基于随机森林算法的光伏光热互补发电机组深度调峰负荷分配模型.pdf

64修回日期：2 0 2 3-0 8-19收稿日期：2 0 2 2-0 5-0 7；doi:10.3969/j.issn.2096-9422.2023.08.010No.8 in 2023(Total Vol.51,No.390)Electricity and IntelligenceJournalofBEE电气与智能化2023年第8 期（总第51卷第39 0 期)建筑节能（中英文）基于随机森林算法的光伏光热互补发电机组深度调峰负荷分配模型张军，王洲，贾春蓉，王涛”，曹喆（1.国网甘肃省电力公司，兰州730030;2.国网甘肃省电力公司经济技术研究院，兰州730050)摘要：为了最大程度利用太阳能，降低负荷分配后的峰谷差，提出了基于随机森林算法的光伏光热互补发电机组深度调峰负荷分配模型。分析光伏光热互补发电运行原理，采用灰色关联分析法选取与光伏光热互补发电机组负荷预测日较为接近的相似日，将其输入至搭建的随机森林回归模型中进行训练，预测光伏光热互补发电机组负荷，依据获取的负荷预测结果，将削弱等效负荷峰谷差视为深度调峰目标，搭建光伏光热互补发电机组深度调峰负荷分配模型，采用粒子群算法求解模型，获得最佳深度调峰负荷分配结果。实验结果表明：当随机森林回归模型决策树选取30 0 颗时，能够有效控制负荷预测泛化误差；光伏光热互补发电机组负荷预测的平均相对误差平均值不超过0.3%，具有极佳的负荷预测效果；应用提出的模型能够有效缩减等效负荷峰谷差，具备较好深度调峰负荷分配效果。关键词：随机森林算法；光伏光热互补；发电机组；深度调峰中图分类号：TU85;TP391文献标志码：A文章编号：2096-9422(2023)08-0064-05Load Distribution Model for Photovoltaic Thermal Complementary ElectricGenerator Based on Stochastic Forest AlgorithmZHANG Jun,WANG Zhou,JIA Chunrong,WANG Tao,CAO Zhe?(1.State Grid Gansu Electric Power Company,Lanzhou 730030,China;2.Economic and TechnicalResearch Institute of State Grid Gansu Electric Power Company,Lanzhou 730050,China)Abstract:In order to maximize the use of solar energy and reduce the peak valley difference afterload distribution,a deep peak shaving load distribution model of photovoltaic photothermal complementarygenerator set based on random forest algorithm is proposed.The operation principle of photovoltaicthermal complementary power generation is analyzed,selecting similar days close to the load forecastingday of photovoltaic thermal complementary power generation unit by using the grey correlation analysismethod,inputting them into the built random forest regression model for training,predicting the load ofphotovoltaic thermal complementary power generation unit,and regarding the weakening of equivalentload peak valley diference as the goal of deep peak regulation according to the obtained load forecastingresults.The load distribution model of deep peak shaving of photovoltaic solar thermal complementarygenerator set is built,and the particle swarm optimization algorithm is utilized to solve the model to obtainthe best load distribution result of deep peak shaving.The experimental results show that the generalizationerror of load forecasting can be effectively controlled when 300 decision trees are selected in the randomforest regression model;The average relative error of load forecasting of photovoltaic solar thermalcomplementary generator set is no more than 0.3%,which has excellent load forecasting effect;Theapplication of this model can effectively reduce the peak valley difference of equivalent load and has a goodeffect of deep peak load regulation.Keywords:stochastic forest algorithm;photovoltaic thermal complementarity;electric generator;deep peak shaving65张军，等：基于随机森林算法的光伏光热互补发电机组深度调峰负荷分配模型0引言太阳能作为纯天然的理想清洁能源始终备受瞩目 1,3，相比于采用单一光伏发电或光热发电方式，将光伏光热有效融合成为一种新型互补发电模式，能够大幅度提升发电灵活性。但在这种模式下，发电机组存在一定的反调节特性 4,5,容易产生较大的峰谷差，需对光伏光热互补发电机组进行深度调峰负荷分配，以期促进电力负荷均衡。国内外对这方面的研究不多，苗淼等人提出光伏光热联合调度模型，该模型能够降低发电总成本并削减等效负荷峰谷差，但离深度调峰效果仍有较大差距 6 ；肖白等人提出光伏光热联合发电优化模型，该模型过度重视跟随负荷能力，对于深度调峰方向的侧重程度较低，且不足以提升电网调度安全性 7 随机森林算法作为一种分类树集成算法，拥有较强的泛化性能及简单的模型结构 8,9,利用随机森林回归算法进行光伏光热互补发电机组负荷预测，为后续深度调峰负荷分配做基础支撑。因此，提出基于随机森林算法的光伏光热互补发电机组深度调峰负荷分配模型，将提升电网调度安全性，促进电力负荷均衡。1光伏光热互补发电机组深度调峰负荷分配模型研究光伏光热互补发电运行原理发现其并人电网的峰谷差日益增大，对光伏光热互补发电机组进行深度调峰负荷分配，能够保障电网安全运行1.1光伏光热互补发电运行原理太阳能作为可再生清洁能源之一，其总量巨大且分布范围极广，依据发电原理将其概括为光伏发电及光热发电两种类型光伏发电通过半导体组件将光伏转化为电能，其发电量大小直接受制于太阳辐射强度，因此具有明显的昼出夜伏特性及随机不确定性。光热发电则利用集热器等装置采集光资源，并通过发电机将其转换为电能，其拥有良好的可连续调节能力。光伏光热发电在一定程度上具有互补特性，光伏仅能在白日进行发电且波动性强，而光热则能够平抑这种特性，并利用自身储热装置捕捉的热量在夜间代替光伏持续发电，二者互相扬长避短，协同运作，完美解决太阳能资源自身的间歇波动性对电网运行产生的影响，但在光伏光热互补发电机组协同运作并入电网系统期间，需对其进行深度调峰、优化负荷分配，促进电力负荷均衡。2基于随机森林的光伏光热互补发电机组负荷预测利用灰色关联分析法选取与光伏光热互补发电机组负荷预测日较为贴近的相似日，并构建负荷预测的相似日样本集，将其输人至随机森林回归模型中进行训练，获取光伏光热互补发电机组负荷预测结果，鉴于随机森林算法具有把控泛化误差、避免局部最佳等诸多优势，其具有极佳的预测性能。1.2.1选取光伏光热互补发电机组负荷预测日的相似日搜集光伏光热互补发电机组的历史日负荷数据并构建初始样本数据集，利用灰色关联分析法来构建光伏光热互补发电机组负荷预测日的相似日样本集10 ,详细流程如下：（1)综合分析光伏光热互补发电机组特性，选定温度、湿度以及天气等作为影响负荷趋势的关键因子，计算第j日的特征向量并用x,描述；(2)鉴于每一个分量有其独立的量纲，该量纲与数量级之间有较大差距,因此需将其标准归一化；（3)设归一化后预测日的特征向量以及第j日的特征向量分别用x。、x,描述,求解x、x 二者处于第k个关键因子中的关联系数值8 k；（4)计算全部关键因子的关联系数并综合分析，同时求解x。t,二者的总相似度F；（5)求解预测日及初始样本数据集中各历史日之间的相似度,从中选取总相似度满足F,0.80条件的样本，组成相似日样本集。1.2.2搭建随机森林回归模型随机森林算法（RandomForest，R F）于2 0 0 1年提出,该算法实质为若干决策树模型h（X,k）,k=1,2，3，,K 构建的组合回归模型,X用于描述光伏光热互补发电机组负荷输入变量，k代表分布一致又互相独立的随机矢量，拟设光伏光热互补发电机组负荷输出变量Y用描述,原始数据集则为（X,Y）。构建决策树分为采样及完全分裂两项环节 1.12 ,在随机采样环节中，随机森林算法将输人的光伏光热互补发电机组负荷数据采样方式分为行与列两种，鉴于采样获取的样本集合中会存在穴余样本数据。因此，在行采样过程中选取有放回的方式进行随机采样，拟定输入样本数量N个,特征属性为M个,则采样获取n(nN)个样本,且在后续训练过程中,各个决策树的输人样本皆为部分样本数据，在列采样过程中，需在M中进行随机选择,获取m(mM）个样本数据,将行采样及列采样获取的光伏光热互补发电机组数据进行完全分裂，以此搭建决策树，鉴于在数据采样过程中为随机采样，避免过拟合现象,因此,构建决策树后无需剪枝 13选取基尼（Gini)指数计算决策树的分类属性，拟定决策树集合为LL,L2,L，,L，在L中共含有N个类型,则第个类型在L中的频率用P,描述,则基尼指标求解过程见公式（1）：66ZHANG Jun,et al.Load Distribution Model for PhotovoltaicThermal Complementary Electric Generator Based on Stochastic Forest AlgorithmnGini(L)=1-Z P)(1)=1若将集合L划分为m等份N,N2,N3，,Nm则分割的基尼指标函数Ginisplit（L)见公式（2）：Ginispli(L)N,Gini(L,)+N,Gini(L,)+.NNNmGini(Lm)(2)历经k次训练后，获得回归预测模型序列h（X，）,h(X,0 2）,h（X,0 k）,利用该序列搭建随机森林回归模型见公式（3）：1Kh(X)h(X,k)(3)KK=11.2.3光伏光热互补发电机组负荷预测流程光伏光热互补发电机组负荷预测流程见图1。预测流程详述如下：（1）选定光伏光热互补发电机组负荷预测日，采用灰色关联分析法求解预测日和各个历史日的相似度F,并选取F,0.80的样本数据构建相似日样本集。综合分析，每天采样2 4个点的负荷数据及天气预报数据等，鉴于光伏光热互补发电机组负荷受天气因素影响,设各个样本的输人变量X中含有10 个特征因素Xxi,2,x，,X1o，输出变量Y为光伏光热互补发电机组的实际负荷，构建相似日样本集1（X，Y）l i=1,2,3，,n,其中n为相似日样本的数量。开始搜集历史负荷样本集采用灰色关联分析法计算各个历史日与预测日的相似度构建相似日样本集设备随机森林回归参数采用Bootstrap重抽样法随机抽取子样本集随机选取m个特征因素分裂回归树节点生成L棵决策树，依据预测误差调节回归参数值输人预测日特征向量，将各颗回归树输出值的平均值作为负荷预测结果结束图1光伏光热互补发电机组负荷预测流程（2）通过Bootstrap重抽样法在光伏光热互补发电机组负荷输人样本N内任意选取L个样本，构建子样本集LLs，并生长成L颗决策树，该过程无需剪枝，而未被抽中的样本则纳人O数据集。（3）将子样本集Lts作为训练基础，输人至随机森林回归模型中，任意挑选个特征属性，将其视作当前节点的分裂特征集，并将数据集作为测试样本，预估随机森林回归模型误差，并依据预测误差及时修正模型内决策树的棵树L。（4)将光伏光热互补发电机组负荷预测日的样本数据输人至随机森林回归模型中的决策树进行训练，并取各颗决策树输出结果的平均值，将其视作光伏光热互补发电机组负荷预测结果输出G。3光伏光热互补发电机组深度调峰负荷分配模型获取光伏光热互补发电机组负荷预测值后，需对其进行分配，获取最佳深度调峰结果。因此，搭建光伏光热互补发电机组深度调峰负荷分配模型，经粒子群算法求解后，实现最优负荷分配。深度调峰负荷分配模型目标函数及约束条件当光伏光热互补发电机组并网运行后，由于光伏发电机组仅支持白天的发电，夜间需依赖光热发电机组持续发电，二者间存在负荷峰谷差较大 14，需进行深度调峰，实现最优负荷分配，提升电力系统灵活运行度。搭建光伏光热互补发电机组深度调峰负荷分配模型将削弱等效负荷峰谷差视为深度调峰目标，该模型目标函数见公式（4）、（5）：TZ(pi-Pi)21=1min F=G(4)TT2pt=1P=(5)T式中：F为深度调峰优化负荷分配目标函数；G为光伏光热互补发电机组负荷预测结果；T为光伏光热互补发电机组调度时段总数；p为在时刻电网供电出力情况；p为在T时段中电网出力平均值。鉴于光伏光热互补发电机组自身的发电特性，设置如下约束条件：光伏光热互补发电机组出力约束条件见公式(6)、(7):p+pSCC,RUPmax(6)C(7)式中：p为在t时刻光伏光热互补发电机组出力；P分C,RUP分别为光伏光热互补发电机组的上下备用；pxp.分别为光伏光热互补发电机组最大及最小出力。67张军，等：基子于随机森林算法的光伏光热互补发电机组深度调峰负荷分配模型光伏光热互补发电机组爬坡约束条件见公式（8）：Rpc-pc.,-R(8)式中：p,为t-1时刻光伏光热互补发电机组的出力；RS、R 分别为光伏光热互补发电机组的向上、向下爬坡能力最大值。光伏光热互补发电机组储热装置的容量约束条件见公式（9）：ETETSETI(9)ETmax式中：EmaxETS分别为储热装置最大及最小容量的maxm约束；PF为衡量储热装置是否达到最大容量的指标。用PTSC、PT SD 描述储热装置储热及放热功率最大值，储热装置的储放热功率约束条件见公式（10）：PTSC0PTSCmaxPTSDPTSD0(10)max=PTSCPTSD0式中：PTSC、PT SD 分别为时刻光伏光热互补发电机组储热装置的储热及放热功率。1.3.2粒子群算法求解模型粒子群算法（Particle Swarm Optimization，PSO)灵感来源于鸟群运动行为，粒子群算法具有超快的收敛速度且算法简单易懂 15,采用粒子群算法求解光伏光热互补发电机组深度调峰负荷分配模型，能够获取最优调峰负荷分配结果，详细求解流程见图2。将PSO粒更新将光伏将全部时子种群的PSO光热互更新段PSO粒个体极值粒子PSO粒子任意初与位置、速度，子位置，开始始化，达全局极值使其求解个到出力、与位置进达到体及全爬坡及储行初始化约束局极值初始化热约束设置要求4将粒子位置改否满足出力、爬坡为达到及储热约束？约束的要求是依据全局极值位否满足最大送置，求解深度调代次数？结束峰负荷分配结果是图2粒子群算法求解流程粒子群算法求解光伏光热互补发电机组深度调峰负荷分配模型过程为适应值函数选取机组负荷的均方差，粒子位置则代表机组全程的出力情况，任意生成种群粒子速度及位置数据，对光伏光热互补发电机组负荷预测数据及约束条件进行初始化设置，同时随机初始化全部时段的粒子，使其满足各项约束条件；将粒子种群的个体极值与位置、全局极值与位置进行任意初始化设置；依据适应值函数求解粒子的适应度值，更新粒子速度，使其满足各项约束条件；将粒子位置更新并求解个体及全局极值，若此时满足出力、爬坡及储热约束，则继续判断其是否满足最大迭代次数，若未达到各项约束条件，此时需直接更改粒子位置使其达到约束要求，再继续循环更新粒子速度及位置等步骤，直至满足各项约束要求；若此时满足最大迭代次数要求，则计算深度调峰负荷分配结果并输出，若此时未满足，需继续循环更新粒子速度及位置等步骤，直至满足各项约束要求且达到最大迭代次数要求后，即可终止循环。2实验分析选取我国西北某市光伏光热互补发电机组作为实验对象，已知发电基地装机容量达到6 8 0 MW，光伏光热装机比例占6:4，拟定初始生成8 0 个粒子，最大迭代次数设为30 次，验证本文模型决策树数量的选取、负荷预测效果以及负荷分配性能。选取平均相对误差e作为光伏光热发电机组负荷预测的评价指标，一天中预测时刻总数用n描述，某一时刻i的实际负荷值以及预测负荷值分别用R(i）、F(i)描述,平均相对误差求解见公式(11)：R(i)-F(i)R(i)100%i=1,2,3,.,nen(11)随机森林回归模型预测结果受决策树数量影响程度颇深，选取恰当的决策树L值至关重要，若决策树L值选取偏小，则会导致预测泛化误差偏高，若决策树L值选取偏大，在一定程度上会增大负荷预测的运算规模，影响计算效率，调节决策树L值并搭建若干个随机森林回归模型，统计不同L值状态下的预测泛化误差，实验结果详见图3。0.80.7%0.60.50.40.30.2100200300400500600700决策树数量L值图3决策树数量及泛化误差分析图3可知，伴随决策树L值的逐渐增加，随机森林回归模型预测的泛化误差迅速下降，直至决策68ZHANG Jun,et al.Load Distribution Model for PhotovoltaicThermalComplementaryElectric Generator Based on Stochastic Forest Algorithm树L值超过30 0 后，其泛化误差未见明显波动，综合考量，决策树L值选取30 0 最为恰当，此时能够有效控制预测泛化误差，且避免计算负担过大。搜集该市2 0 2 1年度的历史负荷数据及天气预报相关数据，从晴天、阴天、小雨三种天气下各选取一天作为预测日，并构建相似日集，采用本文模型进行光伏光热互补发电机组负荷预测，鉴于篇幅有限，预测时刻为每隔两小时一次，三种天气下的光伏光热互补发电机组负荷预测结果与实际负荷值的相对误差见表1。表1负荷预测结果平均相对误差/%预测时刻晴天阴天小雨0:00:000.090.120.112:00:000.150.160.154:00:000.280.320.366:00:000.190.250.228:00:000.360.360.4110:00:000.180.250.2312:00:000.210.300.2614:00:000.320.300.3316:00:000.240.290.3118:00:000.320.360.3520:00:000.130.230.2022:00:000.160.190.18分析表1实验结果，晴天、阴天、小雨三种天气类型下的单日负荷预测平均相对误差的平均值分别为0.219%、0.2 6 1%与0.2 59%，皆不超过0.3%，证明本文模型经过训练后具有极佳的负荷预测效果，能够为后续深度调峰负荷分配提供精准负荷数据采用本文模型对该市光伏光热互补发电机组进行深度调峰负荷分配，绘制原始负荷曲线及采用本文模型调峰分配后的负荷曲线图，如图4所示，深度调峰结果详见表2。2000+-原始负荷一本文模型18001600100080060000:0004:0008:0012:0016:0020:0000:00时刻图4等等效负荷曲线表2深度调峰负荷分配结果(MW)场景原始负荷本文模型峰荷1829.311552.16谷荷901.551210.07峰谷差927.76342.09观察图4与表2 实验结果，采用本文模型深度调峰负荷分配后的光伏光热互补发电机组峰荷下降277.15MW，谷荷相差30 9.48 MW，峰谷差则较原始负荷相比缩减了52.16%，利用光热储热装置进行储/放热，优化出力且具有明显的削峰填谷作用，证明本文模型拥有较好的深度调峰负荷分配效果。3结论本文分析光伏光热互补发电运行原理后，提出基于随机森林算法的光伏光热互补发电机组深度调峰负荷分配模型对其求解，结果为选取30 0 颗决策树构建随机森林回归模型最为恰当，能够有效控制预测泛化误差，且在晴天、阴天、小雨三种天气类型下，光伏光热互补发电机组负荷预测效果极佳，采用本文模型进行负荷分配，具备深度调峰效果，削峰填谷作用较为显著，优化负荷分配，促进电力负荷均衡。参考文献：1张宏，董海鹰，陈钊，等.基于模型预测控制的光热一光伏系统多时间尺度无功优化控制策略研究 J.电力系统保护与控制，2 0 2 0，48(9):135-142.2张宏，董海鹰，陈钊，等.基于分时电价的风电光伏-光热联合发电基地并网优化调度策略 J.电源学报，2 0 2 1,19（5）：91-10 13张宏，陈钊，黄蓉，等.风电光伏一光热联合发电系统的模糊多目标优化模型 J.电源学报，2 0 2 1,19（2）：112-12 0.4张尧翔，刘文颖，李潇，等.高比例新能源接入电网光热发电火电联合调峰优化控制方法 J.电力自动化设备,2 0 2 1,41（4)：1-7.5朱睿，胡博，谢开贵，等.含风电光伏光热水电一火电储能的多能源电力系统时序随机生产模拟J.电网技术，2 0 2 0,44（9）：3246-3253.6苗淼，刘赛，施涛，等.光伏光热联合发电基地并网优化调度模型 J.中国电力,2 0 19,52（4）：51-58.【7 肖白，王涛.太阳能光伏一光热联合发电的优化运行模型J.现代电力,2 0 2 0,37(2)：16 3-17 0.8岳友，李宽宏.基于配电物联网技术和并行随机森林算法的日前V2G功率容量预测 J.电力需求侧管理,2 0 2 0,2 2（4）：31-34.9余嘉熹，李奇，陈维荣，等.基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法 J.中国电机工程学报，2 0 2 0,40（17）：55915599.10陆煜锌，方彦军.基于改进灰色关联的异构网络任务调度仿真 J.计算机仿真，2 0 2 0，37（10）：39 8 40 2.11李蔚，吴恺逾，陈坚红，等.基于非线性自回归神经网络和随机森林算法的核电汽轮机组出力优化 J.中国电机工程学报，2 0 2 1,41(2):409-416.12邢书豪，孙文慧，颜勇，等.基于改进随机森林算法的电力系统短期负荷预测模型 J.青岛大学学报：工程技术版，2 0 19,34（3）：7-10.13赵庆明.基于近邻传播算法和随机森林回归模型的台区线损率计算方法 J.电力系统及其自动化学报，2 0 2 0,32（9）：94-98.14李正文,许静，王智博，等.一种电量双轨制下考虑基本调峰分配公平的日前机组组合模型 J.水利水电技术（中英文），2 0 2 1,52（8）：181-192.15宋雨妍，王渝红，刘天宇，等基于多目标离散粒子群算法的电容隔直装置优化配置.电网技术，2 0 19，43（1）：2 6 6-2 7 4作者简介：张军（197 5），男，甘肃武威人，电气工程专业，硕士研究生，高级工程师，主要从事电网规划及电源接人系统技术方面的研究()。