基于蚁群算法实现太阳能光伏发电功率预测*

刘 琳 邱 菊 陈 曦

（1.国网信息通信产业集团有限公司 北京 100192）（2.北京中电普华信息技术有限公司 北京 100192）（3.北京国网信通埃森哲信息技术有限公司 北京 100000）

1 引言

光伏发电是可再生供电的重要组成部分，具有间歇性、随机波动性等特点［1～3］，这些特点容易给电力系统的安全、稳定运行带来威胁。为了进一步提高太阳能光伏发电功率的利用率，对光伏电站的使用寿命［4～6］进行评估与计算，这也需要检测出太阳能光伏发电功率的功率，以便更好地评估光伏电站的性能参数。因此，跟踪、评估光伏电池输出的功率是十分必要的。光伏发电输出功率容易受到外界多种因素信息的影响，比如电网中产生的电网谐波、导致电压发生信息偏离的误差参数、电网负荷、电磁场影响下的不平衡因素等［7～10］。这就造成了大量的电网潜在故障发生，当大量的光伏矩阵数据信息被接入配电网后，对电网中的潮流分布、功率损耗、节点电压等各个方面也会造成严重影响。传统的配电网方法使得计算速度、精度等均不能满足大型有源配电网的运行控制要求［11～12］。这就需要一种算法来实现复杂的配网结构。

本文引入一种蚁群算法，其作为优化算法能够解决组合优化的问题，该算法根据蚁群觅食行为来演变得出的算法［13～15］，通过模拟蚂蚁群体寻找食物过程的优化算法来评估太阳能光伏发电功率，为配网的稳定运行提供保障。

2 预测模型体系构架

在《光伏电站接入电网技术规定》的相关标准中，比如GB/T 14549、GB/T 12325、GB/T 1232、GB/T 15543等中规定了多个对光伏电站可靠性影响的因素［13～14］，比如公用电网谐波、供电电压偏差、电压波动和闪变、电压不平衡度、时变光照强度、电网故障等因素。这些因素中，每种参数都对光伏发电功率造成间接或者直接的影响。太阳能光伏矩如图1所示，光伏之间以串联和并联连接的方式实现电流、电压和功率的输出，如何评估其输出功率是本文要解决的技术问题。

图1 m*n光伏矩阵示意图

在本文设计中，首先设计出预测模型体系的构架，如图2所示，在该架构中，由于太阳能光伏发电是通过大量多个光伏阵列矩阵构成，光伏发电组成的配电网存在多维、离散、非线性的问题，需要进行优化设计。本文采用蚁群算法对输出功率信号进行优化。假设将某个地区划分为区域1、区域2、区域N等，以将配电网进行网络分区，然后将区域1、区域2、区域N等的数据进行初始化处理，可将区域1的初始化优化解集记作为X1=［x11，x12，…，x1n］，将区域2的初始化优化解集记作为X2=［x21，x22，…，x2n］，将区域N的初始化优化解集记作为XN=［xN1，xN2，…，xNn］，其中光伏发电输出电流和电压之间的关系为

图2 预测模型体系构架

光伏发电输出功率和输出电压之间的关系为

在式（1）中，Ipv为光伏发电输出电流，Isc为光生电流，IO为二极管饱和电流，q为1.6*10-19C的电子电荷，Rb为光伏电池并联电阻，Rs为光伏电池串联电阻，Ib为并联电阻电流，U为光伏电池输出电压，A为光伏电池特性因子，Ka为波尔兹曼常数，其值为1.38*10-23J/K，T为光伏电池工作时的温度。在实际工作时，最大输出功率Pmax=300Wp；最佳工作电压Ump=32.5V，最佳工作电流=9.08A；开路电压Uoc=38.4V；短路电流Is=9.62A。

功率输出特性还容易受周围环境的影响，除了上文提到的因素之外，功率输出特性还受光照等条件的影响。上述功率输出信息输出后，进行信息融合，然后利用蚁群算法实现对太阳能光伏发电功率的预测、评估，蚁群算法具有随机分布的特点，该特性能够弥补网络的流量负载、设备能耗的不定性等，在进行算法计算时，蚂蚁元素数据包能够实时探测光伏发电配电网周围的网络环境，然后再根据探测到的网络状态信息情况，进一步地选择比较合适的信息传输链路，最终以启发式的方式构建信息传递巡游路径，由于信息链路路径的自组织性，尤其是在带有节能机制的信息传输网络中，采用蚁群算法不容易改变信息传输网络的能耗状态。使得网络损耗较少，保证了信息传递的稳定性。通过遗传算法的数据通过计算机处理系统传递到远程无线监控系统，供更高一个层次的管理中心或者管理人员进行处理。下文将详细介绍蚁群算法。

3 蚁群算法

下面结合蚁群算法对本实施步骤进行说明，在应用函数计算时，目标函数的解为输出功率，设输出功率函数y=f（x），将其范围定义为（0，Up），根据光伏发电的光输出特性，在利用光伏阵列（xi，yi）进行输出功率时，可以通过取值其最值，比如最大值和最小值，极大值记作为xi+1。

为了提高这些功率的分布效率，将这些极大值分布式分散，通过记录区域1、区域2和区域N，以分布式分布在这些区域内，极大值点构成为N=xi+1，为了提高这些区域计算能力，通过Oi来表示，令i=1，2，3，…，M，则每个子区域可以借助于长度长度公式来表示，则有：

然后，在这个边界范围内对光伏发电的功率进行评估。启动蚁群算法模型时，还要对TSP问题进行示例性说明，如图3所示。

图3 多个查询节点路径连接示意图

在图3中，假设令每个圆圈表示一个查询节点，再将查询节点与查询节点之间的距离用E（i，j）来表示，其中，1≤i≤n，1≤j≤n，TSP的主要目的在于将寻找问题遍历每个查询节点的路径，使查询路径成本最低。下面介绍几个公式。

信息浓度的修正公式：

其中：

其中，ρ表示在信息查询过程中，设置的信息残留具有的系数大小，该系数大小能够表示出路径查询能力，1-ρ表示在设置的时间区间（t，t+n）内，蚂蚁元素在进行信息查询过程中，信息元素具有信息素的挥发程度。

下面再引出第m只蚂蚁从查询节点i向查询节点运动的转移概率，该概率公式为

其中δ表示信息元素在应用过程中，能够穿透外界故障元素可以看到的能见度因数，通过数学表达的形式可以记作为查询节点之间的距离的倒数；α表示蚁群元素在应用过程中，输出信息素浓度相对重要参数；β表示能见度因数与外界故障数据信息因素相比时，具有的无障碍因素影响能力；Node表示在与查询节点i连接时，具有的节点标识。并且蚂蚁尚未游走过的查询节点的集合。基于上述介绍，下面介绍蚁群算法实施的具体过程，如图4所示。

图4 蚁群算法流程示意图

1）初始化；将功率信息初始化，初始化总群，设y（t）=ymax，并且将所有蚂蚁元素矩阵的所有元素初始化为0，将该起始位置通过随机选择的方式对每个蚂蚁元素和节点信息进行选择。

2）将m只蚂蚁随机放置在n个查询节点上，令循环次数为Nc，按Nc+1的顺序进行循环。

3）设定蚂蚁元素禁忌表索引号k=1，通过k+1进行循环；

4）根据式（7）状态转移概率公式计算蚂蚁选择查询节点j的概率；

5）选择各种数据信息参数，将最大状态转移概率的查询节点通过不同形式的查询方式实现数据信息查询，将不同蚂蚁元素按照不同数据属性转移到查询节点，查询一个，记录一个，存储一个，分别将查询到的不同数据信息记录到禁忌表中。

6）判断，如果访问完集合中的所有查询节点，k

7）然后核对终止条件，检查是否满足终止条件，如果满足终止条件，则进行进一步操作。

8）判断是否形成新的群体，如果要形成新的群体，则重新对信息素矩阵进行更新。

9）判断是否满足终止遗传条件，当满足终止遗传条件时，则输出计算结果。

10）输出当前群体中的最优解并存储。

在上述步骤中，通过蚁群算法的迭代运算搜索最优解，在一些情况下，能够在迭代很少次数便可找到最优解，在一些情况下，直到迭代到最大次数才找到最优解，在应用蚁群算法时，最优的个体适应值结合最大的迭代次数能够在已知范围内进行自适应地寻找，在不断的迭代计算过程中，假设仍旧未找出合适的功率输出路径，本系统能够保留较小的解，而此时的输出，即为当前蚁群计算的最优解。

4 仿真分析

本文基于Matlab2013b仿真软件进行仿真与验证，首先，在Matlab2013b软件上建立基于Sim ulink—Function的光伏阵列发电的仿真模型。如图5所示。本文采用（5×10）光伏阵列样品进行试验，光伏组件的工作参数：P=300Wp；电压U=32.5V；电流=9.08A；开路电压=38.4V；短路电流=9.62A。在仿真图中，仿真参数电容C1=200μF；电容C2=500μF；电感L=30mH；负载R=30Ω；载波频率PWM=30kHz。

图5 基于Simulink仿真模型图

基于上文介绍，蚁群算法的种群规模选择为100，将交叉算子的发生率设置为0.68，将模型中的数据信息量不断进行更新，其系数设置为0.8，当通过蚁群算法计算完毕后，设置的迭代进化代数可以记作为100。计算完毕后，模型参数输出的平均输出功率为7500W，对比示意表如表1所示。

表1 采用蚁群算法样本输出的平均功率对比表

通过上述数据可知，采用蚁群算法的平均功率更接近实际输出的平均值。并且稳定性能较好。采用蚁群算法的仿真曲线图如图6所示。

图6 基于Simulink仿真模型图

由仿真结果可知，当设定终止代数为100时，采用遗传蚁群算法的光伏发电输出功率已经趋于稳定，在每次迭代计算时间，就会接近功率平均输出值，然后随着每次逼近，输出功率逐渐趋近于最大功率。计算过程中，在寻优精度上，采用遗传蚁群算法使得计算结果更加容易趋近于理想值。

通过使用本文设计的方案，用户可能正确地评估太阳能光伏发电输出功率，增加了光伏电站的可靠性，能够将每个太阳能光伏矩阵实现电力输出，电能工作效率大大提高，约10%以上。太阳能利用率也大大提高。

5 结语

本文采用蚁群算法实现对太阳能发电功率输出的评估，提高了功率输出的优化能力，通过建立仿真模型，验证了这种蚁群算法的有效性，使得用户能够快速找到全局最大功率。根据该算法，用户能够恰当地评估光伏发电功率的输出，有效地降低网络损耗，均匀分布线路上的负荷，从而提升节点电压，改善配电网的运行状况、提高配电网的安全性。

通过预算分析，本文提出的方案具有一定的经济价值，能有效地缩减企业的生产成本，具有明显的经济效益。