示(数据来源于国家铁路局).截至2019年末,中国电气化里程已达到1×105km,超过全国铁路营业里程的70%.在这一背景下,中国铁路运输系统对电力的需求还在不断提升.

图1 中国铁路营业里程Fig.1 Operating mileage of Chinese railways

近年来,基于光伏发电的清洁环保、安装成本低、可操作性强等特点,光伏发电已被广泛应用.轨道交通站点屋顶、车道旁等具有大面积的空闲地带,这为安装光伏电池板进行光伏发电供轨道交通使用提供了地理优势.本文将光伏发电引入轨道交通牵引供电系统,对光伏发电产业来讲,不但可以推进光伏发电的普及与应用,而且还可以减少弃光；对轨道交通来讲,不但可以减少轨道交通对煤电的需求,减少环境污染,而且还可以降低轨道交通系统的运行成本.但因光伏发电具有随机性、波动性,光伏发电并入轨道交通供电系统时会为交通供电系统带来一系列的冲击.因此,精确地预测光伏发电量是十分有意义的.

1 研究现状

1.1 光伏发电应用于轨道交通系统的研究现状

光伏发电产业是中国乃至全球大力扶持的新能源产业,轨道交通作为用电大户,引入零碳排放的光伏发电,可以更高效地实现节能减排的目标[2].在铁路站点、沿线等地具有大量的空闲面积,如果在这些空闲面积上安装光伏电池板,不但可以增加绿色清洁能源的使用,而且可以降低铁路系统的用电成本.

王振海等[3-6]从城市轨道交通、铁路等角度展开研究,研究发现轨道交通供电系统中引入光伏发电具有很大可行性.周超[7]探讨了将太阳能光伏发电应用到城市轨道交通的必要性.

樊军艳等[8-9]以中国太阳辐射量最小的地区——重庆为例展开研究,采用站点屋顶铺设光伏板的方式进行系统供电.研究发现光伏发电系统引入轨道交通供电系统的经济、环境效益都很好.因此在中国其他太阳辐射量大的区域,光伏发电与轨道交通供电系统并网具有可发展的空间.

周超等[10-11]分别以深圳地铁6号线、广州地铁鱼珠车辆段为例,在车站屋顶铺设光伏电池板,研究发现将光伏发电引入轨道交通运营产生的经济效益比较显著.

王国富等[12]以光伏发电系统接入济南R1线高架车站为例,对光伏电池板的摆放倾角进行研究,研究发现倾角为12°时,光伏发电系统项目的经济效益、社会效益较好,且光伏板的安装倾角不同时,其项目净现值和投资回收期不同.

郑欣等[13]以上海城市轨道交通为例,论证了光伏发电和轨道交通相结合的意义,不但可以节约能源,而且还具有很好的经济、环保、社会效益.

光伏发电与轨道交通供电系统的结合方式主要有:1)光伏发电供交通车站使用,如供站点内的空调、照明[14]、电梯[15]等使用；2)光伏发电供电力机车牵引供电[16]使用；3)将光伏电池装在机车上,供机车使用[17].在结合的过程中,诸多学者主要针对接入方式[18]、接入后对原系统的影响[19]进行了研究.邓文丽等[20-21]研究发现采用光伏储能型的接入方式时系统供电可靠性较高.

1.2 光伏发电预测的研究现状

光伏发电主要是将太阳光能转化为电能的一种发电技术,发电量与日照时间、日照强度等直接相关.所以光伏发电具有随机性、不稳定性.当光伏发电并网时,将直接影响接入系统电能质量及其稳定性.提高光伏发电预测的准确性是保障并网时电网稳定运行的关键[22].

舒胜等[23]将光伏发电预测的方法大致分为直接预测法和间接预测法.

直接预测法,即直接预测光伏发电量.如使用BP神经网络[24]、序数回归核极限学习机(kernel extreme learning machine,KELM)[25].Dou等[26]提出了一种基于Elman神经网络的关联规则和核主成分分析(KPCA)的光伏发电预测方法.Wang等[27]提出了一种混合深度学习模型(LSTM-convolutional network)并将其应用于光伏发电预测.Zhang等[28]提出并验证了一种基于深度学习的新颖的光伏发电预测方法.Gao等[29-30]提出在不同的天气条件,光伏发电预测的方法不同:在理想的天气条件下,可以使用长短期记忆(long short term memory,LSTM)模型；在不理想的天气条件下,可以使用离散灰色模型(discrete grey model,DGM)和LSTM 结合的模型预测光伏发电量.Sharadga等[31]提到光伏发电预测的关键是时间序列分析,而神经网络要比统计模型更精确,耗时更少.

间接预测法,即通过预测太阳辐射的情况和光伏系统的其他气象变量来估算光伏系统的输出功率[32].张玉等[33-34]从影响光伏发电的太阳辐射量、温度等因素开展光伏发电的预测.

光伏发电厂的选址和光伏电池板的排列对光伏发电效率具有很大的影响.Rediske等[35]采用GIS-MCDM 相结合的方法,建立了大型光伏发电站的选址模型.其中,采用AHP方法对选址的影响因素进行加权,并使用TOSIS法对替代方案进行排序.Lukac等[36]研究发现使用全局优化的方法在建筑物屋顶大规模放置光伏电池板发电效果较佳.

2 光伏发电负荷预测模型

本文在将光伏发电引入轨道交通应用时,采用直接预测方法对光伏发电进行预测.Sharadga等[31]提到用神经网络模型预测光伏发电要比统计模型更精确,耗时更少.所以本文采用改进后的最小二乘支持向量机对某光伏发电站采集到的历史光伏发电出力等数据进行分析,进而预测未来一天的光伏发电量.

2.1 最小二乘支持向量机

支持向量机(support vector machine,SVM)由Vapnik于1995年首先提出[37].SVM 是一种新型机器学习算法.Suykens于1999年首次将最小二乘法(least squares,LS)引入SVM,提出了最小二乘支持向量机(least squares support vector machine,LSSVM)[38].LSSVM 在训练的复杂度、训练效率方面远好于传统SVM.本文采用LSSVM 算法求解光伏发电预测问题.

LSSVM 预测函数如式(1)所示:

其中,xi为第i个输入向量；y(x)为输出函数；b为截距；a为拉格朗日乘子,ai∈R,a=[a1,a2,…,an]；k(x,xi)为核函数.

2.2 自适应粒子群(APSO)算法

Kennedy在1995年提出了粒子群优化(particle swarm optimization,PSO)算法[39].在PSO 算法中,对参数的数量要求不高,并且计算时收敛速度较快.基于PSO 算法,本文采用了自适应粒子群(adaptive particle swarm optimization,APSO)算法,即让PSO 算法中的惯性权重ω根据其当前的适应值自行调整,从而平衡了算法的全局搜索和局部搜索能力[40].

在d维空间中,粒子i的速度向量Vi和位置向量Xi如下所示:

经过数次迭代,达到全局最优时,第i个粒子的速度方程和位置方程如下所示:

其中,ωmax为预设的最大权重；ωmin为预设的最小权重；f为粒子当前的适应度值；favg为粒子的平均适应度值；fmin为粒子的最小适应度值.

2.3 APSO-LSSVM 模型

由2.1可知,核函数的选用对LSSVM 模型起着至关重要的作用.结合光伏发电的不稳定性的特点,本文选用RBF函数作核函数.

其中,(r,σ2)为该LSSVM 模型的参数；Pibest为粒子i的最优位置；PGbest为整个粒子群的全局最优位置.

由2.2可知,APSO 算法可以优化寻优的过程,所以本文选用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)原始数据进行归一化预处理；

2)利用自适应粒子群算法(APSO)寻找最优参数,其中,适应度函数

3)代入最小二乘支持向量机(LSSVM)预测模型,进行求解；

4)将求得的结果进行反归一化处理,得到原始数据的预测值.

4 算例分析

本文以某光伏发电站为例,自2014年1月1日起,每间隔10 min采集1次天气情况和光伏发电量,连续采集207 d采集结果如图2所示.采用改进后的LSSVM 模型进行预测,预测结果如图3所示.

图2 训练样本光伏发电量Fig.2 Photovoltaic power generation of training sample

图3 预测光伏发电量Fig.3 Forecast of photovoltaic power generation

5 总结

本文将光伏发电引入轨道交通供电系统中,一方面降低了轨道交通的运营成本,另一方面达到了节能环保的目的.但因光伏发电具有随机性、不确定性,将光伏发电直接接入轨道交通供电系统,将会对轨道交通供电系统带来一定的冲击.本文采用自适应粒子群算法提高了训练光伏发电历史数据时粒子的寻优能力,然后将优化后的参数代入最小二乘支持向量机对光伏发电量进行了预测,有效地保证了预测的精度,进而提高光伏发电接入轨道交通供电系统时的稳定性.