基于萤火虫算法的光伏配电网负荷过载预测研究

范玲

（国网山东省电力公司成武县供电公司，山东菏泽 274200）

新能源的大规模投入使得配电网络中的分布式光伏渗透率逐步上升。由于分布式光伏发电系统的输出会影响电力系统的总负载，为此，需要对光伏配电网负荷过载进行预测。如果负荷因过载发生故障，将导致配电网负荷的大量损失，对电力系统的可靠性和配电网的安全运行产生重大的影响。因此，对光伏配电网负荷过载进行预测具有重要意义。

文献[1]依据孪生网络权重共享的特点，解析历史负荷数据，依据解析结果分类预测负荷，提取相似数据。结合灰狼优化算法优化参数，实现负荷过载预测。文献[2]依据配电网光伏受到多种因素影响而容易出现各种故障的问题，构建多变量灰色遗传MGM(1,n,r)预测模型，对该模型使用遗传算法求解，得到负荷过载预测结果。然而，这两种方法受到光伏功率间歇性影响，出现负荷波动性耦合现象，使得负荷过载预测精准度降低。为此，提出了基于萤火虫算法的光伏配电网负荷过载预测研究。

1 基于萤火虫算法的过载负荷跟踪

萤火虫算法是将空间中的每个点看成萤火虫，将其搜索过程视为位置更新迭代过程。当两个萤火虫逐渐靠拢，完成位置迭代处理，进而找到最优位置，实现寻优[3-5]。基于上述原理，计算第i只萤火虫在位置j处的相对亮度，公式为：

式中，W0表示萤火虫荧光素的相对亮度；λ表示吸收因子；L表示萤火虫飞行的笛卡尔距离，计算公式为：

式中，d、c分别表示空间和笛卡尔坐标的维度；Wi,c、Wj,c分别表示第i、j两只萤火虫的空间位置[6]。基于此，更新萤火虫空间位置，公式可表示为：

式中，αij(L)表示萤火虫的吸引力；δ表示随机扰动项[7]。

采用加权最小二乘法[8-10]求解目标函数，获取适配值。为了更好体现算法特征，构建了第i只萤火虫第t次迭代的过载负荷跟踪函数，如下所示：

式中，ωm表示第m个测量权重；ζ表示第m个测量数量。

通过添加随机扰动项扩大搜索空间，提高过载负荷跟踪性能，避免陷入局部最优。

2 基于萤火虫算法的负荷过载预测

2.1 光伏功率和过载负荷解耦

因为光伏受太阳辐射的影响，白天只输出功率，晚上不输出，所以白天的净负荷是由光伏输出功率和实际负荷组成的[11-13]。因此，如果实际的负荷减去了光电输出，那么净负荷就等于晚上的实际负荷，并且只对白天净负荷数据进行解耦[14]。光伏-负荷解耦结构，如图1 所示。

图1 光伏-负荷解耦结构

由图1 可知，利用光伏-负荷解耦模型，通过求解最优的因子，得到了光伏配电网总负荷与过载负荷所占的比例。

2.2 预测模型构建

根据上述解耦的过载负荷，设计预测模型构建流程：

步骤1：用原始电力负荷的时序资料转化成电能周期；

步骤2：将周期代换到周期指数调整算法中，将原始数据分为周期指标和趋势指标，用于训练数据，并对今后的电力数据进行趋势预测[15]；

步骤3：选取了一种适合度函数来表示该模型的优缺点。因此，将平均绝对百分比误差（MAPE）作为衡量预测结果是否精准的判据，由此满足萤火虫算法的适应性。其公式为：

式中，n表示预测总数；xi、分别表示真实和预测数据。

步骤4：将步骤二的趋势值作为萤火虫算法的训练数据，从而获得最佳的参数序列；

步骤5：将最优参数代入构建的预测模型中，利用二阶自适应系数法对光伏配电网过载负荷数据进行预测，获取预测的电力负荷数据的趋势项[16]；

步骤6：将趋势预报转化为原序列预报，由此构建预测模型：

式中，Y′n表示趋势项预测值；Un表示周期指数。

2.3 负荷过载预测

在搜索空间中，萤火虫会利用自身发出荧光的特性，吸引其他萤火虫。因此，将荧光素值输入到构建的预测模型中，进行负荷过载预测，流程如图2所示。

图2 负荷过载预测流程

由图2 可知，设计详细的步骤：

步骤1：萤火虫会在判决领域中查找邻近的集合，在搜索过程中，萤火虫的荧光量越大，就越能吸引其他萤火虫，每一次的运动都会根据所选的邻居而变化。决定领域的规模与邻近的数目有关，邻居密度越小，萤火虫就会在更大的范围内寻找更多的邻居；另外，当邻近区域的数量越多，萤火虫飞行的区域就越小，当所有萤火虫都飞行结束后，全部都聚集在一个地方；

在最初的萤火虫体内，每一个个体都携带着同样的荧光物质和感知半径。随着萤火虫数目和迭代数量的增加，迭代的精度也会随之提高。

步骤2：固定时间间隔测量光伏配电网，构建配电网负荷过载指数的状态向量。确定初始权值，获取在固定时间下的连接权值向量；

步骤3：确定状态向量后，修改权值修正量；

步骤4：计算权值向量最终值，权值向量各个权值公式可表示为：

式中，Y()表示预测输出函数。在确定负荷过载指数后，计算期望阈值与实际值之间的差值，公式为：

式中，η′表示期望阈值。满足上述公式的值，即为对应的权值向量最终值。

步骤5：计算配电网负荷过载指数预测值，对于任一时刻t，配电网负荷过载指数预测值计算公式为：

通过上述内容，完成基于萤火虫算法的光伏配电网负荷过载预测。

3 实验

3.1 实验数据分析

以某市的激光企业为例，选择2019年3月31日-2019 年5 月31 日的日均过载负荷为研究对象，日过载负荷数据统计结果如表1 所示。

表1 日过载负荷数据

由表1 可知，日过载负荷具有较强周期性，且工作日过载负荷比休息日过载负荷高，可能与周末休息有关，所以需分别研究休息日和工作日。

3.2 实验结果与分析

对于休息日负荷过载情况，分别使用文献[1]方法、文献[2]方法和所提方法预测负荷过载情况，对比结果如图3 所示。

图3 不同方法的休息日负荷过载预测

由图3 可知，文献[1]方法和文献[2]方法分别在4 月15 日和4 月10 日过载负荷达到最大为2 100 kW和1 500 kW，但不同时间变化的过载负荷与表1 所示的统计负荷不一致，而所提方法在4 月10 日过载负荷达到最大为2 100 kW，其不同时间变化的过载负荷与表1 所示的统计负荷均一致，表明所提方法能够有效提高负荷过载预测精准度。

对于工作日负荷过载情况，分别使用分别使用文献[1]方法、文献[2]方法和所提方法预测负荷过载情况，对比结果如图4 所示。

由图4 可知，文献[1]方法和文献[2]方法分别在4 月20 日-4 月30 日 和5 月20 日-5 月31 日出现了过载负荷最大的情况分别为6 600 kW 和6 500 kW，但不同时间变化的过载负荷与表1 所示的统计负荷不一致，而所提方法在4 月15 日过载负荷达到最大，为6 500 kW，且不同时间变化的过载负荷与表1 所示的统计负荷均一致，表明所提方法的负荷过载预测精准度较高。

4 结束语

负荷是电网调度、预测机组利用率的关键，文中提出的基于萤火虫算法的光伏配电网负荷过载预测研究，能够有效为广大电网客户提供个性化的预测，提升供电公司的服务量。由于在光伏配电网中，电池利用率除了取决于自身特性外，还取决于其工作环境。在各种外界环境下，光伏电池能在不同的最大功率点上工作。所以，为了将光电转换成电能，必须寻找最优的运行条件。